مقاله ارزیابی زمان پاسخ چشمی مبتنی بر رابط مغز و کامپیوتر با استفاده از پیچش زمانی پویا در چارچوب شبکه عصبی عمیق مبتنی بر RDWT.

آسیب مغزی تروماتیک خفیف (mTBI) یک وضعیت شایع است که تشخیص آن در مراحل اولیه دشوار باقی می‌ماند. اختلال عملکرد چشمی یک نشانگر شناخته شده از mTBI است که توسعه ابزارهای قابل حمل برای ثبت رفتار حرکات چشم و فیزیولوژی عصبی زیربنایی را تحریک می‌کند. در این تحقیق، یک چارچوب اولیه ارائه می‌دهیم که الکتروانسفالوگرافی (EEG) را با وظایف غربالگری وستیبولار/چشمی حرکتی (VOMS) مبتنی بر واقعیت افزوده (AR) برای تخمین زمان پاسخ چشمی مختص هر فرد ادغام می‌کند. سیگنال‌های EEG پیش‌پردازش شده، که از طریق فیلتر کردن باند گذر و ارجاع میانگین به دست آمده‌اند، با استفاده از یک چارچوب شبکه عصبی عمیق مبتنی بر تبدیل موجک گسسته افزون (RDWT) تجزیه و تحلیل می‌شوند. ضرایب RDWT تحت فیلتر کردن کانولوشنال بدون فاز قابل آموزش قرار گرفته و از طریق RDWT معکوس به حوزه زمان بازسازی می‌شوند، که به دنبال آن فیلتر کردن زمانی و مکانی کانال به کانال با استفاده از لایه‌های کانولوشن دوبعدی و رمزگشایی مبتنی بر LSTM کانولوشنی انجام می‌شود. یک مطالعه حذفی نشان می‌دهد که فیلتر کردن در حوزه موجک به عنوان یک استراتژی مؤثر حذف نویز عمل کرده و عملکرد پیش‌بینی را بهبود می‌بخشد. پیش‌بینی‌های پنجره لغزان با استفاده از همبستگی پیرسون (>= 0.5) تأیید شدند و سپس از پیچش زمانی پویا (DTW) برای تخمین زمان پاسخ چشمی استفاده شد. معیارهای مشتق شده از DTW تفاوت‌های قابل توجهی بین افراد در تمام وظایف VOM را نشان دادند که با آزمون‌های Mann-Whitney U پشتیبانی می‌شود. تجزیه و تحلیل همبستگی متقابل همچنین رفتارهای زمانی وابسته به وظیفه را آشکار کرد: وظایف تعقیب، ردیابی واکنشی را نشان دادند، در حالی که حرکات سریع چشمی (saccades) پاسخ‌های پیش‌بینانه را نشان دادند. در مجموع، نتایج وظایف تعقیب را به عنوان اطلاعاتی به‌ویژه برای تمایز تفاوت‌های زمانی برجسته می‌کنند و پتانسیل ویژگی‌های EEG مبتنی بر RDWT را همراه با معیارهای DTW برای ارزیابی چندوجهی mTBI نشان می‌دهند.

Mild traumatic brain injury (mTBI) is a prevalent condition that remains difficult to diagnose in its early stages. Oculomotor dysfunction is a well-established marker of mTBI, motivating the development of portable tools that capture both eye-movement behavior and underlying neurophysiology. In this work, we present an initial framework that integrates electroencephalogram (EEG) with augmented-reality (AR)-based Vestibular/Ocular Motor Screening (VOMS) tasks to estimate subject-specific ocular response times. Pre-processed EEG signals, obtained through band-pass filtering and average referencing, are analyzed using a Redundant Discrete Wavelet Transform (RDWT)-driven deep neural framework. The RDWT coefficients are subjected to trainable zero-phase convolutional filtering and reconstructed into the time domain via inverse RDWT, followed by channel-wise temporal and spatial filtering using 2D convolution layers and convolutional-LSTM-based decoding. An ablation study demonstrates that wavelet-domain filtering serves as an effective denoising strategy, improving prediction performance. Sliding-window predictions were validated using Pearson correlation (>= 0.5), and Dynamic Time Warping (DTW) was subsequently used to estimate ocular response times. DTW-derived metrics revealed significant inter-subject differences across all VOM tasks, supported by Mann-Whitney U tests. Cross-correlation analysis further revealed task-dependent temporal behaviors: pursuit tasks exhibited reactive tracking, whereas saccades showed anticipatory responses. Overall, the results highlight pursuit tasks as particularly informative for distinguishing timing differences and demonstrate the potential of RDWT-based EEG features combined with DTW metrics for multimodal mTBI assessment.