Beyin Sinyallerinin Dipol Kaynaklarının Parc¸acık S ¨ur ¨us ¨u Optimizasyonu
Kullanarak Olus¸turulması
Dipole Source Reconstruction of Brain Signals by Using Particle Swarm
Optimization
Yas¸ar Kemal Alp
1, Orhan Arıkan
1, Sirel Karakas¸
21. Elektrik Elektronik M¨uhendisli˘gi B¨ol¨um¨u
Bilkent ¨
Universitesi, Ankara
{ykemal,oarikan}@ee.bilkent.edu.tr
2. Deneysel Psikoloji Uzmanlık Alanı
Hacettepe ¨
Universitesi, Ankara
skarakas@hacettepe.edu.tr
¨
Ozetc¸e
Olay ˙Ilis¸kili Potansiyellerin (O˙IP) analizinde, sinirsel aktivit-eye neden olan kaynakların bulunması b¨uy¨uk ¨oneme sahip-tir. Bu kaynaklar es¸de˘ger dipollerle modellenebilir. ¨Olc¸¨ulen c¸okkanallı O˙IP verisinden dipollerin belirlenmesi EEG ters problemi olarak bilinmektedir. Bu c¸alıs¸mada, EEG ters prob-leminin c¸¨oz¨um¨u ic¸in yeni bir y¨ontem ¨onermekteyiz. ¨Onerdi˘gimiz y¨ontem dipol parametrelerinin en uygun s¸ekilde sec¸ilmesi ic¸in Parc¸acık S¨ur¨us¨u Optimizasyonu (PSO) tekni˘gini kullanmak-tadır. Sentetik veri k¨umelerinde yapılan benzetimler, ¨onerilen y¨ontemin dipolleri bas¸arıyla asıl yerlerinde yerelles¸tirdi˘gini g¨ostermektedir. Gerc¸ek verilerde ise, gerc¸ek dipol yer-leri bilinmedi˘ginden, ¨olc¸¨ulen ile geri c¸atılan veri arasındaki hataya bakılmıs¸ olup, ¨onerilen y¨ontemin bu hatayı beyinde bir kac¸ dipol yerelles¸tirimi ile g¨ur¨ult¨u seviyesine indirebildi˘gi g¨ozlenmis¸tir.
Abstract
Resolving the sources of neural activity is of prime importance in the analysis of Event Related Potentials (ERP). These sources can be modeled as effective dipoles. Identifying the dipole pa-rameters from the measured multichannel data is called the EEG inverse problem. In this work, we propose a new method for the solution of EEG inverse problem. Our method uses Par-ticle Swarm Optimization (PSO) technique for optimally choos-ing the dipole parameters. Simulations on synthetic data sets show that our method well localizes the dipoles into their actual locations. In the real data sets, since the actual dipole parame-ters aren’t known, the fit error between the measured data and the reconstructed data is minimized. It has been observed that our method reduces this error to the noise level by localizing only a few dipoles in the brain.
1. Giris¸
Olay ilis¸kili potansiyeller, verilen uyarıcılar sonucunda
beyinde meydana gelen sinirsel aktivitenin elektrotlarda ¨olc¸¨ulen kars¸ılıklarıdır. Hem kavramsal s¨urec¸lerin analizinde hem de hiperaktivite (ADHD) gibi bazı sinirsel hastalıkların tespitinde
¨onemli yer tes¸kil eder [1]. O˙IP kaydı kafatası ¨uzerine
yerles¸tirilen elektrotlar aracılı˘gı ile olur. ˙Is¸itsel ya da g¨orsel uyarıcılar sonucunda beyinde olusan sinirsel uyarılar es¸de˘ger
dipoller ile modellenebilir [2]. Olc¸¨ulen c¸ok kanallı O˙IP¨
verisinden, sinirsel uyarının kayna˘gının bulunması O˙IP analizi ac¸ısından c¸ok ¨onemlidir [3].
Bu c¸alıs¸mada, O˙IP kaynak yerelles¸tirimi ic¸in yeni bir y¨ontem sunmaktayız. Var olan y¨ontemlerden farklı olarak, asıl O˙IP verisi ile geric¸atılan O˙IP verisi arasındaki hata Parc¸acık S¨ur¨us¨u Optimizasyonu (PSO) ile enk¨uc¸¨ult¨ulm¨us¸t¨ur. Sonuc¸ta yerleri ve y¨onelimleri sabit, kipleme sinyalleri zamana gore de˘gis¸en dipoller yerelles¸tirilmis¸tir.
