Removing physiological artifacts from the EEG data by algorithms based on differential entropy

• Autorzy: Górecka J.

Warianty tytułu

PL

Eliminacja artefaktów fizjologicznych z zapisu EEG przez algorytmy stosujące entropię różniczkową

• Języki publikacji: EN

Abstrakty

EN

A new form of the nonlinearity implemented in the ICA approach is presented in the paper. The proposed independent component analysis based on differential entropy can be used for elimination of physiological artifacts from electroencephalographic signals. For verification of the quality of separation of the EEG data, the PI index is proposed. The second measure of accuracy is the normalized kurtosis which can be used in analysis of the simulated EEG data. As it has been proved, the new sigmoid function used in the ICA approach can effectively separate the EEG data.

PL

W artykule przedstawiono nową propozycję nieliniowości - sigmoidalną funkcję algebraiczną, która została zaimplementowana w algorytmie stosującym metodę analizy składowych niezależnych (ang. Independent Component Analysis). Proponowana nowa postać algorytmu wykorzystująca właściwości entropii różniczkowej, może zostać użyta także do separacji a następnie eliminacji wybranych artefaktów fizjologicznych pochodzenia ocznego i mięśniowego zarejestrowanych w zapisach EEG. W celu weryfikacji dokładności separacji sygnałów EEG zaproponowano współczynnik jakości separacji PI (ang. Performance Index). Jako drugą miarę dokładności procesu separacji wybrano wartość znormalizowanej kurtozy, która może być stosowana jedynie w przypadku separacji elektroencefalogramów zarejestrowanych z symulatora EEG. W artykule udowodniono, że użycie nowej funkcji sigmoidalnej w rozszerzonej postaci algorytmu infomax prowadzi do efektywnej separacji sygnałów EEG umożliwiając eliminację wybranych składowych niepożądanych.

Słowa kluczowe

EN

differential entropy; independent component analysis; EEG data

PL

entropia różniczkowa; analiza składowych niezależnych; zapis EEG

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2012
• Tom: R. 58, nr 11
• Strony: 975--977
• Opis fizyczny: Bibliogr. 14 poz., rys., tab., wzory

Twórcy

autor

Górecka J.

• West Pomeranian University of Technology, Faculty of Electrical Engineering, Sikorskiego 37, 70-313 Szczecin,

Bibliografia

• [1] Fisch B. J.: Fisch and Spehlmann’s EEG primer - Basic principles of digital and analog eeg. Elsevier, third edition, 1999.
• [2] Sanei S., Chambers J.: EEG Signal Processing. John Wiley & Sons, Ltd, England, 2007.
• [3] Wallstrom G., Kass R., Miller A., Cohn J., Fox N.: Correction of ocular artifacts in the EEG using Bayesian adaptive regression splines. Bayesian Statistics, Springer-Verlag, vol. 6, 2002.
• [4] Lubar J. F. (Ed): Quantitative Electroencephalographic Analysis (QEEG) Databases for Neurotherapy: Description, Validation and Application. The Haworth Press, Inc., USA, 2007.
• [5] Senthil Kumar P., Arumuganathan R., Sivakumar K., Vimal C.:A Wavelet based Statistical Method for De-Noising of Ocular Artifacts in EEG Signals. International Journal of Computer Science and Network Security, vol. 8, no. 9, 2008.
• [6] Cichocki A., Amari S.: Adaptive Blind Signal and Image Processing: Learning Algorithms and Applications. John Wiley & Sons, Ltd, England, 2002.
• [7] Delorme A., Sejnowski T., Makeig S.: Enhanced detection of artifacts in EEG data using higher - order statistics and independent component analysis. NeuroImage, Elsevier, vol. 34, 2007.
• [8] Hyvärinen A., Karhunen J., Oja E.: Independent Component Analysis. John Wiley & Sons, Inc., Canada, 2001.
• [9] Jung T. P., Humphries C., Lee T. W., Makeig S., McKeown M. J., Iragui V., Sejnowski T. J.: Extended ICA Removes Artifacts from Electroencephalographic Recordings. Jordan M., Kearns M. and Solla S. (Eds.:) Advances in Neural Information Processing Systems, MIT Press, Cambridge MA, no. 10, 1998.
• [10] Lee T. W., Girolami M., Bell A. J., Sejnowski T. J.: A unifying information-theoretic framework for Independent Component Analysis. International Journal on Mathematical and Computer Modelling, vol. 39, 2000.
• [11] Bell A. J., Sejnowski T. J.: An information-maximisation approach to blind separation and blind deconvolution. Technical Report no. INC-9501, Institute for Neural Computation, San Diego, 1995.
• [12] Makeig S. et al.: EEGLAB: ICA Toolbox for Psychophysiological Research. WWW Site, Swartz Center for Computational Neuro-science, Institute of Neural Computation, University of San Diego, California, http://sccn.ucsd.edu/eeglab/
• [13] Menon A., Mehrotra K., Mohan Ch. K., Ranka S.: Characterization of a class of sigmoid functions with applications to neural networks. Neural Networks, vol. 9, 1996.
• [14] Cardoso J. F.: On the stability of source separation algorithms. The Journal of VLSI Signal Processing, Springer, vol. 26, 2000.