دانلود پایان نامه ارشد : کمّی­سازی سطح استرس با استفاده از سیگنال­های سایکوفیزیولوژی

دانلود پایان نامه ارشد : کمّی­سازی سطح استرس با استفاده از سیگنال­های سایکوفیزیولوژی

تعداد صفحات: 127

فرمت فایل: ورد

دسته بندی: -

قیمت: 5500 تومان

تعداد نمایش: 457 نمایش

ارسال توسط:

تاریخ ارسال: 1 آگوست 2016

به روز رسانی در: 1 آگوست 2016

خرید این محصول:

پس از پرداخت لینک دانلود برای شما نمایش داده می شود.

5500 تومان – خرید

پایان­ نامه کارشناسی ارشد رشته مهندسی پزشکی- بیوالکتریک

عنوان:

کمّی­سازی سطح استرس با استفاده از سیگنال­های سایکوفیزیولوژی

فهرست مطالب

عنوان

 

صفحه
چکیده 1
مقدمه 2
فصل اول: علم سايکوفيزيولوژي و مفاهیم و مبانی استرس

 

               1- 1- تاريخچه علم سايکوفيزيولوژي 4
               1-2- اصول و مباني سايکوفيزيولوژي 7
               1-3- انواع تکنیک­های سایکوفیزیولوژی 10
                        1-3-1- شاخص­هاي سيستم اعصاب خودکار 10
                        1-3-2- اندازه­گيري فعاليت مغزي 11
                        1-3-3- تشخيص حالات با استفاده از رفتار شخص 15
                 1-4- تعریف استرس 17
               1-5- استرس خوب و استرس بد 19
                 1-6- عوامل برانگيزنده استرس 20
                        1-6-1- استرس شغلی 21
               1-7- نشانه­هاي استرس 23
               1-8- حد مطلوب استرس 24
               1-9- مراحل ایجاد استرس 24
               1-10- اثرات استرس بر بدن و بيماري­ها مرتبط با آن 26
              1-11- بیوفیدبک 36
                        1-11-1- انواع بیوفیدبک 37
فصل دوم: سیگنال­های سايكوفيزيولوژيكي وآزمایش ثبت داده

 

               2-1- مقدمه 39
               2-2- پلتيسموگراف 40
                        2-2-1- فتو پلتيسموگرافي 41
                        2-2-2- روش­هاي اندازه­­گيري سيگنال فتوپلتيسموگراف

 

41
               2-3- سيستم الکتريکي پوست 42
                        2-3-1- تاريخچة کشف فعاليت الکتريکي پوست 43
                        2-3-2- فوايد و مشکلات استفاده از فعاليت الکتريکي پوست (EDA) 44

             2-4- تغييرات نرخ ضربان قلب

46

                        2-4-1- تاريخچه استفاده از سيگنال تغييرات نرخ ضربان قلب

46
                        2-4-2- دورنمای فیزیولوژی سيگنال تغييرات نرخ ضربان قلب 47
                        2-4-3- تعيين تغييرات نرخ ضربان قلب با استفاده از سيگنال فتوپلتيسموگراف 48
               2-5- مروری بر آزمایش­های استفاده شده در تحقیقات 51
                        2-5-1- آزمایش بر اساس بازی کامپیوتری 51
                        2-5-2- آزمایش بر اساس پروتکل رانندگی اتومبیل 54
                        2-5-3- آزمایش بر اساس نمایش فیلم 57
               2-6- آزمایش طراحی­ شده در این تحقیق 59
               2-7- سوژه­های تحقیق 62

فصل سوم: پردازش سیگنال­های سايكوفيزيولوژيكي

 

                 3-1- مقدمه 64
                 3-2- پردازش سیگنال فتوپلتيسموگراف 66
                         3-2-1- پيش­پردازش سيگنال فتوپلتيسموگراف 66
                         3-2-2- استخراج ویژگی در حوزه زمان از سیگنال PPG 70
                         3-2-3- استخراج ویژگی در حوزه فركانس از سیگنال PPG 72
                 3-3- پردازش سیگنال تغییرات نرخ ضربان قلب 75
                         3-3-1- استخراج ویژگی از سیگنال تغییرات نرخ ضربان قلب 75
                                    3-3-1-1- استخراج ویژگی در حوزه زمان از سیگنال HRV 75
                                    3-3-1-2- استخراج ویژگی در حوزه فرکانس از سیگنال HRV 76
                                    3-3-1-3- استخراج ویژگی در حوزه زمان-فرکانس از سیگنال HRV 77
                                    3-3-1-4- استخراج ویژگی­های غیرخطی از سیگنال HRV 78
                 3-4- پردازش سيگنال هدايت الكتريكي پوست 85
                         3-4-1- استخراج ويژگي از سيگنال هدايت الكتريكي پوست 87
                 3-5- نرمال کردن ویژگی­ها

 

88

فصل چهارم: انتخاب ویژگی­های بهینه و تفکیک سطوح استرس

      4-1- مقدمه 89
      4-2- شبكه­هاي عصبي 90
           4-2-1- شبكه­هاي عصبي پرسپترون چند لايه 90
           4-2-2- توابع فعاليت 91
           4-2-3- الگوريتم به روز رساني وزن­ها 91
           4-2-4- باياس لايه­ها 92
           4-2-5- روش آموزش شبكه 92
      4-3- تركيب شبكه­هاي عصبي و الگوريتم ژنتيك 92
           4-3-1- اصطلاحات ژنتيک 93
           4-3-2- اجزاء الگوريتم ژنتيك 93
           4-3-3- طراحي تابع برازندگي و رشته­ها 94
           4-3-4- نتایج تفکیک­ به روش ترکیب شبکه عصبی و الگوریتم ژنتیک 95
      4-4- نتایج تفکیک به روش آنالیز تفکیکی قدم به قدم 99
      4-5- ماشین­های بردار پشتیبان 103
           4-5-1- نتایج تفکیک­ به روش ماشین­های بردار پشتیبان 105
      4-6- مقایسه تحلیل خطی و غیرخطی سیگنال HRV 108
      4-7- مقایسه تفکیک­کننده­های استفاده­شده در این تحقیق 112
      4-8- تفکیک سطوح استرس بر اساس رأی­گیری 113
      4-9- شاخص استرس 115
          4-9-1-  شاخص بر اساس ویژگی­های بهینه  سیگنال HRV در روش LDA 115
          4-9-2-  شاخص NSRPIAD

 

119

فصل پنجم: نتیجه­گیری و پیشنهادات

      5-1- بحث و نتیجه­گیری 123
      5-2- پیشنهادات 126
 

     مراجع

 

