CC BY
57
УДК 621.3.088.7;519.237.5;612.82
ВИКОРИСТАННЯ МЕТОДУ НЕЗАЛЕЖНИХ КОМПОНЕНТ ДЛЯ АВТОМАТИЧНОГО ВИДАЛЕННЯ АРТЕФАКТ1В ЕЕГ, ПОВ'ЯЗАНИХ З РУХАМИ ОЧЕЙ1
Кицун П. Г., астрант
Нацюнальний техшчний ушверситет Укрални «Кшвсъкий полiтехнiчний мститут», м. Кшв, Украша, kytsun.petro@gmail.com
AUTOMATIC EEG EYE MOVEMENT ARTIFACTS REMOVAL USING INDEPENDENT COMPONENT ANALYSIS
Kytsun P. H.
National Technical University of Ukraine «Kyiv Polytechnic Institute», Kyiv, Ukraine
Вступ
Електроенцефалографiя (ЕЕГ) е одним з основних методiв об'ективного дослщження функцюнального стану головного мозку людини, який поля-гае в реестрацп й аналiзi сумарно! бюелектрично! активност головного мозку — електроенцефалограми. Електроенцефалографiя мае важливе зна-чення для дiагностики епшепси, шизофрени, судинних вражень та пухлин мозку, синдрому дефщиту уваги з гшерактившстю у д^ей тощо [1].
З появою обчислювально! технiки з'явилася можливiсть автоматичного анашзу ЕЕГ, при якому аналоговий сигнал спочатку оцифровуеться, а по-^м обробляеться цифровими засобами. Такий анашз допомагае науковцям краще зрозумiти процеси, яю вiдбуваються у головному мозку, що в ре-зультатi покращуе ефективнiсть дiагностики. Крiм того, завдяки цифровш обробцi сигналу ЕЕГ у реальному час стае можливим проведення трену-вання з використанням бюлопчного зворотного зв'язку (нейробюкеруван-ня), тд час якого обчислений за ЕЕГ сигнал, що вщображае рiвень певно! психофiзiологiчноl активностi людини, повертаеться назад у виглядi зоро-вих чи слухових стимулiв [2].
Але зареестрований сигнал ЕЕГ мютить не тшьки сумарнi бюпотенща-ли головного мозку, але ще й складовi, яю не пов'язанi безпосередньо з роботою мозку. Це артефактнi компоненти вщ позамозкових джерел, амп-лiтуда яких може значно перевищувати амплiтуду корисного сигналу та яю суттево заважають подальшiй обробцi. Усунення цих артефак^в е першим етапом будь-яко! обробки зареестрованого сигналу ЕЕГ, вщ якого значною мiрою залежить якiсть юнцевого результату [3].
Метою цього дослщження е аналiз можливостi використання методу незалежних компонент для часових рядiв, а саме алгоритму TDSEP, для
1 http://radap.kpi.ua/radiotechnique/article/view/1211
видалення складових сигналу ЕЕГ, джерелом яких е активнiсть м'язiв пiд час руху очей та блимання.
Огляд юнуючих пiдходiв до видалення артефактiв ЕЕГ, пов'язаних з рухами очей
1снуе багато пiдходiв до виршення цього завдання [3], але кожен з них мае сво! обмеження та недолiки, тому це питання наразi залишаеться вщк-ритим.
Найпростшим та найпоширенiшим методом позбавлення вщ артефак-тiв е !х вiзуальна iдентифiкацiя лiкарем функщонально! дiагностики та ру-чне видалення вщповщних дiлянок ЕЕГ з запису. Недолжами цього методу е його трудомютюсть та втрата значно! частки даних, яка надходить для аналiзу, оскшьки видаляеться весь фрагмент багатоканального запису, хоча артефакти мають найбiльше вираження лише в лобних вщведеннях. Цей метод е не придатним для обробки сигналу ЕЕГ в реальному чаЫ, напри-клад, для проведення тренування з використанням бiологiчного зворотного зв'язку.
