စာရေးသူ: လင်၊ ဇို၊ ယူ, ချန်; Wenjie လီ; ဝါသနာရှင်, ဂျင်
source: ဆေးဘက်ဆိုင်ရာ Imaging နှင့်ကျန်းမာရေးပညာပေး၏ဂျာနယ်, အတွဲ 5, နံပါတ် 7, နိုဝင်ဘာ 2015, စစ။ 1499-1503 (5)
ထုတ်ဝေသူ: အမေရိကန်သိပ္ပံထုတ်ဝေသူများ
စိတ္တဇ:
ဤစာတမ်းတွင် electroencephalogram (EEG) အချက်ပြမှုများကိုကျန်းမာသောဆယ်ယောက်နှင့်အင်တာနက်စွဲလမ်းမှု ၁၀ ခုမှတက္ကသိုလ်ကျောင်းသားများမှမှတ်တမ်းတင်ထားသည်။ ပထမ ဦး စွာမူရင်းအချက်ပြမှုများကိုလွတ်လပ်သောအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာခြင်း (ICA) algorithm ကို အသုံးပြု၍ အပိုပစ္စည်းအချို့ကိုဖယ်ရှားရန်ကြိုတင်စီမံထားသည်။ ထို့နောက်အဓိကကျသောအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာခြင်း (PCA) သည်လိုင်း ၆၄ လိုင်းအပြည့်နှင့်နှိုင်းယှဉ်ပါကသတင်းအချက်အလက်အများစုကိုထိန်းသိမ်းရန်လိုင်းခွဲများကိုရွေးချယ်ရန်အသုံးပြုခဲ့သည်။ နောက်ဆုံးအနေဖြင့် P64 လှိုင်းတံပိုး၏အင်္ဂါရပ်များသည်အဖြစ်အပျက်နှင့်သက်ဆိုင်သည့်အလားအလာများ (ERPs) မှထုတ်ယူပြီးပစ်မှတ် ERPs နှင့်ပစ်မှတ်မဟုတ်သော ERPs နှင့် IA အုပ်စုနှင့်ထိန်းချုပ်မှုအုပ်စုတစ်စုမှနှိုင်းယှဉ်ခဲ့သည်။ ထုတ်ယူထားသောအင်္ဂါရပ်များကိုထပ်မံခွဲခြားသည် - Fisher Linear Discriminate Analysis (FLDA), Back Propagation (BP) Neural Network, Bayesian Classifier (BC) နှင့် Bayesian Regularization Back Propagation (BRBP) Neural Network ။ တက်ကြွသောလမ်းကြောင်းများကိုကျန်းမာခြင်းနှင့် IA ရောဂါခံစားနေရသောတက္ကသိုလ်ကျောင်းသားများအတွက်တိုကျရိုကျ၊ parietal, occipital နှင့် parietal-occipital ဒေသများတွင်တည်ရှိသည်။ စမ်းသပ်မှု ၄၂ ခု၏စမ်းသပ်မှု ၄၂ ခုရဲ့အဖြေဟာပစ်မှတ်ကိုနှိုးဆွမှုအောက်မှာပျမ်းမျှ ERPs ထက် ၅၅၈ စမ်းသပ်မှုထက်ပိုများသည်။စ 0.05) နှင့် 42 စမ်းသပ်မှုများ၏လွှဲခွင် '' ပစ်မှတ်ဆွအောက်မှာ ERPs ပျမ်းမျှ 558 စမ်းသပ်မှုများထက်ပိုကြီးတဲ့ '' Non- ပစ်မှတ်အောက်မှာ ERPs ပျမ်းမျှ (စ 0.05) ။ ဒါဟာကျန်းမာတဲ့ဘာသာရပ်များနှင့်အင်တာနက်များအပြင်ဘာသာရပ်များအကြား P300 amplitude အတွက်သိသာထင်ရှားသောခြားနားချက်ပြသခဲ့သည်။ အင်တာနက်ကိုအပိုဆောင်း၏ amplitude (အနိမ့်ခဲ့ကြစ 0.05) ။ ဒါကြောင့်ဗဟိုဒေသများရှိ 93% ထက်နိမ့်ခဲ့စဉ်ခွဲခြားတိကျမှန်ကန်မှု, တက်ကြွဒေသများရှိ Bayesian-based နည်းလမ်းကိုသုံးပြီး 90% အထက်ရောက်ရှိနိုင်မည်ဖြစ်သည်။ ရလဒ်် IA-ညှဉ်းဆဲတက္ကသိုလ်ကျောင်းသားများ၏ဦးနှောက်တုံ့ပြန်မှုများနှင့်မှတ်ဉာဏ်စွမ်းရည်အပေါ်အပျက်သဘောဆောင်သောလွှမ်းမိုးမှုရှိပါတယ်ဖော်ပြသည်။ ကိန်းမြှောက်ဖော်ကိန်း filter များ အသုံးပြု. 50 Hz ပါဝါဆူညံသံဖိနှိပ်ဖို့လက်တွေ့ကျတဲ့ဒစ်ဂျစ်တယ် filter ကိုအကောင်အထည်ဖော်ရေးနှင့်အတူစက္ကူအပေးအယူ။ အလွန်အစာရှောင်ခြင်းနဲ့ရိုးရိုးဖြေရှင်းချက် nonlinear ပျက်ယွင်းနှင့်အတူပါဝါဆူညံသံ၏အခြေခံများနှင့်သဟဇာတအစိတ်အပိုင်းများကိုနှစ်ဦးစလုံးနှိမ်နင်းရန်နိုင်ပါတယ်။ ရီးရဲလ် ECG signals ကိုပါဝါဆူညံသံဖိနှိပ်မှု၏ထိရောက်မှုကိုစမ်းသပ်ဖို့အသုံးပြုခဲ့ကြသည်။ တိကျမှန်ကန်မှုကိုဆူညံသံ၏အခြေခံ sinusoidal နှင့်စတုဂံလှိုင်းအဘို့အအကဲဖြတ်သည်။
keywords: ချန်နယ်တစ်ခုရွေး; EVENT သည်-RELATED အလားအလာ; လွတ်လပ်ရေး component ခွဲခြမ်းစိတ်ဖြာခြင်း; P300; PATTERN အသိအမှတ်ပြုရန်
စာရွက်စာတမ်းအမျိုးအစား: သုတေသနအပိုဒ်
Doi: https://doi.org/10.1166/jmihi.2015.1570
ထုတ်ဝေသည့်ရက်စွဲ: နိုဝင်ဘာလ 1, 2015
;