128

    پیوست1 133
    پیوست2 138

چکیده

در تحقیقات سایکوفیزیولوژی، به پاسخ­های فیزیولوژی بدن با توجه به فاکتورهایی مانند کیفیت طراحی آزمایش، خصوصیات روانی اندازه­گیری­ها و تناسب تحلیل و تفسیر داده­ها، یک معنای روانشناختی اختصاص می­دهیم . در تحلیل واکنش­ها هیچیک از دو علم فیزیولوژی و روانشناختی برتر نیستند، بلکه مکمل یکدیگر می­باشند. شناخت حالات روحی مختلف از جمله حالت استرس که اثرات مخرب شناخته­شده­ای بر جسم و روان انسان دارند، از کاربردهای مهم این علم می­باشند. در این تحقیق با ارائه آزمایشی مناسب وایجاد سه سطح استرس (کم، متوسط و زیاد) در سوژه و ثبت سیگنال­های پلتیسموگراف، تغییرات نرخ ضربان قلب و هدایت الکتریکی پوست به دنبال بدست آوردن معیاری جهت کمّی کردن سطح استرس فرد بوده­ایم. به این منظور پیش­پردازش­ها و پردازش­های مختلف خطی در حوزه زمان، فرکانس و زمان- فرکانس و غیرخطی از جمله معیار پوآنکاره، لیاپانوف اکسپوننت، بعد فرکتال و آنتروپی و استخراج ویژگی­های گوناگون از سیگنال­های ثبت­شده صورت گرفته است. سپس با به کارگیری روش­های مختلف طبقه­بندی از جمله ترکیب شبکه عصبی و الگوریتم ژنتیک، ماشین­های بردار پشتیبان و روش تابع ترکیب خطی اقدام به تفکیک سطوح مختلف شده است. در این تحقیق ابتدا ویژگی­های بهینه هر سیگنال تعیین و تفکیک به این سه روش انجام شد. سپس با ترکیب ویژگی­های بهینه همه سیگنال­ها مجدداً تفکیک صورت گرفت. نهایتاً به این نتیجه رسیده شد که با استفاده از سیگنال HRV به تنهایی می­توان به نتایج بالاتری در صحت تفکیک دست یافت. در ادامه مقایسه­­­­ای بین ویژگی­های خطی و غیرخطی سیگنال HRV صورت گرفت و به این نتیجه رسیده شد که ترکیب این دو نوع ویژگی نتایج را بهبود می­­دهد. پس از آن مقایسه­ای بین روش­های مختلف طبقه­بندی با استفاده از ویژگی­های بهینه سیگنال HRV انجام شد که در نهایت روش LOO به عنوان روش مناسب­تر انتخاب شد. در انتها دو شاخص بر اساس سیگنال HRV معرفی و اعتبارسنجی شد.

مقدمه

در علوم روانشناختی، شناخت فهم، ادراک و احساسات بر اساس ماهیت آنها صورت می­گیرد. اما می­توان از طریق علائم فیزیکی نیز به ارتباط بین مغز و فکر انسان و رفتارهای او پی برد. علم سایکوفیزیولوژی که حوزه­ جدیدی از شناخت مسائل روحی و روانی انسان با استفاده از نشانه­های فیزیولوژیکی ناشی از آن می­باشد، این امکان را فراهم می­سازد. در سایکوفیزیولوژی به نحوه تفکر و ادراک از ساختار فیزیکی نشانه­های آن نگاه می­کنیم و در این حالت اگر جنبه­های ساختاری و عملیاتی این جسم فیزیکی در ارتباط با جنبه­های خارجی فعالیت آن مورد توجه قرار گیرد، تفکر و احساسات فرد قابل فهم خواهد بود.

هر فردي استرس را در زندگي خود تجربه کرده است و در واقع استرس بخشي از زندگي انسان شده است.  استرس عبارت است از حالت اضطراب و فشار درونی که انسان برای مواجه شدن با خطر یا مشکلات جدّی با ترشح هورمون­هایی خود را برای مقابله آماده می­کند که البته تا این حد خوب و برای روند زندگی لازم است. ولی هرگاه در فردی استرس توسعه پیدا کرد و این حالت در طول روز و بدون علت منطقی مشاهده شد می­گوئیم فرد دچار استرس بیش از حد است. استرس علاوه بر اثرات روانی، پیامدهای جسمی متعددی از جمله سکته های مغزی، قلبی، فشارخون، پوکی استخوان، زخم معده و بیماری­های روحی – رفتاری دارد و هیچ عضو یا ارگانی از بدن از اثرات استرس مصون نیست. از این­رو ارائه روشی که بتوان میزان استرس فرد را سنجید و به منظور کاهش آن، به فرد فیدبک کرد بسیار ضروری و مفید است.

با توجه به ارتباط بين حالت روحي استرس و فعاليت سيستم اعصاب خودكار در اين تحقيق سعي بر آن شد كه جنبه­هاي مختلف اين ارتباط، بين حالات روحي و فيزيولوژي بدن انسان، مورد بررسي قرار گيرد و بر اين اساس به كمي سازي سطح استرس جهت اهداف و كاربردهاي مختلف پرداخته شود.

برای رسیدن به هدف این تحقیق ابتدا لازم بود شناخت جامعی نسبت به حوزه­های مختلفی که در علم سایکوفیزیولوژی وجود دارد، بدست آوریم. بدین منظور در فصل اول ضمن توصیف کامل علم سایکوفیزیولوژی، ارتباط آنرا با علوم دیگر مانند آناتومی، فیزیولوژی و روانشناختی بیان می­کنیم. در ادامه انواع سیگنال­های کاربردی در علوم سایکوفیزیولوژی و روش­های اندازه­گیری آنها مطرح
می­شود و نهایتا استرس و عوارض متعدد آن معرفی شد.

پس از آنکه در فصل اول با مبانی علم سایکوفیزیولوژی و حالت روحی استرس آشنا شدیم در فصل دوم سیگنال­های سایکوفیزیولوژی (GSR ,PPG ,HRV) که در این تحقیق استفاده شد، مورد بحث قرار گرفت. در این فصل روش مختلف اندازه­گیری این سیگنال­ها، تاریخچه و تأثیر آنها بر روی سیستم اعصاب خودکار بیان شد. همچنین در این فصل مروری بر تحقیقاتی که در این زمینه صورت گرفته و آزمایشات ثبت داده مختلف که در آنها استفاده شده است، آمده است. طرح­های اولیه و نهایی آزمایش ثبت داده­ای که در این تحقیق استفاده شد، در انتهای این فصل به تفضیل توضیح داده شده است.

در فصل سوم روش­های مختلف پیش­پردازش و پردازش سیگنال­های استفاده شده در این تحقیق مطرح شده است. در این فصل ابتدا پیش­پردازش­های مختلف سیگنال PPG و ویژگی­های مختلف آن در حوزه زمان و فرکانس توضیح داده شد و سپس انواع مختلف پردازش سیگنال HRV اعم از خطی و غیرخطی همچون معیار پوآنکاره، بعد فرکتال و … بحث شده است. در انتها، ویژگی­های مختلف سیگنال GSR که در حوزه زمان می­باشد، معرفی شده است. لازم به ذکراست که کلیه ویژگی­هایی که از سیگنال HRV استخراج شده است، از سیگنال  RRI نیز استخراج شد.

