EOG Artifact Removal from Single and Multi-channel EEG Recordings through the combination of Long Short-Term Memory Networks and Independent Component Analysis

要約

はじめに: 脳波 (EEG) 信号は、その豊富な情報内容により、さまざまなアプリケーションで非常に人気を得ています。
ただし、これらの信号は、さまざまなアーチファクトの原因、特に目の動きによって引き起こされる眼電図 (EOG) アーチファクトによって汚染される傾向があります。
EOG アーチファクトを軽減する最も効果的なアプローチには、EEG と同時に EOG 信号を記録し、独立成分分析 (ICA) などのブラインド信号源分離技術を採用することが含まれます。
それにもかかわらず、特に事前に記録されたデータセットでは、EOG 記録の利用が常に実現可能であるとは限りません。
目的: この論文では、汚染された EEG 信号から EOG アーティファクトを除去するという課題に対処するために、長短期記憶 (LSTM) ベースのニューラル ネットワークと ICA を組み合わせた新しい方法論を紹介します。
アプローチ: 私たちのアプローチは、2 つの主な目的を達成することを目的としています。1) 汚染された EEG データから水平および垂直 EOG 信号を推定する、2) ICA を使用して推定された EOG 信号を EEG から除去し、それによってアーチファクトのない EEG 信号を生成します。
主な結果: 提案した方法のパフォーマンスを評価するために、27 人の参加者からの記録を含む公開されているデータセットで実験を実施しました。
アーティファクト除去技術の品質を評価するために、平均二乗誤差、平均絶対誤差、平均誤差などの確立された指標を採用しました。
重要性: さらに、文献で報告されている 2 つの最先端の深層学習ベースの方法と私たちのアプローチのパフォーマンスを比較し、私たちが提案した方法論の優れたパフォーマンスを実証しました。

要約(オリジナル)

Introduction: Electroencephalogram (EEG) signals have gained significant popularity in various applications due to their rich information content. However, these signals are prone to contamination from various sources of artifacts, notably the electrooculogram (EOG) artifacts caused by eye movements. The most effective approach to mitigate EOG artifacts involves recording EOG signals simultaneously with EEG and employing blind source separation techniques, such as independent component analysis (ICA). Nevertheless, the availability of EOG recordings is not always feasible, particularly in pre-recorded datasets. Objective: In this paper, we present a novel methodology that combines a long short-term memory (LSTM)-based neural network with ICA to address the challenge of EOG artifact removal from contaminated EEG signals. Approach: Our approach aims to accomplish two primary objectives: 1) estimate the horizontal and vertical EOG signals from the contaminated EEG data, and 2) employ ICA to eliminate the estimated EOG signals from the EEG, thereby producing an artifact-free EEG signal. Main results: To evaluate the performance of our proposed method, we conducted experiments on a publicly available dataset comprising recordings from 27 participants. We employed well-established metrics such as mean squared error, mean absolute error, and mean error to assess the quality of our artifact removal technique. Significance: Furthermore, we compared the performance of our approach with two state-of-the-art deep learning-based methods reported in the literature, demonstrating the superior performance of our proposed methodology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google