چکیده: امروزه استفاده از روشهای ترکیبی برپایه آنالیزمولفههایمستقل

Σχετικά έγγραφα
محاسبه ی برآیند بردارها به روش تحلیلی

روش محاسبه ی توان منابع جریان و منابع ولتاژ

تصاویر استریوگرافی.

آزمایش 1: پاسخ فرکانسی تقویتکننده امیتر مشترك

آزمایش 8: تقویت کننده عملیاتی 2

آزمون مقایسه میانگین های دو جامعه )نمونه های بزرگ(

ﯽﺳﻮﻃ ﺮﯿﺼﻧ ﻪﺟاﻮﺧ ﯽﺘﻌﻨﺻ هﺎﮕﺸﻧاد

جلسه ی ۱۰: الگوریتم مرتب سازی سریع

تحلیل مدار به روش جریان حلقه

تخمین با معیار مربع خطا: حالت صفر: X: مکان هواپیما بدون مشاهده X را تخمین بزنیم. بهترین تخمین مقداری است که متوسط مربع خطا مینیمم باشد:

مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل

جلسه 3 ابتدا نکته اي در مورد عمل توابع بر روي ماتریس ها گفته می شود و در ادامه ي این جلسه اصول مکانیک کوانتمی بیان. d 1. i=0. i=0. λ 2 i v i v i.

شاخصهای پراکندگی دامنهی تغییرات:

بسم اهلل الرحمن الرحیم آزمایشگاه فیزیک )2( shimiomd

مثال( مساله الپالس در ناحیه داده شده را حل کنید. u(x,0)=f(x) f(x) حل: به کمک جداسازی متغیرها: ثابت = k. u(x,y)=x(x)y(y) X"Y=-XY" X" X" kx = 0


هدف از این آزمایش آشنایی با رفتار فرکانسی مدارهاي مرتبه اول نحوه تأثیر مقادیر عناصر در این رفتار مشاهده پاسخ دامنه

همبستگی و رگرسیون در این مبحث هدف بررسی وجود یک رابطه بین دو یا چند متغیر می باشد لذا هدف اصلی این است که آیا بین

فصل چهارم : مولتی ویبراتورهای ترانزیستوری مقدمه: فیدبک مثبت

حفاظت مقایسه فاز خطوط انتقال جبرانشده سري.

مدار معادل تونن و نورتن

سايت ويژه رياضيات درسنامه ها و جزوه هاي دروس رياضيات

جلسه 9 1 مدل جعبه-سیاه یا جستاري. 2 الگوریتم جستجوي Grover 1.2 مسا له 2.2 مقدمات محاسبات کوانتمی (22671) ترم بهار

جلسه 12 به صورت دنباله اي از,0 1 نمایش داده شده اند در حین محاسبه ممکن است با خطا مواجه شده و یکی از بیت هاي آن. p 1

مسائل. 2 = (20)2 (1.96) 2 (5) 2 = 61.5 بنابراین اندازه ی نمونه الزم باید حداقل 62=n باشد.

پروژه یازدهم: ماشین هاي بردار پشتیبان

دانشکده ی علوم ریاضی جلسه ی ۵: چند مثال

جلسه ی ۲۴: ماشین تورینگ

2/13/2015 حمیدرضا پوررضا H.R. POURREZA 2 آخرین گام در ساخت یک سیستم ارزیابی آن است

آموزش SPSS مقدماتی و پیشرفته مدیریت آمار و فناوری اطالعات -

به نام خدا. الف( توضیح دهید چرا از این تکنیک استفاده میشود چرا تحلیل را روی کل سیگنال x[n] انجام نمیدهیم

آموزش شناسایی خودهمبستگی در دادههای سری زمانی و نحوه رفع آن در نرم افزار EViews

Angle Resolved Photoemission Spectroscopy (ARPES)

E_mail: چکیده فرکتال تشخیص دهد. مقدمه متحرک[ 2 ].

Spacecraft thermal control handbook. Space mission analysis and design. Cubesat, Thermal control system

Answers to Problem Set 5

معادلهی مشخصه(کمکی) آن است. در اینجا سه وضعیت متفاوت برای ریشههای معادله مشخصه رخ میدهد:

جلسه 15 1 اثر و اثر جزي ی نظریه ي اطلاعات کوانتومی 1 ترم پاي یز جدایی پذیر باشد یعنی:

ویرایشسال 95 شیمیمعدنی تقارن رضافالحتی

تئوری جامع ماشین بخش سوم جهت سادگی بحث یک ماشین سنکرون دو قطبی از نوع قطب برجسته مطالعه میشود.

راهنمای کاربری موتور بنزینی )سیکل اتو(

1- مقدمه. 2 Action. 1 Heuristic

جلسه 14 را نیز تعریف کرد. عملگري که به دنبال آن هستیم باید ماتریس چگالی مربوط به یک توزیع را به ماتریس چگالی مربوط به توزیع حاشیه اي آن ببرد.

ارزیابی پاسخ لرزهای درههای آبرفتی نیمسینوسی با توجه به خصوصیات مصالح آبرفتی

تمرینات درس ریاض عموم ٢. r(t) = (a cos t, b sin t), ٠ t ٢π. cos ٢ t sin tdt = ka۴. x = ١ ka ۴. m ٣ = ٢a. κds باشد. حاصل x٢

جلسه ی ۳: نزدیک ترین زوج نقاط

قاعده زنجیره ای برای مشتقات جزي ی (حالت اول) :

6- روش های گرادیان مبنا< سر فصل مطالب

طراحی و تعیین استراتژی بهره برداری از سیستم ترکیبی توربین بادی-فتوولتاییک بر مبنای کنترل اولیه و ثانویه به منظور بهبود مشخصههای پایداری ریزشبکه

تلفات خط انتقال ابررسی یک شبکة قدرت با 2 به شبکة شکل زیر توجه کنید. ژنراتور فرضیات شبکه: میباشد. تلفات خط انتقال با مربع توان انتقالی متناسب

جلسه ی ۴: تحلیل مجانبی الگوریتم ها

جلسه 22 1 نامساویهایی در مورد اثر ماتریس ها تي وري اطلاعات کوانتومی ترم پاییز

هﺪﻧﻮﺷاﺮﯿﻣ DC ﻪﻔﻟﻮﻣ فﺬﺣ ﺎﺑ ژﺎﺘﻟو ﺶﻫﺎﮐ ﻊﺒﻨﻣ عﻮﻧ و ﯽﺒﺴﻧ ﻞﺤﻣ ﺺﯿﺨﺸﺗ

جلسه 2 1 فضاي برداري محاسبات کوانتمی (22671) ترم بهار

چکیده مقدمه کلید واژه ها:

