Nova Método pra Reduzir o Ruído do Movimento Ocular em Sinais de EEG

Os sinais de eletroencefalograma (EEG) são registros da atividade cerebral que estão bombando para várias utilizações. Mas esses sinais podem ficar misturados com ruídos indesejados, conhecidos como Artefatos. Uma fonte principal de ruído são os artefatos do eletrooculograma (EOG), que aparecem devido a movimentos oculares e piscadas. Para reduzir efetivamente os artefatos do EOG, é melhor gravar os sinais de EOG ao mesmo tempo que o EEG. Técnicas como análise de componentes independentes (ICA) ajudam a separar os sinais. Mas muitas vezes, as gravações de EOG não estão disponíveis, especialmente em conjuntos de dados pré-gravados.

#Objetivo

Esse artigo apresenta um novo método que combina uma rede neural de memória de longo prazo (LSTM) com ICA para remover artefatos de EOG dos sinais de EEG, mesmo quando as gravações de EOG estão ausentes.

#Abordagem

Nosso método tem dois objetivos principais: primeiro, estimar os sinais de EOG a partir dos dados de EEG contaminados; segundo, usar ICA para remover esses sinais de EOG estimados do EEG, resultando em um sinal de EEG mais limpo.

#Resultados Principais

Testamos nosso método usando um conjunto de dados que incluía gravações de 27 participantes. Usamos métricas como erro médio quadrático e erro médio absoluto para avaliar quão bem nossa técnica de remoção de artefatos funcionou. Nosso método foi comparado com duas técnicas avançadas recentes, mostrando que o nosso se saiu melhor.

#Significado

Interfaces cérebro-computador (BCIs) são sistemas que convertem a atividade cerebral em dados utilizáveis para controlar dispositivos. O EEG é uma maneira popular de medir a atividade cerebral, mas pode captar ruídos de outras atividades fisiológicas. Esses efeitos indesejados devem ser removidos para garantir uma análise precisa dos sinais de EEG.

Um tipo comum de ruído vem do EOG, que está relacionado a movimentos oculares e piscadas. Como os olhos estão próximos dos eletrodos de gravação no couro cabeludo, o impacto dos artefatos de EOG é considerável. Piscar e movimentar os olhos criam explosões curtas de sinais que podem se sobrepor aos sinais de EEG, dificultando a extração de informações úteis do EEG.

O desafio dos artefatos de EOG existe desde o início da gravação de EEG. Pesquisadores desenvolveram vários métodos para lidar com essa questão, muitos dos quais dependem da ICA. No entanto, esses métodos funcionam melhor quando um sinal de EOG é gravado simultaneamente com o EEG. Quando tais gravações não estão disponíveis, os pesquisadores tentam estimar os sinais de EOG diretamente dos sinais de EEG contaminados.

Para categorizar os métodos existentes, podemos dividi-los em três tipos: Canal Único, gravação de EEG Multicanal e métodos eficazes para ambos. Algumas técnicas funcionam em EEG multicanal, mas dependem de um único canal.

#Revisão da Literatura

#Abordagens de Canal Único

Em 1973, Girton propôs uma solução de hardware que capturava sinais de EOG diretamente usando eletrodos adicionais e os removia das gravações de EEG usando um circuito. Essa abordagem exigia hardware especial, limitando seu uso.

Em 2004, He introduziu um método de filtragem adaptativa que também precisava de um eletrodo de EOG, o que a tornava menos aplicável em casos onde tais gravações não estão disponíveis.

Em 2014, Hu combinou diferentes algoritmos para remover tanto artefatos de EOG quanto de eletromiograma (EMG) dos sinais de EEG. Esse método ainda precisava de dados brutos de artefatos em estágio inicial.

Ainda em 2014, Maddirala propôs usar análise de espectro singular e métodos de cancelamento de som para lidar com a contaminação de EOG. Esse método requeria apenas eletrodos de EEG, tornando-o mais versátil.

Em 2020, Noorbasha introduziu uma nova técnica que usa métodos adaptativos para cancelar artefatos de EOG sem precisar de eletrodos de EOG.

#Abordagens Multicanal

Em 2000, Jung usou ICA para lidar com vários artefatos nos dados de EEG, mas enfrentou o mesmo problema de precisar de gravações de EOG.

Shahabi usou eletrodos de referência de EOG para remover artefatos de piscadas, avaliando seu método com um conjunto de dados específico.

Em 2012, Nguyen combinou redes neurais com transformações wavelet para lidar com artefatos sem precisar de gravações de EOG, se destacando de outras abordagens.

Zeng propôs uma estratégia de método misto onde combinam várias técnicas para extrair diferentes componentes, incluindo ruído dos sinais de EEG.

