Informations

Enregistrez un signal de forme d'onde clignotant à partir de signaux EEG

Enregistrez un signal de forme d'onde clignotant à partir de signaux EEG

Je veux enregistrer un signal de forme d'onde de clignotement des yeux à partir de signaux EEG, mais il faut faire des périodes d'enregistrement au repos, alors comment faire ces périodes de repos (c'est-à-dire que le signal a une amplitude nulle à tout moment dans l'enregistrement au repos, sauf le clignotement des yeux temps)?


Vous ne pouvez pas.

  1. Flatline EEG est la façon dont la mort cérébrale est définie, et bien qu'il soit possible d'induire un clignement des yeux chez un humain décédé, je suis sûr que l'éthique ne sera pas d'accord, et ce ne sera pas scientifiquement satisfaisant.
  2. même dans le cas d'un véritable EEG à plat, il restera toujours une activité résiduelle (bien que très faible), telle que du bruit de ligne.

Cependant,

  1. le clignement des yeux est de quelques ordres de grandeur plus fort que l'EEG en cours

  2. vous pouvez isoler l'activité des clignements des yeux à l'aide de techniques telles que l'ICA


Hacker EEG

Il y a quelque temps, j'ai fait venir un ami et j'ai mesuré son EEG en réponse à une lumière clignotante. Nous avons vu (comme nous l'espérions) que ses ondes cérébrales oscillaient en synchronisation avec le clignotement de la lumière. Je pensais que cet entraînement visuel (alias "potentiel évoqué visuel stable") était plutôt cool. Depuis lors, j'ai appris qu'il peut être utilisé comme base pour une interface cerveau-ordinateur (BCI). Parce que je suis toujours à la recherche d'un bon paradigme BCI, j'ai décidé de revenir à mon exploration de l'entraînement visuel. Aujourd'hui, je vais montrer comment j'ai utilisé avec succès des stimuli visuels pour induire des ondes cérébrales à différentes fréquences. En conséquence, je peux maintenant voir une bonne avenue pour un BCI basé sur l'EEG. Oui! Allons-y!

Induire SSVEP à l'aide d'un motif en damier à bascule sur mon écran d'ordinateur
But: Mon objectif aujourd'hui est d'utiliser des stimuli visuels pour induire des ondes cérébrales sur une gamme de fréquences. Parce que je veux l'utiliser pour un BCI, j'essaie de déterminer quel type de stimuli visuels je dois utiliser et quelles fréquences EEG je peux induire. Que faut-il pour que cela fonctionne de manière fiable?

Configuration visuelle : Dans mon post précédent, ma stimulation visuelle était simplement une lampe frontale clignotante. C'était efficace (et vraiment lumineux !), mais je n'avais aucun contrôle sur sa fréquence de clignotement. En conséquence, je n'avais également aucun contrôle sur la fréquence des ondes cérébrales qu'il induit. Donc, pour le test d'aujourd'hui, je devais devenir plus chic. J'ai abandonné la lampe frontale et, à la place, j'ai créé une série de films clignotants que je pouvais lire sur mon ordinateur. J'ai contrôlé la "vitesse de clignotement" en enregistrant mes films à différentes fréquences d'images. A quoi ressemblait exactement le film ? Eh bien, au début, à cause d'un article que j'ai lu dans la littérature VEP, mon film a utilisé le motif en damier montré dans l'image ci-dessus. Le film a basculé entre cette image et l'image inversée (permuter les noirs et les blancs). Bien que cela fonctionnait correctement, je suis ensuite passé à un film plus simple (code ici) où l'écran était simplement tout blanc ou tout noir. Cela semblait mieux fonctionner.

Configuration EEG : Une fois mes films réalisés, je me suis installé avec mon système EEG (OpenBCI ). J'ai mes électrodes dorées habituelles avec de la pâte Ten20 EEG. J'ai mis une électrode à l'arrière de ma tête (près de O1) et j'ai mis une autre électrode sur mon front. Mon électrode de référence était sur mon lobe d'oreille gauche et mon électrode de polarisation était sur mon lobe d'oreille droit. En utilisant la fonction de mesure d'impédance d'OpenBCI, l'électrode sur mon front avait une impédance de 24 kOhm et celle à l'arrière de ma tête était d'environ 65 kOhm. Je n'arrivais pas à amener l'électrode arrière à une valeur inférieure.

Le canal 1 était sur mon front, le canal 2 était à l'arrière de ma tête.
Mon lobe d'oreille gauche était ma référence. Mon lobe d'oreille droite était le biais.

J'ai utilisé ma carte OpenBCI V1 avec Ten20 Paste.
Je pense que ces serviettes en forme de chouette sont amusantes !

Méthode d'essai: Une fois que j'ai tout configuré, j'ai lancé l'interface graphique OpenBCI dans Processing et commencé un enregistrement EEG. Pour lire mes films clignotants faits maison, j'ai ouvert Windows Media Player et l'ai mis en mode plein écran. J'avais dix films, chaque film clignotait à un rythme différent. J'ai fait lire les 10 films en continu par WMP. Chaque film durait 20 secondes, donc l'ensemble du test a duré environ 200 secondes. Il faisait nuit lorsque j'ai fait ce test et ma chambre était faiblement éclairée. J'ai essayé de regarder l'écran et j'ai essayé de ne cligner des yeux qu'à la transition entre les différents taux de clignotement.

Résultats, damier : Comme d'habitude, ma façon préférée de visualiser les données est de faire des spectrogrammes. Dans la figure ci-dessous, le graphique du haut correspond aux données de mon front et le graphique du bas correspond aux données de l'arrière de ma tête. De mon front, il n'y a rien d'intéressant à part mon œil cligne des yeux. De l'arrière de ma tête, nous voyons plusieurs caractéristiques intéressantes, que j'ai marquées avec des flèches bleues et blanches. Notez que ces fonctionnalités intéressantes changent toutes les 20 secondes, ce qui est identique à mes films de 20 secondes. Il me semble clair que ces fonctionnalités sont mes ondes cérébrales répondant au changement du taux de clignotement dans mes films. Excellent!


Spectrogramme du signal EEG enregistré en regardant le motif en damier clignotant.
L'intrigue du haut est le signal de mon front. L'intrigue du bas est de l'arrière de ma tête.
"W-B" est la vitesse à laquelle le film est passé du blanc au noir ou du noir au blanc.
"W-W" est le taux si vous mesurez uniquement du blanc au blanc.

