ویژگی های طیفی

یکی از مهم ترین دلایل خشکی چرم های تاریخی، تخریب چربی آزاد موجود در ساختار آنهاست، که کمتر مورد مطالعه قرار گرفته است. ازاین رو شناخت فرایند تخریب چربی چرم، به عنوان یکی از ترکیبات مهم افزودنی در فرایند فرآوری چرم، با هدف درک هرچه بهتر آسیب های وارده به آثار چرمی که زمینه ساز انتخاب راه کار صحیح برخورد با آثار است، اهمیت و ضرورت می یابد. لذا در این پژوهش، چربی آزاد موجود در 7 نمونه چرم مورد استفاده در ساخت یک مشک منسوب به دوره سلجوقی و مکشوفه از محوطه تاریخی قلعه کوه قاین، با هدف ارزیابی تخریب آنها، بررسی شد. دراین راستا، پس از استخراج چربی آزاد نمونه های تاریخی با استفاده از حلال دی کلرو متان در دستگاه سوکسله، مطالعه ساختاری به روش طیف بینی انعکاس کل تضعیف شده تبدیل فوریه مادون قرمز (ATR-FTIR)، انجام گرفت. این روش باتوجه به مشخص کردن ویژگی های ساختاری و مولکولی چربی براساس ارتعاش مولکولی پیوندهای موجود در ساختار آن، جهت ارزیابی ویژگی های ساختاری و تغییرات آن، مفید است. پیه گوسفند نیز، به منظور مقایسه طیف مادون قرمز آن، با چربی نمونه ها، بررسی شد. براساس نتایج حاصل، تمام نمونه ها اکسید شده بودند و این آسیب منجر به تغییر در ساختار چربی و تشکیل محصولات ثانویه اکسیداسیون شامل ترکیبات کتونی، آلدهیدی، الکلی و اسید کربوکسیلیک گردیده بود. در برخی نمونه ها، علاوه بر اکسیداسیون، نیتراته و سولفاته شدن چربی ها نیز مشهود بود. براین اساس، یکی از مهم ترین دلایل تشدید خشکی نمونه های چرم مورد مطالعه، اکسیداسیون و تخریب چربی آزاد آنها بود. ازطرفی محصولات اکسیداسیون چربی، در تخریب ساختار پروتئینی چرم نیز دخیل هستند و گسترش آسیب های آن را درپی دارند.

مقدمه: از میان تکنیک های نقشه برداری مغزی، الکتروانسفالوگرافی کمی با کاربری آسان تر جهت بررسی اختلالات روان پزشکی از جمله اختلال وسواسی_جبری مورد اقبال واقع شده است. ویژگی های طیفی، نمایان گر توزیع قدرت سیگنال در باند های فرکانسی مختلف سیگنال الکتروانسفالوگرافی کمی می باشند و می توانند تفاوت فعالیت عصبی نواحی مختلف را که شاید زمینه ساز بیماری باشند مشخص کنند. در این مطالعه با استفاده از ویژگی های طیفی دخیل در اختلال وسواسی_جبری که بر اساس مطالعات گذشته شناخته شده است را بررسی کرده و به عنوان ورودی داده ها به عملکرد الگوریتم پیشنهادی عملکرد بررسی کردیم. روش کار: این مطالعه یک مطالعه مقطعی_تحلیلی بود. سیگنال های الکتروانسفالوگرافی در حالت استراحت از افراد دارای اختلال و سالم در شرایط چشم بسته به دست آمد. این روش با استفاده از کلاهک ۲۱ کاناله انجام شد. پس از حذف نویز با روش ICA ویژگی های طیفی محاسبه و پس از افزایش داده ها از طریق تقسیم الکتروانسفالوگرام به سیگنال های یک دقیقه ای، به عنوان ورودی ماشین یادگیری استفاده شد. همچنین با استفاده از آزمون های آماری این ویژگی ها بین دو گروه سالم و افراد دارای اختلال مقایسه شد. یافته ها: ۴۲ فرد وارد مطالعه شدند که ۲۷ نفر دارای اختلال و ۱۴ نفر سالم بودند. مشخص شد که هیچ یک از ویژگی های استخراج شده بین دو گروه اختلاف معناداری نداشتند. حساسیت ارایه شده توسط الگوریتم یادگیری ماشین 83/3 درصد، اختصاصیت ۸۰ درصد، دقت 82/1 درصد و نرخ نسبت یافتن غلط (FDR) 11/7 درصد به دست آمد. نتیجه گیری: برخلاف مطالعات قبل اغلب ویژگی های طیفی به جز یک مورد (بتای ناحیه پیشانی) اختلاف معناداری نداشتند. الگوریتم یادگیری ماشین با دقت 82/1 درصد توانست افراد مبتلا را تشخیص دهد. این عملکرد قابل قبول و مشابه عملکرد دیگر الگوریتم ها با ویژگی های غیر طیفی و روش های تصویربرداری دیگر بود.