Redukce očních artefaktů z EEG záznamů za pomoci metody ICA s automatickou identifikací artefaktových komponent

Abstract

Úvod: Elektroencefalografia (EEG) je diagnostická metóda v neurológii, pri ktorej je snímaná elektrická aktivita mozgu pomocou elektród na hlave pacienta. Táto metóda je bohužiaľ náchylná na vznik kontaminujúcich artefaktov. Cieľom tejto práce je analyzovať metódy automatickej identifikácie komponentov reprezentujúcich očné artefakty pri použití metódy analýzy nezávislých komponentov (ICA), vhodnú metódu implementovať do programového prostredia MATLAB, upraviť a následne metódy medzi sebou porovnať. Metódy: Z odbornej literatúry bola vybratá jedna z metód automatickej identifikácie artefaktových komponentov, ktorá bola spoločne so základnou ICA implmentovaná v programe MATLAB. Na základe jej výsledkov na testovacom zázname prebehla vlastná úprava tejto metódy pridaním ďalších štyroch klasifikačných parametrov. Vyhodnotenie a porovnanie oboch metód prebehlo pomocou navrhnutej štatistickej analýzy výsledkov na desiatich validačných záznamoch, pri ktorej bola sledovaná úspešnosť z hľadiska presnosti identifikácie komponentov, úspešnosti potlačenia očných artefaktov a súčasného zachovania fyziologickej mozgovej aktivity. Výsledky: Základná metóda dosiahla z hľadiska identifikácie komponentov presnosť 84,29 %, s hodnotou senzitivity 94,74 % a špecificity 83,25 %. Upravená metóda mala celkovú presnosť a špecificitu vyššiu (92,86 % a 97,37 %), zároveň bola ale výrazne znížená senzitivita na 50 %. Z hľadiska potlačenia očných artefaktov dosiahla základná metóda lepšie výsledky a z hľadiska zachovania neurologickej aktivity bola naopak lepšia upravená metóda. V konečnom dôsledku obe z metód boli schopné vo validačných EEG záznamoch potlačiť očné artefakty. Diskusia: V rámci upravenej metódy bola zároveň vytvorená aj doplnková funkcia výberu potenciálnych artefaktových komponentov, ktoré je možné skontrolovať a prípadne manuálne odstrániť. Použitie metódy v tejto forme môže byť nápomocné pri expertnej identifikácií komponentov, pri ktorej už nebude nutné kontrolovať všetky, ale len menší počet potenciálnych komponentov, ktoré vybral algoritmus. Záver: V tejto práci boli implementované a porovnané dve metódy, ktoré môžu byť použité na automatickú identifikáciu artefaktových komponentov za účelom potlačenia očných artefaktov z EEG záznamov.

Introduction: Electroencephalography (EEG) is a diagnostic method in neurology in which the brain's electrical activity is detected using electrodes on the patient's head. This method is unfortunately prone to the formation of contaminating artifacts. The aim of this thesis is to analyse methods for the automatic identification of components representing ocular artifacts using the Independent Component Analysis (ICA) method, implement a one of the methods in the MATLAB programming environment, modify it and then compare both methods. Methods: One of the methods for the automatic identification of artifact components was selected from the literature and implemented in MATLAB together with the basic ICA. Based on its results on the test recording, a custom modification of this method was performed by adding four additional classification parameters. Evaluation and comparison of the two methods were performed using the proposed statistical analysis and ten validation records, in which the results were monitored in terms of accuracy of component identification, suppression of ocular artifacts, and simultaneous preservation of physiological brain activity. Results: The basic method achieved an accuracy of 84.29% in terms of component identification, with sensitivity and specificity values of 94.74% and 83.25%, respectively. The modified method had higher overall accuracy and specificity (92.86% and 97.37%, respectively), but at the same time, the sensitivity was significantly reduced to 50%. In terms of suppression of ocular artifacts, the basic method performed better and, conversely, the modified method performed better in terms of preservation of neurological activity. In conclusion, both methods were able to suppress ocular artifacts in the validation EEG recordings. Discussion: The modified method also included an additional feature of selecting potential artifact components that can be checked and if necessary, manually removed. Using the method in this form can be helpful for expert component identification, where it will no longer be necessary to check all of the components, but only a small number of potential components selected by the algorithm. Conclusion: In this work, two methods have been implemented and compared that can be used to automatically identify artifact components to suppress ocular artifacts from EEG recordings.