پروژه کمی سازی سطح استرس با استفاده از سیگنال های سایکوفیزیولوژی. doc نوع فایل: word قابل ویرایش 133 صفحه چکیده: در تحقیقات سایکوفیزیولوژی، به پاسخshy;های فیزیولوژی بدن با توجه به فاکتورهایی مانند کیفیت طراحی آزمایش، خصوصیات روانی اندازهshy;گیریshy;ها و تناسب تحلیل و تفسیر دادهshy;ها، یک معنای روانشناختی اختصاص میshy;دهیم. در تحلیل واکنشshy;ها هیچیک از دو علم فیزیولوژی و روانشناختی برتر نیستند، بلکه مکمل یکدیگر میshy;باشند. شناخت حالات روحی مختلف از جمله حالت استرس که اثرات مخرب شناختهshy;شدهshy;ای بر جسم و روان انسان دارند، از کاربردهای مهم این علم میshy;باشند. در این تحقیق با ارائه آزمایشی مناسب وایجاد سه سطح استرس (کم، متوسط و زیاد) در سوژه و ثبت سیگنالshy;های پلتیسموگراف، تغییرات نرخ ضربان قلب و هدایت الکتریکی پوست به دنبال بدست آوردن معیاری جهت کمّی کردن سطح استرس فرد بودهshy;ایم. به این منظور پیشshy;پردازشshy;ها و پردازشshy;های مختلف خطی در حوزه زمان، فرکانس و زمان- فرکانس و غیرخطی از جمله معیار پوآنکاره، لیاپانوف اکسپوننت، بعد فرکتال و آنتروپی و استخراج ویژگیshy;های گوناگون از سیگنالshy;های ثبتshy;شده صورت گرفته است. سپس با به کارگیری روشshy;های مختلف طبقهshy;بندی از جمله ترکیب شبکه عصبی و الگوریتم ژنتیک، ماشینshy;های بردار پشتیبان و روش تابع ترکیب خطی اقدام به تفکیک سطوح مختلف شده است. در این تحقیق ابتدا ویژگیshy;های بهینه هر سیگنال تعیین و تفکیک به این سه روش انجام شد. سپس با ترکیب ویژگیshy;های بهینه همه سیگنالshy;ها مجدداً تفکیک صورت گرفت. نهایتاً به این نتیجه رسیده شد که با استفاده از سیگنال HRV به تنهایی میshy;توان به نتایج بالاتری در صحت تفکیک دست یافت. در ادامه مقایسهshy;shy;shy;shy;ای بین ویژگیshy;های خطی و غیرخطی سیگنال HRV صورت گرفت و به این نتیجه رسیده شد که ترکیب این دو نوع ویژگی نتایج را بهبود میshy;shy;دهد. پس از آن مقایسهshy;ای بین روشshy;های مختلف طبقهshy;بندی با استفاده از ویژگیshy;های بهینه سیگنال HRV انجام شد که در نهایت روش LOO به عنوان روش مناسبshy;تر 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 میshy;گیرد. اما میshy;توان از طریق علائم فیزیکی نیز به ارتباط بین مغز و فکر انسان و رفتارهای او پی برد. علم سایکوفیزیولوژی که حوزهshy; جدیدی از شناخت مسائل روحی و روانی انسان با استفاده از نشانهshy;های فیزیولوژیکی ناشی از آن میshy;باشد، این امکان را فراهم میshy;سازد. در سایکوفیزیولوژی به نحوه تفکر و ادراک از ساختار فیزیکی نشانهshy;های آن نگاه میshy;کنیم و در این حالت اگر جنبهshy;های ساختاری و عملیاتی این جسم فیزیکی در ارتباط با جنبهshy;های 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 هورمونshy;هایی خود را برای مقابله آماده میshy;کند 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 میshy;گوئیم 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 بیماریshy;های روحی ndash; رفتاری دارد و هیچ عضو یا ارگانی از بدن از اثرات استرس مصون نیست. از اینshy;رو 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 جنبهshy;هاي 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 حوزهshy;های 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 میshy;کنیم. در ادامه انواع سیگنالshy;های کاربردی در علوم سایکوفیزیولوژی و روشshy;های اندازهshy;گیری آنها مطرح میshy;شود 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 سیگنالshy;های سایکوفیزیولوژی (GSR ,PPG ,HRV) که در این تحقیق استفاده شد، مورد بحث قرار گرفت. در این فصل روش مختلف اندازهshy;گیری این سیگنالshy;ها، 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. طرحshy;های اولیه و نهایی آزمایش ثبت دادهshy;ای که در این تحقیق استفاده شد، در انتهای این فصل به تفضیل توضیح داده شده است. در فصل سوم روشshy;های مختلف پیشshy;پردازش و پردازش سیگنالshy;های استفاده شده در این تحقیق مطرح شده است. در این فصل ابتدا پیشshy;پردازشshy;های مختلف سیگنال PPG و ویژگیshy;های 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، ویژگیshy;های مختلف سیگنال GSR که در حوزه زمان میshy;باشد، معرفی شده است. لازم به ذکراست که کلیه ویژگیshy;هایی که از سیگنال HRV استخراج شده است، از سیگنال