Entrainé avec le taux de clignotement ? En regardant les trois flèches bleues, il semble que j'ai entraîné des ondes cérébrales à 2 Hz, 4 Hz et 6 Hz. À ces moments, n'importe quel carré donné dans mon film clignotait à 1 Hz, 2 Hz, puis 3 Hz, si vous comptez de la période blanche à la période blanche ("W-W"). Parce que j'ai entraîné des ondes cérébrales comme 2x la fréquence blanc à blanc, cela suggère que ce n'est PAS le blanc à blanc qui compte, mais que c'est la transition entre blanc/noir ou noir/blanc qui compte. C'est du moins ce qui est sous-entendu pour ces trois cas (sur 10) pour les stimuli en damier.

Complications: Bien que ce soit une bonne conclusion, pourquoi cette règle ne se poursuit-elle pas dans les 7 autres cas de ce test en damier ? Pourquoi cela ne fonctionne-t-il que pour les trois cas avec les flèches bleues ? Les cas avec les flèches blanches montrent une sorte de réponse EEG, mais pas à n'importe quelle fréquence qui ait du sens compte tenu de la vitesse de mes films. Que se passe-t-il? J'ai deux explications possibles : (1) soit mes films ne sont pas lus de manière fiable dans ces autres cas, soit (2) le motif en damier est trop compliqué pour être un bon point de départ pour en savoir plus sur mes ondes cérébrales.

Modification du test : De ces deux explications possibles, il m'est plus facile de simplifier le damier que de fixer la fiabilité de la lecture de mon film. J'ai donc changé mes films pour que tout l'écran soit tout noir ou tout blanc. Espérons que ces stimuli visuels plus simples rendront ma réponse EEG plus facile à comprendre.

Résultats, clignotant sur tout l'écran : Après avoir enregistré mon EEG tout en regardant les nouveaux films, les spectrogrammes de mes données sont affichés ci-dessous. Encore une fois, toute l'action intéressante est à l'arrière de ma tête. L'intrigue du bas montre que j'ai obtenu un bon entraînement de mes ondes cérébrales pour presque tous les nouveaux films. Je suis très heureux. Je suis également très curieux de connaître le saut entre les cas marqués de flèches bleues et les cas marqués de flèches rouges. Que se passe-t-il ici?

Spectrogramme du signal EEG enregistré en regardant tout l'écran basculer entre le blanc et le noir.
L'intrigue du haut est le signal de mon front. L'intrigue du bas est de l'arrière de ma tête.

Quel est le taux de clignotement important ? En regardant la première moitié de ce graphique, les flèches bleues indiquent les cas qui ont des résultats similaires aux données en damier présentées précédemment. Ici, mon cerveau semble répondre à chaque transition du blanc au noir et du noir au blanc (aka, la vitesse "W-B-W"). Mais, pour la seconde moitié de ce graphique, lorsque le clignotement est plus rapide, il semble que mes ondes cérébrales suivent le rythme plus lent résultant de la seule fréquence blanc-blanc ("W-W"). Sur la base de ce résultat étrange, je pense que mon cerveau ne se soucie pas vraiment de savoir si les stimuli sont W-B-W ou W-W. il est simplement sensible aux stimuli visuels rythmiques dans une certaine gamme de fréquences. Je pense que, quels que soient les stimuli rythmiques qui tombent dans cette gamme de fréquences, mon cerveau sera entraîné avec.

Quantification de l'entraînement par rapport à la fréquence : Si c'est simplement la fréquence qui compte, il serait bon de voir quelles fréquences produisent l'entraînement le plus fort. Bien sûr, les spectrogrammes ci-dessus suggèrent quelles fréquences sont les meilleures, mais j'ai franchi l'étape suivante et j'ai mesuré la réponse EEG à chacune des fréquences de stimulation. Le graphique ci-dessous montre l'amplitude EEG que j'ai mesurée pour chacune des fréquences de clignotement visuel. Notez qu'il y a deux lignes, une pour si vous comptez en fonction de la fréquence blanc-blanc (ligne bleue) ou si vous comptez en fonction de toutes les transitions blanc/noir et noir/blanc (ligne rouge). Ce graphique suggère que je semble donner des réponses décentes dans la gamme de fréquences 6-10 Hz. Donc, si je cherche à utiliser l'entraînement visuel pour un BCI, je devrais me concentrer sur la bande 6-10 Hz.

Amplitude des signaux EEG induits par l'entraînement visuel.
Mes meilleures réponses semblent être dans la bande 6-10 Hz.
Cela pourrait être une bonne plage de fréquences cible pour une utilisation dans un BCI.

L'ordinateur pourrait limiter mes performances : Comme mentionné précédemment, tous ces résultats pourraient être faussés par la possibilité que mon ordinateur ne puisse pas actualiser mon écran de manière fiable et régulière. Peut-être qu'il peut gérer de manière fiable les fréquences à 10 Hz et moins, mais n'est pas stable au-dessus de 10 Hz. C'est peut-être pour cette raison que ma réponse apparente au-dessus de 10 Hz diminue. Bien sûr, mon ordinateur prétend que l'écran a un taux de rafraîchissement de 60 Hz, mais cela ne signifie pas que Windows ou que Windows Media Player peuvent suivre. Ainsi, toutes les prochaines étapes devraient inclure une méthode permettant d'évaluer si l'ordinateur affiche réellement mes films de manière fluide à la vitesse à laquelle je m'attends.

Entraînement pour le BCI : Mon objectif global est de créer une interface cerveau-ordinateur (BCI) cool. Parce que je montre que je peux mesurer avec succès l'entraînement visuel, j'aimerais explorer davantage comment l'entraînement visuel pourrait être exploité pour un BCI. Une idée est que je pourrais montrer simultanément deux films côte à côte, chacun clignotant à son propre rythme. Peut-être que si j'ai de la chance, mes ondes cérébrales ne répondront qu'au seul film que je suis en train de regarder. Si tel est le cas, alors j'aurais un contrôle conscient sur mes ondes cérébrales (et, par conséquent, le BCI) simplement en sélectionnant lequel des deux films je regarde. Cela pourrait être très cool.


Suivre: J'ai configuré une cellule photoélectrique et mon Arduino pour mesurer le taux de clignotement réel des films sur mon ordinateur. Dans mes résultats, j'ai trouvé que je ne pouvais pas générer un clignotement régulier plus rapide que 10 Hz. C'est probablement une raison importante pour laquelle mes enregistrements EEG n'ont montré aucun entraînement au-dessus de 10 Hz. comment puis-je entraîner des signaux qui ne sont pas là.

Suivre: J'ai prolongé ce travail en faisant clignoter un film à deux vitesses différentes. J'ai découvert que je pouvais contrôler mes ondes cérébrales entraînées en choisissant sur lequel des taux de clignement je me concentrais. Plutôt cool! Si vous êtes intéressé, vous pouvez voir les résultats dans cet article.