بررسی خرابی در سازه ها با استفاده از نمودارهاي تابع پاسخ فرکانس مجتبی خمسه

هو الحق دانشکده ي مهندسی کامپیوتر جلسه هفتم

تعیین محل قرار گیری رله ها در شبکه های سلولی چندگانه تقسیم کد

جلسه 16 نظریه اطلاعات کوانتمی 1 ترم پاییز

جلسه ی ۵: حل روابط بازگشتی

جلسه ی ۱۸: درهم سازی سرتاسری - درخت جست و جوی دودویی

1) { } 6) {, } {{, }} 2) {{ }} 7 ) { } 3) { } { } 8) { } 4) {{, }} 9) { } { }

جلسه دوم سوم چهارم: مقدمه اي بر نظریه میدان

تمرین اول درس کامپایلر

OFDM ﻢﺘﺴﯿﺳ ﯽﻫدزﺎﺑ ﺮﺑ لﺎﻧﺎﮐﺮﯿﺧﺎﺗ هﺮﺘﺴﮔ ﺮﯿﺛﺎﺗ

جلسه 2 جهت تعریف یک فضاي برداري نیازمند یک میدان 2 هستیم. یک میدان مجموعه اي از اعداد یا اسکالر ها به همراه اعمال

تخمین نقطه تغییر در ماتریس کواریانس فرآیند نرمال چند متغیره با استفاده از شبکه عصبی

اراي ه روشی جدید جهت تشخیص فاز خطا در خطوط جبرانشده با STATCOM

فصل چهارم تعیین موقعیت و امتدادهای مبنا

جلسه 28. فرض کنید که m نسخه مستقل یک حالت محض دلخواه

روشی جدید برای بهسازی سیگنال های صوتی با استفاده از آنالیز lpc در روش فیلتر کالمن

نویسنده: محمدرضا تیموری محمد نصری مدرس: دکتر پرورش خالصۀ موضوع درس سیستم های مینیمم فاز: به نام خدا

فصل پنجم زبان های فارغ از متن

مکانيک جامدات ارائه و تحليل روش مناسب جهت افزایش استحکام اتصاالت چسبي در حالت حجم چسب یکسان

دبیرستان غیر دولتی موحد

طرح یافتن مکان خطا در خطوط انتقال چندترمینالی با استفاده از اندازه گیریهای ناهمگام )آسنکرون(

هادي ويسي. دانشگاه تهران - دانشکده علوم و فنون نوين نیم سال اول

آشنایی با پدیده ماره (moiré)

فهرست مطالب جزوه ی فصل اول مدارهای الکتریکی مفاهیم ولتاژ افت ولتاژ و اختالف پتانسیل تحلیل مدار به روش جریان حلقه... 22

به نام خدا. Sparse Coding ستاره فرامرزپور

مدل های GARCH بوتبوتاسترپ چکیده نصراله ایرانایرانپناه دانشگاه اصفهان طاهره اصالنی گروه آمار- دانشگاه اصفهان

کنترل تطبیقی غیر مستقیم مبتنی بر تخصیص قطب با مرتبه کسری

1- مقدمه ای بر شبیه سازی< سر فصل مطالب

- - - کارکرد نادرست کنتور ها صدور اشتباه قبض برق روشنایی معابر با توجه به در دسترس نبودن آمار و اطلاعات دقیق و مناسبی از تلفات غیر تاسیساتی و همچنین ب

ارزیابی نسبت حداکثرتغییر مکان غیرالاستیک به الاستیک در رابطه تغییر مکان هدف در تحت شتاب نگاشتهاي ایران و شتاب نگاشت هاي مصنوعی

زمین شناسی ساختاری.فصل پنجم.محاسبه ضخامت و عمق الیه

فصل دهم: همبستگی و رگرسیون

الکترونیکی: پست پورمظفری

Nonparametric Shewhart-Type Signed-Rank Control Chart with Variable Sampling Interval

محاسبات کوانتمی 1 علم ساخت و استفاده از کامپیوتري است که بر پایه ي اصول مکانیک کوانتم قرار گرفته است.

بسمه تعالی «تمرین شماره یک»

عنوان: رمزگذاري جستجوپذیر متقارن پویا

Beta Coefficient نویسنده : محمد حق وردی

اصول انتخاب موتور با مفاهیم بسیار ساده شروع و با نکات کاربردی به پایان می رسد که این خود به درک و همراهی خواننده کمک بسیاری می کند.

مارکوف 1.مقدمه: سید مهدی صفوی محمد میکاییلی محمد پویان چکیده ما با مطالعه مدل مخفی میدان تصادفی مارکوف از الگوریتم EM

تحلیل میدانی سیستمهای الکترومغناطیسی با در نظر گرفتن پدیدۀ هیسترزیس به

نمونه برداری از سیگنالهای زمان پیوسته

ثابت. Clausius - Clapeyran 1

طراحی وبهینه سازی رگوالتورهای ولتاژ با افت کم) LDO (

دستور العمل تعیین مختصات بوسیله دستگاه GPS شرکت ملی گاز ایران شرکت گاز استان تهران امور خدمات فنی و فروش عمده واحد GIS نسخه 0.1.

Transcript:

