بازسازی تصاویر تصویربرداری تشدید مغناطیسی کارکردی با استفاده از سیگنال‌های الکتروآنسفالوگرام با روش شبکه‌های کانولوشنی همبند متراکم خود رمزنگار

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.نتیجه ‌گیری: 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، پیاده‌ سازی نمود. 

reconstruction of functional magnetic resonance imaging images using electroencephalogram signals with the method of autoencoder densely connected convolutional networks

introduction: the data used in this study consists of the simultaneous recording of functionalmagnetic resonance imaging (fmri) images and electroencephalography (eeg) signals during thecognitive task of moving random dots to measure the confidence levelin perceptual decision-making.this research reconstructs fmri images using electroencephalogram signals.methods: eeg data assumed the model input and fmri image data as model output, and the modellearns how to generate output format data from input format data. before entering the data into themodel, the input data are pre-processed to increase the model accuracy by removing the artifactswith the fast algorithm for independent component analysis (fastica) method and transformingthem into the gramian matrix.results: compared to other methods, the model has shown appropriate superiority, including inthe execution time and the model accuracy.conclusion: the proposed deep convolutional learning model succeeded in simulating fmri imagesfrom eeg signals with reasonable accuracy