Removal of movement-induced EEG artifacts: current state of the art and guidelines

 

Removal of movement-induced EEG artifacts: current state of the art and guidelines

https://pubmed.ncbi.nlm.nih.gov/35147512/

List of abbreviations

AMICA	adaptive mixture independent component analysis
ASR	artifact subspace separation
BCI	brain–computer interface
BSS	blind source separation
CCA	canonical correlation analysis
EEG	electroencephalography
EEMD	ensemble empirical mode decomposition
ICA	independent component analysis
MoBI	mobile brain/body imaging
ORICA	online recursive independent component analysis
PCA	principal component analysis
RELICA	reliable independent component analysis

Introducere

EEG este o tehnică non-invazivă utilizată pentru a înregistra activitatea electrică a neuronilor corticali cu ajutorul unor electrozi plasați pe scalp. Amplificatoarele EEG pot fi ușoare și portabile, oferind în același timp o rezoluție temporală ridicată a semnalului înregistrat, ceea ce face ca EEG să fie cel mai potrivit dispozitiv de imagistică cerebrală pentru a măsura activitatea creierului uman în timpul locomoției. Cu toate acestea, semnalele EEG sunt foarte sensibile la contaminarea cu artefacte din cauza proprietăților lor electrice. Artefactele pot fi de origine mecanică sau electrică, cum ar fi mișcările cablurilor sau ale electrozilor, sau prezența altor dispozitive electromagnetice. În plus, semnalul EEG este afectat și de alte semnale fiziologice, cum ar fi mișcările oculare sau activitatea musculară. MoBI depășește aceste restricții prin combinarea EEG cu urmărirea mișcărilor și, eventual, cu alte semnale fiziologice combinate cu tehnici de analiză bazate pe date pentru a disocia activitatea cerebrală de cea non-cerebrală. În plus, ei au descoperit că artefactele de mișcare cuplate în fază cu frecvența de pas produc un semnal contaminat cu până la 15 armonici.

Aceste rezultate arată că artefactele legate de mers sunt complexe, dificil de detectat și de eliminat și că soluțiile simple, cum ar fi filtrele trece-banda, nu sunt suficiente. Caracteristicile artefactelor legate de mers sunt strâns legate de biomecanică și de tipul de mers. Un studiu recent a combinat șapte caracteristici din diferite dimensiuni de date pentru a caracteriza în detaliu artefactele legate de mers ca o amprentă de șapte dimensiuni. Această amprentă include caracteristici din domeniile timp, timp-frecvență, spațiu și sursă.

Această caracterizare a artefactelor legate de mers ar putea fi utilizată pentru a optimiza viitoarele conducte de preprocesare și eliminare a artefactelor sau pentru a compara diferite metode de eliminare a artefactelor pentru datele EEG în timpul mersului. Un studiu anterior realizat de Kline și colab. a examinat caracteristicile artefactelor de mișcare înregistrate cu EEG la diferite viteze de mers și au constatat că odată cu viteza de mers creșteau amplitudinile spectrelor de frecvență ale artefactelor de mișcare și frecvența maximă la care apărea artefactul de mișcare . În plus, au constatat că datele accelerometrului capului au avut o corelație slabă cu artefactul de mișcare de pe electrozii EEG. În general, artefactele sunt mai pronunțate în semnalul EEG în timpul mișcării, au caracteristici specifice în funcție de tipul și intensitatea mișcării și interferează cu semnalul EEG, făcând dificilă distingerea lor de semnalele cerebrale.
Unele studii au ridicat îndoieli cu privire la originea corticală a rezultatelor de frecvență temporală în timpul mersului din cauza îndepărtării insuficiente a artefactelor . Cele mai frecvent utilizate metode de eliminare a artefactelor în studiile privind mișcarea sunt în principal tehnici bazate pe ICA , ASR și CCA . Există mai multe tipuri de versiuni îmbunătățite sau combinații ale acestor metode , iar noi metode pentru eliminarea artefactelor în domeniul EEG sunt în mod constant dezvoltate sau evaluate. Până în prezent, nu există orientări clare cu privire la metodele de eliminare a artefactelor care sunt potrivite pentru studii specifice de mișcare.