نقاط قوت و ضعف استفاده از ترکیب آنالیز مولفههای مستقل و تبدیل ویولت به منظورحذف خودکار آرتیفکت چشمی از سیگنال الکتروانسفالوگرام فرناز قاسمی محمد حسن مرادی مهدی تهرانی دوست وحید ابوطالبی دانشکده مهندسی پزشکی دانشکده مهندسی پزشکی گروه روانپزشکی دانشگاه تهران دانشکده مهندسی برق دانشگاه صنعتی امیرکبیر دانشگاه صنعتی امیرکبیر پژوهشکده علوم شناختی دانشگاه یزد abootalebi@yazduni.ac.ir tehranid@sina.tums.ac.ir mhmoradi@cic.aut.ac.ir ghassemi@aut.ac.ir چکیده: امروزه استفاده از روشهای ترکیبی برپایه آنالیزمولفههایمستقل (ICA) برای بهبود کاراي ی در حذف آرتیفکت از سیگنال الکتروانسفالوگرام مدنظر قرار گرفته است. این مقاله به بررسی نقاط قوت و ضعف روش ترکیبی ویولت- ICA در مقایسه با روش مادر ICA میپردازد. روش روی داده شبیهسازی سه نوع شبهشبیهسازی و داده واقعی پیاده و نتایج با ICA مقایسه شده است. در داده شبیهسازی خطای روش ترکیبی %72 کاهش یافته است. در دادههای شبهشبیهسازی نتایج براساس نوع شبیهسازی متفاوت و خطا %22 کاهش تا %30 افزایش داشته است. در پایان نتایج روش ترکیبی روی داده واقعی حاکی از توانایی بالای روش در حذف آرتیفکت چشمی دارد و بطور کیفی تفاوت بارزی میان روش ترکیبی و ICA دیده نمیشود. روش ترکیبی در مواردیکه هدف نگهداری حداکثر اطلاعات سیگنال بوده و تنها حذف مولفههای قطعا آرتیفکتی مطلوب است دارای قوت ولی است درمواردیکه هدف تنها نگهداری اطلاعات با منشا قطعا مغزی است ضعیفتر عمل مینماید. واژه های کلیدی: آرتیفکت آنالیز مولفههای مستقل تبدیل ویولت حذف نویز سیگنال الکتروانسفالوگرام نقشه مغزی. مقدمه ١-1 سیگنال الکتروانسفالوگرام (EEG) در بررسی عملکرد مغز حین انجام فعالیتهای شناختی و همچنین در تشخیص بیماریها کاربرد فراوانی دارد. 2 از جمله این کاربردها میتوان به ارتباط مغز با کامپیوتر (BCI) تشخیص و بررسی بیماریهایی نظیر صرع آلزایمر کمبود توجه/ بیشفعالی و بررسی فعالیتهای شناختی نظیر توجه و حافظه اشاره نمود. متاسفانه سیگنال EEG ثبت شده از روی سر معمولا به نویزهای مختلفی از منابع متفاوت آلوده است که از آن جمله میتوان به سیگنال 4 3 پلک زدن و حرکات چشم EOG انقباض ماهیچهها EMG سیگنال 5 قلبیECG تنفس حرکت بیمار و همچنین نویز برق شهر اشاره نمود[ 1 ]. از میان آرتیفکتهای موجود در EEG حذف نویز ناشی از حرکات چشم و پلک زدن مورد توجه بیشتری قرار داشته و تحقیقات زیادی را به خود اختصاص داده است. معمولا برای کاهش حرکات ارادی چشم از سوژه خواسته می شود که به یک هدف بصری ثابت خیره شود ولی این روش حرکات غیرارادی چشم را از بین نبرده و همچنین در برخی از تکالیف قابل استفاده نیست. یکی از متداولترین روشهای پردازشی برای مقابله با اثرات نامطلوب این نویز حذف قسمتهایی از EEG است که حاوی آرتیفکتی بزرگتر از یک آستانه تعیین شده هستند[ 2 ]. البته این روش به منزله از دست دادن اطلاعات در آن بازه بوده و در مواردی که سوژه زیاد پلک میزند یا دچار تیک است بعلت باقی ماندن بسیار کم بازههای داده بدون آرتیفکت مناسب نیست. گروه دیگر روشها بر پایه رگرسیون در حوزه زمان[ 3 ] و یا فرکانس[ 4 ] هستند. این روشها دارای دو ایراد عمده میباشند اول اینکه نیاز به وجود کانال مرجع (آرتیفکت مورد نظر) دارند و دوم اینکه بعلت خالص نبودن سیگنال ثبت شده توسط الکترودهای EOG مقداری از سیگنال EEG که توسط الکترودهای مزبور ثبت میشود نیز به اشتباه بعنوان نویز تلقی شده و از سیگنال کم میگردد. در[ 5 ] روشی برای حذف آرتیفکت چشمی با استفاده از آنالیز مولفههای 6 اساسی PCA اراي ه دادند که ابتدا مولفههای عمده بیانگر پلکها و حرکات افقی و عمودی چشم را در"سیگنالهای کالیبره" شناسایی کرده و با حذف این مولفهها از داده EEG آنرا تصحیح نمودند. این مقاله با مقایسه روش PCA رگرسیون و مدلهای دوقطبی مکانی-زمانی مزیت و برتری روش PCA را نشان داده است. چندی بعد در [6,7] نشان داده شد که در این روش ممکن است برخی مولفهها ترکیب EEG و EOG بوده و با حذف آنها مقداری از اطلاعات EEG نیز از دست برود. 5 Electro-Cardio-Gram, ECG 6 Principal Component Analysis, PCA 1 Electro-Encephalo-Gram, EEG 2 Brain Computer Interface, BCI 3 Electro-Ocolu-Gram, EOG 4 Electro-Mayo-Gram, EMG