Suivre: Vous souhaitez obtenir les données EEG de cet article ? Essayez de le télécharger depuis mon github !


Données EEG / ERP disponibles en téléchargement public gratuit (mise à jour 2020)

OpenNeuro est une archive de données bien connue créée par Poldrack et son équipe à l'Université de Stanford. OpenNeuro est une plate-forme gratuite et ouverte qui permet aux chercheurs de télécharger et de partager des données de neuroimagerie. Les ensembles de données soumis peuvent ensuite être analysés par toute personne qui se connecte. OpenNeuro a été désigné par le NIMH comme référentiel pour les données collectées dans le cadre des projets de l'Initiative BRAIN ainsi que d'autres types de données de neuroimagerie humaine. Cependant, à ce jour, les flux de travail n'existent que pour les données d'IRMf. Cela signifie que même si d'autres types d'analyses cérébrales ont été téléchargés sur OpenNeuro, aucune infrastructure n'est en place pour l'analyse des données. Nous vous invitons à explorer les ensembles de données au format EEG BIDS disponibles sur OpenNeuro.

En partenariat avec l'Université de Stanford, nous avons reçu 4,4 millions de dollars du NIMH pour créer la ressource d'archives et d'outils de données neuroélectromagnétiques (NEMAR). Les chercheurs créeront la ressource d'archives de données et d'outils neuroélectromagnétiques au Supercomputer Center de San Diego. La plate-forme NEMAR est dans sa phase de test et étendra bientôt les capacités d'OpenNeuro pour archiver et visualiser l'ensemble de données BIDS EEG.


Fond

Votre crâne et la peau de votre tête protègent votre précieux et merveilleux cerveau, mais ce sont d'excellents isolants électriques, ce qui rend difficile l'enregistrement à partir de neurones individuels dans le cerveau humain. Pour ce faire, vous devez percer des trous dans le crâne et insérer des électrodes directement dans le cerveau, ce qui n'est fait que pendant la chirurgie cérébrale lorsque cela est absolument nécessaire en cas d'épilepsie ou de tumeurs intraitables. Pour enregistrer des neurones individuels, vos électrodes doivent être en contact direct avec le tissu neural. Pour cette raison, nous utilisons les nerfs des pattes de cafard lors de la démonstration de l'activité électrique neuronale. Si au contraire vous vouliez enregistrer la réponse d'un neurone du cortex visuel humain (situé à l'arrière de votre tête) en réponse à la lumière.

La relation entre la synchronie et le traitement des données dans le cerveau peut être difficile à comprendre et relève de la théorie de l'information (vous pouvez vous plonger dans le travail de notre héros Claude Shannon pour en savoir plus), mais, en général, plus les neurones de votre cerveau sont synchrones. , moins il y a de traitement de données. Cela conduit au paradoxe que plus le signal électrique que nous pouvons enregistrer à la surface de votre cuir chevelu est fort, moins les choses intéressantes que fait votre cerveau (comme le sommeil profond) ou nous avons une situation dangereuse (comme l'épilepsie --- lorsque tous les neurones dans une zone tirent rapidement et en même temps, entraînant des convulsions et des conséquences plus dangereuses).

Souvent, lorsque vous vous concentrez intensément, de nombreux neurones de votre cerveau calculent beaucoup de choses différentes. La "capacité d'information" de votre cerveau est élevée, avec de nombreuses conversations différentes entre les neurones. Cela apparaît dans l'EEG comme un signal très faible, dont il est difficile d'extraire le sens. Imaginez un stade à la mi-temps où tout le monde discute entre eux. Si vous êtes à l'extérieur du stade, tout ce que vous entendez est un bourdonnement informe. Il y a beaucoup de choses intéressantes qui sont dites (probablement), mais vous ne pouvez pas le détecter en dehors du stade.

Cependant, imaginez quand tous les participants dans le stade font la même chose, comme chanter un hymne national.* On peut certainement entendre la chanson, bien que déformée, à l'extérieur du stade. Ceci est analogue aux ondes lentes générées par votre cerveau pendant votre sommeil profond ou aux ondes alpha générées par le cortex visuel lorsque vos yeux sont fermés.

L'événement le plus fort que nous puissions détecter à l'extérieur du stade est lorsqu'un "but" se produit, car une énorme population à l'intérieur du stade crie très fort exactement au même moment. Lorsque de grandes populations de neurones dans votre cerveau font cela (tous des potentiels d'action en même temps), cela s'appelle l'épilepsie, et c'est très dangereux.

Alors, qu'enregistrons-nous réellement dans l'électroencéphalogramme (EEG) ? Nous observons les « champs lents oscillants » des neurones dans les couches supérieures du cortex cérébral : plus précisément, les « potentiels excitateurs post-synaptiques ». Ces potentiels post-synaptiques sont les petits changements de potentiel électrique causés par la liaison des neurotransmetteurs dans les synapses des neurones. Ces changements de potentiel électrique conduisent un neurone à être plus ou moins susceptible de déclencher des potentiels d'action et sont importants pour le codage de l'information dans le cerveau. Si vous souhaitez descendre le terrier du lapin, la référence principale est l'exquis et stimulant "Mitzdorf 1985".

Si de nombreux EPSP se produisent en même temps et dans la même zone de votre cerveau, comme lorsque vos yeux sont fermés et que les neurones du cortex visuel sont tous dans le même état de "veille", nous pouvons observer l'addition de ces EPSP dans l'EEG.

Il est intéressant de noter que l'éminent Lord Edgar Adrian, qui a été la première personne à connecter l'activité de pointe d'un neurone à un haut-parleur et à "entendre" les pointes en 1926, et est l'ancêtre de notre travail, montrait également couramment des EEG du cortex visuel tout en donnant des conférences dans Cambridge au début des années 30. Nous suivons votre exemple, notre Seigneur, et vous reproduisons du mieux que notre faible capacité nous permet.

Téléchargements

Avant de commencer, assurez-vous que les programmes Backyard Brains Spike Recorder et Arduino sont installés sur votre ordinateur. L'Arduino "Sketch" est ce que vous installez sur votre carte de circuit Arduino à l'aide du logiciel pour ordinateur portable Arduino (votre carte est préinstallée si vous avez acheté l'Arduino chez nous), et le programme Backyard Brains Spike Recorder vous permet de visualiser et de sauvegarder les données sur votre ordinateur lors des expériences. Nous avons fait une vidéo pour vous expliquer cela!


