مقدمه: هدف از این مطالعه تعیین پیش آگهی تیزبینی و حساسیت کانتراست قبل و بعد از لنز تماسی سخت در بیماران کراتوکونوس با توجه به همبستگی میان تغییرات ابیراهی ها و تغیییرات وضعیت بینایی می باشد.

مواد و روش ها: تعداد 40 چشم کراتوکونوس با میزان خفیف و متوسط از بیست فرد بین سن 20 تا 40 سال مورد مطالعه قرار گرفتند. در بیماران معاینات چشمی شامل گرفتن دید، رفرکشن ابجکتیو و سابجکتیو، اندازه گیری حساسیت کنتراست بصورت تک چشمی قبل و بعد از فیت لنز تماسی با استفاده از تست CSV_1000 E صورت گرفت. در هر دو گروه کراتوکونوس با دستگاه ابرومترTECHNOLAS(بوش اند لمب) میزان ابیراهی ها اندازه گیری شد .نتایج با استفاده از تستهای آماری مربوطه بررسی و آنالیز گردید.

یافته ها: میانگین حساسیت کنتراست در همه فرکانس های فضایی با لنز سخت بالاتر از بهترین کارکشن بود. میانگین ابیراهی ها ی درجه بالا هم با مردمک 5 میلیمتر و هم با 6 میلیمتربا لنز سخت نسبت به حالت بدون لنز کاهش پیدا کرده بود.میانگین ابیراهی ها با مردمک 6mm بیشتر از مردمک 5mm بود. در بررسی توسط آزمون همبستگی پیرسون ارتباط معنی داری میان تغییرات دید و تغییرات حساسیت کنتراست با تغییرات ابیراهی های رده بالا وجود نداشت.

نتیجه گیری: عملکرد بینایی و تیزبینی با فیت کردن لنز تماسی RGP از طریق کاهش ابیراهی های درجه بالا نسبت به عینک کاهش یافت. وضعیت ابرومتری ارتباطی با پیش بینی تغییرات وضعیت بینایی در بیماران مبتلا به کراتوکونوس نداشت.

زمینه و هدف: سیگنال الکتروکاردیوگرام (ECG) نمایشی گرافیکی از فعالیت قلبی است. پردازش و تحلیل تغییرات مورفولوژیکی آن می‌تواند به تشخیص بصری بسیاری از بیماری‌های قلبی کمک کند. با این وجود، انواع نویز واغتشاش در سیگنال ECG تشخیص بصری و استخراج ویژگی از آن را به شدت تحت تاثیر قرار می‌دهد. هدف از این پژوهش، حذف نویزهای مختلف سیگنال ECG و بهبود کیفیت آن می‌باشد.

مواد و روش‌ها: در این پژوهش، فیلتر تطبیقی کالمن بر اساس مدل بیزین استنتاج شد. با در نظر گرفتن ساده سازی‌های صورت گرفته و توزیع گوسی برای نویز اندازه‌گیری، روابط ریاضی پیچیده به روابط ساده تبدیل شد و در نتیجه پیاده سازی آسان گشت.

یافته‌ها: در این مقاله، نسبت سیگنال به نویز (SNR) با استفاده از طراحی فیلتر تطبیقی کالمن به میزان 21.46dB افزایش یافت. فیلتر تطبیقی کالمن با استنتاج از چارچوب بیزین قادر است تغییرات دینامیکی سیگنال ECG را با استفاده از تخمین ماتریس کوواریانس نویز اندازه‌گیری مدل سازی کند.

نتیجه‌گیری: برخلاف فیلترهای کالمنی که سیگنال ECG را بر اساس توابع پارامتری مدل سازی می کنند، فیلتر تطبیقی کالمن ارائه شده در این مقاله، ثبت‌های ECG واقعی را برای مدل سازی به کارگرفته است. توابع پارامتری که بتوانند تغییرات دینامیکی ECG را مدل‌سازی کنند نیازمند تعداد زیادی توابع تحلیلی هستند و این باعث کندشدن فرایند فیلترینگ می‌گردد. اما فیلتر تطبیقی کالمن ارائه شده در این پژوهش از سرعت بالایی برخوردار بوده و می‌تواند در کاربردهای زمان واقعی به کار گرفته شود.