اخیرا از روش آنالیز مولفههای مستقل برای تجزیه EEG به منابع مستقل تشکیل دهنده آن استفاده میگردد. این روش در جداسازی و حذف منابع نویزی در سیگنالهای حیاتی و بخصوص EEG بسیار موفق بوده است[ 8,9,10 ]. Makeig و همکاران در سال 1996 روشی را برای تحلیل و حذف 1 آرتیفکت EEG بر پایه آنالیز مولفههای مستقل (ICA) اراي ه نموده[ 8 ] و فعالیتهای عصبی را از فعالیتهای ماهیچهها و آرتیفکت پلک زدن جدا نمودند و همچنین کاربرد آنرا در بررسی مولفههای EEG و ERP و ردگیری تغییرات در هوشیاری نشان دادند. همچنین تحقیقاتی نیز روی داده شبیه سازی شده صورت گرفته و کاراي ی ICA در جداسازی بررسی شده است[ 9 ]. از سال 2002 تلفیق برخی از روشهای حذف نویز همراه با ICA مد نظر قرار گرفت و در 2 [11] از تلفیق روش ICA و فیلتر زیرفضا جهت حذف نویزهای داخلی و نویزهای تجمیعی استفاده شده است. در سال 2004 Zhou و Goteman از ترکیب ویولت و ICA برای حذف نویز ECG و EMG استفاده نمودند. آنها ابتدا داده را با روش ویولت حذف نویز نموده و سپس ICA را بر روی آن اعمال نمودند [12]. تنها مشکل روشهای مبتنی بر ICA تا این زمان نیاز آنها به بررسی توسط فرد خبره در این زمینه و بررسی چشمی مولفههای استخراج شده توسط ICA و تعیین منابع نویزی بود. در سالهای اخیر روشهایی نرم افزاری جهت ساده کردن این فرآیند وقت گیر و حذف خودکار آرتیفکتها پیشنهاد گردیده است. در [1] حذف تطبیقی و بروز EOG با استفاده از ICA مبتنی بر شبکه عصبی و استفاده از PCA غیرخطی انجام شده است. همچنین [2] با استفاده از ICA و ترکیب معیارهای همبستگی کورتوزیس و درصد حضور مولفه های EOG در کانال Fp1 و معیار زمان فرکانس بسامد لحظهای روشی برای حذف خودکار آرتیفکت پلک زدن اراي ه گردیده است. در سال 2007 Delorme و همکاران به حذف آرتیفکت با استفاده از 3 ICA و آمارگانهای مرتبه بالاتر پرداختند[ 10 ]. آنها ابتدا به مقایسه 3 روش مختلف SoBI Infomax) ICA و (FastICA روی داده شبیهسازی شده پرداختند و در ادامه به قسمتهایی از EEG که دارای آرتیفکت نبوده آرتیفکتهایی تا 30 مرتبه کوچکتر از EEG اضافه کرده و کارآیی 5 روش مختلف و معمول حذف آرتیفکت را مقایسه نمودهاند. (آستانه استاندارد شیبهای خطی عدم احتمال داده کورتوزیس و الگوی طیفی) نتایج حاکی از آن است که تمامی روشها در صورتیکه روی مولفههای بدست آمده از ICA اعمال گردند نسبت به اعمال روی خود داده EEG بسیار بهتر عمل نمودهاند مگر در مورد آرتیفکت ماهیچهای که تفاوت بارزی بین دو حالت مشاهده نشده است. Nazerth و Marku از تلفیق روش ICA و ویولت استفاده نمودند آنها برخلاف Goteman ابتدا روش ICA را روی داده EEG پیاده نموده و سپس مولفههای تشخیص داده شده بعنوان نویز را با استفاده از ویولت حذف نویز نمودند[ 13 ]. آنها بیان نمودند که بعلت بیشتر بودن تعداد منابع از سنسورها ممکن است چند مولفه کوچک مغزی که استقلال کمتری نسبت به EOG دارند در یک مولفه مستقل بدست آید و حذف کامل این مولفه منجر به از دست دادن مقداری از اطلاعات EEG گردد. در این مقاله نشان داده میشود که در مقایسه روشهای حذف نویز EEG ماهیت و مدل درنظر گرفته شده برای شبیه سازی داده اهمیت بسیار زیادی داشته و میتوانند کاملا نتیجه مقایسه را تغییر دهد. بدین منظور روش جدید و محبوب حذف نویز مبتنی بر تلفیق ویولت و ICA در سه مرحله جداگانه روی داده کاملا شبیهسازی شده سه نوع داده شبهشبیهسازی شده و داده واقعی پیاده و ضمن مقایسه نتایج به دست آمده با روش مادر ICA نقاط قوت و ضعف آن بررسی شده است. در بخش 2 در مورد روشها و چگونگی شبیهسازی یا ثبت دادهها توضیح داده شده و نتایج در بخش 3 به تفکیک اراي ه شدهاند. در بخش 4 نیز به بحث و نتیجهگیری و قوت و ضعفهای روش پرداخته شده است. ٢- روش و پروتکل ٣-١ آنالیز مولفههای مستقل آنالیز مولفههای مستقل به جداسازی منابع مستقل از هم گفته میشود که بوسیله یک سیستم ترکیب ناشناخته با یکدیگر آمیخته شدهاند و جداسازی باید تنها بر پایه مشاهده سیگنالهای ترکیبی صورت گیرد یعنی هم سیستم ترکیب و هم سیگنالهای اولیه نامعلوم اند[ 14 ]. تعداد n سیگنال با نماد عمومی S n*t بوسیله منابع فیزیکی متفاوت تولید می شوند و تعداد m سنسور با نماد عمومی X m*t ترکیب آنها را ضبط مینمایند. بدلیل تفاوت این سنسورها در ضبط اطلاعات سیگنالهای ضبط شده دارای وزنهاي ی با اختلاف کم خواهند بود. تعداد سنسورها معمولا برابر تعداد منابع اولیه درنظر گرفته میشود. مدل سیستم ترکیب و جداساز عبارتست از: (1) ) x ( t) i n i= 1... m = a ij s j ( t), X ( t) = A. S ( t) j = 1 m y (2 j ( t) j = 1... n = w ji. xi ( t), Y ( t) = W. X ( t) i= 1 که A ماتریس ترکیب S بردار سیگنالهای اصلی (هر دو مجهول) و X بردار سیگنالهای مشاهده شده تنها معلوم رابطه است و هدف تخمین سیگنالهای اصلیY میباشد. بدلیل وجود اطلاعات بسیارکم از منابع مولفهها در حد ابهام دردامنه بدست میآیند یعنی ممکن است مولفهها 1 Independent Component Analysis, ICA 2 Sub Space Filtering 3 Higher-Order Statistics

