بخشی از مقاله
خلاصه-
طیفسنجی مادونقرمز نزدیک یکی از فناوریهای جدیدی است که از نور مادون قرمز برای ارزیابی تغییرات در تراکم هموگلوبینهای اکسیژنه شده و دی اکسیژنه شده در لایهی مغزی استفاده میکند. این روش به تصویربرداری از لایهی خارجی مغز محدود میشود، با اینحال یک فرایند تصویربرداری را امکانپذیر میسازد که مطمئن، قابل حمل و نسبت به سایر روشها کمهزینهتر است. یکی از محدودیتهای بسیار مهم، تأثیر آرتیفکت حرکتی بر روی سیگنال است. در تحقیقات پیشین روشهایی از جمله فیلتر کالمن، فیلتر وینر، ویولت، تجزیه حالت تجربی، جهت حذف نویز معرفی شده است. در این تحقیق روشی جهت حذف آرتیفکت مبتنی بر خوشهبندی بر اساس چگالی ارائه گردیده است. در گام اول دیتای بدون نویزی دریافت گردید سپس جهت ارزیابی روشهای مختلف، چندین نویز مصنوعی به سیگنال اصلی اضافه گردید. در گام بعد با استفاده از فیلتر پیشین و روش پیشنهادی، حذف نویز انجام گردید. و در نهایت در گام پایانی برای ارزیابی کیفیت روشهای مختلف از معیارهای SNR و λ استفاده گردید. نتایج بیانگر این است که روش پیشنهادی در حذف نویزهایی که بیس لاین ایجاد میکنند مانند پله و اغتشاش، عملکرد قابل قبولی دارد و نسبت به سایر روشهای پیشین برتری دارد.
کلید واژه- طیفسنجی مادون قرمز نزدیک - خوشهبندی - آرتیفکت حرکتی
.1 مقدمه
طیفسنجی مادونقرمز نزدیک - Near-Infrared Spectroscopy - یک روش نوری غیر تهاجمی برای نظارت بر تشکیل اکسیژن در بافت محلی بر اساس انتشار و جذب فوتونهای نور در بافت انسان است. به دلیل خصوصیات غیر تهاجمی NIRS، این روش در دههی اخیر رواج بسیاری یافته و کاربردهای جدیدی همچون نظارت بر تشکیل اکسیژن در عضله و مغز، واسط کامپیوتری مغز و توانبخشی دارد.[1] به دلیل اثر وابسته به سطح اکسیژن خون، این روش برای شناسایی فعالیتها در قسمتهای سطحی مغز قابل استفاده است. اطلاعات عملکردی ثبت شده با طیفسنجی مادونقرمز نزدیک عملکردی بسیار مشابه با تصویربرداری تشدید مغناطیسی عملکردی - Functional magnetic resonance imaging - است و در عین حال ارزان قیمت، قابل حمل، و با رزولوشن زمانی بالایی میباشد.[1]
طیف سنجی مادون قرمز نزدیک تغییراتی را در سطوح هموگلوبین اکسیژن دار - و بدون اکسیژن - HHb - شناسایی میکند. هر پدیدهای که چنین تغییراتی را به وجود آورد سبب تغییر سیگنال NIRS خواهد شد. بهصورت خاص، حرکت فرد میتواند تغییراتی را در گردش خون محلی ایجاد کند که در سیگنالهای NIRS بهصورت آرتیفکتهای حرکتی نشان داده میشوند. این آرتیفکتها باید برای تحلیل بیشتر سیگنال حذف شوند.[1] استفاده از فیلتر وینر توسط ایزتوگلو و همکارانش برای حذف آرتیفکتهای حرکتی از سیگنالهای NIRS پیشنهاد شد.[2] همین نویسندگان با استفاده از فیلترینگ انطباقی و فیلترینگ کالمن به این موضوع توجه نمودند.[3]
رابرتسون و همکارانش نیز از منابع و آشکارسازهای مختلف برای شناسایی و حذف آرتیفکتهای حرکتی استفاده نمودند.[4] اصول اولیهی این روش آن است که سیگنال ثبت شده با آشکارساز بهصورت عمیق وارد بافت نمیشود و بنابراین هرگونه اغتشاش ثبت شده روی این آشکارساز به دلیل حرکت خواهد بود. در یک مطالعهی قبلی، بهنام مولوی یک روش مبتنی بر موجک را برای حذف آرتیفکتهای حرکتی از سیگنال NIRS معرفی نموده است.[1] با وجود آن که روش مذکور بازدهی خوبی را از خود نشان داد، اما پدیدهی شبه گیبس در آن خوشایند نمیباشد. در این تحقیق برای غلبه بر آرتیفکت حرکتی از جنس پله یا اغتشاش، الگوریتمی بر اساس خوشه بندی مبتنی بر چگالی معرفی شده و بازدهی آن با استفاده از دادههای شبیه سازی شده و تجربی ارزیابی گردیده است.
.2 خوشهبندی
خوشه بندی یکی از شاخههای یادگیری بدون نظارت میباشد و فرآیند خودکاری است که در طی آن، نمونهها به دستههایی که اعضای آن مشابه یکدیگر میباشند تقسیم میشوند که به این دستهها خوشه گفته میشود. خوشهبندی بر اساس چگالی بر این اصل استوار است که خوشهها، ناحیههایی از فضای داده با چگالی زیادی هستند که توسط نواحی با چگالی کمتر از همدیگر جدا شدهاند. خوشهبندی بر اساس چگالی بر روی مجموعه دادهیD مجموعهای به صورت {S1' …' Sn, N} است که تعداد خوشهها را نشان میدهد. در این روش خوشهبندی هر دادهی متعلق به خوشهی C در دسترس چگالی سایر دادههای متعلق به آن خوشه است و در دسترس چگالی هیچ دادهی دیگری قرار ندارد. شماتیک الگوریتم dbscan و شبه کد آن به ترتیب در شکل 1 و 2 مشاهده میشود. مزایای خوشهبندی بر اساس چگالی عبارتند از : -1 خوشهها میتوانند دارای اشکال دلخواه باشند. -2 تعداد خوشهها به صورت اتوماتیک همزمان با عمل خوشهبندی تعیین میشود. -3 در تشخیص نویزها بسیار کارا هستند.
.3 روش
1؛3 روش جمعآوری داده
در این تحقیق سیگنال FNIRS در حال REST از سایت فیزیونت دریافت گردید. دادههای خام با فرکانس نمونهبرداری 3,73 Hz نمونهگیری شدهاست.
2-3 ایجاد نویز مصنوعی
در این مطالعه فقط یک سیگنال FNIRS بدون آرتیفکت در اختیار داشتیم. بنابراین به صورت مصنوعی چندین مورد نویز به سیگنال اضافه گردید. با مرور مقالات پیشین و محدوده فرکانسی سیگنال FNIRS چندین نویز مهم پیشنهاد گردید که عبارتند از:
-1-2-3 تابع پله با دامنه 4
این آرتیفکت با دامنه ثابت ظاهر میگردد. در سیگنال FNIRS اگر محل الکترود تغییر نماید نویزی با دامنه تقریبا ثابت ایجاد میگردد که این دامنه میتواند متغیر باشد به همین لحاظ تابع پله با دامنه 4 تعریف نمودهایم. معمولا بیشترین نویز حاصل از حرکت، نویز پله یا اغتشاش میباشد.
