آشنایی با ما
با سلام ( خوش آمدید )

این سایت در جهت معرفی علوم نوین بین رشته ای از جمله مهندسی پزشکی ، مهندسی هسته ای و پرتو پزشکی ، مهندسی برق و الکترونیک و رباتیک و کاربردهای آن در جهت کمک به مهندسان ، پزشکان ، دانشجویان عزیز و سایر علاقمندان در سرتاسر کشور عزیزمان به ویژه همه دانشجویان دانشگاه شیراز و دانشگاه علوم پزشکی شیراز در سال 1391 شروع به فعالیت کرد. همچنین این وبسایت با همکاری مرکز رشد تجهیزات پزشکی دانشگاه علوم پزشکی شیراز در جهت ارتقا سطح علمی و دست یابی راحت دوستان به مقالات علمی مهندسی پزشکی و همچنین مکانی برای تبادل نظرات و پیشنهادات دانشجویان در سراسر کشور فعالیت میکند. بدیهی است که مطالب و نظرات ارزشمند شما عزیزان ما را در این امر یاری خواهد کرد.

تدریس خصوصی کلیه دروس مهندسی برق و مهندسی پزشکی و انجام پروژه های پژوهشی و دانشجویی

shirazbme@sums.ac.ir
shiraz.bme@gmail.com

باتشکر مدیریت سایت (کارشناس ارشد مهندسی پزشکی-بیوالکتریک دانشگاه شیراز)
موضوعات
برگه ها
جستجو در وبلاگ
تاریخ: شنبه 23 آبان 1394 05:27 ب.ظ

روش های پردازش،تجزیه و تحلیل سیگنال های مغزی

shrazbme.ir image 5018

الکتریسیته، عامل انتقال پیام های عصبی در مغز است. هر جا که الکتریسیته باشد، میدان مغناطیسی، میدان الکتریکی، و موج الکترومغناطیسی هم آنجا حضور دارد. این موضوع در مغز انسان دارای پیچیدگی های فراوانی است. مغز انسان سیگنال هایی را مدام تولید می کند. لذا بررسی این سیگنال ها و کاوش آنها کمک شایانی به کشف ذات مغز انسان و همچنین، کمک به تشخیص بسیاری از فعالیت ها، نوسان ها و عارضه های مغز است.

shirazbme.ir image 5017

بسیاری از روش‌های تحلیل سیگنال مبتنی بر فرضی ایستایی هستند ولی عمدتا سیگنال‌های حیاتی و از جمله سیگنال های مغزی در حالت کلی غیر ایستا هستند. ایستایی سیگنال به معنای تغییر نکردن محتوای فرکانسی سیگنال با زمان است. غیر ایستا بودن سیگنال های مغزی، ناشی از ماهیت متغیر با زمان و غیر خطی فعالیت های مغزی است. به همین جهت عمدتا سعی می شود تحت شرایط خاص و با مجموعه داده‌‌ای معین و با روش تحلیلی مشخص مدل‌های ( Wide Sense Stationary (WSS‌ را برای تحقق شرط ایستایی به کار برند. با این مدل‌ها یک طول معین از سیگنال (بسته به شرایط اندازه گیری و ویژگی‌های مورد مطالعه در تعیین مشخصات فرایند مربوطه) می‌تواند هم ایستا و هم غیرایستا در نظر گرفته شود. روش عمومی در تحلیل سیگنال های مغزی با فرض ایستایی، تقسیم آن به قطعات کوتاه است با این فرض که در آن محدوده زمانی، مشخصه‌های سیگنال ثابت باقی می‌ماند.

معمولا در عمل به علت مشکلات کار با قطعات غیر هم طول با کوچک گرفتن طول قطعات، فرض ایستایی، برای قطعات هم طول در نظر گرفته می‌شود. روش دیگر استفاده از قطعات هم طول و یکسان است. در این روش معیاری برای ایستایی سیگنال در نظر گرفته شده و بر اساس این معیار طول قطعات تعیین می‌‌شود. حداکثر طول قطعه ایستان بسته به کاربرد و نوع سیگنال متفاوت است. به عبارت دیگر وضعیت و حالت مغز، به همراه نوع پردازش و تجزیه و تحلیل بعدی در صحت فرض ایستایی تاثیر دارند.

