16745

پردازش گرافي سيگنال‌هاي مغزي

1403

دكتر ابوذر غفاري

دكتر احسان دارستاني فراهاني

در سالهاي اخير، پردازش سيگنال روي گراف (GSP1)به عنوان چارچوبي قدرتمند براي تحليل داده هاي غيرمنظم، به ويژه سيگنال‌هايEEG مطرح شده است. مسئله‌ي اصلي در اين حوزه، تعريف گرافي است كه بتواند ساختار عملكردي و ارتباطي واقعي مغز را به درستي بازنمايي كند. گراف‌هاي از پيش تعريف شده بر پايه ي هندسه‌ي الكترودها يا همبستگي آماري، گرچه ساده و تفسيرپذير هستند، اما در بسياري از كاربردها قادر به مدلسازي دقيق پويايي پيچيده و شبكه اي مغز نيستند و پايداري محدودي در شرايط مختلف ثبت نشان مي‌دهند. اين پژوهش، با تمركز بر سيگنال‌هاي EEG روش‌هاي مبتني بر گراف‌هاي از پيش تعريف شده و گراف هاي يادگرفته شده‌‌ي داده محور را مرور و مقايسه مي‌كند. در بخش گراف‌هاي يادگرفته شده، ابتدا روش هاي مبتني بر صاف بودن سيگنال روي گراف بررسي مي‌شوند كه با استفاده از معيارهايي مانند تغييرات كلي و حل مسائل بهينه سازي محدب روي ماتريس وزن‌ها، گراف‌هاي تنك و معناداري را به طور مستقيم از داده استخراج مي‌كنند. سپس رويكردهاي كلاس محور معرفي مي‌شوند كه براي هر كلاس، با افزودن قيود تبعيض گر، گراف اختصاصي ياد مي‌گيرند. در ادامه، مدل‌هاي طيفي مرور مي‌شود كه با بهره گيري از خواص باند محدود بودن يا تنك بودن، هر دو مؤلفه‌ي هموار و ناهموار سيگنال‌هاي گرافي را به كار مي‌گيرند و ويژگي‌هاي مبتني بر تبديل‌هاي فوريه و موجك گرافي را به عنوان امضاهاي طيفي استخراج مي‌كنند. در نهايت، روش‌هاي يادگيري عميق گراف محور معرفي مي‌شوند كه ساختار گراف را به صورت تطبيقي مي‌آموزند. نتايج مطالعات مرور شده نشان مي‌دهد كه استفاده از گراف‌هاي يادگرفته شده، همراه با ويژگي‌هاي غيرخطي و تحليل طيفي چندمقياسي، مي‌تواند دقت تشخيص اختلالات مبتني بر EEG را افزايش دهد و در عين حال تفسيرپذيري شبكه‌هاي مغزي و امكان ارتباط با يافته‌هاي نوروفيزيولوژيك را حفظ كند. اين مجموعه روش‌ها، چارچوبي كارآمد و توسعه پذير براي طراحي سامانه‌هاي تصميم يار باليني و گسترش پژوهش در مرز مشترك ميان علوم اعصاب، پردازش سيگنال و يادگيري ماشين فراهم مي‌سازد. واژگان كليدي: پردازش سيگنال گراف،الكتروانسفالوگرافي، تبديل فوريه گراف، تبديل موجك گراف،يادگيري گراف، شبكه عصبي گرافي

1/1/1900 12:00:00 AM

89411

1404/10/21