Одним з автоматичних методiв знаходження та класифжаци артефактiв в сигналi ЕЕГ е використання вейвлет перетворення [3; 4]. Перевагою методу е те, що для його застосування достатньо одного вщведення ЕЕГ, не-должом — те, що при обробщ багатоканального сигналу ЕЕГ не врахову-ються топографiчнi властивостi джерела артефактно! складово! сигналу, i тому якiсть видалення артефак^в не завжди е задовiльною.
1ншим пiдходом до вирiшення цього завдання е використання регресш-ного аналiзу в часовiй областi або в частотнш областi [5]. Недолiками цього шдходу е необхiднiсть у окремш реестраци електроокулограми (ЕОГ) паралельно з реестрацiею ЕЕГ та, оскшьки сигнал ЕОГ також частково мь стить корисний сигнал з головного мозку, втрата ще! шформацп в уЫх вщ-веденнях ЕЕГ.
Останшм часом набули популярнiсть методи, як використовують ль нiйне розкладання сигналу ЕЕГ на складовi компоненти — метод головних компонент (МГК) та метод незалежних компонент (МНК) [6; 7]. Методи, в яких використовуеться МГК, не дозволяють видшити складовi сигналу ЕЕГ вiд мозкових та позамозкових джерел, якщо !х ампл^уда е однаковою. Тому вони не дають задовiльного результату, якщо застосовуються для усунення артефактiв самостiйно, але часто використовуються як перший етап обробки ЕЕГ для попереднього зменшення розмiрностi даних перед застосуванням МНК [8].
Метод незалежних компонент не мае означених недолтв, тому вш широко застосовуеться для видалення артефаклв з сигналу ЕЕГ [9; 10]. Оскь льки в цих роботах використовуеться стандартна модель МНК, яка не вра-ховуе часову структуру сигналу, доцшьно розглянути можливють використання методу незалежних компонент для часових рядiв, а саме алгоритму
TDSEP, для видалення артефакпв, пов'язаних з рухами очей, та nopiB^ra його ефектившсть з ефектившстю стандартною модель
Використання методу незалежних компонент для видалення артефакпв ЕЕГ, пов'язаних з рухами очей
Метод незалежних компонент — це обчислювальний метод обробки багатоканального сигналу, який полягае у представленш кожного окремого сигналу у виглядi суми певно1 кшькост статистично незалежних компонент [11]. Нехай з масиву електрод1в, розмщених на nncipi голови, був за-
реестрований N-канальний сигнал ЕЕГ v(t) = [vl{t),v1{t),...,vN{t)\ , кожний окремнй сигнал якого е лшшнси комбшащею N невщомих та статистично незалежних компонент s(t) = [^(i),^^),-••,%(/)] • Метод незалежних компонент полягае у знахoдженнi тако1 матpицi W, яка задовольняе умову
s(t) = W *v(t ).
Актившсть, що рееструеться у виглядi пoтенцiалiв на електродах на pi-зних дшянках шкipи голови, е результуючою сумарною активнiстю елект-poмагнiтних пoлiв piзних джерел, якi poзмiщенi як у головному мозку, так i за його межами. Припустивши, що щ джерела знаходяться на певнш вщс-танi один вiд одного та функщонують незалежно, можна очжувати, що т-сля застосування МНК локально когерентш сигнали, якi виходять з одного джерела, будуть згруповаш в одну незалежну компоненту, в той час коли сигнали вщ шших джерел потраплять у iншi незалежнi компоненти. Тобто МНК дозволяе трансформувати ЕЕГ у набip складових компонент вщ моз-кових та позамозкових (артефактних) джерел i аналiзувати незалежно щ компоненти [12]. Тому МНК е ефективним методом видалення артефакпв з ЕЕГ сигналу. Кpiм того, швертована матриця W_1 надае iнфopмацiю про вiднoсний вмют кожно1 незалежно1 компоненти в сигналi з кожного вiдве-дення, завдяки чому стае можливим визначити лoкалiзацiю джерела цiеï компоненти та використовувати цю iнфopмацiю як характерну ознаку для пoдальшoï кластеpизацiï компонент [9].
