Online Detection and Removal of Eye Blink Artifacts from Electroencephalogram
Détection et suppression en temps réel des artefacts de clignement de l’œil dans les signaux issus d'un électroencéphalogramme
Résumé
The most prominent type of artifact contaminating electroencephalogram (EEG)signals are the eyeblink (EB) artifacts, which could potentially lead tomisinterpretation of the EEG signal. Online detection and removal of eyeblink artifacts from EEG signals are essential in applications such a Brain-Computer Interfaces (BCI), neurofeedback and epilepsy diagnosis. In this thesis, algorithms that combine unsupervised eyeblink artifact detection (eADA) with enhanced Empirical Mode Decomposition (FastEMD) and Canonical Correlation Analysis (CCA) are proposed,i.e. FastEMD-CCA2 and FastCCA, to automatically identify eyeblink artifacts andremove them in an online setting. FastEMD-CCA2 and FastCCA have outperformedone of the existing state-of-the-art methods, FORCe. The average artifact removalaccuracy, sensitivity, specificity and error rate of FastEMD-CCA2 is 97.9%, 97.65%,99.22%, and 2.1% respectively, validated on a Hitachi dataset with 60 EEG signals,consisting more than 5600 eyeblink artifacts. FastCCA achieved an average of99.47%, 99.44%, 99.74% and 0.53% artifact removal accuracy, sensitivity, specificityand error rate respectively, validated on the Hitachi dataset too. FastEMD-CCA2 andFastCCA algorithms are developed and implemented in the C++ programming language to investigate the processing speed these algorithms could achieve in adifferent medium. Analysis has shown that FastEMD-CCA2 and FastCCA took about10.7 and 12.7 milliseconds respectively, on average to clean a 1-second length of EEG segment. This makes them a feasible solution for applications requiring onlineremoval of eyeblink artifacts from EEG signals.
Parmi les artefacts contaminant les signaux d'électroencéphalogramme (EEG) les plus importants sont les clins d’oeuil qui pourraient potentiellement conduire à une mauvaise interprétation du signal EEG. La détection et la suppression en ligne des artefacts de clignement des yeux des signaux EEG sont essentielles dans des applications telles que les interfaces cerveau ordinateur (BCI), le neurofeedback et la surveillance de l’épilepsie. Dans cette thèse, des algorithmes qui combinent la détection non supervisée des artefacts de clignement des yeux (eADA) avec une décomposition en mode empirique améliorée (FastEMD) et une analyse de corrélation canonique (CCA) sont proposés, sous le nom de FastEMD-CCA2 et FastCCA, pour identifier automatiquement les artefacts de clignement des yeux et les supprimer en temps réel. Les algorithmes FastEMD-CCA2 et FastCCA sont comparés à la méthode FORCe. La précision, la sensibilité, la spécificité et le taux d’erreur moyens de suppression des artefacts de FastEMD-CCA2 sont respectivement de 97,9%, 97,65%, 99,22% et 2,1%, validés sur un ensemble de données Hitachi. Pour ces mêmes critères nous obtenons avec FastCCA une moyenne de 99,47%, 99,44%, 99,74% et 0,53% validés également sur l’ensemble de données Hitachi. Les algorithms FastEMD-CCA2 et FastCCA sont développés et mis en œuvre dans le langage de programmation C ++ pour étudier la vitesse de traitement qu’ils pourraient atteindre en cas d’implémentation embarquée. L’analyse a montré que FastEMD-CCA2 et FastCCA ont pris respectivement environ 10,7 et 12,7 millisecondes, en moyenne, pour traiter un segment d’EEG de 1 seconde. Cela en fait une solution realisable pour les applications nécessitant la suppression en temps réel des clins d’oeuil dans les signaux EEG.
Origine : Version validée par le jury (STAR)