ضریبی از منابع اصلی اولیه باشند. همچنین ترتیب مولفهها نیز ممکن است متفاوت با منابع باشد. ٢-٣ استفادهازترکیبICAوویولتبرایحذفنویزEEG امکان استفاده از ICA برای جداسازی منابع دارای منشا مغزی و منابع آرتیفکتی در مقالات زیادی تایید شده و بیان گردیده است که فرضیات و شرایط روش با خصوصیات سیگنال سازگار است[ 8,9,10,15 ]. ساختار این مدل در شکل 1 نمایش داده شده است. مهمترین فرض درنظر گرفته شده در روش ICA استقلال منابع اصلی اولیه است که با نتایج امروزی حوزه نوروسایکولوژی تطبیق میکند. دانشمندان نوروسایکولوژی سابقا براین باور بودند که مغز بعنوان یک کل در فعالیتهای شناختی عمل مینماید ولی سپس ایده فعالیت هر یک از نورونها به تنهایی مطرح شد و بیشتر مورد قبول قرار گرفت. امروزه اکثر نوروسایکولوژیستها معتقدند که عملکرد مغز بین دو فرضیه قبلی است 1 بدین معنی که تکه گروههای مستقلی در مغز وجود دارند که حین فعالیتهای شناختی بطور مستقل از یکدیگر فعالیت می نمایند. هر یک از این تکه گروهها شامل صدها نورون و با ابعاد در حد اینچ مربع هستند[ 16 ]. اگر فعالیت موقتا پیوستهای در هر ناحیهای از مغز 2 پتانسیلهای میدان دور ایجاد کند این پتانسیلها توزیع وسیعی در سطح سر دارند. سیگنالهای EEG که از هر الکترود بدست میآید مجموعی از فعالیتها در همه نواحی منبع است(شکل 1). بعلاوه مستقل در نظر گرفتن فعالیتهای نورونی مغز از سیگنالهایی نظیر پلک زدن حرکات چشم انقباض ماهیچهها سیگنال قلبی و نویز برق شهر فرضی کاملا منطقی بنظر میرسد. نکته دیگر محدودیت در تعداد سنسورها میباشد. در روش ICA برای تخمین تمامی منابع مستقل باید تعداد سنسورها بیشتر یا برابر تعداد منابع باشد ولی تعداد این منابع در مغز مشخص نبوده و بیشمار فرض میگردد لذا در اعمال ICA باید به این مساله توجه نمود. فرض کنیم سیگنالها توسط m سنسور ثبت گردیدهاند آنچه با اعمال ICA بدست میآید m سیگنال است که اکثر آنها از قویترین منابع اولیه بوده و مابقی ترکیب منابع کوچک و کمتر مستقل هستند. 3 نتایج تجزیه ICA روی داده با چگالی بالا (مثلا 256 کانال) که از سوژهای نرمال حین انجام فعالیتهای شناختی بدست آمده است نشان میدهد چند ده منبع EEG متمایز به اندازه کافی بزرگ و/یا متمایز جهت جداسازی به مو لفههایی که قابل تفسیر فیزیولوژیک هستند وجود دارند که فعالیتها و نگاشتهای جمجمهای آنها قابل توجیه است در حالیکه بقیه مو لفههای یافته شده (بیشتر از 200 مو لفه) در چنین دادهای یا مو لفههایی هستند که به وضوح از منابع آرتیفکت غیر مغزی بوجود آمدهاند و یا ترکیباتی از منابع با انرژی کمتر هستند که جهت ارضای شرایط (تعداد منابع استخراج شده محدود به تعداد الکترودها بوده و در عین حال باید ترکیب مجدد آنها کل داده را نتیجه دهد) با یکدیگر ترکیب شدهاند. بطور معمول اعمال تجزیه ICA به داده 31 کاناله 5 تا 15 مو لفه EEG غیر آرتیفکت و قابل مقایسه با نتایج بدست آمده از ثبتهای با چگالی بالا را نتیجه میدهد[ 15 ]. بنابراین به منظور حذف نویز از ICA EEG به سیگنال مورد نظر اعمال شده و مولفه یا مولفههای آرتیفکتی مورد نظر شناسایی و حذف میگردند. سپس سیگنال دوباره به حوزه اولیه برگردانده شده و سیگنال بدون آرتیفکت بدست میآید. یکی دیگر از روشهای محبوب برای حذف نویز استفاده از تبدیل ویولت است. اخیرا روشهایی از ترکیب ICA و ویولت مطرح شده اند[ 11,13 ]. یکی از آنها که کارایی بهتری داشته است اعمال ویولت روی مولفههای آرتیفکتی بدست آمده از ICA و حذف نویز در حوزه ICA بجای حذف کامل مولفه آرتیفکت تشخیص داده شده است[ 13 ]. روش ICA بتنهایی قادر است اثرات ناشی از آرتیفکت EOG را که در کانالهای مختلف نمایان گردیده است در یک یا چند مولفه اندک جمع نماید ولی بعلت بیشتر بودن تعداد منابع از سنسورها ممکن است چند مولفه کوچک مغزی که استقلال کمتری نسبت به EOG دارند همراه با آن در یک مولفه مستقل قرار گیرند و حذف کامل این مولفه منجر به از دست دادن مقداری از اطلاعات EEG میگردد. لذا منطقی بنظر میرسد برای اطمینان از اینکه آنچه حذف میگردد تنها منشا آرتیفکتی دارد نویز مولفه(های) مستقل بدست آمده از ICA بعنوان آرتیفکت EOG با ویولت حذف گردد. بدین ترتیب تنها قسمتهای با دامنه بزرگ سیگنال که قطعا منشا نویزی دارند حذف شده و قسمتهای با دامنه کوچک سیگنال که احتمالا منشا مغزی دارند حفظ می شوند. سپس با اعمال معکوس ماتریس جداساز به این سیگنالها سیگنالهای حذف نویز شده در محل سنسورها بدست میآیند. در این مقاله برای روش ICA از ترکیب 5 4 EWASOBI و [17] EFICA و برای حذف نویز با ویولت نیز 'db2' از مرتبه 16 بکار گرفته شده است. شکل 1- مدل استفاده از ICA برای منابع 3 High-density 4 Efficient Weights Adjusted SOBI, EWASOBI 5 Efficient Varient of Fast ICA, EFICA 1 patches 2 Far-Field