 

گوسی بودن
در برخی از روش‌های پردازش سیگنال، نوع توزیع دامنه سیگنال حائز اهمیت است. با فرض تصادفی بودن سیگنال های مغزی، در مورد گوسی بودن توزیع دامنه آن چندین مطالعه انجام شده است که البته نتایج متناقضی را هم در برداشته است. نکته مهمی که در بررسی این مطالعات باید در نظرگرفت، شرایط ثبت سیگنال و مهم‌تر از آن نرخ نمونه‌برداری و طول بازده مورد مطالعه است. برای بررسی گوسی بودن توزیع سیگنال‌‌های مغزی از آزمون‌های مختلفی استفاده می‌شود که هر یک دارای برتری‌ها و ضعف های خاص خود هستند و لزوما همه این روش‌ها در مورد یک سیگنال به نتیجه واحدی منجر نمی شوند. بنابراین بسته به مشخصات روش پردازشی مورد نظر و حالات مغزی مورد مطالعه باید با انتخاب یکی از آزمون‌های گوسی بودن، این مسئله را بررسی کرد. shirazbme.ir image 5022

خطی بودن
شرط خطی بودن سیگنال های مغزی نیز پیش فرض برخی از روش‌های پردازشی و به طور خاص روش های مدل سازی سیگنال های مغزی، نظیر روش AR) Auto Regressive) است. منظور از خطی بودن سیگنال این است که بتوان آن را با استفاده از یک سیستم با تابع تبدیل خطی و با ورودی نویز سفید تولید کرد.  ‌

روش های تحلیل در حوزه زمان
در این دسته از روش‌های تحلیل، سیگنال اصلی بدون تبدیل و در همان حوزه زمان به کار برده می‌شود. این نوع تحلیل‌ها نسبت به روش‌هایی که نیاز به انجام تبدیلاتی نظیر تبدیل فوریه دارند، دارای هزینه محاسباتی پائین‌تری هستند. لذا در کاربردهای مراقبتی، که لازم است عملیات محاسباتی حداقل و به صورت بی‌درنگ انجام شوند، از اولویت برخوردار هستند. این روش‌ها در چهار دسته: تحلیل دامنه    (Amplitude Analysis‌)، تحلیل فاصله (Interval Analysis)، تحلیل دامنه -‌فاصله (Interval-Amplitude Analysis‌) و توصیف‌های جورت (Hjorth Description‌) قابل تفکیک هستند.

۱- تحلیل دامنه
در این تحلیل از مشخصه‌هایی نظیر متوسط، انحراف معیار، Kurtosis، Skewness و… استفاده می‌شود که همگی از روی سیگنال اصلی، قابل محاسبه و تخمین هستند. این پارامترهای آماری، گشتاورهای سیگنال یا ترکیبی از آن‌ها هستند که باید تخمین زده شوند. در عمل با استفاده از فرض ایستایی و ارگادسیتی، این مقایر از روی یک دوره زمانی سیگنال محاسبه می‌شوند. متوسط زمانی، هیستوگرام دامنه، معیار دامنه ویلسون (WAMP) را می‌توان تحلیل‌هایی از این نوع دانست.

۲- هیستوگرام دامنه
‌ این ویژگی تعداد رخدادهای نمونه را در یک پنجره زمانی برای سطوح مختلف دامنه نشان می‌دهد. اگر سطح آستانه‌ای به اندازه  Th ‌در نظر گرفته شود و دامنه بین۱+T و۱-T به دسته‌هایی تقسیم شوند، در هر ناحیه تعداد نمونه های سیگنال که دامنه آن‌ها در آن دسته قرار می‌گیرد، شمرده می‌شود:

نقاطی که دامنه آن‌ها کمتر از-T باشد  به اولین مولفه هیستوگرام و دامنه‌های بیشتر ازT به آخرین مولفه هیستوگرام اضافه می‌شوند. حسن هیستوگرام درآن است که ویژگی چند بعدی دارد و به همین دلیل غنای اطلاعاتی زیادی داشته و چون نویز قادر به تحت تاثیر قرار دادن تمام دسته‌های هیستوگرام نیست، حساسیت آن نسبت به نویز کمتر است، چرا که نویز نمی‌تواند تمام دسته‌ها را دریک زمان مورد اثر قرار دهد.