Lucrarea de față acoperă această lacună din literatura de specialitate și trece în revistă metodele utilizate în prezent în studiile EEG care implică mișcarea umană. De la publicarea primelor studii care au utilizat semnale EEG înregistrate în timpul mișcării întregului corp , au fost efectuate numeroase studii care au investigat mersul pe jos , mersul pe bicicletă și alte câteva tipuri de mișcare a întregului corp, cum ar fi săritura și ghemuirea . Pentru a evita astfel de cazuri, este important să se dispună de hardware adecvat, să se urmeze recomandările pentru a minimiza artefactele în timpul măsurătorilor , și să se utilizeze metode eficiente de eliminare a artefactelor după ce datele au fost măsurate. Lipsa studiilor EEG în timpul mișcărilor intense implică necesitatea de a îmbunătăți sistemele EEG pentru a evita și mai mult artefactele și de a dezvolta metode mai eficiente de eliminare a artefactelor și de a evalua metodele existente pentru tipuri și intensități specifice de mișcare.

Acest manuscris oferă o prezentare generală a metodelor de eliminare a artefactelor utilizate în studiile privind mersul pe jos și mersul cu bicicleta. Discutăm cele mai frecvent utilizate tehnici de filtrare, metode BSS și ASR, precum și dezvoltarea de noi combinații de metode evaluate pentru semnalele EEG în timpul locomoției . Rezumăm aceste practici evaluate pentru a îmbunătăți eficiența fiecărei metode pe datele EEG de locomoție. Scopul este de a oferi recomandări cu privire la metodele adecvate de

respingere a artefactelor pentru utilizarea în studiile EEG cu locomoție a participanților, eventual în funcție de intensitatea mișcării în sine.

 Metode de îndepărtare a artefactelor utilizate în studiile de mișcare

Filter low and high-pass

Acest tip de filtru este suficient numai dacă benzile de frecvență ale artefactelor și ale semnalelor nu se suprapun, ceea ce nu este cazul în studiile care implică mișcare . În mod similar, în filtrarea adaptivă, se constată că un filtru trece înalt cu o frecvență de tăiere de 2 Hz oferă rezultate mai bune . Atunci când se utilizează aceste filtre, este important să se știe care este intervalul de frecvențe de interes, deoarece aplicarea unui filtru trece-înalt mai mare va elimina, de asemenea, informațiile din benzile de frecvențe delta și theta care provin din creier.

 

Filtre adaptive

Avantajul utilizării filtrelor adaptive pentru eliminarea artefactelor din semnalele EEG este că acestea pot fi utilizate în timp real, ceea ce este crucial în cazul studiilor BCI, iar calculul rapid poate fi benefic și pentru analiza offline. În trei axe, valorile accelerației capului au fost utilizate ca semnal de referință, care a funcționat bine pentru eliminarea artefactelor de mișcare din semnalele EEG în timpul mersului. Într-un subset de componente de impedanță electrod-țesut, cum ar fi magnitudinea, în fază și în cvadratură pentru fiecare canal EEG, a fost utilizat pentru eliminarea artefactelor de mișcare în timpul scuturării capului și al mișcării capului. Filtrarea adaptivă poate fi suficientă pentru eliminarea artefactelor în studiile EEG de mișcare, dar trebuie luate în considerare selecția semnalului de referință, relația neliniară dintre semnalul EEG și semnalul artefactului și algoritmul optim pentru procesul de adaptare a parametrilor.

S-a constatat că algoritmul lor poate curăța în timp real datele EEG de la 60 de electrozi în timpul mersului la o viteză diferită, dar l-au folosit doar pentru semnale filtrate între 0,3 și 15 Hz. În s-a constatat că filtrul trece-banda și filtrarea adaptivă pot reduce substanțial artefactele de mișcare produse de mișcarea capului, dar nu au evaluat măsura în care artefactele de mișcare sunt încă prezente în semnalul curățat. Filtrele adaptive în studiile EEG care implică mișcare sunt, de asemenea, utilizate în mod obișnuit în combinație cu alte metode de eliminare a artefactelor, cum ar fi ICA și ASR, doar pentru a elimina artefactele oculare .

 

Filtre bayesiene

Modelul de măsurare descrie modul în care datele înregistrate se raportează la starea internă a creierului. Principala ipoteză a filtrului Kalman este că incertitudinea inițială este gaussiană și că relația dintre datele înregistrate și stare este liniară. Aceste ipoteze împiedică metoda să surprindă relația complexă dintre creier și activitatea artefactuală în timpul mișcărilor dinamice. Acest din urmă filtru s-a dovedit a fi eficient pentru aplicațiile BCI în studiile privind mișcările.

 

Metode BSS

Metodele BSS rezolvă problema reconstrucției surselor independente din punct de vedere statistic dintr-un amestec liniar fără semnal de referință sau alte cunoștințe prealabile. În general, aceste metode încearcă să găsească matricea de amestecare a diferitelor surse și să estimeze semnalul sursei doar prin învățarea din date, făcând diferite ipoteze.

