رضا عبداللهی، بهمن وحیدی، محمد کریمی،
دوره 77، شماره 9 - ( 9-1398 )
چکیده
زمینه و هدف: آنوریسم مغزی موجب خونریزی درونجمجمهای میشود که در نهایت میتواند به نقص عضو و یا مرگ بیمار بیانجامد. بههمین دلیل، تحلیل بیماری و علل و خطرات ایجاد شده توسط آن از منظر بیومکانیکی اهمیت زیادی دارد. پژوهش کنونی با هدف شناخت خطر رشد و پارگی آنوریسم مغزی یک بیمار صورت پذیرفت.
روش بررسی: نوع مطالعه، شبیهسازی محاسباتی، زمان مطالعه از آذر ۱۳۹۵ تا شهریور ۱۳۹۷ در دانشگاه تهران است. در پژوهش کنونی، با هدف بررسی آنوریسم مغزی بیمار خاص، از روش برهمکنش سیال-ساختار استفاده شد. همچنین، با در نظر گرفتن سرعت سیستول بهعنوان شرایط اولیه مساله، دامنه سیال خون در سه مدل سیال (نیوتنی (Newtonian)، غیرنیوتنی کارو (Non-Newtonian Carreau) و پاورلا (Non-Newtonian power-law)) حل شد. سپس نتایج فشار بر روی دیواره برای حل به ANSYS software, version 15.0 (ANSYS Inc., Canonsburg, PA, USA) انتقال یافت و براساس سه مدل (الاستیک خطی، هایپرالاستیک نئوهوکین و مونی- ریولین ۵ پارامتری) حل شد.
یافتهها: تنش برشی، فشار، سرعت جریان، جابهجایی دیواره و تنش فون میزز (von-Mises stress) استخراج شد. با توجه به نتایج، دیواره بهطور متوسط mm ۱/۸ جابهجا شد. همچنین، در میزان جابهجایی دیواره شریان با جنس دیواره ثابت و مدل مادی متفاوت برای خون، تفاوت چندانی مشاهده نشد. اما در صورت در نظر گرفتن مدل خون ثابت و جنس دیواره متفاوت در اندازه جابهجایی، تفاوت چشمگیری مشاهده شد.
نتیجهگیری: با توجه به میزان جابهجایی دیواره آنوریسم در این بیمار با هندسه و محل آنوریسم خاص، بافت اعصاب ۳ و ۶ مغز تحت فشار قرار گرفته و در معرض آسیب بود. کمترین تنش برشی نیز در نزدیک گردن آنوریسم بود که موجب تحریک سلول اندوتلیال در همین ناحیه آنوریسم میگردید.
منصور رضایی، داریوش افشاری، نگین فخری، نازنین رزازیان،
دوره 79، شماره 4 - ( 4-1400 )
چکیده
زمینه و هدف: مالتیپل اسکلروزیس Multiple sclerosis, MS)) جزو ناتوانکنندهترین بیماری در بالغین جوان است. آگاهی از نمره ناتوانی این بیماران (Expanded disability status scale, EDSS)، در انتخاب روند درمانی آنان مفید است. محاسبه EDSS وقت زیادی از پزشک متخصص میگیرد. هدف از این مطالعه برآورد نمره EDSS بیماران MS با استفاده از مدلهای شبکه عصبی مصنوعی (ANN) و درخت تصمیم (DT) بود.
روش بررسی: این مطالعه مقطعی بر روی دادههای مطالعه رجیستری MS استان کرمانشاه از اردیبهشت 1396 تا آذر 1397 انجام شد. 12 متغیر شامل اطلاعات دموگرافیک، اطلاعاتی در مورد بیماری MS افراد و نمره EDSS آنان از مجموعه دادهها استخراج گردید. نمره EDSS افراد توسط مدلهای ANN و DT نیز برآورد شد. عملکرد مدلها از نظر خطای برآورد، همبستگی و میانگین نمره برآورد شده، مورد مقایسه قرار گرفت. از (Waikato Environment for Knowledge Analysis (Weka), University of Waikato, New Zealand) و SPSS software, version 25 (IBM SPSS, Armonk, NY, USA) استفاده شد.
