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

کاربردهای الگوریتم فراابتکاری ماهی پاک‌کننده در اینترنت اشیا

زهرا ترتیبیان - علی اکبر نقابی

شناسایی رابطه غیرخطی بین قدرت سیگنال و مصرف باتری در کنتورهای هوشمند آب با استفاده از XGBoost

محمد رستمی - فضل الله ادیب نیا

FSI Modeling of Osteocyte Mechanotransduction Under Dynamic Loading

Zahra Rahmanisamani - Hanieh Niroomand-Oscuii - Mohammad Niroobakhsh - Ehsan Alizad Farokhi

Development of an Explainable Random Forest-Based Algorithm for EEG-Based Sleep–Wake Classification Toward Sleep Apnea Detection

Pargol Sharifi - Mohammad Fakharzadeh

Natural Language Processing and Speech Processing Integration: Toward A Point-of-Care Framework for Early Detection of Alzheimer’s Disease

Aslan Modir - Fatemeh Shalchizadeh - Armin Ghasimi - Sina Shamekhi

تحلیل روند پژوهش‌های علمی پیرامون الگوریتم بهینه‌سازی کلونی مورچگان چندهدفه

ملیحه نیک سیرت - محسن صفاریان

The Impact of an Interactive Rehabilitation Protocol ‎on Reorganization of Brain Networks in Children ‎with Cerebral Palsy: A Pilot Study

Shahed Salehzehi - Mahdi Mollaei - Parisa Hosseini - Ali Koohian Mohammad abadi - Mohammad Ebrahim Hashemi - Hamid Reza Kobravi - Narges Hashemi - Mehran Beiraghi Toosi - Javad Akhondian

A Quantitative Approach to Assess Rhus coriaria Nanophytosomes in Ketamine-Induced Liver Injury

Narjes Amin - Akbar Hajizadeh Moghadam - Amin Mohammad Mohammadi - Kimia Mozahheb Yousefi - Fereshteh Mir Mohammadrezaei - Sedigheh Khanjani Jelodar

تاثیر تمرین با تردمیل آبی بر کینماتیک پرش- فرود فوتسالیست‏ های حرفه ای

صفورا قاسمی - مسعود گلپایگانی - امیرحسین نجیمی

پلی از شبیه‌سازی به عمل: انقلاب بومی هوش مصنوعی در آموزش ایران

مهتاب کرمیانی - سیران معروفی

بیشتر