در فصل چهارم، با توجه به ویژگی­های استخراج­شده از سیگنال­ها، عملیات تفکیک سطوح مختلف استرس انجام شد. در این فصل از سه طبقه­بندی­کننده LOO ,SVM و ترکیب شبکه عصبی و الگوریتم ژنتیک استفاده شده است. ابتدا ویژگی­های بهینه هر سیگنال به طور مجزا توسط هر روش تعیین و طبقه­بندی صورت می­گیرد و با مقایسه میزان صحت تفکیک بهترین حالت در تفکیک، در هر روش انتخاب شد. همچنین مقایسه بین روش­های مختلف طبقه­بندی صورت گرفته است. در نهایت دو شاخص برای کمّی کردن استرس معرفی شده است.

در فصل آخر این تحقیق به جمع­بندی نتایج پرداخته شده و روش­های مختلف استفاده شده در این تحقیق مورد بحث قرار گرفت و در نهایت پیشنهاداتی جهت ادامه کار ارائه شده است.

فصل دوم: سیگنال­های سايكوفيزيولوژيكي و آزمایش ثبت داده

2-1- مقدمه

همانطور که در فصل اول بیان شد، یکی از روش­های تشخیص حالات روحی استفاده از شاخص­های فیزیولوژی ناشی از عملکرد سیستم عصبی خودکار می­باشد. در این روش با تجزیه و تحلیل سیگنال­های بدن در حالت طبیعی با مشاهدات انسانی قابل تشخیص و تفسیر نیستند به تعیین حالات روحی پرداخته می­شود. به این منظور سیگنال­های مختلفی اندازه­گیری می­شوند که در این فصل در مورد سه سیگنال فتو­پلتیسموگراف، هدایت الکتریکی پوست و تغییرات نرخ ضربان قلب به طور مختصر توضیحاتی داده می­شود و روش­های اندازه­گیری آنها بیان می­شود.

به منظور تحریک سیستم اعصاب خودکار توسط حالات روحی خاص، نیاز به طراحی آزمایشی معتبر می­باشد. در تحقیقاتی که در این زمینه انجام می­شود، آزمایشات مختلفی بکار گرفته می­شود که در این فصل به برخی از آنها اشاره می­شود و همچنین آزمایش طراحی شده در این تحقیق نیز به تفسیر بیان می­شود.

 

2-2- پلتيسموگراف

پلتيسموگراف (Plethysmograph) ترکيبي از کلمه يوناني PLETHYSMOS به معني افزايش و GRAPH به معني درج­کردن است و از آن بطور عمده براي ثبت تغييرات در حجم خون يا جريان خون که متناسب با ضربان قلب است، استفاده مي­شود. مطابق با نوع مبدل­هاي استفاده شده براي ثبت، چندين نوع مختلف پلتيسموگراف وجود دارد كه انواع معمول آن عبارتند از:

1- Air plethysmograph

2- Impedance plethysmograph

3- Photoelectric plethysmograph

4- Strain gauge plethysmograph

هر نوع از پلتيسموگراف ذکر شده، تغييرات حجم خون را به روش­هاي مختلف و به منظور کاربردهاي متفاوت اندازه­گيري مي­کند. درجدول (2-1) انواع مختلف آن و روش اندازه­گيري و كاربرد اصلي هر يك ذكر شده است(P. Y. Cheang, 2003).

 

جدول 2-1:  انواع مختلف پلتيسموگراف و كاربرد آنها

نوع روش اندازه­گيري كاربرد اصلي
هوا با استفاده از كاف هوا، تغييرات حجم بازو اندازه­گيري شده كه متناسب با تغييرات در حجم خون رگ است. تشخيص كلينيكي، تعيين كمّي نارسايي وريدي مزمن
امپدانس با استفاده از اعمال جريان الكتريكي متناوب با فركانس كم، تغييرات امپدانس الكتريكي بافت اندازه­گيري شده كه متناسب با تغييرات در حجم خون رگ است. شناسايي بي­نظمي­هاي
جريان خون
نوري با استفاده از آشكارگرهاي نوري شدت نور بازتاب شده يا فرستاده شده اندازه گيري شده كه متناسب با تغييرات در حجم خون رگ است. جهت مانيتورينگ درصد اشباع اكسيژن خون
كشش سنج با استفاده ازلوله لاستيكي پر شده از جيوه تغييرات محيط اندام اندازه­گيري شده كه متناسب با تغييرات در حجم خون رگ است. سنجش نارسايي وريدي مزمن و حاد، اندازه­گيري عمق لختگي وريدي

2-2-1- فتو­پلتيسموگرافي

فتوالكتريك پلتيسموگرافي[1] که همچنين فتوپلتيسموگرافي[2] PPG)) نيز ناميده مي­شود روشي کاملاً غير­تهاجمي جهت اندازه­گيري تغييرات حجم خون و آشکار­سازي موج ضربان قلب به روش نوري مي­باشد. ساده­ترين سنسور PPG  شامل يک LED مادون قرمز و يک آشکار­ساز نوري مي­باشد که بر روي يک حلقه قرار گرفته­اند. نوع سنسور PPG مي­تواند به صورت عبوري و يا بازتابي باشد. ميزان شدت امواج مادون قرمز عبوري از بدن بر اثر جذب يا بازتاب تغيير يافته و اين تغييرات توسط آشكارسازهاي نوري اندازه­گيري مي­شود. استفاده از امواج مادون قرمز به اين دليل مي­باشد كه اين امواج به خوبي توسط خون جذب مي­شوند اما جذب آن از طريق بافت ضعيف است. نواحي اصلي بر روي بدن جهت ثبت سيگنال PPG، بافت انگشتان دست، گوش­ها و انگشتان پا، که درصد بالايي از رگ­هاي خوني نزديک به سطح پوست در آنجا قرار دارد، مي­باشد. امروزه کاربردهاي سيگنال PPG گسترش يافته است و از آن جهت تعيين متوسط فشارخون، تعيين درصد اشباع اكسيژن خون، بررسي عملکرد قلب و همچنين آشکار­سازي فعاليت سيستم اعصاب خودکار استفاده مي­شود.

2-2-2- روش­هاي اندازه­­گيري سيگنال فتوپلتيسموگراف

سيگنال PPG را مي­توان به دو روش تماس الكترود با بدن و بدون تماس الكترود با بدن اندازه­گيري ­كرد. در روش تماس الكترود با بدن منبع نور و آشكارساز نوري بطور مستقيم بر روي بدن قرار مي­گيرند. الكترود­ها در اين روش مي­توانند هم از نوع بازتابي و هم عبوري باشند. در شكل (2-1) نمونه­اي از سيگنال PPG اندازه­گيري شده به اين روش، نشان داده شده است.