Bu makalede, ¨once O˙IP ileri modelinin kısa bir ¨ozetini
verece˘giz. Ardından, O˙IP ters probleminin gelis¸tirdi˘gimiz
y¨ontemle c¸¨oz¨um¨u ve Parc¸acık S¨ur¨us¨u Optimizasyonu
tekni˘ginin bu c¸¨oz¨umde kullanılıs¸ını ac¸ıklayaca˘gız. Son
olarak, sentetik ve gerc¸ek veriler ¨uzerindeki sonuc¸lar ve kıyaslamalarla bitirece˘giz.
2. O˙IP ˙Ileri Modeli
O˙IP kaynaklarının bulunması ic¸in hem kafa yapısı hem de sinirsel uyaranın beyindeki kayna˘gı ic¸in iki ayrı model gerek-mektedir. Literat¨urde birc¸ok farklı kafa modeli bulunmaktadır
[4]. Bunlardan gerc¸ekc¸i kafa modelleri olarak bilinen, Sınır
Elemanları Y¨ontemi (BEM) ve Sonlu Elemanlar Metodunu (FEM) kullanan y¨ontemler, ¨olc¸¨umleri y¨uksek c¸¨oz¨un¨url¨ukteki bir hacim ic¸erisindeki dipollerle ilis¸kilendirmektedir. Bu mod-eller gerc¸ek kafa geometrelerine yakınsamalarına ra˘gmen, bu modellerle c¸¨oz¨ulmeye calıs¸ılan O˙IP ters kaynak problemi k¨ot¨u kos¸ullanmıs¸tır (ill-posed) ve hesaplama maliyeti de oldukc¸a
R R3 R2 R 1 1 σ2 σ3 σσ4
S¸ekil 1: ˙Ic¸ic¸e c¸oklu k¨ure modeli.
y¨uksek olup dipoller tam olarak yerelles¸tirilememektedir [5]. Bu bakımdan, bu c¸alıs¸mada yaklas¸ık olarak kafa yapısını
modelleyebilen, ic¸ic¸e c¸oklu k¨ure modeli kullanılmıs¸tır. Bu
modele g¨ore kafa geometrisi S¸ekil-1’de g¨osterilen iletken-lik katsayıları birbirinden farklı olan ic¸ic¸e es¸merkezli d¨ort
k¨ureden olus¸maktadır. K¨ureler ic¸ten dıs¸a sırasıyla beyin,
beyin sıvısı, kafatası ve kafa derisine kars¸ılık gelmektedir. Bu modele ait k¨ure yarıc¸apları ve iletkenlik de˘gerleri [7]’de verilmis¸tir. Kullandı˘gımız sinirsel kaynak modeli ise [2]’de bahsedilen, yeri ve y¨onelimi sabit, kipleme sinyali zamana
g¨ore de˘gis¸en dipol modelidir. Bu modeller do˘grultusunda,
k¨ure ic¸indekirj= {rxj, ryj, rzj}, j = 1, .., Ndnoktalarında
bulunan, mj = {sin θjcos φj, sin θjsin φj, cos φj}
mo-mentlerine ve aj(t) kipleme sinyallerine sahip olan Nd
dipol¨un si= {sxi, syi, szi} noktasında bulunan i. elektrotta
olus¸turaca˘gı potansiyel v(si, t) = Nd X j=1 aj(t)ψ(si, rj, mj) , (1)
olarak yazılabilir. Ac¸ık s¸ekli as¸a˘gıda verilen ψ(si, rj, mj)
c¸oklu k¨ure modeli ic¸in gelis¸tirilen potansiyel is¸levidir [6].
