معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Exploiting Sparse Representation for Sleep Stage Classification Using Electroencephalogram Signalبهرهگیری از بیان تنک بهمنظور کلاسبندی مراحل خواب با استفاده از سیگنال الکتروانسفالوگرام111917610.22034/jasp.2019.9176FAبهارهآزادیانگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانتوحیدیوسفی رضاییگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانسعیدمشگینیگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانJournal Article20190406In this paper, sparse representation of EEG signal is used to automatically classify sleep stages. In this regard, two general sparse representation trends are proposed to classify 4-class sleep stages. The first proposed method is based on sparse principal component analysis (SPCA) which uses different features including time, frequency, and time-frequency features applied to support vector machine (SVM) classifier. The second proposed method is based on sparse representation-based classifier (SRC) which uses orthogonal matching pursuit (OMP) algorithm to obtain sparse coding of the EEG signal. In order to evaluate the effectiveness of the proposed algorithms, their performance is compared with the conventional SVM classification based on PCA method using time, frequency, and time-frequency features. The study is carried out on EEG signal from Physionet international database. Simulation results show on the average 8.36% and 8.26% improvement of the first proposed method in terms of classification accuracy compared to the PCA and deep learning methods, respectively, while the second proposed method has achieved the running time of 118% and 72% faster than the existing PCA and deep learning methods, respectively.در این مقاله، از بیان تنک سیگنال EEG بهمنظور طبقهبندی مراحل خواب استفاده شده است. در این راستا دو روند کلی تنکسازی پیشنهاد شده و تاثیر آنها بر روند تشخیص مراحل چهارگانه خواب بررسی شده است. روش پیشنهادی اول مبتنی بر بهکارگیری روش تحلیل مولفه اصلی تنک (SPCA) برای حالتهای بهکارگیری ویژگیهای مختلف، از جمله زمانی، فرکانسی و زمان-فرکانسی و اعمال به کلاسبندی ماشین بردار پشتیبان (SVM) است. روش پیشنهادی دوم بر اساس بهکارگیری طبقهبندیکننده مبتنی بر بیان تنک (SRC) است که از الگوریتم پیگیر تطبیق متعامد (OMP) در مرحله ایجاد دیکشنری و بیان تنک بهره میبرد. به منظور ارزیابی کارایی الگوریتمهای پیشنهادی، عملکرد آنها با الگوریتمهای موجود مشابه مقایسه شده است و بدین منظور از دادههای ثبت شده در پایگاه داده بینالمللی PhysioNet استفاده شده است. مقایسه نتایج روش های پیشنهادی نشان دهنده بالاتر بودن دقت میانگین روش پیشنهادی اول نسبت به روش PCA و روش یادگیری عمیق به ترتیب %8.36 و %8.26 است. همچنین سرعت اجرای روش پیشنهادی دوم نسبت به دو روش مذکور %118 و %72 بالاتر است.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Vessel Extraction of Retinal Images of Diabetic Retinopathy Using A Morphology-based Algorithmاستخراج رگ از تصاویر شبکیه چشم مبتلا به رتینوپاتی دیابتی با استفاده از روشی مبتنی بر ساختارشناسی1323917710.22034/jasp.2019.9177FAزهرااصغرزاده بنابگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانسعیدمشگینیگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانJournal Article20190314Diabetes is a common disease in the world. The first member that is usually damaged is the eye. Diabetic retinopathy is a diabetic disorder and occurs due to changes in the blood vessels of the retina. Extracting blood vessels is initial step for diagnosis of retina problems. Imaging of Retina needs some special cameras called fundus. It is a digital camera that captures retina images ad is capable to save them. The purpose of this paper is to provide a method for the diagnosis of blood vessels based on morphology on retina images. After converting a color image to a gray scale one and improving the quality, morphological operators are used to remove the optical disk from the image. Then, blood vessels are extracted from the retina image by two different methods. Combining these two methods gives more detailed results. Possible noise is then removed using median filters. Finally, the results are combined and the blood vessels are extracted. The proposed algorithm has been evaluated over the images from the Drive database. The experimental results shows the effectiveness of our proposed method. The average result of specificity, sensitivity and accuracy are 0.98, 0.751 and 0.960, respectively.