۳- دامنه ویلسون (WAMP )

تعداد دفعاتی که در یک پنجره زمانی اختلاف بین دو دامنه متوالی از حد آستانه ای بیشتر شود، دامنه ویلسون نامیده می‌شود. BMEcenter.ir image 5023

۴- تحلیل فاصله
روش‌های تحلیل فاصله به منظور مطالعه خواص آماری سیگنال های مغزی به طور عام  و در ارتباط با دیگر روش‌های تحلیلی نظیر توابع خود همبستگی و طیف توان مورد استفاده هستند. به علت سادگی ارزیابی سیگنال‌ها از طریق تحلیل فاصله، این روش‌ها از نظر کاربردهای عملی مورد توجه هستند. در مطالعه تحلیل فاصله علاوه بر سیگنال اصلی برای مشتق‌های اول و دوم نیز نرخ عبور از صفر محاسبه می‌شود. به این ترتیب اطلاعات بیشتری درباره خواص طیفی سیگنال به دست می‌آید.
یکی از ضعف‌های این روش حساسیت آن به نویز فرکانس بالا در تخمین عبور از صفر است. این مشکل با گذاشتن هیسترزیس رفع می‌شود، به طوری که دامنه‌های بین حدود باند مرده حذف شده و عبور از صفر آن ها محاسبه نمی‌شود. ضعف دیگر این روش، محاسبه شمارش عبور از صفرها برای مولفه‌های فرکانس پائین و فرکانس بالا است به طوری که مولفه‌های فرکانس پائین همواره با تخمین نقصانی و مولفه‌های فرکانس بالا  با تخمین اضافی محاسبه می‌شوند. روش دیگر محاسبه فواصل عبور از صفردر باندهای فرکانسی مجزا است، به این ترتیب مشکل روی هم افتادگی امواج رفع می‌شود.
برتری اصلی روش‌های تحلیل عبور از صفر، سادگی محاسبات مربوطه است و نتیجه برای کمی‌سازی On-line به علت ثبت‌های طولانی مدت مناسب است.

۵- تحلیل دامنه  -‌فاصله
در این روش سیگنال های مغزی به موج‌ها یا نیم موج‌ها تقسیم می‌شوند. این تقسیم‌بندی بر اساس فواصل بین عبور از صفرها و دامنه بین قله و دره در سیگنال انجام می‌شود. نرخ نمونه‌برداری در این روش حداقل ۲۵۰ نمونه بر ثانیه است که به علت تخمین دقیق قله‌ها و دره ها است. دامنه و دوره زمانی هر نیم موج به وسیله اختلاف بین قله و دره در دامنه و زمان تعریف می‌شود. دامنه و دوره زمانی موج به وسیله متوسط دامنه و مجموع دوره زمانی دو نیم موج متوالی تعریف می‌شوند.

۶- تحلیل توصیف گرهای جورتدسته دیگر از مشخصه های مورد استفاده در تحلیل زمانی سیگنال های مغزی، پارامترهای جورت هستند. این توصیف گرها که توسط جورت ابداع شده عبارتند از:‌ فعالیت (Activity‌) ، تحرک (Mobility‌) و پیچیدگی (Complexity). توصیف گری جورت در سیگنال های مغزی متغیر با زمان کارایی چندانی ندارند. BMEcenter.ir image 5024

