fa به‌کارگیری روش غیرخطی منحنی بازگشتی برای شناسایی مؤلّفه‌های حافظه‌ای برمبنای تک ثبت مقالات پردازش گفتار Paper پژوهشي Research <a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);"></a> <table border="0" cellpadding="0" cellspacing="0" height="500" width="900"> <tbody> <tr> <td bgcolor="#ffffff" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="500" width="100%"> <tbody> <tr> <td dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="5" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <center> <center> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="30" width="100%"> <tbody> <tr> <td bgcolor="#FFFFFF" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <table border="0" cellpadding="10" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <p align="justify" style="line-height: 18px;"><a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);">هدف از این پژوهش، به‌کارگیری روش‌ پردازشِ غیرخطی منحنی‌های بازگشتی روی پتانسیل‌های وابسته به رخداد فرآیندهای حافظه‌ای است تا توانایی‌های این روش در شناسایی مؤلّفه‌های حافظه‌ای سیگنال‌های مغزی تک ثبت و ایجاد تمایز بین گروه‌های قدیم و جدید، مورد بررسی قرار گیرد. دو مؤلفه ی مهم حافظه‌ای FN400 و LPC است که بایستی مورد شناسایی قرار گیرد. برای این منظور منحنی‌های بازگشتی مربوط به تک‌ ثبت‌های EEG ثبت شده در حین بازیابی حافظه، محاسبه شدند. علاوه بر این تحلیل آنالیز کمّی‌سازی بازگشت برای کمّی‌سازی تغییرات در ساختار دینامیک سیگنال در حین رخداد حافظه، انجام شد. از کمّی‌کننده‌های غیرخطی نظیر RR, DET, ENTR, <l>, Lmax, LAM, TT و Vmax ویژگی‌هایی استخراج شده و میزان معنادار بودن تفاوت این ویژگی‌ها در دو رخداد قدیم و جدید با استفاده از آزمون‌های آماری مشخّص گردید. نتایج نشان می‌دهند که منحنی‌های بازگشتی، توانایی شناسایی گذارهای سیگنال در حوالی 400 میلی ثانیه و 800 میلی ثانیه را، که به مؤلفّه‌های حافظه‌ای مربوط دانسته شده‌اند، دارد. دامنه ی اندازه‌های غیرخطی این منحنی‌ها 400 میلی‌ثانیه پس از شروع تحریک افزایش می‌یابدکه نشان دهنده ی کاهش بُعد سیستم، پس از تحریک است. پس از 800 میلی‌ثانیه این روند افزایش از بین رفته و کاهشی در تمامی اندازه‌ها به وقوع می‌پیوندد که می‌تواند مبین افزایش بعد و پیچیدگی سیستم و بازگشت به وضعیت پایه‌اش ‌باشد. میانگین اندازه‌های مربوط به رخداد قدیم بیشتر از رخداد جدید است. در مقایسه با روش‌های خطی، منحنی‌های بازگشتی نیاز به متوسط‌گیری ندارد و RQA حتی در تک‌ثبت‌های EEG تمایز بین رخدادهای قدیم و جدید را نشان می‌دهد.</l></a></p> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </center> </center> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> <br> <a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);"></a> <table border="0" cellpadding="0" cellspacing="0" height="500" width="900"> <tbody> <tr> <td bgcolor="#ffffff" dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="500" width="100%"> <tbody> <tr> <td dir="rtl" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;" valign="top"> <table border="0" cellpadding="0" cellspacing="5" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <center> <center> <table border="0" cellpadding="0" cellspacing="0" dir="ltr" height="30" width="100%"> <tbody> <tr> <td bgcolor="#FFFFFF" dir="ltr" style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <table border="0" cellpadding="10" cellspacing="0" width="100%"> <tbody> <tr> <td style="color: rgb(0, 0, 0); font-family: tahoma, arial; font-size: 12px;"> <p align="justify" style="line-height: 18px;"><a name="up" style="color: rgb(0, 204, 0); font-family: tahoma; text-decoration: none; font-size: 12px; font-style: normal; font-variant-ligatures: normal; font-variant-caps: normal; font-weight: normal; letter-spacing: normal; orphans: 2; text-align: -webkit-center; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: rgb(255, 255, 255);">Abstract: The purpose of this study was to apply recurrence plots on event related potentials (ERPs) recorded during memory recognition tests. EEG signals recorded during memory retrieval in four scalp region were used. Two most important ERP&rsquo;s components corresponding to memory retrieval, FN400 and LPC, were detected in recurrence plots computed for single-trial EEGs. In addition, the RQA was used to quantify changes in signal dynamic structure during memory retrieval, and measures of complexity as RQA variables were computed. Given the stimulus, amplitude of the RQA variables increases around 400ms, corresponding to dimension reduction of system. Furthermore, after 800ms these amplitudes decreased which can be as a consequence of an increase in system dimension and complexity and back to its basic state. The mean amplitude of Old items was more than New one. Furthermore we applied statistical analysis (t-test) to find meaningful difference between features extracted from nonlinear measures. Using this method, we found its ability to detect memory components of EEG signals and to do a distinction between Old/ New items. In contrast with linear techniques, recurrence plots and RQA do not need large number of recorded trials, and they can indicate changes in even single-trial EEGs. RQA can also show differences between old and new events in a memory process. </a></p> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </center> </center> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> </td> </tr> </tbody> </table> حافظه, پتانسیل‌های وابسته به رخداد, کمّی سازی منحنی بازگشتی, تحلیل غیرخطی, تحلیل تک ثبت memory, event related potentials (ERP), recurrence quantification analysis, nonlinear analysis, single trial analysis. 39 52 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-57-1&slc_lang=fa&sid=1 نسیبه طالبی nasibeh.talebi@gmail.com 10031947532846004352 10031947532846004352 Yes علی مطیع نصرآبادی nasrabadi@shahed.ac.ir 10031947532846004353 10031947532846004353 No دانشگاه شاهد