Identification quantitative basée sur les ondes de Lamb du délaminage dans les stratifiés composites

7.7.1 Prétraitement du signal

Il est important de minimiser l'incertitude environnementale impliquée dans un signal d'onde de Lamb. Faire la moyenne d'un ensemble de signaux capturés à partir du même trajet actionneur-capteur peut réduire la sensibilité des données par rapport aux petites fluctuations. Après avoir fait la moyenne, chaque signal d'onde de Lamb, F, est normalisé à l'aide de l'un des éléments suivants

Max et Min représentent les valeurs maximales et minimales des signaux d'origine et des nouveaux signaux, respectivement, distingués à l'aide des indices « nouveau » et « ancien ». « moyen » et MST désignent la moyenne et l'écart type de F, respectivement.

Étant dispersif, un signal d'onde de Lamb reçu à une position éloignée présente souvent une forme d'onde légèrement déformée. Une compensation appropriée pour une telle distorsion est parfois nécessaire. Dans un signal de dispersion, les composants avec la vitesse de groupe la plus élevée sont sur le front d'onde et les composants les plus lents apparaissent plus tard. Supposons que le signal reçu soit inversé dans le temps et que le signal inversé soit à nouveau appliqué sur l'actionneur. Dans ce cas, les composantes avec une vitesse de groupe plus lente apparaissent maintenant au front d'onde du nouveau signal d'excitation. Avec une telle compensation, le nouveau signal reçu est de la même forme que l'excitation d'origine, à la Fig. 7.7 ( Alleyne et al., 1993 ).

7.7 . Compensation du signal d'onde de Lamb : (a) signal d'origine (b) signal capturé à 200 mm et (c) signal capturé à 200 mm avec compensation ( Alleyne et al., 1993 ).


Suppression des artefacts de mouvement oculaire et de clignement des données EEG à l'aide de l'analyse des composants morphologiques

Les signaux EEG contiennent une grande quantité d'artefacts oculaires avec différentes propriétés temps-fréquence se mélangeant dans les EEG d'intérêt. L'élimination des artefacts a été essentiellement traitée par les méthodes de décomposition existantes connues sous le nom de PCA et ICA basées sur l'orthogonalité des vecteurs de signal ou l'indépendance statistique des composantes du signal. Nous nous sommes concentrés sur la morphologie du signal et avons proposé une méthode de décomposition systématique pour identifier le type de composants du signal sur la base de la parcimonie dans le domaine temps-fréquence basée sur l'analyse des composants morphologiques (MCA), qui fournit un moyen de reconstruction garantissant la précision de la reconstruction. en utilisant des bases multiples conformément au concept de « dictionnaire ». La MCA a été appliquée pour décomposer le signal EEG réel et a clarifié la meilleure combinaison de dictionnaires à cet effet. Dans notre analyse de signaux biologiques semi-réaliste proposée avec des iEEG enregistrés à partir du cerveau par voie intracrânienne, ces signaux ont été décomposés avec succès en types originaux par une expansion linéaire de formes d'onde, telles que des transformations redondantes : UDWT, DCT, LDCT, DST et DIRAC. Notre résultat a démontré que la combinaison la plus appropriée pour l'analyse des données EEG était UDWT, DST et DIRAC pour représenter l'enveloppe de base, les formes d'onde multifréquence et les activités de pointe individuellement en tant que types représentatifs de morphologies EEG.

1. Introduction

Le mécanisme électrophysiologique de la façon dont les signaux EEG sont générés et les informations sur ce qu'ils représentent restent encore flous et l'hypothèse la plus plausible est que les signaux sont composés d'activités de pointe synchrones par rapport à la modulation oscillatoire du potentiel de champ local [1]. Par conséquent, les EEG ont été utilisés comme indice pour représenter l'état du cerveau, comme l'état de veille, le sommeil et l'attention sélective, et pour estimer quelles régions du cerveau sont actives par rapport à d'autres régions si elles sont situées sur la surface supérieure du cerveau. près de l'os crânien, comme une partie du cerveau. Le problème le plus difficile dans l'analyse des données des EEG est l'incertitude de la discrimination du signal et du bruit. Les signaux biologiques contiennent plusieurs types de signaux causés par différents mécanismes internes, tels que l'EOG (électrooculogramme) généré par le mouvement des globes oculaires et des paupières et l'EMG (électromyogramme) généré par les mouvements musculaires des parties du corps. A moins que les mécanismes électrophysiologiques individuels ne puissent être isolés, le problème de l'impossibilité de poursuivre le vrai signal est inévitable. L'EEG est connu comme l'outil le plus non invasif en particulier pour le diagnostic clinique et la recherche en neurosciences, tandis que les professionnels de la santé et les chercheurs dans les domaines connexes ont la difficulté de la contamination du signal. Dans le domaine de l'ingénierie, les EEG sont utilisés pratiquement dans la technologie d'interface cerveau-ordinateur [2–10]. Dans ces cas, l'artefact le plus grave est le potentiel oculaire, par exemple les mouvements oculaires et les clignements des yeux, et des méthodes d'élimination des artefacts ont donc été proposées [11-13]. La méthode proposée traitait principalement de la décomposition de signal linéaire et stationnaire pour la suppression d'artefacts. Cependant, il existe quelques méthodes pour traiter les propriétés non linéaires et non stationnaires dans les EEG [14-16]. La décomposition des signaux EEG indique que les méthodes traditionnelles ne sont pas simplement applicables aux signaux non linéaires et non stationnaires dans le but de supprimer les artefacts [17].

Récemment, la décomposition du signal en focalisant les composants morphologiques attire de plus en plus l'attention en raison de son applicabilité aux propriétés de signal non linéaires et non stationnaires [18–20]. À l'origine, les extractions de caractéristiques de signal utilisant l'analyse linéaire dans les domaines temps-fréquence avaient été étudiées via les transformées de Fourier et en ondelettes ou les théories des vecteurs propres et des sous-espaces de la manière la plus simple [21]. La séparation aveugle de source [22] a été largement discutée sur la question d'un signal de mélange linéaire, et l'analyse en composantes indépendantes (ICA) et l'analyse en composantes principales (ACP) sont des méthodes représentatives. Dans le cas de la décomposition du signal EEG, ces méthodes ont été fréquemment appliquées [23, 24], en particulier dans l'analyse hors ligne. Dans l'ACP, les composantes EEG sont décomposées sur une base spatio-temporelle, tandis que, comme inconvénient, il est difficile de reconstruire des signaux globaux par la combinaison linéaire de composantes principales (PC) en raison de l'ignorance des signaux avec de petites amplitudes et des changements irréguliers. Par conséquent, la reconstruction précise dans ces méthodes nécessite des connaissances préalables et détaillées pour identifier les PC correspondant aux artefacts [25, 26]. La limitation a conduit à un changement des tendances de recherche de l'ACP à l'ICA avec une statique d'ordre élevé pour spécifier l'indépendance du signal. D'autre part, étant donné que l'ICA est limité à la mesure de l'indépendance statistique, l'ICA est confronté à la difficulté de détecter les composants du signal si le bruit gaussien est contaminé de la manière dont le bruit se propage de manière indésirable dans les composants du signal [11-13 , 27, 28].