ψ(si, rj, mj) = 1 4πσ4R2 ∞ X n=1 cnfn−1mj. [r0Pn(cos(ζ)) + t0Pn1(cos(ζ))/n] . (2)
Burada,R en dıs¸taki k¨ure yarıc¸apı, f = rj/si, ζ dipol
ve elektrot arasındaki ac¸ıyı gostermektedir. Pn(.) ve Pn1(.)
sırasıyla Legendre ve ilis¸kili Legendre polinomudur. Birim
b¨uy¨ukl¨ukteki dipol koordinat vekt¨or¨ur0olup,t0buna dik olan,
s ve r vekt¨orlerinin tanımladı˘gı d¨uzlemdeki birim vekt¨ord¨ur. cn ise cn= (2n + 1)4/Γ , Γ = [( R1 R2) 2n+1 n(σ1 σ2 − 1)( σ 2 σ3 − 1)(n + 1)+ ( σ1 σ2n + n + 1)( σ2 σ3n + n + 1)]· [( σ3 σ4n + n + 1) + (n + 1)( σ3 σ4 − 1)( R 3 R) 2n+1] (n + 1)[( R1 R3) 2n+1( σ1 σ2 − 1)( σ 2 σ3n + σ2 σ3+ n)+ ( R2 R3) 2n+1( σ1 σ2n + n + 1)( σ2 σ3 − 1)] [n( σ3 σ4 − 1) + ( σ 3 σ4n + σ3 σ4 + n)( R 3 R) 2n+1] , (3)
olarak hesaplanır. R1, R2, R3, R S¸ekil-1’deki ic¸ten dıs¸a k¨ure
yarıc¸apları,σ1, σ2, σ3, σ4ise bu k¨urelere kars¸ılık gelen
iletken-lik kaysayılarıdır. Dolayısıyla,Nddipol¨uni. elektrot kanalında
olus¸turaca˘gı potansiyel Ki(t) = Nd X j=1 aj(t)ψ(si, rj, mj) + ni(t) , (4)
olarak yazılabilir. Burada,ni(t) beyaz Gauss g¨ur¨ult¨us¨ud¨ur.
3. O˙IP Kaynak Problemi ve C
¸ ¨oz ¨um ¨u
¨
Onerdi˘gimiz y¨ontemde, dipollerin yerleri ve y¨onelimleri
as¸a˘gıdaki bedel is¸levinin model parametrelerine g¨ore
enk¨uc¸¨ult¨ulmesi ile bulunmaktadır.
J =
Ne
X
i=1
wi||Ki(t) − ˜Ki(t)||2 , (5)
Burada wi, i. kanalın bedel is¸levine katkısını kotrol eden
a˘gırlık parametresidir. Bu is¸lev Nd dipol parametresine,
{rj, mj, aj(t) j = 1, .., Nd} ba˘glıdır. Buradaki Ki(t)
¨olc¸¨um alınanNeelektrottani.kanal verisi, ˜Ki(t) ise Nddipol
parametresi verildi˘ginde,i. kanaldaki potansiyel ic¸in (1)
kul-lanılarak ileri problem c¸¨oz¨um¨ud¨ur. Bu durumda (5)’de ver-ilen ceza fonksiyonu dipol yeri, y¨onelimi ve kipleme sinyali
¨uzerinden enk¨uc¸¨ult¨ulmesi gerekmektedir. Bedel is¸levinin
kipleme sinyali aj(t) ileri model kafa parametresi ile
kare-sel ba˘glantısı sayesinde, kipleme sinyali di˘ger parametreler (dipol yeri ve y¨onelimi) cinsinden en k¨uc¸¨uk kareler kestiri-cisi ile bulunabilir. B¨oylelikle, bedel is¸levinin enk¨uc¸¨ult¨ulmesi sadece dipol koordinatları ve y¨onelimleri ¨uzerinden yapılabilir.
Sonuc¸ta,Nddipol parametresi kestirimi ic¸in, bedel fonksiyonu
5Ndboyutlu c¸¨oz¨um uzayında enk¨uc¸¨ult¨ulmeye c¸alıs¸ılır. Dipol
kipleme sinyallerinin en k¨uc¸¨uk kareler kestirimi ile bulunus¸unu g¨ostermek ic¸in as¸a˘gidaki vekt¨or simgelemini kullanabiliriz.