دیابت، نوعی بیماری شایع در جهان است. اولین عضوی که معمولاً دچار آسیب میشود؛ چشم میباشد. رتینوپاتی دیابتی، به معنی آسیب به شبکیه است که شامل تغییرات عروق خونی شبکیه است و میتواند به خونریزی، نشت مایع و یا تحریف دید منجر شود. جداسازی رگهای خونی از اولویتهای تشخیص بیماریهای شبکیه است. عکسبرداری از شبکیه نیازمند استفاده از سیستم نوری پیچیدهای به نام دوربین فونداس یا عمقی است. دوربین عمقی، یک دوربین دیجیتال معمولی است که بهمنظور تهیه تصاویر از شبکیه مورد استفاده قرار میگیرد، برخلاف دستگاههای تهچشمبین، این دستگاهها امکان ذخیره دادهها را نیز فراهم میکنند. در این مقاله، روشی برای استخراج رگهای خونی از تصویر شبکیه مبتنی بر ساختارشناسی (مورفولوژی) ارائه شده است. رگها بخشی هستند که باید قبل از تشخیص ضایعههای رتینوپاتی دیابتی از تصویر حذف شوند. در ابتدا برای بهبود کیفیت از عملگرهای مورفولوژی بر روی تصویر شبکیه رنگی استفاده میشود. سپس، با روشهای مورفولوژی، دیسک نوری از تصویر حذف میگردد. سپس، رگهای خونی تصویر شبکیه با استفاده از دو الگوریتم مجزا استخراج میشوند. با ترکیب این دو الگوریتم، رگهای خونی با جزئیات بیشتری استخراج میگردند. در نهایت با استفاده از فیلتر میانه، نویز احتمالی حذف میشود و رگهای خونی با دقت بیشتری استخراج میشوند. الگوریتم پیشنهادی این مقاله بر روی تصاویر پایگاه داده Drive مورد ارزیابی قرار گرفته و نتایج مناسبی حاصل شده است. مقادیر متوسط اختصاصیت، حساسیت و صحت روش ارائهشده بهترتیب 0.98، 0.751 و 0.960 میباشد.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Epileptic Seizure Prediction Using Heart Rate Variability Signal Analysisپیشبینی حملات صرع با استفاده از پردازش سیگنال تغییرات نرخ ضربان قلب2533917810.22034/jasp.2019.9178FAمرتضیپودینهدانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایرانمریممحبیدانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایرانکوروشقرهگوزلیگروه مغز و اعصاب، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایرانJournal Article20170927Epilepsy is a neural disorder with unknown nature and epileptic patients suffer from the consequences of unexpected seizures. In this paper, we proposed a new method to predict epileptic seizures using heart rate variability (HRV) signal analysis. During preictal period of epilepsy, increasing in nervous activities of neurons affects the autonomic nervous system that disturbs heart rates. Therefore, epileptic seizures can be predicted through HRV monitoring. In our method, we extracted 12 features of HRV signal from different domains: time, frequency, time-frequency and non-linear domain. We used Multivariate Statistical Process Control (MSPC) algorithm for anomaly detection which is able to detect anomalies that cannot be detected by monitoring each variable independently. This algorithm has been applied to the clinical data collected from 17 patients. The obtained results demonstrated that the proposed method can predict seizure onset with an accuracy of 88.2%. The proposed HRV-based seizure prediction algorithm is more promising than the conventional EEG-based methods from the viewpoint of practical use.