Aplicación de la Técnica de Rede Neural Convolucional en la detección de artefactos parpadeantes en señales EEG
DOI:
https://doi.org/10.33448/rsd-v10i15.22712Palabras clave:
Eliminación de artefacto; Eliminación de artefact; Parpadeo; BCI.Resumen
Los potenciales eléctricos generados por parpadeos oculares producen ruidos muy significativos en las señales de electroencefalografía (EEG). La presencia numerosa de este tipo de artefacto se debe a la proximidad de los ojos a los sensores utilizados para capturar las señales. En la literatura se proponen muchas estrategias para detectar tales artefactos, con el objetivo de eliminarlos para purificar la señal de EEG. Los métodos mas comúnmente utilizados requieren el uso de una gran cantidad de electrodos y equipos complejos para el procesamiento de señales. El objetivo de éste proyecto es utilizar un modelo de red neuronal convolucional (CNN) para crear un algoritmo independiente y confiable capaz de detectar artefactos de parpadeos para que puedan ser eliminados. Para el proceso de entrenamiento y validación del modelo creado, se utilizaron tres conjuntos de datos de dominio público recolectados a través de experimentos llevados a cabo por expertos en la materia. Los tres conjuntos utilizados contienen señales recolectadas, mientras los participantes del experimento realizaron tareas tales como parpadear voluntariamente, ver un video y leer un artículo. El modelo desarrollado en este proyecto logró aprender ampliamente las características que diferencian una señal EEG normal de una señal contaminada por ruido de parpadeo ocular, sin necesidad de utilizar registros de eventos particulares que ocurren durante la recolección de las señales.
Citas
Agarwal, M., & Sivakumar, R. (2019, September). Blink: A fully automated unsupervised algorithm for eye-blink detection in eeg signals. In 2019 57th Annual Allerton Conference on Communication, Control, and Computing (Allerton), (pp. 1113-1121). IEEE.
Chambayil, B., Singla, R., & Jha, R. (2010, June). EEG eye blink classification using neural network. In Proceedings of the world congress on engineering (Vol. 1, pp. 2-5).
Delorme, A., Sejnowski, T., & Makeig, S. (2007). Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis. Neuroimage, 34(4), 1443-1449.
Ghosh, R., Sinha, N., & Biswas, S. K. (2019). Automated eye blink artefact removal from EEG using support vector machine and autoencoder. IET Signal Processing, 13(2), 141-148.
Giudice, M. L., Varone, G., Ieracitano, C., Mammone, N., Bruna, A. R., Tomaselli, V., & Morabito, F. C. (2020, July). 1D Convolutional Neural Network approach to classify voluntary eye blinks in EEG signals for BCI applications. In 2020 International Joint Conference on Neural Networks (IJCNN) (pp. 1-7). IEEE.
Islam, M. K., Rastegarnia, A., & Yang, Z. (2016). Methods for artifact detection and removal from scalp EEG: A review. Neurophysiologie Clinique/Clinical Neurophysiology, 46(4-5), 287-305.
Johnson, D. H. (2006). Signal-to-noise ratio. Scholarpedia, 1(12), 2088.
Kübler, A. (2020). The history of BCI: From a vision for the future to real support for personhood in people with locked-in syndrome. Neuroethics, 13(2), 163-180.
Liu, C. L., Hsaio, W. H., & Tu, Y. C. (2018). Time series classification with multivariate convolutional neural network. IEEE Transactions on Industrial Electronics, 66(6), 4788-4797.
O’Malley, T., Bursztein, E., Long, J., Chollet, F., Jin, H. & Invernizzi, L. (2019). Keras Tuner. https://github.com/keras-team/keras-tuner
Pelletier, C., Webb, G. I., & Petitjean, F. (2019). Temporal convolutional neural network for the classification of satellite image time series. Remote Sensing, 11(5), 523.
Ramadan, R. A., & Vasilakos, A. V. (2017). Brain computer interface: control signals review. Neurocomputing, 223, 26-44.
Reaz, M. B. I., Hussain, M. S., & Mohd-Yasin, F. (2006). Techniques of EMG signal analysis: detection, processing, classification and applications. Biological procedures online, 8(1), 11-35.
Singla, R., Chambayil, B., Khosla, A., & Santosh, J. (2011). Comparison of SVM and ANN for classification of eye events in EEG. Journal of Biomedical Science and Engineering, 4(1), 62.
Soares, E. V., & Campos, R. J. (2020). Implementação de sistema de condicionamento de sinais eletroencefalográficos portátil. Research, Society and Development, 9(3), e17930737-e17930737.
Stone, J. L., & Hughes, J. R. (2013). Early history of electroencephalography and establishment of the American Clinical Neurophysiology Society. Journal of Clinical Neurophysiology, 30(1), 28-44.
Urigüen, J. A., & Garcia-Zapirain, B. (2015). EEG artifact removal—state-of-the-art and guidelines. Journal of neural engineering, 12(3), 031001.
Vidal, M., Bulling, A., & Gellersen, H. (2011, September). Analysing EOG signal features for the discrimination of eye movements with wearable devices. In Proceedings of the 1st international workshop on pervasive eye tracking & mobile eye-based interaction (pp. 15-20).
Woestenburg, J. C., Verbaten, M. N., & Slangen, J. L. (1983). The removal of the eye-movement artifact from the EEG by regression analysis in the frequency domain. Biological psychology, 16(1-2), 127-147.
Xie, X., Liu, H., Shu, M., Zhu, Q., Huang, A., Kong, X., & Wang, Y. (2021). A multi-stage denoising framework for ambulatory ECG signal based on domain knowledge and motion artifact detection. Future Generation Computer Systems, 116, 103-116.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Amanda Ferrari Iaquinta; Ana Carolina de Sousa Silva; Aldrumont Ferraz Júnior; Jessica Monique de Toledo; Gustavo Voltani von Atzingen
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
