رویکرد جدید برای بررسی پیچیدگی سیگنال کوتاه مدت eeg بر اساس شبکه عصبی

سابقه و هدف: کیفیت غیرخطی بودن eeg مانند سایر سیگنال‌های بی‌نظم را می‌توان با مقداری کمی نمود. بعضی از این مقادیر مانند نمای لیاپانف (lyapunov) در بررسی واگرایی مسیر سیگنال و برخی از این کمی‌کننده‌ها نیاز به بازسازی مسیر سیگنال دارند و برخی دیگر ندارند. اما همه این کمی کننده‌ها برای تعیین کمیت پیچیدگی سیگنال به سیگنال های طولانی نیاز دارند. مواد و روش‌ها: در این مطالعه ما یک رویکرد جدید برای بررسی پیچیدگی سیگنال آشفته در کوتاه مدت و استفاده از این روش برای بررسی پیچیدگی eeg ارائه خواهیم نمود. این روش، مبتنی بر مدل‌سازی سیگنال و مقایسه این مدل با سیگنال واقعی است. اهمیت این روش توانایی آن در تخمین پیچیدگی سیگنال کوتاه مدت به ویژه در سیگنال‌هایی است که پویایی آن‌ها به سرعت تغییر می‌کند.یافته‌ها: برای بررسی کمی میزان مناسب بودن روش ارائه شده، این روش بر روی یک سیگنال eeg محاسبه شد و همچنین مقادیر نمای لیاپانف با دو روش wolf و rosenstein محاسبه شد و میزان همبستگی مقدار به دست آمده از روش ارائه شده و دو نمای لیاپانف محاسبه گردید که مشابهت این مقدار با مقایسه با روش wolf برابر با 90 درصد و با مقایسه با روش rosenstein برابر با 83 درصد بود.استنتاج: روش ارائه شده می‌تواند پیچیدگی سیگنال‌ها را در دوره‌های کوتاه مدت تخمین بزند. این ویژگی کمی‌کننده که برای سیگنال‌های کوتاه مدت کاربرد دارد این ویژگی را برای بررسی تغییرات سریع و بررسی زمانی این تغییر قابل استفاده می‌کند. این کمی‌ساز همچنین می‌تواند در بررسی سیگنال‌های آشوب‌گون دیگر نیز مورد استفاده قرار گیرد.

A New Approach for Investigating the Complexity of Short Term EEG Signal Based on Neural Network

Background and purpose: The nonlinear quality of electroencephalography (EEG), like other irregular signals, can be quantified. Some of these values, such as Lyapunov #39;s representative, study the signal path divergence and some quantifiers need to reconstruct the signal path but some do not. However, all of these quantifiers require a long signal to quantify the signal complexity.Materials and methods: In this study, we present a new approach to investigate the complexity of turbulent signals in short term and use this method to investigate the complexity of EEG. This method is based on signal modeling and we compared this model with the real signal. The importance of this method is its ability to estimate the complexity of shortterm signals, especially in signals whose dynamics change rapidly.Results: To quantify the appropriateness of the proposed method, this method was calculated on an EEG signal and also the values ​​of Lyapunov view were calculated by Wolf and Rosenstein and the correlation of the value obtained from the proposed method and two Lyapunov views were calculated. This value was 90% compared to Wolf method and 83% compared to Rosenstein method.Conclusion: The method used in current study, can estimate the complexity of signals in short periods. This quantifier feature is of great help for tracking rapid changes and tracking the time sequence of this change. This quantifier can also be used to detect other disturbed signals.