fa استفاده از گراف پدیداری جهت تحلیل ارتباطات مغزی علوم اعصاب شناختی Cognitive Neuroscience پژوهشي Research --- Open Access, CC-BY-NC <strong>مقدمه: </strong>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. <strong>مواد و روش‌ها:</strong> 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. <strong>یافته‌ها:</strong> 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. <strong>نتیجه‌گیری: </strong>شبکه‌های زمانی، درک بهتری درمورد دینامیک‌های مغزی در سیستم‌های واسط مغز- رایانه مبتنی بر تصور حرکتی را ارائه می‌دهند.<span style="font-family:"B Nazanin""></span> <strong>Introduction:</strong> Recognition of mental activities in brain-computer interface systems based on motor imagery has attracted the attention of many researchers. A visibility graph is a powerful method for analyzing the function and connectivity of different areas of the brain. The aim of this study is to improve and develop the visibility graph method for analyzing brain behavior and detecting motor imagery. <strong>Materials and Methods:</strong> First, brain signals including four motor imagery classes of left-handed, right-handed, foot, and tongue were transformed into three types of visibility graphs, and important features of these graphs were extracted. Then, to reduce features, the method of analysis of variance was used. To classify the motor imagery classes, the support vector machine was used. In most investigations, graph degree distribution has been used to extract information and graph weighting. In the present study, amplitude difference distribution has been used so shorter time series are required. To analyze the function and connectivity of different areas of the brain and to obtain the direction of information flow, a new method called weighted horizontal visibility graph-transfer entropy has been proposed. <strong>Results:</strong> Increasing the kappa value compared to other studies showed that a weighted horizontal visibility graph is a suitable method for processing brain signals based on motor imagery. A comparison of brain graphs and the direction of information flow in the four classes of motor imagery showed a significant difference between them. <strong>Conclusion: </strong>Temporal networks provide a better understanding of brain dynamics in brain-computer interface systems based on motor imagery. الکتروانسفالوگرافی, واسط‌های مغز- رایانه, نقشه‌برداری مغز Electroencephalography, Brain-Computer Interfaces, Brain Mapping 57 67 http://shefayekhatam.ir/browse.php?a_code=A-10-928-1&slc_lang=fa&sid=1 Hoda Majdi هدی مجدی hodamajdi@yahoo.com 100319475328460022858 100319475328460022858 No Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran گروه مهندسی پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران Mahdi Azarnoosh مهدی آذرنوش M_Azarnoosh@mshdiau.ac.ir 100319475328460022859 100319475328460022859 Yes Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran گروه مهندسی پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران Majid Ghoshuni مجید قشونی Ghoshuni@mshdiau.ac.ir 100319475328460022860 100319475328460022860 No Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran گروه مهندسی پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران VahidReza Sabzevari وحیدرضا سبزواری Sabzevari@mshdiau.ac.ir 100319475328460022861 100319475328460022861 No Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran گروه مهندسی پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران