حذف نویز EEG مبتنی بر شبکه های عصبی

ثبت الکتروانسفالوگرام (EEG) اغلب با تداخل انواع مختلف نویز، از جمله سفید و عضلانی مواجه می شود که کاربرد آن را به شدت محدود می کند. شبکه های عصبی مصنوعی (ANN) ابزار موثر و قدرتمندی برای حذف تداخل از EEG هستند، اما کیفیت جداسازی به شدت به نوع و درجه آلودگی بستگی دارد. چندین روش توسعه داده شده است، اما به نظر می رسد ANN ها برای کاهش آلودگی عضلانی موثرترین هستند، به خصوص زمانی که آلودگی از نظر دامنه بیشتر از سیگنال مغزی باشد. ما ANN را به عنوان فیلتری برای ثبت های EEG پیشنهاد می کنیم، و یک چارچوب جدید برای بررسی و مقایسه عملکرد نسبی یک ANN که شامل ثبت های EEG واقعی از خدمات نوروفیزیولوژی بالینی در بیمارستان Virgen de la Luz در کوئنکا (اسپانیا) است، ایجاد می کنیم. این روش بر اساس یک ANN در حال رشد است که تعداد گره ها در لایه پنهان و ماتریس های ضریب را بهینه می کند، که با روش اغتشاش همزمان بهینه شده اند. ANN، نتایج به دست آمده با تکنیک های فیلترینگ EEG مرسوم را بهبود بخشید: موجک، تجزیه مقدار منفرد، تجزیه و تحلیل مولفه های اصلی، فیلتر تطبیقی ​​و تجزیه و تحلیل مولفه های مستقل. سیستم در محدوده وسیعی از سیگنال های EEG که نویز در آن اضافه شده بود، ارزیابی شد. مطالعه حاضر روشی را برای کاهش تمام سیگنال های تداخل EEG با اعوجاج کم EEG و کاهش نویز بالا معرفی می کند.

کلیدواژه ها:

الکتروانسفالوگرام ، نویز ، شبکه های عصبی