 

شكل 2-1:  سيگنال PPG اندازه­گيري شده  به
روش تماس الكترود با بدن

با توجه به اين كه در كاربردهاي رايج اكثرا از اين روش استفاده مي­شود اما داراي معايبي نيز مي­باشد. براي مثال اندازه­گيري فقط مي­تواند در قسمتي از بدن انجام شود كه منبع و آشكارگر نوري بتواند بطور صحيح در آنجا نصب شود. همچنين در صورت نياز به ايزولاسيون مكانيكي، مثلا زماني كه بافت آسيب ديده است، نمي­توان از اين روش استفاده كرد. جهت حل اين مشكل مي­توان از روش بدون تماس الكترود با بدن استفاده كرد. در اين روش منبع و آشكاگر نوري هيچيك با بدن تماس نمي­گيرند و الكترودها از نوع عبوري هستند و در دو طرف بافت مورد نظر قرار مي­گيرند. شكل (2-2) سيگنال PPG اندازه­گيري شده و شكل (2-3) نمايي از اين روش را نشان مي­دهد.

شكل 2-2:  سيگنال PPG اندازه­گيري شده  به
روش بدون تماس الكترود با بدن

 

شكل2-3: نمايي از روش اندازه گيري به روش بدون تماس الكترود با بدن

 

2-3- سيستم الکتريکي پوست

فعاليت الکتريکي پوست يکي از بيشترين واکنش­هايي است که به طور گسترده در تاريخ سايکوفيزيولوژي از آن استفاده شده است. در دهه­هاي گذشته به طور گسترده­اي از  فعاليت الکتريکي پوست (EDA) براي انواع تحقيقات استفاده شده است، به طوريکه در مجلات معتبر روانشناسي، روانپزشکي و سايکوفيزيولوژي، تحقيقاتي متعددي که با استفاده از EDA انجام شده است، به چاپ رسيده است. عمده دليل استفاده فراوان از اين پديده در تحقيقات مختلف، مربوط به سادگي اندازه گيري و حساسيت آن به حالات و پردازش­هاي رواني است. در اين بخش سعي داريم با جنبه هاي مختلف اين پديده از جمله تاريخچة استفاده، جنبه فيزيکي و جنبه هاي رواني و تفسيري آن آشنا شويم.

2-3-1- تاريخچة کشف فعاليت الکتريکي پوست

بررسي تجربي تغييرات الکتريکي در پوست انسان در حدود 125 سال گذشته در آزمايشگاه Jean Charcot که به خاطر تحقيقات در تشنج و هيپنوتيزم معروف است، صورت گرفت. Vigouroux (1879) دستيار Charcot سطح مقاومت تونيک پوست را به عنوان يک علامت تشخيصي کلينيکي در گروه­هاي مختلف بيماران اندازه­گيري مي­نمود. در همان آزمايشگاه Fere (1888) با عبور­ دادن جريان الکتريکي کوچک از دو الکترود نصب شده بر روي سطح پوست که همراه با تغيير آني و کاهش مقاومت پوست در برابر انواع محرک­ها (مانند ديداري، شنيداري و بويايي) بود، اين پديده را کشف نمود. پديده بنيادي که توسط Fere کشف شد آن بود که پوست وقتي هادي بهتري براي جريان الکتريکي مي­شود که همراه با يک محرک خارجي باشد. در مدت زمان اندکي پس از آن يک فيزيولوژيست به نام Tarchanoff (1890) گزارش نمود که مي­توان تغييرات پتانسيل الکتريکي پوست را بين دو الکترود سطحي نصب شده بر روي آن بدون اعمال جريان اندازه­گيري نمود. در نتيجه Fere و Tarchanoff دو روش اساسي براي ثبت فعاليت الکتريکي پوست که امروزه مورد استفاده است، کشف نمودند. در صورتيکه ثبت مقاومت الکتريکي پوست (يا هدايت الکتريکي پوست) بر اساس عبور جريان از سطح پوست صورت گيرد به آن روش exosomatic گويند در حاليکه اگر در ثبت پتانسيل الکتريکي پوست از جريان خارجي استفاده نشود به آن endosomatic گويند. در اينجا تمرکز بر روي روش exosomatic در ثبت مقاومت و هدايت الکتريکي پوست است، زيرا اين روش  مورد استفادة محققان امروزي است.

جالب است که بسياري از جنبه­هاي EDA مانند جداسازي سطوح تونيک و فازيک واکنش الکتريکي پوست در گذشته انجام شده است. سطح تونيک مقاومت و يا هدايت الکتريکي پوست برابر است با سطح مطلق مقاومت و يا هدايت در يک لحظه بدون اندازه­گيري واکنش فازيک و به آن SRL[3] و يا SCL[4] مي­گويند. علاوه بر سطح تونيک، کاهش فازيک مقاومت (افزايش هدايت) است که به آن SRRs[5] و يا SCRs[6] گويند. همين جداسازي براي پتانسيل الکتريکي پوست نيز وجود دارد و به آن SPL و SPRs مي­گويند. البته پديده EDA را با اسامي ديگري مانند GSR[7] و PGR[8] نيز به کار مي­برند.

از موارد ديگري که مورد بررسي قرار گرفته است مي­توان به اين حقيقت اشاره کرد که
هر­چقدر تحريک قوي­تر باشد پاسخ بزرگ­تر خواهد بود، همچنين اگر يک تحريک تکرار شود به صورت عادت درآمده و اثري نخواهد داشت. يکي از عمده مسائلي که در رابطه با پديده EDA مورد توجه قرار داشت بحث مکانيزم ها و نحوة عملکرد EDA است. در مورد مکانيزم­هاي پديده EDA  نظرات متعددي وجود دارد. Vigouroux تئوري vascular را مطرح مي­کند و در آن تغييرات مقاومت پوست را ناشي از تغييرات جريان خون مي­داند. Tarchanoff تئوري غدد ترشحي را بيان مي­کند و فعاليت الکتريکي پوست را مربوط به فعاليت غدد عرقي مي­داند. اين تئوري توسط Darrow (1927) با اندازه­گيري فعاليت الکتريکي و ترشح غدد به طور همزمان مورد بررسي قرار گرفت و رابطه نزديک اين دو پديده مشاهده شد. امروزه مي­دانيم که غدد عرقي دست توسط سيستم عصبي خودکار فعال مي­شوند، در نتيجه مي­توان گفت EDA فعاليت سيستم عصبي سمپاتيک را منعکس مي­کند.

در تاريخچه اين سيستم واکنشي، روش­هاي اندازه­گيري و تفسير فعاليت­هاي EDA نيز مهم است. آغاز تحقيقات مدرن در اين زمينه را مي­توان به زمان Lykken و Venables (1971) که روش­ها و تجهيزات استاندارد ثبت هدايت الکتريکي پوست را آماده نمودند، نسبت داد. در همين زمان انواع آثار ارزشمند و نتايج تحقيقات در اين زمينه توسط افراد مختلف انتشار يافت. (,Edelberg 1927, Prokasy et all, 1973, Fowles 1974, Grings 1974 )

مسئله مهم ديگر مفهوم روانشناسي EDA است. از ابتدا اين سيستم واکنشي به صورت نزديکي با مفاهيم رواني مانند هيجان، تحريک و توجه در ارتباط بوده است. مشاهدات نشان
مي­دهد که سطح تونيک در خواب پايين است اما در حالت فعاليت مانند مسائل عاطفي و يا غضب زياد است. سطح فازيک SCRs را به مسائلي چون توجه، حساسيت به محرک­هاي جديد و مفاهيم مربوط مي­دانند. بسياري از اين مسائل همچنان مورد توجه سايکوفيزيولوژيست­هاي معاصر
مي­باشند.