صرع یک ناهنجاری عصبی است که به دلیل طبیعت نامعلوم و ناگهانی آن باعث ناراحتی و رنج جدی در بیمار میشود. در این مطالعه یک روش جدید برای پیشبینی صرع از طریق آنالیز تغییرات ضربان قلب (HRV) پیشنهاد میشود. از آنجاییکه افزایش فعالیت عصبی نورونها در دوره preictal بیماری صرع بر روی سیستم عصبی ارادی تاثیر میگذارد و سیستم عصبی ارادی نیز بر روی ضربان قلب تاثیر میگذارد میتوان نتیجه گرفت که تشنج از طریق مانیتور کردن HRV قابل پیشبینی است. در روش پیشنهادی 12 ویژگی از سیگنال HRV در حوزههای زمان، فرکانس، زمان- فرکانس و غیر خطی برای پیشبینی تشنج صرعی استخراج شده است. برای تشخیص ناهنجاری از الگوریتم کنترل فرآیند آماری چند متغیره (MSPC) استفاده شده است. الگوریتم ارائه شده بر روی پایگاه داده بومی متشکل از 17 بیمار ارزیابی شده است و نتایج به دست آمده نشان می دهد که روش پیشنهادی قادر است با دقت % 88.2 حملات صرع را پیش بینی کند. از نظر عملی با توجه به سهولت اخذ سیگنال HRV، الگوریتم پیشنهادی نسبت به الگوریتمهایی که با استفاده از پردازش سیگنالهای مغزی (EEG) به پیش بینی صرع می پردازند، امیدوارکنندهتر است.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Detection of Epilepsy in Electroencephalographic (EEG) Signals Based on Global Wavelet Spectrum (GWS) Using Support Vector Machine (SVM)تشخیص صرع در سیگنالهای الکتروانسفالوگرافی (EEG) بر اساس ویژگی طیف کلی موجک (GWS) با استفاده ماشین بردار پشتیبان3543917910.22034/jasp.2019.9179FAفریباحسنزادهگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانسعیدمشگینیگروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانJournal Article20190212Approximately one percent of the world's population suffers from epilepsy. The first stage of epilepsy treatment is timely and correct diagnosis. One of the ways to diagnose epilepsy is to accurately analyze EEG signals. There are various features to diagnose the disease from a signal such as the signal amplitude. In this paper, a new method for the diagnosis of epilepsy is presented by examining the time-frequency information of the EEG signal in people with seizure-free seizure syndrome and healthy people. Initially, the Global Wavelet Spectrum (GWS) feature of the EEG signal was extracted. To interpret this Spectrum in frequency bands, EEG signals decompose to five levels by continuous wavelet transform. Then, by applying this feature, a Support vector machine-based classifier was used to diagnose epilepsy. The results of the analysis provided a significant difference in the separation of the individual based on the brain signal. The proposed method compared to the previous methods, can classify epilepsy and intact signals with 100% accuracy. It was also observed that the dominant (GWS) values for the signals selected from patients with epilepsy in the delta and theta frequency band are discussed.در حدود یک درصد از مردم دنیا از صرع رنج میبرند. اولین مرحله از درمان صرع، تشخیص بهموقع و صحیح آن است. یکی از راههای تشخیص صرع، تجزیه و تحلیل دقیق سیگنال الکتروانسفالوگرافی (EEG) است. ویژگیهای مختلفی جهت تشخیص این بیماری از روی سیگنال مانند دامنه سیگنال وجود دارد. در این مقاله، با بررسی اطلاعات زمان-فرکانسی سیگنال EEG در افراد مبتلا به سندرم صرع بدون تشنج و افراد سالم، روش جدیدی برای تشخیص صرع ارائه شده است. در ابتدا ویژگی طیف کلی موجک (GWS) برای سیگنال EEG افراد سالم و افراد مبتلا به سندرم صرع استخراج شده است. برای بررسی این طیف در باندهای فرکانسی، سیگنال EEG با استفاده از تبدیل موجک به 5 زیرباند تجزیه میگردد. سپس با اعمال این ویژگی به طبقهبند مبتنیبر ماشین بردار پشتیبان به تشخیص صرع پرداخته شده است. نتایج تجزیه و تحلیل، تفاوت قابل ملاحظهای، جهت تفکیک کردن فرد بر اساس سیگنال EEG فراهم میکند. روش پیشنهادی در مقایسه با روشهای قبلی، سیگنالهای سالم و صرعی را با دقت 100% طبقهبندی کرده است. همچنین، مشاهده شد که مقادیر غالب GWS برای سیگنالهای انتخابشده از بیماران مبتلا به سندرم صرعی در باند فرکانسی دلتا و تتا یافت میشوند.