اطلاعات مفید در انواع سیگنالهای مختلف اغلب توسط نقاط تکین آنها مانند لبه ها و قله ها حمل میشوند. مثالهایی از این سیگنالها شامل سیگنالهای رادار، سیگنالهای دیجیتال مخابراتی، سیگنالهای حیاتی (مثلا ECG و EEG و تصاویر پزشکی) میباشند. بنابر این یافتن موقعیت و محل این نقاط تکین یکی از مسائل اولیه مهم و مشترک در اغلب زمینه های پردازش سیگنال و تصویر محسوب میشود. در این مقاله روشی چند مقیاسی برای پردازش و یافتن نقاط تکین یک سیگنال ارائه گردیده که در آن اطلاعات موجود در مقیاسهای مختلف به روشی نوین و بصورت فازی با هم ترکیب میگردند. ابتدا نمایش چند مقیاسی سیگنال ورودی با استفاده از تبدیل موجک گسسته حاصل میشود. سپس با تعریف توابع فازی کننده مناسبی که در هر مورد از نقاط تکین (لبه یا قله) متفاوت است، اطلاعات موجود در هر مقیاس از سیگنال به زیر مجموعه ای فازی از فضای سیگنال تبدیل میگردد. زیر مجموعه های فازی مذکور بیان میکنند که هر نقطه از فضای سیگنال تا چه درجه ای میتواند با یک نقطه تکین متقارن باشد. در نهایت با استفاده از اپراتورهای فازی و با ترکیب اطلاعات موجود در زیر مجموعه های فازی مربوط به مقیاسهای مختلف از سیگنال، نقاطی که بیشترین درجه تقارن با نقاط تکین را داشته باشند استخراج میگردند. برتری روش پیشنهادی با اعمال آن به گروهی از سیگنالهای ساختگی و سیگنالهای واقعی نسبت به روشهای مرسوم نشان داده شده است.

درعصر امروزی سیستم های امنیتی بسیاری اعم از اثر انگشت، اسکنر چشم، گذرواژه، پین و. . . وجود دارند که به نوبه ی خود دارای اهمیت خاصی می باشند. هدف این مقاله طراحی یک سیستم امنیتی می باشد که دارای امینت بیشتری نسبت به سایر رقبای خود است و توسط سیگنال های مغزی کنترل می شود و مزایای این سیستم پیشنهادی به طور کامل ارائه خواهد شد. در مغز انسان هر فعالیت دارای یک سیگنال خاص می باشد و در این مقاله راهکاری برای طراحی سیستم امنیتی جدید و نوین که با سیگنال مغزی کنترل می شود ارائه شده است. از آنجایی که سینگال های مغزی افراد در یک عمل هماهنگ باهم متفاوت است، باعث بالا رفتن امنیت این سیستم می شود. درسیستم های امنیتی دیگر برای مثال در سیستم امنیتی اثر انگشت ابتدا فرد اثر انگشت خود را به عنوان شاخص به سیستم معرفی می کند و در این طرح پیشنهادی نیز ابتدا یک سیگنال خاص مانند فکر کردن به یک تصویر به عنوان شاخص به سیستم معرفی می شود و برای غیر فعال کردن سیستم امنیتی کافیست که به همان تصویر تفکر شود تا همان سیگنال خاص دریافت شود. تمامی افراد حتی کسانی که دارای نقص عضو می باشند می توانند از این سیستم بهره ببرند.

