حداقل سازی آرتیفکت های چشمی سیگنال eeg با استفاده از روش های غیرخطی به منظور بهبود تشخیص کودکان مبتلا به adhd

آرتیفکت های چشمی یکی از مهم ترین مشکلات در تفسیر سیگنال الکتروانسفالوگرام است. این مشکل سبب خواهد شد، ثبت سیگنال eeg به ویژه در کاربردهای تشخیصی و شناختی دارای خطاهای ناشی از آرتیفکت چشمی باشد، به این مفهوم که در صورت عدم حذف آرتیفکت، سیگنال eeg به شدت با آرتیفکت چشمی آمیخته شده و در صورت حذف آرتیفکت با یک روش نامناسب، نتایج حاصل از پردازش های لازم در کاربرد مورد نظر صحیح نخواهد بود. برای حداقل سازی این آرتیفکت ها روش تحلیل مولفه های مستقل و روش های مبتنی بر فضای فاز را بررسی نمودیم. روش تحلیل مولفه های مستقل آرتیفکت های سیگنال eeg را جدا می کند و لذا می توان با حذف مولفه ی مربوط به آرتیفکت چشمی و بازسازی سیگنال eeg از مولفه های مستقل باقیمانده، آرتیفکت چشمی را کاهش داد. برای بهبود تشخیص خودکار مولفه مربوط به آرتیفکت چشمی، مشخصه های غیرخطی بعد فرکتال هیگوچی مولفه ها، سمپل انتروپی مولفه ها، و اطلاعات متقابل بین مولفه ها و سیگنال eog را بررسی نمودیم. با استفاده از این مشخصه ها به دقت بالای 98% در تشخیص آرتیفکت های مربوط به پلک زدن دست یافتیم. برای بررسی روش های مبتنی بر فضای فاز از الگوریتم های کاهش نویز schreiber و تصویرسازی محلی استفاده شد. الگوریتم schreiber به طور کیفی اثر آرتیفکت چشمی را در فضای فاز از سیگنال eeg جدا می کند. در انتها به بررسی طبقه بندی کودکان مبتلا به adhd و سالم پس از حداقل سازی آرتیفکت چشمی پرداخته شد. این مطالعه بر روی سیگنال eeg 59 کودک سالم و 60 کودک مبتلا به adhd تحت یک پروتکل مبتنی بر توجه انجام شد. ثبت سیگنال 39 کودک سالم و 31 کودک مبتلا به adhd در این مطالعه انجام شد. سپس با توجه به حداقل سازی آرتیفکت های چشمی، ویژگی های مورد نظر شامل نمای لیاپانوف، بعد فرکتال کتز، بعد فرکتال سوکیک و بعد فرکتال هیگوچی را در قطعاتی از سیگنال به طول 5 ثانیه استخراج نمودیم و در طبقه بندی در بهترین حالت دقت 89% به دست آمد. در مقایسه با کار قبلی که بر روی سیگنال های با زمان کوتاه تر انجام شد، نتایج این تحقیق نشان می دهد در زمان-های نسبتاً طولانی (توجه ممتد) نیز می توان به قابلیت تفکیک خوبی در توجه کودکان سالم و adhd دست یافت.