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Simultaneous Energy Harvesting and Information Processing in Wireless Communications Using Multiple Relays with Multiple Antennas Considering Various Locations of Relaysاعمال همزمان اکتساب انرژی و انتقال داده در سیستم مخابرات مشارکتی بر پایه استفاده از چندین رله چندآنتنه با درنظرگرفتن جایابی رلهها4555918010.22034/jasp.2019.9180FAعبدالحمیدزاهدیگروه برق، دانشگاه صنعتی کرمانشاه، کرمانشاه، ایران0000-0003-4809-984XJournal Article20170719Wireless networks suffer from battery discharging specially in cooperative communications, where multiple energy constrained relays are used. To overcome this problem, energy harvesting from RF signals is used to charge the node battery. These intermediate nodes have the ability to harvest energy from the source signal and use the harvested energy to transmit information to the destination. In fact, the node tries to harvest energy and then transmit the data to destination. Division of energy harvesting and data transmission periods can be done in two different protocols, namely time switching based relaying protocol (TSR) and power splitting based relaying protocol (PSR). These two protocols can also be applied in delay-limited and delay-tolerant transmission systems. The previous works have assumed a single relay for energy harvesting; However, in this paper, the proposed method is concentrated on improving the outage probability and throughput using multiple antennas in each relay node instead of using single antenna. Also the optimum location of multiple relays is discussed and its effect on throughput of the system is mainly considered. According to our simulation results, when multi-antenna relays are used, ability of energy harvesting is increased and thus system performance will be improved to a great extent. MRC selection relay scheme is used when the destination chooses a group of relays and antennas satisfying the required SNR.یکی از مشکلات اساسی شبکههای بیسیم کمبود انرژی لازم بهخصوص در شبکههای مشارکتی مبتنی بر رله است که در آن رلهها نقش اساسی در انتقال اطلاعات دارند اما انرژی محدودی وجود دارد. برای غلبه بر این مشکل، اکتساب انرژی از سیگنالهای رادیویی موردتوجه قرارگرفته است. با این کار گرههای واسط توانایی کسب انرژی از سیگنالهای رادیویی مبدأ را دارند و با این انرژی حاصلشده میتوانند اطلاعات را بهسمت مقصد هدایت کنند. بنابراین گرههای واسط که همان رلهها هستند، بایستی دو کار مهم اکتساب انرژی از سیگنالهای رادیویی و انتقال اطلاعات از مبدأ به مقصد را انجام دهند. دو راهبرد مهم برای این هدف وجود دارد که پروتکل رله تقسیمزمانی و پروتکل رله تقسیمتوانی نامیده میشوند. این دو پروتکل میتوانند در سیستمهای حساس به تأخیر و غیرحساس به تأخیر بکار گرفته شوند. کارهای قبلی انجامگرفته در این زمینه یک رله را بهعنوان واسط استفاده کردهاند و یا از یک آنتن برای اکتساب انرژی استفادهشده است. اما در این بررسی برای بهبود گذردهی اطلاعات و احتمال قطع از چندین رله واسط با چندین آنتن در هر رله استفادهشده است. همچنین جایابی مناسب رلهها بر اساس فاصله از مبدأ یا مقصد و نوع چینش آنها و تأثیر این جایابی بر نرخ گذردهی اطلاعات مورد بررسی قرار میگیرد. با توجه به نتایج شبیهسازی، هنگام استفاده از چندین رله و چندین آنتن در هر رله، قابلیت اکتساب انرژی سیستم بیشتر شده و کارایی سیستم بهطور قابلملاحظهای افزایش مییابد.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Blind Attack on Watermarked Images Based on Segmentation and Non-Local Similarityحمله کور بر روی تصاویر نشانهگذاریشده مبتنی بر قطعهبندی و تشابه غیر محلی5765918110.22034/jasp.2019.9181FAسیدحسینسلیمانیگروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانامیرحسینطاهرینیاگروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانJournal Article20170927In this paper, a new attack is proposed on blind image watermarking, which is able to destroy the watermark embedded in an image using quantization and dither modulation embedding methods. This attack is consist of three main steps: The first two steps are segmentation and finding more similar regions of image and the third step is swapping similar regions with each other. One of the main idea in the proposed method is the algorithm of finding similar segments, which are far from each other and also are in indistinctive locations. This attack does not need to know the embedding and extraction algorithms and their parameters which are used. Therefore, this method is a blind attack. The results of this algorithm and its comparison with other intentional and unintentional attacks show that it can destroy embedded watermark properly and can preserve the quality of watermarked image. The value of NC metric is less than 0.4 and the value of PSNR metric is about 39 dB between the watermarked image and the attacked image.