16709

بازسازي منابع مغزي بر اساس سيگنال الكتروانسفالوگرافي با استفاده از يادگيري عميق

1403

دكتر احسان دارستاني فراهاني

الكتروانسفالوگرافي ابزاري غيرتهاجمي براي مشاهده فعاليت الكتريكي مغز با دقت زماني بالا است، اما به‌دليل رسانش حجمي، ويژگي‌هاي الكترومغناطيسي بافت‌هاي سر، و همچنين محدود بودن تراكم الكترودها، از تفكيك مكاني ضعيف‌تري نسبت به روش‌هاي تصويربرداري ساختاري برخوردار است؛ به اين معنا كه اگرچه EEG مي‌تواند تغييرات سريع و لحظه‌به‌لحظه فعاليت عصبي را ثبت كند، اما توانايي آن در تعيين دقيق محل توليد اين سيگنال‌ها محدود است و همين موضوع آن را نيازمند روش‌هاي پيشرفته‌تر براي تخمين منبع مي‌كند. تصويربرداري منبع الكتروفيزيولوژيكي با هدف بازيابي توزيع فضايي جريان‌هاي قشري از سيگنال EEG شكل گرفته است، ولي اين فرآيند به‌طور ذاتي يك مسئله بدشرط محسوب مي‌شود؛ زيرا تعداد اندازه‌گيري‌ها در سطح جمجمه بسيار كمتر از تعداد منابع بالقوه در مغز است و تركيب اين شرايط با رسانش حجمي سبب مي‌شود كه نگاشت معكوس از سيگنال سطحي به نواحي فعال مغز يكتا نباشد. از اين‌رو، دستيابي به يك تخمين قابل اتكا نيازمند استفاده از قيدهاي رياضي، مدل‌هاي آماري و يا چارچوب‌هاي يادگيري است تا بتوانند نگاشت فيزيكي معكوس را با بهره‌گيري از فرضيات فيزيولوژيك، ساختاري يا داده‌محور فراگيرند . در اين سمينار، سير تحول راه‌حل‌هاي اين مسئله از رويكردهاي كلاسيك مبتني بر تنظيم‌كننده ، شامل روش‌هايي همچون ام‌اِن‌اِي ، اس‌لورِتا و ال‌سي‌اِم‌وي ، تا مدل‌هاي مبتني بر يادگيري عميق به‌صورت نظام‌مند مورد بررسي قرار گرفته است. اين مرور نه تنها به معرفي اصول اين روش‌ها مي‌پردازد، بلكه نشان مي‌دهد چگونه گذار از مدل‌هاي خطي و قاعده‌محور به سمت مدل‌هاي داده‌محور توانسته است دقت، پايداري و گستره كاربرد تخمين منبع را در شرايط واقعي به‌طور چشمگيري افزايش دهد. ده مقاله مرجع شامل نسل‌هاي كانولوشن‌محور (سيفنت ، كونوديپ )، مدل‌هاي زمان‌ـ‌مكان مبتني بر شبكه حافظه بلند‌ـ‌كوتاه‌مدت عميق براي مدل‌سازي فعاليت مغزي ، شبكه حافظه بلندـ‌كوتاه‌مدت مبتني بر گراف ، ساختارهاي رمزگذار–رمزگشا ، چارچوب‌هاي آگاه از فيزيك مانند چارچوب يادگيري عميق افزوده با دانش فيزيكي براي تصويربرداري منبع الكتروفيزيولوژيكي و شبكه يوـنت سه‌بعدي آگاه از فيزيك ، و همچنين مدل‌هاي هيبريد و باليني شامل ديپ‌سيف ، نقشه‌كننده مغز ، و مرور جامع رينود به‌صورت جداگانه تحليل شده‌اند. هر يك از اين روش‌ها نماينده مرحله‌اي از تكامل ESI در مسير حركت از مدل‌هاي ايستا و سطحي به سوي مدل‌هاي عميق، ساختاري، و مبتني بر دانش فيزيكي هستند. در جمع‌بندي، نقشه تكامل ESI از ديدگاه يادگيري عميق ترسيم مي‌شود و نشان مي‌دهد اين حوزه در حال حركت به سمت رويكردهايي است كه از يك‌سو به خودنظارتي و قابليت يادگيري بدون برچسب متكي‌اند، و از سوي ديگر، از داده‌هاي چندوجهي و مدل‌هاي قابل‌تبيين براي تصويرسازي دقيق‌تر بهره مي‌گيرند. اين روند آينده‌اي را ترسيم مي‌كند كه در آن تصويربرداري منبع الكتروفيزيولوژيكي نه‌تنها دقيق‌تر، بلكه شفاف‌تر، سازگارتر با دانش فيزيكي، و قابل استفاده‌تر در محيط‌هاي باليني خواهد بود.

12/10/2025 12:00:00 AM

89308

1404/10/15

Reconstructing brain resources based on EEG signals using deep learning