Наpазi iснуе значна кiлькiсть piзних pеалiзацiй МНК, кожна з яких мае переваги при виршенш певнoï групи практичних завдань [6]. Тому необ-хiднoю умовою для отримання задовшьного результату е вибip адекватного до поставленого завдання алгоритму. Стандартна модель МНК, яка реа-лiзoвана у алгоритмах Infomax, JADE, FastICA, RADICAL тощо, дозволяе видшяти лише компоненти, якi е статистично незалежними та мають нега-усовий розподш. За наявнoстi в сигналi кiлькoх компонент з гаусовим роз-пoдiлoм вони не будуть вщокремлеш алгоритмом одна вiд oднoï та створять одну незалежну компоненту. 1ншим обмеженням стандартно:' мoделi е те, що вона не враховуе часову структуру сигналу, тобто порядок слщу-вання вiдлiкiв. Оскшьки компоненти з piзних джерел сигналу ЕЕГ можуть мати гаусовий розподш та характерну часову структуру, використання
стандартного МНК може привести до суттевих помилок при !х видiленi.
Зазначених недолiкiв не мае модель МНК для часових рядiв, яка ревизована у алгоритмах TDSEP, SOBI, AMUSE [6]. Ця модель враховуе часо-вий порядок значень вiдлiкiв, а саме коварiацil мiж миттевими значеннями сигналу в рiзнi моменти часу (автоковарiацil), завдяки чому дозволяе видь ляти незалежш компоненти, якi мають гаусовський розподш. Тому вона е бшьш адекватною для знаходження незалежних компонент сигналу ЕЕГ. У цш пращ для отримання незалежних компонент використовувався алгоритм TDSEP [13].
Шсля отримання незалежних компонент необхщно визначити !х харак-тернi ознаки для подальшого прийняття рiшення, якi з компонент мютять артефакти. Для цього будемо застосовувати коефщент кореляци Шрсона (ККП) для визначення кореляци мiж отриманими незалежними компонентами та вихщними сигналами ЕЕГ
N
I( x - x)(y - y) ( x
r = i=1 _ cov(X y)
IN N I 2 2
,N —\2 w —\2 Js2s2
I(x)2 I(yi - У )2 is'sy
[i=1 i=1
Щоб визначити компоненти, пов'язанi з рухами очей, розрахуемо ККП кожно1 компоненти з сигналами ЕЕГ з фронтальних вщведень (Fp1, Fp2), оскiльки саме в цих вщведеннях очiкуeться максимальна ампл^уда артефакту. Отриману ощнку назвемо iндексом кореляци (1К). К можна розра-
ховувати з елементiв матрицi A = W_1, за умови, що вс отриманi незалежнi компоненти нормованi таким чином, щоб !х дисперсiя дорiвнювала 1 [10]
k
IK(j) = I v ^ = X
i=1
i j
k
aij
л!®2
i=UI an + ai 2 + ... + aiN
де v (1< i < k) e вихiдний сигнал з фронтальних вщведень Fp1, Fp2.
Запропонований алгоритм для автоматичного видалення артефактiв ЕЕГ, пов'язаних з рухами очей, складаеться з таких еташв:
попередня фшьтращя зареестрованого сигналу ЕЕГ смуговим цифро-вим фiльтром Батерворта 3-го порядку зi смугою пропускання 0,4-30 Гц;
застосування алгоритму МНК (FastICA або TDSEP) для визначення незалежних компонент у зареестрованому сигналц
розрахунок характерних ознак (features) кожно1 незалежно1 компоненти (шдекс кореляци, максимальна амплггуда, спектральний склад);
видiлення з вектору незалежних компонент таких, вiрогiдним джерелом яких е електрична активнiсть очних м'язiв, вiдповiдно до характерних ознак кожно1 компоненти та емпiрично пщбраних критерив;
вiдновлення сигналу ЕЕГ без врахування незалежних компонент, як
були вiдмiченi як артефактш.