در این مقاله یک حمله جدید بر روی تصاویر نشانهگذاریشده معرفی شدهاست که قادر است نشانه جاسازیشده توسط روشهای نشانهگذاری مبتنی بر کوانتیزهکردن و مدولاسیون لرزش را تخریب کند. این حمله از سه مرحله کلی تشکیل شده است که دو مرحله اول آن سعی در قطعهبندی و یافتن قطعههایی از تصویر دارد که شباهت بیشتری بهیکدیگر دارند و مرحله آخر سعی در ازبینبردن نشانه با استفاده از جابهجایی قطعات متشابه پیداشده دارد. یکی از ایدههای اصلی روش پیشنهادی، الگوریتم یافتن زوج قطعههای مشابه از تصویر است که ممکن است در فاصله دور و نامشخص ازهم باشند. با توجه به اینکه در حمله معرفی شده، دانستن دقیق الگوریتمهای نشانهگذاری و استخراج استفادهشده مطرح نیست، میتوان این روش را یک روش کور نامید. نتایج بدستآمده از پیادهسازی این روش و مقایسه انجامشده با سایر حملات عمد و غیرعمد نشان میدهد که روش پیشنهادی نشانه را به حد قابل قبولی از بین میبرد و کیفیت تجاری تصویر را حفظ میکند. مقدار معیار NC بدستآمده برای این روش کمتر از 0.4 و مقدار معیار PSNR بین تصویر نشانهگذاریشده و تصویر موردحمله قرارگرفته حدود 39 دسیبل میباشد.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Evaluation of Segmentation and Bias Field Correction in MR Brain Images Using Level Set and Multiplicative Intrinsic Component Optimization Methodsارزیابی بخشبندی توأم با تصحیح میدان بایاس تصاویر MR مغز انسان توسط روشهای تنظیم سطح و مؤلفههای ذاتی ضربشونده6775918210.22034/jasp.2019.9182FAاکبرعلیپور صیفاردانشکده مهندسی برق، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تبریز، ایرانموسیشمسیدانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایرانJournal Article20170510Segmentation of brain MR images is a major issue in medical image processing computations. In these images, segmentation is failed by the existence of internal artifact which is called intensity inhomogeneity due to the existence of overlap effect among brain tissue intensities which often causes false classification of brain tissues. In this paper, two suggested methods for segmentation and bias field correction arises, which these images are implemented through the level set (LSM) and multiplicative intrinsic component (MICO) algorithms. Methods outlined in this article include: bias field correction of the human brain MR images by one of these algorithms and segmentation by other algorithm and vice versa. Quantitative and qualitative analysis on the final results showed, accuracy above 90% for the area containing the CSF using the MICO algorithm as well as the areas WM and GM by LSM algorithm. These results can be used to select efficient algorithm to correct the bias field and segmenting each area, separately.بخشبندی تصاویر MR مغز یک مساله مهم در محاسبات پردازش تصاویر پزشکی است. در این تصاویر، بخشبندی بهوسیله یک عامل درونی بهنام ناهمگنی شدت دچار خطا میگردد که این ناهمگنی بهدلیل وجود همپوشانی در بین شدت بافتهای مغزی است و اغلب باعث کلاسبندی نادرست بافتهای مغزی میگردد. در این مقاله دو روش پیشنهادی جهت بخشبندی و اصلاح بایاس این تصاویر مطرح میشود که از طریق دو الگوریتم تنظیم سطح (LSM) و بهینهسازی مؤلفههای ذاتی ضربشونده (MICO) پیادهسازی میگردند. روشهای مطرحشده در این مقاله عبارتاند از: اصلاح بایاس تصاویر MR مغز انسان توسط یکی از دو الگوریتم فوق و بخشبندی آن توسط الگوریتم دیگر و بالعکس. هدف، بررسی کارایی روال تصحیح بایاس و بخشبندی هر الگوریتم بهصورت جدا و ارزیابی کمی و کیفی نتایج حاصله و انتخاب الگوریتم مناسب جهت بهدست آوردن نواحی سهگانه بافتهای مغزی (WM ،GM و CSF) است. تحلیلهای کمی و کیفی بر روی نتایج، دقت بالای 90 درصدی را برای ناحیه حاوی CSF با استفاده از الگوریتم MICO و همچنین به همین میزان برای نواحی WM و GM توسط الگوریتم LSM را نشان داد. با استفاده از این نتایج میتوان الگوریتم بهینه جهت اصلاح بایاس و بخشبندی هر ناحیه را انتخاب کرد.