بهبود عملکرد الگوریتم آنالیز مولفه های مستقل در تحلیل داده های تصویربرداری عملکردی مغناطیسی مغز به کمک فیلترهای زمانی و مکانی

وجود منابع مختلف نویز و آرتیفکت در داده های بدست آمده از روش تصویربرداری عملکردی مغناطیسی مغزغالبا منجر به کاهش دقت و صحت نتایج بدست آمده در اکثر روش های تحلیلی پارامتری و غیر پارامتری می شود. یکی از راه حل های متداول در مواجهه با داده های نویزی روش تصویربرداری عملکردی مغناطیسی مغز بکارگیری روش های پیش پردازشی مناسب بر روی دیتا با هدف کاهش نویز دیتا است که می تواند در بهبود عملکرد الگوریتم های تحلیلی مختلف موثر باشد. تاکنون اثرات برخی از روش های پیش پردازشی بر روی روش های تحلیلی پارامتری از قبیل روش مدل خطی عمومی مورد بررسی قرار گرفته است. در این مقاله علاوه بر مقایسه الگوریتم های نویزی و غیر نویزی آنالیز مولفه های مستقل در تحلیل داده های زمانی-مکانی تصویربرداری عملکردی مغناطیسی مغز برای نخستین بار میزان بهبود عملکرد الگوریتم غیر پارامتری آنالیز مولفه های مستقل بر روی داده های نویزی روش تصویربرداری عملکردی مغناطیسی مغز در حضور تعدادی فیلتر مکانی و زمانی از نظر کمی مورد بررسی قرار گرفته است. استفاده از الگوریتم های نویزی آنالیز مولفه های مستقل دقت تحلیلی داده های تصویربرداری عملکردی مغناطیسی مغز را تا 16% افزایش داده است. استفاده از فیلترهای زمانی و مکانی منجر به 10-8% افزایش در دقت الگوریتم های غیر نویزی آنالیز مولفه های مستقل شده است. با استفاده از الگوریتم نویزی احتمالی آنالیز مولفه های مستقل زمان لازم برای تحلیل داده های تصویربرداری عملکردی مغناطیسی مغز 28% افزایش پیدا کرده است.
در این مقاله ابتدا دو دسته از الگوریتم های نویزی و غیر نویزی آنالیز مولفه های مستقل در تحلیل داده های شبیه سازی شده روش تصویربرداری عملکردی مغناطیسی مغز مورد مقایسه قرار گرفته اند. در مرحله بعد اثرات فیلترهای زمانی و مکانی در عملکرد الگوریتم های غیر نویزی آنالیز مولفه های مستقل بررسی شده است. فیلتر های مذکور در دو دسته فیلترهای پایین گذر و بالاگذر مطرح شده اند. کلیه بررسی ها با استفاده از داده های شبیه سازی شده روش تصویربرداری عملکردی مغناطیسی مغز انجام شده است.
با بکارگیری فیلترهای بالاگذر حساسیت، ویژگی و صحت زمانی الگوریتم های غیر نویزی آنالیز مولفه های مستقل در تحلیل داده های روش تصویربرداری عملکردی مغناطیسی مغز افزایش یافته است. بکارگیری فیلترهای پایین گذر در مواجهه با داده هایی که دارای نسبت سیگنال به نویز پاییین هستند منجر به بهبود نتایج بدست آمده از الگوریتم های غیرنویزی آنالیز مولفه های مستقل شده است. در داده هایی که دارای نسبت سیگنال به نویز بالا هستند بکارگیری این فیلترها می تواند منجر به کاهش ویژگی و صحت زمانی الگوریتم های مذکور شود.
نتایج بدست آمده از تحلیل دادهای روش تصویربرداری عملکردی مغناطیسی مغزبا نسبت سیگنال به نویز بالا توسط الگوریتم های نویزی و غیر نویزی آنالیز مولفه های مستقل تقریبا مشابه است. با افزایش نویز داده ها الگوریتم اینفومکس به دلیل استفاده از الگوریتم های گرادیانی در تخمین ماتریس تفکیک کننده مورد نظر از حساسیت، ویژگی و صحت زمانی بالاتری نسبت به الگوریتم سریعآنالیز مولفه های مستقل رخوردار است. استفاده از فیلترهای زمانی و مکانی مناسب می تواند راهکاری مناسب برای بکارگیری الگوریتم های غیر نویزی آنالیز مولفه های مستقل به جای الگوریتم های نویزی آنالیز مولفه های مستقل که اغلب پیچیده و زمانبر هستند باشد.