تحلیل پاسخ شنوایی ساقه‌ی مغز به هجای گفتاری/دا/ با استفاده از روش چندفراکتالی

مظفری‌لقا, مرجان; موحد, سیدمحمدصادق

doi:10.22041/ijbme.2018.78126.1309

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

¹ دکتری مهندسی پزشکی، آزمایشگاه بین‌رشته‌ای ابن‌سینا، دانشکده‌ی فیزیک، دانشگاه شهید بهشتی، تهران

² دانشیار، دانشکده‌ی فیزیک، دانشگاه شهید بهشتی، تهران

https://doi.org/10.22041/ijbme.2018.78126.1309

چکیده

از ویژگیهای پردازشهای ساقه‌ی مغز، حضور پیچیدگی و تاثیرگذاری عوامل فردی در رمزگذاری اصوات می‌باشد. تشریح این پردازش‌ها بر مبنای تحلیل‌های خطی دشوار بوده و این خود انگیزه‌ای است مبنی بر استفاده از روشهای غیرخطی که قادر به تحلیل مناسبتر سیگنالهای غیرمانا هستند. هدف این تحقیق، بررسی رفتار ساقه‌ی مغز در پاسخ به تحریک شنوایی هجای گفتاری /دا/ (s-ABR)، با استفاده از تحلیل چندفراکتالی MFDFA)) به همراه روشهای تحلیل روندزدایی، شامل تجزیه به مقادیر تکین (SVD)، روش تطبیقی (AD) و روش تجزیه به مدهای تجربی (EMD) می‌باشد. در این تحلیل، پس از ثبت پاسخهای شنوایی ساقه‌ی مغز برانگیخته شده با هجای ساختگی /دا/ در 40 فرد بزرگ‌سال هنجار با میانگین سنی 22 سال، تحلیل MFDFA روی سیگنال، جهت ارزیابی تغییرات پیچیدگی و چندمقیاسی آن‌ها انجام می‌شود. هم‌چنین، به‌منظور روندزدایی بهینه از سیگنال، ابتدا روشهای SVD، AD و EMD روی داده‌های ورودی اعمال می‌شود. با محاسبه‌ی تابع افت‌وخیز و ارزیابی رفتار مقیاسی، نماهای مقیاسی مانند نمای هارست تعمیم‌یافته و طیف تکینگی تعیین می‌شود. نتایج نشان می‌دهد که در مقیاسهای کوچک، سیگنال دارای خاصیت نامانایی است. اما در مقیاسهای بزرگ، ویژگی سیستم توسط روند کنترل می‌شود. تمام نمونههای مورد بررسی در مقیاس میلی‌ثانیه، دارای تغییر رفتاری در تابع افت‌وخیز هستند که معادل با روند تناوبی غالب است. متوسط نمای هارست تعمیم‌یافته‌ی محاسبه‌شده توسط این روش در مقیاس‌های کوچک، یعنی میلی‌ثانیه، برابر با در 68 درصد تراز تطابق است. وابستگی به ، نشان میدهد که سیگنال s-ABR خاصیت چندفراکتالی دارد، که غالبا به دلیل همبستگیها است. پهنای طیف تکینگی، که معیاری از پیچیدگی سیگنال است، برای داده‌های مورد استفاده به طور میانگین برابر با در تراز اطمینان است.

کلیدواژه‌ها

موضوعات

پردازش سیگنال‌های حیاتی

عنوان مقاله [English]

Multifractal Analysis of Auditory Brainstem Responses to Spoken Syllable /da/

نویسندگان [English]

Marjan Mozaffarilegha ¹
Seyed Mohammad Sadegh Movahed ²

¹ Ph.D in Biomedical Engineering, Ibn-Sina Labratory, Department of Physics, Shahid Beheshti University, Tehran, Iran

² Associate Professor, Department of Physics, Shahid Beheshti University, Tehran, Iran

چکیده [English]

