دوره 24، شماره 3 - ( پاییز 1401 )                   جلد 24 شماره 3 صفحات 115-105 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Arjmand M, Setayeshi S, Kelarestaghi M, Hatami J. Reconstruction of functional magnetic resonance imaging images using electroencephalogram signals with the method of autoencoder densely connected convolutional networks. Advances in Cognitive Sciences 2022; 24 (3) :105-115
URL: http://icssjournal.ir/article-1-1445-fa.html
ارجمند مهدی، ستایشی سعید، کلارستاقی منوچهر، حاتمی جواد. بازسازی تصاویر تصویربرداری تشدید مغناطیسی کارکردی با استفاده از سیگنال‌های الکتروآنسفالوگرام با روش شبکه‌های کانولوشنی همبند متراکم خود رمزنگار. تازه های علوم شناختی. 1401; 24 (3) :105-115

URL: http://icssjournal.ir/article-1-1445-fa.html


1- دانشجوی دکتری مدل‌سازی شناختی، گروه مدل‌سازی شناختی، موسسه آموزش عالی علوم شناختی، تهران، ایران
2- دانشیار گروه مهندسی هسته‌ای، دانشکده فیزیک و مهندسی انرژی، دانشگاه صنعتی امیرکبیر، تهران، ایران
3- استادیار گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران
4- دانشیار روان‌شناسی، دانشگاه تهران و موسسه آموزش عالی علوم شناختی، تهران، ایران
چکیده:   (582 مشاهده)
مقدمه: داده‌های استفاده شده در این مدل یادگیر از ثبت هم‌زمان تصاویر تصویربرداری تشدید مغناطیسی و سیگنال‌های الکتروآنسفالوگرام در حین انجام تکلیف شناختی نقاط تصادفی متحرک برای سنجش میزان اطمینان در تصمیم‌گیری ادراکی تشکیل شده است با یادگیری مدل می‌توان از داده‌های سیگنال‌های الکتروآنسفالوگرام در آینده به طور مستقل استفاده کرد. هدف این پژوهش بازسازی تصاویر تصویربرداری تشدید مغناطیسی کارکردی با استفاده از سیگنال‌های الکتروآنسفالوگرام است این پژوهش کاربردی است که بر روی داده‌های ثبت شده هم‌زمان صورت پذیرفته است.
روش کار: داده‌های الکتروآنسفالوگرام به‌ عنوان ورودی مدل و داده‌های تصاویر تصویربرداری تشدید مغناطیسی به ‌عنوان خروجی مدل در نظر گرفته شده و مدل یاد می‌گیرد که چطور از داده‌هایی با قالب ورودی، داده‌هایی از جنس قالب خروجی تولید نماید. قبل از ورود داده‌ها به مدل داده‌های ورودی برای بالا رفتن دقت مدل با حذف آرتیفکت‌ها با روش fastICA و تبدیل ‌شدن به ماتریس گرامیان پیش‌پردازش می‌شود.
یافته‌ها: مدل نسبت به سایر روش‌ها برتری‌های مناسبی را در زمان آموزش و دقت مدل نشان داده است و مدل عمیق یادگیر کانولوشنی پیشنهادی با دقت مطلوبی موفق به شبیه‌سازی تصاویر تصویربرداری تشدید مغناطیسی از روی سیگنال‌های الکتروآنسفالوگرام گردید.
نتیجه­‌گیری: با استفاده از مدل عمیق یادگیر کانولوشنی پیشنهادی می‌توان به ارتباط بین فضای ساختاری و فضای رفتاری مغز  پی برد و آن را جهت مطالعه هر بخش، پیاده‌­سازی نمود.

 
متن کامل [PDF 1467 kb]   (189 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز
دریافت: 1401/4/30 | پذیرش: 1401/6/10 | انتشار: 1401/8/24

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

طراحی و برنامه نویسی : یکتاوب افزار شرق

Designed & Developed by : Yektaweb