skip to Main Content
تغییر پذیری  تجزیه ICA ممکن است سیگنال‌های EEG را هنگامی که برای حذف آرتیفکت ها مورد استفاده قرار می‌گیرند، تحت‌تاثیر قرار دهد

تغییر پذیری  تجزیه ICA ممکن است سیگنال‌های EEG را هنگامی که برای حذف آرتیفکت ها مورد استفاده قرار می‌گیرند، تحت‌تاثیر قرار دهد

عنوان انگلیسی: Variability of ICA decomposition may impact EEG signals when used to remove eyeblink artifacts
سال نشر: ۲۰۱۶
نویسنده: Matthew B. Pontifex,Kathryn L. Gwizdala,Andrew C. Parks,Martin Billinger,Clemens Brunner
تعداد صفحه فارسی: ۲۰ – تعداد صفحه انگلیسی: ۱۳
دانشگاه: Department of Kinesiology; Michigan State University; East Lansing Michigan USA,Department of Kinesiology; Michigan State University; East Lansing Michigan USA,Department of Kinesiology; Michigan State University; East Lansing Michigan USA,Department of Otolaryngology; Hannover Medical School; Hanover Germany,Institute of Psychology, University of Graz; Graz Austria
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

با وجود استفاده روزافزون از الگوریتم های تجزیه و تحلیل مولفه‌های مستقل (ICA)برای ایزوله سازی و حذف فعالیت مربوط به eyeblink از داده‌های EEG، ما درک محدودی از این که چگونه تغییرپذیری مربوط به سیگنال EEG بازسازی‌شدهT پس از حذف اجزای آرتیفکت eyeblink ممکن است تاثیر گذار باشد، داریم.به منظور مشخص نمودن بزرگی این عدم قطعیت ICA و درک میزان تاثیر آن بر یافته‌های درون ERP و EEG، تجزیه و تحلیل داده‌های EEG از ۳۲جوان دانشگاهی ،۳۰ بار برای سه الگوریتم معروف ICA تکرار شد. پس از هر تجزیه، مولفه‌های eyeblink شناسایی و حذف شدند. اجزای باقی مانده به تصویر کشیده شدند و داده‌های EEG پاک حاصل برای تجزیه و تحلیل erps مورد استفاده قرار گرفتند. یافته‌ها نشان داد که عدم قطعیت ICA منجر به تغییر در دامنه p3 و نیز تغییر در تمامی نقاط نمونه‌برداری EEG می‌شود، اما با الگوریتم‌های ICA به عنوان تابعی از مکان فضایی کانال EEG متفاوت است. این بررسی پتانسیل عدم قطعیت ICA را برای معرفی منابع بیشتری از واریانس در زمانی که داده‌ها بدون مولفه‌های آرتیفکت به نمایش در می‌آیند، برجسته می‌کند. انتخاب دقیق الگوریتم های ICA و

Abstract

Despite the growing use of independent component analysis (ICA) algorithms for isolating and removing eyeblink‐related activity from EEG data, we have limited understanding of how variability associated with ICA uncertainty may be influencing the reconstructed EEG signal after removing the eyeblink artifact components. To characterize the magnitude of this ICA uncertainty and to understand the extent to which it may influence findings within ERP and EEG investigations, ICA decompositions of EEG data from 32 college‐aged young adults were repeated 30 times for three popular ICA algorithms. Following each decomposition, eyeblink components were identified and removed. The remaining components were back‐projected, and the resulting clean EEG data were further used to analyze ERPs. Findings revealed that ICA uncertainty results in variation in P3 amplitude as well as variation across all EEG sampling points, but differs across ICA algorithms as a function of the spatial location of the EEG
۲۹۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top