روش‌های تحلیل تابع همبستگی

تحلیل تابع همبستگی به طور عمده به دو شکل وجود دارد: تابع همبستگی متقابل و خود همبستگی. حجم بالای محاسبات در تحلیل تابع همبستگی مانعی در راه گسترش کاربرد آن در گذشته بوده است و همچنین اهمیت تحلیل تابع همبستگی با ظهور محاسبه طیف توان از طریق تبدیل فوریه سریع کم شد. این تکنیک‌ها به علت زمان‌بری کمتر به صرفه تر بوده، در حالی که قوی‌تر نیز هستند. علاوه بر همه موارد فوق، تعیین مولفه‌های سیگنال از روی تابع خود همبستگی وقتی که سیگنال شامل چند ریتم غالب باشد، مشکل بوده، در حالی که به وسیله طیف توان این کار به راحتی قابل تعیین است.
مقادیر متوالی یک سیگنال EEG یا MEG ، که حاصل یک فرایند آماری هستند، الزاما مستقل نیستند. مقادیر گسسته و متوالی یک سیگنال وابستگی معینی به یکدیگر دارند و در واقع خود همبستگی هر سیگنال در لحظه n نشان‌دهنده میزان تشابه سیگنال به |m پریود نمونه‌برداری قبل از زمان فعلی است. اگر سیگنال تغییرات شدیدی داشته باشد شباهت آن به لحظات قبل اندک خواهد بود و نشانه‌ای برای مورفولوژی سیگنال است و این که آیا ایستا است یا خیر. shirazbme.ir image 5019

روش‌های تحلیل در حوزه فرکانس
تحلیل سیگنال های مغزی در حوزه فرکانس از سایر روش‌های پردازش سیگنال مغزی  پر کاربردتر بوده و گرچه امکان محاسبه مولفه‌های فرکانسی سیگنال ها با استفاده از روش تحلیل فاصله وجود دارد، لیکن مناسب‌ترین روش تحلیل فوریه بر اساس تابع خود همبستگی یا پریودوگرام (Periodogram) است. با ابداع الگوریتم‌های سریع محاسبه تبدیل فوریه گسسته (FFT)‌ در روش‌های رقمی پردازش سیگنال های مغزی پیشرفت چشمگیری به وجود آمد. در روش‌های پردازش حوزه فرکانس معمولا مشخصه‌های مختلف طیف توان مورد بررسی قرار می‌گیرند.
بخش مهم دیگر تحلیل طیفی سیگنال های مغزی، تحلیل بین طیفی است. به این روش ارتباط سیگنال های مغزی با همدیگر کمی می‌شود. توان بین طیفی، حاصل تبدیل فوریه بین یک سیگنال و مزدوج مختلط سیگنال دیگر است مقدار توان بین طیفی مختلط بوده و لذا دارای دامنه و فاز است.   ‌

www.shirazbme.ir

روش‌های تحلیل در حوزه زمان  -‌فرکانس

تاکنون دو دیدگاه بسیار رایج زمانی و فرکانسی در مورد سیگنال ها بررسی شدند. بنابر اصل عدم قطعیت هایزنبرگ، نمی‌توان دقت اندازه‌گیری زمان و فرکانس را همزمان بالا برد و در این مورد محدودیت‌های جدی وجود دارد. به این صورت که با بالا بردن دقت کار در حوزه زمان، دقت کار در حوزه فرکانس کاهش می‌یابد و بالعکس. هر چند دیدگاه‌های فرکانسی تاکنون خدمات شایان توجهی را به پردازش کرده‌ا‌ند، اما همواره یک نکته باقی می‌ماند؛ هنگامی که یک سیگنال پویا از نظر حوزه فرکانسی توسط ابزاری مانند تبدیل فوریه ملاحظه می‌شود، هر چند معلوم می‌شود چه فرکانس‌هایی در این سیگنال وجود دارد، اما زمان وقوع آن‌ها همچنان در پرده ابهام می‌ماند. از دیدگاه فرکانسی نوازنده‌ای که قطعه‌ای را می‌نوازد، در گستره‌ای از فرکانس‌ها سیگنالی را ایجاد می‌کند که اطلاعی از نحوه توالی آن‌ها در دست نیست و معنایی از آن به دست نمی آید. در مورد سیگنال‌های بیولوژیک این مسئله شکل حادتری به خود می‌گیرد، چرا که فرکانس‌های خاص در زمان‌های متفاوت، می‌تواند معانی مختلفی داشته باشد. این مساله پردازش سیگنال‌های بیولوژیک را به استفاده از تبدیلات حوزه زمان  -‌فرکانس رهنمون می‌سازد. این تبدیلات به دو دسته خطی و غیرخطی تبدیل می‌شوند که معروف‌ترین تبدیلات خطی شامل تبدیل فوریه زمان کوتاه(Short Time Fourier Transform) و تبدیل ویولت  هستند. تبدیل غیرخطی شامل تبدیل یا توزیع ویگنر(Wigner)، تابع ابهام (Ambiguity Function) و  …‌است.