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522A Digital Design and Hardware Architecture for the HPRF Radar Signal Processorارائه طرح دیجیتالی و معماری سختافزاری برای پردازشگر سیگنال رادار HPRF7781918310.22034/jasp.2019.9183FAمحمدجوادفیروزیمرکز تحصیلات تکمیلی، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایرانحمیدرضادلیلی اسکوییمرکز تحصیلات تکمیلی، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایرانرضافاطمی مفرددانشکده مهندسی برق، دانشگاه صنعتی مالک اشتر، تهران، ایرانJournal Article20170905Today, the design and use of high-frequency repeater radars are very common because of the advantages of high power transmission and coping with extended clutters and jamming. However, it is always the design and implementation of digital processors that can handle system parameters such as the wide dynamic range above the input signal of these radar coverage has been challenging. In this paper, a method for digital design and determination of the hardware architecture of a high repetition frequency radar signal processor based on the use of software provided by Xilinx XSG It's easier to design and develop The FPGA-based chip-based is provided in the MATLAB Simulink software is presented, this method is based on the use of Software provided by Xilinx Inc. The results of hardware simulation and comparison of output blocks of processing blocks with the output of the analog blocks of the typical radar and comparison with analog digital combined hardware of general radars represent improvement dynamic range of input at least 70 dB and low weight of this processor for a radar with high pulse repetition frequency.امروزه طراحی و بهکارگیری رادارهای با فرکانس تکرار پالس بالا به دلیل مزایایی که در ارسال توان متوسط بالا و مقابله با کلاترهای گسترده و جمینگ دارند، بسیار مرسوم است. اما همواره طراحی و پیادهسازی دیجیتالی پردازشگرهایی که بتوانند پارامترهای سیستمی و ازجمله محدوده دینامیکی بالای سیگنال ورودی اینگونه رادارها را پوشش دهند، با چالشهایی همراه بوده است. در این مقاله روشی برای طراحی دیجیتالی و تعیین معماری سختافزاری پردازشگر سیگنال رادار با فرکانس تکرار بالای نوعی ارائه میگردد. این روش مبتنی بر استفاده از نرمافزار ارائهشده توسط شرکت Xilinx به نام مولد سیستم Xilinx یا XSG هست که امکان آزمون، طراحی و توسعه سادهتر پردازشگرهای دیجیتال مبتنی بر تراشه FPGA را در محیط simulink نرمافزار MATLAB فراهم آورده است. نتایج شبیهسازی سختافزاری و مقایسه خروجیهای بلوکهای پردازشی با خروجی بلوکهای پردازشگر آنالوگ رادار موجود و مقایسه با ساختارهای آنالوگ-دیجیتال ترکیبی مرسوم برای اینگونه رادارها، نشاندهنده افزایش محدوده دینامیکی ورودی پردازنده رادار به حداقل dB 70، کاهش ابعاد و وزن آن به حدود یکپنجم و انعطافپذیری مناسب این پردازشگر برای یک رادار با فرکانس تکرار بالا است.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Electromyogram Signal Compression Based on Empirical-Mode-Decomposition-Based Approximation and DCT-Based Smoothingفشردهسازی سیگنالهای الکترومایوگرام مبتنی بر تقریب به کمک تجزیه حالت تجربی و هموارسازی به کمک تبدیل DCT8396918410.22034/jasp.2019.9184FAمریممگریدانشکده مهندسی برق و رباتیک، دانشگاه صنعتی شاهرود، شاهرود، ایرانهادیگرایلودانشکده مهندسی برق و رباتیک، دانشگاه صنعتی شاهرود، شاهرود، ایران0000-0002-3177-969XJournal Article20171116Electromyogram (EMG) signals are useful in muscle behavior assessment and have some clinical applications. Today, there is a great tendency to transmit and store long-term EMG recordings which implies the importance of EMG signal compression. In this paper, we have proposed an EMG signal compression approach based on Empirical-Mode-Decomposition-based signal approximation, Discrete-Cosine-Transform-based signal smoothing, two-dimensional signal processing, wavelet transform, and SPIHT coding. We have evaluated the compression performance of the proposed approach by two sets of measures: The compression throughput and clinical-information-preserving measures. The former include two measures of PRD and CF while the latter uses four spectral parameters as the appropriate measures.