استفاده از گراف پدیداری جهت تحلیل ارتباطات مغزی

مقدمه: تشخیص فعالیت‌های ذهنی در سیستم‌های واسط مغز رایانه مبتنی بر تصور حرکتی، توجه بسیاری از محققان را به خود جلب کرده است. گراف پدیداری روش قدرتمندی جهت تحلیل عملکرد و ارتباطات نواحی مختلف مغزی می‌باشد. هدف این پژوهش، بهبود و توسعه روش گراف پدیداری برای تحلیل رفتار مغز و تشخیص تصور حرکتی می‌باشد. مواد و روش‌ها: ابتدا سیگنال‌های مغزی شامل چهار کلاس تصور حرکتی دست چپ، دست راست، دو پا و زبان به سه نوع گراف پدیداری تبدیل و ویژگی‌های مهم گراف‌ها استخراج گردیده است. سپس جهت کاهش ویژگی‌ها از روش تحلیل واریانس استفاده شده است. برای طبقه‌بندی کلاس‌های تصور حرکتی از ماشین بردار پشتیبان استفاده گردیده است. در اکثر تحقیقات برای استخراج اطلاعات و وزن‌دهی گراف از توزیع درجه گراف استفاده شده است. اما در پژوهش حاضر، از توزیع اختلاف دامنه بهره گرفته شده، بنابراین سری‌های زمانی کوتاه‌تری مورد نیاز است. برای تحلیل عملکرد و ارتباطات نواحی مختلف مغزی و بدست آوردن جهت جریان اطلاعات، روش جدیدی به نام گراف پدیداری افقی وزن‌دار آنتروپی انتقال، ارائه شده است. یافته‌ها: افزایش مقدار کاپا در مقایسه با تحقیقات دیگر، نشان می‌دهد که گراف پدیداری افقی وزن‌دار روش مناسبی جهت پردازش سیگنال‌های مغزی مبتنی بر تصور حرکتی است. مقایسه گراف‌های مغزی و جهت جریان اطلاعات در چهار کلاس تصور حرکتی، تفاوت معنی‌دار بین آن‌ها را نشان داد. نتیجه‌گیری: شبکه‌های زمانی، درک بهتری درمورد دینامیک‌های مغزی در سیستم‌های واسط مغز رایانه مبتنی بر تصور حرکتی را ارائه می‌دهند.

Using Visibility Graph to Analyze Brain Connectivity

Introduction: Recognition of mental activities in braincomputer interface systems based on motor imagery has attracted the attention of many researchers. A visibility graph is a powerful method for analyzing the function and connectivity of different areas of the brain. The aim of this study is to improve and develop the visibility graph method for analyzing brain behavior and detecting motor imagery. Materials and Methods: First, brain signals including four motor imagery classes of lefthanded, righthanded, foot, and tongue were transformed into three types of visibility graphs, and important features of these graphs were extracted. Then, to reduce features, the method of analysis of variance was used. To classify the motor imagery classes, the support vector machine was used. In most investigations, graph degree distribution has been used to extract information and graph weighting. In the present study, amplitude difference distribution has been used so shorter time series are required. To analyze the function and connectivity of different areas of the brain and to obtain the direction of information flow, a new method called weighted horizontal visibility graphtransfer entropy has been proposed. Results: Increasing the kappa value compared to other studies showed that a weighted horizontal visibility graph is a suitable method for processing brain signals based on motor imagery. A comparison of brain graphs and the direction of information flow in the four classes of motor imagery showed a significant difference between them. Conclusion: Temporal networks provide a better understanding of brain dynamics in braincomputer interface systems based on motor imagery.