بکارگیری فیلتر ذره ترتیبی برای مکانیابی منابع سیگنال‌های eeg

در این مقاله به مکانیابی منابع فعال همزمان چندگانه سیگنال‌های eeg با بهره‌گیری از روشی جدید و مبتنی بر فیلتر ذره پرداخته می شود. در روش پیشنهادی که فیلتر ذره ترتیبی (sequential particle filter (spf)) نام دارد، مولفه‌های بردار حالت هر یک از منابع به طور مجزا و با در نظر گرفتن اثر دیگر منابع تخمین زده می‌شوند. این روش با ایجاد تغییر در نحوه بازنمونه‌برداری و وزن‌دهی ذرات، نوعی فیلتر فضایی را برای بازتولید ذرات در الگوریتم فیلتر ذره ایجاد می‌کند که روش spf را قادر می‌سازد که نسبت به الگوریتم‌های متداول فیلتر ذره، مقاومت بیشتری در مقابل نویز داشته باشد. برای ارزیابی عملکرد روش پیشنهادی، دو دسته شبیه‌سازی با سیگنال‌های تک فرکانسی و سیگنال‌های eeg شبه‌واقعی طراحی شده و همچنین عملکرد روش پیشنهادی بر سیگنال‌های eeg واقعی نیز مورد بررسی و مقایسه با دیگر روش‌ها از جمله الگوریتم سنتی فیلتر ذره و sloreta، قرار گرفته است. نتایج نشان داده که روش پیشنهادی، در مقادیر نویز بالا، نسبت به الگوریتم سنتی فیلتر ذره و شکل‌دهنده پرتو lcmv خطای مکانیابی را کاهش داده است. ضمن اینکه نتایج شبیه‌سازی‌ها نشان داد که با استفاده از این روش می‌توان تعداد منابع فعال همزمان بیشتری را نسبت به روش‌های مورد مقایسه مکانیابی کرد. همچنین این روش به دلیل شکستن ابعاد بردار حالت به چندین زیربردار، متناسب با تعداد منابع، سرعت بالاتری نسبت به روش‌های سنتی فیلتر ذره دارد.

application of sequential particle filter in locating eeg signal sources

this paper addresses the problem of eeg source localization using a new method based on particle filter. the proposed method is named sequential particle filter (spf). spf estimates each source’s state vector parameters separately by considering the effect of other active sources. this method applies some modifications to particle resampling and weighting steps on conventional particle filter algorithms. these modifications, which are kind of applying spatial filtering on particles, lead to less susceptibility to noise for spf comparing to the conventional particle filters. the spf method has evaluated using two kinds of simulation scenarios (single tone and pseudo real eeg data) and real eeg data. the spf results have been compared to conventional particle filter, lcmv beamformer, and sloreta (schematically comparison). the results have shown that spf improves localization accuracy in low snrs compared to the conventional particle filter algorithm and lcmv beamformer methods. in addition, simulation results illustrate that the spf method is more effective in localizing simultaneous active sources than the others. also, since the spf method divides the state vector into several sub vectors (related to the number of sources), it has higher computational speed than the conventional particle filter.