شكل دهنده پرتو تمام‌وفقي سريع بهبود‌يافته براي مكان يابي فعاليت هاي كوتاه مدت مغزي

Enhanced Fast Fully Adaptive Beamformer for Localizing Brain Short Time Activities

در مكان‌يابي فعاليت مغز از روي سيگنال EEG يا MEG، روش هاي مبتني بر شكل دهنده پرتوي وفقي كمينه واريانس، به‌دليل رزولوشن بالا، كاربرد گسترده اي دارند. متاسفانه، اين روش ها به‌دليل استفاده از وارون ماتريس كوواريانس داده، اغلب زماني كه تعداد لحظات نمونه برداري در مقايسه با تعداد گيرنده ها كم است، با شكست مواجه مي شوند. اين اتفاق، به‌خصوص براي داده هاي حاصل از پتانسيل هاي برانگيخته رخ مي‌دهد. براي حل مشكل، روشي به نام تمام‌وفقي سريع (FFA) پيشنهاد شد، كه يك روش چند‌مرحله اي وفقي با الهام از ساختار پروانه اي تبديل فوريه (FFT) بوده و تعداد نمونه هاي لازم براي مكان يابي را به مقدار قابل‌توجهي كاهش مي-دهد. از سوي ديگر، حساسيت زياد اين روش به توالي تقسيم داده و عملكرد ضعيف آن در SNRهاي پايين، استفاده از آن را براي مكان يابي فعاليت هاي كوتاه مدت مغزي با ترديد همراه كرده است. در اين مقاله، يك مرحله پيش پردازشي براي بهبود عملكرد FFA ارايه مي شود كه در آن، مغز به نواحي مجزا تقسيم و پايه هاي هر ناحيه تعيين شده و با استفاده از اين پايه‌ها، داده هر ناحيه به‌دست مي آيد. در ادامه، الگوريتم FFA روي داده به‌دست آمده، اعمال مي شود. براي اثبات عملكرد روش ارايه‌شده، از داده هاي شبيه سازي ERP و داده واقعي ERF استفاده شد. در تمام شبيه سازي‌ها، FFA بهبود‌يافته، عملكرد بهتري از لحاظ شعاع پراكندگي (بهبود در حدود 4-9 ميلي‌متر) و خطاي مكان يابي (بهبود در حدود 2-10 ميلي‌متر) در مقايسه با روش FFA از خود نشان داد. همچنين روش پيشنهادي، رزولوشن بهتري در مكان يابي داده واقعي ERF نشان داد. اين نكته نيز مهم است كه روش پيشنهادي، حساسيت كمتري نسبت به توالي تقسيم داده دارد. نتايج هر دو داده شبيه سازي و واقعي نشان مي دهد، كه مي توان از FFA بهبود‌يافته به‌عنوان روشي مطمين براي مكان يابي فعاليت هاي كوتاه‌مدت مغزي استفاده كرد.

Minimum variance beamformer (MVB) and its extensions are most widely used techniques in brain source localization due to their high spatial resolution. Unfortunately, beacause of using data covariance matrix, these methods often fail when the number of samples of the recorded data sequences is small in comparison to the number of electrodes. This condition is particularly relevant when measuring evoked potentials. For solving this problem, Fast Fully Adaptive (FFA) algorithm was developed a few years ago. This method is a multistage adaptive processing technique drawing its inspiration from the butterfly structure of the Fast Fourier Transform (FFT) and decreasing the data requirement significantly. Unfortunately, the high sensitivity of FFA to data partitioning sequences and also its low performance in low SNRs pose a doubt on using it as a reliable localizer for short time brain activities. In this paper, a preprocessing step is proposed to enhance the FFA method. In this step, the brain is divided into separate areas, the components of each area are determined, the data is projected to each area using components of that area. After that, FFA is applied to the projected data. The performance of the enhanced FFA is compared with FFA method by using simulated ERP and real ERF data. In all simulations, enhanced FFA shows the better performance in terms of localization error (enhancement about 2-10 mm) and spread radius (enhancement about 4-9 mm). In addition, the proposed method for real ERF data shows accurate localization result with the most concentrated power spectrum, compared to FFA approach. It is noteworthy that enhanced FFA offers less sensitivity to data partitioning sequences. Emprical results illustrate that enhanced FFA can be implemented as a reliable method for localizing brain short time activities.