Nuevo Método para Reducir el Ruido del Movimiento Ocular en Señales de EEG

Las señales de electroencefalograma (EEG) son grabaciones de la actividad cerebral que se han vuelto populares para varios usos. Sin embargo, estas señales pueden confundirse con ruido no deseado, conocido como Artefactos. Una de las principales fuentes de ruido son los artefactos del electrooculograma (EOG), que ocurren debido a movimientos o parpadeos de los ojos. Para reducir eficazmente los artefactos de EOG, lo mejor es grabar las señales de EOG al mismo tiempo que las de EEG. Técnicas como el análisis de componentes independientes (ICA) ayudan a separar las señales. Pero a menudo, las grabaciones de EOG no están disponibles, especialmente en conjuntos de datos pregrabados.

#Objetivo

Este artículo presenta un nuevo método que combina una red neuronal de memoria a corto y largo plazo (LSTM) con ICA para eliminar los artefactos de EOG de las señales de EEG, incluso cuando no hay grabaciones de EOG.

#Enfoque

Nuestro método tiene dos objetivos principales: primero, estimar las señales de EOG a partir de los datos de EEG contaminados; segundo, usar ICA para eliminar estas señales estimadas de EOG del EEG, resultando en una señal de EEG más limpia.

#Resultados Principales

Probamos nuestro método usando un conjunto de datos que incluía grabaciones de 27 participantes. Utilizamos métricas como el error cuadrático medio y el error absoluto medio para evaluar qué tan bien funcionó nuestra técnica de eliminación de artefactos. Nuestro método fue comparado con dos técnicas avanzadas recientes, demostrando que el nuestro tuvo un mejor desempeño.

#Importancia

Las interfaces cerebro-computadora (BCIs) son sistemas que convierten la actividad cerebral en datos utilizables para controlar dispositivos. El EEG es una forma popular de medir la actividad cerebral, pero puede captar ruido de otras actividades fisiológicas. Estos efectos no deseados deben ser eliminados para asegurar un análisis preciso de las señales de EEG.

Un tipo común de ruido proviene del EOG, que está relacionado con los movimientos y parpadeos de los ojos. Dado que los ojos están cerca de los electrodos de grabación en el cuero cabelludo, el impacto de los artefactos de EOG es considerable. Los parpadeos y movimientos oculares crean ráfagas cortas de señales que pueden superponerse con las señales de EEG, dificultando la extracción de información útil del EEG.

El desafío de los artefactos de EOG ha existido desde el inicio de la grabación de EEG. Los investigadores han desarrollado varios métodos para abordar este problema, muchos de los cuales dependen de ICA. Sin embargo, estos métodos funcionan mejor cuando se graba una señal de EOG simultáneamente con el EEG. Cuando tales grabaciones no están disponibles, los investigadores intentan estimar las señales de EOG directamente de las señales de EEG contaminadas.

Para categorizar los métodos existentes, podemos dividirlos en tres tipos: un solo canal, grabación de EEG multicanal, y métodos efectivos para ambos. Algunas técnicas funcionan en EEG multicanal pero dependen de un solo canal.

#Revisión de Literatura

#Enfoques de un solo canal

En 1973, Girton propuso una solución de hardware que capturaba señales de EOG directamente usando electrodos adicionales y las eliminaba de las grabaciones de EEG usando un circuito. Este enfoque requería hardware especial, limitando su uso.

En 2004, He introdujo un método de filtrado adaptativo que también necesitaba un electrodo de EOG, lo que lo hacía menos aplicable en casos donde tales grabaciones no están disponibles.

En 2014, Hu combinó diferentes algoritmos para eliminar tanto los artefactos de EOG como los del electromiograma (EMG) de las señales de EEG. Este método aún necesitaba datos de artefactos en una etapa temprana.

También en 2014, Maddirala propuso usar análisis de espectro singular y métodos de cancelación de sonido para manejar la contaminación de EOG. Este método requería solo electrodos de EEG, lo que lo hizo más versátil.

En 2020, Noorbasha introdujo una nueva técnica que usa métodos adaptativos para cancelar artefactos de EOG sin necesidad de electrodos de EOG.

#Enfoques multicanal

En 2000, Jung utilizó ICA para manejar varios artefactos en los datos de EEG pero enfrentó el mismo problema que requería grabaciones de EOG.

Shahabi usó electrodos de referencia de EOG para eliminar artefactos de parpadeo ocular, evaluando su método con un conjunto de datos específico.

En 2012, Nguyen combinó redes neuronales con transformadas wavelet para abordar artefactos sin necesidad de grabaciones de EOG, diferenciándose de otros enfoques.

Zeng propuso una estrategia de método mixto donde combinaron varias técnicas para extraer diferentes componentes, incluido el ruido de las señales de EEG.

En 2015, Yang desarrolló un método multivariable que aún dependía de grabaciones de EOG durante la captura de EEG.

