دانلود با لینک مستقیم و پر سرعت .
نوع فایل: word
قابل ویرایش 133 صفحه
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 فردی استرس را در زندگی خود تجربه کرده است و در واقع استرس بخشی از زندگی 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 بین حالت روحی استرس و فعالیت سیستم اعصاب خودکار در این تحقیق سعی بر آن شد که جنبههای مختلف این ارتباط، بین حالات روحی و فیزیولوژی بدن انسان، مورد بررسی قرار گیرد و بر این اساس به کمی سازی سطح استرس جهت اهداف و کاربردهای 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.
فهرست مطالب:
عنوان
چکیده
مقدمه
فصل اول: علم سایکوفیزیولوژی و مفاهیم و مبانی استرس
1- 1- تاریخچه علم سایکوفیزیولوژی
1-2- اصول و مبانی سایکوفیزیولوژی
1-3- انواع تکنیک های سایکوفیزیولوژی
1-3-1- شاخص های سیستم اعصاب خودکار
1-3-2- اندازه گیری فعالیت مغزی
1-3-3- تشخیص حالات با استفاده از رفتار شخص
1-4- تعریف استرس
1-5- استرس خوب و استرس بد
1-6- عوامل برانگیزنده استرس
1-6-1- استرس شغلی
1-7- نشانه های استرس
1-8- حد مطلوب استرس
1-9- مراحل ایجاد استرس
1-10- اثرات استرس بر بدن و بیماری ها مرتبط با آن
1-11- بیوفیدبک
1-11-1- انواع بیوفیدبک
فصل دوم: سیگنال های سایکوفیزیولوژیکی و آزمایش ثبت داده
2-1- مقدمه
2-2- پلتیسموگراف
2-2-1- فتو پلتیسموگرافی
2-2-2- روش های اندازه گیری سیگنال فتوپلتیسموگراف
2-3- سیستم الکتریکی پوست
2-3-1- تاریخچة کشف فعالیت الکتریکی پوست
2-3-2- فواید و مشکلات استفاده از فعالیت الکتریکی پوست (EDA)
2-4- تغییرات نرخ ضربان قلب
2-4-1- تاریخچه استفاده از سیگنال تغییرات نرخ ضربان قلب
2-4-2- دورنمای فیزیولوژی سیگنال تغییرات نرخ ضربان قلب
2-4-3- تعیین تغییرات نرخ ضربان قلب با استفاده از سیگنال فتوپلتیسموگراف
2-5- مروری بر آزمایش های استفاده شده در تحقیقات
2-5-1- آزمایش بر اساس بازی کامپیوتری
2-5-2- آزمایش بر اساس پروتکل رانندگی اتومبیل
2-5-3- آزمایش بر اساس نمایش فیلم
2-6- آزمایش طراحی شده در این تحقیق
2-7- سوژه های تحقیق
فصل سوم: پردازش سیگنال های سایکوفیزیولوژیکی
3-1- مقدمه
3-2- پردازش سیگنال فتوپلتیسموگراف
3-2-1- پیش پردازش سیگنال فتوپلتیسموگراف
3-2-2- استخراج ویژگی در حوزه زمان از سیگنال PPG
3-2-3- استخراج ویژگی در حوزه فرکانس از سیگنال PPG
3-3- پردازش سیگنال تغییرات نرخ ضربان قلب
3-3-1- استخراج ویژگی از سیگنال تغییرات نرخ ضربان قلب
3-3-1-1- استخراج ویژگی در حوزه زمان از سیگنال HRV
3-3-1-2- استخراج ویژگی در حوزه فرکانس از سیگنال HRV
3-3-1-3- استخراج ویژگی در حوزه زمان-فرکانس از سیگنال HRV
3-3-1-4- استخراج ویژگی های غیرخطی از سیگنال HRV
3-4- پردازش سیگنال هدایت الکتریکی پوست
3-4-1- استخراج ویژگی از سیگنال هدایت الکتریکی پوست
3-5- نرمال کردن ویژگی ها
فصل چهارم: انتخاب ویژگی های بهینه و تفکیک سطوح استرس
4-1- مقدمه
4-2- شبکه های عصبی
4-2-1- شبکه های عصبی پرسپترون چند لایه
4-2-2- توابع فعالیت
4-2-3- الگوریتم به روز رسانی وزن ها
4-2-4- بایاس لایه ها