ICA

În ultimii ani, cea mai populară metodă de eliminare a artefactelor în studiile EEG, în special în studiile EEG care implică mișcare, a fost ICA și alte variante îmbunătățite bazate pe această metodă. Este, de asemenea, cea mai investigată metodă în cazul preprocesării datelor și comparării performanțelor sale pe diferite tipuri de date . Multe variante ale metodelor bazate pe ICA sunt utilizate în studiile privind mișcarea, cum ar fi InfoMax ICA, fastICA, RELICA și AMICA . Metoda ICA rezolvă problema BSS presupunând că semnalele sunt un amestec liniar de surse independente din punct de vedere statistic asociate cu diferite activități fiziologice și artefacte.

ICA descompune semnalele observate în componente independente și, după eliminarea componentelor nedorite, semnalul curat este reconstruit din componentele independente rămase. Infomax ICA este o variație a metodei care utilizează algoritmul Infomax, care funcționează ca un algoritm de învățare prin iterație pe linie cu funcția de contrast pe principiul maximizării informației . AMICA este un algoritm Newton asimptotic utilizat pentru a calcula estimarea de maximă verosimilitate pentru un model mixt de componente independente. Eliminarea componentelor independente care reflectă activitatea non-cerebrală nu face parte din metoda ICA.

În mod tradițional, componentele independente nedorite sunt eliminate manual de către un expert în domeniu. Deoarece eliminarea automatizată este mai transparentă și mai puțin subiectivă, se utilizează clasificatori pentru a identifica și respinge componentele artefactuale. Pregătirea datelor înainte de utilizarea algoritmilor ICA este la fel de importantă sau poate chiar mai importantă decât algoritmul în sine. Filtrarea trece înaltă a datelor înainte de utilizarea acestei metode îmbunătățește considerabil calitatea separării artefactelor .

În a fost demonstrat că, pentru studiile de mișcare, ar trebui utilizat un filtru trece-înalt cu o frecvență de tăiere de cel puțin 1,5 sau chiar 2 Hz înainte de a se utiliza ICA, în funcție de intensitatea mișcării și de cantitatea de zgomot din semnal. În s-a constatat că 35 de electrozi ar putea fi suficienți pentru a înregistra cele două surse electrocorticale cele mai dominante în timpul mersului cu o sarcină cognitivă concomitentă, dar au constatat, de asemenea, că electrozii suplimentari, cel puțin până la 125, îmbunătățesc descompunerea ICA. În general, se recomandă utilizarea a 64 de canale sau mai mult, iar în studiile privind mișcarea, este bine să se mărească numărul de canale odată cu creșterea intensității mișcării pentru a oferi grade de libertate mai mari pentru ca ICA să explice numărul din ce în ce mai mare de potențiale surse artefactuale. O altă metodă găsită pentru a îmbunătăți descompunerea ICA este curățarea mai întâi a datelor cu ASR , pe care o discutăm mai jos.

CCA

Apariția activității musculare și a artefactelor de gradient în semnalele cerebrale este mai frecventă atunci când subiectul este în mișcare, prin urmare, CCA poate fi utilă în studiile de mișcare. CCA descompune sursele de semnale astfel încât componentele sursei să fie maxim autocorelate și necorelate între ele. Este o metodă statistică multivariată care maximizează corelația subiacentă dintre două semnale multivariate. Deoarece semnalele musculare, spre deosebire de semnalele EEG, nu au o autocorelație ridicată, activitatea musculară este eliminată prin stabilirea la zero a câtorva dintre cele mai puțin autocorelate componente sursă înainte de a reconstrui semnalele.

 

Există câteva variante îmbunătățite ale acestei metode. În loc să maximizeze corelația canonică între două seturi de date, aceasta încearcă să maximizeze corelația globală a mai multor variabile canonice cu intenția de a extrage componentele sursă care sunt necorelate în fiecare set de date, dar bine corelate între mai multe seturi de date . În s-a demonstrat că CCA crește performanța atunci când este urmată de respingerea pantei spectrale a componentelor sale. De asemenea, s-a constatat că utilizarea CCA este limitată la eliminarea artefactelor, deoarece componentele sale sunt încă amestecuri din diferite surse.

 

În autorii au propus un cadru bazat pe CCA, care a fost evaluat pe date de mers și s-a dovedit a fi eficient pentru studiile de mișcare.

