سیده ملیحه حسنی حسن کلا - دانشکده مهارت و کارآفرینی، واحد بابل،دانشگاه آزاد اسلامی،بابل،ایرا ن

الگوریتمهای جداسازی کور منابع سیگنال های عصبی را از دیتای الکتروانسفالوگرافی استخراج می کنند. بهرحال تعیین مقدار بازدهیجداسازی منابع، کاری سخت است زیرا هیچ معیاری برای جداسازی سیگنال های عصبی و نویز در سیگنال های EEG وجود ندارد. اینمطالعه روشی را برای ارزیابی بازدهی BSS ارائه می دهد. ایده ی مورد نظر این است که سیگنال های عصبی در EEG می توانند بامقایسه همزمان با سیگنال های ECoG تخمین زده شوند. زیرا الکترودهای ECoG اکثریت سطح کورتیکال جانبی را پوشش میدهند و باید اکثر منابع عصبی اول یه در سیگنال های EEG را دریافت کنند. ما دیتای ECoG و EEG را اندازه گیری کردیم و یکالگوریتم را برای ارزیابی بازدهی BSS توسعه دادیم. در ابتدا سیگنالهای EEG با استفاده از الگوریتم BSS به مولفه های EEGتقسیم می شوند. در مرحله ی دوم مولفه های EEG با استفده از ضرایب همبستگی رگرسیون ECoG رتبه بندی می شوند. مولفههای مورد نظر برحسب رتبه هایشان به زیرمجموعه هایی گروه بندی می شوند. در مرحله ی سوم آنالیز همبستگی کانونی مقداراطلاعاتی که بین زیرمجموعه های مولفه های EEG و سیگنالهای ECoG تسهیم شده است را تخمین می زند. ما الگوریتم مان رابرای مقایسه بازدهی الگوریتمهای BSS (PCA, AMUSE, SOBI, JADE, fastICA) از طریق دیتای EEG و ECoG غیر انسانیبیهوش شده استفاده کردیم. نتایج مورد نظر (Best case >JADE = fastICA >AMUSE = SOBI ≥ PCA >random separation) بین دو سوژه مشترک بودند.

BSS, ECoG, EEG