تحقیقات نشان می دهد که اعمال انسان نتیجه عملکرد نورونی داخل مغز وی است. بازخورد این عملکرد بصورت سیگنال ساطع شده از سطح جمجمه قابل دریافت و پردازش است. دریافت و ثبت سیگنال های مغزی توسط دستگاه EEG قابل انجام است. محققان از شیوه های گوناگونی در راستای اخذ و پیش پردازش سیگنال، استخراج و کاهش ویژگی و انواع طبقه بندی کننده ها در پژوهش های مختلف استفاده کرده اند. با توجه به مطالعات جمع آوری شده از پایگاه های علمی داخلی و خارجی که توسط پژوهشگران ایرانی تا سال 1394 در زمینه پردازش سیگنال مغزی انجام گرفته است، مشخص گردیدکه بیشتر پژوهش ها در بخش های پزشکی و ارتباط مغز با رایانه صورت گرفته و نیز نمونه گیری و اخذ سیگنال از ناحیه مرکزی سطح جمجمه بیشتر مورد استفاده قرار گرفته است و در میان انواع مختلف روش های استخراج ویژگی و کاهش آن، روش آماری برای استخراج ویژگی و روش گزینشی برای کاهش آن استفاده شده است. در نهایت ماشین بردار پشتیبان بیشترین استفاده را در طبقه بندی کننده های سیگنال مغزی داشته است. در انتها با درنظر گرفتن فراوانی روش های استفاده شده در مراحل پردازش سیگنال مغز در بخش پزشکی، بر روی تشخیص اضطراب و افسردگی پنجاه سوژه، پژوهشی صورت گرفت و نتیجه با دقت 97 درصد حاصل گردید.

شکل دهی پرتو یکی از مهم ترین بلوک های پردازش سیگنال آرایه ای در سونار می باشد که به دلیل ماهیت محیط و شرایط کاری، نیازمند بهره گیری از روش های وفقی و مقاوم است تا بتواند مشخصات مناسبی در خروجی شکل دهنده پرتو ارائه دهد. در مقاله حاضر، به بررسی و تحلیل آخرین روش های شکل دهی پرتو وفقی و مقاوم مانند روش های تغییر ماتریس کوواریانس بهبودیافته، پرداخته شده و در نهایت به کمک شبیه سازی در سناریوهای متفاوت و شرایط مختلف کاری شامل خطا در بردار نگاه آرایه، اختلال بهره و فاز سنسورها، محیط های پرنویز و وجود تداخل های قوی، توانمندی و قابلیت های آنها ارائه گردیده است و مورد ارزیابی قرار گرفته اند. نتایج به دست آمده نشان می دهد روش های Diagonal Loading، LCMV و LCMV mod در حالات مختلف از کارآیی مناسب برخوردار نیستند و روش های CMR و ESB در حضور خطای بردار نگاه، تداخل قوی و نویز محیطی زیاد و وجود اختلال در میزان بهره و فاز، از عملکرد مناسبتری برخوردار می باشد.

مدولاسیون پالس کد تفاضلی یا DPCM، نقش مهمی را در سیستم های مخابراتی ایفا می کند. در این مقاله بر اساس مطالعه نظری به عمل آمده در شبیه سازی سیستم DPCM، طراحی درجه پیشگوکننده و کوانتایزر بهینه به نحو مطلوبی انجام گرفته است. به جای کدگذاری مستقیم سیگنال، سیستم DPCM تفاضل بین سیگنال ورودی و سیگنال خروجی پیشگو را کدگذاری می کند. اختلاف حاصله از دو سیگنال، از نظر مقدار خیلی کوچک بوده و با تعداد بیت های کمتری می تواند کوانتایزه شود. در طراحی پیشگو، الگوریتم لوینسن - درباین و در تعیین سطوح کوانتایزر، روش کلاسیک و روش لوید به کار گرفته شده است. در عمل هر کدام از روش های به کار رفته از ویژگی های متفاوتی برخوردار می باشند.  DPCMطراحی شده دارای کمترین تعداد بیت های لازم برای انتقال داده های ECG می باشد. در این مطالعه از طریق کوانتایزر دوبیتی در حالت عادی و سه بیتی در حالت کوانتایزر بهینه و پیشگوی درجه 2، نتیجه مطلوبی در پردازش سیگنال ECG حاصل شده است.

