بخشی از مقاله
خلاصه
تکنیک طیفسنجی مادون قرمز - fNRI1 - یک روش غیرتهاجمی و قابل حمل برای ارزیابی عملکرد مغز انسان در طول یک فعالیت میباشد. در این روش، با ارسال و دریافت امواج مادون قرمز، میتوان میزان تغییرات غلظت اکسیژن در نواحی مختلف مغز را اندازهگیری کرد. در این روش، وجود نویز حرکتی در سیگنال دریافتی یکی از مشکلات اساسی میباشد. روشهای مختلفی از جمله استفاده از فیلترهای مختلف، تبدیل ویولت، و فیلترهای وفقی برای حذف این نویز پیشنهاد شده است. این مقاله ابتدا یک روش اندازهگیری سیگنال fNRI را بررسی میکند و سپس عملکرد دو روش FastICA و فیلتر کالمن - KF - را برای حذف نویز حرکتی مقایسه میکند. نتایج نشان میدهد روش فیلتر کالمن میتواند به صورت بهینهتر این نویز را حذف نماید.
.1 مقدمه
روش fNRI یک روش غیرتهاجمی، قابل حمل وکم هزینه برای ارزیابی عملکرد مغز انسان است. در این روش، با استفاده از ارسال و دریافت امواج مادون قرمز میتوان میزان تغییرات مصرف اکسیژن را در سلولهای عصبی مغز اندازهگیری نمود .[1] یکی از مشکلات این روشوجود، نویز حرکتی خصوصاً هنگام حرکت بیمار میباشد. عواملی مانند حرکت سر، حرکت حسگرها، و نور محیط میتواند باعث بوجود آمدن سیگنالهای غیر واقعی و غیر مرتبط با غلظت اکسیژن شود. در این مقاله، ابتدا نحوه قرارگیری حسگرها توضیح داده میشود. سپس الگوریتم فیلتر کالمن و یکی از روشهای تحلیل مؤلفه مستقل - ICA2 - یا همان جداسازی کور منابع - BSS3 - بررسی میشود. در انتها نتایج با هم مقایسه میگردند.
.2 سیستم نمونهبرداری
در بسیاری از الگوریتمهای ارائه شده، روش مناسبی برای مقایسه عملکرد الگوریتمها وجود نداردو عموماً تمام شبیهسازیها در نرم افزار MATLB انجام میشود. بنابراین، یافتن روشی که بتوان به کمک آن به صورت واقعیتر نتایج را مقایسه کرد، بسیار مهم میباشد. با استفاده از روش ارائه شده در شکل 1 میتوان اطلاعات سیگنال نویزی - سیگنال اصلی به علاوه نویز، که همان سیگنال دریافتی فتودیود آبی است - و سیگنال بدون نویز - که سیگنال دریافتی فتودیود قرمز است - را همزمان دریافت کرد 1]، .[2
کانال 1، فتودیود گیرنده با دیود فرستنده اتصال فیزیکی دارد - شبیهساز سیگنال بدون نویز - .
کانال 2، فتودیود گیرنده با دیود فرستنده اتصال فیزیکی ندارد - شبیهساز سیگنال آغشته به نویز حرکتی - .[2]
در این مقاله، برای دریافت سیگنال fNRI از سیستم شکل 1 استفاده شده است که در آن دو کانال متفاوت برای دریافت سیگنال وجود دارد .[2] دیود فرستنده و فتودیود گیرندهای که طرفین کانال 1 هستند، و به ترتیب با رنگ زرد و قرمز مشخص شدهاند، طوری به یکدیگر اتصال فیزیکی دارند که حرکت نسبی آنها نسبت به هم تقریباً صفر است. به همین دلیل، خروجی این فتودیود گیرنده را میتوان به عنوان سیگنال بدون نویز در نظر گرفت. فتودیود دیگری - که با رنگ آبی در شکل 1 مشخص شده است - در سیستم وجود دارد که با دیود فرستنده اتصال فیزیکی ندارد و از طریق کانال 2 سیگنال فرستنده را دریافت میکند.
سیگنال خروجی این فتودیود به عنوان سیگنال آغشته به نویز حرکتی در نظر گرفته میشود. این سیستم امکان درستی آزمایی و تست عملکرد الگوریتمهای مختلف حذف نویز را - با مقایسه نتایج آنها با سیگنال کانال - 1 میدهد .[2] دادههای fNRI مورد استفاده در این مقاله از سایت physionet گرفته شده است. برای تهیه دادگان، 9 آزمایش1 انجام شده است. برای هر آزمایش، 13 نوع داده شامل سیگنال فتودیودها، شتابسنجها و پالس تریگر وجود دارد.
این آزمایشها در دو طول موج 690 و 830 نانومتر انجام شده است و فرکانس نمونه برداری برای هر کانال 25 هرتز میباشد. از حسگر ADXL327 که یک حسگر سه محوره شتاب میباشد برای اندازهگیری جهت و شدت حرکت استفاده شده است. این حسگر با فرکانس 200 هرتز نمونه برداری میشود. شکل 2 یک نمونه از سیگنال خروجی کانال 1 و 2 را در یکی از آزمایشها نشان میدهد. وجود نویز حرکتی در سیگنال خروجی کانال 2، که در شکل آبی رنگ است، مشهود میباشد. این نویز در فواصل زمانی مشخصی تکرار میشود. این نویز، سیگنال خروجی کانال 1 را، که با رنگ قرمز مشخص شده است، آغشته نکرده است. بنابراین میتوان از سیگنال خروجی کانال 1 به عنوان مرجع برای مقایسه الگوریتمها استفاده نمود.
.1-3 فیلتر کالمن گسسته
این تکنیک از روش نمایش مدل حالت و بهینهسازی کمترین مربعات، برای تخمین بازگشتی سیگنال استفاده میکند. کاربردهای آن عمدتاً در سیستمهای راداری، موقعیتیابی، و تخمین مدارهای حرکتی ماهوارههای LEO1 میباشد 3]، .[4 این فیلتر با استفاده از روش پیشبینی-اصلاح کار میکند. در مرحله پیشبینی، فیلتر با استفاده از مدل سیستم، که از روی مشاهدات تخمین زده شده است، حالت را در مرحله بعد تخمین میزند. در مرحله اصلاح، حالتی که در مرحله قبل پیشبینی شده بود، بهینه و اصلاح میگردد. فیلتر کالمن در واقع از یک بهره دینامیک استفاده میکند. این بهره بیانگر آن است که تا چه میزان میتوان به اطلاعات مشاهده شده اعتماد کرد.
.2-3 تحلیل مؤلفه مستقل
تحلیل مؤلفه مستقل یا همان جداسازی کور منابع یکی از روشهای بسیار مهم پردازش سیگنال میباشد. BSS روشی است که برای بازیابی مجموعهای از منابع مستقل از یکدیگر به کار میرود که به وسیله یک سیستم ترکیبکننده ناشناخته با هم ترکیب شدهاند .[5] مشکل اصلی در BSS، فقدان اطلاعات در مورد سیستم ترکیبکننده و همچنین سیگنالهای مستقل اولیه میباشد. تاکنون روشهای مختلفی برای حل مسئله BSS مورد بررسی قرار گرفته است .[6]
