پاورپوینت در مورد فشار عصبی ناشی از کار

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 19 اسلاید

 قسمتی از متن .ppt : 

 فشار عصبی ناشی از کار

مقدمه:

فشار عصبی یا استرس در زندگی روزمره ما بطور فراوان مشاهده می شود نگرانی افراد نسبت به کار ، خانواده ، مشکلات اجتماعی ، اقتصادی ، نیاز های گوناگون ، توقع سازمان از کارکنان ، مشکلات مدیریت وتوقعات کارکنان و... موجب می گردد افراد از لحظه بیداری تا هنگام خواب همواره دچار هیجانها ، تنشها ،بیم ها وامیدهای گوناگون باشند که برخی اوقات با ظرفیت بدنی آنها متناسب وگاه با آن متناسب نیست .

این تنش ها می تواند به ناراحتی های جسمی نظیر زخم معده ، فشار خون بیماریهای قلبی و... بینجامد . همچنین ممکن است منجر به پیامدهایی مانند سردرد ، تاریکی دید ، آشفتگی ذهن ، منفی گرایی ،پریشان گویی ، افسردگی ، بی خوابی وناراحتی های عصبی وروانی گردد.

در این مقاله با تعریف فشار عصبی ومراحل آن عوارض وپیامهای ناشی از آن وراههای مقابله با آن از طریق فرد وسازمان آشنا می شویم .

تعریف فشار عصبی

تعاریف مختلفی در باره فشار عصبی ، استرس ، فشار روانی وتنش ارائه شده است که زمینه مشترک همه تعاریف این است که علت ایجاد فشار عصبی وجود محرکی بصورت فیزیکی یا روانی است ، وفرد بطریقی خاص نسبت به آن عکس العمل نشان میدهد.

در این مقاله فشار عصبی عبارت است از عکس العمل فرد برای سازگاری نسبت محرکی که بصورت فیزیکی یا روانی الزامات گسترده ای را برای او بوجود آورده است .

فشار عصبی وفرد

دکتر هانس سلیه نشانه های (سندرم ) سازگاری عمومی ونظریه فشار عصبی خوب وبد را مطرح ساخت . طبق این نظریه هر یک از انسانها در سطح معمولی در برابر حوادثی که فشار عصبی همراه دارند از خود مقاومت نشان میدهند . بعضی از اشخاص می توانند تا حد زیادی در برابر فشار عصبی بردبار باشند ، وبرخی دیگر فاقد تحمل هستند در هر حال هر یک از افراد بشر دارای مرزی هستند که از آن به بعد فشار عصبی شروع به اثرگذاری می کند .

بر اساس نظریه دکتر سلیه سندرم سازگاری شامل سه مرحله است .

1 - مرحله اخطار

2 - مرحله مقاومت

3- مرحله واماندگی یا تحلیل رفتگی

مقاله. پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .

این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .

اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .

از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .

این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .

با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .

همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

تحقیق: پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .

این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .

اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .

از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .

این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .

با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .

همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

تحقیق درباره. پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .

این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .

اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .

از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .

این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .

با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .

همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

تحقیق در مورد دستگاه عصبی یا سیستم

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل :  .doc ( قابل ویرایش و آماده پرینت )

تعداد صفحه : 5 صفحه

 قسمتی از متن .doc : 

مقدمه

دستگاه عصبی با داشتن نورونها ، هدایت تحریکات را به عهده دارد. تحریکات را حس می‌کند به مغز می‌فرستد در مقابل بخش تحریک شده که تحریک را حس کرده است واکنش نشان می‌دهد. این تحریکات اکثر اوقات از طریق نورونهای واسط صورت می‌گیرد. زیرا به ندرت یک نورون بسیار بلند در بدن یافت می‌شود. تحریکات باعث تولید مواد شیمیایی می‌شوند، این واسطه‌های شیمیایی از راس انشعابات انتهایی اکسون و دندریت که غالب اندامکهای جسم سلولی را دارا هستند، تولید می‌شوند.