روش‌های مبتنی بر مدل‌سازی پارامتری(Parametric Methods)

مدل‌سازی پارامتری یکی از تکنیک‌های تجزیه و تحلیل سری‌های زمانی است که در آن، یک مدل ریاضی به سیگنال نمونه‌برداری شده نسبت داده می‌شود. چنانچه مدل مذکور تقریب خوبی از رفتار سیگنال مشاهده شده به دست آورد، می‌توان از آن در طیف وسیعی از کاربردها  تخمین طیف توان Power    Spectrum    Estimation(‌)، کد سازی با پیشگویی خطی Linearity Predicted Coding(‌)، فشرده سازی و استخراج ویژگی برای مقاصد بازشناسی الگو استفاده کرد.
روش‌های مدل سازی پارامتری بر اساس فرض ایستایی سیگنال است (سیگنال هایی که مشخصات آماری آن‌ها با زمان تغییر نمی‌کنند.) در تجزیه و تحلیل سیگنال های غیر ایستا نظیر سیگنال های مغزی این مشکل به دو طریق قابل حل است: یک راه به کارگیری مدل های پارامتری تطبیقی است. در این روش ضرائب مدل، نمونه به نمونه محاسبه می‌شود و معیار تغییر ضرائب، اختلاف بین مقدار واقعی و مقدار پیش‌بینی شده بر اساس ضرائب استخراج شده قبلی است. اگر چه این روش مشکل غیر ایستایی سیگنال را رفع می‌کنند اما از نظر محاسباتی بسیار پر هزینه است.
روش دیگر تقسیم‌بندی سیگنال به قطعات کوچک است، به طوری که بتوان در طول آن قطعه، سیگنال را ایستا فرض کرد. مسئله مهم دیگر در تکنیک‌های مدل‌سازی پارامتری، روش تخمین پارامترهای مدل است. یکی از پارامترهای اولیه در تخمین مدل‌های پارامتری رتبه مدل است که نقش مهمی در کیفیت و دقت مدل‌سازی سیگنال دارد.

یکی از مهم ترین کاربردهای مدل‌سازی پارامتری، تخمین طیف توان سیگنال است. تخمین طیف توان با استفاده از مدل‌های پارامتری در مقایسه با روش‌های قدیمی که عمدتا مبتنی بر تبدیل فوریه هستند از خصوصیات بهتری برخوردار است. چنانچه نسبت سیگنال به نویز پایین بوده و طول سیگنال مورد نظر کوچک باشد، روش‌های قبلی، طیف توان دقیقی را ارائه نمی کنند چرا که روش‌های مبتنی بر تبدیل فوریه دقت تفکیک فرکانسی خوبی به دست نمی آورند، بنابراین مولفه‌های فرکانس دو یا چند سیگنال با طول کوتاه و نسبت سیگنال به نویز (SNR) پائین قابل تفکیک نیستند. محدودیت مهم دیگر، لزوم پنجره‌گذاری بر روی سیگنال، در حین تجزیه و تحلیل طیفی است. پنجره‌گذاری باعث نشست فرکانسی در حوزه فرکانس می‌شود به طوری که توان موجود در لب اصلی به لب‌های فرعی نشست می‌کند. محدودیت‌های فوق با استفاده از مدل‌های پارامتری قابل جبران است به علاوه، مشخصه غیر ایستان سیگنال‌های مغزی و در نتیجه لزوم انتخاب قطعات کوتاه از سیگنال، استفاده از آن‌ها را مناسب می‌سازد. به این ترتیب با کوچک گرفتن قطعات سیگنال های مغزی، دقت زمانی مناسبی در تجزیه و تحلیل تغییرات متوالی عملکرد مغز قابل حصول خواهد بود.در میان روش‌های پارامتری Autoregressive)AR، MA،(Autoregressive Moving Avarage)ARMA،) روش مدل‌سازی خود باز گشتی AR خصوصا با هدف تخمین طیف توان جزء معروف‌ترین‌ها هستند.

