حذف برخط آرتيفکت پلک‌زدن از سيگنال‌های مغزی در سيستم‌های ارتباطی مغز با کامپيوتر با استفاده از تحليل وفقی مولفه‌های مستقل
محورهای موضوعی : مهندسی برق و کامپیوترفرزانه شايق بروجنی 1 , عباس عرفانيان اميدوار 2 *
1 - دانشگاه علم و صنعت ايران
2 - دانشگاه علم و صنعت ايران
چکیده مقاله :
در سال‌های اخير کوشش‌های بسيار زيادی جهت استفاده از سيگنال‌های مغزی به‌عنوان يک کانال ارتباطی مستقيم بين انسان و کامپيوتر انجام گرفته است. اين کانال ارتباطی، سيستم‌های واسط مغز با کامپيوتر مبتنی بر سيگنال مغزی ناميده می‌شود. هدف تحقيقات در سيستم‌های واسط مغز با کامپيوتر ايجاد يک کانال ارتباطی است که مستقيماً فعاليت‌های مغزی را به فرمان‌های کنترلی تبديل کند. اين سيستم‌ها بر اساس تصور ذهنی حرکت و يا يک فعاليت ذهنی خاص استوار هستند. تصور حرکت باعث ايجاد پتانسيل‌هایی در سطح قشر حرکتی مغز می‌شود. می‌توان از اين سيگنال‌ها به‌عنوان يک دستور به کامپيوتر استفاده کرد. اما تشخيص اين سيگنال‌ها به علت پايين‌بودن نسبت سيگنال به نويز و وجود آرتيفکت‌های مختلف يک فرآيند پيچيده است. از مهم‌ترين مشکلات در گسترش سيستم‌های ارتباطی مغز با کامپيوتر، حذف بی‌درنگ آرتيفکت ناشی از پلک‌زدن چشم از سيگنال‌های مغزی است. تاکنون روش‌های مختلفی برای حذف آرتيفکت پلک‌زدن از سيگنال‌های مغزی ارائه شده است. يکی از روش‌های مؤثر و مطرح برای حذف آرتيفکت‌های مختلف از سيگنال‌های الکتروآنسفالوگرام استفاده از تحليل مؤلفه‌های مستقل است. اما اين روش نياز به تشخيص چشمی مؤلفه‌های مستقل مربوط به آرتيفکت‌ها دارد. بازبينی چشمی از مؤلفه‌ها بسيار زمان‌بر بوده و برای حذف برخط آرتيفکت، مناسب نيست. در اين مقاله، راهکار جديدی مبتنی بر تحليل مؤلفه‌های مستقل برای حذف برخط آرتيفکت پلک‌زدن از سيگنال‌های مغزی گسترش داده شده است. برای اين منظور، الگوريتم‌های مختلف وفقی تحليل مؤلفه‌های مستقل پيشنهاد و کارآيی آنها در شرايط مختلف با انواع داده‌های شبيه‌سازی شده مورد ارزيابی قرار گرفته است. نتايج شبيه‌سازی نشان می‌دهد که روش‌های وفقی تحليل مؤلفه‌های مستقل در شرايط خاصی به‌خوبی قادر به جداسازی برخط منابع هستند. به‌منظور حذف برخط آرتيفکت از سيگنال‌های مغزی با استفاده از راهکار پيشنهادی، آزمايشات مختلفی بر روی انسان انجام شده است. نتايج نشان می‌دهد که اين روش‌ها به‌خوبی قادر به حذف کامل آرتيفکت پلک‌زدن چشم به‌صورت برخط از سيگنال‌های مغزی بوده و برای استفاده در مانيتورينگ برخط EEG و سيستم‌های ارتباطی مغز با کامپيوتر مناسب هستند.
For several years, many efforts have been done to use the electro-encephalogram (EEG) as a new communication channel between human brain and computer. This new communication channel is called EEG-based brain-computer interface (BCI). The aim of brain-computer interface (BCI) research is to establish a new communication channel that directly translates brain activities into sequences of control commands for an output device such as a computer application or a neuroprosthesis. The major advantage of EEG-based BCI is that no physical movement is required. The motor imagery is the essential part of the most EEG-based communication systems. One of the major problems in developing a real-time Brain Computer Interface (BCI) is the eye blink artifact suppression. Recently, a more effective method has been introduced for removing a wide variety of artifacts from multi-channel EEG signals based on blind source separation by Independent Component Analysis (ICA). However, the method requires visual inspection of ICA components and manual classification of the interference components. This can be time-consuming and is not desirable for real-time artifact suppression. Moreover, the real-time application of this method for artifact rejection has not been considered so far. In this paper, various ICA methods with adaptive learning algorithm are presented and evaluated by computer simulation. The results from real-data demonstrate that the proposed scheme removes perfectly eye blink artifacts from the contaminated EEG signals and is suitable for use during on-line EEG monitoring and EEG-based brain computer interface.