Em 2015, Yang desenvolveu um método multivariado que ainda dependia de gravações de EOG durante a captura de EEG.

#Abordagens para Ambas Canal Único e Multicanal

Em 2016, Yang apresentou uma técnica que utilizava autoencoders e métodos de filtragem para lidar com artefatos de EOG sem precisar de uma referência de EOG separada.

Em 2018, Yang expandiu ainda mais esse trabalho usando uma rede de aprendizagem profunda para eliminar artefatos de EOG dos sinais de EEG, envolvendo tanto treinamento quanto implementação online.

Dadas as forças e fraquezas dos métodos existentes, nosso estudo visa apresentar uma solução que remove efetivamente os artefatos de EOG sem precisar de gravações de EOG durante o processo. Nosso método também pode estimar sinais de EOG horizontais e verticais a partir dos dados de EEG.

#Método

#LSTM

As redes LSTM são um tipo específico de rede neural que pode aprender padrões ao longo do tempo. Elas enfrentam o desafio de recordar informações por longos períodos. Isso as torna adequadas para processar dados baseados em tempo encontrados nos sinais de EEG.

Usamos uma rede LSTM profunda com várias camadas para analisar gravações de EEG, permitindo que o sistema aprenda recursos dos sinais de EOG sem precisar de referências de EOG.

#ICA

A ICA é um método que ajuda a extrair sinais ao focar em suas características únicas. Ela assume que os sinais que estão sendo observados são combinações de fontes independentes. Quando aplicada a sinais de EEG, a ICA pode efetivamente separar as contribuições de diferentes atividades neurais, ajudando a obter uma visão mais clara da atividade cerebral.

Nosso método utiliza a ICA para identificar e remover os artefatos de EOG das gravações de EEG após estimar os sinais de EOG através da rede LSTM.

#Combinando LSTM e ICA

Nossa abordagem tem duas fases: uma fase offline para treinar a rede LSTM e uma fase online para aplicar a ICA na remoção de artefatos. A fase de treinamento usa sinais de EEG contaminados para ajudar a rede a aprender. A fase online usa o modelo treinado para estimar os sinais de EOG, que são então processados com ICA para limpar os dados de EEG.

#Métricas de Avaliação

Para avaliar como nosso método se saiu, usamos três métricas principais: Erro Médio Quadrático, Erro Médio e Erro Absoluto Médio. Essas métricas ajudam a medir quão próximos os sinais de EEG limpos estão dos sinais originais.

Usamos um conjunto de dados semi-simulado composto por gravações de EEG de participantes durante um estado de olhos fechados sem movimento ocular. Gravações de EOG foram adicionadas a esses conjuntos de dados para criar sinais contaminados para teste.

#Resultados

Todo o procedimento é dividido em três etapas principais: treinar a rede LSTM, estimar sinais de EOG a partir dos dados de teste e usar a ICA para remover artefatos das gravações de EEG.

Nossa arquitetura de rede permite configurações tanto de canal único quanto multicanal. Os resultados mostraram uma melhora significativa na limpeza dos artefatos de EOG dos sinais de EEG.

Os resultados mostraram uma baixa taxa de erro nos sinais de EEG reconstruídos, indicando que nosso método se saiu bem na limpeza dos dados.

Ao comparar nosso método com outras abordagens de aprendizagem profunda, descobrimos que ele superou consistentemente as outras em métricas-chave, demonstrando sua eficácia.

#Discussão

Neste artigo, apresentamos um novo método para estimar sinais de EOG e remover artefatos de EOG das gravações de EEG usando LSTM e ICA. Os resultados mostraram que nossa abordagem é eficiente, conseguindo detectar artefatos de EOG nas gravações de EEG e removê-los efetivamente.

Observamos que, embora nosso método funcione bem, existem algumas limitações. Por exemplo, a configuração da rede LSTM foi baseada em tentativa e erro, sugerindo que poderíamos nos beneficiar de abordagens mais estruturadas para otimizá-la.

Além disso, a disponibilidade de conjuntos de dados de alta qualidade para teste é importante. Estudos futuros podem se concentrar em aplicar nosso método em cenários do mundo real, possivelmente explorando técnicas alternativas para remoção de artefatos para aprimorar ainda mais nossa abordagem.

#Conclusão

Esse artigo introduziu um método que combina LSTM e ICA para a remoção efetiva de artefatos de EOG das gravações de EEG. Nossa abordagem foi validada usando conjuntos de dados que incluíam gravações de EEG contaminadas e limpas, demonstrando um desempenho impressionante em casos de canal único e multicanal. Os resultados destacam o potencial de combinar LSTM e ICA para estudos futuros de EEG, sugerindo uma via viável para melhorar a precisão do processamento de sinais em áreas relacionadas.