روش‌های تحلیل با استفاده از طیف‌های مرتبه بالا(Higher Order Spectra‌)
در روش‌های تخمین طیف فرض اولیه بر این است که سیگنال مورد بررسی به صورت جمع تعدادی از هارمونیک‌های فرکانسی است که فاقد هر گونه همبستگی آماری هستند و با این فرض میزان چگالی توان در هر یک از هارمونیک‌ها محاسبه می‌شود، بنابراین روابط بین فاز هارمونیک‌ها حذف می‌شود. اطلاعات موجود در طیف توان اگر چه برای شناسایی کامل یک فرایند کاملا گوسی با میانگین مشخص کافی است ولی در بسیاری از موارد عملی نیاز به اطلاعاتی بیش از طیف توان، نظیر میزان انحراف فرایند از توزیع گوسی و میزان و نوع غیر خطی بودن فرایند است که در طیف توان قابل دسترسی نیست.
حالت‌های خاص  HOS که از کاربرد بیشتری برخوردارند عبارتند از: طیف مرتبه ۳ و طیف مرتبه ۴ که به ترتیب به صورت تبدیل فوریه دنباله کامیولنت مرتبه ۳ و دنباله کامیولنت(Cumulant) مرتبه ۴ تعریف می‌شود. shirazbme.ir image 5021
حذف نویز گوسی با طیف نامشخص در مسائل تشخیصی، تخمین پارامترها و دسته‌بندی سیگنال های مغزی همچنین تشخیص و دسته‌بندی غیر‌خطی‌های موجود در سیگنال های مغزی نمونه‌هایی از انگیزه‌های قابل استفاده از تحلیل طیف‌های مرتبه بالا در پردازش سیگنال مغزی هستند .
نخستین انگیزه بر این پایه استوار است که برای فرایند کاملا گوسی تمام طیف‌های کامیولنت از درجه بالاتر از دو صفر است. اگر یک سیگنال غیر گوسی به صورت جمع‌شده با نویز گوسی دریافت شود، یک تبدیل به فضای طیف‌های مرتبه بالاتر از دو، نویز را (از نظر تئوری)حذف خواهد کرد. طیف مرتبه ۳ در یک فرایند گوسی صفر است، لذا میزان گوسی نبودن فرایند با مقدار طیف مرتبه ۳ آن متناظر است. به منظور کمی کردن میزان غیرگوسی بودن یک فرایند اتفاقی، می‌توان مجموع دامنه‌های طیف مرتبه ۳ را محاسبه کرده و به عنوان معیار به کار برد.  ‌
انگیزه دوم حاصل این واقعیت است که در سیگنال های طبیعی حالاتی وجود دارد که به واسطه تقابل بین دو مولفه فرکانسی از یک فرایند، یک مولفه جدید در فرکانس مجموع یا تفاضل آن ها به وجود می‌آید. این پدیده که می‌تواند به واسطه خاصیت غیرخطی به وجود آید، باعث ایجاد رابطه خاصی در فاز فرایند می‌شود که به آن ترویج تربیعی فاز می‌گویند و در بعضی از کاربردهای خاص(تحقیقاتی که برروی سیگنال های مغزی انجام شده است حاکی از این است که بسیاری از حالات مختلف مغزی، رفتارهای خاصی را به صورت تزویج بین فرکانسی سیگنال های مغز در فرکانس های مختلف، از خود بروز می دهند)  لازم است دانسته شود که آیا پیک‌های موجود در طیف توان سیگنال، که از نظر فرکانسی با هم رابطه هارمونیک دارند(یعنی فرکانس یکی، برابر مجموع فرکانس دوتای دیگر است) واقعا در اثر تزویج فاز ایجاد شده‌اند، یا سه مولفه مستقل هستند؟ از آنجا که طیف توان مشخصات فاز فرایند را حذف می‌کند، در این مورد کارا نیست، ولی در مقابل طیف مرتبه ۳ قادر به تشخیص تزویج فاز موجود و تعیین میزان آن است.  ‌
بزرگ‌ترین مشکل استفاده از روش‌های مبتنی بر طیف های مرتبه بالا در پردازش سیگنال آن است که این روش‌ها نسبت به روش‌های مبتنی بر تابع خود همبستگی، به دنباله‌های طولانی‌تری از داده‌ها نیاز دارند و همچنین به علت چند بعدی بودن نیاز به محاسبات بیشتر و در نتیجه زمان محاسبه طولانی‌‌تری دارند.

