حذف آرتيفكت حركتي از سيگنال طيف‌سنجي مادون ‌قرمز ‌نزديك مبتني بر الگوريتم خوشه‌بندي بر اساس چگالي

Removal of artifacts from near-infrared spectral signal based on density-based clustering algorithm

طيفسنجي مادون قرمز نزديك يكي از فناوريهاي جديدي است كه از نور مادون قرمز براي ارزيابي - تغييرات در تراكم هموگلوبينهاي اكسيژنه شده و دي اكسيژنه شده در لايهي مغزي استفاده ميكند. اين روش به تصويربرداري از لايهي خارجي مغز محدود ميشود، با اينحال يك فرايند تصويربرداري را امكانپذير ميسازد كه مطمئن، قابل حمل و نسبت به ساير روشها كمهزينهتر است. يكي از محدوديتهاي بسيار مهم، تأثير آرتيفكت حركتي بر روي سيگنال است. در تحقيقات پيشين روشهايي از جمله فيلتر كالمن، فيلتر وينر، ويولت، تجزيه حالت تجربي، جهت حذف نويز معرفي شده است. در اين تحقيق روشي جهت حذف آرتيفكت مبتني بر خوشهبندي بر اساس چگالي ارائه گرديده است. در گام اول ديتاي بدون نويزي دريافت گرديد سپس جهت ارزيابي روشهاي مختلف، چندين نويز مصنوعي به سيگنال اصلي اضافه گرديد. در گام بعد با استفاده از فيلتر پيشين و روش پيشنهادي، حذف نويز انجام گرديد. و در نهايت در گام پاياني براي ارزيابي كيفيت روشهاي مختلف از معيارهاي SNR و λ استفاده گرديد. نتايج بيانگر اين است كه روش پيشنهادي در حذف نويزهايي كه بيس لاين ايجاد ميكنند مانند پله و اغتشاش، عملكرد قابل قبولي دارد و نسبت به ساير روشهاي پيشين برتري دارد.

Near-infrared spectroscopy is one of the new technologies used to evaluate infrared light-changes in the density of oxygenated and de-oxygenated hemoglobin in the brain layer. This method is limited to capturing the outer layer of the brain, yet it enables an imaging process that is more reliable, portable and less costly than other methods. One of the most important limitations is the effect of motion artifacts on the signal. In previous research, methods such as the Kalman filter, Wiener filter, Viollet, empirical decomposition for noise elimination have been introduced. In this research, a method for removing artifacts based on density-based clustering is presented. In the first step, the data was received without noise, then several artificial noise was added to the original signal to evaluate different methods. In the next step, noise cancellation was performed using the previous filter and proposed method. Finally, in the final step, SNR and λ criteria were used to evaluate the quality of different methods. The results indicate that the proposed method has a good performance in eliminating noise induced by the baseline, such as stairs and turbulence, and is superior to other previous methods.