بیماری‏های قلبی از شایع ترین و اصلی ترین عوامل مرگ و میر در جهان هستند بنابراین تشخیص زود هنگام ان می‏تواند در حفظ سلامت و طول عمر افراد بسیار مهم باشد. نظارت قلبی و عروق به طور مکرر در معاینه بیماری‏های قلبی و عروقی و درمان بیماری‏های مزمن اهمیت دارد. بیماری‏های مربوط به قلب با شرایط زندگی مانند بیماری عروقی کرونر و فشار خون بالا بسیار پیچیده تر می شوند. اگر شرایط قلبی در بلندمدت و بلادرنگ معاینه نشود، ممکن است منجر به بماری ناگهانی قلب شود. وقتی درمان به تأخیر بیفتد و زمان برای درمان مطلوب از دست برود، این امر حتی ممکن است باعث عواقب غیر قابل پیش بینی و مرگباری بشود. همان طور که شنیدن صدای قلب یکی از اساسی ترین راه‏ها برای ارزیابی عملکرد قلب است، یک گوشی پزشکی می تواند برای شنیدن صدای تنفس و صدای قلب استفاده شود و بیشتر اختلالات قلبی و سایر بیماری‏ها را تشخیص دهد. همچنین گوشی‏های پزشکی می توانند به عنوان یک سنسور برای معاینه ی فیزیولوژیکی استفاده شوند. علاوه بر این می تواند انواع سیگنال‏های صوتی از قبیل صداهای قلب را با استفاده از گوشی پزشکی میکروفونی و الکترونیکی ضبط کند. بنابراین سعی شد یک سیستم گوشی پزشکی مبتنی بر گوشی هوشمند توسعه دهیم که بتواند صدای قلب را ضبط کرده و میزان ضربان قلب را از صداها محاسبه کند.

بیماری های قلبی-عروقی یکی از اصلی ترین عامل مرگ ومیر در جهان هستند و پایش مداوم و غیرتهاجمی شاخص های قلبی برای تشخیص زودهنگام و مدیریت این بیماری ها حیاتی است. سیگنال بالیستوکاردیوگرافی (BCG)، که بازتابی از نیروهای مکانیکی ناشی از فعالیت قلبی است، پتانسیل بالایی برای پایش سلامت قلب در محیط های روزمره و بدون نیاز به اتصال الکترود به بدن را فراهم می کند. با این حال، ماهیت پیچیده و حساس به نویز این سیگنال، استخراج دقیق پارامترهای کلیدی مانند فواصل ضربان به ضربان (IBI) را به یک چالش تبدیل کرده است. هدف اصلی این پژوهش، ارزیابی جامع پنج رویکرد متفاوت پردازش سیگنال و یادگیری عمیق برای استخراج دقیق IBI از سیگنال BCG و اعتبارسنجی آن ها با سیگنال مرجع الکتروکاردیوگرام (ECG) است. بدین منظور، از یک مجموعه داده عمومی شامل سیگنال های همزمان BCG و ECG از 40 شرکت کننده استفاده شد. در این مطالعه روش های تخمین گر فاصله ای محلی پیوسته (CLIE)، روش CLIE با پنجره تطبیقی، شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی کانولوشنال (CNN) و شبکه عصبی حافظه طولانی کوتاه مدت دوطرفه (BiLSTM) ارزیابی شده است. نتایج ارزیابی با استفاده از معیارهای میانگین خطای مطلق (MAE)، صدک 95 خطا و ضریب همبستگی نشان داد که روش CLIE با MAE برابر با 7/28 میلی ثانیه و بالاترین ضریب همبستگی (77/0) بهترین عملکرد کلی را در دقت تخمین IBI داشته است. از سوی دیگر، روش BiLSTM با وجود خطای میانگین کمی بالاتر (1/40 میلی ثانیه)، با ثبت کمترین مقدار برای صدک 95 خطا (5/9٪)، پایداری و قابلیت اطمینان بالایی در کنترل خطاهای بزرگ از خود نشان داد. روش های MLP و CNN عملکردی متوسط و روش پنجره تطبیقی ضعیف ترین عملکرد را داشتند. یافته های این تحقیق نشان می دهد که استخراج دقیق IBI از سیگنال BCG امری امکان پذیر است و روش های CLIE و BiLSTM به ترتیب به دلیل دقت بالا و پایداری مناسب، گزینه های امیدوارکننده ای برای توسعه سیستم های پایش سلامت هوشمند و خانگی هستند.