زمینه و هدف: هدف از پژوهش حاضر طراحی رابط مغز-رایانه جهت تفکیک سیگنال‌های مغزی در حین تصور چهار جهت اصلی می‌باشد. به منظور نوآوری، افراد جهت‌های مورد نظر را با کمک قدرت تخیل در ذهن تصویرسازی کردند. الگوریتم آنالیز اجزاء مستقل برای نخستین بار هم در جهت استخراج آرتیفکت‌ها و هم در جهت تعیین سیگنال هدف استفاده گردید.

مواد و روش‌ها: در این مطالعه توصیفی- تحلیلی، ثبت سیگنال‌ها با دستگاه میکرومد و کلاه 19 کاناله به صورت تک قطبی انجام شده است. جامعه آماری شامل 3 فرد در بازه سنی 25 تا 30 سال و تکلیف طراحی شده شامل 24 نمایش از چهار جهت اصلی بوده است.

یافته‌ها: شبیه‌سازی‌ها نشان داده‌اند که بهترین صحت‌های تفکیک به پنجره زمانی با طول 5/2 ثانیه مربوط بوده است و ویژگی ضرایب مدل خودبازگشتی مرتبه 15 بهترین انتخاب برای ویژگی استخراجی است. برای تمامی حالت‌های شبکه عصبی با تعداد لایه‌ها و نورون‌ها و توابع جداساز مختلف، صحت‌های تفکیک، تفاوت قابل مقایسه‌ای نداشتند. در مقایسه با شبکه عصبی، آنالیز جداکننده خطی (LDA) صحت‌های طبقه‌بندی بهتری را نشان داد.

نتیجه گیری: نتایج پژوهش حاضر با نتایج حاصل از روش‌هایی هم‌چون تصویرسازی تشدید مغناطیسی کارکردی (fMRI) و روش‌های مبتنی بر سیگنال‌های مغزی در تصور واکه‌ای هم پوشانی دارد. در این پژوهش با استخراج سیگنال هدف از خروجی الگوریتم آنالیز اجزای مستقل و استخراج ویژگی ضرایب خودبازگشتی و پنجره گذاری با طول 5/2 ثانیه بهترین صحت تفکیک از تفکیک کننده آنالیز جداساز خطی حاصل گشت.

زمینه و هدف: ALS یک بیماری عصبی ماهیچه‌ای پیش رونده است که از مهم‌ترین مشخصات آن تخریب نورون‌های حرکتی در سیستم عصبی مرکزی و محیطی است. در حال حاضر هیچ روش کلینیکی دقیقی برای تشخیص این بیماری ارائه نشده است. در اغلب موارد افراد دارای ALS به دلیل اختلالات موجود در سیستم عصبی نمی‌توانند به صورت عادی راه بروند. به همین دلیل، یکی از روش‌های مفید برای تشخیص این بیماری از سایر بیماری‌های عصبی و یا تشخیص بیماران مبتلا به ALS از افراد سالم، تحلیل سیگنال حرکتی راه رفتن است.

مواد و روش‌ها: در این مطالعه از دادگان موجود در سایت فیزیونت استفاده شده است. این پایگاه داده‌ای از 13 بیمار دارای ALS(ALS1,ALS2,…,ALS13) به همراه 16 فرد سالم (CO1,CO2,…,CO16) تشکیل شده است. افراد بیمار شرکت کننده در این مطالعه هیچ‌گونه سابقه بیماری عصبی دیگری نداشتند و در هنگام راه رفتن از هیچ وسیله کمکی مانند ویلچر استفاده نمی‌کردند.

یافته‌ها: در این مطالعه از طیف توان که از ویژگی‌های فرکانسی است، برای آشکارسازی تفاوت‌های احتمالی سری‌های زمانی افراد بیمار و سالم استفاده شد. توان طیف هر دو گروه در فرکانس‌های بالا مشابه است، ولی در فرکانس‌های پایین، توان طیف در افراد سالم معمولاً کمتر از افراد بیمار است.

نتیجه‌گیری: شبکه عصبی مصنوعی با بیان‌گر قدرت تفکیک 83 درصد برای مجموعه داده‌های آزمایش در بین افراد سالم و بیمار به کار رفت. به نظر می‌رسد این الگوریتم روش مناسبی برای جداسازی افراد بیمار و سالم در مراحل اولیه بیماری باشد.