حـذف خودكار آرتيفكت چشمي از سيـگنال‌هاي مغزي بـا استـفاده از ويژگي‌هاي آماري و زماني- فركانسي مولفه‌هاي مستقل

حـذف خودكار آرتيفكت چشمي از سيـگنال‌هاي مغزي بـا استـفاده از ويژگي‌هاي آماري و زماني- فركانسي مولفه‌هاي مستقل

مهمتـرين مشكل در بررسـي و پـردازش ثبت هاي الكتروآنسـفالوگرام (EEG) حضور انواع سيگنال هاي ناخواسته (آرتيفكت‌ها) است كه حذف آنها با روش تحليل مولفه‌هاي مستقل از بهترين گزينه‌هاي ممكن است. هدف مسيله تحليل مولفه‌هاي مستقل جداسازي كور تركيبي خطي از منابع مستقل است. با اعمال اين روش روي سيگنال‌هاي مغزي آغشته به آرتيفكت، آرتيفكت‌ها به صورت مولفه هاي مستقلي استخراج مي‌شوند. تشخيص خودكار مولفه هاي مستقل مربوط به آرتيفكت از ساير مولفه ها بايد بر اساس معيارهاي مناسبي صورت گيرد. هنوز درباره انتخاب اين معيارها توافقي كلي وجود ندارد. در اين تحقيق مجموعه اي از معيار هاي آماري و زماني- فركانسي معرفي شده است كه مي‌توانند در قالب يك قانون تشخيص و تصميم‌گيري خودكار، مولفه‌هاي نمايانگر آرتيفكت‌هاي چشمي را با دقت بالا شناسايي كنند. در روش پيـشنهادي به جـاي مقايسه معيار هاي محاسبه شـده براي مولفه ها با سطوح آستانه يا الگوهاي خاص، ويژگي هاي مولفه هاي يك آزمون با هم مقايسه مي شوند و بـر اساس يك قانون تصميم گيري مولفه هاي نمايانگر آرتيفكت چشمي (اثر پلك زدن و حركت افقي و عمودي كره چشم) در صـورت وجود در آزمون مورد نظر شـناسايي و حذف مي‌شوند. عملكـرد روش پيشنهادي روي2000 قطعه 4 ثانيه‌اي سيگنال EEG حاوي انواع آرتيفكت هاي چشمي آزمايش شده است. دقت تشخيص روش در مورد اين داده ها 8/92% به دست آمده است. آزمون‌هاي آماري نشان مي‌دهند كه مقادير معيارهاي مربوط به مولفه هاي آرتيفكت و غـير آرتيفكت تفاوت قابل ملاحظه اي با هم دارند.

Contamination of Electroencephalographic (EEG) recordings with different kinds of artifacts is the main obstacle to the analysis of EEG data. Independent Component Analysis (ICA) is now a widely accepted tool for detection of artifact in EEG data. This component-based method segregates artifactual activities in separate sources; hence, the reconstruction of EEG recordings without these sources leads to artifact reduction. Identification of the artifactual components is a major challenge to artifact removal using ICA is the. Although, during past several years, it has been proposed for automatic detecting the artifactual component, there is still little consensus on criteria for automatic rejection of undesired components. In this paper we present a new identification procedure based on statistics and time-frequency properties of independent components for fully automatic ocular artifact suppression. By comparing the statistics and time-frequency properties of independent components, the artifactual components were identified and removed. The results on 2000 4-s EEG epochs indicate that the artifact components can be identified with an accuracy of 92.8%. Moreover, statistical test indicates that the statistics and time-frequency properties of artifactual components are significantly different from that of non-artifactual components.