MAPress
مقاله از پاکسازی EEG تا رمزگشایی: نقش حذف آرتیفکت در رابط‌های مغز و کامپیوتر مبتنی بر تصویرسازی حرکتی

مقاله از پاکسازی EEG تا رمزگشایی: نقش حذف آرتیفکت در رابط‌های مغز و کامپیوتر مبتنی بر تصویرسازی حرکتی

رابط‌های مغز و کامپیوتر مبتنی بر تصویرسازی حرکتی (MI) به نویزهای الکتروانسفالوگرافی (EEG) حساس هستند، اما تأثیر عملی حذف خودکار نویز بر عملکرد رمزگشایی تصویرسازی حرکتی همچنان نامشخص است. در حالی که بی...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

از پاکسازی EEG تا رمزگشایی: نقش حذف آرتیفکت در رابط‌های مغز و کامپیوتر مبتنی بر تصویرسازی حرکتی

From EEG Cleaning to Decoding: The Role of Artifact Rejection in MI-based BCIs

نویسندگان: Davoud Hajhassani, Bruno Aristimunha, Paul-Adrien Graignic, Apolline Mellot, Lionel Kusch, Arnaud Delorme, Thomas Semah, Arnault H. Caillet

شناسه منبع: arxiv / 2605.12408

دسته: Signal Processing

چکیده (فارسی)

رابط‌های مغز و کامپیوتر مبتنی بر تصویرسازی حرکتی (MI) به نویزهای الکتروانسفالوگرافی (EEG) حساس هستند، اما تأثیر عملی حذف خودکار نویز بر عملکرد رمزگشایی تصویرسازی حرکتی همچنان نامشخص است. در حالی که بیشتر تحقیقات بر طراحی رمزگشا متمرکز هستند، سهم پاکسازی داده‌ها، به‌ویژه سیاست‌های حذف خودکار، با وجود اهمیت آن برای خطوط لوله یادگیری ماشین قوی، توجه کمتری دریافت کرده است. در این مقاله، ما روش سبک Fast Automatic Artifact Rejection (FAAR) را معرفی می‌کنیم که مجموعه‌ای فشرده از ویژگی‌های حساس به نویز را محاسبه کرده، شاخص کیفیت سیگنال در سطح دوره را استخراج می‌کند، آستانه‌های حذف را به صورت تطبیقی انتخاب می‌کند و دوره‌های آلوده را بدون نیاز به دانش قبلی از انواع نویز یا تنظیم دستی آستانه‌ها به طور خودکار رد می‌کند. ما FAAR را بر روی ۱۳ مجموعه داده عمومی تصویرسازی حرکتی ارزیابی کرده و آن را با یک خط پایه بدون حذف، AutoReject و Isolation Forest مقایسه می‌کنیم. ما نشان می‌دهیم که اثرات حذف به شدت به آزمودنی و رژیم (شرایط) بستگی دارد و بیشترین بهبود در شرایط با خط پایه پایین/نسبت سیگنال به نویز پایین مشاهده می‌شود، بنابراین باید به صورت تطبیقی استفاده شود. FAAR تنوع عملکرد بین آزمودنی‌ها را کاهش می‌دهد، که خاصیتی مهم برای قابلیت اطمینان رابط‌های مغز و کامپیوتر تصویرسازی حرکتی و سواد رابط مغز و کامپیوتر است، بدون اینکه داده‌ها را به شدت حذف کند. در نهایت، آستانه‌گذاری سبک و کاملاً خودکار FAAR رفتار حذف سازگاری را در طول پاکسازی آفلاین، آموزش و فیلترینگ آنلاین ایجاد می‌کند و از محدودیت‌های رابط‌های مغز و کامپیوتر بلادرنگ پشتیبانی می‌کند.

Abstract (English)

Motor imagery (MI) BCIs are sensitive to EEG artifacts, yet the practical impact of automated artifact rejection on downstream MI decoding performance remains unclear. While most work focuses on decoder design, the contribution of data curation, particularly automated rejection policies, has received comparatively less attention, despite its importance for robust ML pipelines. Here, we propose Fast Automatic Artifact Rejection (FAAR), a lightweight method that computes a compact set of artifact-sensitive features, derives an epoch-level Signal Quality Index, adaptively selects rejection thresholds, and automatically rejects contaminated epochs without requiring prior knowledge of artifact types or manual threshold tuning. We evaluate FAAR on 13 publicly available MI datasets and compare it to a no-rejection baseline, AutoReject, and Isolation Forest. We show rejection effects are strongly subject- and regime-dependent, with the largest gains in low-baseline/low-SNR conditions, so it should be used adaptively. FAAR reduces inter-subject performance variability, an important property for MI-BCI reliability and BCI-illiteracy, without aggressive data removal. Finally, FAAR's lightweight and fully automated thresholding yields consistent rejection behavior across offline curation, training, and online filtering, and supports real-time BCI constraints.

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.