The complexities and the effects of inter-subject variations on the encoding of sounds are features of the brainstem processing. Examining such data based on linear analysis is not reliable, encouraging to take into account non-linear methods which are effective ways of explaining such non-stationary signals. The purpose of this study is to explore the behavior of the brainstem in response to complex auditory stimuli /da/ using Multifractal Detrended Fluctuation Analysis modified by Singular Value Decomposition (SVD), Adaptive Detrending (AD) and Empirical Mode Decomposition (EMD). Auditory brainstem responses to synthetic /da/ stimuli were recorded for 40 normal subjects with a mean age of 22.7 years. MFDFA is carried out on the s-ABR time series data to evaluate the variation of their complexity and multiscaling. To utilize optimal Detrending of s-ABR time series, AD, SVD and EMD algorithms are applied on time series. By computing the fluctuation function and evaluating scaling behavior, scaling exponents such as generalized Hurst exponent and multifractal spectrum are determined. Given results in this method indicate that underlying signal has non-stationary nature in small scales, but property of system is controlled by trend in large scales. There is a crossover at msec on the behavior of fluctuation function corresponding to dominant sinusoidal trend in all samples. The average of Hurst exponent is at 68% confidence interval in small scales msec. The -dependency of demonstrate that underlying data sets have multifractality nature and are almost due to long-range correlations. The width of singularity spectrum which is a measure of the signal complexity of underlying data in average equates to at confidence interval.

کلیدواژه‌ها [English]

Speech-Auditory Brainstem Responses
MFDFA
Hurst Exponent
Complexity

مراجع

[1] J. W. Hall, New handbook of auditory evoked responses: ASHA, 2007.

[2] E. Skoe and N. Kraus, "Auditory brainstem response to complex sounds: a tutorial," Ear and hearing, vol. 31, p. 302, 2010.

[3] K. L. Johnson, T. Nicol, S. G. Zecker, A. R. Bradlow, E. Skoe, and N. Kraus, "Brainstem encoding of voiced consonant–vowel stop syllables," Clinical Neurophysiology, vol. 119, pp. 2623-2635, 2008.

[4] E. Skoe, T. Nicol, and N. Kraus, "Cross-phaseogram: objective neural index of speech sound differentiation," Journal of neuroscience methods, vol. 196, pp. 308-317, 2011.

[5] A. Asgharzadeh-Alavr, A. Jafari, Z. Shirzhiyan, A. Jafarpisheh, A. Ghalyanchi-Langeroudi, and A. Pourbakht, "A Study of the Effect of Two Meaningful Syllables Stimuli in Auditory Brainstem Responses Using Correlation and Coherence Analyses," Frontiers in Biomedical Technologies, vol. 2, pp. 80-86, 2015.

[6] A. S. Jafarpisheh, A. H. Jafari, M. Abolhassani, M. Farhadi, H. Sadjedi, A. Pourbakht, et al., "Nonlinear feature extraction for objective classification of complex auditory brainstem responses to diotic perceptually critical consonant-vowel syllables," Auris Nasus Larynx, 2015.

[7] A. S. Jafarpisheh, A. H. Jafari, Z. Shirzhiyan, M. Ahadi, and A. Pourbakht, "A Novel Approach for Extracting Important Cues in Complex Auditory Brainstem Response to/da/Using Fuzzy Model," Frontiers in Biomedical Technologies, vol. 1, pp. 200-210, 2014.

[8] M. Mozaffarilegha, A. Esteki, M. Ahadi, and A. Nazeri, "Identification of Dynamic Patterns of Speech Evoked Auditory Brainstem Response Based on Ensemble Empirical Mode Decomposition and Nonlinear Time Series Analysis Methods," International Journal of Bifurcation and Chaos, 2016.

[9] J. Hu, J. Gao, and X. Wang, "Multifractal analysis of sunspot time series: the effects of the 11-year cycle and Fourier truncation," Journal of Statistical Mechanics: Theory and Experiment, vol. 2009, p. P02066, 2009.

[10] A. K. Maity, R. Pratihar, A. Mitra, S. Dey, V. Agrawal, S. Sanyal, et al., "Multifractal Detrended Fluctuation Analysis of alpha and theta EEG rhythms with musical stimuli," Chaos, Solitons & Fractals, vol. 81, pp. 52-67, 2015.

[11] P. Abry, H. Helgason, P. Gonçalves, E. Pereira, P. Gaucherand, and M. Doret, "Multifractal analysis of ECG for intrapartum diagnosis of fetal asphyxia," in 2010 IEEE International Conference on Acoustics, Speech and Signal Processing, 2010, pp. 566-569.

[12] M. Chakraborty, T. Das, and D. Ghosh, "Detecting the origin of multifractality of EEG signals with sleep apnea syndrome using multifractal detrended fluctuation analysis method," in Control, Instrumentation, Energy & Communication (CIEC), 2016 2nd International Conference on, 2016, pp. 135-139.