Dans la décomposition EEG plausible [29], le rôle clé est l'efficacité dans l'analyse, l'amélioration et la synthèse des propriétés du signal, y compris les changements non linéaires et non stationnaires. La séparation de source aveugle, telle que l'ICA, a démontré les performances de décomposition même dans des signaux complexes, mais la rareté est en train d'être mise en évidence comme un concept étendu en raison de la cohérence entre l'analyse et la synthèse du signal de manière systématique [30], puis la méthodologie basée sur sur la parcimonie en utilisant des transformées redondantes a été introduite pour la décomposition du signal dans diverses applications [31]. L'ACM est l'une des méthodes. En termes de MCA, la parcimonie joue un rôle essentiel dans la séparation des différentes propriétés temps/fréquence ou morphologies des composants de signal individuels, qui ont été démontrées dans les études récentes [18, 32, 33]. L'efficacité de la suppression du bruit basée sur la MCA a été principalement clarifiée dans le traitement d'images [19, 20, 31, 34]. Cependant, nous avons émis l'hypothèse que la décomposition MCA est efficace dans l'élimination des artefacts EEG et qu'elle clarifie quels types de morphologies de signal contaminent le signal en tant que véritables signaux biologiques, en utilisant une transformation redondante ou un dictionnaire surcomplet mixte au sens de MCA [35]. Différents dictionnaires qui signifient différents types de fonction de base mathématique représentent des potentiels évoqués générés par différents mécanismes électrophysiologiques. Yong et al. [36] ont signalé de manière préliminaire l'efficacité de l'élimination des artefacts EEG et ont fourni une analyse moins complète avec MCA dans le cadre de la vérification de la façon dont le vrai signal EEG est préservé après suppression du bruit, même avec diverses fluctuations EOG [37].

Dans la présente étude, nous avons proposé une méthode de décomposition EEG basée sur le dictionnaire de parcimonie et de surcomplétude en spécifiant la meilleure combinaison de dictionnaires [31] et en avons discuté la raison au sens des propriétés fréquentielles EEG. Selon l'ensemble de dictionnaires, les signaux reconstruits étaient très différents dans la représentation des caractéristiques temps/fréquence dans le signal [35, 38, 39]. Dans l'expérience informatique, nous avons utilisé l'algorithme Block-Coordinate-Relaxation (BCR) pour minimiser l'erreur dans la reconstruction du signal et obtenir la représentation la plus clairsemée des caractéristiques souhaitées. Le but de cette étude est de proposer la manière systématique de supprimer les artefacts dans les signaux EEG en utilisant la MCA et de spécifier les propriétés temps/fréquence pour représenter les composants du signal en vérifiant la combinaison appropriée des dictionnaires.

2. Méthodes et matériels

2.1. Méthode de décomposition

De nombreuses méthodes ont été communément formulées comme la combinaison linéaire pour supprimer ou supprimer les artefacts des EEG. Si un signal et un bruit sont linéairement indépendants, le bruit peut être supprimé en remplaçant les coefficients représentant la partie bruit par zéro lorsque l'ensemble du signal est reconstruit. Les méthodes de séparation aveugle de source, comme ICA et PCA, utilisaient couramment le système BCI pour décomposer le signal EEG [11-13, 23, 27-29, 40-42] comme suit :

Les EEG enregistrés à partir d'électrodes fixées au cuir chevelu (en abrégé EEG du cuir chevelu) peuvent être donnés par (1), où

est une série chronologique de coefficients appelés composants de signal ou composants simplement et est la matrice de mélange pour déterminer la façon de séparer le signal et le bruit. Dans la décomposition ICA, l'objectif final est de trouver la matrice d'indépendance mutuelle qui satisfait

et chaque vecteur de ligne dans , matrice de démixage, est approximativement égal à une valeur mise à l'échelle d'un vecteur de ligne dans . Le signal est ensuite décomposé en EEG supposés être l'ensemble des signaux réels et des composants d'artefacts. Les méthodes de décomposition nécessitent classiquement une connaissance préalable des propriétés des composants cibles couplés aux contraintes [29], comme discuté dans l'Introduction. Un facteur heuristique reste un obstacle à l'automatisation complète de la décomposition du signal.

2.2. Morphologie des composants EEG-EOG

Le cortex cérébral est situé dans la région externe des hémisphères cérébraux juste sous l'os du crâne et, par conséquent, les activités sont accessibles par des potentiels électriques enregistrés uniformément sur le cuir chevelu. Ces régions corticales sont localement séparées en fonction de fonctions telles que la fonction de prise de décision (cortex frontal), le contrôle moteur (cortex prémoteur), les sensations corporelles (cortex somatosensoriel) et le traitement des entrées sensorielles dans la vision et l'audition (primaire visuel et auditif). cortex auditif), puis les potentiels de différentes positions sur le cuir chevelu contiennent des informations sur les activités neuronales dans différents cortex si les signaux sont clairement séparés les uns des autres et des artefacts. La production d'autres potentiels électriques à partir des mouvements des muscles, des globes oculaires et des paupières contamine l'EEG du cuir chevelu d'une manière évitable de fuites potentielles dans le système électrophysiologique reliant le cerveau et le système musculo-squelettique. D'autre part, différents systèmes biologiques ont des propriétés électrophysiologiques différentes et la nature sera la clé pour résoudre le problème de décomposition complexe. Comme les connaissances traditionnelles dans le domaine médical [43], il est connu que les signaux EEG ont des caractéristiques spécifiques sur la forme de la forme d'onde appelées morphologie : les types « monomorphe », « polymorphe », « sinusoïdal » et « transitoire » sont reconnus différemment. basé sur les caractéristiques d'une seule activité dominante, plusieurs fréquences formant une activité complexe, une activité de type onde sinusoïdale et des pointes et/ou des ondes pointues (pointes d'une durée de 20 à 70 ms et ondes pointues avec un pic pointu et 70 à 200 ms durée). S'il est possible de décomposer l'EEG enregistré par rapport à ces morphologies d'intérêt, cela nous apporte un grand avantage car il ouvre la voie aux « vrais » EEG.