[1] T. P. Jung, et al., "Removing electroencephalograohic artifacts by blind source separation," Psycophysiology, vol. 37, pp. 163-178, 2000.
[2] J. C. Woestenburg, M. N. Verbaten, and J. L. Slangen, "The remaoval of the eye-movement artifact from the EEG by regression analysis in the frequency domain," Biol. Psych., vol. 16, pp. 127–147, no. 1-2, Feb/Mar. 1993.
[3] P. He, G. Wilson, and C. Russel, "Removal of ocular artifacts from electro-encephalogram by adaptive filtering," Med. & Biol. Eng. & Compu.t, vol. 42, no. 3, pp. 407-412, 2004.
[4] P. K. Sadasivan and D. N. Dutt, "Development of newton-type adaptive algorithm for minimization of EOG artifacts from noisy EEG signals," Signal Processing, vol. 62, no. 2, pp. 173-186, Nov. 1997.
[5] A. Erfanian and B. Mahmoudi, "Real-time ocular artifact suppression using recurrent neural network for electro-encephalogram based brain–computer interface," Med. Biol. Compt., vol. 43, no. 2, pp. 296-305, 2005.
[6] A. Delorme, T.J. Sejnowski, and S. Makeig, "Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis," NeuroImage, vol. 34, no. 4, pp. 1443-49, 15 Feb. 2007.
[7] T.-P. Jung, et al., "Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects," Clin. Neurophysiol., vol. 111, no. 10, pp. 1745-1758, 2000.
[8] A. Hyvärinen and E. Oja, "Independent component analysis: algorithms and applications," Neural Networks, vol. 13, no. 4-5, pp. 411–430, 2000.
[9] S. Cruces, L. Castedo, and A. Cichocki, "Robust blind source separation algorithms using cumulants," Neurocomputing, vol. 49, pp. 87-118, no. 1-4, Dec. 2002.
[10] A. J. Bell and T. J. Sejnowski, "An information maximization approach to blind separation and blind deconvolution," Neural Computation, vol. 7, no. 6, pp. 1004-1034, Nov. 1995.
[11] T. -W. Lee, M. Girolami, and T. J. Sejnowski, "Independent component analysis using an Extended Infomax algorithm for mixed subgaussian and supergaussian sources," Neural Computation, vol. 11, no. 2, pp. 417-441, 15 Feb. 1999.
[12] A. Hyvärinen, J. Karhunen, and E. Oja, Independent Analysis, Wiely, 2001.
[13] J. Karhunen, E. Oja, L. Wang, R. Vigário, and J. Joutsensalo; "A class of neural networks for independent component analysis," IEEE Trans. on Neural Networks, vol. 8, no. 3, pp. 486-504, May 1997.
[14] A. Cichocki, R. Unbehauen, "Robust neural networks with on-line learning for blind identification and blind separation of sources," IEEE Trans. on Circuits and Systems-I: Fundamental Theory and Applications, vol. 43, no. 11, pp. 894-906, Nov. 2000.
[15] J. -F. Cardoso and B. H. Laheld, "Equivariant adaptive source separation," IEEE Trans. on Signal Processing, vol. 44, no. 12, pp. 3017-3030, Dec. 1996.
[16] S. Choi, A. Cichocki, and S. Amari, "Flexible independent component analysis," J. of VLSI Signal Processing, vol. 26, pp. 25-38, 2000.
[17] S. C. Douglas and A. Cichocki, "Neural networks for blind decorrelation of signals," IEEE Trans. on Signal Processing, vol. 45, no. 11, pp. 2829-2842, Nov. 1997
[18] J. Karhunen and J. Joutsensalo, "Representation and separation of signals using nonlinear PCA type learning," Neural Networks, vol. 7, no. 1, pp. 113-127, 1994.
[19] S. C-Alvarez, A. Cichocki, and L. C-Ribas, "An iterative inversion approach to blind source separation," IEEE Trans. on Neural Networks, vol. 11, no. 6, pp. 1423-1437, Nov. 2000.
[20] A. Hyvärinen, J. Karhunen, and E. Oja, Independent Component Analysis, New York, Wiley, 2001.
[21] C. Jutten and J. Herault, "Blind separation of sources, Part I: An adaptive algorithm based on neuromimetic architecture," Signal Processing, vol. 24, no. 1, pp. 1-10, Jul. 1991.