[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
:: دوره 10، شماره 2 - ( بهار 1401 ) ::
دوره 10 شماره 2 صفحات 67-57 برگشت به فهرست نسخه ها
استفاده از گراف پدیداری جهت تحلیل ارتباطات مغزی
هدی مجدی، مهدی آذرنوش*، مجید قشونی، وحیدرضا سبزواری
گروه مهندسی پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران ، M_Azarnoosh@mshdiau.ac.ir
چکیده:   (432 مشاهده)
مقدمه: تشخیص فعالیت‌های ذهنی در سیستم‌های واسط مغز- رایانه مبتنی بر تصور حرکتی، توجه بسیاری از محققان را به خود جلب کرده است. گراف پدیداری روش قدرتمندی جهت تحلیل عملکرد و ارتباطات نواحی مختلف مغزی می‌باشد. هدف این پژوهش، بهبود و توسعه روش گراف پدیداری برای تحلیل رفتار مغز و تشخیص تصور حرکتی می‌باشد. مواد و روش‌ها: ابتدا سیگنال‌های مغزی شامل چهار کلاس تصور حرکتی دست چپ، دست راست، دو پا و زبان به سه نوع گراف پدیداری تبدیل و ویژگی‌های مهم گراف‌ها استخراج گردیده است. سپس جهت کاهش ویژگی‌ها از روش تحلیل واریانس استفاده شده است. برای طبقه‌بندی کلاس‌های تصور حرکتی از ماشین بردار پشتیبان استفاده گردیده است. در اکثر تحقیقات برای استخراج اطلاعات و وزن‌دهی گراف از توزیع درجه گراف استفاده شده است. اما در پژوهش حاضر، از توزیع اختلاف دامنه بهره گرفته شده، بنابراین سری‌های زمانی کوتاه‌تری مورد نیاز است. برای تحلیل عملکرد و ارتباطات نواحی مختلف مغزی و بدست آوردن جهت جریان اطلاعات، روش جدیدی به نام گراف پدیداری افقی وزن‌دار- آنتروپی انتقال، ارائه شده است. یافته‌ها: افزایش مقدار کاپا در مقایسه با تحقیقات دیگر، نشان می‌دهد که گراف پدیداری افقی وزن‌دار روش مناسبی جهت پردازش سیگنال‌های مغزی مبتنی بر تصور حرکتی است. مقایسه گراف‌های مغزی و جهت جریان اطلاعات در چهار کلاس تصور حرکتی، تفاوت معنی‌دار بین آن‌ها را نشان داد. نتیجه‌گیری: شبکه‌های زمانی، درک بهتری درمورد دینامیک‌های مغزی در سیستم‌های واسط مغز- رایانه مبتنی بر تصور حرکتی را ارائه می‌دهند.
واژه‌های کلیدی: الکتروانسفالوگرافی، واسط‌های مغز- رایانه، نقشه‌برداری مغز
متن کامل [PDF 2697 kb]   (122 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: علوم اعصاب شناختی
فهرست منابع
1. Sadiq MT, Yu X, Yuan Z, Aziz MZ, ur Rehman N, Ding W, et al. Motor Imagery BCI Classification Based on Multivariate Variational Mode Decomposition. IEEE Transactions on Emerging Topics in Computational Intelligence. 2022. [DOI:10.1109/TETCI.2022.3147030]
2. Ghafourian P, Ghoshuni M, Vosoogh I. Evaluation of Exam Anxiety in Healthy Subjects using Brain Signals Analysis. The Neuroscience Journal of Shefaye Khatam. 2020; 8(3): 61-9. [DOI:10.29252/shefa.8.3.61]
3. Fallani FDV, Bassett DS. Network neuroscience for optimizing brain-computer interfaces. Physics of life reviews. 2019; 31: 304-9. [DOI:10.1016/j.plrev.2018.10.001]
4. Zhu G. Analysis of EEG signals using complex brain networks: University of Southern Queensland; 2014.
5. Lacasa L, Luque B, Ballesteros F, Luque J, Nuno JC. From time series to complex networks: The visibility graph. Proceedings of the National Academy of Sciences. 2008; 105(13): 4972-5. [DOI:10.1073/pnas.0709247105]
6. Lacasa L, Luque B, Luque J, Nuno JC. The visibility graph: A new method for estimating the Hurst exponent of fractional Brownian motion. EPL (Europhysics Letters). 2009; 86(3): 30001. [DOI:10.1209/0295-5075/86/30001]
7. Bashiri F, Mokhtarpour A. Depression classification and recognition by graph-based features of EEG signals. International Journal of Medical Engineering and Informatics. 2022; 14(3): 252-63. [DOI:10.1504/IJMEI.2022.122284]
8. Altundogan TG, Karaköse M, editors. EEG Signal Classification with Deep Neural Networks using Visibility Graphs. 2022 26th International Conference on Information Technology (IT); 2022. [DOI:10.1109/IT54280.2022.9743535]
9. Zhang X, Landsness EC, Chen W, Miao H, Tang M, Brier LM, et al. Automated sleep state classification of wide-field calcium imaging data via multiplex visibility graphs and deep learning. Journal of neuroscience methods. 2022; 366: 109421. [DOI:10.1016/j.jneumeth.2021.109421]
10. Zhu G, Li Y, Wen P. Analysis and classification of sleep stages based on difference visibility graphs from a single-channel EEG signal. IEEE journal of biomedical and health informatics. 2014; 18(6): 1813-21. [DOI:10.1109/JBHI.2014.2303991]
11. Olamat A, Ozel P, Akan A. Synchronization Analysis In Epileptic EEG Signals Via State Transfer Networks Based On Visibility Graph Technique. International journal of neural systems. 2021: 215. [DOI:10.1142/S0129065721500416]
12. Bajaj S, Butler AJ, Drake D, Dhamala M. Brain effective connectivity during motor-imagery and execution following stroke and rehabilitation. NeuroImage: Clinical. 2015; 8: 572-82. [DOI:10.1016/j.nicl.2015.06.006]