На рис. 1 зображено фрагмент зареестровано! 8-канально! ЕЕГ до та т-сля застосування запропонованого алгоритму видалення артефактiв ЕЕГ, пов'язаних з рухами очей. На рис. 2 зображено 8 незалежних компонент, видшених з цього фрагменту алгоритмом TDSEP, та розраховану локалiза-щю джерела кожно! компоненти. Компоненти 1СА1 та 1СА2 були щенти-фшоваш як артефактнi та виключенi при вщновленш сигналу ЕЕГ.
345678 012345
Час, с Час, с
(а) (б)
Рис. 1. Фрагмент зареестровано! 8-канально! ЕЕГ до (а) та тсля (б) застосування запропонованого алгоритму видалення артефакпв ЕЕГ, пов'язаних з рухами очей. На
рисунку артефакти вщмчеш елшсами.
Опис експерименту Реестращя ЕЕГ проводилася за допомогою 8-канального комп'ютерного реестратора бiопотенцiалiв EEG2016 з частотою дискрети-заци 250 Гц та розрядшстю 24 бiта. Сигнал ЕЕГ зшмався з восьми вщве-день: Fp1, Fp2, F7, F8, Т7, Т8, Р7, Р8, а вщведення А1 слугувало референт-ним.
3 4 5
Час, с (а)
Рис. 2. Вектор незалежних компонент, видшених з фрагменту запису ЕЕГ алгоритмом ТББЕР (а) та розрахована локал1защя джерела кожно! компоненти (б). Компоненти 1СА1 та 1СА2, були щентиф1коваш як артефактш та виключеш при
вщновленш сигналу ЕЕГ.
Схема розмщення електродiв на головi зображена на рис. 3. Усього у здорових чоловтв вжом 25-35 роюв було зареестровано 8 записiв ЕЕГ, кожний запис тривав приблизно 5 хвилин. Шд час запису чоловiки спокш-но сидши з вiдкритими очима.
Для обробки сигнашв застосову-валося програмне забезпечення, на-писане мовою програмування Python з використанням бiблiотеки mdp-toolkit. Для видалення артефак-пов'язаних з рухами очей, кожний запис оброблявся одшею з двох модифшацш запропонованого алгоритму; одна з модифжацш для отримання незалежних компонент використовувала FastICA, iнша — TDSEP. Обидвi модифшаци алгоритму використовували однаковi кри-тери для визначення артефактних компонент.
Порiвняння ефективностi обох методiв проводилося за участю двох ек-спер^в — лiкарiв функцюнально! дiагностики. 1м було запропоновано пе-реглянути та ощнити фрагменти ЕЕГ записiв тривашстю 10 секунд кожний до обробки та шсля обробки одним iз методiв. Лiкарi оцiнювали наявнiсть у фрагмент артефактiв, пов'язаних з рухами очей, та яюсть 1'х видалення за п'ятибальною шкалою (0 — дуже погано, 5 — дуже добре). Також окремо оцiнювалася стушнь спотворення корисного сигналу ЕЕГ шсля обробки (0 — дуже спотворений, 5 — не спотворений). Усього було представлено 120 фрагменпв кожному лшарев^ фрагменти оброблеш рiзними методами на-давались у випадковому порядку.
Результати та висновки
Математичне сподiвання оцiнки якостi видалення артефактiв для фраг-ментiв, при обробцi яких використовувався алгоритм TDSEP, склало 4.83 ± 0.08 (довiрчий iнтервал математичного сподiвання з вiрогiднiстю 0.95), а для фрагменпв, при обробцi яких використовувався алгоритм FastICA, — 4.58 ± 0.09. Таким чином можна зробити висновок, що запро-понований алгоритм з використанням моделi МНК для часових рядiв TDSEP е бшьш ефективним. Математичне сподiвання ощнки ступеня спотворення для фрагменлв, при обробцi яких використовувалися алгоритми TDSEP та FastICA, склало вщповщно 4.87 ± 0.06 та 4.80 ± 0.06, що свщ-чить про те, що спотворення сигналу ЕЕГ при використанш алгоритму TDSEP е не бшьшим, нiж при використанш FastICA. Тому використання алгоритму TDSEP для видалення артефаклв ЕЕГ е бшьш доцшьним. На-
Рис. 3. Схема розмщення електрод1в на голов1 тд час реестрацп ЕЕГ.
