27128

رمزگشايي حالت هاي مختلف توجه بينايي با استفاده از ارتباطات مغزي و تئوري گراف

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1401

1401/4/26

محمدرضا دليري

دانشكده مهندسي برق

توجه بصري يكي از انواع توجه انتخابي است كه نقش مهمي در اولويت بندي و پردازش اطلاعات دريافتي از صحنه هاي بصري اطراف ما دارد. مغز يك شبكه پيچيده اي است كه از نواحي متعددي تشكيل شده كه اين نواحي داراي عملكرد هاي مختلفي هستند و در حين نظارت و انجام وظايف مختلف، نواحي مغز به طور موثر در فواصل زماني منظم با يكديگر هماهنگ مي شوند و شبكه پيچيده اي از ارتباطات مغزي را تشكيل مي دهند. در اين پژوهش سعي بر اين است كه با بررسي فعل و انفعالات و ارتباطات بين نواحي مختلف مغزي و با استفاده از تئوري گراف به رمزگشايي حالت هاي مختلف توجه بپردازيم. براي اين كار از سينگال EEG ثبت شده حين انجام وظايف توجه ديداري پنهان 15 فرد استفاده شده است. ارتباطات عملكردي ضريب همبستگي پيرسون و همدوسي براي اندازه گيري ارتباطات عصبي موجود بين كانال هاي مغزي، استفاده شده است. در واقع هر يك از اين دو معيار به تنهايي به عنوان ويژگي در نظر گرفته شده و با استفاده از هر يك از آن ها كار كلاس بندي را انجام داده ايم. با تعداد بهينه 40 ويژگي، كلاس بند QDA با ويژگي همبستگي و همدوسي دقت 79.83، 83.28 درصد را به دست آورده است. با توجه به نتايج به دست آمده نتايج حاصل از رمزگشايي توجه توسط معيار همدوسي بهتر بوده و به همين سبب در ادامه، براي بررسي تاثير تئوري گراف از معيار درجه، كارايي و بينابيني به عنوان معيار هاي گراف بر روي شبكه هاي عصبي به دست آمده از معيار همدوسي استفاده شده است. كلاس بند QDA با تعداد بهينه 40 ويژگي از تركيب ويژگي هاي درجه، بينابيني و كارايي كانال ها منجر به دقت 86.46 درصد و كلاس بند QDA با تعداد بهينه 40 ويژگي تنها با ويژگي درجه گراف دقت 89.96 درصد را به دست آورده است. در نهايت نتايج اين پژوهش نشان مي دهد كه ارتباطات مغزي و ويژگي هاي گراف شبكه هاي مغزي مي توانند در رمزگشايي حالت هاي مختلف توجه ديداري پنهان موثر باشد.

1401/07/23

Decoding the different states of visual attention using brain connectivity and graph theory

7/17/2023 12:00:00 AM

Visual attention is one of the types of selective attention that plays an important role in prioritizing and processing the information received from the visual scenes around us. The brain is a complex network that consists of many areas that have different functions and while monitoring and performing different tasks, the brain areas are effectively coordinated with each other at regular intervals and a complex network of connections. In this study, we try to decode different states of attention by examining interactions and connections between different brain regions and using graph theory. Using the EEG signal recorded while performing visual attention tasks of 15 subjects. Pearson's correlation coefficient and coherence have been used to measure the neural connections between brain channels. In fact, each of these two criteria alone is considered as a feature and we decode by using each of them. With the optimal number of 40 features, the QDA classifier with the feature of correlation and coherence has obtained the accuracy of %79.83, %83.28. The results obtained from the decoding of attention by the coherence criterion are better, and for this reason, in order to investigate the influence of graph theory, the criterion of degree, efficiency, and betweenness are used as graph criteria on neural networks. The QDA classifier with the optimal number of 40 features from the combination of degree, betweenness and channel efficiency features leads to %86.46, and the QDA classifier with the optimal number of 40 features with only the graph degree feature has an accuracy of %89.96. Finally, the results of this research show that brain connections and brain network graph measurement can be effective in decoding different covert visual attention states.

توجه ديداري , ارتباطات مغزي , تئوري گراف

Visual attention , graph theory , Brain connectivity

zeinab rezaee

Dr.Mohammad Reza Daliri