Selon le mécanisme électrophysiologique du système nerveux couplé au potentiel myogénique évoqué par les mouvements oculaires [44, 45], la rotation d'un globe oculaire génère un potentiel dont l'amplitude dépend du degré de rotation [46], qui est connu sous le nom de cornéorétinienne. dipôle et observé comme le potentiel de maintien d'environ 500 ??V comme maximum à partir de l'enregistrement EOG dans la gamme 4-20 Hz [47]. Les phénomènes avaient été investigués via l'étude des mouvements saccades [28, 48-50]. Comme mentionné ci-dessus, les potentiels EEG et EOG ont des morphologies spécifiques. Les morphologies des mouvements oculaires et des clignements oculaires peuvent être considérées comme un changement lent par rapport à l'échelle de temps EEG et ont une forme de bosse avec une grande amplitude de pic [51, 52]. Étant donné que la présence de pics répétitifs apparaît fréquemment dans le diagnostic de l'épilepsie [53], nous avons supposé que la bosse unique était le clignement d'œil typique et que les multiples types de changements de ligne de base lents étaient des rotations du globe oculaire, comme le montre schématiquement la figure 1.

2.3. Décomposition à l'aide de l'analyse des composantes morphologiques

Récemment, la décomposition de composants en images et séries chronologiques a suscité de grandes attentes dans les applications, telles que la minimisation de la taille des données pour le transfert des données via Internet. Les méthodes basées sur la MCA sont adaptées à l'objectif et ont l'avantage de reconstruire avec précision les données d'origine après suppression du bruit, qui repose sur la rareté et l'exhaustivité du dictionnaire. Dans la théorie de l'ACM, le dictionnaire surcomplet est représenté par

est la composante morphologique du signal pour

est l'ensemble d'index des dictionnaires. Un signal EEG mixte peut être représenté comme une combinaison linéaire clairsemée du coefficient. Selon Chen et al. (2001) [38], le dictionnaire surcomplet est un ensemble de transformées redondantes, qui sont définies par un ensemble de fonctions mathématiques pour représenter les morphologies spécifiques. Dans le processus d'obtention de l'ensemble final de coefficients pour une reconstruction précise du signal d'origine, la rareté de la matrice de coefficients est cruciale. In the theory, there exists a dictionary that can reproduce the specific features of the signal if the appropriate iteration method is introduced to pursue the unique sparse representation. The concept of sparsity and the overcompleteness dictionary has theoretically extended the traditional signal decomposition to feature extractions focusing on multiple types of morphologies simultaneously. Due to selection freedom of dictionaries, the signal can be decomposed with explicit dictionary [38] and sometimes it cannot be decomposed in the other form of dictionaries. A dictionary is defined as collection of waveforms , and the input signal is assumed to be reconstructed by a linear combination of a set of bases’ elements , and then the signal is expressed as a single vector of

, where are subcomponents, that is, different morphologies. We employed this system to record EEG signal as shown in Figure 1. The approximate decomposition of signal

into its building components can be expressed as

Therefore is the target coefficients for reconstruction of the original EEG signal based on the assumption , which means that the remainder is negligibly small. In the consideration that represents the noise part, (2) without noise can be written as

Equation (3) is consistent with (1). The problem to solve is how optimized coefficients can be derived, and the equation is rewritten as follows:


ECg & cardiac artifact

ECG artifact is marked by waveforms that are time locked to the QRS complex on the ECG tracing. They tend to be present more so or entirely on the left side, because the heart is in the left half of the chest, and tend to be relatively low amplitude. However, as the example below shows, they can at times be quite prominent, but don't mistake them for posterior discharges or POSTS (which are not time locked to the QRS).

A much less commonly seen cardiac artifact is cardioballistic artifact, in which the EEG electrode is placed just above an artery, and each pulsation of the artery is picked up as motion artifact on the EEG.

How many kinds of artifact can you see in the tracing below?


Introduction

Electroencephalography (EEG) records brain electrical activity and it plays an important role in understanding of the motor functions, the cognitive loads, the level of attention and the brain disorders 1,2,3,4,5 . The EEG signals are widely used in application like brain computer interface (BCI) system, that extract the information from the EEG signals and send that as a command signal to a physical system. Several methods have been proposed to extract the EEG components for band identification in BCI application 6,7 . Recently, time varying complex network models are also proposed to enhance the classification accuracy of BCI systems 8,9 . In recent years, there is a great demand for in-home health monitoring due to increase in chronic illnesses. This demand brings a need for developing portable wireless healthcare systems to measure biomedical signals in home environment. With increasing advancement in technology, the healthcare systems were designed with low instrumentation complexity 10,11 . Recently, portable EEG devices with single EEG channel are widely used to measure the brain signals in non laboratory/clinical applications 12,13 . The use of these devices and their performance is also studied in different applications such as BCI, driver fatigue detection and brain disorders 14,15,16,17,18 .

In general, the EEG signals are often contaminated by several artifacts such as the electrooculogram (EOG), the electromyogram (EMG), electrocardiogram (ECG) and motion artifacts are a result of for example, EOG artifact is a result of an eye-blink activity. However, due to the involuntary movement of eyelids, the EOG artifact (from here onward we will be calling it as eye-blink artifact) always present in EEG signal. This eye-blink artifact appears as a high amplitude spike like signal in the EEG and contaminates it in time and frequency domains. More specifically, the eye-blink artifact contaminates the low-frequency EEG bands (0–12 Hz) 19 which are associated to hand movements, attention levels and drowsiness 2,20,21 . However, inaccurate filtering of artifacts may effect the signal in both time and frequency domains and loss of information may result in compromising the end applications, for example, in the fatigue detection and BCI applications 14,15,17,18,22,23 .

Removal of eye-blink artifact has been a challenging task, as they often overlap with the lower frequency spectrum of EEG signal. The usage of traditional low-pass or band-pass filter for eye-blink artifact elimination may also remove some components of the actual EEG signal. The adaptive filters have been applied to remove eye-blink artifact from EEG signals 24 . However, they require a reference signal that some how correlates with the eye-blink artifact registered in the EEG signal. Similar to the principle component based method, an artifact subspace reconstruction (ASR) method was also proposed to remove artifacts from multichannel EEG data 25 . This method exploits the clean regions of the data as reference and removes the eye-blink components. Independent component analysis (ICA), is a blind source separation (BSS) technique used to decompose (separate) the sources from physiological signals 26,27 . However, ICA has been widely employed to remove artifacts from multichannel EEG signals 26,28,29 . In addition to this, canonical correlation analysis (CCA), another BSS based technique, is also popular to remove eye-blink artifacts from the multichannel EEG signals 30,31 . These two methods further integrated with other methods to improve their performance in removing artifacts 32,33,34 . The CCA method was successfully employed to remove muscle artifact from the EEG data 35,36 . The main difference between these two techniques lies in the extraction of source components from the mixed EEG data. The eye-blink artifacts are captured by most of the EEG channels as it is a high energy component and redundant information associated to the eye-blink artifact is present in the multi channel EEG data. The multichannel based artifact removal methods relies on this inherent advantage to extract the information and to remove the artifacts. Therefore, removing artifact from single channel EEG data is more challenging as compared to multi-channel EEG.