4-2-5- روش آموزش شبکه
4-3- ترکیب شبکه های عصبی و الگوریتم ژنتیک
4-3-1- اصطلاحات ژنتیک
4-3-2- اجزاء الگوریتم ژنتیک
4-3-3- طراحی تابع برازندگی و رشته ها
4-3-4- نتایج تفکیک به روش ترکیب شبکه عصبی و الگوریتم ژنتیک
4-4- نتایج تفکیک به روش آنالیز تفکیکی قدم به قدم
4-5- ماشین های بردار پشتیبان
4-5-1- نتایج تفکیک به روش ماشین های بردار پشتیبان
4-6- مقایسه تحلیل خطی و غیرخطی سیگنال HRV
4-7- مقایسه تفکیک کننده های استفاده شده در این تحقیق
4-8- تفکیک سطوح استرس بر اساس رأی گیری
4-9- شاخص استرس
4-9-1-شاخص بر اساس ویژگی های بهینهسیگنال HRV در روش LDA
4-9-2-شاخص NSRPIAD
فصل پنجم: نتیجه گیری و پیشنهادات
5-1- بحث و نتیجه گیری
5-2- پیشنهادات
مراجع
پیوست1
پیوست2
منابع و مأخذ:
Akselrod S, Gordon D, Ubel FA, Shannon DC, Barger MA, Cohen RJ,"Power spectrum analysis of heart rate fluctuation", a quantitative probe of beat-to-beat cardiovascular control.Science 213, PP. 220-222, 1981.
Blanco S, Figliola A, Quiroga R. Q, Rosso O. A and Serrano E.,"Time–frequency analysis of electroencephalogram series (III):wavelet packets and information cost function". Phys. Rev. E 57:932–40, 1998.
Chan G. S., Middleton P. M, Lovell N. H and Celler B. G,"Extraction of photoplethysmographic waveform variability by lowpass filtering", Proceedings of the IEEE Engineering in Medicine and Biology 27th Annual Conference Shanghai, China, September, 2005.
Cheang P. Y and Smith P. R," An Overview of Non-contact Photoplethysmography", ELECTRONIC SYSTEMS AND CONTROL DIVISION RESEARCH, Department of Electronic and Electrical Engineering, Loughborough University, LE11 3TU, UK, 2003.
Coifman R. R and Wickerhauser M. V, "Entropy-based Algorithms for best basis selection," IEEE Trans. on Inf. Theory, vol. 38, pp. 713-718, 1992.
Darrow C. W,"Psychophysiology, yesterday, today and tomorrow", Psychophysiology, 1 , pp. 4-7, 1964.
Darrow C. W,"Sensory, secretory and electrical changes in the skin following bodily excitation", J. of Experimental Psychology, 10, pp. 197-226, 1927.
Davidson N. S, Goldner S, McCloskey D. I,"Respiratory modulation of baroreceptor and chemoreceptor reflexes affecting heart rate and cardiac vagal efferent nerve activity", J Physiol 259, PP. 523-530, 1976.
Donoho D. L and Johnstone I.M, "Ideal de-noising in an orthonormal basis chosen from a library of bases," C.R.A.S. Paris, Ser. I, t. 319, pp. 1317-1322,1998.
Eckberg D. L,"Human sinus arrhythmia as an index of vagal cardiac outflow. J Appl Physiol 54, PP. 961-966, 1983.
Edelberg R,"Electrical activity of the skin: Its measurement ans uses in psychophysiology", In N. S. Greenfield & R. A. Sterenbach (Eds.), Handbook of Psychophysiology, pp. 367-418, 1972.