2-3-2- فوايد و مشکلات استفاده از فعاليت الکتريکي پوست (EDA)

وقتي شخصي استفاده از EDA را به عنوان شاخصي از حالات رواني مورد توجه قرار
مي­دهد، بايد به اين نکته نيز توجه داشته باشد که در رنج وسيعي از موقعيت­ها، تغييرات در فعاليت­هاي الکتريکي پوست به صورت جداگانه و ايزوله از ساير حوادث رخ نمي­دهد. بلکه به عنوان بخشي از پاسخ­هاي پيچيده سيستم عصبي خودکار به وجود مي­آيند. هرچند اين نکته صحيح است که پديده­هايي که باعث تغيير EDA مي­شوند معمولاً ساير اندازه­گيري­هاي واکنش­هاي سيستم خودکار و غير خودکار را تغيير مي­دهند، اين نکته نيز وجود دارد که اجزاء مختلف اين واکنش پيچيده، ممکن است همبستگي کمي با يکديگر در افراد مختلف داشته باشد. قالب واکنش­هاي اشخاص، در افراد متفاوت است بطوريکه برخي افراد نسبت به ديگران تمايل بيشتري براي ايجاد الگوهاي مشابه نسبت به تغييرات فيزيولوژيکي دارند و اين الگو براي افراد مختلف متفاوت است. در نتيجه، تصميم­گيري در مورد اينکه کدام واکنش فيزيولوژيکي خاص مورد بررسي قرار گيرد مهم است.

بعضي از محققان ممکن است، EDA را به عنوان سيستم واکنش در نظر بگيرند زيرا برخلاف اکثر واکنش­هاي ANS، نمايشي مستقيم و قوي از فعاليت سمپاتيک را ارائه مي­کند. همانطور که گفته شد کنترل عصبي غدد عرقي کاملاً به عهده سيستم سمپاتيک است. در نتيجه اگر SCL در شرايطي افزايش يابد و يا SCR افزايش يابد مي­تواند به خاطر افزايش فعاليت تونيک و يا فازيک سمپاتيک باشد. در شرايط ديگر اگر ضربان قلب کاهش يابد مي­تواند عوامل متعددي مانند کاهش فعاليت سمپاتيک، افزايش فعاليت پاراسمپاتيک توسط عصب واگ و يا ترکيبي از اين دو باشد. مانند اکثر فعاليت­هاي ANS، تغييرات در يک واکنش به خاطر يک تحريک و يا موقعيت رواني را نمي­توان به طور دقيق به فعاليت سمپاتيک يا پاراسمپاتيک مرتبط دانست.

مزاياي ديگر استفاده از SCR آن است که رخ دادن آن معمولاً قابل تشخيص است. بنابراين با اعمال يک تحريک، شخص مي­تواند به راحتي تشخيص دهد آيا SCR رخ داده است يا خير. در مقابل واکنش ضربان قلب به يک تحريک اعمالي را به سختي مي­توان از تغييرات معمول ضربان قلب تحت پديده­هاي ديگر مانند انقباضات عضله يا آريتمي سينوس تنفسي تشخيص داد.

مزيت ديگري که محققان براي استفاده از EDA ذکر مي­کنند شامل ارتباط تغييرات آن در شخص با حالات سايکوفيزيولوژيکي است. همچنين بايد اين نکته را نيز به خاطر سپرد که در مقايسه با بسياري از اندازه گيري­هاي سايکوفيزيولوژيکي، ثبت EDA بسيار ارزان و ساده است.

استفاده از EDA به عنوان يک کميت وابسته داراي معايب بالقوه­اي مي­باشد. اولاً EDA يک سيستم واکنشي کند است و همانطور که در قبل اشاره شد تأخير آن در حدود 1 تا 3 ثانيه است و تغييرات تونيک SCL توسط هيجان و سطح هوشياري فرد نياز به همين زمان براي رخ دادن دارد. در نتيجه افرادي که علاقمند به تعقيب تغييرات سريع در پردازش­ها هستند، EDA را چندان مفيد نمي­دانند.

همچنين گاهي از استفاده از فعاليت الکتريکي پوست براي اندازه­گيري انتقاد مي­شود. به دليل اينکه داراي علت­هاي متعددي مي­تواند باشد و SCR استخراجي به يک موقعيت و يا رخداد خاص تعلق ندارد. هرچند تأثيرات متعدد بر روي EDA مي­تواند داراي همان قدر حسن باشد که عيب دارد. در استفاده عملي از اندازه­گيري EDA شخص بايد شرايط آزمايش را طوري فراهم کند که EDA تنها از يک روند متأثر شود.

2-4- تغييرات نرخ ضربان قلب

در دو دهه اخير، روابط وابسته شديدي ميان فعاليت سيستم اعصاب خودكار و مرگ و مير بر اثر بيماري­هاي قلبي شناخته شده است. آزمايشات بسياري نشان داده­اند كه بين آريتمي­هاي كشنده قلبي و افزايش فعاليت سمپاتيك يا كاهش فعاليت vagal ارتباطاتي وجود دارد و اين نتايج باعث پيشرفت در آشكارسازي فعاليت سيستم اعصاب خودكار شده است. تغييرات نرخ ضربان قلب يكي از شاخص­هاي بسيار خوب جهت اين آشكارسازي مي­باشد. ظاهرا اندازه­گيري غير تهاجمي و نسبتا آسان، آن را تبديل به معياري مناسب جهت اين منظور ساخته است. امروزه بسياري از تجهيزات پزشكي تجاري موجود، آن را بصورت اتوماتيك اندازه مي­كند.

2-4-1- تاريخچه استفاده از سيگنال تغييرات نرخ ضربان قلب

متغیرهای مختلف سیستم قلبی- عروقی از جمله نرخ ضربان و فشارخون، در هر ضربان قلب تغییر می­کنند. با توجه به اینکه نوسانات زمانی در سیگنال­های قلبی- عروقی در گذشته مورد توجه بود، پزشکان نوسانات ضربه به ضربه سیگنال قلبی را به صورت بلند مدت بازبینی می­کردند. این تغییرات عموماً رفتار نویزگونه داشتند که یا چشم­پوشی می­شدند و یا میانگین آنها در نظر گرفته می­شد. رشته­ای که در آن اهمیت کلینیکی تغییرات ضربه به ضربه سیگنال­های
قلبی- عروقی برای اولین بار شناخته شد، رشته مامایی بود. در سال 1965، اهمیت sinus
arrhythmia در ارتباط با مانیتورینگ جنین مطرح شد (E. Hon, et al, 1965). این تغییرات متناسب بودند با قدرت ادامه زندگی پس از تولد، به طوریکه کاهش تغییرات ضربه به ضربه
نشان­دهنده وجود خطر برای جنین بود.