ступним етапом роботи плануеться розробка системи реестраци ЕЕГ, в якш видалення артефакпв запропонованим методом буде вщбуватися у реальному чаЫ.
Перел1к посилань
1. Медицинские приборы: разработка и применение / Д. В. Кларк, М. Р. Ньюман, В. Х. Олсон и др.; под ред. Д. Г. Вебстера. - Киев : Медторг, 2004. - 620 с.
2. Collura T. F. Technical Foundations of Neurofeedback / T. F. Collura. - New York : Routledge, 2014. - 272 p.
3. Канайкин А. М. Обнаружение артефактов в сигнале электроэнцефалограммы с помощью вейвлет-преобразования / А. М. Канайкин, А. А. Попов, К. А. Рощина и др. // Электроника и связь. - 2011. - № 4. - с. 126-130.
4. Zhao Q. Automatic identification and removal of ocular artifacts in EEG-improved adaptive predictor filtering for portable applications / Q. Zhao, B. Hu, Y. Shi et al. // IEEE transactions on nanobioscience. - 2014. - Vol. 13, No 2. - pp. 109-17.
5. Woestenburg J. C. The removal of the eye-movement artifact from the EEG by regression analysis in the frequency domain / J. C. Woestenburg, M. N. Verbaten, J. L. Slangen // Biological psychology. - 1983. - Vol. 16, № 1-2. - pp. 127-47.
6. Hyvärinen A. Independent component analysis: recent advances / A. Hyvärinen // Philosophical transactions. Series A, Mathematical, physical, and engineering sciences. -2013. - Vol. 371, № 1984. - p. 20110534.
7. Zou Y. Automatic EEG artifact removal based on ICA and Hierarchical Clustering / Y. Zou, J. Hart, R. Jafari // 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). - 2012. - pp. 649-652.
8. Winkler I. Automatic classification of artifactual ICA-components for artifact removal in EEG signals / I. Winkler, S. Haufe, M. Tangermann // Behavioral and brain functions : BBF. - 2011. - Vol. 7. - p. 30.
9. Jung T.-P. Removing electroencephalographic artifacts by blind source separation / T.-P. Jung, S. Makeig, C. Humphries et al. // Psychophysiology. - 2000. - Vol. 37, No 2. -pp. 163-178.
10. Kong W. Automatic and direct identification of blink components from scalp EEG / W. Kong, Z. Zhou, S. Hu et al. // Sensors (Basel, Switzerland). - 2013. - Vol. 13, No 8. -pp. 10783-801.
11. Hyvärinen A. Independent component analysis: algorithms and applications / A. Hyvärinen, E. Oja // Neural networks : the official journal of the International Neural Network Society. - 2000. - Vol. 13, No 4-5. - pp. 411-430.
12. Onton J. Information-based modeling of event-related brain dynamics / J. Onton, S. Makeig // Progress in brain research. - 2006. - Vol. 159. - pp. 99-120.
13. Ziehe A. TDSEP - an efficient algorithm for blind separation using time structure / A. Ziehe, K.-R. Müller // Proceedings of the 8th International Conference on Artificial Neural Networks, ICANN'98. - Berlin : Springer Verlag, 1998. - pp. 675-680.
References
1. Webster J. G. ed. (2009) Medical Instrumentation Application and Design. Wiley, Hoboken, New Jersey, 4th edition.
2. Collura T. F. (2014) Technical Foundations of Neurofeedback. Routledge, New York.
3. Kanaykin A. M., Popov A. A., Roshchina K. A., Chertov O. R., and Shashkov V. A. (2011) Wavelet-based detection of artifacts in EEG. Elektronika i svyaz', no. 4, pp. 126-130. (in Russian).
4. Zhao Q., Hu B., Shi Y., Li Y., Moore P., Sun M., and Peng H. (2014) Automatic identification and removal of ocular artifacts in EEG-improved adaptive predictor filtering for portable applications. IEEE transactions on nanobioscience, vol. 13, no. 2, pp. 109-17.
