نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 کارشناس ارشد، آزمایشگاه سیستم‌های واسط مغز-کامپیوتر، دانشکده مهندسی برق، مرکز فناوری عصبی ایران، دانشگاه علم و صنعت ایران

2 دانشیار، گروه مهندسی پزشکی، آزمایشگاه سیستم‌های واسط مغز-کامپیوتر، دانشکده مهندسی برق، مرکز فناوری عصبی ایران، دانشگاه علم و صنعت ایران

10.22041/ijbme.2009.13382

چکیده

مهمترین مشکل در بررسی و پردازش ثبت های الکتروآنسفالوگرام (EEG) حضور انواع سیگنال های ناخواسته (آرتیفکت ها) است که حذف آنها با روش تحلیل مولفه های مستقل از بهترین گزینه های ممکن است. هدف مساله تحلیل مولفه های مستقل جداسازی کور ترکیبی خطی از منابع مستقل است. با اعمال این روش روی سیگنال های مغزی آغشته به آرتیفکت، آرتیفکت ها به صورت مولفه های مستقلی استخراج می شوند. تشخیص خودکار مولفه های مستقل مربوط به آرتیفکت از سایر مولفه ها باید بر اساس معیارهای مناسبی صورت گیرد. هنوز درباره انتخاب این معیارها توافقی کلی وجود ندارد. در این تحقیق مجموعه ای از معیارهای آماری و زمانی- فرکانسی معرفی شده است که می توانند در قالب یک قانون تشخیص و تصمیم گیری خودکار، مولفه های نمایانگر آرتیفکت های چشمی را با دقت بالا شناسایی کنند. در روش پیشنهادی به جای مقایسه معیارهای محاسبه شده برای مولفه ها با سطوح آستانه یا الگوهای خاص، ویژگی های مولفه های یک آزمون با هم مقایسه می شوند و بر اساس یک قانون تصمیم گیری مولفه های نمایانگر آرتیفکت چشمی (اثر پلک زدن و حرکت افقی و عمودی کره چشم) در صورت وجود در آزمون مورد نظر شناسایی و حذف می شوند. عملکرد روش پیشنهادی روی 2000 قطعه 4 ثانیه ای سیگنال EEG حاوی انواع آرتیفکت های چشمی آزمایش شده است. دقت تشخیص روش در مورد این داده ها 92.8% به دست آمده است. آزمون های آماری نشان می دهند که مقادیر معیارهای مربوط به مولفه های آرتیفکت و غیر آرتیفکت تفاوت قابل ملاحظه ای با هم دارند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Automatic Ocular Artifact Suppression From Eeg Data By Using Statistics And Time-Frequency Properties Of Independent Components

نویسندگان [English]

  • Hosna Ghandeharion 1
  • Abbas Erfanian Omidvar 2

1 M.Sc Graduated, Brain-Computer Interface Laboratory, Neural Technology Research Centre, Department of Biomedical Engineering, Iran University of Sciences and Technology

2 Associate Professor, Brain-Computer Interface Laboratory, Neural Technology Research Centre, Department of Biomedical Engineering, Iran University of Sciences and Technology

چکیده [English]

Contamination of Electroencephalographic (EEG) recordings with different kinds of artifacts is the main obstacle to the analysis of EEG data. Independent Component Analysis (ICA) is now a widely accepted tool for detection of artifact in EEG data. This component-based method segregates artifactual activities in separate sources hence, the reconstruction of EEG recordings without these sources leads to artifact reduction. Identification of the artifactual components is a major challenge to artifact removal using ICA is the. Although, during past several years, it has been proposed for automatic detecting the artifactual component, there is still little consensus on criteria for automatic rejection of undesired components. In this paper we present a new identification procedure based on statistics and time-frequency properties of independent components for fully automatic ocular artifact suppression. By comparing the statistics and time-frequency properties of independent components, the artifactual components were identified and removed. The results on 2000 4-s EEG epochs indicate that the artifact components can be identified with an accuracy of 92.8%. Moreover, statistical test indicates that the statistics and time-frequency properties of artifactual components are significantly different from that of non-artifactual components.