سیگنالهای الکترومایوگرام (EMG) ابزار مفیدی در ارزیابی رفتار ماهیچه بوده و کاربردهای کلینیکی بسیاری دارند. امروزه تمایل زیادی به انتقال و ذخیره طولانیمدت این سیگنالها وجود دارد. این مطلب اهمیت ذخیرهسازی مؤثر این سیگنالها را نشان میدهد. در این مقاله یک روش فشردهسازی سیگنالهای الکترومایوگرام مبتنی بر تقریب به کمک تجزیه حالت تجربی (EMD)، هموارسازی به کمک تبدیل DCT، دوبعدیسازی، تبدیل موجک و کدگذاری SPIHT پیشنهاد شده است. نقش روش EMD، تقریب و هموارسازی نسبی سیگنال و نیز فراهمآوردن قابلیت کنترل کیفیت سیگنال فشردهشده است. تبدیل DCT نیز بهمنظور هموارسازی سیگنال EMG و افزایش کارایی فشردهسازی استفادهشده است. سیگنال هموارشده، پس از دوبعدیسازی، بهکمک تبدیل موجک و کدگذاری SPIHT فشرده میشود. روش پیشنهادی بهکمک برخی معیارهای قدرت فشردهسازی (PRD و CF) و معیارهای قدرت حفظ اطلاعات کلینیکی (شامل چهار پارامتر طیفی) ارزیابی شده است.معاونت پژوهش و فناوری، دانشگاه تبریزپردازش سیگنال پیشرفته2676-33973120190522Farsi Speech Synthesis Using Pitch Frequency in Flite Softwareسنتز گفتار فارسی با استفاده از فرکانس گام در نرمافزار Flite97107918510.22034/jasp.2019.9185FAفاطمهنعیمیگروه مهندسی برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایرانوحیدقدسباشگاه پژوهشگران جوان و نخبگان، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایرانJournal Article20170806This survey introduces a model and the implementation of a speech synthesizer in Farsi language using Flite software. In this approach, the mean and the standard deviation of pitch frequency of each voiced phoneme are first calculated by a database of Farsi sentences (Fars Dat). Then, the changes of each phoneme of the desired phrase are inserted into the software through the calculation of a value. The main feature of this synthesizer is its ability to change text to speech within Farsi pronunciation and in Farsi dialect. At the end of this paper, the results of this algorithm are compared to the changes of pitch frequencies extracted from the database of Farsi sentences. Some examples of the sentences from the database are also synthesized using our proposed method on Flite Software. The value of MOS test for understandability, naturalness and good sounding of those sentences are 4.4, 4.2, and 4.6 for the training set, respectively, and 4.2, 4.1, and 4.3 for the test set, respectively.در این پژوهش، طراحی و پیادهسازی سنتز کننده گفتار به زبان فارسی با استفاده از نرمافزار Flite ارائه شده است. بدین طریق که ابتدا توسط پایگاه داده جملات فارسی فارسدات، میانگین و انحراف معیار فرکانس گام و بزرگترین فرکانس گام هر واج واکدار را بهدست میآوریم. سپس تغییرات هر واج عبارت موردنظر را از طریق محاسبه مقدار ارزش آن با توجه به فرمول ارائه شده پیشنهادی، در نرمافزار وارد میکنیم. ویژگی این سنتز کننده، تبدیل متن به گفتار با لهجه و تلفظ فارسی میباشد. در انتهای این مقاله، نتایج حاصل از اجرای الگوریتم پیشنهادی با منحنی فرکانسهای گام بهدست آمده توسط پایگاه داده جملات فارسی فارسدات، مقایسه شده است. همچنین، در این پژوهش چند نمونه از جملات زبان فارسی مربوط به پایگاه داده جملات فارسی فارسدات، با استفاده از روش پیشنهادی بر روی نرمافزار Flite، مورد سنتز قرارگرفته است. آزمونهای شنیداری، برای میزان قابلفهم بودن، طبیعی بودن و خوشایند بودن جملات مذکور انجام شده است که نتایج آنها برای جملات آموزش بهترتیب 4.4، 4.2 و 4.6 میباشد. همچنین برای جملات مجموعه آزمون، بهترتیب برابر 4.2، 4.1 و 4.3 میباشد.