tsta

فارسی

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

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

Authors :

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

Keywords :

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

Abstract :

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.

Papers List

List of archived papers

ارائه یک معماری شناختی ارتقاء‌یافته برای بهینه‌سازی سرعت تصمیم‌گیری در ربات‌های شناختی

محمدمعید جمالی مهر - حسین صابری

بررسی تاثیر سرمایه فکری بر رشد و ارزش شرکت با تاکید بر عملکرد مالی

یعقوب اقدم مزرعه - فائزه هاشم زاده اصل

بررسی نقش رایانش ابری در توسعه اینترنت اشیا: فرصت‌ها و چالش‌های ادغام فناوری‌ها

سعیده نادری - سید حمید غفوری مهدی آباد

Region-Specific EEG Channel-Based Emotion Detection using Bi-directional Deep Neural Networks

Mahdi Jafari Asl - Sina Shamekhi - Fatemeh Shalchizadeh

کاربرد هوش مصنوعی در ارتقای امنیت اینترنت اشیاء: از الگوریتم‌های یادگیری عمیق تا استراتژی‌های سازمانی

علی غلام نتاج - محمدعرفان رحمانیان کوشککی - امیدرضا حمیدی نیا - عباسعلی میرزایی فرد

شناسایی و اولویت بندی موانع اجرای حسابداری منابع انسانی بوسیله TOPSIS

حسن پاکی

حفظ حریم خصوصی داده‌ها در اینترنت اشیای پزشکی (IoMT) با استفاده از یادگیری فدرال (Federated Learning) در معماری مه

سالار لطفی آقجه - نازنین خاکسبز - نیلوفر رنجبر

A vortex-promoting cross-junction microchannel for efficient hydroporation in immunotherapy applications

Soheil Mahdavi - Zohre Nazemi Dehkordi - Ali Abouei Mehrizi

Fibroglandular Tissue Classification in Breast MRI: A Comparative Study of Automated Decision Strategies

Meysam Khalaj - Arvin Arian - Ala Torabi - Nasrin Ahmadinejad - Masoumeh Gity - Seyedeh Nooshin Miratashi Yazdi - Mohammad Pooya Afshari - Melika Sadeghi Tabrizi - Hamid Soltanian-Zadeh

نقش کلیدی نانولوله های کربنی در بهبود همزمان خواص مکانیکی، ضدباکتریایی و زیست سازگاری پوشش های HA-Ta2O5 بر روی آلیاژهای حافظه دار NiTi

نازیلا هوراندقدیم - جعفر خلیل علافی

Samin Hamayesh - Version 42.5.2