ASR

O altă metodă utilizată în studiile de mișcare este ASR . Această metodă este relativ nouă, iar aplicarea sa la datele EEG de mișcare este în prezent slab evaluată. ASR este o metodă automată de eliminare a artefactelor bazată pe componente nestaționare pentru eliminarea artefactelor din datele EEG multicanal. Aceasta utilizează o fereastră glisantă pe datele EEG și realizează o descompunere PCA pe fiecare fereastră.

 

În primul rând, metoda ASR extrage automat datele de referință din datele brute pe baza distribuției variației semnalului.

În final, metoda ASR respinge componentele artefacte din fiecare fereastră de timp dacă componenta principală este mai mare decât pragul de respingere. Reimannian ASR este o versiune îmbunătățită a metodei ASR care utilizează metode Reimannian pentru calculul matricelor de covarianță, care s-a dovedit a fi benefică pentru eliminarea artefactelor . Într-un studiu de caz cu date EEG de imagistică motorie, s-a constatat că metoda ASR cu parametri impliciți este mai eficientă în eliminarea artefactelor în comparație cu metodele ICA și PCA. S-a constatat că, pentru rezultate optime ale metodei ASR, ar trebui să se utilizeze un parametru de separare între 20 și 30 în loc de valorile implicite de 5-7, așa cum s-a recomandat anterior.

Atunci când parametrul este mai mic de 20, mai multe componente ale creierului decât componentele artefactului au fost afectate de această metodă. Mai mult, în s-a constatat că ASR a funcționat mai bine în sarcinile motorii cu mai multă contaminare cu artefacte în comparație cu sarcinile non-motorii. Dezavantajul metodei ASR este că, fără parametri de tăiere agresivi, s-ar putea să nu fie la fel de eficientă în eliminarea artefactelor, cum ar fi clipitul ochilor care apare în mod regulat, și s-ar putea să nu elimine artefactele de mișcare dacă acestea sunt prezente în datele de referință. În plus, sunt necesare date de referință definite de utilizator pentru a utiliza metoda în timp real.

Metode combinate

Am menționat doar cele mai frecvent utilizate și evaluate metode de eliminare a artefactelor în studiile de mișcare, deși există multe alte tehnici posibile. S-a constatat că ICA combinată cu filtrarea spațială ca metodă de preprocesare suprimă în mod eficient artefactele chiar și în seturi foarte mici cu doar trei canale EEG . ICA a fost, de asemenea, combinată cu ASR pentru a îmbunătăți calitatea semnalului la diferite viteze de mers și pentru a îmbunătăți descompunerea ICA , cu ASR ca metodă de preprocesare pentru ICA. Metodele ICA și CCA sunt combinate într-o metodă numită analiză vectorială independentă.

 

În primul rând, metoda EEMD este utilizată pentru a descompune un semnal cu un singur canal într-un semnal multidimensional. Apoi, CCA izolează componentele artefactului din semnalul de bază . Parametrul de lungime a ferestrei recomandat pentru metoda SSA este între 50 și 100.

 

 

 

 

Summary and guidelines

Oferim câteva recomandări generale bazate pe studii care au investigat metode de eliminare a artefactelor din datele EEG legate de locomoție, care sunt discutate în această lucrare. În primul rând, riscul de artefacte poate fi redus printr-o bună pregătire a participantului, a electrozilor și a mediului. Alături de procedurile standard efectuate în măsurătorile EEG statice , se recomandă configurarea metodelor de eliminare a artefactelor înainte de înregistrarea datelor, deoarece unele metode necesită semnale suplimentare de artefacte sau perioade de referință cât mai curate posibil. Alegerea metodei de eliminare a artefactelor depinde de tipul și intensitatea mișcării, care afectează caracteristicile artefactelor și parametrii EEG de interes .

 

Cele mai comune metode de eliminare a artefactelor în studiile de mișcare sunt metodele bazate pe ICA. CCA este o metodă promițătoare pentru eliminarea artefactelor musculare, dar se recomandă să fie utilizată în combinație cu alte metode pentru a elimina artefactele mai temeinic. Toate metodele analizate sunt utilizate în mod obișnuit în combinație între ele, ceea ce ajută la depășirea unor dezavantaje ale acelorași metode utilizate singure. Prin urmare, se recomandă utilizarea metodelor combinate propuse atunci când este cazul.

