نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران

2 دانشیار، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران

10.22041/ijbme.2018.78557.1312

چکیده

تنوع وظایف مغز نشان می‌دهد که تعامل بین فعالیت نوسانی در باندهای فرکانسی مختلف، مکانیزم‌های کلی ارتباط عصبی را شکل می‌دهد. روشی که اخیرا برای کدگذاری اطلاعات در مغز مورد استفاده قرار می­گیرد، روش­ هم‌گامی فاز می‌باشد، که به فرایندی اطلاق می­شود که از طریق آن دو یا چند سیگنال چرخه‌ای، با نوسان تکراری از زاویه‌های فاز نسبی نوسان می‌کنند. برخی مطالعات، نقش محوری هم‌گامی فاز را در آزمایش­های شناختی نشان داده‌اند. در این مقاله، ما نقش این معیار را در یک وظیفه‌ی جدید بینایی تمایز رنگ بررسی کرده‌ایم. بدین منظور، سیگنال الکتروانسفالوگرافی را برای 15 سوژه، در طی وظیفه‌ی بینایی تمایز رنگ جمع‌آوری نموده‌ایم. سپس، از الگوریتم یادگیری ماشین، ماشین بردار پشتیبان، استفاده شد تا توانایی معیار هم‌گامی فاز در تمایز دو حالت، یعنی تفکیک دو رنگ آبی و نارنجی،  در وظیفه‌ی بینایی مورد نظر مشخص گردد. نتایج نشان می­دهد که این معیار با دقت کلاس­بندی 75%  می­تواند در طبقه‌بندی دو حالت مختلف در وظیفه‌ی بینایی مورد استفاده قرار گیرد. هم‌چنین، باندهای فرکانسی موثر و الکترودهایی که موثرترین ویژگی­ها از آن­ها استخراج شده­اند، نشان داده شده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of Phase Synchronization Approach using Phase Locking Value in Color Discrimination Task

نویسندگان [English]

  • Saeideh Davoodi 1
  • Mohammad Reza Daliri 2

1 MSc. Student, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology (IUST), Tehran, Iran

2 Associate Professor, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology (IUST), Tehran, Iran

چکیده [English]

Variety of brain region function represent that interactions between different frequency bands, employ general mechanisms of neural communications. Moreover, a method which recently used for information encoding in the brain is phase synchronization that is a process by which two or more cyclic signals tends to oscillate with a repeating sequence of relative phase angle. Some evidence demonstrated the important role of phase synchronization in cognitive tasks. In this paper we investigated the role of phase synchronization in a new visual discrimination task. For this purpose we collected electroencephalography signals from fifteen subjects during a color discrimination task. The machine learning algorithm, support vector machine (SVM), was used to find out whether this criterion can distinguish two different colors in the mentioned task. The results show that classification accuracy of 75% is achieved using phase synchronization feature. Also efficient frequency bands and contribution of effective electrodes were shown.

کلیدواژه‌ها [English]

  • Electroencephalography Signal
  • Color Discrimination
  • Phase Synchronization
  • Support Vector Machine

[1]     Canolty, R.T. and R.T. Knight, The functional role of cross-frequency coupling. Trends in cognitive sciences, 2010. 14(11): p. 506-515.

[2]     Behroozi, M., M.R. Daliri, and B. Shekarchi, EEG phase patterns reflect the representation of semantic categories of objects. Medical & biological engineering & computing, 2016. 54(1): p. 205-221.

[3]     Sauseng, P., et al., Cross-frequency phase synchronization: a brain mechanism of memory matching and attention. Neuroimage, 2008. 40(1): p. 308-317.

[4]     Rosenblum, M.G., A.S. Pikovsky, and J. Kurths, Phase synchronization of chaotic oscillators. Physical review letters, 1996. 76(11): p. 1804.

[5]     Carrasco, M., Visual attention: The past 25 years. Vision research, 2011. 51(13): p. 1484-1525.

[6]     Doesburg, S.M., et al., Large-scale gamma-band phase synchronization and selective attention. Cerebral cortex, 2007. 18(2): p. 386-396.

[7]     Klimesch, W., et al., A short review of slow phase synchronization and memory: evidence for control processes in different memory systems? Brain research, 2008. 1235: p. 31-44.

[8]     Fell, J. and N. Axmacher, The role of phase synchronization in memory processes. Nature reviews neuroscience, 2011. 12(2): p. 105.

[9]     Fries, P., et al., Modulation of oscillatory neuronal synchronization by selective visual attention. Science, 2001. 291(5508): p. 1560-1563.

[10]  Ward, L.M., Synchronous neural oscillations and cognitive processes. Trends in cognitive sciences, 2003. 7(12): p. 553-559.

[11]  Lachaux, J.-P., et al., Measuring phase synchrony in brain signals. Human brain mapping, 1999. 8(4): p. 194-208.

[12]  Voytek, B. and R.T. Knight, Prefrontal cortex and basal ganglia contributions to visual working memory. Proceedings of the National Academy of Sciences, 2010. 107(42): p. 18167-18172.

[13]  Repovs, G. Dealing with noise in EEG recording and data analysis. in Informatica Medica Slovenica. 2010.

[14]  Jung, T.-P., et al. Removing electroencephalographic artifacts: comparison between ICA and PCA. in Neural Networks for Signal Processing VIII, 1998. Proceedings of the 1998 IEEE Signal Processing Society Workshop. 1998. IEEE.

[15]  Guyon, I. and A. Elisseeff, An introduction to feature extraction. Feature extraction, 2006: p. 1-25.

[16]  Jafakesh, S., F.Z. Jahromy, and M.R. Daliri, Decoding of object categories from brain signals using cross frequency coupling methods. Biomedical Signal Processing and Control, 2016. 27: p. 60-67.

[17]  Jirsa, V. and V. Müller, Cross-frequency coupling in real and virtual brain networks. Frontiers in computational neuroscience, 2013. 7.

[18]  Penny, W., et al., Testing for nested oscillation. Journal of neuroscience methods, 2008. 174(1): p. 50-61.

[19]  Papoulis, A., Random Variables and Stochastic Processes. 1985, McGraw-Hill, New York.

[20]  Bermingham, M.L., et al., Application of high-dimensional feature selection: evaluation for genomic prediction in man. Scientific reports, 2015. 5.

[21]  Guyon, I. and A. Elisseeff, An introduction to variable and feature selection. Journal of machine learning research, 2003. 3(Mar): p. 1157-1182.

[22]  James, G., et al., An introduction to statistical learning. Vol. 112. 2013: Springer.

[23]  Cortes, C. and V. Vapnik, Support-vector networks. Machine learning, 1995. 20(3): p. 273-297.