٣-٣ سیگنالهای مورد بررسی یکی از مساي ل مطرح در بررسیهای حذف نویز و خصوصا EOG از EEG روشی برای ارزیابی کم ی میزان اعتبار و درستی رویکرد بکار گرفته شده است. زیرا سیگنال EOG خالص به تنهایی در دسترس نیست و حتی درصورت ثبت سیگنال EOG مقداری از فعالیت EEG نیز توسط الکترودهای EOG ثبت میگردد. یکی از راهکارهای متداول برای ارزیابی روش مورد نظر برای حذف نویز استفاده از داده شبیهسازی شده است. روش دیگر ارزیابی داده واقعی قبل و بعد از حذف نویز توسط فرد خبره در این زمینه است. بدین منظور ابتدا روش روی داده کاملا شبیهسازی شده پیاده شده و کارایی آن ارزیابی گردیده است. سپس داده شبهشبیهسازی بررسی شده و حذف نویز به روش ترکیبی ICA و ویولت با روش مادر ICA مقایسه شده است. در پایان نیز این مراحل روی داده واقعی انجام گردیده است. ٢-٣-١ سیگنالهای شبیهسازی شده 10 سیگنال سینوسی بعنوان منابع اولیه ) j S) و یک سیگنال سینک بعنوان آرتیفکت EOG در نظر گرفته شده و با ماتریس تصادفی یکنواخت ترکیب شدهاند. برای تطبیق بیشتر روش با واقعیت فرض شده که سیگنالها توسط 6 عدد سنسور یعنی تعداد کمتری نسبت به منابع ثبت شده و به آنها نویز تصادفی نرمال با میانگین صفر و در دو کانال واریانس یک و در بقیه واریانس 0/05 اضافه شده است. سپس با اعمال روش ترکیبی ICA و ویولت دقت روش در حذف نویز محاسبه و با روش ICA مقایسه گردیده است. در تمامی مراحل برای مقایسه کم ی از دو معیار میانگین مربعات خطای نرمال شده به انرژی سیگنال و همبستگی استفاده شده است. 2-3-2 سیگنالهای شبهشبیهسازی شده پایه و اساس امکان استفاده از ICA برای حذف نویز از EEG استقلال فعالیتهای نورونی مغز از سیگنالهایی نظیر پلک زدن حرکات چشم انقباض ماهیچهها سیگنال قلبی و نویز برق شهر است که فرضی منطقی بنظر میرسد. مشکل موجود در ارزیابی روشهای پیشنهاد شده در دست نبودن منابع اولیه جهت مقایسه میباشد لذا متداول است که دادههای شبیهسازی یا شبهشبیهسازی شده استفاده گردد. آنچه در این مقاله مورد تاکید قرار میگیرد اهمیت بسیار بالای انتخاب نوع سیگنال در بهتر یا بدتر شدن نتایج روش میباشد. برای شبیهسازی واقعیتر مساله از 5 ثانیه سیگنال EEG که دارای آرتیفکتی نبود استفاده شده است. طریقه ثبت و خصوصیات این سیگنال در بخش 3-3-2 توضیح داده شده است. سپس به 3 روش مختلف آرتیفکت EOG شبیهسازی شده و به صورت وزندار با مدل خاص سوژه به داده EEG پاک اضافه شده است. برای محاسبه وزنها ICA به کل داده ثبت شده واقعی اعمال شده و با بررسی مولفههای مستقل بدست آمده از نظر زمانی فرکانسی و نقشه توپوگرافی مولفه EOG شناسایی شده است. نقشه توپوگرافی مغزی بدست آمده برای سوژه مورد بررسی در شکل 2 نمایش داده شده است. هر یک از این نقشهها بیانگر چگونگی توزیع مولفه مربوطه در کانالهای مختلف روی جمجمه هستند (سطرهای ماتریس جداساز). برای مدل کردن تاثیر EOG روی کانالهای مختلف در دادههای شبیه سازی شده از معکوس نقشه مغزی اول که بیانگر مولفه EOG است استفاده میگردد. با استفاده از اطلاعات مکانی این نقشهها در کنار خصوصیات زمانی و فرکانسی مولفهها می توان منشا مولفه (مغزی یا آرتیفکتی) را مشخص نمود. برای ترسیم این نقشه ها از نرم افزار [18] EEGLAB استفاده شده است. در قسمت اول آرتیفکت EOG شبیهسازی شده به آن نویز سفید اضافهشدهوبهصورتوزنداربهدادهEEGبدونآرتیفکتاضافهشدهاست. در قسمت دوم آرتیفکت EOG از سوژه دیگر استخراج شده است. در این حالت میتوان با دقت خوبی مطمي ن بود که این آرتیفکتها از سیگنال EEG پاک اولیه مستقل هستند و در قسمت سوم که بیشترین شباهت را به حالت واقعی دارد آرتیفکت EOG خود سوژه در بازه دیگری بصورت وزندار به EEG پاک اولیه اضافه شده است. در تمامی حالات ابتدا ICA به داده اعمال شده و مولفهای که بیشترین همبستگی را با کانال EOG شبهشبیهسازی شده دارد بطور خودکار بعنوان آرتیفکت درنظر گرفته میشود. سپس این سیگنال با ویولت حذف نویز شده و همه مولفهها به فضای سنسورها برگردانده و در پایان نتایج بدست آمده از روش ترکیبی با 3-3-2 سیگنالهای واقعی ICA مقایسه میگردد. برای ثبت سیگنالهای EEG از دستگاه ثبت 32 کاناله Walter مدل PL-450 و نرم افزار مدیریت اطلاعات Pl-Winsor 3.0 استفاده و سیگنالها در پژوهشکده علوم شناختی ثبت شده است. کلاه الکترود با 19 الکترود Ag/Agcl مطابق استاندارد بینالمللی 10-20 بکار برده شده است. دو الکترود Ag/Agcl نیز به گوشها متصل شده که میانگین آنها به عنوان مرجع و مچ دست چپ به عنوان زمین درنظر گرفته شده است. EOG توسط دو الکترود در بالا و پایین چشم راست ثبت گردیده است. سیگنال پس از تقویت توسط فیلتر سخت افزاری 0/1-100Hz و فیلتر میاننگذر 50Hz فیلتر و با فرکانس 200 Hz نمونهبرداری شده است. امپدانس در تمامی کانالها برای تمام ثبتها زیر 5KΩ بودهاست. 25 داوطلب در آزمون شرکت نمودهاند. همه سوژهها راست دست بوده و از نظر قدرت دید دارای دید سالم یا تصحیح شده بودند. تنها یک سوژه کوررنگ بوده که با توجه به سیاه وسفید بودن آزمون در این پژوهش تاثیری نخواهد داشت. همچنین سوژهها دارای بیماری زمینهای خاصی نبودهاند. در اینجا نیز پس از اعمال ICA به داده مولفه آرتیفکتی بطور خودکار با محاسبه همبستگی میان مولفهها و کانال EOG (در صورت نداشتن EOG می توان از کانال Fp1 استفاده نمود) مشخص شده است. پس از

شکل 2- نقشه های مغزی بدست آمده با اعمال ICA ٢-٣ -٣ حذف نویز این مولفه با ویولت همه مولفهها به فضای سنسورها برگردانده شده و میان نتایج بدست آمده از روش ترکیبی با ICA مقایسه شده است. در این قسمت مشکل عمده این است که معیاری کم ی برای مقایسه روش وجود ندارد و تنها میتوان مقایسه کیفی و شهودی بین کارایی دو روش در حذف آرتیفکت EOG از EEG انجام داد. ١-٣ نتایج در شکل داده شبیه سازی 3 یک نمونه شبیهسازی شده از حذف آرتیفکت باICA نمایش داده شده است. منابع اولیه در ستون سمت چپ نشان داده شده است. منبع 11 که با سینک مدل شده بعنوان مدل آرتیفکت چشمی درنظر گرفته شده است. تعداد سنسورها کمتر از منابع اولیه و برابر 6 عدد فرض شده که در ستون وسط با رنگ آبی نمایش داده شده است. ستون سمت راست نیز سیگنالهای جداسازی شده تنها با اعمال روش آنالیز مولفههای مستقل را نمایش میدهد. همانطور که دیده میشود مولفه اول بدست آمده تخمین آرتیفکت مفروض (منبع 11) میباشد. مولفههای 5 و 6 نیز کاملا نویزی هستند. سپس با اعمال ویولت این مولفهها حذف نویز شده و بعد سیگنالها به فضای سنسورها برگردانده شدهاند. میانگین مربعات خطای نرمالیزه 0/362 بدست آمد که نسبت به روش ICA با حذف کامل مولفههای 5 1 و (1/271) 6 خطا تقریبا %70 کاهش یافته است. همبستگی میان سیگنالهای حذف نویز شده و ترکیبات بدون حضور آرتیفکت (مرجع) نیز بطور متوسط (±%10/3)%80/97 بدست آمد. علت خطای موجود آن است که تعداد سنسورها و در نتیجه مولفههای مستقل بدست آمده از تعداد منابع اولیه کمتر بوده است لذا مولفه تخمینی برای آرتیفکت ممکن است حاوی مولفه(های) دیگری نیز که بیشترین همبستگی را با آن داشتهاند باشد. داده شبه شبیه سازی در این مرحله یک قسمت از پاکترین بازهها در داده EEG به مدت 5 ثانیه که با مشاهده چشمی آرتیفکتی ECG) EOG, EMG, و...) نداشت بعنوان مرجع در نظر گرفته شد و سه نوع آرتیفکت EOG شبیهسازی شده (کاملا ساختگی از سوژه دیگر و از خود سوژه) به آن اضافه گردید. در تمامی حالات برای مدل کردن آرتیفکت روی کانالها از مدل ترکیب خود سوژه استفاده شده است. بدین ترتیب روش ICA روی کل داده سوژه اعمال و ماتریس جداساز تخمین زده شده است. با معکوس کردن این ماتریس ماتریس ترکیب بدست میآید که میزان تاثیر مولفه EOG در تمامی سنسورها را بدست میدهد. پس از شبیهسازی سیگنال حذف نویز به روش ترکیبی ویولت و ICA انجام شده و با ICA مقایسه شده است. در روش ICA این مولفه حذف شده و با تبدیل معکوس سیگنالها به فضای سنسورها برگردانده میشوند درحالیکه در روش ترکیبی این مولفه با استفاده از ویولت حذف نویز شده و بقیه آن همراه با دیگر مولفهها به فضای سنسورها برگردانده میشود. نتایج بدست آمده در جدول 1 خلاصه شده است. همانطور که انتظار میرفت کمترین خطا مربوط به شبیهسازیسوم است که بیشترین شباهت را به حالت واقعی دارد. شبیهسازی دوم در جایگاه دوم و پس از آن شبیه سازی اول قرار دارد. نکته جالب توجه ایناستکه برخلاف انتظار تنهادر حالت EOG ساختگی کارایی روش ترکیبی بهتر از ICA بوده است. در شبیهسازی دوم که از EOG واقعی استفاده شده تفاوت چندانی بین نتایج دیده نمیشود و در شبیهسازی سوم روش ترکیبی بهبودی ایجاد ننموده و کارایی ICA به مقدار بسیار کمی بهتر بوده است. اگر سیگنال شبیهسازی شده شرایط ناخواسته ویژهای متفاوت با سیگنال واقعی داشته و

