نسرین طاهری - گروه برق دانشکده مهندسی دانشگاه شهید چمران اهواز
کریم انصاری اصل - گروه برق دانشکده مهندسی دانشگاه شهید چمران اهواز
عمر کچنورا - آزمایشگاه پردازش سیگنال و تصویر LTSI دانشگاه رن ۱ فرانسه
ایزابل مرلت - آزمایشگاه پردازش سیگنال و تصویر LTSI دانشگاه رن ۱ فرانسه

امروزه تفکیک بسیار بالای داده های HR-EEG دانشمندان را به سمت استفاده از این داده ها برای مطالعه هرچه بهتر مغز و منابع مختلف آن سوق می دهد یکی از بیماری های شایع مغزی بیماری صرع است که پزشکان نیازمند اطلاعات دقیق جهت بررسی و درمان این بیماری هستند استفاده از داده های HR-EEG ابزار تشخیصی بسیار مناسبی برای بررسی بیماران مبتلا به صرع است اما وجود نویز و آرتیفکت ها مطالعه این داده های غیر تهاجمی را مشکل می کند. در این مقاله از روش های تحلیل مولفه های مستقل برای جداسازی آرتیفکت های ماهیچه ای از داده های صرعی مصنوعی 257 کاناله تولید شده به وسیله یک مدل واقع گرایانه استفاده شده است روش های مورد استفاده در این تحقیق روش های fastICA و InfoMax هستند که کارایی این روش ها در حذف نویز، بر اساس معیارهای میانگین مربع خطای نرمالیزه شده NMSE و پیچیدگی محاسباتی سنجیده می شود مشاهده می شود که تمامی روش ها کارایی خوبی در بازسازی سیگنال های صرعی و حذف نویز دارند روش fastICA نتایج بهتری را دارد.

حذف نویز، آرتیفکت ماهیچه ای، HR-EEG، تحلیل مولفه های مستقل، صرع