Aplicação da Técnica de Rede Neural Convolucional na detecção de artefatos de piscadas em sinais de EEG
DOI:
https://doi.org/10.33448/rsd-v10i15.22712Palavras-chave:
Remoção de artefato; Processamento de sinais; Piscada; BCI.Resumo
Os potenciais elétricos emitidos pelas piscadas dos olhos produzem ruídos muito fortes em sinais de eletroencefalografia (EEG). A numerosa presença desse artefato é causada pela grande proximidade entre os olhos e os sensores usados para captação dos sinais. Muitas estratégias para detectar tais artefatos são propostas na literatura, visando sua remoção para purificação do sinal de EEG. Os métodos comumente aplicados requerem a utilização de um grande número de eletrodos e equipamentos complexos para tratamento e processamento dos sinais. O objetivo desse projeto é utilizar um modelo de rede neural convolucional (CNN) para criar um algoritmo independente e confiável, capaz de detectar artefatos provenientes de piscadas para que possam ser removidos. Para o processo de treino e validação do modelo criado, foram usados três conjuntos de dados de domínio público disponibilizados por experimentos realizados por estudiosos da área. Os três conjuntos usados contêm amostras coletadas, enquanto os participantes do experimento realizavam diferentes tarefas, tais como piscar voluntariamente, assistir a um vídeo e ler um artigo. O modelo desenvolvido nesse projeto foi capaz de ter um amplo aprendizado sobre as características que diferenciam um sinal normal de EEG de um sinal contaminado por ruídos de piscadas sem ficar preso a características particulares ocorridas somente durante a realização de cada tarefa.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Amanda Ferrari Iaquinta; Ana Carolina de Sousa Silva; Aldrumont Ferraz Júnior; Jessica Monique de Toledo; Gustavo Voltani von Atzingen
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