[13] J.-Y. Chiang, J.-W. Huang, L.-Y. Lin, C.-H. Chang, F.-Y. Chu, Y.-H. Lin, et al., "Detrended Fluctuation Analysis of Heart Rate Dynamics Is an Important Prognostic Factor in Patients with End-Stage Renal Disease Receiving Peritoneal Dialysis," PloS one, vol. 11, p. e0147282, 2016.

[14] S. Dutta, "Multifractal properties of ECG patterns of patients suffering from congestive heart failure," Journal of Statistical Mechanics: Theory and Experiment, vol. 2010, p. P12021, 2010.

[15] A. K. Maity, R. Pratihar, V. Agrawal, A. Mitra, S. Dey, S. Sanyal, et al., "Multifractal Detrended Fluctuation Analysis of the music induced EEG signals," in Communications and Signal Processing (ICCSP), 2015 International Conference on, 2015, pp. 0252-0257.

[16] Z. Chen, P. C. Ivanov, K. Hu, and H. E. Stanley, "Effect of nonstationarities on detrended fluctuation analysis," Physical Review E, vol. 65, p. 041107, 2002.

[17] K. Hu, P. C. Ivanov, Z. Chen, P. Carpena, and H. E. Stanley, "Effect of trends on detrended fluctuation analysis," Physical Review E, vol. 64, p. 011114, 2001.

[18] H. E. Hurst, "Long-term storage capacity of reservoirs," Trans. Amer. Soc. Civil Eng., vol. 116, pp. 770-808, 1951.

[19] C. K. Peng, S. Havlin, H. E. Stanley, and A. L. Goldberger, "Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series," Chaos: An Interdisciplinary Journal of Nonlinear Science, vol. 5, pp. 82-87, 1995.

[20] J. W. Kantelhardt, S. A. Zschiegner, E. Koscielny-Bunde, S. Havlin, A. Bunde, and H. E. Stanley, "Multifractal detrended fluctuation analysis of nonstationary time series," Physica A: Statistical Mechanics and its Applications, vol. 316, pp. 87-114, 2002.

[21] G. H. Golub and C. F. Van Loan, "Johns Hopkins University Press," Baltimore, Md, 1996.

[22] R. Nagarajan and R. G. Kavasseri, "Minimizing the effect of trends on detrended fluctuation analysis of long-range correlated noise," Physica A: Statistical Mechanics and its Applications, vol. 354, pp. 182-198, 2005.

[23] S. Hajian and M. S. Movahed, "Multifractal detrended cross-correlation analysis of sunspot numbers and river flow fluctuations," Physica A: Statistical Mechanics and its Applications, vol. 389, pp. 4942-4957, 2010.

[24] N. E. Huang, Z. Shen, S. R. Long, M. C. Wu, H. H. Shih, Q. Zheng, et al., "The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis," in Proceedings of the Royal Society of London A: mathematical, physical and engineering sciences, 1998, pp. 903-995.

[25] P. Bak, C. Tang, and K. Wiesenfeld, "Self-organized criticality: An explanation of the 1/f noise," Physical review letters, vol. 59, p. 381, 1987.

[26] J. Bhattacharya, J. Edwards, A. N. Mamelak, and E. M. Schuman, "Long-range temporal correlations in the spontaneous spiking of neurons in the hippocampal-amygdala complex of humans," Neuroscience, vol. 131, pp. 547-555, 2005.

[27] S. B. Lowen, S. S. Cash, M.-m. Poo, and M. C. Teich, "Quantal neurotransmitter secretion rate exhibits fractal behavior," The journal of Neuroscience, vol. 17, pp. 5666-5677, 1997.

[28] R. M. Siegel and H. L. Read, "Deterministic dynamics emerging from a cortical functional architecture," Neural Networks, vol. 14, pp. 697-713, 2001.

نشریه‌ی علمی مهندسی پزشکی زیستی

تحلیل پاسخ شنوایی ساقه‌ی مغز به هجای گفتاری/دا/ با استفاده از روش چندفراکتالی

مراجع

مراجع

دوره 11، شماره 3
آبان 1396
صفحه 255-264

تحلیل پاسخ شنوایی ساقه‌ی مغز به هجای گفتاری/دا/ با استفاده از روش چندفراکتالی

مراجع

مراجع

دوره 11، شماره 3آبان 1396صفحه 255-264

دوره 11، شماره 3
آبان 1396
صفحه 255-264