1دانشجوی دکترا، گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران
2دانشیار، گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران
چکیده
در مکانیابی فعالیت مغز از روی سیگنال EEG یا MEG، روشهای مبتنی بر شکلدهندة پرتوی وفقی کمینه واریانس، به‌دلیل رزولوشن بالا، کاربرد گستردهای دارند. متأسفانه، این روشها به‌دلیل استفاده از وارون ماتریس کوواریانس داده، اغلب زمانی که تعداد لحظات نمونهبرداری در مقایسه با تعداد گیرندهها کم است، با شکست مواجه میشوند. این اتفاق، به‌خصوص برای دادههای حاصل از پتانسیلهای برانگیخته رخ میدهد. برای حل مشکل، روشی به نام تمام‌وفقی سریع (FFA) پیشنهاد شد، که یک روش چند‌مرحلهای وفقی با الهام از ساختار پروانهای تبدیل فوریه (FFT) بوده و تعداد نمونههای لازم برای مکانیابی را به مقدار قابل‌توجهی کاهش میدهد. از سوی دیگر، حساسیت زیاد این روش به توالی تقسیم داده و عملکرد ضعیف آن در SNRهای پایین، استفاده از آن را برای مکانیابی فعالیتهای کوتاهمدت مغزی با تردید همراه کرده است. در این مقاله، یک مرحلة پیشپردازشی برای بهبود عملکرد FFA ارائه میشود که در آن، مغز به نواحی مجزا تقسیم و پایههای هر ناحیه تعیین شده و با استفاده از این پایه‌ها، دادة هر ناحیه به‌دست میآید. در ادامه، الگوریتم FFA روی دادة به‌دست آمده، اعمال میشود. برای اثبات عملکرد روش ارائه‌شده، از دادههای شبیهسازی ERP و دادة واقعی ERF استفاده شد. در تمام شبیهسازی‌ها، FFA بهبود‌یافته، عملکرد بهتری از لحاظ شعاع پراکندگی (بهبود در حدود 4-9 میلی‌متر) و خطای مکانیابی (بهبود در حدود 2-10 میلی‌متر) در مقایسه با روش FFA از خود نشان داد. همچنین روش پیشنهادی، رزولوشن بهتری در مکانیابی داده واقعی ERF نشان داد. این نکته نیز مهم است که روش پیشنهادی، حساسیت کمتری نسبت به توالی تقسیم داده دارد. نتایج هر دو دادة شبیهسازی و واقعی نشان میدهد، که میتوان از FFA بهبود‌یافته به‌عنوان روشی مطمئن برای مکانیابی فعالیتهای کوتاهمدت مغزی استفاده کرد.
1Ph.D Student, Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran
2Associate Professor, Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran
چکیده [English]
Minimum variance beamformer (MVB) and its extensions are most widely used techniques in brain source localization due to their high spatial resolution. Unfortunately, beacause of using data covariance matrix, these methods often fail when the number of samples of the recorded data sequences is small in comparison to the number of electrodes. This condition is particularly relevant when measuring evoked potentials. For solving this problem, Fast Fully Adaptive (FFA) algorithm was developed a few years ago. This method is a multistage adaptive processing technique drawing its inspiration from the butterfly structure of the Fast Fourier Transform (FFT) and decreasing the data requirement significantly. Unfortunately, the high sensitivity of FFA to data partitioning sequences and also its low performance in low SNRs pose a doubt on using it as a reliable localizer for short time brain activities. In this paper, a preprocessing step is proposed to enhance the FFA method. In this step, the brain is divided into separate areas, the components of each area are determined, the data is projected to each area using components of that area. After that, FFA is applied to the projected data. The performance of the enhanced FFA is compared with FFA method by using simulated ERP and real ERF data. In all simulations, enhanced FFA shows the better performance in terms of localization error (enhancement about 2-10 mm) and spread radius (enhancement about 4-9 mm). In addition, the proposed method for real ERF data shows accurate localization result with the most concentrated power spectrum, compared to FFA approach. It is noteworthy that enhanced FFA offers less sensitivity to data partitioning sequences. Emprical results illustrate that enhanced FFA can be implemented as a reliable method for localizing brain short time activities.