کلیدواژه‌ها [English]

  • Independent component analysis
  • Ocular Artifact
  • Electroencephalogram
  • EEG
  • Short-Time Fourier Transform

[1]     Jung T.-P., Makeig S., Humphris C., Lee T.-W., McKeown M. J., Iragui V., and Sejnowski T. J., Removing electroencephalographic artifacts by blind source separation, Psychophysiology, 2002; 37: 163– 178.

[2]     Jung T. P., Humphris C., Lee T. W., Makeig S., McKeown M. J., Iragui V., and Sejnowski T. J., Removing electroencephalographic artifacts: Neural Networks for Signal Processing VIII, 1998; 63-72.

[3]     Jung T. P., Makeig S., Westerfield M., Townsend J., Courchesne E., and Sejnowski T. J., Removal of eye activity artifacts from visual event related potentials in normal and clinical subjects, Clin. Neurophysiol., 2000; 111: 1745–1758.

[4]     Flexer A., Bauer H., Pripfl J., and Dorffner G., Using ICA for removal of ocular artifacts in EEG recorded from blind subjects, Neural Networks, 2005; 18: 998– 1005.

[5]     James C. J. and Gibson O. J., Temporally constrained ICA: an application to artifact rejection in electromagnetic brain signal analysis, IEEE Trans. Biomedical Eng., 2003; 50 (9): 1108-1116.

[6]     Vigário R., Extraction of ocular artifacts from EEG using independent component analysis, Electroencephalogr. Clin. Neurophysiol., 1997; 103 (3): 395–404.

[7]     Cichocki A. and Vorobyov S., Application of ICA for automatic noise and interference cancellation in multisensory biomedical signals,” in Proc. ICA2000, Available at http://www.cis.hut.fi/ica2000/proceedings.

[8]     Delomre A., Makeig S., and Sejnowski T. J., Automatic artifact rejection for EEG data using high-order statistics and independent component analysis, in Proc. 3rd Int. ICA Conf., 2002: 457–462.

[9]     Delsanto S., Lamberti F., and Montrucchio M., Automatic ocular artifact rejection based on independent component analysis and eyeblink detection,” in Proc. 1st Int. Conf. IEEE EMBS, Conf. Neural Eng., 2003: 309–312.

[10] Romero R., Mañanas M. A., Riba J., Morte A., Giménez S., Clos S., and Barbanoj M. J., Evaluation of an automatic ocular filtering method for awake spontaneous EEG signals based on independent component analysis, in Proc. 26th Ann. Int. Conf. IEEE EMBS, 2004: 925–928.

[11] Joyce C.A., Gorodnitsky I. F., and Kutas M., Automatic removal of eye movement and blink artifacts from EEG data using blind component separation, Psychophysiology, 2004; 41 (2): 313-325.

[12] LeVan P., Urrestarazu E., and Gotman J., A system for automatic artifact removal in ictal scalp EEG based on independent component analysis and Bayesian classification, Clinical Neurophysiology, 2006; 117: 912-927.

[13] Makeig S., Bell A. J., Jung T.-P., and Sejnowski T. J., Independent component analysis of electroencephalo graphic data, in Advances in Neural Information Processing Systems, 1996; 8: 145–151.

[14] Hyvärinen A., Karhunent J., and Oja E., Independent Component Analysis, John Wiley & Sons, 2001: 147- 272.

[15] Hyvärinen A., Fast and robust fixed-point algorithms for independent component analysis, IEEE Trans. Neural Networks, 1999; 10 (3): 626–634.

[16] Bell A. J. and Sejnowski T. J., An information maximization approach to blind separation and blind deconvolution, Neural Computation, 1995; 7: 1129- 1159.

[17] Lee T. W., Girolami M., and Sejnowski T. J., Independent component analysis using an extended infomax algorithm for mixed sub-Gaussian and super- Gaussian sources,” Neural Computation, 1999; 11: 417–441.

[18] Cruces S., Castedo L., and Cichocki A., Robust blind source separation algorithms using cumulants, Neurocomputing, 2002; 49: 87-118.

[19] Hagemann D. and Naumann E., The effects of ocular artifacts on (laterized) broadband power in the EEG,” Clinical Neurophysiology, 2001; 112 (2): 215-231.

[20] Qian S. and Chen D., Joint Time-Frequency Analysis, Prentice-Hall Inc, 1996: 13-38.