شکل 3- نتایج اعمال ICA روی داده شبیه سازی شده 11 منبع مستقل اولیه در ستون چپ و 6 مولفه بدست آمده از ICA در ستون راست نمایش داده شده اند. مولفه اول تخمین حاصله برای آرتیفکت است. در ستون وسط نیز سیگنال سنسورها به رنگ آبی سیگنال حذف نویز شده به رنگ قرمز و سیگنال سنسورها بدون حضور آرتیفکت (مرجع) به رنگ سبز نمایش داده شده اند. نقطه قوت یکی از روشها در آن شرایط باشد این روش در داده شبیهسازی کارایی بهتری از خود نشان میدهد درحالیکه با اعمال روی داده واقعی چنین نتیجهای ملاحظه نمیشود. اگر سیگنال EOG خالص تنها دارای پیکهای بزرگی در زمانهای وقوع پلک بوده و در بقیه مواقع ثابت بوده و حاوی نوسانات کوچکی نباشد (مشابه حالت شبیهسازی) روش ترکیبی که تنها این پیکهای بزرگ را حذف و بقیه سیگنال را حفظ مینماید کارایی بهتری خواهد داشت ولی درصورتیکه سیگنال واقعی EOG خالص دارای تزاریس کوچکی نیز باشد (مثلا در حرکات کوچک چشم) روش ICA عملکرد بهتری از خود نشان خواهد داد. بعنوان نمونه شکل سیگنالهای بدست آمده در حالت اول شبیهسازی EOG) ساختگی) با روش ترکیبی در شکل 4 آورده شده است. سیگنال نویزی سیگنال اصلی اولیه و سیگنال حذف نویز شده با روش ICA و روش ترکیبی در 5 کانال مهم (در نقاط مختلف سر) اراي ه شدهاند. ٣-٣ داده واقعی پس از بررسی سیگنالها مشخص شد که در %52/44 از کل دادههای ثبت شده حاوی آرتیفکت چشمی هستند که مقدار قابل توجهی از اطلاعات را شامل شده و اهمیت انتخاب روشی که تنها این آرتیفکت را حذف و بقیه داده را حفظ نماید مشهود است. میزان آرتیفکت در هر فرد حداقل %10 و حداکثر %90 است. در پایان روش ترکیبی روی داده واقعی اعمال گردیده و نتایج حذف نویز در شکل 5 آورده شده است. سیگنالهای ثبت شده با رنگ قرمز و نتایج حاصل از حذف نویز به روش ICA و ترکیبی در 5 کانال مهم به ترتیب با رنگ آبی و سبز نمایش داده شده است. ملاحظه میشود که نتایج بسیار نزدیک به یکدیگر بدست آمده است. در این قسمت معیاری کم ی برای مقایسه وجود ندارد ولی مقایسه کیفی حاکی از کارایی خوب روش در حذف آرتیفکت EOG از EEG مولفه حاصله %98/96 است. میباشد. همبستگی میان کانال EOG -٤ بحث و نتیجه گیری و هدف این مقاله تاکید بر اهمیت خصوصیات سیگنال شبیهسازی شده برای ارزیابی کارایی روش و بررسی نقاط قوت و ضعف آن میباشد. جدول 1: میانگین مربعات خطای بدست آمده در 11 کانال مختلف به روش ترکیبی و ICA و میانگین کل خطا در تمامی کانالها 1-Semi 2-Other 3-Own Channel ICA W-ICA ICA W-ICA ICA W-ICA 'Fp1' 0.165 0.093 0.029 0.031 0.006 0.018 'F3' 0.203 0.186 0.007 0.007 0.010 0.014 'C3' 0.052 0.050 0.005 0.005 0.012 0.012 'P4' 0.042 0.042 0.008 0.008 0.008 0.008 'O2' 0.021 0.021 0.017 0.017 0.007 0.007 'F8' 0.053 0.035 0.009 0.010 0.002 0.006 'T4' 0.022 0.021 0.002 0.002 0.003 0.003 'T6' 0.012 0.012 0.010 0.010 0.001 0.001 'Fz' 0.071 0.063 0.006 0.006 0.005 0.008 'Cz' 0.050 0.049 0.008 0.008 0.005 0.006 'Pz' 0.037 0.037 0.010 0.010 0.009 0.009 Mean 0.0768 0.0597 0.0111 0.0117 0.0078 0.0102