کلیدواژه‌ها [English]
Minimum Variance Beamformer (MVB), Brain Source Localization, Evoked Related Potential (ERP), Fast Fully Adaptive (FFA), Enhanced FFA, Event Related Field (ERF)
مراجع
[1] J. C. Mosher, P. S. Lewis, and R. M. Leahy, “Multiple dipole modeling and localization of spatio-temporal MEG data,”IEEE Trans. Biomed. Eng., vol. 39, no. 6, pp. 541–557, Jun. 1992.
[2] H. Liu and P. H. Schimpf, “Efficient localization of synchronous EEG source activities using a modified RAP-MUSIC algorithm,” IEEE Trans. Biomed. Eng., vol. 53, no. 4, pp. 652–661, Apr. 2006.
[3] X. L. Xu, B. Xu, and B. He, “An alternative subspace approach to EEG dipole source localization,”Phys. Med. Biol., vol. 49, pp. 327–343, Jan.2004.
[4] L. Ding, G. A. Worrell, T. D. Lagerlund, and B. He, “Ictal source analysis: Localization and imaging of causal interactions in humans,”Neuroimage, vol. 34, no. 2, pp. 575–586, Jan. 2007.
[5] B. D. Van Veen, W. van Drongelen, M. Yuchtman, and A. Suzuki, “Localization of brain electrical activity via linearly constrained minimum variance spatial filtering,”IEEE Trans. Biomed. Eng., vol. 44, no. 9, pp. 867–880, Sep. 1997.
[6] R. D. Pascual-Marqui, “Standardized low resolution brain electromagnetic tomography (sLORETA): Technical details,” Meth. Findings Exp. Clin. Pharmacol, vol. 24, pp. 5–12, 2002.
[7] C. Cao and S. Slobounov, “Alteration of cortical functional connectivity as a result of traumatic brain injury revealed by graph theory, ICA and sLORETA analyses of EEG signals,”IEEE Trans. Neural Syst. Rehabil. Eng., vol. 18, no. 1, pp. 11–19, Feb. 2010.
[8] Moiseev, A., Gaspar, J. M., Schneider, J. A., Herdman, A. T., 2011. Application of multi-source minimum variance beamformers for reconstruction of correlated neural activity. NeuroImage. vol. 58 no. 2, pp. 481-496.
[9] Oswal, A., Litvak, V., Brown, P., Woolrich, M. and Barnes, G., Optimising beamformer regions of interest analysis. Neuroimage, vol. 102, pp. 945-954, 2014.
[10] Diwakar, M., Huang, M.-X., Srinivasan, R., Harrington, D.L., Robb, A., Angeles, A., Muzzatti, L., Pakdaman, R., Song, T., Theilmann, R.J., Lee, R.R., Dual-Core Beamformer for obtaining highly correlated neuronal networks in MEG. NeuroImage, vol. 54, pp. 253–263, 2011.
[12] Van Veen, B. D., van Drongelen, W., Yuchtman, M., Suzuki, A., Localization of brain electrical activity via linearly constrained minimum variance spatial filtering. IEEE Trans. Biomed. Eng. vol. 44, no. 9, pp. 867–880, 1997.
[14] A. Rodr´ıguez-Rivera, B. V. Baryshnikov, B. D. Van Veen, and R. T. Wakai, “MEG and EEG source localization in beamspace,”IEEE Trans. Biomed. Eng., vol. 53, no. 3, pp. 430–441, Mar. 2006.
[15] Ravan, M., Reilly, J. P., Hasey, G., Minimum Variance Brain Source Localization for Short Data Sequences. IEEE Trans. Biomed. Eng., vol. 61, no. 2, pp. 535-546, 2014.
[16] O. Saleh, R. S. Adve, and R. J. Riddolls, “Fast fully adaptive processing: A multistage STAP approach,” in Proc. IEEE Radar Conf., May 2009, pp. 1–6.
[19] David P. Wipf, Julia P. Owen, Hagai T. Attia, Kensuke Sekihara, Srikantan S. Nagarajan., Robust Bayesian estimation of the location, orientation, and time course of multiple correlated neural sources using MEG, vol. 49, no. 1, pp. 641-655, 2010.
ابتدای صفحه