Nouvelle méthode pour réduire le bruit de mouvement des yeux dans les signaux EEG

Les signaux d'électroencéphalogramme (EEG) sont des enregistrements de l'activité cérébrale qui sont devenus populaires pour diverses utilisations. Cependant, ces signaux peuvent se mélanger avec du bruit indésirable, connu sous le nom d'Artéfacts. Une source majeure de bruit est les artéfacts de l'électrooculogramme (EOG), qui se produisent à cause des mouvements des yeux et des clignements. Pour réduire efficacement les artéfacts EOG, il est préférable d'enregistrer les signaux EOG en même temps que l'EEG. Des techniques comme l'analyse en composantes indépendantes (ICA) aident à séparer les signaux. Mais souvent, les enregistrements EOG ne sont pas disponibles, surtout dans les ensembles de données pré-enregistrés.

#Objectif

Cet article présente une nouvelle méthode qui combine un réseau de neurones à mémoire à long terme (LSTM) avec l'ICA pour éliminer les artéfacts EOG des signaux EEG, même en l'absence d'enregistrements EOG.

#Approche

Notre méthode a deux objectifs principaux : d'abord, estimer les signaux EOG à partir des données EEG contaminées ; ensuite, utiliser l'ICA pour retirer ces signaux EOG estimés de l'EEG, ce qui donne un signal EEG plus propre.

#Résultats Principaux

Nous avons testé notre méthode en utilisant un ensemble de données comprenant des enregistrements de 27 participants. Nous avons utilisé des métriques comme l'erreur quadratique moyenne et l'erreur absolue moyenne pour évaluer l'efficacité de notre technique de suppression des artéfacts. Notre méthode a été comparée à deux techniques avancées récentes, montrant que la nôtre performait mieux.

#Importance

Les interfaces cerveau-ordinateur (BCIs) sont des systèmes qui convertissent l'activité cérébrale en données exploitables pour contrôler des appareils. L'EEG est un moyen populaire de mesurer l'activité cérébrale, mais il peut capter des bruits d'autres activités physiologiques. Ces effets indésirables doivent être éliminés pour garantir une analyse précise des signaux EEG.

Un type commun de bruit provient de l'EOG, qui est lié aux mouvements des yeux et aux clignements. Étant donné que les yeux sont proches des électrodes d'enregistrement sur le cuir chevelu, l'impact des artéfacts EOG est considérable. Les clignements et mouvements des yeux créent des bourgeons courts de signaux qui peuvent se chevaucher avec les signaux EEG, rendant difficile l'extraction d'informations utiles des EEG.

Le défi des artéfacts EOG existe depuis le début des enregistrements EEG. Les chercheurs ont développé diverses méthodes pour traiter ce problème, beaucoup s'appuyant sur l'ICA. Cependant, ces méthodes fonctionnent mieux lorsque le signal EOG est enregistré simultanément avec l'EEG. Quand ces enregistrements ne sont pas disponibles, les chercheurs tentent d'estimer les signaux EOG directement à partir des signaux EEG contaminés.

Pour catégoriser les méthodes existantes, nous pouvons les diviser en trois types : enregistrement EEG à canal unique, à plusieurs canaux et méthodes efficaces pour les deux. Certaines techniques fonctionnent sur l'EEG multi-canaux mais dépendent d'un canal unique.

#Revue de la Littérature

#Approches à Canal Unique

En 1973, Girton a proposé une solution matérielle qui capturait les signaux EOG directement en utilisant des électrodes supplémentaires et les supprimait des enregistrements EEG grâce à un circuit. Cette approche nécessitait un matériel spécifique, limitant son utilisation.

En 2004, He a introduit une méthode de filtrage adaptatif qui nécessitait également une électrode EOG, ce qui la rendait moins applicable dans les cas où de tels enregistrements ne sont pas disponibles.

En 2014, Hu a combiné différents algorithmes pour supprimer à la fois les artéfacts EOG et électromyogramme (EMG) des signaux EEG. Cette méthode avait encore besoin de données brutes d'artéfacts à un stade précoce.

Toujours en 2014, Maddirala a proposé d'utiliser l'analyse de spectre singulier et des méthodes d'annulation sonore pour gérer la contamination EOG. Cette méthode nécessitait seulement des électrodes EEG, ce qui la rendait plus polyvalente.

En 2020, Noorbasha a introduit une nouvelle technique utilisant des méthodes adaptatives pour annuler les artéfacts EOG sans avoir besoin d'électrodes EOG.

#Approches Multi-Canaux

En 2000, Jung a utilisé l'ICA pour traiter divers artéfacts dans les données EEG mais a rencontré le même problème nécessitant des enregistrements EOG.

Shahabi a utilisé des électrodes de référence EOG pour supprimer les artéfacts de clignement des yeux, en évaluant leur méthode avec un ensemble de données spécifique.

En 2012, Nguyen a combiné des réseaux de neurones avec des transformations en ondelettes pour s'attaquer aux artéfacts sans nécessiter d'enregistrements EOG, ce qui le distinguait des autres approches.

Zeng a proposé une stratégie mixte où ils combinaient diverses techniques pour extraire différents composants, y compris le bruit des signaux EEG.

