تركيب فيلتر ذره ترتيبي و شكل‌دهنده پرتو براي مكانيابي منابع اخلالگر مغزي

Combination of Sequential Particle Filter and Beamformer for the Localization of Brain Disruptive Sources

در اين مقاله به مكانيابي منابع اخلالگر فعاليت مغز در بيماران ميتلا به اختلالات مغزي، با فرض دانستن اطلاعات مكاني منابع فعال مغز در افراد سالم با توجه به الگوي ارتباطات عملكردي مغز در اين افراد و در فعاليت‌هاي مشابه، پرداخته مي‌شود. در الگوريتم پيشنهادي، با استفاده از شكل-دهنده پرتو LCMV، اثر منابعي كه به طور طبيعي در فعاليت‌هاي مختلف فعال هستند، از سيگنال EEG ثبت شده از بيمار، تا حد امكان، حذف و منابع اخلالگر مكانيابي مي‌شود. در روش پيشنهادي براي مكانيابي منابع اخلالگر، از تركيب روش فيلتر ذره ترتيبي (Sequential Particle Filter (SPF)) و شكل‌دهنده پرتو (BF) LCMV استفاده مي‌شود. شبيه‌سازي‌ها با استفاده از نرم‌افزار Brain Storm و با استفاده از سيگنال‌هاي شبه‌واقعي مغزي صورت گرفته است. نتايج حاصل از اعمال روش پيشنهادي (SPF-BF) بر سيگنال EEG شبيه‌سازي شده نشان داده كه اين روش توانسته در شرايط نويزي شديد، نتايج بهتري نسبت به روش‌هاي شكل‌دهنده پرتو LCMV، الگوريتم‌هاي سنتي فيلتر ذره و تركيب آن‌ها داشته باشد. همچنين نتايج حاصل از روش پيشنهادي در مقايسه با روش sLORETA حاكي از عملكرد مناسب روش پيشنهادي است. ضمن اينكه روش پيشنهادي در افزايش سرعت محاسبات نيز عملكرد بهتري نسبت به ديگر روش‌هاي مشابه داشته است.

This paper deals with locating disruptive sources in patients with brain disorders, supposing to have the location of active brain sources in healthy people according to their functional connectivity pattern information in similar activities. In the proposed algorithm, firstly the effect of sources that are active in normal brain activity is eliminated from the patient’s recorded EEG signals using the LCMV beamformer. Then, the disruptive sources are localized. The proposed method utilizes a combination of Sequential Particle Filter (SPF) and LCMV Beam-Former (BF) to localize disruptive sources. The simulations have been performed using BrainStorm software and pseudo-real EEG signals. The results of applying the proposed method (SPF-BF) on the simulated EEG signal show that this method could achieve better results in severe noise conditions than the LCMV beamformer, traditional particle filter algorithms, and combination of them. Also, the comparative results of the proposed method and sLORETA confirm the proper performance of the proposed method. In addition, the proposed method outperforms the other methods in terms of computational complexity.