دانلود مقاله ترجمه شده نگاشت مغز الکترومغناطیسی (IEEE 2001) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

نگاشت مغز الکترومغناطیسی

Electromagnetic brain mapping

مقدمه

منابع سیگنال های الکتروفیزیولوژیک EEG و MEG

اندازه گیری سیگنال های EEG و MEG

الکتروانسفالوگرافی

مگنتوانسفالوگرافی

فیزیک MEG و EEG : منابع و مدل های مورد استفاده برای سر

تخمین های نیمه استاتیک از معادله های ماکسول

مدل منبع : دو قطبی ها و چند قطبی ها

مدل های سر

مدل کروی سر

مدل های واقعی سر

فرمول بندی های جبری

فعالیت های الکتریکی در مغز : مسئله ی معکوس

مدل سازی های پارامتری

تخمین منبع با کمترین مربعات

روش های شکل دهی پرتو

از روش های کلاسیک به روش های RAP-MUSIC

روش های تصویر برداری

مدل های منابع توزیع شده به صورت قشری

فرمولاسیون بیزی مسئله ی معکوس

روش های تصویر برداری خطی

احتمال های مقدم غیر گاوسی

محدودیت های روش های تصویر برداری و جایگزین های ترکیبی

موضوعات نوظهور در زمینه ی پردازش سیگنال

ترکیب fMRI و MEG/EEG

رفع نویز از سیگنال و تفکیک منابع بی نام

جمع بندی و دیدگاه های آتی

در ۱۵ سال اخیر ما شاهد پیشرفت های بسیار گسترده در توانایی خودمان برای تولید کردن تصاویر از عملکرد مغزی انسان بوده ایم. کاربرد های تصویر برداری های عملکردی از مغز موجب میشود که درک ما از مکانیزم های مبنایی در روند های شناختی بهتر شده و همچنین بتوانیم آسیب شناسی هایی که موجب نقص عملکرد عادی مغز میشود را هم شناسایی کنیم. مگنتو انسفالوگرافی (MEG) و الکتروانسفالوگرافی (EEG) ، فعالیت های الکتریکی عصبی را با استفاده از اندازه گیری سیگنال های الکتریکی مغز با استفاده از الکترود های خارجی غیر تهاجمی، شناسایی میکنند. در میان تکنیک های تصویر برداری عملکردی موجود، MEG و EEG به صورت خاص، تفکیک های زمانی کمتر از ۱۰۰ ms دارند. این دقت زمانی بالا به ما این امکان را میدهد تا زمان بندی روند های عصبی اصلی را در سطح ساز و کار سلولی، شناسایی کنیم. شناسایی منابع MEG/EEG گستره ی عظیمی از پردازش های سیگنال را طلب میکند، از جمله فیلتر کردن سیگنال های دیجیتال، پردازش سیگنال، تحلیل تصاویر سه بعدی، پردازش آرایه سیگنال، مدل سازی تصاویر و بازسازی آن ها، و اخیرا، تفکیک منابع به صورت تفکیک منابع بی نام و تخمین های همسان سازی فاز . در این مقاله ما مدل های زیر لایه ای که در حال حاضر در تخمین منابع MEG/EEG مورد استفاده قرار میگیرد را بررسی کرده و گام های پردازش سیگنال مختلف مورد نیاز برای محاسبه ی این منابع را توصیف میکنیم. به صورت خاص، ما روش های مناسب برای محاسبه کردن میدان های مستقیم برای توزیع منابع شناخته شده و پارامتری و روش های مبتنی بر تصویر برداری برای مسائل معکوس را توصیف میکنیم.