Kk= ΨAk+ nk . (6)
Burada Kk = [K1(tk), K2(tk), .., KN e(tk)]T, nk
g¨ur¨ult¨u vekt¨or¨u, Ψ(i, j) (2)’da verilen ψ(si, rj, mj) ve
Ak = [α1(tk), α1(tk), .., αN c(tk)]T. Bu durumda, dipol
yerleri ve y¨onelimleri verildi˘ginde, Ak’nın eniyi de˘geri
(Chk− ΨAk)TW(Chk− ΨAk) ifadesini enk¨uc¸¨ulten
˜
Ak= (ΨTWΨ)−1ΨTWKk . (7)
olarak bulunur. BuradakiW k¨os¸egen bir a˘gırlık matrisi olup
herbir kanaldan ¨olc¸¨ulen verinin ters problemin c¸¨oz¨um¨undeki etkisini kontrol eder ve k¨os¸egen ¨uzerindeki elemanları (5)’de
verilenWii = wi’dır. Ak’nın eniyi de˘geri di˘ger parametreler
cinsinden bulundu˘guna g¨ore, (5)’de bedel is¸levi
J = arg min
{r1,m1,..,rNs,mNs}
X k
e(tk)2 . (8)
olarak de˘gis¸tirilebilir. Buradakie(tk) ise
e(tk) = Ktk− Ψ ˜Atk= [I − Ψ(ΨTWΨ)−1ΨW]Ktk ,
olarak tanımlıdır. (8)’de verilen ifade
e(tk)2= KTkQKk , (9)
olarak yazılabilir. Q = I − Ψ(ΨTWΨ)−1ΨW matrisi
ise izd¨us¸¨um matrisidir. Sonuc¸ta, (8)’de verilen eniyileme
5Nd de˘gis¸ken ¨uzerinden yapılacaktır. Bedel is¸levinin yerel
c¸ukurlarına takılmamak ic¸in Parc¸acık S¨ur¨us¨u Optimizasyonu
(PSO) tekni˘gi kullanılarak en iyi dipol parametreleri kestir-ilebilir.
4. Parc¸acık S ¨ur ¨us ¨u Optimizasyonu(PSO)
Kipleme sinyallerinin en k¨uc¸¨uk kareler kestirimi ile di˘ger
parametreler cinsinden yazılmasına ra˘gmen,Nddipol ic¸in 5Nd
boyutlu uzayda bedel is¸levinin enk¨uc¸¨ult¨ulmesi gerekmetedir. Bu uzayda birc¸ok yerel en iyi nokta bulunmaktadır. Bedel is¸levinin yerel en iyi noktalarına takılma ihtimalinden dolayı
bayır inis¸i (Gradient-Descent) tabanlı teknikleri kullanmak
sakıncalıdır. Bu bakımdan t¨umsel eniyileme yapabilen Parc¸acık
S¨ur¨us¨u Optimizasyonu [8] tekni˘gi dipol parametrelerinin
bulun-masında kullanılabilir. Bilindi˘gi ¨uzere, bu g¨uc¸l¨u teknik her-biri olası bir c¸¨oz¨um olan parc¸acıkları arama uzayına rastgele salmaktadır. Bu parc¸acıkların c¸¨oz¨um uzayındaki yerleri ba-sit bir g¨uncelleme denklemi ile de˘gis¸mektedir. Bu g¨uncelleme sonucunda b¨ut¨un pac¸acıklar c¸¨oz¨um noktasına do˘gru kaymak-tadır. O˙IP kaynak probleminin c¸¨oz¨um¨unde ise, herbir parc¸acık
x, dipol koordinatları ve y¨onelimlerinden olus¸maktadır, yani x = [rx, ry, rz, θ, φ]T. Kullandı˘gımız parc¸acık g¨uncelleme denklemi
vid= χ(vid+ c11(pid− xid) + c22(pgd+ xid)) , (10)
olup g¨uncelleme parametreleriχ = 0.72984, c1= c2= 2.05,
[9]’de ¨onerildi˘gi gibi sec¸ilmis¸tir. Buradaxid, i. parc¸acı˘gın
buldu˘gu olası c¸¨oz¨um, pid bu parc¸acı˘gın o ana kadar buldu˘gu
en iyi c¸¨oz¨um,pgdise o ana kadar t¨um parc¸acıkların buldu˘gu en
iyi c¸¨oz¨umd¨ur.