The ensemble empirical mode decomposition (EEMD) 37 and ICA techniques are combined (also called EEMD-ICA), to separate the sources from single channel EEG signal using ICA 38 . In this method, the EEMD is employed to decompose single channel EEG signal into multi-variate data. After that, ICA algorithm is used to derive the demixing matrix and independent components (ICs) from the multivariate data. To extract the desired source signal, the corresponding column vector of mixing matrix (inverse of demixing matrix) is multiplied with that of IC of interest. Finally, the desired source signal can be obtained by summing all the components obtained in the multiplication step. Recently, singular spectrum analysis (SSA) 39 has been successfully employed to decompose the EEG signals 40,41,42 . The SSA is jointly used with ICA to remove different artifacts from single channel EEG signals 43 . The main difference between EEMD-ICA and SSA-ICA techniques lies in the way they decompose the given single channel EEG signal into multivariate data. Surrogate based technique has been proposed to remove artifacts from single channel EEG signal 44 . However, this method can work only under the assumption of EEG stationarity, which may not hold for lengthy EEG epochs.

The physiology based technique to remove eye-blink artifact from single channel EEG signal was developed 45 . This method removes eye-blink artifact without altering the uncontaminated regions in the EEG signal. In this method, first, a skeleton of eye-blink artifact will be constructed using straight lines. Next, it will be shaped to the individual eye-blink detected based on the set threshold. However, the threshold will be determined based on the eye-blink potential of each individual. Moreover, this method is sensitive to high amplitude neural spikes and also fails to detect when the eye-blink artifact is mixed with other artifacts. Recently, the Fourier-Bessel series expansion based empirical wavelet transform (FBSE-EWT) is proposed to eliminate the eye-blink artifact from single channel EEG signal 46 . In this method, the EEG components, such as (delta , heta , alpha ) and (eta ) are extracted from single channel EEG signal using FBSE-EWT. The local polynomial approximation based total variation (LPATV) filtering is applied to the (delta ) component. However, this method requires the optimization of several parameters such as regularization parameter, block length, number of overlapping, etc., for the accurate removal of eye-blink artifact.

Most of the artifact removal methods discussed above alters the EEG components in the non-artifact regions of the given EEG signal. To overcome the limitations of the existing methods, in this paper, we propose a new method, in which an unsupervised machine learning algorithm ( (k) -means) and SSA technique are combined to remove eye-blink artifact from single channel EEG signal. In this method, first, the given single channel EEG signal is mapped into multivariate data matrix using embedding step of SSA. Next, four time domain features (the energy, the hjorth mobility 47 , the kurtosis and the difference between the maximum and minimum of the column vector of the multivariate data matrix) were computed and the (k) -means algorithm is employed. However, the novelty of the present work lies in the estimation of the eye-blink artifact using the time-domain features of the given EEG signal and the unsupervised machine learning algorithm. Finally, the estimated eye-blink artifact is further processed by SSA technique and subtracted from the contaminated EEG signal to obtain the corrected EEG signal. Simulations on both synthetic and real EEG data demonstrate the superior performance of the proposed method in removing eye-blink artifact from single channel EEG signals as compared to existing methods.


Real Time Eye Blink Extraction Circuit Design from EEG Signal for ALS Patients

The paper explores the detail design of electroencephalogram (EEG) based eye blink circuit module for Amyotrophic Lateral Sclerosis (ALS) patients using the Multisim Circuit design software. The EEG gives information about physiological function. It is the recording of electrical activity of the brain waves. The brain wave signal is a random, frequency domain and non-stationary signal. It is not easy to get the information from EEG signals in the time domain. Some biological artifacts (Eye blink artifacts, EMG artifacts and ECG) and technical artifacts (amplitude artifact, noise present in the power source artifact etc.) are the some artifacts in EEG signals. Eye blinks is considered as one of the important artifact for feature extraction of EEG signal. Hence, Eye blinks act as control or input signal in this paper. The goal of this paper is tracking an eye blink of a person from EEG signal sequences and extracts only intentionally eye blinks. In this work the patient EEG data is acquired, amplified and filtered. The filtered data is compared with the reference voltage level of the eye blink signal. In this way the eye blinks are extracted from ALS patient EEG data. Thus, The EEG based eye blink extraction circuit for ALS patient has been successfully designed and simulated on Multisim circuit design software. The future goal is to establish a communication channel for the patents suffering from motor disabilities using this biological artifact.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Eye Blink Detection

Mohit Agarwal and Raghupathy Sivakumar of the Georgia Institute of Technology recently published “Blink: A Fully Automated Unsupervised Algorithm for Eye-BlinkDetection in EEG Signals.” It’s possible that this type of system could be used to assist with the artifact removal problem faced by the UBC team when collecting EOG data, and faced by others when collecting EEG signals.

Agarwal and Sivakumar believed that the first step to removing the artifacts caused by eye-blinks, was developing a sufficiently accurate algorithm that could identify blinks in the first place. The result of their work is the “BLINK” system, a fully automated and unsupervised eye-blink detection algorithm which is able to self-learn user-specific brainwave profiles for eye-blinks. There is no need for individual user training, or manual inspection and incredibly, Blink functions on a single channel of EEG. Blink accurately estimates the start and end timestamps of eye-blinks, allowing researchers to more easily account for those blinks in their datasets.

The GIT team collected 2300+ blinks using both OpenBCI and Muse across various user activities and (this is the part we love) made the source code and annotated datasets available publicly to promote reproducibility and further research.

We applaud the research done by both teams and look forward to learning more from their future work!

One Comment

Hi, May I ask why you use cyton? I have just ganglion, is possible to do it?, Thanks, Laco


Record an eye blinking waveform signal from EEG signals - Psychology

2. EEG artifact removal using Blind Source Separation
Severe contamination of EEG activity by eye movements, blinks, muscle, heart and line noise is a serious problem for EEG interpretation and analysis. Many methods have been proposed to remove eye movement and blink artifacts from EEG recordings:

• Simply rejecting contaminated EEG epochs results in a considerable loss of collected information.

