سامانه همایش‌ها TSTA | ثبت‌نام و ارسال مقاله کنفرانس‌ها و کنگره‌های ملی

صفحه اصلی / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

An Automatic Pipeline for Simultaneous EEG-fMRI Artifact-removal (SEFA)

نویسندگان :

Farid Hosseinzadeh¹ Amin Mohammad Mohammadi² Mehrdad Anvarifard³ ُSasan Keshavarz⁴ Elias Ebrahimzadeh⁵ Hamid Soltanian-Zadeh⁶

1- دانشگاه تهران 2- دانشگاه تهران 3- دانشگاه تهران 4- دانشگاه تهران 5- دانشگاه تهران 6- دانشگاه تهران

کلمات کلیدی :

Simultaneous EEG-fMRI،EEG،preprocessing،artifact removal،automation،pipeline،ٍَُّSEFA

چکیده :

Simultaneous EEG–fMRI provides complementary temporal and spatial information about brain function, but its utility is hindered by severe scanner-induced artifacts such as gradient and ballistocardiographic (BCG) noise. Manual artifact correction is effective but labor-intensive, inconsistent, and difficult to scale. We introduce SEFA, a fully automated two-stage preprocessing pipeline for simultaneous EEG–fMRI that integrates MRI-specific artifact correction (average artifact subtraction, optimal basis set, and PCA/OBS modeling) with state-of-the-art EEG cleaning techniques adapted from a previous popular standard EEG preprocessing pipeline, HAPPE, including automated independent component classification (MARA and ICLabel), bad-channel detection, multitaper regression for line noise, and segment-level quality control. Validation against manually corrected datasets from a reward-based decision-making task demonstrated that SEFA achieves near-perfect equivalence with expert preprocessing. Event-related potentials (ERPs) from both approaches exhibited indistinguishable morphology, latency, and amplitude, with mean channel-wise correlations of r = 0.91 ± 0.14, and 72% of electrodes exceeding r > 0.90. Signal-to-noise ratio (SNR) improved from ~0.8 dB in raw data to 6.7 dB with SEFA, matching manual performance (6.9 dB). Statistical testing confirmed no significant differences in ERP amplitude or latency between automated and manual methods (all p > 0.1). By reducing operator bias and cutting processing time from hours to minutes, SEFA enables reproducible, scalable, and clinically feasible preprocessing of simultaneous EEG–fMRI data.

لیست مقالات

لیست مقالات بایگانی شده

Parkinson’s Disease Classification Using EEG and a Hybrid EEGNet–LSTM Architecture

Pouya Taghipour Langrodi - Amirsadra Khodadadi - Ali Sadat Modaresi - Mohammad Ahadzadeh - Mostafa Rostami - Sadegh Madadi

Engagement of shareholders in the company

Mahdi Rastkar Mirzaei - Ramin Saman Azari

کاربرد هوش مصنوعی در بهینه سازی تولید و کاهش هدر رفت منابع

مریم مژده

تبیین روابط بین استراتژی رقابتی ، توانمندی های بازاریابی و عملکرد سرمایه‌گذاری صادراتی با تکیه بر دیدگاه مبتنی بر منابع با استفاده از هوش مصنوعی

حسین بوذری

پلتفرم هوشمند «دستیار پیمانکار»

محمد عبدالهی سنو

Synthesis and Swelling Behavior of pH-Sensitive Chitosan/Polyvinylpyrrolidone Hydrogels for Drug Delivery Applications

Shaghayegh Zameni Nir - Hanieh Shokrkar - Niloofar Nasirpour

Recovery of Hand Motor Function in Children with ‎Hemiparetic Cerebral Palsy using an Interactive ‎Computer Game Combined with Mechanoreceptor ‎Stimulation: A Pilot Study

Mobina Ramezani - Shahed Salehzehi - Parisa Hosseini - Zahra Alizadeh Sarborj - Ghazal Mohammadzadeh - Hamid Reza Kobravi - Narges Hashemi - Mehran Beiraghi Toosi - Javad Akhondian

بهبود امنیت داده در رایانش ابری عمومی با استفاده از یک معماری ترکیبی مبتنی بر AES و ECC

فاطمه رمضانی - علیرضا چمکوری

نقش هوش مصنوعی در شخصی‌سازی تجربه مشتری: بررسی رفتار مصرف‌کننده در فروشگاه‌های آنلاین

بهزاد بالازاده - حسین بوداقی - نازلی قراچورلو

گام بلند هوش مصنوعی در توسعه ارتباطات انسانی

کامیار لاوه ای

بیشتر