VYUŽITIE METÓDY ANALÝZY NEZÁVISLÝCH KOMPONENTOV PRI DETEKCII ARTEFAKTOV V EEG

Ing. Richard Fusko 2010

Workshop Pokroky v biomedicínském inženýrství

Obsah

1. Analýza nezávislých komponentov

a) Princíp metódy

b) Vlastnosti ICA

2. Verifikácia metódy - separácia zmiešaných hudobných signálov

3. Aplikácia metódy na EEG signál

a) Detekcia očného artefaktu

I C A

snaží sa oddeliť nezávislé signály, ktoré boli nejakým spôsobom predtým zmiešané

„cocktail party“ problém

Analýza nezávislých komponentov

3332321313

3232221212

3132121111

sasasax

sasasax

sasasax

I C A

Princíp metódy ICA

S(t)

Ax(t)

ICAy(t)

x = A . S y = W . x

S(t) – zdrojové signályA – zmiešavacie prostrediex(t) – zmiešané signály

W – separačná maticay(t) – odhadnuté zdrojové signály

I C A

ICA metóda môže rozdeliť dáta maximálne na taký počet komponentov, koľko bolo vstupných signálov.

Aby sme našli n nezávislých komponentov zo signálu s n kanálmi, musí byť dĺžka sledovaného záznamu aspoň 3n2.

Permutácia indexov separovaných zdrojov

Po aplikácii metódy môže byť zle odhadnuté znamienko separovaných signálov.

Vlastnosti metódy ICA

I C A

Separácia zmiešaných hudobných signálov

R1

R4R3

R2

m1

m3 m4

m2

S1

S4

S2

S3

I C A

4143132121111 sasasasax

4243232221212 sasasasax 4343332321313 sasasasax

4443432421414 sasasasax

simulácia v prostredí Matlab

vzorkovacia frekvencia 8000 Hz, dĺžka každého súboru 25 s

zmiešavacia matica A =

FastICA algoritmus

Separácia zmiešaných hudobných signálov

7,89,101012

864,98,7

3,87,107,71,10

6,74,58,63,4

I C A

0 1 2 3 4 5 6 7 8 9 10-1

-0.5

0

0.5

1

0 1 2 3 4 5 6 7 8 9 10-1

-0.5

0

0.5

1

0 1 2 3 4 5 6 7 8 9 10-1

-0.5

0

0.5

1

0 1 2 3 4 5 6 7 8 9 10-1

-0.5

0

0.5

1

0 1 2 3 4 5 6 7 8 9 10-5

0

5

0 1 2 3 4 5 6 7 8 9 10-5

0

5

0 1 2 3 4 5 6 7 8 9 10-10

-5

0

5

10

0 1 2 3 4 5 6 7 8 9 10-10

-5

0

5

10

čas [s] čas [s]

I C A

Separácia zmiešaných hudobných signálov

Očný artefakt

najbežnejší druh biologického artefaktu v EEG

viditeľný najmä v signáli z elektród Fp1 a Fp2

generuje falošný delta rytmus

I C A

0 1 2 3 4 5 6 7 8 9 10

Pz

Cz

Fz

T6

T4

F8

T5

T3

F7

O2

P4

C4

F4

Fp2

O1

P3

C3

F3

Fp1

Pôvodný EEG záznam

cas [s]

Aplikácia metódy ICA na EEG

0 1 2 3 4 5 6 7 8 9 10

IC19

IC18

IC17

IC16

IC15

IC14

IC13

IC12

IC11

IC10

IC9

IC8

IC7

IC6

IC5

IC4

IC3

IC2

IC1

Vypocítané nezávislé komponenty

cas [s]

Aplikácia metódy ICA na EEG

0 1 2 3 4 5 6 7 8 9 10

Pz

Cz

Fz

T6

T4

F8

T5

T3

F7

O2

P4

C4

F4

Fp2

O1

P3

C3

F3

Fp1

0 1 2 3 4 5 6 7 8 9 10

Pz

Cz

Fz

T6

T4

F8

T5

T3

F7

O2

P4

C4

F4

Fp2

O1

P3

C3

F3

Fp1

Pôvodný EEG záznam

cas [s]

Automatická detekcia očného artefaktu

P7

P1

b1

w2

b2

výstup

n11

n12

n13

n14

n15

n2

w1

a

β

α

d

b

e

c

okno

I C A

0 1 2 3 4 5 6 7 8 9 10

IC19

IC18

IC17

IC16

IC15

IC14

IC13

IC12

IC11

IC10

IC9

IC8

IC7

IC6

IC5

IC4

IC3

IC2

IC1

Detekcia ocneho artefaktu

Automatická detekcia očného artefaktu

0 1 2 3 4 5 6 7 8 9 10

IC19

IC18

IC17

IC16

IC15

IC14

IC13

IC12

IC11

IC10

IC9

IC8

IC7

IC6

IC5

IC4

IC3

IC2

IC1

Detekcia po vynasobeni -1kou

Záver

I C A

Oboznámenie sa s metódou ICA

Overenie metódy na simulovanom príklade

Využitie pri detekcii a odstránení očného

artefaktu

Navrhnutie automatickej detekcie pomocou

neurónovej siete

Ďakujem za pozornosť