جمع بندی و دیدگاه های آتی

همانطور که تلاش کردیم نشان دهیم، تصویر برداری از منابع MEG/EEG شامل انواع مختلفی از مدل سازی های سیگنال ها و روش های پردازش آن ها میباشد. ما امید داریم که این مقاله به عنوان یک مقدمه برای جلب توجه محققان در زمینه ی پردازش سیگنال باشد تا این موضوع جالب را عمیق تر بررسی کنند. ما باید تاکید کنیم که این مقاله به هدف مرور جامع نبوده است، بلکه هدف این مقاله فراهم کردن یک مقدمه ی جامع میباشد و ما تلاش کرده ایم تا دیدگاه های کاری که در طول چند سال اخیر مطرح شده است را ارائه کنیم. تفکیک زمانی عالی در MEG/EEG به ما این امکان را میدهد تا عملکرد های دینامیک در مغز انسان را به خوبی بررسی کنیم. با این وجود تفکیک های زمانی، پاشنه آشیل این روش ها است و مدل سازی های آینده و اعمال روش های پردازش سیگنال جدید ممکن است بتواند این روش ها را بهبود بخشیده و آن ها را تبدیل به روش های مطمئن برای نمونه برداری کند. پیشرفت های پتانسیل در مدل سازی مستقیم میتواند به ما کمک کند تا بافت های مغزی، جمجمه و پوستی را از MRI بهتر توصیف کرده و تخمین های آزمایشگاهی نا همگن و غیر ایزوتروپیک مغزی را فراهم کنیم. پیشرفت ها در روش های معکوس شامل روش هایی برای ترکیب داده های MEG/EEG با دیگر روش های تصویر برداری و به دست آوردن تحلیل سیگنال برای درک و شناسایی بهتر بخش های مختلف پاسخ های الکتریکی مغز، در آینده خواهد بود. روش های درک تعامل های پیچیده بین نواحی مختلف با استفاده از سیگنال های آزمایشی منفرد برای بررسی هماهنگی گذرا بین سنسور ها و یا تعامل های مستقیم در نگاشت منابع MEG/EEG، اهمیت بسیار زیادی دارد که باید بیشتر بررسی شود.

The past 15 years have seen tremendous advances in our ability to produce images of human brain function. Applications of functional brain imaging extend from improving our understanding of the basic mechanisms of cognitive processes to better characterization of pathologies that impair normal function. Magnetoencephalography (MEG) and electroencephalography (EEG) (MEG/EEG) localize neural electrical activity using noninvasive measurements of external electromagnetic signals. Among the available functional imaging techniques, MEG and EEG uniquely have temporal resolutions below 100 ms. This temporal precision allows us to explore the timing of basic neural processes at the level of cell assemblies. MEG/EEG source localization draws on a wide range of signal processing techniques including digital filtering, three-dimensional image analysis, array signal processing, image modeling and reconstruction, and, more recently, blind source separation and phase synchrony estimation. In this article we describe the underlying models currently used in MEG/EEG source estimation and describe the various signal processing steps required to compute these sources. In particular we describe methods for computing the forward fields for known source distributions and parametric and imaging-based approaches to the inverse problem.

Conclusion and Perspectives

As we have attempted to show, MEG/EEG source imaging encompasses a great variety of signal modeling and processing methods. We hope that this article serves as an introduction that will help to attract signal-processing researchers to explore this fascinating topic in more depth. We should emphasize that this article is not intended to be a comprehensive review, and for the purposes of providing a coherent introduction, we have chosen to present the field from the perspective of the work that we have done over the last several years. The excellent time resolution of MEG/EEG gives us a unique window on the dynamics of human brain functions. Though spatial resolution is the Achilles’ heel of this modality, future progress in modeling and applying modern signal processing methods may prove to make MEG/EEG a dependable functional imaging modality. Potential advances in forward modeling include better characterization of the skull, scalp and brain tissues from MRI and in vivo estimation of the inhomogeneous and anisotropic conductivity of the head. Progress in inverse methods will include methods for combining MEG/EEG with other functional modalities and exploiting signal analysis methodologies to better localize and separate the various components of the brain’s electrical responses. Of particular importance are methods for understanding the complex interactions between brain regions using single-trial signals to investigate transient phase synchronization between sensors [88] or directly within the MEG/EEG source map [89].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

نگاشت مغز الکترومغناطیسی

Electromagnetic brain mapping