Usuwanie artefaktów z sygnałów sterujących interfejsem mózg-komputer

• Autorzy: Jukiewicz M. , Buchwald M. , Cysewska-Sobusiak A.

Identyfikatory

DOI

10.21008/j.1897-0737.2017.89.0018

Warianty tytułu

EN

Artifact Removal from Brain–Computer Interface Signals

• Konferencja: Computer Applications in Electrical Engineering (10-11.04.2017 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Elektroencefalografia jest metodą pozwalającą na pomiar elektrycznej aktywności mózgu. Metoda ta jest wykorzystywana do diagnostyki pracy mózgu oraz w tzw. interfejsach mózg-komputer, czyli urządzeniach pozwalających na bezpośrednią komunikację pomiędzy mózgiem a jednostką obliczeniową. Interfejsy takie tworzone są głównie z myślą o osobach częściowo sparaliżowanych lub dotkniętych syndromem zamknięcia. Jednym ze zjawisk zachodzącym w mózgu, wykorzystywanym w interfejsach mózg-komputer, są Wzrokowe Potencjały Wywołane Stanu Ustalonego SSVEP (Steady State Visually Evoked Potentials). Jeśli osoba badana obserwuje bodziec, migający z określoną częstotliwością, to sygnał o tej samej częstotliwości (dominującej) zostanie zmierzony nad korą wzrokową. W takich urządzeniach bardzo istotne jest przetwarzanie zmierzonego sygnału w taki sposób, aby zapewnić jak największą skuteczność rozpoznania na co w danej chwili patrzy osoba badana. Jednym ze sposobów na osiągnięcie tego celu może być wykorzystanie Ślepej Separacji Sygnałów BSS (Blind Source Separation), której celem jest znalezienie i usunięcie z mierzonych sygnałów niepożądanych składowych, np. związanych z mrugnięciami oczu czy napinaniem mięśni twarzy. W prezentowanym artykule zostały umówione sposoby wykorzystania Ślepej Separacji Sygnałów w badaniach elektroencefalograficznych nad Wzrokowymi Potencjałami Wywołanymi Stanu Ustalonego. Przedstawiono także wyniki skuteczności rozpoznania intencji badanego w zależności od liczby usuniętych składowych, rodzaju algorytmu Ślepej Separacji Sygnału i sposobu klasyfikacji sygnału.

EN

Electroencephalography allows recording the electrical activity of the brain. This method is used for diagnosis purposes as well as in brain–computer interfaces. Focusing on the brain–computer interface, it can be used to let the direct communication between the brain and a computing unit. This device is particularly useful for paralyzed patients or people suffering from a lock–in syndrome. Of the phenomena used in such systems, steady state visually evoked potentials (SSVEP) are probably the most common ones. If a subject is asked to focus on the flashing stimulus, a signal of the same frequency may be measured from the subject’s visual cortex. Proper preprocessing steps has to be taken in order to obtain maximally accurate stimuli recognition (as the specific frequency). One way to achieve this might be by applying the Blind Source Separation algorithms (BSS). BSS are designed to find and remove artifacts from the measured signal, e.g. noises associated with eye blinks or facial muscles contraction. In the present article an utilization of the BSS algorithms in the SSVEP–based EEG study was described. Additionally we report the accuracy of the stimuli categorization as depending on the number of removed components, kind of the blind source separation procedure and the type of the classification algorithm.

Słowa kluczowe

PL

interfejs mózg-komputer; potencjały wywołane; SSVEP; BSS; FastICA; AMUSE; Infomax; MATLAB; Python

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Poznan University of Technology Academic Journals. Electrical Engineering
• Rocznik: 2017
• Tom: No. 89
• Strony: 195--204
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Jukiewicz M.

• Uniwersytet im. Adama Mickiewicza w Poznaniu

autor

Buchwald M.

• Uniwersytet im. Adama Mickiewicza w Poznaniu

autor

Cysewska-Sobusiak A.

• Politechnika Poznańska

Bibliografia

• [1] Amari S., Cichocki A., Hua Yang H., A new learning algorithm for blind signal separation. Advances in Neural Information Processing Systems, 1996, s. 757–763.
• [2] Bakardjian H., Tanaka T., Cichocki A., Optimization of SSVEP brain responses with application to eight–command brain–computer interface. Neuroscience Letters, vol. 469, no. 1, 2010, s. 34–38.
• [3] Bell A.J., Sejnowski T.J., An information–maximization approach to blind separation and blind deconvolution. Neural Computation, 7(6), 1995, s. 1129–1159.
• [4] Cichocki A., Amari S., Adaptive blind signal and image processing: learning algorithms and applications. Vol. 1. John Wiley & Sons, 2002.
• [5] Graimann B., Allison B., Pfurtscheller G., Brain–computer interfaces: A gentle introduction. In Brain–Computer Interfaces. Springer Berlin Heidelberg, 2010.
• [6] Gramfort A., Luessi M., Larson E., Engemann D.A., Strohmeier D., Brodbeck C., Hämäläinen M., MEG and EEG data analysis with MNE–Python. Frontiers in Neuroscience, 7, 267, 2013.
• [7] Hyvarinen A., Fast and robust fixed–point algorithms for independent component analysis. IEEE Transactions on Neural Networks, 10(3), 1999, s. 626–634.
• [8] Lee T.W., Girolami M., Sejnowski T.J., Independent component analysis using an extended infomax algorithm for mixed subgaussian and supergaussian sources. Neural Computation, 11(2), 1999, s. 417–441.
• [9] Martinez P., Bakardjian H., Cichocki A., Multi–command real–time brain machine interface using SSVEP: feasibility study for occipital and forehead sensor locations. In Advances in Cognitive Neurodynamics ICCN 2007 (s. 783–786). Springer Netherlands, 2008.
• [10] Vialatte F.B., Maurice M., Dauwels J., Cichocki A., Steady–state visually evoked potentials: focus on essential paradigms and future perspectives. Progress in Neurobiology, 90(4), 2010.
• [11] Wang Y., Gao X., Hong B., Jia C., Gao S., Brain–computer interfaces based on visual evoked potentials. IEEE Engineering in Medicine and Biology Magazine, 27(5), 2008, s. 64–71.
• [12] Wang Y., Wang R., Gao X., Hong B., Gao S., A practical vep–based brain–computer interface. IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 14, no. 2, 2006, s. 234–240.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).