5. Woestenburg J. C., Verbaten M. N., and Slangen J. L. (1983) The removal of the eye-movement artifact from the EEG by regression analysis in the frequency domain. Biological psychology, vol. 16, no. 1-2, pp. 127-47.
6. Hyvärinen A. (2013) Independent component analysis: recent advances. Philosophical transactions. Series A, Mathematical, physical, and engineering sciences, vol. 371, no. 1984, p. 20110534.
7. Zou Y., Hart J., and Jafari R. (2012) Automatic EEG artifact removal based on ICA and Hierarchical Clustering. 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 649-652.
8. Winkler I., Haufe S., and Tangermann M. (2011) Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions : BBF, vol. 7, p. 30.
9. Jung T.-P., Makeig S., Humphries C., Lee T.-W., McKeown M. J., Iragui V., and Sejnowski T. J. (2000) Removing electroencephalographic artifacts by blind source separation. Psychophysiology, vol. 37, no. 2, pp. 163-178.
10. Kong W., Zhou Z., Hu S., Zhang J., Babiloni F., and Dai G. (2013) Automatic and direct identification of blink components from scalp EEG. Sensors, vol. 13, no. 8, pp. 10783801.
11. Hyvärinen A. and Oja E. (2000) Independent component analysis: algorithms and applications. Neural networks : the official journal of the International Neural Network Society, vol. 13, no. 4-5, pp. 411-430.
12. Onton J. and Makeig S. (2006) Information-based modeling of event-related brain dynamics. Progress in brain research, vol. 159, pp. 99-120.
13. Ziehe A. and Müller K.-R. (1998) TDSEP — an efficient algorithm for blind separation using time structure. Perspectives in Neural Computing, pp. 675-680.
Кицун П. Г. Використання методу незалежних компонент для автоматичного видалення артефакт1в ЕЕГ, пов'язаних з рухами очей. В робот1 анал1зуеться мож-ливгсть використання методу незалежних компонент для часових ряд1в, а саме алгоритму TDSEP, для видалення складових сигналу ЕЕГ, джерелом яких е активтсть м'яз1в тд час руху очей. Був запропонований алгоритм автоматичного видалення ар-тефакт1в ЕЕГ та проведена ощнка його ефективност1 на реальних записах ЕЕГ.
Ключов1 слова: ЕЕГ, ЕОГ, видалення артефакт1в ЕЕГ, МНК.
Кицун П. Г. Использование метода независимых компонент для автоматического удаления артефактов ЭЭГ, связанных с движениями глаз. В работе анализируется возможность использования метода независимых компонент для временных рядов, а именно алгоритма TDSEP, для удаления составляющих сигнала ЭЭГ, источником которых является активность мышц во время движения глаз. Был предложен алгоритм автоматического удаления артефактов ЭЭГ и проведена оценка его эффективности на реальных записях ЭЭГ.
Ключевые слова: ЭЭГ, ЭОГ, удаление артефактов ЭЭГ, МНК.
Kytsun P. H. Automatic EEG eye movement artifacts removal using Independent Component Analysis.
Background. Eye movement artifacts contained in EEG recordings hamper a lot the automatic processing and analysis of EEG signal. Therefore, the removal of such artifacts is important stage for any further signal processing. There are artifacts removal methods based
on using wavelet transformation, regression analysis in the time and frequency domain, Principal component analysis and Independent component analysis.
Methods. The novel method of automatic EEG eye movement artifacts removal based on Independent Component Analysis was proposed. The method utilizes the TDSEP algorithm for blind source separation. Own criteria for artifact components detection were used. The method was implemented with the Python programming language and tested on EEG signals recordedfrom two healthy volunteers.
Results. Comparison of the effectiveness of the method was conducted with the participation of two experts. They were asked to review the EEG fragments before and after artifacts removal and evaluate the quality of artifacts removal. The average value of assessing the quality of artifacts removal was 4.83 for TDSEP based algorithm and 4.58 for FastICA based algorithm.
Conclusion. The proposed method is more effective then method based on FastICA algorithm and using it for automatic EEG eye movement artifacts removal is expedient.
Keywords: EEG, EOG, EEG artifacts removal, ICA.