Edelberg R,"Electrodermal recovery rate, goal-orientation and aversion. Psychophysiology", 9, pp. 512-520, 1972.
Esteller R, Vachtsevanos G, Echauz J and Litt B,"A Comparison Of Fractal Dimension Algorithm Using Synthetic And Experimental Data", Proceedings of IEEE International Symposium on Circuits and Systems, Orlando, FL, May 30 - Jun. 2, 1999
Ewing D. J,"Cardiac autonomic neuropathy, in diabetes and heart disease", Jarrett RJ, Ed. NY, Elsevier, p.122 , 1984.
Fusheng Y, Qingyu T,"Approximate entropy and its application in biosignal analysis. [In:] Nonlinear biomedical signal", processing.Vol II: Dynamic analysis and modeling (ed. Metin Akay), New York: IEEE Press and John Wiley & Sons, Inc. pp. 72-91.; 2001.
Ganiero E, Risk M, Sobh J. F, Wamirez A and Saul J. P,"Heart Rate Variability Analysis Using Wavelet Transform",Computeirs in Cardiology,IEEE,1996.
Gu Y. Y and Zhang Y. T,"Reducing the Influence of Contacting Force Applied on Photoplethysmographic Sensor on Heart Rate Variability Estimation", Proc. of 25th Annu. Conf. IEEE EMBS, Vol. 21, pp. 2618–2620, Sep, 2003.
Hayano J, Sakakibara Y, Yamada A, Yamada M, Mukai S, Fujinami T, Yokoyama K, Watanabe Y,Takata K,"Accuracy of assessment of cardiac vagal tone by heart rate variability in normal subjects. Am J Cardiol 67, PP. 199-204, 1991.
Hayes M. J, "A nonlinear optical preamplifier for sensing applications", IEEE Trans. on Circuits and Systems, vol. 98, no. 1, pp. 1-9, 2002.
Hilborn R. C," Chaos and Nonlinear Dynamics", Oxford university press 2000.
Hon E. H and Lee S. T,"Electronic evaluation of the fetal heart rate patterns preceding fetal death, further observations",Am J Obstet Gynecol 87, PP. 814-826, 1965.
Jennifer A and Rosalind W,"Detecting Stress During Real-World Driving Tasks Using Physiological Sensors", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 6, NO. 2, JUNE 2005.
Kollai M and Mizsei G,"Respiratory sinus arrhythmia is a limited measure of cardiac parasympathetic control in man. J Physiol (Lond) 424, PP. 329-342, 1990.
Lee C, Yoo S. K, et al,"Using Neural Network to Recognize Human Emotions from Heart Rate Variability and Skin Resistance", Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual ConferenceShanghai, China, September, 2005.
Lerma C, Infante O, Grovas H and Jose M. V, " Poincare´ plot indexes of heart rate variability capture dynamic adaptations after haemodialysis in chronic renal failure patients",Clin Physiol & Func Im, Vol. 23, pp. 72–80, 2003.
Madwed J. B, Aibrecht P, Mark R. G, Cohen R. J,"Low-frequency oscillation in arterial pressure on heart rate: a simple computer model. Am J Physiol 256, PP. 1573-1579, 1989.
MÄKIKALLIO T,"ANALYSIS OF HEART RATE DYNAMICS BY METHODS DERIVED FROM NONLINEAR MATHEMATICS",1998.
Malik M, Chairman M,"Heart rate variability Standards of measurement, physiological interpretation, and clinical use", European Heart Journal, Vol. 17, pp. 354–381, 1996.
Malliani A, Pagani M, Lombardi F, Cerutti S,"Cardiovascular neural regulation explored in the frequency domain. Circulation 84, PP. 482-492, 1991.
Mendelson Y and Comtois G,"Accelerometery-based Adaptive Noise Cancellation for Remote Physiological Monitoring by a Wearable Pulse Oximeter",Biomedical Engineering, IEEE Transactions on Volume 53, Issue 3, March 2006 Page(s): 566 – 568, 2005.