روش‌های تجزیه و تحلیل مکانی  (Spatial Analysis)

الگوبرداری از مشخصه‌‌های مکانی سیگنال‌ها مشکل است. این الگوها بیانگر فعالیت چندین سیستم مجزا است. قدرت تفکیک مکانی به روش ثبت و تعداد کانال‌های ثبت وابسته است. ساده‌ترین شکل تحلیل مکانی نگاشت(Mapping‌) توزیع پتانسیل های مغزی بر روی پوست سر است. نگاشت مغزی در دو بخش قابل طرح و بررسی است: اول استخراج اطلاعات و پارامترهای مناسب و دوم تشکیل تصویر کامل و مناسبی از این پارامترها، به طوری که منطبق بر موقعیت مکانی کانال ها و فعالیت ثبت شده در سر باشد. در نگاشت می‌توان از مولفه‌های فرکانسی سیگنال های دریافتی یا فرم زمانی آن‌ها بهره جست، می‌توان باندهای فرکانسی را به صورت مجزا نگاشت کرد یا درصد هر یک از این امواج را در هر نقطه محاسبه کرد.  ‌
به منظور مقایسه کمی نگاشت‌ها، روش‌های آماری جهت تولید پارامترهای مقایسه مورد استفاده قرار می‌گیرند. به این طریق علاوه بر بررسی فعالیت مغزی، امکان مقایسه آن با دیگر نگاشت‌ها که می‌تواند نگاشت‌های طبیعی یا نگاشت‌های قبلی باشد، فراهم می‌آید. همچنین می‌توان با ذخیره نگاشت‌های متوالی و نمایش پشت سر هم آن‌ها، به عملکرد زمانی مغز پی برد. روش‌هایی که اساس آن پردازش سیگنال های مغزی است، نیاز به وقت، حوصله و دقت دارند و تنها افراد متخصص قادرند، نتایج حاصل را آنالیز و تحلیل کنند. این روش به علت نمایش گرافیکی از عملکرد مغز، از طرف طیف وسیعی از محققان مورد استقبال واقع شده است.

تازه ترین مطالب
لینکدونی
ابزارک ها
  • کل بازدید:
  • بازدید امروز :
  • یازدید دیروز :
  • بازدید این ماه :
  • بازدید ماه قبل :
  • تعداد نویسندگان :
  • تعداد کل مطالب :
  • آخرین بازدید :
  • آخرین بروز رسانی :


-*-*-*-*-*-*-*-*-*-*-*-*-*- *---*---*---*---*---*---*---*---*---*---*---*---*---*

.

*---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* *---*---*---*---*---*---*---*---*---*---*---*---*---* PRchecker.info -----------

  • به کدام مطالب حوزه مهندسی و پزشکی بیشتر علاقمندید؟