Reglarea parametrilor în cadrul metodelor combinate ar trebui să facă obiectul unor studii viitoare, deoarece acest subiect a fost slab investigat. O altă limitare în evaluarea diferitelor metode de eliminare a artefactelor este lipsa unei măsuri obiective de comparare a eficienței metodelor, deoarece valoarea reală a activității cerebrale este necunoscută. O modalitate de a ocoli această problemă este de a evalua metodele pe date simulate cu activitate cerebrală reală cunoscută, unde putem utiliza măsuri standard, cum ar fi raportul semnal-zgomot . Sunt necesare cercetări suplimentare pentru a îmbunătăți simularea semnalelor EEG și pentru a evalua diferite măsuri obiective pentru compararea metodelor de eliminare a artefactelor pe date reale.

Pentru a elimina suficient de mult artefactele, în special în studiile EEG care implică o locomoție de intensitate ridicată, și pentru a clarifica problema alegerii metodei de eliminare a artefactelor în funcție de tipul și intensitatea mișcării, ar trebui evaluate în continuare diferite combinații de metode de eliminare a artefactelor aplicate la diferite tipuri de date de mișcare. Studiile de analiză similare cu cel de față ar ghida cercetătorii prin diferite metode și ar ajuta la compararea transparentă a rezultatelor diferitelor metode de eliminare a artefactelor și la crearea de conducte pentru procesarea datelor EEG. Ne-am concentrat în principal asupra algoritmilor de eliminare a artefactelor din semnalele înregistrate, însă îmbunătățirile și implementările comune ale soluțiilor hardware și software reprezintă cheia pentru progresul eliminării artefactelor în datele EEG complexe de mișcare de intensitate ridicată. În prezent, soluția hardware de ultimă generație este probabil un sistem de electrozi cu două straturi, care include electrozi care înregistrează doar artefactele de mișcare și apoi le elimină din măsurătorile EEG .

 

Deși ne-am concentrat asupra metodelor software de eliminare a artefactelor, soluțiile software și hardware trebuie combinate pentru a obține o eliminare suficientă a semnalelor nedorite din măsurătorile EEG în locomoție sau în alte configurații experimentale EEG nestaționare.

 

Artifact removal methods		Cyclic movement task
		Static	Low intensity	High intensity
Low and high pass filters	Application guidelines	In combination with other methods or when frequency range of interest is small and not much contaminated with artifacts (high-pass filter cut-off frequency: 0.1–1 Hz)	In combination with other methods (high-pass filter cut-off frequency: >1 Hz/2 Hz or higher as preprocessing for ICA or spatial filtering)
	Necessary electrodes	Can be used on single channel
	Real-time compatibility	YES
Adaptive filters	Application guidelines	Needs reference artifacts signal (depends on which artifacts you want to remove)	Needs reference artifacts signal (e.g. three-axis head acceleration)	Needs reference artifacts signal (e.g. three-axis head acceleration),
			Non-linear filters (e.g. Volterra, cuckoo's optimization algorithm) are recommended	Non-linear filters (e.g. Volterra, cuckoo's optimization algorithm) are recommended
				Better in combination with other methods (e.g. ICA, ASR)
	Necessary electrodes	Can be used on single channel
	Real-time compatibility	YES
Bayesian filters	Application guidelines	Kalman filter is recommended	Kalman filter/unscented Kalman filter is recommended	Unscented Kalman filter is recommended
	Necessary electrodes	Can be used on single channel
	Real-time compatibility	YES
Infomax ICA	Application guidelines	Pre-processing with high-pass filter (1.5 Hz cut-off frequency)		Pre-processing with high pass filter (>1.5–2 Hz cut-off frequency)
	Necessary electrodes	⩾35 electrodes		⩾64 electrodes
	Real-time compatibility	NO/some versions of ICA can be used real-time (e.g. ORICA)
AMICA	Application guidelines	Pre-processing with high pass filter (1.5 Hz cut-off frequency)		Pre-processing with high pass filter (>1.5–2 Hz cut-off frequency)
	Necessary electrodes	⩾35 electrodes		⩾64 electrodes
	Real-time compatibility	NO
CCA	Application guidelines	Good for muscle artifact removal	Good for muscle artifact removal
			Better in combination with e.g. ICA, SSA, EEMD
	Necessary electrodes	Multiple (e.g. 19)/poorly investigated
	Real-time compatibility	NO
ASR	Application guidelines	k parameter: 10–30	k parameter: 10–30	k parameter: 10
			Better with reference signal	Better with reference signal
			Good in combination with ICA, AMICA	Good in combination with ICA, AMICA
	Necessary electrodes	Multiple (e.g. 32)/poorly investigated
	Real-time compatibility	YES with reference signal recorded before measurement