Nashash H.A., Thakor J.S, "Wavelet entropy method for EEG analysis: application to global brain injury", First International IEEE EMBS Conference on Neural Engineering ,Volume 2, Page(s): 348 – 351, March 2003.
Nitzanyx M, Babchenkoy A, Khanokhy B and Landauz D,"The variability of the photoplethysmographic signal-a potential method for the evaluation of the autonomic nervous system", Physiol. Meas. 19, PP. 93–102, 1998.
Pagani M, Montano N, Porta A,Malliani A, Abboud F. M, Birkett C, Somers V. K,"Relationship between spectral components of cardiovascular variabilities and direct measures of muscle sympathetic nerve activity in humans. Circulation 95, PP. 1441-1448, 1997.
Pincus S," Approximate entropy as a measure of system complexity", Proc Nat Acad Sci USA, Vol. 88, pp. 2297-301,1991.
Prokasy W. F and Raskin D. C, "Electrodermal Activity in psychological Research", New York, Academic Press, 1973.
Rosso O, Blanco S, Yordanova J, Kolev V and Figliola A,"Wavelet entropy: a new tool for analysis of short duration brain electrical signals". J. Neurosci. Methods, 105, PP. 65–75, 2001.
Seals D. R, Chase P. B,"Influence of physical training on heart rate variability and baroreflex circulatory control. J Appl Physiol 66, PP. 1886-1895, 1989.
Seong H. M, Lee J. S. et al," The Analysis of Mental Stress using Time-Frequency Distribution of Heart Rate Variability Signal",Proceedings of the 26th Annual International Conference of the IEEE EMBS San Francisco, CA, USA September 1-5, 2004.
Spielberger C. D,"State-Trait Anxiety Inventory for Adults", http://www.mindgarden.com/products/staisad.htm.
Wang F, Sagawa K and Inooka H," Time Domain Heart Rate Variability Index for Assessment of Dynamic Stress", Computers in Cardiology IEEE, Vol25, pp. 97-100, 1998.
Wan R. D and Woo L. J," Feature Extraction and Emotion Classification Using Bio-Signal", TRANSACTIONS ON ENGINEERING, COMPUTING AND TECHNOLOGY, V2, DECEMBER, 2004.
Wolf M. M, Varigos G. A, Hunt D and Sloman J. G," Sinus arrhythmia in acute myocardial infarction: two-year follow-up", Med J Aust 2, PP. 52-53, 1978.
YEH R, SHIEH J, HAN Y, WANG Y and TSENG S,"Detrended Fluctuation Analyses of Shortterm Heart Rate Variability in Surgical Intensive Care Units",BIOMEDICAL ENGINEERING APPLICATIONS, BASIS & COMMUNICATIONS, Vol. 18, pp. 67-72, April 2006.
Yordanova J, Kolev V, Rosso O. A, Sch¨urmann M, Sakowitz O. W,"Wavelet entropy analysis of eventrelated potentials indicates modalityindependent theta dominance", Neurosci. Methods, 117,PP. 99–109, 2002.
Yoshizawa1 M, Sugita N, Tanaka A and Masuda T," Assessment of Emotional Reaction Induced by Visual Stimulation Based on Cross-Correlation between Pulse Wave Transmission Time and Heart Rate in the Mayer Wave-Band", Proceedings of the 26th Annual International Conference of the IEEE EMBS San Francisco, CA, USA • September, 2004.
Zhai J, Barreto A. B, Chin C and Li C,"Realization of Stress Detection using Psychophysiological Signals for Improvement of Human-Computer Interactions",IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 5, NO. 3, JUNE 2005. `
تهامی، احسان،"پیش بینی غلظت قند خون در بیماران مبتلا به دیابت نوع یک با استفاده از روش های هوشمند"، پایان نامه کارشناسی ارشد رشته مهندسی پزشکی- گرایش بیوالکتریک، 1385.
