ملیحه ثابتی؛ رضا بوستانی؛ احسان مرادی
دوره 13، شماره 4 ، دی 1398، ، صفحه 291-301
چکیده
نتایج تحقیقات پیشین حاکی از تاثیر یادگیری (پاداش/تنبیه) روی ویژگی‌های پتانسیل وابسته به رویداد P300 است. در این تحقیق با اعمال الگوریتم‌های مکان‌یابی روی مولفه‌ی P300 استخراج شده از کانال‌ها، تاثیر بازخورد در منابع مغزی مولفه‌ی P300 به صورت دقیق‌تری اندازه‌گیری شده است. در این راستا، سیگنال‌های EEG از 30 فرد سالم در هنگام انجام آزمون‌های ...
بیشتر
نتایج تحقیقات پیشین حاکی از تاثیر یادگیری (پاداش/تنبیه) روی ویژگی‌های پتانسیل وابسته به رویداد P300 است. در این تحقیق با اعمال الگوریتم‌های مکان‌یابی روی مولفه‌ی P300 استخراج شده از کانال‌ها، تاثیر بازخورد در منابع مغزی مولفه‌ی P300 به صورت دقیق‌تری اندازه‌گیری شده است. در این راستا، سیگنال‌های EEG از 30 فرد سالم در هنگام انجام آزمون‌های دیداری و شنیداری با استفاده از 30 الکترود سطحی (از جنس نقره) در سه فاز شروع (30 دقیقه)، بازخورد (90-60 دقیقه) و پایان (30 دقیقه) ثبت شده است. تعداد محرک‌های دیداری و شنیداری برای تمامی افراد در فاز بازخورد به صورت یک‌سان اعمال شده تا شرکت کنندگان بتوانند محرک‌های دیداری و شنیداری را شناسایی کنند. در این فاز، شرکت کنندگان برای پاسخ‌های نادرست جریمه شده به طوری که به ازای هر پاسخ نادرست، چهار آزمون دیگر به این فاز اضافه می‌شود. سپس الگوهای P300 با استفاده از میانگین‌گیری گسترده‌ی زمانی روی تمامی افراد استخراج شده است. در ادامه از الگوریتم‌های مکان‌یابی استاندارد توموگرافی الکترومغناطیس با رزولوشن پایین (sLORETA) و sLORETA کاهش دهنده برای تخمین فعالیت منابع مغزی P300 استفاده شده است. نتایج حاصل از تحلیل منابع مولفه‌ی P300 بازخورد، حاکی از افزایش معنی‌دار و قابل توجه تغییرات، به خصوص در نواحی آهیانه‌ای-خلفی راست (نواحی ارتباطی ثانویه) در منابع مولفه‌ی P300 بازخورد در مقایسه با منابع مغزی مولفه‌ی P300 تحریک در آزمون دیداری است اما این اختلاف در آزمون شنیداری معنادار نمی‌باشد. اختلاف بین آزمون دیداری و شنیداری این فرضیه را تایید می‌کند که شرکت کنندگان اشتباه پاسخ دادن در آزمون‌های شنیداری را محتمل دانسته و با اطمینان بیش‌تری به آزمون‌های دیداری پاسخ داده‌اند.
پردازش سیگنال‌های حیاتی
امین زارع؛ رضا بوستانی؛ منصور ذوالقدر جهرمی
دوره 4، شماره 3 ، آذر 1389، ، صفحه 195-208
چکیده
پیش‌بینی زمان وقوع حملات صرع در بیماران از جمله موضوعاتیست که مورد توجه محققان است. حملات صرع به طور نامنظم و غیر قابل پیش‌بینی شده‌ای اتفاق می‌افتند. بنابراین تشخیص حملات صرع از روی سیگنال‌های EEGکه در بازة زمانی طولانی گرفته می‌شوند؛ بسیار حائز اهمیت است. این امر تشخیصی به دو مرحله مجزای استخراج ویژگی‌ها از قطعات سیگنال EEGو اعمال ...
بیشتر
پیش‌بینی زمان وقوع حملات صرع در بیماران از جمله موضوعاتیست که مورد توجه محققان است. حملات صرع به طور نامنظم و غیر قابل پیش‌بینی شده‌ای اتفاق می‌افتند. بنابراین تشخیص حملات صرع از روی سیگنال‌های EEGکه در بازة زمانی طولانی گرفته می‌شوند؛ بسیار حائز اهمیت است. این امر تشخیصی به دو مرحله مجزای استخراج ویژگی‌ها از قطعات سیگنال EEGو اعمال الگوریتم طبقه‌بندی بر روی بردارهای ویژگی تقسیم می‌شود. به همین منظور در مرحله اول با استفاده از تحلیل زمان- فرکانس بر روی قطعات سیگنال EEGو به‌دست آوردن صفحه زمان- فرکانس هر قطعه، استخراج ویژگی‌ها از سیگنال‌ها انجام می‌شود. در مرحله دوم با استفاده از الگوریتم نزدیک‌ترین همسایه کار تشخیص حملات صورت می‌گیرد. اما قبل از اعمال الگوریتم طبقه‌بندی، برای اصلاح فضای ویژگی‌ها و یادگیری معیار فاصله، از الگوریتم AIS-RCAاستفاده شده است. این الگوریتم برای به‌دست آوردن ماتریس تبدیل W، داده‌ها را به صورت مجموعه‌ای از دسته‌ها در نظر می‌گیرد و با ارائه الگوریتم جدید AD-AIRSو با الهام گرفتن از سیستم ایمنی بدن دسته‌ها را می‌یابد. آزمایش‌های انجام شده نشان دهندة دقت 100% و بهبود نتایج در مقایسه با برخی روش‌های انتقال موجک، آنتروپی، معیار بی‌نظمی و تبدیل انتقال فوریه سریع را نشان می‌دهد.