پرده‌های مغز و نخاع

سطح بیرونی مغز و نخاع توسط سه پرده یا شامه پوشیده شده است پرده بیرونی سخت شامه ، میانی عنکبوتیه و درونی نرم شامه نامیده می‌شود. سطح بیرونی پرده‌ها بوسیله مزوتلیوم پوشیده شده است.

نخاع

نخاع رابط مغز و قسمتهای دیگر بدن است اعصاب در فواصل معین به نخاع وارد و یا از آن خارج می‌شوند. اعصاب حسی از طریق ریشه‌های پشتی وارد نخاع می‌شوند اعصاب حرکتی ریشه‌های شکمی نخاع را ترک می‌کنند. دو ریشه پشتی و شکمی به هم متصل شده و اعصاب نخاعی را می‌سازند.

مقطع نخاع

مقطع نخاع دارای دو بخش خاکستری و سفید است بخش خاکستری تقریبا به شکل H در وسط نخاع قرار دارد. این بخش غالبا جسم سلولی و دندریت نورونهای فاقد میلین را در خود جای داده است. بخش خاکستری توسط بخش سفید با ستونهای شکمی ، جانبی و پشتی احاطه شده است. این ستونها دارای اعصاب میلین‌دار هستند. رنگ سفید این بخش به خاطر وجود میلین است ستونهای بخش سفید دارای رشته‌های بدون میلین هستند. بازوهای H به نام شاخهای پشتی و شکمی نخاع خوانده می‌شوند. شاخهای پشتی را آوران یا حسی و شاخهای شکمی را وابران یا حرکتی می‌نامند.

اعمال حرکتی نخاع

در نخاع بین سلولهای حسی و حرکتی تعداد زیادی ارتباطات چند نورونی وجود دارد که فعالیت آنها یا باعث آغاز حرکت و یا ممانعت از آن می‌شود این ارتباطات اساس رفلکسهای نخاعی است.حرکت رفلکسی به عنوان پاسخی در قبال تحریک حسی است. از نخاع ، 31 جفت عصب خارج می‌شود که بطور قرینه به اندامهای مختلف چپ و راست بدن می‌روند. محل خروج این اعصاب از فاصله بین مهره‌ها است. هر عصب دارای دو ریشه پشتی و شکمی است در مسیر ریشه پشتی یک گره عصبی هم وجود دارد که جسم سلولی نورونهای حسی در آن واقع است. ریشه شکمی نخاعی ، حرکتی است و رشته‌هایی که در آن قرار دارند فرمانها را از نخاع به طرف ماهیچه‌ها یا غده‌های بدن می برند. جسم سلولی مرتبط با این رشته‌ها در ماده خاکستری نخاع واقع است.

مغز

مغز بخشی از دستگاه عصبی مرکزی است که در بالای نخاع و درون جمجمه جای دارد این بخش از پایین به بالا شامل پیاز نخاع ، پل مغزی و مخچه ، مغز میانی ، مغز واسطه‌ای و نیمکره‌های مخ است.

نیمکره‌های مخ

دو نیمکره مخ توسط پلی از ماده سفید به نام جسم پینه‌ای بهم مربوطند. هر نیمکره با دو بخش سفید در وسط و خاکستری در قشر مشخص شده است. بخش خاکستری به ضخامت 3 - 2 میلیمتر این قسمت مخ را تشکیل می‌دهد. انواع نورونهایی که در قشر مخ وجود دارند عبارتند از: سلولهای افقی یا کانال ، هرمی ، ستاره‌ای یا دانه‌ای ، دوکی و چند شکلی. هر قسمت از قشر خاکستری مخ کار ویژه‌ای را برعهده دارد. مراکز مربوط به دریافت و تفسیر اطلاعات رسیده از اندامهای حسی مختلف مانند چشم و گوش و پوست در این قسمت واقع است. بخشی از قشر خاکستری مخ هم مرکز حرکات ارادی است.