یافتهها: 353 نفر با میانگینهای سن 47/36±1/9 سال، سن شروع بیماری 34/30±2/9 سال، طول دوره بیماری 20/6±7/5 سال و نمره 8/1±46/2 EDSS بررسی شدند. خطاهای برآورد در مدل DT کمتر از مدل ANN بود. نمره EDSS واقعی همبستگی معنی داری با نمره برآورد شده توسط (571/0DT (r= و (623/0ANN (r= داشت. میانگین EDSS برآورد شده توسط DT (46/2±1/1) تفاوت معناداری با میانگین EDSS واقعی نداشت (621/0P=). میانگین EDSS برآورد شده توسط ANN (87/2±3/1) بهطور معناداری بیشتر از میانگین EDSS واقعی بود (05/0P<).
نتیجهگیری: مدل DT نسبت به مدل ANN، نمره EDSS را بهتر برآورد کرد و به نمرات واقعی EDSS نزدیکتر بود. با مدل DT میتوان EDSS بیماران MS را با دقت مناسبی تخمین زد.
فائزه مقدس، زهرا امینی، راحله کافیه،
دوره 80، شماره 10 - ( 10-1401 )
چکیده
زمینه و هدف: سیستمهای رابط مغز و رایانه از طریق سیگنالهای مغزی امکان ارتباط با دنیای بیرون را بدون استفاده از واسطههای فیزیولوژیکی برای افراد دارای ناتوانی جسمی فراهم میکند. یکی از انواع این سیستمها، سیستمهای مبتنی بر تصور حرکتی است. از مهمترین بخشها در طراحی این سیستمها، طبقهبندی سیگنالهای مغزی مبتنی بر تصور حرکت به کلاسهای تصور حرکت بهمنظور تبدیل به فرمان کنترلی است. در این مقاله یک روش نوین طبقهبندی سیگنالهای مغزی مبتنی بر تصور حرکتی با استفاده از روشهای یادگیری عمیق ارایه شده است.
روش بررسی: این مطالعه مقطعی در دانشکده فناوریهای نوین پزشکی دانشگاه علوم پزشکی اصفهان از بهمن 1398 تا تیر 1401 انجام شد در بلوک پیش-پردازش قطعهبندی سیگنالهای مغزی، انتخاب کانالهای مناسب و استفاده از فیلتر باترورث (Butterworth filter)، سپس تبدیل موجک جهت انتقال به حوزه زمان-فرکانس و در قسمت طبقهبندی از دو طبقهبند شبکه یادگیری عمیق کانولوشنی یکبعدی با دو معماری و شبکه یادگیری عمیق کانولوشن دوبعدی با دو معماری با ورودی سه موجک مادر Cmor، Mexicanhat و Cgaus به کار گرفته شده و درنهایت عملکرد شبکهها بررسی شدهاند.
یافتهها: سه کانال برای 9 سوژه موردنظر، بهعنوان بهترین کانالها انتخاب شدند. همچنین پس از یافتن پارامترهای بهینه در ساختار داده، تبدیل موجک با موجک مادر Cgaus بالاترین درصد را در دو معماری پیشنهاد شده، دارد. صحت 53/92%، بالاترین صحت مربوط به معماری دوم شبکه عصبی کانولوشن دوبعدی پیشنهاد داده شده است.
نتیجهگیری: نتایج بهدست آمده از شبکههای پیشنهاد شده، نشاندهنده آن است که شبکههای یادگیری عمیق مناسب میتوانند بهعنوان ابزاری مناسب و دقیق برای طبقهبندی دادگان مبتنی بر تصور حرکت مورد استفاده قرار گیرند.