5. Sonuc¸lar
¨
Onerdi˘gimiz y¨ontemi ¨oncelikle sentetik veri k¨umelerinde denedik. K¨ure ic¸erisine yerles¸tirilmis¸ yerleri, y¨onelimleri ve kipleme sinyalleri bilinen ¨uc¸ dipol ic¸in k¨ure ¨uzerine birbic¸im olarak da˘gılmıs¸ 64 elektrotta ¨olc¸¨ulecek, sinyal-g¨ur¨ult¨u oranı
10dB olan c¸okkanallı veri (4)’ile olus¸turulmus¸tur.
Dipol-lerin tespitini zorlas¸tırmak adına, dipolDipol-lerin kipleme sinyalleri zaman-frekans d¨uzleminde ¨ort¨us¸en sinyaller olarak sec¸ilmis¸tir. S¸ekil-2a’da dipol kipleme sinyalleri, S¸ekil-2b’de bu sinyallerin 32. veri kanalındaki zaman frekans da˘gılımını g¨or¨ulmektedir. Siyah c¸izgiler, sinyallerin anlık frekansını belirtmektedir. Hem zamanda hem de frekansta ¨ort¨us¸en bu biles¸enleri hic¸ bir zaman-frekans sinyal is¸leme tekni˘gi birbirinden ayıramaz. S¸ekil-2c’de ise bir dipol(mavi), iki dipol(kırmızı) ve ¨uc¸ dipol(yes¸il) ic¸in kaynak yerelles¸tirimi yapıldı˘gında ¨olc¸¨ulen veri ile geri c¸atılan veri arasındaki ortalama uyum hatası g¨osterilmektedir. Dipol sayısı birden ¨uc¸e c¸ıkarıldı˘gında ortalama hata da g¨ur¨ult¨u se-viyesine inmis¸tir. Tablo-1’de g¨or¨uld¨u˘g¨u ¨uzere, gerc¸ek dipol koordinatları ile kestirilen dipol koordinatları arasında 1mm’yi gec¸meyen bir hata vardır. Dipol y¨onelim ac¸ılarında ise bu hata 0.2 radyan’ı gec¸memektedir. 50 100 150 200 250 300 350 400 450 500 −3 −2 −1 0 1 2 3 zaman indeksi genlik (a) zaman indeksi frekans 50 100 150 200 0 20 40 60 80 100 2000 4000 6000 8000 10000 (b) 50 100 150 200 250 10 15 20 25 30 35 40 45 50 zaman indeksi genlik (c)
S¸ekil 2: (a)Dipol kipleme sinyalleri. (b) 32. kanalın
za-man frekans da˘gılımı. (c)1 dipol(mavi), 2 dipol(kırmızı) ve 3 dipol(yes¸il) yerelles¸tirimi ic¸in ortalama kanal uyum hatası. 3 dipol yerelles¸tirildi˘ginde uyum hatası g¨ur¨ult¨u seviyesine ulas¸mıs¸tır.
Tablo 1: 3 dipol ic¸in gerc¸ek {p1, p2, p3} ve kestirilen
{˜p1, ˜p2, ˜p3} yer-y¨onelim parametleri. p1 ˜p1 p2 ˜p2 p3 ˜p3 rx(mm) -10 -10.2 10 9.4 30 27.7 ry(mm) -30 -29.6 -50 -46.2 20 18.2 rz(mm) 50 49.7 50 48.4 30 31.5 θ(rad) 0.63 0.55 1.05 1.02 0.53 0.59 φ(rad) 0.45 0.44 0.79 0.71 1.05 1.01
Gerc¸ekte,¨olc¸¨um alınan geometri hic¸ bir zaman tam k¨ure
de˘gildir. Bundan dolayı genellikle elektrotlara en iyi
otu-ran t¨umsel k¨ure kestirilir ve bu kestirim ¨uzerinden kaynak yerelles¸tirimi yapılır. En iyi oturan k¨ure
arg min {c,R} Nc X i=1 [si− c − Rc]2 , (11)
enk¨uc¸¨ult¨ulmesi ile yapılır. Buradaki c = {cx, cy, cz}
k¨ure mekezi, Rc k¨ure yarıc¸apı, si ise i. elektrot
koor-dinat vekt¨or¨ud¨ur. Fakat, ¨olc¸¨um geometrisinin k¨ureden c¸ok
saptı˘gı durumlara tek bir k¨ure oturtmaya c¸alıs¸mak yanlıs¸ dipol
yerelles¸tirimine neden olabilir. Bu gibi durumlarda yerel k¨ure
oturtma adını verdi˘gimiz y¨ontemle elektrotlara tek bir t¨umsel
k¨ure oturtmak yerine her bir elektrota, c¸evresindeki
elektrot-ları g¨oz ¨on¨une alarak, yerel k¨ureler oturtmayı ¨oneriyoruz.Ne
elektrot ic¸in en iyi oturan yerel k¨urelerin parametreleri
{ci, Rci}, i = 1, .., Ne arg min {ci,Rci} Ne X j=1 W (θij)[sj− ci − Rci]2 , (12)
enk¨uc¸¨ult¨ulmesi ile bulunur. Buradaki {ci, Rci}, i.