مخچه

مخچه که تعادل بدن را حفظ می‌کند دارای بخش خاکستری در قشر و بخش سفید در مرکز است. قشر مخچه دارای سه طبقه است: طبقه ذره‌ای در بیرون ، دانه‌ای در درون ، و پورکنژ در وسط. مخچه بوسیله سه جفت پایک که شامل دسته‌هایی از تارهای عصبی می‌باشند با مغز میانی ارتباط برقرار می‌کند. در مرکز مخچه ، هسته‌های مرکزی مخچه قرار دارند. این هسته‌ها از جنس بخش خاکستری هستند که بوسیله بخش سفید احاطه شده است.

هسته‌های مرکزی مخچه از بیرون به درون عبارتند از: هسته دانه‌دار ، هسته سه گوش ، هسته مدور ، هسته فاسیتژیال که هر یک در درون دیگری قرار دارد. مخچه در کار کنترل فعالیتهای ماهیچه‌ای به مخ کمک می‌کنند. پیامهای حرکتی که از مخ به اندامها می‌رود. توسط مخچه ، تقویت و هماهنگ می‌شوند. برای کار چشمها و گوش داخلی وضعیت بدن را به مخچه خبر می‌دهند. در کل کارهای که مخچه انجام می‌دهد همگی غیر ارادی هستند.

دستگاه عصبی

دستگاه عصبی یا سیستم ‌عصبی یا سامانۀ عصبی ( Nervous System ) در بدن جانوران به هماهنگی فعالیت‌های ماهیچه‌ها پرداخته، اعضاء گوناگون را تحت نظارت درآورده، و ایجاد و توقّف ورودی‌های مربوط به حواس مختلف را باعث می‌شود. وظیفه کنترل اعمال بدن بر عهدۀ دو سیستم اعصاب و غدد داخلی می‌باشد، که از این میان، دستگاه عصبی، که از سلول‌های عصبی و سلولهای نگهبان تشکیل شده است، سلولهای عصبی (نورون‌ها) وظیفۀ تولید و هدایت پالس‌های الکتروشیمیایی را بر عهده داشته و سلولهای نگهبان وظیفه حمایت از سلولهای عصبی را بر عهده دارند.

تقسیم بندی سیستم عصبی

تقسیم بندی سیستم عصبی معملا بر اساس دو مبنای اناتومیکی و عملکردی صورت می گیرد. الف- از لحاظ آناتومی: دستگاه عصبی را از لحاظ کالبدشناختی به دو بخش تقسیم می نمایند،که عبارتند از: الف-الف-دستگاه عصبی مرکزی( Central Nervous System ): دستگاه عصبی مرکزی از مغز و نخاع تشکیل گردیده است. الف-ب-دستگاه عصبی محیطی( Peripheral Nervous System ): دستگاه عصبی محیطی از12 جفت اعصاب مغزی و 31 جفت اعصاب نخاع تشکیل گردیده است. ب- از لحاظ عملکردی: دستگاه عصبی را از لحاظ عملکردی به دو بخش تقسیم می نمایند، که عبارتند از: ب-الف-دستگاه عصبی مرکزی( Somatic Nervous System ): سیستم اعصاب پیکری ، بخش ارادی سیستم اعصاب بوده و به عضلات مختطط اسکلتی و همچنین عضلا زبان عصب دهی می نماید ب-ب-دستگاه عصبی محیطی( Autonomic Nervous System ): سیستم اعصاب خودکار همانطور که از نام آن مشخص است ، سیستم کاملا غیر ارادی بوده که بر اعمال احشاء داخلی بدن ، غدد و ..... نظارت دارد و شامل دو گروه اعصاب سمپاتیک (Nerve Sympathetic ) و پاراسمپاتیک(Nerve Para Sympathetic ) می باشد. جنین شناسی