تا چند دهه اخیر نوسانات دقیق ضربه به ضربه در سیگنال­های قلبی- عروقی به علت ضعف سیستم­های ثبت سیگنال قلبی با رزولوشن بالا و کامپیوترهایی با ظرفیت محاسبه کافی، کمتر مورد توجه قرار می­گرفت. پس از معرفی کامپیوترهایی با توان بالای محاسبات، امکان محاسبه دقیق HRV با استفاده از الگوریتم­های مختلف، برای بدست آوردن دامنه و فرکانس اجزای مختلف این سیگنال بوجود آمد. تحقیقات جدید نشان داده­اند که کاهش نوسانات فواصل RR به مفهوم نویز در سیگنال نیست بلکه بر افزایش خطر آریتمی قلبی و همچنین افزایش خطر مرگ در بیماران با سابقه انفارکتوس میوکارد دلالت دارد (T. Makikallio,1998).

استفاده كلينيكي HRV از زماني مورد توجه قرار گرفت كه براي اولين بار در سال  1965 Hon و Lee دريافتند دردهاي جنيني قبل از آنكه باعث تغيير در تعداد ضربان قلب شود، در فاصله بين ضربان­ها دگرگوني­هايي ايجاد مي­كند. 35 سال قبل، Seyers و ديگر محققان توجه خود را بر روي ريتم­هاي فيزيولوژيكي موجود در سيگنال ضربان قلب قرار دادند. در دو دهه اخیر، Ewing آزمايشات ساده­اي از تفاضل­هاي RR به صورت كوتاه مدت جهت شناسايي Autonomic neuropathy در بيماران ديابتي اختراع كرد. ارتباط بين احتمال بيشتر مرگ و مير بر اثر
Post-infarction با كاهش HRV، اولين بار توسط Wolf  در سال 1978 نشان داده شد. در سال 1981، Akselrod  تحليل طيف فركانسي تغييرات نرخ ضربان قلب را براي ارزيابي كمّي سيستم قلبي-عروقي ضربه به ضربه (beat-to-beat) معرفي كرد. تحليل در حوزه فركانس كمك شاياني به بررسي زمينه­هاي خودكار تغيير فواصل RR درسيگنال قلبي، كرده است. اهميت كلينيكي HRV در آخر دهه 80 زماني آشكار شد كه HRV بعنوان يك پيشگوي قوي و مستقل انفاكتوس ميوكاردكشنده تاييد شد.

اندازه­گیری­های سیگنال HRV در حوزه زمان و فرکانس اطلاعات پیش­بینی و شناخت بیماری­ها را فراهم کرده و آن را وسیله­ای جهت انجام مطالعات غیرتهاجمی بر روی اهمیت تغییرات در تنظیم رفتار نرخ ضربان ساخته ­است. اخیراً نیز روش­های جدید بر اساس دینامیک غیرخطی جهت تحلیل سیگنال HRV معرفی شده ­است.

2-4-2- دورنمای فیزیولوژی سيگنال تغييرات نرخ ضربان قلب

نوسانات ضربه به ضربه در ضربان قلب تا حدی ناشی از فعل و انفعالات میان اختلالات مختلف تابع سیستم قلبی- عروقی و پاسخ سیستم­های تنظیمی قلبی- عروقی به این اختلالات
می­باشد. تغییرات پیوسته در پالس­های عصبی سمپاتیک و پاراسمپاتیک باعث تغییرات ضربان قلب حول مقدار متوسط آن می­شود.

فصل چهارم: انتخاب ویژگی­های بهینه و تفکیک سطوح استرس

4-1- مقدمه

در این فصل سعی بر این است تا با استفاده از طبقه­بندی­کننده­های مختلف همچون LDA,SVM و ترکیب شبکه عصبی و الگوریتم ژنتیک، تفکیک بین سطوح مختلف استرس انجام شود. به این منظور برای هر سه روش ابتدا مبانی مختصری بیان شده و سپس نتایج حاصل از انتخاب
ویژگی­های بهینه و درصد تفکیک سطوح استرس به صورت سه­سطحی و دوسطحی آمده است. با توجه به اینکه در کلیه روش­های استفاده شده، به ازای ویژگی­های بهینه سیگنال HRV به نتایج بهتری دست یافته شده، در ادامه فصل، سیگنال HRV مورد توجه قرار می­گیرد. به این منظور ابتدا مقایسه­ای بین ویژگی­های خطی و غیرخطی این سیگنال انجام می­گیرد. سپس مقایسه­ای بین روش­های مختلف تفکیک استفاده شده در این تحقیق، صورت گرفته و نهایتاً با توجه به نتیجه هر روش و رأی­گیری بین آنها، تفکیک بین سطوح انجام شده است. در آخر دو شاخص بر اساس سیگنال HRV معرفی و اعتبارسنجی شد. کلیه اسامی که به ویژگی­ها نسبت داده شده است در ضمیمه 2 توضیح داده شده است.

 

4-2- شبكه­هاي عصبي

شبكه­هاي عصبي الگوريتم­هايي هستند الگوبرداري شده از مكانيزم شبكه عصبي بدن كه مي­توانند محققين را در حل مسائل سخت و دشواري چون طبقه­بندي، شناسايي و بازشناسي الگو [1] ،پردازش سيگنال، مدلسازي و بهينه­سازي، ساخت وسايل و تجهيزات صنعتي، مدلسازي و كنترل و پيش­بيني سري­هاي زماني ياري رسانند.

از جمله اين شبكه­ها مي­توان به شبكه­هاي عصبي پرسپترون چند لايه و نيز شبكه­هاي عصبي خود بازگشتي اشاره نمود كه در ادامه به بررسي ويژگي­ها و پارامترهاي مؤثر شبكه­هاي عصبي پرسپترون چند لايه که در این تحقیق استفاده شده، خواهيم پرداخت.

4-2-1- شبكه­هاي عصبي پرسپترون چند لايه[2]

شبكه­هاي عصبي پرسپترون چند لايه در واقع همانطور كه در شكل (4-1) نيز قابل مشاهده
مي­باشند از چند لايه شامل لايه ورودي، لايه­هاي مخفي[3] يا مياني و لايه خروجي تشكيل يافته­اند كه در هرلايه تعدادي نورون وجود دارد و هر نورون از طريق تابع خاصي كه تابع تحريك نورون ناميده مي­شود و نيز استفاده از مقداري به نام باياس[4] كه به آن وارد مي­گردد اقدام به تجزيه و تحليل ورودي­هايش مي­كند.

 

شكل 4-1:  نمونه­اي از شبكه عصبي پرسپترون ساده سه­لايه

 

در اين تحقيق از يک شبکه عصبي  پرسپترون سه­لايه كه در نرم­افزار MATLAB شبيه­سازي گرديده است استفاده شده كه در ادامه به بيان مشخصات و نتايج بدست آمده از آن خواهيم پرداخت.