13. Kong T, Shao J, Hu J, Yang X, Yang S, Malekian R. EEG-Based Emotion Recognition Using an Improved Weighted Horizontal Visibility Graph. Sensors. 2021; 21(5): 1870. [DOI:10.3390/s21051870]
14. Xuan Q, Zhou J, Qiu K, Xu D, Zheng S, Yang X. CLPVG: Circular limited penetrable visibility graph as a new network model for time series. Chaos: An Interdisciplinary Journal of Nonlinear Science. 2022; 32(1): 013130. [DOI:10.1063/5.0048243]
15. Jirsa VK, McIntosh AR. Handbook of brain connectivity: Springer; 2007. [DOI:10.1007/978-3-540-71512-2]
16. Wiener N. The theory of prediction. Modern mathematics for engineers. New York. 1956; 165.
17. Granger CW. Investigating causal relations by econometric models and cross-spectral methods. Econometrica: journal of the Econometric Society. 1969: 424-38. [DOI:10.2307/1912791]
18. Kaminski M, Liang H. Causal influence: advances in neurosignal analysis. Critical Reviews™ in Biomedical Engineering. 2005; (33): 4. [DOI:10.1615/CritRevBiomedEng.v33.i4.20]
19. Marinazzo D, Liao W, Chen H, Stramaglia S. Nonlinear connectivity by Granger causality. Neuroimage. 2011; 58(2): 330-8. [DOI:10.1016/j.neuroimage.2010.01.099]
20. Repper-Day C. Mapping dynamic brain connectivity using EEG, TMS, and Transfer Entropy: The University of Manchester (United Kingdom); 2017.
21. Schreiber T. Measuring information transfer. Physical review letters. 2000; 85(2): 461. [DOI:10.1103/PhysRevLett.85.461]
22. Moslemi B, Azmodeh M, Tabatabaei M, Alivandi Vafa M. The Effect of Transcranial Direct Current Stimulation on Dorsolateral Prefrontal Cortex: a Review of its Role on Cognitive Functions. The Neuroscience Journal of Shefaye Khatam. 2019; 8(1): 129-44. [DOI:10.29252/shefa.8.1.129]
23. Li S, Shang P. Analysis of nonlinear time series using discrete generalized past entropy based on amplitude difference distribution of horizontal visibility graph. Chaos, Solitons & Fractals. 2021; 144: 110687. [DOI:10.1016/j.chaos.2021.110687]
24. Brunner C, Leeb R, Müller-Putz G, Schlögl A, Pfurtscheller G. BCI Competition 2008-Graz data set A. Institute for Knowledge Discovery (Laboratory of Brain-Computer Interfaces), Graz University of Technology. 2008; 16: 1-6.
25. Ghumman MK, Singh S, Singh N, Jindal B. Optimization of parameters for improving the performance of EEG-based BCI system. Journal of Reliable Intelligent Environments. 2021; 7(2): 145-56. [DOI:10.1007/s40860-020-00117-y]
26. Ahmadlou M, Adeli H, Adeli A. New diagnostic EEG markers of the Alzheimer's disease using visibility graph. Journal of neural transmission. 2010; 117(9): 1099-109. [DOI:10.1007/s00702-010-0450-3]
27. Ballesteros F, Luque F, Lacasa L, Luque B, Nuno J. From time series to complex networks: the visibility graphs. Proc Natl Acad Sci USA. 2008; 105: 4972. [DOI:10.1073/pnas.0709247105]
28. Song Z, Zhan G, Lin Y, Fang T, Niu L, Zhang X, et al. Electroacupuncture Alters BCI-Based Brain Network in Stroke Patients. Computational intelligence and neuroscience. 2022. [DOI:10.1155/2022/8112375]
29. Hasani H, Jafari M. Dimension Reduction in fMRI Images based on Metaheuristic Algorithm to Diagnose Autism. The Neuroscience Journal of Shefaye Khatam. 2021; 9(3): 1-11. [DOI:10.52547/shefa.9.3.1]
30. Mohammadpoor M, Alizadeh A. Using Support Vector Machines as an Intelligent Algorithm for Detecting Seizures from EEG Signals. The Neuroscience Journal of Shefaye Khatam. 2021; 9(2): 1-9. [DOI:10.52547/shefa.9.2.1]
31. Heyrani A aN. The Effects of Bilateral Motor Training on the Power of Grip in Affected Hand of Children with Spastic Hemiplegic Cerebral Palsy. The Neuroscience Journal of Shefaye Khatam. 2021; 9(3): 27-35. [DOI:10.52547/shefa.9.3.27]
32. Ang KK, Chin ZY, Zhang H, Guan C, editors. Filter bank common spatial pattern (FBCSP) in brain-computer interface. 2008 IEEE international joint conference on neural networks (IEEE world congress on computational intelligence); 2008.


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Majdi H, Azarnoosh M, Ghoshuni M, Sabzevari V. Using Visibility Graph to Analyze Brain Connectivity. Shefaye Khatam. 2022; 10 (2) :57-67
URL: http://shefayekhatam.ir/article-1-2303-fa.html

مجدی هدی، آذرنوش مهدی، قشونی مجید، سبزواری وحیدرضا. استفاده از گراف پدیداری جهت تحلیل ارتباطات مغزی. مجله علوم اعصاب شفای خاتم. 1401; 10 (2) :67-57

URL: http://shefayekhatam.ir/article-1-2303-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 2 - ( بهار 1401 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.05 seconds with 29 queries by YEKTAWEB 4463