#Enfoques tanto de un solo canal como multicanal

En 2016, Yang propuso una técnica que utilizaba autoencoders y métodos de filtrado para lidiar con artefactos de EOG sin necesidad de una referencia de EOG separada.

En 2018, Yang amplió aún más este trabajo utilizando una red de aprendizaje profundo para eliminar los artefactos de EOG de las señales de EEG, involucrando tanto el entrenamiento como la implementación en línea.

Dadas las fortalezas y debilidades de los métodos existentes, nuestro estudio busca presentar una solución que elimine eficazmente los artefactos de EOG sin necesidad de grabaciones de EOG durante el proceso. Nuestro método también puede estimar tanto las señales de EOG horizontales como verticales a partir de los datos de EEG.

#Método

#LSTM

Las redes LSTM son un tipo específico de red neuronal que puede aprender patrones a lo largo del tiempo. Abordan el desafío de recordar información durante largos períodos. Esto las hace adecuadas para procesar los datos temporales que se encuentran en las señales de EEG.

Usamos una red profunda LSTM con varias capas para analizar las grabaciones de EEG, permitiendo que el sistema aprenda las características de las señales de EOG sin necesitar referencias de EOG.

#ICA

ICA es un método que ayuda a extraer señales al centrarse en sus características únicas. Asume que las señales observadas son combinaciones de fuentes independientes. Cuando se aplica a señales de EEG, ICA puede separar efectivamente las contribuciones de diferentes actividades neurales, ayudando a obtener una visión más clara de la actividad del cerebro.

Nuestro método utiliza ICA para identificar y eliminar los artefactos de EOG de las grabaciones de EEG después de haber estimado las señales de EOG a través de la red LSTM.

#Combinando LSTM y ICA

Nuestro enfoque tiene dos fases: una fase fuera de línea para entrenar la red LSTM y una fase en línea para aplicar ICA para la eliminación de artefactos. La fase de entrenamiento utiliza señales de EEG contaminadas para ayudar a la red a aprender. La fase en línea utiliza el modelo entrenado para estimar las señales de EOG, que luego se procesan con ICA para limpiar los datos de EEG.

#Métricas de Evaluación

Para evaluar cómo funcionó nuestro método, utilizamos tres métricas clave: Error Cuadrático Medio, Error Medio, y Error Absoluto Medio. Estas métricas ayudan a medir qué tan cercanas están las señales de EEG limpias a las señales originales.

Empleamos un conjunto de datos semi-simulado compuesto por grabaciones de EEG de participantes durante un estado de ojos cerrados sin movimiento ocular. Se añadieron grabaciones de EOG a estos conjuntos de datos para crear señales contaminadas para las pruebas.

#Resultados

Todo el procedimiento se divide en tres etapas clave: entrenar la red LSTM, estimar las señales de EOG a partir de los datos de prueba, y usar ICA para eliminar artefactos de las grabaciones de EEG.

Nuestra arquitectura de red permite configuraciones tanto de un solo canal como de multicanal. Los hallazgos mostraron una mejora significativa en la limpieza de los artefactos de EOG de las señales de EEG.

Los resultados mostraron una baja tasa de error en las señales de EEG reconstruidas, indicando que nuestro método funcionó eficazmente en la limpieza de los datos.

Al comparar nuestro método con otros enfoques de aprendizaje profundo, encontramos que consistentemente superó a los demás en métricas clave, demostrando su efectividad.

#Discusión

En este artículo, presentamos un nuevo método para estimar señales de EOG y eliminar artefactos de EOG de las grabaciones de EEG utilizando LSTM y ICA. Los resultados mostraron que nuestro enfoque es eficiente, detectando exitosamente artefactos de EOG en las grabaciones de EEG y eliminándolos de manera efectiva.

Notamos que aunque nuestro método funciona bien, existen algunas limitaciones. Por ejemplo, la configuración de la red LSTM se basó en prueba y error, lo que sugiere que podríamos beneficiarnos de enfoques más estructurados para optimizarlo.

Además, la disponibilidad de conjuntos de datos de alta calidad para pruebas es importante. Futuros estudios pueden enfocarse en aplicar nuestro método en escenarios del mundo real, posiblemente explorando técnicas alternativas para la eliminación de artefactos para potenciar aún más nuestro enfoque.

#Conclusión

Este artículo introdujo un método que combina LSTM y ICA para la efectiva eliminación de artefactos de EOG de las grabaciones de EEG. Nuestro enfoque fue validado utilizando conjuntos de datos que incluían grabaciones de EEG contaminadas y limpias, demostrando un rendimiento impresionante en casos de un solo canal y multicanal. Los resultados destacan el potencial de combinar LSTM y ICA para futuros estudios de EEG, sugiriendo una vía viable para mejorar la precisión del procesamiento de señales en campos relacionados.