اسپکتروگرام بر اساس تبدیل فوریه پنجره شده متداول ترین روش تحلیل زمان - فرکانس است که هنگام آنالیز سیگنال های غیرایستا با محدودیت رزولوشن مواجه است. توزیع ویگنرویل در هر دو حوزه زمان و فرکانس رزولوشن ماکزیمم دارد اما وجود ترم های تداخلی، بکارگیری این توزیع را محدود کرده است. توزیع MP بر اساس اتم های گوسی اولا همواره مثبت است، ترم تداخلی نداشته، و رزولوشن مناسب دارد. در این مقاله نشان داده ایم که علاوه بر ویژگی های گفته شده که برتری این روش آنالیز را نسبت به دو روش مذکور روشن می کند، توزیع زمان - فرکانس بر اساس تجزیه وفقی سیگنال در مقابل نویز افزوده شده به سیگنال نیز مقاوم است. مقاومت در برابر نویز از ویژگی های ذاتی این توزیع است. به عبارت دیگر بدون پرداخت هزینه و تنها با محدود کردن تعداد مراحل تکرار الگوریتم تجزیه وفقی موفق به حذف و یا کاهش نویز می شویم. علیرغم آنکه توزیع MP بر اساس اتم های گوسی همواره مثبت است و رزولوشن مناسبی دارد، اما از توزیع زمان - فرکانس بدست آمده نمی توان کناری زمانی و کناری فرکانسی را بدرستی استخراج نمود. در این مقاله نشان داده شده است که با بکارگیری تکنیک MCE با استفاده از توزیع MP بعنوان تابع توزیع مثبت اولیه، می توان به توزیع زمان - فرکانس جدیدی رسید که از یک طرف حداکثر شباهت را به توزیع MP داشته باشد و از طرف دیگر مقادیر درستی برای کناری زمانی و فرکانسی از آن استخراج شوند.

سابقه و هدف: اخیرا روش های هوشمند نظیر شبکه های عصبی مصنوعی به عنوان یک مدل کارآمد جهت پیش بینی و طبقه بندی تومورها مورد استفاده قرار گرفته اند. تشخیص خوش خیمی و یا بدخیمی توده های پستانی بر اساس خصوصیات مورفولوژیک، بالینی و دموگرافیک و بدون استفاده از روش های تهاجمی پاراکلینیکی بسیار با اهمیت است. هدف این پژوهش ارائه یک مدل شبکه عصبی برای پیش بینی وضعیت تومورهای پستان و مقایسه کارآمدی آن با مدل رایج رگرسیونی می باشد.مواد و روش ها: Wisconsin Breast Cancer Database به عنوان مجموعه داده ای این تحقیق، مورد استفاده قرار گرفته است. این مجموعه، از طریق نتایج سیتولوژی تومورهای ناحیه پستان 683 بیمار مختلف به دست آمده است. ویژگی هایی هم چون ضخامت توده، یکنواختی اندازه و شکل سلول و... به عنوان متغیرهای ورودی مدل پیشنهادی به کار رفته اند. از الگوریتم ژنتیک (GA) برای تعیین بهترین ساختار و نیز آموزش مدل شبکه عصبی چند لایه استفاده و پیاده سازی آن در نرم افزار MATLAB انجام گردیده است. کارایی مدل شبکه عصبی پیشنهادی با رگرسیون لجستیک مقایسه و برازش مدل رگرسیون لجستیک در نرم افزار SPSS انجام شده است. برای محاسبه دقیق کارایی مدل ها از تکنیک 5- fold CROSS VALIDATION استفاده شده است.یافته ها: نتایج نشان داد که GA توانایی تعیین بهترین ساختار برای یک شبکه چند لایه را دارد و شبکه را نیز به نحو مطلوب آموزش می دهد. بر اساس نتایج حاصله، پس از اجراهای مختلف، بهترین مدل شبکه عصبی با ساختار (NN (9-8-6-1 به دست آمد که دقت، حساسیت، ویژگی و سطح زیر منحنی ROC آن به طور میانگین به ترتیب 0.971، 0.988 و 0.962 و 0.9955 بود. ضمن آن که مقادیر همین پارامترها برای رگرسیون لجستیک به ترتیب 0.968، 0.975، 0.964 و 0.9954 به دست آمد.استنتاج: بدین ترتیب مدل شبکه عصبی به دست آمده می تواند در کنار روش های تشخیصی غیر تهاجمی معمول، به عنوان یک سیستم پشتیبان تشخیص با حساسیت و ویژگی بالا، جهت شناسایی تومورهای خوش خیم و بدخیم پستان مورد استفاده قرار گیرد.