شکل 4: نتایج حاصل از حذف نویز به روش ترکیبی ICA و ویولت روی داده شبه شبیه سازی شکل 5: نتایج حاصل از حذف نویز به روش ترکیبی ICA و ویولت روی داده واقعی نتایج بدست آمده حاکی از آن است که روش ترکیبی ویولت و ICA برای حذف نویز روی داده شبیهسازی شده کارایی بسیار خوب و بهتر از ICA دارد. با اعمال روش روی سه نوع داده شبهشبیهسازی نشان داده شد که نتایج متفاوتی حاصل شده و قوت یا ضعف روش مذکور برای حذف آرتیفکت EOG بستگی به این دارد که کدام شبیهسازی مدل بهتری از EOG خالص واقعی اراي ه میدهد. اگر آرتیفکت EOG در زمان وقوع پلک دارای پیک بزرگی بوده و در بقیه مواقع ثابت باشد مشابه حالت شبیهسازی) روش ترکیبی کارایی بهتری خواهد داشت ولی درصورتیکه سیگنال EOG خالص واقعی دارای تزاریس کوچکی نیز باشد (مثلا در حرکات کوچک چشم) روش ICA عملکرد بهتری از خود نشان خواهد داد. در پایان روش ترکیبی روی داده واقعی اعمال و مقایسهای کیفی با روش مادر ICA انجام شده است. معمولا در کارهای پردازشی دو رویکرد مورد استفاده قرار میگیرد. رویکرد اول حالتی است که هدف حفظ حداکثر اطلاعات سیگنال بوده و تنها قسمتهایی که قطعا آرتیفکت هستند حذف میگردند. رویکرد دوم حالتی است که هدف تنها حفظ قسمتهای بدون آرتیفکت سیگنال و یا استخراج یک مولفه خاص مغزی است در این حالت هر قسمتی که مشکوک به آرتیفکت باشد باید حذف گردد. در حالت اول روش ترکیبی قویتر عمل مینماید زیرا حتی در مولفه شناسایی شده بعنوان آرتیفکت نیز تنها قسمتهای با دامنه بزرگ که قطعا آرتیفکت هستند حذف شده و سیگنالهای با دامنه کوچک که شاید منشا مغزی داشته باشند حفظ میگردند ولی در حالت دوم کارایی روش ترکیبی ضعیفتر از ICA میباشد زیرا ICA کل مولفه آرتیفکتی بدست آمده را حذف می نماید.

Canadian Conference on Electrical & Computer Engineering, 1099:1104, 2002. [10] Delorme A., Sejnowski T., & Makeig S., Enhanced detection of artifacts in EEGdata using higher-order statistics and independent component analysis. NeuroImage 34, 1443:1449, 2007. [11] Vorobyov S., Cichocki A., Blind noise reduction for multisensory signals using ICA and subspace filtering, with application to EEG analysis. Biological Cybernethics, Springer-Verlag 86, 293:303, 2002. [12] Zhou W., Gotman J., Removal of EMG and ECG Artifacts from EEGBased on Wavelet Transform and ICA. Proceedings of the 26th Annual International Conference of the IEEE EMBS, San Francisco, USA 392:395, 2004. [13] Castellanos N. P., A. Makarov V., Recovering EEG brain signals: Artifact suppression with wavelet enhanced independent component analysis. Journal of Neuroscience Methods 158, 300:312, 2006. [14] Hyvarinen A., Karhunen J., Oja E., Independent Component Analysis-Theory and Applications, John Wiely & Sons, 2001. [15] Onton J., Makeig S., Information-Based Modeling of Event-Related Brain Dynamics, Neuper & Klimesch (Eds.), Progress in Brain Research, Vol. 159, Ch. 7, 2006. [16] Kandel E. R., Schwartz J. H., Jessell T. M., Principles Of Neural Science, Mc Grow Hill, Vol. 1, Fourth edition, 2000. [17] http://read.pudn.com/downloads86/sourcecode/math/33323 2/combi.m.htm [18] http://www.sccn.ucsd.edu/eeglab. حتی اگر فرض کنیم مولفه بدست آمده برای EOG ترکیب EOG و منبع (منابع) دیگری است این منبع (منابع) دارای همبستگی بسیار زیادی با EOG بوده و نسبت به دیگر منابع مستقل بدست آمده منبع کوچکی بوده است چون با توجه به خصوصیات مکانی- زمانی و فرکانسی این منبع در مغزی بودن منشا آن شک و شبه وجود دارد لذا بهتر است که حذف گردد. سپاسگزاری ثبت سیگنالهای استفاده شده در پژوهشکده علوم شناختی (ICSS) صورت گرفته که بدینوسیله از این پژوهشکده تشکر میگردد. مراجع [۱] شايق- عرفانيان حذف تطبيقي ا رتيفک پلک زدن از سيگنال هاي مغزي با استفاده از روش تحليل مولفه هاي مستقل مبتني بر شبکه هاي عصبي.۲۰۰۶ [۲] حسنا قندهاريون- عباس عرفانيان اميدوار روشي خودکار براي حذف ا رتيفکت پلک زدن از سيگنالهاي مغزي مبتني بر تحليل مولفههاي مستقل ۲۰۰۶. [1] Niedermeyer E., Lopes da Silva F., Electroencephalography: basic principles, clinical applications, and related fields. 5th ed. Philadelphia, PA: Lippincott/Williams & Wilkins; 2005. [2] Abootalebi V., Moradi M., Khalilzadeh M., A comparison of methods for ERP assessment in a P300-based GKT, International Journal of Psychophysiology, 62, 309:320, 2006. [3] Gratton F. G., Coles M. G., & Donchin E. A new method for off-line removal of ocular artifact. Electroencephalography and Clinical Neurophysiology, 55, 468 484, 1983. [4] Woestenburg J. C., Verbaten M. N., & Slangen J. L., The removal of the eye-movement artifact from the EEG by regression analysis in the frequency domain. Biological Psychology, 16, 127:147, 1983. [5] Berg P., & Scherg M., Dipole models of eye activity and its application to the removal of eye artifacts from the EEG ad MEG. Clinical Physics and Physiological Measurements, 12 (Supplement A),49 54, 1991. [6] Lagerlund T. D., Sharbrough F. W., & Busacker, N. E., Spatial filtering of multichannel electroencephalographic recordings through principal component analysis by singular value decomposition. Journal of Clinical Neurophysiology, 14, 73 82, 1997. [7] Jung T. P., Humphries C., Lee T. W., Makeig S., McKeown M. J., Iragui V., Sejnowski T. J., Removing Electroencephalographic Artifacts. Psychophysiology, 37, 163 178, 2000. [8] Makeig S., Bell A. J., Jung T. -P., Sejnowski T. J., Independent component analysis of electroencephalographic data. In Advances in neural information processing systems, D. Touretzky, M. Mozer, & M. Hasselmo Eds., Vol. 8, pp. 145 151. Cambridge, MA: The MIT Press, 1996. [9] Potter M., Gadhok N., & Kinsner W., Separation Performance Of ICA On Simulated EEG And ECG Signals Contaminated By Noise. Proceedings of the 2002 IEEE