elek-troda oturtulan k¨urenin sırasıyla merkez koordinat vekt¨or¨u ve
yarıc¸apıdır.W (θij) ise i. elektorada k¨ure oturtulurken j.
elek-trodun etkisini kontrol eden a˘gırlık fonksiyonu olupθijbu
elek-trodlar arasindaki ac¸ıdır.
(a) 20 40 60 80 100 120 140 160 180 −60 −40 −20 0 20 40 60 zaman indeksi genlik (b) 20 40 60 80 100 120 140 160 180 10 15 20 25 30 35 zaman indeksi genlik (c)
S¸ekil 3: (a) Sentetik olarak yaratılan, 3 k¨ureden olus¸an kafa yapısı ve ¨uzerine yerles¸tirilen elektrotlar(yes¸il noktalar). (b) 32. kanal verisi(mavi), yerel k¨ure oturtma(yes¸il) ve t¨umsel k¨ure oturtma(kırmızı) y¨ontemleri ile geri c¸atılan 32.kanal verisi. (c) Her iki y¨ontem ic¸in ortalama uyum hatası.
Tablo 2: Asıl dipolp, yerel k¨ure oturtma ile kestirilen ˜p ve
t¨umsel k¨ure oturtma ile kestirenˆp dipol parametreleri.
rx(mm) ry(mm) rz(mm) θ(rad) φ(rad)
p -10 10 0 0.628 0.448
˜p 8.5 12.9 28.6 1.95 1.02
ˆp -10 10 0 0.629 0.454
˙Ikinci sentetik veri k¨umesinde, yerel k¨ure oturtmanın t¨umsel k¨ure oturtmaya ¨ust¨unl¨u˘g¨un¨u g¨ostermek ic¸in ¨olc¸¨um ge-ometrisi gerc¸ek kafa yapısını andıracak s¸ekilde ¨uc¸ k¨urenin birles¸iminden olus¸turulmus¸tur. Bu k¨urelerin kesis¸ti˘gi b¨olgede bulunan bir dipol¨un k¨urelerin kesis¸meyen y¨uzeylerine birbic¸im olarak da˘gılan elektrotlarda olus¸turaca˘gı ¨oc¸¨um sentetik olarak
yaratılmıs¸tır. S¸ekil-3a’da olus¸turulan sentetik kafa
ge-ometrisi ve bu geometiye birbic¸im olarak da˘gıtılan elektrotlar g¨osterilmektedir.S¸ekil-3b’de 32. kanaldan alınan ¨olc¸¨um sinyali ve buna her iki y¨ontemle geri c¸atılan kanal verisi g¨or¨ulmektedir. Yerel k¨ure oturtularak geri c¸atılan 32. kanal verisi, gerc¸ek
kanal verisine daha iyi uymaktadır. S¸ekil-3c’de ise her iki
y¨ontem ic¸in ortalama uyum hataları verilmis¸tir. Yine, yerel k¨ure oturtma y¨ontemi ile yapılan dipol yerelles¸tirimi sonunca olus¸an uyum hatası g¨ur¨ult¨u seviyesine indirilmis¸tir. Tablo-2’de dipolin gec¸ek ve her iki y¨ontem ile bulunan parametreleri verilmis¸tir. G¨or¨uld¨u˘g¨u ¨uzere, yerel k¨ure oturtma y¨ontemi gerc¸ek dipol parametrelerini bas¸arılı bir s¸ekilde bulmus¸tur.