4-2-2- توابع فعاليت[5]

توابع محرک نورون­هاي هر لايه که به نوعي به منظور تعيين ميزان حد و آستانه خروجي نورون به کار مي­روند درلايه­هاي ورودي و مخفي و لايه خروجي به صورت غيرخطي و خطي استفاده
می­شوند كه نمونه­هايي از اين توابع خطي و غير خطي در شكل (4-2) قابل مشاهده مي­باشد.

 

 

(الف) (ب) (ج)
شكل 4-2:  نمونه­هايي از توابع محرك شبكه عصبي الف) تابع خطي Purelin ب) تابع غيرخطي logsig
ج) تابع  غيرخطي
tansig

 

در اين تحقيق از يك تابع تحريك از خانواده سيگموئيد غيرخطي موجود در قسمت (ج) شكل
(4-2) در لايه مخفي و يك تابع خطي از نوع موجود در قسمت (ب) شكل(4-2) در لايه خروجي شبكه استفاده گرديده است.

4-2-3- الگوريتم به روز رساني وزن­ها

وزن­ها در اين روش با توجه به الگوريتم پس انتشار خطا[6] و به صورت خودکار در طي مراحل تکرار الگوريتم به روز مي­شوند كه مي­توان اين الگوريتم را به صورت مختصر در رابطه (4-1)  مشاهده نمود. در اين رابطه مقدار وزن X  در هر لحظه برابر است با مقدار وزن در لحظه قبل بعلاوه تابع گراديان خطا[7] )( در هر مرحله که در نرخ  يادگيري)(  ضرب شده است و به عبارتي وزن­ها در خلاف جهت كاهش گراديان شروع به حركت مي­كنند و به روز مي­گردند. و اين رابطه تا آنجا تکرار مي­گردد كه در نهايت بردار وزن­ها به مقدار بهينه خود برسند به طوريكه به ازاي آن مقدار، معيار خطا که در اينجا از معيار متوسط مربعات خطا [8] استفاده شده است در رابطه (4-2) به کمترين مقدار خود­ برسد. (در اين رابطه  خروجي مورد انتظار و  خروجي واقعي شبکه است.)

لازم است به اين نکته نيز اشاره شود که در ابتداي شروع به کار الگوريتم، مقاديري به عنوان مقادير اوليه وزن­ها و به صورت کاملاً تصادفي انتخاب مي­شوند و سپس اين مقادير در طول اجراي الگوريتم بهبود مي­يابند.

 

(4-1)
 

(4-2)

 

 

 

4-2-4- باياس لايه­ها

مقادير باياس که به عنوان تنظيم­کننده تابع محرک مورد استفاده قرار مي­گيرند وظيفه تعيين و جابجايي مقدار آستانه در هر تابع تحريک را بر عهده دارند. لازم به ذکر است  که درست مشابه با روش الگوريتم در تعيين مقادير اوليه وزن­ها، در اينجا نيز مقادير اوليه در نظرگرفته شده در مورد باياس­هاي شبکه به صورت تصادفی انتخاب مي­شوند.

4-2-5- روش آموزش شبكه

شبكه عصبي به كار رفته در اين تحقيق با استفاده از روشي موسوم به خطاي نزولي يكپارچه[9] مورد آزمايش قرار گرفته است. در اين روش وزن­ها و باياس­ها در خلاف جهت كاهش گراديان افزايش مي­يابند. بايد به اين مسئله نيز اشاره شود كه اين روش يكي از سريع­ترين روش­هاي يادگيري شبكه عصبي مي­باشد كه خصوصاً در زمينه پيش­بيني سري زماني مي­تواند بسيار كارآمد و مفيد تلقي گردد. از ديگر نكاتي كه در رابطه با اين روش بايد به آن اشاره نمود اين است كه عنوان شناخته شده آن در نرم­افزار MATLAB، traingd مي­باشد كه شامل هفت پارامتر بوده كه درhelp نرم­افزار MATLAB قابل دستيابي مي­باشد و بسته به نياز مي­توان از هر يك از آنها نيز در الگوريتم نوشته­شده نهايي بهره جست.

4-3- تركيب شبكه­هاي عصبي و الگوريتم ژنتيك

الگوريتم ژنتيک، الگوريتمي مبتني بر تکرار است و اصول اوليه آن از علم ژنتيک اقتباس گرديده است. اين الگوريتم که با تقليد از تعدادي فرايند­هاي مشاهده­شده در تکامل طبيعي اختراع شده است، به طور مؤثري از اطلاعات موجود در يک جمعيت استفاده مي­کند، تا حل­هاي جديد و بهبود يافته، ايجاد کند. اين الگوريتم در مسائل متنوعي نظير بهينه­سازي، شناسائي و کنترل سيستم، تعيين توپولوژي و آموزش شبکه­هاي عصبي مصنوعي به کار مي­رود(تهامی، 1385).

الگوريتم ژنتيک به دليل تقليد از طبيعت داراي چندين اختلاف اساسي با روش­هاي جستجوي مرسوم مي­باشد که در زير به بعضي از آنها اشاره مي­شود:

 

  • الگوريتم ژنتيک با رشته­هاي بيتي کار مي­کند که هر کدام از اين رشته­ها کل مجموعه متغيرها را نشان مي­دهد. در حاليکه اکثر روش­ها به طور مستقل با متغيرهاي ويژه برخورد مي­کنند.
  •  الگوريتم ژنتيک در هر تکرار چند نقطه از فضاي جستجو را در نظر مي­گيرد.
  • الگوريتم ژنتيک براي راهنمائي جهت جستجو، انتخاب تصادفي انجام مي­دهد که به اين ترتيب به اطلاعات مشتق نياز ندارد.

4-3-1- اصطلاحات ژنتيک

در بحث­هاي مربوط به ژنتيك و در نهايت الگوريتم­هاي ژنتيك با واژگاني برخورد مي­كنيم كه در اين قسمت به معرفي مختصر هريك خواهيم پرداخت:

  • رشته (کروموزوم): آرايه­اي از اعداد صحيح است که با توجه به نوع رشته تعين مي­شوند و مشخص­کننده مجموعه متغير­هاي بهينه­سازي مسئله مورد نظر است.
  • توليد: يک دوره از زاد و ولد اعضاء يک جمعيت را يک توليد يا نسل مي­گويند.
  • برازندگي (گذار يا تبادل ژني)[10]: به مقدار ارزيابي تابع هدف يا مقداري متناظر با آن به ازاي يک رشته خاص گفته مي­شود که نشان­دهنده ميزان مطلوب بودن آن رشته براي تابع هدف مي­باشد.

–    جهش[11]: به تغيير تصادفي و ناگهاني يکي از عناصر در يک رشته گفته مي­شود.