RRI نیز استخراج شد. در فصل چهارم، با توجه به ویژگیshy;های استخراجshy;شده از سیگنالshy;ها، عملیات تفکیک سطوح مختلف استرس انجام شد. در این فصل از سه طبقهshy;بندیshy;کننده LOO ,SVM و ترکیب شبکه عصبی و الگوریتم ژنتیک استفاده شده است. ابتدا ویژگیshy;های بهینه هر سیگنال به طور مجزا توسط هر روش تعیین و طبقهshy;بندی صورت میshy;گیرد و با مقایسه میزان صحت تفکیک بهترین حالت در تفکیک، در هر روش انتخاب شد. همچنین مقایسه بین روشshy;های مختلف طبقهshy;بندی صورت گرفته است. در نهایت دو شاخص برای کمّی کردن استرس معرفی شده است. در فصل آخر این تحقیق به جمعshy;بندی نتایج پرداخته شده و روشshy;های 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 سايکوفيزيولوژي و مفاهیم و مبانی استرس 1- 1- تاريخچه علم سايکوفيزيولوژي 1-2- اصول و مباني سايکوفيزيولوژي 1-3- انواع تکنیک های سایکوفیزیولوژی 1-3-1- شاخص هاي سيستم اعصاب خودکار 1-3-2- اندازه گيري فعاليت مغزي 1-3-3- تشخيص حالات با استفاده از رفتار شخص 1-4- تعریف استرس 1-5- استرس خوب و استرس بد 1-6- عوامل برانگيزنده استرس 1-6-1- استرس شغلی 1-7- نشانه هاي استرس 1-8- حد مطلوب استرس 1-9- مراحل ایجاد استرس 1-10- اثرات استرس بر بدن و بيماري ها مرتبط با آن 1-11- بیوفیدبک 1-11-1- انواع بیوفیدبک فصل دوم: سیگنال های سايكوفيزيولوژيكي و آزمایش ثبت داده 2-1- مقدمه 2-2- پلتيسموگراف 2-2-1- فتو پلتيسموگرافي 2-2-2- روش هاي اندازه گيري سيگنال فتوپلتيسموگراف 2-3- سيستم الکتريکي پوست 2-3-1- تاريخچة کشف فعاليت الکتريکي پوست 2-3-2- فوايد و مشکلات استفاده از فعاليت الکتريکي پوست (EDA) 2-4- تغييرات نرخ ضربان قلب 2-4-1- تاريخچه استفاده از سيگنال تغييرات نرخ ضربان قلب 2-4-2- دورنمای فیزیولوژی سيگنال تغييرات نرخ ضربان قلب 2-4-3- تعيين تغييرات نرخ ضربان قلب با استفاده از سيگنال فتوپلتيسموگراف 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 سايكوفيزيولوژيكي 3-1- مقدمه 3-2- پردازش سیگنال فتوپلتيسموگراف 3-2-1- پيش پردازش سيگنال فتوپلتيسموگراف 3-2-2- استخراج ویژگی در حوزه زمان از سیگنال PPG 3-2-3- استخراج ویژگی در حوزه فركانس 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 سيگنال هدايت الكتريكي پوست 3-4-1- استخراج ويژگي از سيگنال هدايت الكتريكي پوست 3-5- نرمال کردن ویژگی ها فصل چهارم: انتخاب ویژگی های بهینه و تفکیک سطوح استرس 4-1- مقدمه 4-2- شبكه هاي عصبي 4-2-1- شبكه هاي عصبي پرسپترون چند لايه 4-2-2- توابع فعاليت 4-2-3- الگوريتم به روز رساني وزن ها 4-2-4- باياس لايه ها 4-2-5- روش آموزش شبكه 4-3- تركيب شبكه هاي عصبي و الگوريتم ژنتيك 4-3-1- اصطلاحات ژنتيک 4-3-2- اجزاء الگوريتم ژنتيك 4-3-3- طراحي تابع برازندگي 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., Timendash;frequency analysis of electroencephalogram series (III):wavelet packets and information cost function . Phys. Rev. E 57:932ndash;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. 2618ndash;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, Poincareacute; plot indexes of heart rate variability capture dynamic adaptations after haemodialysis in chronic renal failure patients ,Clin Physiol Func Im, Vol. 23, pp. 72ndash;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. MAuml;KIKALLIO 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. 354ndash;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 ndash; 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 ndash; 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. 93ndash;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. 65ndash;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.comproductsstaisad.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, Schuml;urmann M, Sakowitz O. W, Wavelet entropy analysis of eventrelated potentials indicates modalityindependent theta dominance , Neurosci. Methods, 117,PP. 99ndash;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 bull; 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 ، پايان نامه کارشناسي ارشد رشته مهندسي پزشکي- گرايش بيوالکتريک، 1385.