آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,479 |
| تعداد مقالات | 18,073 |
| تعداد مشاهده مقاله | 58,476,650 |
| تعداد دریافت فایل اصل مقاله | 19,836,092 |
تاثیر محدودسازی مبتنی بر آزمون تکلیف و مدلهای آماری در تشخیص فعالیت مغز با ICA: تحلیل سریهای زمانی fMRI | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 22 فروردین 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.68536.5064 | ||
| نویسندگان | ||
| امیرحسین تجرد؛ تانیا حسینخانی؛ شمسی موسی* ؛ اصغر زارعی | ||
| اذربایجان شرقی،شهرجدیدسهند،دانشگاه صنعتی سهند،دانشکده مهندسی پزشکی | ||
| چکیده | ||
| تصویربرداری تشدید مغناطیسی عملکردی (fMRI) ابزاری کلیدی برای بررسی فعالیتهای مغزی است، اما تحلیل دادههای آن بهدلیل پیچیدگیهای زمانی سیگنالها و عدم قطعیت الگوریتمی با چالشهایی مواجه است. الگوریتمهای کلاسیک تحلیل مؤلفههای مستقل (ICA) مانند FastICA به دلیل فرض استقلال کامل آماری، اغلب با تعداد مثبت کاذب بالا و ناپایداری نتایج روبرو هستند. این مطالعه با هدف مقایسه جامع سه الگوریتم FastICA، کمینهسازی کران آنتروپی(ERBM) و ICA فضایی نیمهکور (SBS-ICA) طراحی شده است. هدف از این مقایسه، ارزیابی تأثیر فرضهای آماری و اطلاعات پیشین بر کیفیت جداسازی مؤلفههای fMRI و شناسایی نواحی فعال مغزی است. ارزیابیها با تعداد مؤلفههای 40، 50، 60 و 70 انجام شد و نتایج نشان داد که الگوریتم SBS-ICA، بهدلیل بهرهگیری از اطلاعات پیشین مکانی، بهترین عملکرد را با سطح زیر منحنی ROC برابر با 999/0، همبستگی بالا (89/0) و کمترین تعداد مثبت کاذب ارائه میدهد. پس از آن، الگوریتم ERBM با مدلسازی همبستگیهای زمانی، عملکرد بهتری نسبت به FastICA داشت و میانگین مربعات خطای پایینتر (079/0) و همبستگی پایدارتری را نشان داد، در حالی که FastICA ضعیفترین نتایج را بهدست آورد. این یافتهها برتری روشهای مبتنی بر ICA و اهمیت مدلسازی تکالیف در تحلیل دقیق دادههای fMRI را برجسته میکنند. | ||
| کلیدواژهها | ||
| روشهای جداسازی منبع کور؛ تحلیل سریهای زمانی fMRI؛ کمینهسازی کران آنتروپی؛ ICA فضایی نیمه کور | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||