معیاری نوین برای رتبه بندی مقاومت تخمین گرهای ارتباطات کانال های EEG/MEG در مقابل آرتیفکت هدایت حجمی

سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 13

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBM-8-1_001

تاریخ نمایه سازی: 20 اسفند 1404

چکیده مقاله:

در دادههای EEG/MEG، ﺁرتیفکت هدایت حجمی به صورت ترکیب خطی لحظهای فعالیت منابع مغزی در کانالها مشاهده میشود. یکی از ویژگیهای مهم تخمینگرهای ایدهﺁل ارتباطات مغزی، مﻘاومت به ﺁرتیفکت هدایت حجمی است؛ یعنی هدایت حجمی منابع مغزی مستﻘل هرگز نباید منجر به تخمین ارتباطات معنیداری بین کانالهای EEG/MEG شود. تاکنون هیچ معیاری برای مﻘایسه سطح مﻘاومت تخمینگرهای مختلف ارتباطات مغزی در مﻘابل ﺁرتیفکت هدایت حجمی در کاربردهای واقعی ارایه نشده است. در این مﻘاله، معیاری با عنوان شاخص مﻘاومت (RI) برای بررسی سطح مﻘاومت تخمینگرها به ارتباطات بین کانالی که با ترکیب خطی لحظهای مولفههای شبه- مستﻘل قابل مدلسازی هستند؛ ارایه میشود. با توجه به ماهیت ترکیب خطی لحظهای ﺁثار هدایت حجمی، انتظار میرود RI بتواند تخمینگرهای ارتباطات مغزی را سازگار با سطح مﻘاومت ﺁنها به ﺁرتیفکت هدایت حجمی رتبهبندی کند. در ادامه، از RI برای رتبهبندی هفت تخمینگر ارتباطات کارکردی مغزی، استفاده میشود؛ که عبارتند از: اندازه ضریب همبستگی پیرسون (CC)، اطلاعات متﻘابل (MI)، مجذور اندازه کوهرنس (Coh)، مﻘدار قفلشدگی فاز (۱:۱) ((۱:۱)PLV)، اندازه جزﺀ موهومی کوهرنسی (ImC)، شاخص تاخیر فاز (PLI) و شاخص تاخیر فاز وزندار (WPLI). نتایج برای دادههای شبیهسازی شده و سیگنالهای واقعی EEG نشان میدهند که تخمینگرهایی که از لحاظ تیوری به ﺁرتیفکت بالاترین رتبهها را دارند. هدایت حجمی مﻘاوم هستند (ImC، PLI و WPLI) مﻘادیر RI نزدیک %۱۰۰ میدهند و مطابق انتظار همچنین، برای دادههای شبیهسازی که ﺁثار هدایت حجمی و منابع مغزی مشخص است، رتبهبندی تخمینگرها با RI سازگار با سطح مﻘاومت ﺁنها نسبت به ﺁرتیفکت هدایت حجمی است. این امر امکان استفاده از RI را برای رتبهبندی سطح مﻘاومت تخمینگرها به ﺁرتیفکت هدایت حجمی برای دادههای واقعی EEG/MEG تایید میکند.

نویسندگان

علی خادم

دانشجوی دکتری، گروه مهندسی پزشکی، قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، پردیس دانشکدههای فنی، دانشگاه تهران

غلامعلی حسین زاده

دانشیار، گروه مهندسی پزشکی، قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، پردیس دانشکدههای فنی، دانشگاه تهران، - پژوهشکده علوم شناختی، پژوهشگاه دانشهای بنیادی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • O. Sporns, and G. Tononi, “Structural determinants of functional brain ...
  • G. Rippon, J. Brock, C. Brown, and J. Boucher, “Disordered ...
  • J. R. Hughes, “Autism: The first firm finding = underconnectivity?,” ...
  • W. De Haan, W. M. Van Der Flier, H. Wang, P. F. ...
  • Y. He, Z. Chen, G. Gong, and A. Evans, “Neuronal ...
  • C. J. Stam, “Use of magnetoencephalography (MEG) to study functional ...
  • M. Jalili, and M. G. Knyazeva, “EEG-based functional networks in ...
  • M. E. Lynall, D. S. Bassett, R. Kerwin, P. J. McKenna, M. Kitzbichler, U. Muller, and ...
  • L. Amini, C. Jutten, S. Achard, O. David, P. Kahane, ...
  • L. Amini, C. Jutten, S. Achard, O. David, H. Soltanian-Zadeh, ...
  • B. He, L. Yang, C. Wilke, and H. Yuan, “Electrophysiological ...
  • P. L. Nunez, and R. Srinivasan, Electric fields in the ...
  • P. L. Nunez, R. Srinivasan, A. F. Westdorp, R. S. ...
  • Schoffelen J. M., and Gross J., “Source connectivity analysis with ...
  • C. Cao, and S. Slobounov, “Alteration of cortical functional connectivity ...
  • G. Nolte, O. Bai, L. Wheaton, Z. Mari, S. Vorbach, ...
  • A. Ewald, L. Marzetti, F. Zappasodi, F. C. Meinecke, and ...
  • C. J. Stam, G. Nolte, and A. Daffertshofer, “Phase lag ...
  • M. Vinck, R. Oostenveld, M. van Wingerden, F. Battaglia, and ...
  • C. J. Stam, and E. C. W. van Straaten, “Go ...
  • Cover T. M. and Thomas J. M., Elements of information ...
  • J. S. Bandat and A. G. Piersol, Random Data, Whily-Interscience, ...
  • J. P. Lachaux, E. Rodriguez, J. Martinerie, and F. J. ...
  • L. Faes, G. Nollo, and A. Porta, “Information-based detection of ...
  • L. Faes, A. Porta, and G. Nollo, “Mutual nonlinear prediction ...
  • R. Q. Quiroga, A. Kraskov, T. Kreuz, and P. Grassberger, ...
  • I. Vlachos, and D. Kugiumtzis, “Nonuniform state-space reconstruction and coupling ...
  • F. Shahbazi, A. Ewald, A. Ziehe, and G. Nolte, “Constructing ...
  • Rutanen K., TIM C++ library, Available online: http://www.tut.fi/tim ...
  • Gomez-Herrero G., “Brain connectivity analysis with EEG,” PHD Dissertation, Tamper ...
  • F. Mormann, K. Lehnertz, P. David, and C. E. Elger, ...
  • David O., Cosmelli D. and Friston K. J., “Evaluation of ...
  • Delorme A. and Makeig S., “EEGLAB: an open source toolbox ...
  • EEGLAB freeware, Available online: sccn.ucsd.edu/eeglab[۳۵] Lee T. W., Girolami M., ...
  • P. Sauseng, and W. Klimesch, “What does phase information of ...
  • A. Delorme, J. Palmer, J. Onton, R. Oostenveld, S. Makeig, ...
  • نمایش کامل مراجع