Son olarak, gerc¸ek veri k¨umesi ¨uzerinde her iki y¨ontemin
bas¸arısı kıyaslanmıs¸tır. S¸elik-4a’da 32. kanal verisi ve bu
veriye her iki y¨ontem kullanılarak geri c¸atılan kanal verisi
g¨osterilmis¸tir. Her iki y¨ontem benzer bir bas¸arı g¨ostermis¸
olup S¸ekil-4b’de g¨or¨uld¨u˘g¨u ¨uzere her iki y¨ontem ic¸in uyum hatası siyalleri g¨ur¨ult¨u seviyesindedir. Elektrot yerleri k¨ure ge-ometrisinden c¸okc¸a sapmayan bu veri setinde her iki y¨ontem de bas¸arılı iki dipol yerelles¸tirimi ile uyum hatasını g¨ur¨ult¨u seviye-sine indirmeyi bas¸armıs¸tır.
50 100 150 200 250 300 350 −0.2 −0.15 −0.1 −0.05 0 0.05 0.1 0.15 zaman indeksi genlik (a) 50 100 150 200 250 300 350 −0.2 −0.15 −0.1 −0.05 0 0.05 0.1 0.15 zaman indeksi genlik (b)
S¸ekil 4: (a) 32. kanal verisi(mavi), yerel k¨ure oturtma
y¨ontemi(yes¸il) ve t¨umsel k¨ure oturtma y¨ontemi (kırmızı) ile geri c¸atılan 32. kanal verisi. (b)32. kanal verisi ve bu kanaldaki her iki y¨ontem ic¸in uyum hataları.
Bu c¸alıs¸mada ERP kaynak yerelles¸tirimi ic¸in yeni bir
y¨ontem sunduk. Sonuc¸ olarak, kullandı˘gımız optimizasyon
tekni˘gi sayesinde, varolan y¨ontemlerden farklı olarak, aynı anda birc¸ok dipol yerel c¸ukurlara takılmaksızın bas¸arıyla yerelles¸tirilebilmektedir.
6. Kaynakc¸a
[1] M. Liotti, S.R. Pliszka, R. Perez, D. Kothmann, and M.G. Woldorff, “Abnormal brain activity related to performance monitoring and error detection in children with adhd,”
Cortex, vol. 41, pp. 377–388, 2005.
[2] J.C. Mosher, P.S. Lewis, and R.M. Leahy, “Multiple
dipole modeling and localization from spatio-temporal meg data,” IEEE Trans. Biomed. Eng., vol. 39, pp. 541– 577, June 1992.
[3] Z.J. Koles, “Trends in eeg source localization,”
Electroen-ceph. clin. Neurophysiol, vol. 106, pp. 127–137, February
1998.
[4] H. Hallez, B. Vanrumste, R. Grech, J. Muscat, W.D. Clerq, A. Vergult, Y. Dasseler, K.P. Camilleri, S. G. Fabri, S.V. Huffel, and I. Lemahieu, “Review on solving the forward problem in eeg source analysis,” Journal of NeuroEng.
and Rehabil., vol. 4, pp. 46:75, 2007.
[5] R.D. Pascual-Marqui, “Standardized low resolution brain electromagnetic tomography (sloreta): technical details,”
Methods Find. Exp. Clin. Pharmacol., vol. 24, pp. 5–12,
2002.
[6] M. Sun, “An efficient algorithm for computing multishell spherical volume conductor models in eeg dipole source
localization,” IEEE Trans. Biomed. Eng., vol. 44, pp.
1243–1252, December 1997.
[7] S. Gabriel, R.W. Lau, and C. Gabriel, “The dielectric properties of biological tissues: Ii. measurements in the frequency range 10 hz to 20 ghz,” Phys. Med. Biol., vol. 41, pp. 2251–2269, 1996.
[8] J. Kennedy and R. Eberhart, “Particle swarm optimiza-tion,” IEEE Int. Conf. Neural Networks, vol. 4, pp. 1942– 1948, November 1995.
[9] D. Bratton and J. Kennedy, “Defining a standard for parti-cle swarm optimization,” IEEE Swarm Intelligence
Sym-posium, pp. 120–127, April 2007.