Detekce svalového artefaktu v EEG záznamech pomocí časově-frekvenční analýzy

Abstract

Elektroencefalografie (EEG) je standardní neinvazivní zobrazovací metoda, která vytváří záznam elektrických potenciálů mozku. EEG je často kontaminován signály, mající svůj zdroj mimo mozek měřeného subjektu, například svalovými artefakty. Svalové artefakty překrývají fyziologickou složku EEG signálu a činí interpretaci EEG signálu komplikovanou. Tato práce je zaměřena na analýzu možnosti využití časově-frekvenční analýzy pro identifikaci svalových artefaktů v EEG záznamech. Prvním cílem této práce je analyzovat metody transformace EEG signálu do komplexního prostoru a následný zisk časově-frekvenční analýzy. Dvě vybrané metody: Krátkodobá Fourierova transformace a Vlnková transformace byly aplikovány na vytvořený simulovaný EEG záznam v programovém prostředí MATLAB. Nastavením různých hodnot parametrů pro každou metodu byly získány spektrogramy. Ze dvou analyzovaných metod bylo lepších výsledků dosaženo pomocí metody STFT s nastavením č. 1. Na základě metody STFT s nastavením č. 1 byla vytvořena metodika, za použití reálných testovacích EEG dat, pro detekci svalových artefaktů v EEG signálu. Pro statistické vyhodnocení mnou navržené metodiky byla navržena a realizována statistická analýza správnosti detekce svalových artefaktů na reálných EEG datech pro validaci. Tato analýza využívala výpočet senzitivity a specifity. Navržena metodika se porovnávala s daty, která obsahovala EEG záznam s úseky, které všichni experti označili jako segment s artefakty a záznam s úseky, které označil alespoň jeden expert. Hodnocením mnou navržené metodiky, pomocí záznamu s úseky, které všichni experti ohodnotili jako segmenty s artefakty, kde byl výskyt artefaktu jistý, bylo docíleno průměrné senzitivity 72 % a průměrné specifity 84 %.

Electroencephalography (EEG) is a standard non-invasive imaging method that records the electrical potentials of the brain. EEG is often contaminated with signals that originate outside the subject's brain, such as muscle artifacts. Muscle artifacts overlap the physiological component of the EEG signal and make the interpretation of the EEG signal complicated. This work is focused on the analysis of the possibility of using time-frequency analysis to identify muscle artifacts in EEG recordings. The first goal of this work is to analyze the methods of transformation of the EEG signal into a complex space and the subsequent gain of time-frequency analysis. Two selected methods: Short-term Fourier transform and Wavelet transform were applied to the created simulated EEG record in the MATLAB programming environment. Spectrograms were obtained by setting different parameter values for each method. From the two analyzed methods, better results were achieved using the STFT method with setting No. 1. Based on the STFT method with setting No. 1, a methodology was created, using real test EEG data, for the detection of muscle artifacts in the EEG signal. For the statistical evaluation of the methodology proposed by me, a statistical analysis of the accuracy of the detection of muscle artifacts on real EEG data for validation was designed and implemented. This analysis used the calculation of sensitivity and specificity. The proposed methodology was compared with data that contained an EEG record with sections that all experts identified as a segment with artifacts and a record with sections identified by at least one expert. When evaluating my initial proposed methodology (using a signal with segments), which experts were evaluating as segments with artifacts, where the presence of artifact was precise, the average sensitivity of 72 % and an average specificity of 84 % were reached.