En 2015, Yang a développé une méthode multivariée qui reposait encore sur des enregistrements EOG lors de la capture EEG.

#Approches à la fois Unique et Multi-Canaux

En 2016, Yang a proposé une technique utilisant des autoencodeurs et des méthodes de filtrage pour traiter les artéfacts EOG sans nécessiter de référence EOG séparée.

En 2018, Yang a encore élargi ce travail en utilisant un réseau d'apprentissage profond pour éliminer les artéfacts EOG des signaux EEG, impliquant à la fois l'entraînement et la mise en œuvre en ligne.

Étant donné les forces et les faiblesses des méthodes existantes, notre étude vise à présenter une solution qui élimine efficacement les artéfacts EOG sans nécessiter d'enregistrements EOG pendant le processus. Notre méthode peut aussi estimer les signaux EOG horizontaux et verticaux à partir des données EEG.

#Méthode

#LSTM

Les réseaux LSTM sont un type spécifique de réseau de neurones capable d'apprendre des motifs dans le temps. Ils abordent le défi de mémoriser des informations pendant de longues périodes. Cela les rend adaptés pour traiter les données temporelles trouvées dans les signaux EEG.

Nous utilisons un réseau LSTM profond avec plusieurs couches pour analyser les enregistrements EEG, permettant au système d'apprendre les caractéristiques des signaux EOG sans avoir besoin de références EOG.

#ICA

L'ICA est une méthode qui aide à extraire des signaux en se concentrant sur leurs caractéristiques uniques. Elle suppose que les signaux observés sont des combinaisons de sources indépendantes. Lorsqu'elle est appliquée aux signaux EEG, l'ICA peut efficacement séparer les contributions de différentes activités neuronales, aidant à obtenir une vue plus claire de l'activité cérébrale.

Notre méthode utilise l'ICA pour identifier et enlever les artéfacts EOG des enregistrements EEG après avoir estimé les signaux EOG via le réseau LSTM.

#Combinaison de LSTM et ICA

Notre approche se divise en deux phases : une phase hors ligne pour entraîner le réseau LSTM et une phase en ligne pour appliquer l'ICA pour l'élimination des artéfacts. La phase d'entraînement utilise des signaux EEG contaminés pour aider le réseau à apprendre. La phase en ligne utilise le modèle entraîné pour estimer les signaux EOG, qui sont ensuite traités avec l'ICA pour nettoyer les données EEG.

#Métriques d'Évaluation

Pour évaluer la performance de notre méthode, nous avons utilisé trois métriques clés : l'erreur quadratique moyenne, l'erreur moyenne et l'erreur absolue moyenne. Ces métriques aident à mesurer à quel point les signaux EEG nettoyés sont proches des signaux originaux.

Nous avons utilisé un ensemble de données semi-simulé composé d'enregistrements EEG de participants dans un état de yeux fermés sans mouvement des yeux. Des enregistrements EOG ont été ajoutés à ces ensembles de données pour créer des signaux contaminés pour les tests.

#Résultats

L'ensemble de la procédure se divise en trois étapes clés : entraîner le réseau LSTM, estimer les signaux EOG à partir des données de test, et utiliser l'ICA pour supprimer les artéfacts des enregistrements EEG.

Notre architecture de réseau permet des configurations à canal unique et multi-canaux. Les résultats ont montré une amélioration significative dans le nettoyage des artéfacts EOG des signaux EEG.

Les résultats ont montré un faible taux d'erreur dans les signaux EEG reconstruits, indiquant que notre méthode a été efficace pour nettoyer les données.

En comparant notre méthode à d'autres approches d'apprentissage profond, nous avons trouvé qu'elle performait systématiquement mieux dans les métriques clés, prouvant son efficacité.

#Discussion

Dans cet article, nous avons présenté une nouvelle méthode pour estimer les signaux EOG et supprimer les artéfacts EOG des enregistrements EEG en utilisant LSTM et ICA. Les résultats ont montré que notre approche est efficace, détectant avec succès les artéfacts EOG dans les enregistrements EEG et les supprimant de manière efficace.

Nous avons noté que bien que notre méthode fonctionne bien, certaines limitations existent. Par exemple, la configuration du réseau LSTM était basée sur des essais et des erreurs, suggérant que nous pourrions bénéficier d'approches plus structurées pour l'optimiser.

De plus, la disponibilité d'ensembles de données de haute qualité pour les tests est importante. De futures études pourraient se concentrer sur l'application de notre méthode dans des scénarios réels, explorant éventuellement des techniques alternatives pour l'élimination des artéfacts afin d'améliorer encore notre approche.

#Conclusion

Cet article a introduit une méthode combinant LSTM et ICA pour l'élimination efficace des artéfacts EOG des enregistrements EEG. Notre approche a été validée en utilisant des ensembles de données comprenant à la fois des enregistrements EEG contaminés et propres, démontrant des performances impressionnantes tant dans les cas à canal unique qu'à plusieurs canaux. Les résultats soulignent le potentiel de la combinaison de LSTM et ICA pour les études EEG futures, suggérant une voie viable pour améliorer la précision du traitement des signaux dans des domaines connexes.