• Often regression in the time or frequency domain is performed on simultaneous EEG and electrooculographic (EOG) recordings to derive parameters characterizing the appearance and spread of EOG artifacts in the EEG channels. However, EOG records also contain brain signals, so regressing out EOG activity inevitably involves subtracting a portion of the relevant EEG signal from each recording as well.

• Since many noise sources, include muscle noise, electrode noise and line noise, have no clear reference channels, regression methods cannot be used to removed them.

We propose to apply ICA to multichannel EEG recordings and remove a wide variety of artifacts from EEG records by eliminating the contributions of artifactual sources onto the scalp sensors. Our results show that ICA can effectively detect, separate and remove activity in EEG records from a wide variety of artifactual sources, with results comparing favorably to those obtained using regression-based and Principal Component Analysis methods.

ICA-based artifact correction can separate and remove a wide variety of artifacts from EEG data by linear decomposition. The ICA method is based on the assumptions that the time series recorded on the scalp:

• are spatially stable mixtures of the activities of temporally independent cerebral and artifactual sources, that

• the summation of potentials arising from different parts of the brain, scalp, and body is linear at the electrodes, and that

• propagation delays from the sources to the electrodes are negligible.

Assumptions two and three above are quite reasonable for EEG (or MEG) data. Given enough input data, the first assumption is reasonable as well. The method uses spatial filters derived by the ICA algorithm, and does not require a reference channel for each artifact source. Once the independent time courses of different brain and artifact sources are extracted from the data, artifact-corrected EEG signals can be derived by eliminating the contributions of the artifactual sources.

The figure below presents a schematic illustration of the procedure (Click on figure to expand). In EEG analysis, the rows of the input matrix, X, are EEG signals recorded at different electrodes and the columns are measurements recorded at different time points (left). ICA finds an `unmixing' matrix, W, which decomposes or linearly unmixes the multi-channel scalp data into a sum of temporally independent and spatially fixed components. The rows of the output data matrix, U = WX, are time courses of activation of the ICA components. The columns of the inverse matrix, inv(W), give the relative projection strengths of the respective components at each of the scalp sensors (right). These scalp weights give the scalp topography of each component, and provide evidence for the components' physiological origins. Par exemple:

• Eye movements should project mainly to frontal sites with a lowpass time course.

• Eye blinks should project to frontal sites and have large punctate activations.

Component Projections
Calling the activations the matrix of unmixed component time courses,

activations = W * data
and the inverse weight matrix (i.e., the mixing matrix),

Winv = inv(W)
(or Winv = pinv(W) if the number of components is les than the number of channels), then the projection of the i'th independent component onto the original data channels is given by

projection = Winv(:,i) * activations(i,:)
The projection of the i'th component is the outer product of i'th row of the component activation (i.e., the component time course), activations(i,:), with the i'th column of the inverse matrix (i.e., the component scalp map), Winv(:,i). The projected component data has the same size as the original data, has the same basis (i.e. each row is a single electrode, as in the original data), and is scaled in the original data units (e.g., uV). Scaling information and polarity are distributed between the activation waveforms and the maps. This means the true size (and polarity) of a component is given by the size (and polarity) of its projection.

For the data shown above, all scalp maps were interpolated from 31 EEG channels and referred to the original right-mastoid reference. For each component, the amplitudes of scalp maps (given by the individually scaled color bars of the right panel) give the size of the component projections at the time point marked by the vertical blue line.
Above, artifact-free event-related brain signals were obtained by projecting the sum of selected non-artifactual ICA components back onto the scalp,

clean_data = Winv(:,a) * activations(a,:)
where [a] was a vector of the selected non-artifactual component numbers. The toolbox contains a function, icaproj() , that computes projections in a single line of code.

clean_data = icaproj (data,W,a)
In practice, the trick is to decide which components, [a], are artifactual. Above, we list some heuristics we have found useful.

Removing blink and muscle artifacts
The figure below shows a 3-sec portion of the recorded EEG time series and its ICA component activations, the scalp topographies of four selected components, and the artifact-corrected EEG signals obtained by removing four selected EOG and muscle noise components from the data. The eye movement artifact at 1.8 sec in the EEG data (left) is isolated to ICA components 1 and 2 (left middle). The scalp maps (right middle) indicate that these two components account for the spread of EOG activity to frontal sites.

A five-second portion of a corrupted EEG time series resulting from a poor data-acquisition setting (B) noise components extracted by ICA (right panel). (C) The same EEG signals corrected for artifacts by ICA by removing the six selected components, and, (D) spectral analysis of the original and artifact-corrected EEG recordings. Note that EEG activity is more visible than in (A), particularly in channels 1 and 2, and the line noise (60 Hz) and aliased line noise frequencies (near 12 Hz, 105 Hz, 135 Hz) are reduced.

Les références
Our approach to artifact correction using ICA is available in two journal articles:

• Jung T-P, Makeig S, Humphries C , Lee TW, McKeown MJ, Iragui V, and Sejnowski TJ, "Removing Electroencephalographic Artifacts by Blind Source Separation," Psychophysiology, 37:163-78, 2000 (.pdf, 1.3Mb).

• Jung T-P, Makeig S, Westerfield W, Townsend J, Courchesne E, and Sejnowski TJ, "Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects," Clinical Neurophysiology 111:1745-58, 2000 (.pdf, 4.9Mb).

• Other relevant references:

• Makeig S, Bell AJ, Jung T-P, and Sejnowski TJ, "Independent component analysis of Electroencephalographic data." Advances in Neural Information Processing Systems 8, 145-151,1996.

• Jung T-P, Humphries C, Lee TW, Makeig S, McKeown MJ, Iragui V, and Sejnowski TJ, "Extended ICA Removes Artifacts from Electroencephalographic Recordings" , Advances in Neural Information Processing Systems 10:894-900, 1998.

• Jung T-P, Humphries C, Lee TW, Makeig S, McKeown MJ, Iragui V, and Sejnowski TJ, "Removing Electroencephalographic Artifacts : Comparison between ICA and PCA" , In: Neural Networks for Signal Processing VIII, 63-72, 1998.

• Jung T-P, Makeig S, Westerfield M, Townsend J, Courchesne E, and Sejnowski TJ, "Analyzing and Visualizing Single-trial Event-related Potentials," In: Advances in Neural Information Processing Systems, 11:118-24, 1999.


Voir la vidéo: Chaine de transmission Numerique: Numérisation dun Signal analogique (Novembre 2021).