Potlačení očního artefaktu z EEG záznamů za pomoci Kalmanova filtru

Abstract

Pro potlačení artefaktů v EEG signálu byla vyvinuta řada metod, včetně metod filtrace. Kalmanův filtr je adaptivní filtr, který kombinuje apriorní informaci získanou modelováním systému a aposteriorní informaci získanou měřením k odhadu optimální hodnoty stavu systému ze zašuměných dat. V rámci této bakalářské práce jsem v programovém prostředí Python naimplementovala Kalmanův filtr pro filtraci okulárních artefaktů v EEG signálu. Algoritmus využívá simultánně zaznamenaný referenční EOG signál modelovaný pomocí vícenásobného lineární regresního modelu, k modelování EEG signálu je využit autoregresní model. Naimplementovaný algoritmus byl aplikován na reálné EEG záznamy. Následně byla úspěšnost odstranění očních artefaktů vyhodnocena v časové, frekvenční a prostorové doméně a statisticky byly vyhodnoceny změny ve výkonovém spektru ve frontální a okcipitální oblasti.

Numerous methods have been developed to suppress artifacts in the EEG signal, including filtering methods. The Kalman filter is an adaptive filter that combines a priori information obtained through system modeling and aposteriori information obtained through measurement to estimate the optimal value of the system state from noisy data. In this bachelor thesis, I implemented the Kalman filter in Python to filter out ocular artifacts in EEG signals. The algorithm uses a simultaneously recorded EOG signal modeled by multivariate linear regression model, and I used an autoregressive model to model the EEG signal. The implemented algorithm was applied to real EEG recordings. Then, the removal of ocular artifact was evaluated in the time, frequency, and spatial domains, and changes in the power spectrum in the frontal and occipital regions were evaluated statistically.