4-3-2- اجزاء الگوريتم ژنتيك

در حالت کلي هر الگوريتم ژنتيک داراي سه قسمت اساسي زير است:

 

  • قسمت برازش[12]: شامل يک تابع ارزيابي است که درستي هر رشته­اي که در جمعيت وجود دارد را اندازه­گيري مي­کند و اين تابع به صورت كاملاً دلخواه مي­تواند انتخاب گردد.
  • قسمت جمعيت: شامل جمعيتي از رشته­ها و تکنيک­هاست که اين تکنيک­ها براي ايجاد آن جمعيت استفاده مي­شود.
  • قسمت توليد مثل: شامل روش­هائي براي ايجاد رشته­هاي جديد طي فرآيند بازتوليد
    مي­باشد.

 

نحوه تعامل اين قسمت­ها در ساختار الگوريتم ژنتيك به اين صورت است كه در ابتدا جزء جمعيت از جزء توليد مثل، جمعيت جديد را مي­خواهد. جزء توليد از جزء جمعيت، والديني که بايد در رخداد توليد مثل به کار برده شوند را طلب مي­کند، كه در هر رخداد توليد مثل، دو والد از جزء جمعيت گرفته شده و روي آن عملگرهاي تبادل و جهش اعمال مي­شود تا دو فرزند توليد شود. همچنين هنگامي که يک مجموعه جديد از فرزندان توليد شدند، جزء جمعيت از جزء ارزيابي براي ارزيابي فرزندان (رشته­های) جديد استفاده مي­کند.

4-3-3- طراحي تابع برازندگي و رشته­ها

همانط­ور که بيان شد، در الگوريتم ژنتيک هر رشته به عنوان يک فرد از يک جمعيت تعريف شده است و هر بيت معرف يکي از ويژگي­ها مي­باشد. صفر بودن يک بيت نشان­دهنده عدم وجود ويژگي و يک بودن آن نشانه وجود ويژگي مورد نظر در رشته است. الگوريتم ژنتيک با جمعيت اوليه­اي  از رشته­هايي که به صورت اتفاقي توليد شده است، شروع به کار مي­کند، در مرحله بعد براي هر رشته،  شبکه عصبي با داده­هاي آموزش بوسيله ورودي­هاي ارائه شده در رشته­ها آموزش داده مي­شود. سپس مقدار برازندگي در رشته­ها ارزيابي مي­شود.

تابع برازندگي به هر رشته يک مقدار را نسبت مي­دهد که کارايي آن در طول برنامه اندازه­گيري شده است كه در اين تحقيق از يك تابع برازندگي به صورت رابطه (4-3) استفاده گرديده است.(تهامی، 1385)

(4-3)

 

 

 

 تابع ارزياب كارايي =

(صحت تفکیک داده­ها در مرحله آموزش شبكه + صحت تفکیک داده­ها در مرحله آزمايش شبكه )* تعداد داده­هاي مرحله آزمايش

(تعداد ويژگي­ها + تعداد داده­هاي مرحله آموزش شبكه)

 

حال با توجه به توضيحات ذكرشده بايد گفت كه مشخصات و مقادير پارامترهاي مورد نياز در الگوريتم ژنتيك كه در اين تحقيق با استفاده از نرم­افزار MATLAB استفاده شده است در جدول (4-1) مشخص گرديده­اند. لازم به ذكر است كه نوع شبكه عصبي بكار رفته در الگوريتم تركيبي در اين تحقيق و نيز مقادير و مشخصات پارامترهاي استفاده­ شده در شبكه عصبي درست مطابق با شبكه عصبي پرسپترون ذكر شده در بخش­هاي قبل انتخاب گرديده است. ضمن اينكه بايد به اين نكته نيز توجه شود كه استفاده از الگوريتم ژنتيك به صورت تركيب با شبكه عصبي در اين تحقيق فقط به منظور تعيين ویژگی­های بهینه سیگنال­های مختلف به منظور تفکیک سطوح استرس استفاده شده است.

 

جدول 4-1: مشخصات و پارامترهاي مورد استفاده در الگوريتم ژنتيك

 

پارامترهاي كنترلي مقدار / نوع
تعداد توليد­هاي الگوريتم ژنتيك 10
اندازه جمعيت 20
نرخ گذار 1
نرخ جهش 01/0

 

4-3-4- نتایج تفکیک­ به روش ترکیب شبکه عصبی و الگوریتم ژنتیک

در این قسمت ابتدا به منظور آگاهی از اینکه هر یک از سیگنال­های ثبت شده در این تحقیق به تنهایی، با توجه به ویژگی­هایی که از آنها استخراج شده است، به چه میزان قادر به تفکیک سطوح استرس می باشند، ویژگی­های بهینه به روش ترکیب شبکه عصبی و الگوریتم ژنتیک انتخاب شده و سپس با استفاده از شبکه عصبی که مشخصات آن در جدول (4-2) بیان شده، تفکیک سطوح مختلف صورت گرفته است و در نهایت نیز با ترکیب همه ویژگی­های بهینه این سیگنال­ها، تفکیک انجام شده است. توجه شود ویژگی­های استخراج شده به ازای طول زمان ثبت سیگنال 30 ثانیه بوده و به منظور آموزش شبکه عصبی از 70 درصد و برای آزمایش آن از 30 درصد کل داده­ها استفاده شده است.

 

جدول4-2: مشخصات ساختار شبکه عصبي پرسپترون استفاده شده

ساختار شبکه عصبي [1 5]

‘tansig’ ‘logsig’

نرخ يادگيري 01/0
تعداد تکرارها 800
خطاي نهايي 1/0

 

 

جدول4-3: نتایج تفکیک سطوح استرس به صورت سه­سطحی به روش ترکیب شبکه عصبی و الگوریتم ژنتیک

میزان صحت داده­ها سطوح استرس
ترکیب همه ویژگی­های بهینه GSR RRI HRV PPG
8/53 7/54 78 2/69 2/73 کم
9/45 4/36 2/61 4/58 4/43 متوسط
1/64 2/41 3/44 2/65 5/56 زیاد
6/54 1/44 1/61 2/64 7/57 میزان صحت کلی

 

جدول (4-3) نتایج تفکیک سطوح استرس به صورت سه­سطحی به ازای ویژگی­های بهینه هر یک از سیگنال­ها به طور مجزا و همچنین ترکیب همه ویژگی­های بهینه سیگنال­ها به روش ترکیب شبکه عصبی و الگوریتم ژنتیک را نشان می­دهد. نتایج این جدول نشان می­دهد که این
تفکیک­کننده، سطوح مختلف را به صورت سه­ سطحی با صحت کمی تفکیک کرده است. از این­رو در ادامه تفکیک سطوح استرس به صورت دوسطحی (کم- زیاد، متوسط- زیاد و کم- زیاد) صورت گرفته است.

جهت دریافت و خرید متن کامل پایان نامه و تحقیق و مقاله مربوطه بر روی گزینه خرید که در بالای صفحه قرار دارد کلیک نمایید و پس از وارد کردن مشخصات خود به درگاه بانک متصل شده که از طریق کلیه کارت هایی عضو شتاب قابل پرداخت می باشید و بلافاصله بعد از پرداخت انلاین به صورت خودکار لینک دانلود مربوطه فعال گردیده که قادر به دانلود فایل کامل ان می باشد

پاسخ دهید