، جلد ۲۴، شماره ۳، صفحات ۹۴-۱۰۵
عنوان فارسی بازسازی تصاویر تصویربرداری تشدید مغناطیسی کارکردی با استفاده از سیگنال‌های الکتروآنسفالوگرام با روش شبکه‌های کانولوشنی همبند متراکم خود رمزنگار
چکیده فارسی مقاله چکیده: 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. مقدمه: داده‌های استفاده شده در این مدل یادگیر از ثبت هم‌زمان تصاویر fMRI و سیگنال‌های EEG 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. روش کار: داده‌های EEG به‌عنوان ورودی مدل و داده‌های تصاویر fMRI به‌عنوان 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 بالارفتن دقت مدل با حذف آرتیفکت‌ها با روش fastICA و تبدیل‌شدن به ماتریس گرامیان پیش‌پردازش می‌شود. یافته‌ها: مدل نسبت به سایر روش‌ها برتری‌های مناسبی را در زمان آموزش و دقت مدل نشان داده است.  نتایج: مدل عمیق یادگیر کانولوشنی پیشنهادی بادقت مطلوبی موفق به شبیه‌سازی تصاویر fMRI از روی سیگنال‌های EEG گردید.  
کلیدواژه‌های فارسی مقاله یادگیری عمیق، الکتروآنسفالوگرام، میدان انتقال مارکوف، DenseNet، آرتیفکت، fastICA، شبکه خود رمزنگار
عنوان انگلیسی Reconstruction of functional magnetic resonance imaging images using electroencephalogram signals with the method of Autoencoder densely connected convolutional networks.
چکیده انگلیسی مقاله Abstract: this research reconstructs functional magnetic resonance imaging images using electroencephalogram signals. Introduction: The data used in this study consists of the simultaneous recording of fMRI images and EEG signals during the cognitive task of moving random dots to measure the level of confidence in perceptual decision-making. Method: EEG data considers model input and fMRI image data as model output, and the model learns how to generate output format data from input format data. Before entering the data into the model, the input data are pre-processed to increase the accuracy of the model by removing the artifacts with the fastICA method and transforming them into the Gramian matrix. Result: Compared to other methods, the model has showed appropriate superiority, including in execution time and accuracy of the model. Conclusion: The proposed deep convolutional learning model succeeded in simulating fMRI images from EEG signals with good accuracy.  
کلیدواژه‌های انگلیسی مقاله deep learning, electroencephalogram, Markov transfer field, DenseNet, artifact, fastICA, autoencoder network
نویسندگان مقاله مهدی ارجمند | Mahdi Arjmand
Institute for Cognitive Science Studies
موسسه علوم شناختی

سعید ستایشی | Saeed Setayeshi
Amirkabir university
دانشگاه امیرکبیر

منوچهر کلارستاقی | Manouchehr Kelarestaghi
Khwarizmi university
دانشگاه خوارزمی

جواد حاتمی | Javad Hatami
Tehran University
دانشگاه تهران

نشانی اینترنتی http://icssjournal.ir/browse.php?a_code=A-10-1519-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز
نوع مقاله منتشر شده پژوهشی اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات