Removal of muscular artifacts in EEG signals:

a comparison of linear decomposition methods

Abstrak

Pendekatan yang paling umum untuk mengurangi artefak otot dalam sinyal
elektroensefalografi adalah dengan menguraikan sinyal secara linear untuk memisahkan artefak dari
sumber saraf, menggunakan salah satu dari beberapa varian analisis komponen independen (ICA).

Di sini kita membandingkan tiga metode ICA yang paling umum digunakan (extended
Infomax, FastICA dan TDSEP) dengan dua metode dekomposisi linier lainnya (Fourier-ICA dan
dekomposisi spatio-spektral) yang cocok untuk ekstraksi aktivitas berosilasi.

Kami mengevaluasi kemampuan metode untuk menghilangkan artefak otot yang terkunci
saat tetap mempertahankan desinkronisasi yang terkait dalam data dari 18 subjek yang melakukan
gerakan kaki serba otomatis.

Kami menemukan bahwa kelima metode yang dianalisis secara drastis mengurangi artefak
otot. Untuk ketiga metode ICA, pemfilteran high-pass yang memadai sangat penting. Dibandingkan
dengan efek high-pass filtering, perbedaan antara lima metode yang dianalisis kecil, dengan Infomax
yang diperluas berperforma terbaik.

PENDAHULUAN

Penghapusan artefak yang tidak diinginkan dari electroencephalogram (EEG) adalah langkah
preprocessing utama untuk sebagian besar analisis EEG. Artefak tersebut berasal dari gerakan mata
dan otot, detak jantung atau sumber teknis eksternal. Dalam tulisan ini, kami prihatin dengan
pengangkatan artefak otot. Ini biasanya disebabkan oleh aktivitas otot di dekat kepala, seperti
menelan atau gerakan kepala, dan ditandai oleh aktivitas frekuensi tinggi ([20 Hz) [1]. Karena
aktivitas otot muncul dari berbagai jenis kelompok otot, artefak otot lebih sulit untuk distereotip
daripada artefak mata (lih. [2-4]).

Teknik yang paling luas untuk mengurangi artefak otot di Rekaman EEG adalah dekomposisi
linear dari sinyal EEG menjadi komponen sumber. Tujuan keseluruhan adalah untuk memisahkan
artifaktual dari aktivitas saraf dalam komponen yang berbeda, sehingga komponen artifaktual dapat
dibuang dan sinyal yang lebih bersih dapat direkonstruksi dari komponen saraf saja. Teknik yang
paling umum digunakan untuk mencapai tujuan ini adalah varian independent component analysis
(ICA) [5-8], yang memecahkan masalah blind source separation (BSS) dengan memaksimalkan
kemandirian komponen sumber. Dalam kebanyakan kasus, metode ICA menghasilkan pemisahan
yang bermanfaat, tetapi beberapa komponen campuran tetap yang mengandung aktivitas dari asal
artifactual dan neural (lihat, mis., [9, 10] untuk ulasan tentang keadaan terkini).
 Sementara banyak metode BSS / ICA berbeda tersedia, sangat sedikit penelitian yang
membandingkan kinerjanya pada data EEG nyata. Ini karena, untuk evaluasi kuantitatif, ada atau
tidak adanya artefak dalam sinyal EEG ('kebenaran dasar') perlu diketahui atau diasumsikan dengan
dasar yang kuat. Ini terutama sulit untuk artefak otot, yang aktivitasnya tidak dapat diperoleh dari
perangkat pengukuran tunggal seperti electrooculogram (EOG) atau pelacakan mata. Untuk
menghindari masalah ini, sebagian besar studi validasi dan perbandingan fokus pada data yang
disimulasikan di mana data 'bebas artefak' yang disimulasikan atau nyata dan data 'artefak' dicampur
secara linear pada beberapa rasio yang diketahui [11–21]. Namun, pendekatan ini dibatasi oleh fakta
bahwa data yang disimulasikan tidak sepenuhnya mencerminkan karakteristik EEG yang sebenarnya
dengan kontaminasi otot. Misalnya, aktivitas otot tidak selalu terjadi secara independen dari sinyal
saraf yang menarik, tetapi simulasi biasanya mengasumsikan demikian.

Beberapa studi validasi yang tersedia yang mengukur kinerja reduksi artefak pada data nyata
sebagian besar terfokus pada artefak mata [22-24]. Untuk membandingkan algoritma BSS / ICA
dalam pengaturan yang lebih umum, Delorme et al. [25] langkah-langkah yang diusulkan untuk
mengevaluasi kualitas komponen sumber yang diperoleh bahkan ketika komponen sumber
'kebenaran dasar' tidak diketahui. Mereka membandingkan dekomposisi 22 algoritma BSS yang
berbeda dengan mengevaluasi langkah-langkah independensi (berdasarkan informasi timbal balik)
serta 'dipolaritas' dari komponen sumber yang dihasilkan. Di sini 'dipolaritas' mengacu pada jumlah
komponen yang peta kulit kepalanya dapat dijelaskan dengan baik oleh satu sumber dipol yang
setara. Komponen seperti itu diinginkan karena sumber tunggal independen, yang bertujuan untuk
mengekstrak algoritma BBS / ICA, akan diwakili oleh komponen karakteristik tersebut. Mereka
menemukan bahwa metode ICA berbasis informasi timbal balik seperti Infomax menghasilkan jumlah
tertinggi komponen hampir dipolar.

Dalam tulisan ini, tujuan kami adalah untuk mengevaluasi kualitas data yang dibersihkan
(dalam arti produk akhir dari pengurangan artefak), yang melampaui kualitas sinyal sumber (produk
antara dari pengurangan artefak). Validasi pipeline reduksi artefak lengkap untuk artefak otot dalam
data EEG nyata dilakukan oleh McMenamin et al. [2]. Namun, algoritma ICA yang berbeda tidak
dibandingkan.

Untuk membandingkan kinerja pengurangan artefak otot secara keseluruhan pada data
nyata, kami di sini menggunakan paradigma di mana aktivitas saraf dan artefak otot menghasilkan
efek yang berlawanan: sementara artefak otot menghasilkan peningkatan luas dalam kekuatan
spektral [1], paradigma eksperimental menginduksi aktivitas saraf yang mengurangi aktivitas
spektral. Lebih khusus, kami menggunakan fenomena yang terkenal dari eventinkrelated
desynchronization (ERD), yaitu, penurunan stimulus aktivitas berosilasi yang terkunci pada suatu
peristiwa. Delapan belas peserta diinstruksikan untuk melakukan gerakan kaki serba sendiri, yang
diketahui didahului oleh ERD pada pita alpha (8-13 Hz) dan pita beta (15-30 Hz) [26]. Sinyal EEG yang
direkam juga mengandung artefak otot yang terkunci dengan kuat saat subjek menggerakkan
kepalanya secara berirama bersama dengan gerakan kaki. Aktivitas spektral peristiwa-terkunci rata-
rata kemudian memungkinkan kita untuk mengukur tingkat kontaminasi artefak otot secara heuristik.
 Kami membandingkan tiga metode ICA / BSS paling umum untuk data EEG, yaitu Infomax
yang diperluas [27, 28], FastICA [29, 30] dan SOBI / TDSEP [31, 32] dengan dua metode dekomposisi
linier yang tidak sepenuhnya 'buta'. ketika mereka memanfaatkan fakta bahwa sinyal yang menarik
adalah sifat osilasi (Fourier-ICA [33] dan dekomposisi spatio-spektral (SSD) [34]). Untuk memilih
komponen artifactual, kami menggunakan classifier komponen artifactual otomatis yang sebelumnya
telah divalidasi (IC_MARC, [35]).

Sisa makalah ini disusun sebagai berikut. Kami pertama kali menggambarkan kumpulan data
di Sect. 2.1, metode yang dibandingkan di Sect. 2.2, klasifikasi komponen dalam Sect. 2.3 dan
metodologi yang digunakan untuk mengevaluasi kinerja pengurangan artefak keseluruhan di Sect.
2.4. ERD dan kuantifikasi kontaminasi artefak yang dihasilkan disediakan di Sect. 3 dan akhirnya
dibahas di Sekte. 4.

METODOLOGI

DATA

Data berasal dari pra-pengukuran percobaan mengemudi yang disimulasikan yang dijelaskan
dalam [36]. Percobaan dilakukan sesuai dengan Deklarasi Helsinki, dan persetujuan tertulis diperoleh
dari semua peserta. Tugas gerakan kaki kanan serba otomatis adalah menekan pedal rem sekitar satu
kali per detik selama lima menit. Elektromiogram (EMG) direkam dengan montase bipolar di lutut
kaki kanan dan otot anterior tibialis. Selain itu, EEG direkam dari 64 kira-kira elektroda Ag / AgCl yang
sama pada 1000 Hz. Untuk analisis offline yang disajikan, data EEG dihancurkan hingga 200 Hz dan
disaring broadband antara 2 dan 45 Hz (filter urutan kelima Butterworth). Elektroda yang terlalu
berisik ditolak dengan menggunakan kriteria varian yang diterapkan pada fungsi
reject_varEventsAndChannels.m dari kotak alat BBCI [37].

COMPARED METHOD

Kami membandingkan kemampuan lima metode dekomposisi linier untuk memisahkan

artifaktual dari aktivitas saraf. Kelima metode bertujuan untuk memecahkan masalah blind source
separation (BSS), di mana pengukuran EEG yang diberikan dimodelkan sebagai yang
dihasilkan dari model linier X = AS. Di sini, T menunjukkan jumlah titik data yang direkam,
menunjukkan program waktu dari sumber M yang tidak diketahui, menunjukkan proses
pencampuran yang tidak diketahui, dan jumlah elektroda diasumsikan sama dengan jumlah sinyal
sumber untuk kesederhanaan . Tujuannya adalah untuk memulihkan sinyal sumber S menggunakan
sangat sedikit informasi tentang sumber atau proses pencampuran. Karena ini adalah masalah yang
tidak ditentukan, beberapa asumsi harus ditempatkan tentang sinyal sumber yang akan dipulihkan.
Matriks demixing diperkirakan sedemikian rupa sehingga sumber yang diperkirakan
paling baik memenuhi asumsi yang telah ditentukan ini.
 Tujuan keseluruhan pemecahan masalah BSS untuk artefak reduksi adalah bahwa kegiatan
artifaktual dan saraf dipisahkan menjadi komponen sumber yang berbeda. Jika hal ini terjadi, sinyal
EEG yang lebih bersih dapat direkonstruksi dengan membuang komponen sumber artifactual.

1. ICA

Analisis komponen independen (ICA) memecahkan masalah BSS menggunakan asumsi

sumber yang saling independen secara statistik. Beberapa algoritma tersedia untuk menyelesaikan
tugas ini, dan kami fokus di sini pada tiga metode yang paling umum digunakan: extended Infomax
[27, 28] seperti yang diterapkan dalam EEGLab [38], FastICA [29, 30] dan SOBI / TDSEP [31, 32].

Extended Infomax dan FastICA adalah metode ICA klasik yang menggunakan statistik tingkat
tinggi untuk mendefinisikan independensi. Infomax berasal dari sudut pandang jaringan saraf,
sementara FastICA memaksimalkan negentropi dari distribusi komponen. Metode orde kedua
memanfaatkan struktur temporal dari deret waktu dan meminta sumber-sumber yang dipulihkan
terkait dengan waktu. Di sini kita menggunakan TDSEP (pemisahan sumber dekorasi temporal) [32],
yang setara dengan SOBI (identifikasi buta orde kedua) [31]. TDSEP / SOBI bertujuan untuk
meminimalkan kovarian lintas selama beberapa jeda waktu antara sumber yang diperkirakan.

Menjalankan ICA Kami menggunakan Infomax yang diperluas, yang menemukan sumber sub-
dan super-Gaussian, dengan pengaturan default di EEGLab untuk analisis kami. Kami menjalankan
FastICA dengan pendekatan simetris dan semua opsi lainnya pada nilai EEGLab default. Kami
menggunakan kode dari A. Ziehe dalam estimasi model TDSEP, menetapkan jumlah jeda waktu, s,
hingga 99.

2. FOURIER ICA

Hyva¨rinen et al. [33] baru-baru ini mengusulkan untuk menerapkan ICA pada transformasi
Fourier pendek dari sinyal EEG, untuk menemukan sumber osilasi yang lebih 'menarik' daripada
dengan ICA domain waktu. Prosedur ini mengoptimalkan sparseness dari koefisien Fourier, yang
menghasilkan pemisahan sinyal osilasi pada frekuensi yang berbeda.

Fourier-ICA belum secara khusus dirancang untuk mengekstraksi artefak. Bahkan, penulis
menunjukkan bahwa timedomain ICA dapat diartikan sebagai memaksimalkan non-Gaussianity. ICA
karena itu mungkin sangat cocok untuk menemukan artefak, yang sering sangat non-Gaussian karena
pencilan dalam kursus waktu mereka. Sebaliknya, harapannya adalah bahwa Fourier-ICA lebih
mampu mengekstraksi sumber osilasi yang relevan. Dalam pengaturan kami, kami bertujuan untuk
mendapatkan aktivitas berosilasi bersih. Fourier ICA mungkin merupakan metode yang menjanjikan.
Menjalankan Fourier-ICA Kami menggunakan implementasi yang dijelaskan dalam [33] untuk
menjalankan Fourier-ICA dengan parameter default. Frekuensi minimum dan maksimum yang akan
dianalisis oleh Fourier-ICA adalah 15 dan 30 Hz. Kami mengekstraksi komponen sebanyak ada saluran

3. SSD

Metode lain yang baru-baru ini diusulkan untuk ekstraksi osilasi adalah dekomposisi spatio-
spektral (SSD) [34]. SSD bertujuan untuk mengekstrak osilasi dalam pita frekuensi yang diminati pada
rasio signal-to-noise (SNR) maksimal. Tujuannya adalah untuk memaksimalkan daya sinyal di pita
frekuensi yang diminati sekaligus meminimalkannya di tempat frekuensi tetangga. SSD mengekstrak
filter spasial yang dimaksimalkan
 Di mana adalah kovarians dari data yang disaring dalam pita frekuensi yang diminati
dan Rnoise adalah kovarians dari data yang disaring di sideband. Masalah ini berkurang menjadi
masalah nilai eigen umum dan dapat diselesaikan dalam beberapa detik [34, 39]. SSD adalah metode
preprocessing yang cocok untuk analisis osilasi neuron [39-41]. Hasil awal untuk SSD pada set data
kami dijelaskan dalam [42]. Menjalankan SSD Kami menggunakan 15–30 Hz sebagai pita frekuensi
yang menarik dan 2 Hz, frekuensi panjang tetangga. Kami mengekstraksi komponen sebanyak ada
saluran dan memesannya sesuai SNR mereka.

4. HIGH PASS FILTERING

Telah diketahui bahwa sinyal EEG penyaringan jalur tinggi sebelum menerapkan ICA dapat
meningkatkan kualitas pemisahan artefak [43, 44]. Faktanya, ini adalah prosedur yang cukup standar
untuk menghilangkan drift sebelum artifact removal berbasis ICA, dan manfaatnya telah ditunjukkan
dalam beberapa penelitian [45-47]. Data kami sudah menjadi sasaran pemrosesan EEG standar, dan
pada drift data band-pass-filtered kami bukan masalah (lih. Bag. 2.1).

Fourier-ICA dan SSD. Untuk mendapatkan perbandingan yang lebih adil terhadap SSD dan
Fourier-ICA, kami menghitung matriks demixing untuk tiga metode ICA baik pada data yang disaring
broadband dan pada data setelah filter high-pass dengan frekuensi cutoff tinggi pada 14 Hz (detik).
-terima filter Butterworth) telah diterapkan.

Untuk memungkinkan perbandingan yang adil antara broadband dengan kondisi pemfilteran
14 Hz, kami melanjutkan seperti yang diusulkan, misalnya, dalam [47, 49]: untuk kedua kondisi
pemfilteran, kami menerapkan koefisien demiksasi yang diperoleh pada data yang difilter broadband.
Dengan cara ini, kami hanya mempertimbangkan efek penyaringan pada dekomposisi ICA, tetapi
tidak pada analisis selanjutnya.

Klasifikasi otomatis dari sumber yang diperkirakan

Penghapusan artefak yang sukses tergantung pada identifikasi yang benar dari komponen
artifactual dan non-artifactual. Identifikasi komponen artifaktual ini adalah tugas yang sepele dan
membutuhkan waktu dan pengetahuan ahli. Untuk komponen artefak informasi khas, kami merujuk
pembaca ke [50]. Di sini kami menggunakan penggolong otomatis yang sebelumnya divalidasi
komponen artifaktual, IC_MARC, untuk mengklasifikasikan sumber yang diperkirakan oleh masing-
masing metode [35]. IC_MARC dikembangkan untuk sumber yang berasal dari ICA, tetapi juga dapat
digunakan untuk mengklasifikasikan sumber yang diperoleh dari metode lain. IC_MARC memberikan
probabilitas untuk komponen independen yang termasuk dalam masing-masing dari enam kelas
(berkedip, gerakan mata lateral, detak jantung listrik, artefak otot, saraf atau artefak campuran) dan
tergantung pada regresi multinomial untuk memprediksi probabilitas kelas untuk setiap komponen.

Kami menggunakan probabilitas ini dalam dua cara dalam makalah ini:

(1) dengan mengklasifikasikan semua komponen ke dalam kelas probabilitas

tertinggi yang diprediksi, kami membersihkan data dengan menghapus semua komponen
yang tidak diklasifikasikan sebagai saraf dan
(2) Kami menggunakan probabilitas komponen menjadi saraf menentukan
urutan penghapusan komponen. Kami menggunakan versi IC_MARC didasarkan pada
 serangkaian fitur hanya berisi fitur spasial yang kami lihat berfungsi dengan baik sebelumnya.
IC_MARC cenderung memiliki spesifisitas dan sensitivitas tinggi untuk kelas-kelas saraf
dengan akurasi seimbang 88% untuk 8023 komponen independen ketika satu studi belajar
dan menguji yang lain [35].

EVALUASI

1. Evaluasi 1 : ERD (Event-Related Desynchronization)

Kami menerapkan masing-masing metode secara independen pada data EEG kontinyu dan
sinkronisasi (tidak) peristiwa terkait rata-rata grand-average (ERD / ERS) yang dihitung dalam pita
beta (15-30 Hz), selaras dengan aktivitas puncak EMG.

ERD / ERS dihitung sebagai kenaikan / penurunan daya sinyal dalam pita frekuensi tertentu
relatif terhadap periode referensi [51, 52]:

di mana Power (t) menunjukkan kekuatan rata-rata atas semua uji coba pada titik waktu t. Di
sini, kami menghitung daya yang diselesaikan oleh waktu dengan band-pass pertama menyaring
sinyal dalam band beta (15 - 30 Hz, filter Butterworth orde kelima), diikuti dengan menghitung
amplopnya menggunakan transformasi Hilbert, dan menerapkan pemindahan rata-rata lebih dari 100
ms. Epoch disesuaikan dengan aktivitas puncak EMG. Puncak-puncak ini diekstraksi dari EMG yang
diperbaiki sebagai nilai maksimum dalam jendela geser dengan panjang [750 750 ms] yang melebihi
ambang batas spesifik subjek yang ditetapkan oleh inspeksi visual. Periode referensi kami diatur ke
[1200 800 ms] sebelum aktivitas puncak EMG.

Gerakan sukarela diketahui menghasilkan ERD di pita alfa dan beta, paling menonjol di
daerah sensorimotor sentral dan mulai sebelum onset gerakan (lih. [26]). Data tersebut juga
mengandung kontaminasi kejadian-terkunci dalam bentuk puncak cepat dan kuat saat onset gerakan
di ERD dari band beta (lih. Gambar 2), yang mungkin karena subjek menggerakkan kepala mereka
bersama dengan kaki yang cukup berirama. gerakan sekali per detik. Kontaminasi terkuat dalam
interval [-100 100 ms] di sekitar aktivitas puncak EMG. Seperti yang ditunjukkan pada Gambar. 1, ini
ditandai dengan daya yang relatif tinggi dalam frekuensi yang lebih tinggi, seperti yang diharapkan
untuk artefak otot.
 Tujuan dari pengangkatan artefak adalah untuk menghilangkan artefak otot ini sambil
mempertahankan aktivitas saraf. Di sini kita dapat mengevaluasi tujuan ini karena aktivitas otot dan
saraf memengaruhi aktivitas spektral dalam arah yang berlawanan: sementara artefak otot
menghasilkan peningkatan kekuatan spektral [1], tanda tangan neural yang mapan dari tugas
tersebut adalah penurunan kekuatan spektral, yaitu, ERD [26]. Sinyal yang menunjukkan ERD rendah
di seluruh gerakan kaki dengan demikian menunjukkan, pada saat yang sama, kehadiran aktivitas
saraf dan berkurangnya pengaruh artefak otot.

Oleh karena itu kami bertujuan untuk mendapatkan sinyal pembersih yang menunjukkan
ERD rendah. Untuk mengukur seberapa baik masing-masing metode mendapatkan tujuan ini, kami
mendefinisikan ukuran kontaminasi ERD heuristik berikut sebagai nilai ERD puncak selama
perpindahan.

yang kami hitung secara terpisah untuk setiap subjek dan metode preprocessing. Di sini maks
{ERD (t)} dihitung sebagai nilai maksimum ERD pada data yang dibersihkan antara -100 dan 100 ms
relatif terhadap aktivitas puncak EMG.

Dalam data yang disajikan, skor ERD puncak positif ketika tidak ada pengangkatan artefak
yang dilakukan, karena artefak otot mendominasi. Metode preprocessing yang menghilangkan
artefak dan aktivitas saraf akan menghasilkan skor 0. Metode penghapusan artefak yang efektif akan
mengurangi artefak, tetapi menjaga aktivitas saraf, dan dengan demikian mengurangi ERD menjadi
sangat negatif di seluruh gerakan kaki. Oleh karena itu, semakin rendah skor ERD puncak, semakin
baik metode reduksi artefak.

Kami menggunakan skor puncak ERD untuk menilai signifikansi statistik ketika data yang
dibersihkan hanya terdiri dari komponen saraf. Lebih lanjut, kami mengevaluasi ketergantungan
metode pada jumlah komponen sumber yang dipertahankan. Untuk setiap metode, kecuali SSD, kami
memberi peringkat komponen yang diperoleh dengan probabilitas menjadi artefak yang ditentukan
oleh IC_MARC. Untuk SSD, kami memberi peringkat komponen menurut SNR. Mempertahankan
sejumlah kecil atau lebih besar sumber sesuai dengan kebijakan ketat atau lunak untuk
menghilangkan sumber artifaktual potensial. Oleh karena itu, kami memvariasikan jumlah komponen
yang dipertahankan dari 1 hingga jumlah saluran, dan kami melaporkan skor puncak ERD rata-rata
pada subjek.

2. Evaluasi 2: Dipolarity

Sebagai perbandingan, kami juga menghitung ukuran yang tidak tergantung pada klasifikasi
komponen artifaktual atau analisis EEG berikutnya: ukuran dipolaritas yang diusulkan oleh Delorme
et al. [25]. Ini didefinisikan sebagai persentase komponen yang peta kulit kepalanya dapat dijelaskan
oleh satu sumber dipol setara dengan kurang dari varian kesalahan tertentu. Kami menggunakan
implementasi EEGLAB yang disediakan oleh Delorme et al. [25] dan varians kesalahan 10%.

Skor dipolaritas ini adalah ukuran sederhana, tetapi sangat informatif dari masuk akal
fisiologis dari sumber ICA yang diperoleh (lihat Delorme et al. [25] untuk pembahasan terperinci).
Sebaliknya, skor puncak ERD mengukur kualitas sinyal EEG yang dibersihkan dalam pita beta, yang
dalam arti tertentu merupakan produk akhir dari pengurangan artefak.

HASIL

Gambar 2 menunjukkan data ERD besar rata-rata tanpa pembersihan dan data yang sama
dibersihkan dengan menghapus semua sumber nonneural untuk setiap metode, kecuali SSD yang
kami simpan lima komponen dengan SNR tertinggi. Hasil dari penerapan metode ICA dengan
pemfilteran high-pass dirujuk dengan awalan ‘HP’ (mis., ‘HP-Infomax,‘ HPFastICA ’dan P HP-TDSEP’).
Bagian atas dari masing-masing gambar berisi jalur waktu ERD di saluran Cz, sedangkan peta kulit
kepala yang sesuai dengan interval yang ditandai dengan abu-abu terang dan gelap digambarkan
untuk beberapa metode dengan kinerja terbaik di bagian bawah. Seperti yang diharapkan, kita
melihat ERD kaki karakteristik di atas area sensorimotor pusat sebelum gerakan kaki. Selama
gerakan, kita melihat kontaminasi artefak otot yang terkunci waktu di seluruh kulit kepala. Metode
yang dibandingkan dapat mengurangi artefak ini ke berbagai tingkatan

Ketiga metode ICA meningkatkan jika data passfil tinggi pada frekuensi cutoff tinggi 14 Hz
sebelum diurai. Daya pita terendah selama artefak gerakan dicapai oleh Infomax high-pass-filtered,
diikuti oleh Fourier-ICA, SSD, FastICA high-pass-filtered dan Highpass filtered TDSEP. Metode ICA
tanpa penyaringan highpass melakukan yang terburuk, tetapi tetap mampu mengurangi artefak
secara signifikan. High-pass-filtered Infomax hampir sepenuhnya menghapus artefak sambil
mempertahankan ERD.

Skor puncak ERD rata-rata dan skor dipolaritas per metode ditunjukkan pada Tabel 1. Untuk
pengujian statistik pada skor puncak ERD, kami menentukan dua model campuran linier dengan skor
puncak ERD sebagai variabel dependen. Model-model tersebut diperkirakan menggunakan
kemungkinan maksimum terbatas (REML) seperti yang diterapkan dalam MATLAB Statistics Toolbox.
Sebagai efek acak, kedua model memiliki intersepsi untuk subjek dan lereng oleh subjek untuk setiap
faktor tetap dalam model. Pertama, untuk mengkonfirmasi efek positif dari pemfilteran high-pass
untuk metode ICA, kami menjalankan satu model dengan faktor 'metode' (Infomax, TDSEP dan
FastICA) dan 'high-pass' (ya atau tidak) dan interaksi mereka. Seperti yang diharapkan, kami
menemukan efek positif yang signifikan dari penyaringan highpass (F(1, 102) = 9.2 , p < 0.01). Dalam
model kedua, kami memasukkan kelima metode dekomposisi linier dalam varian terbaiknya (yaitu,
versi high-pass jika berlaku) serta kondisi tidak ada apa-apa. Metode ini memiliki efek yang signifikan
(F(5, 102= 4.5 , p<0.01). Perbandingan post hoc berpasangan antara metode menunjukkan bahwa
kelima metode dekomposisi meningkat secara signifikan tanpa pengurangan artefak (semua p <0.01),
dan HP-Infomax meningkat secara signifikan di atas HP-TDSEP (p<0.05).

Untuk pengujian statistik pada skor dipolaritas, kami menentukan dua model linier campuran
yang sama, tetapi dengan skor dipolaritas sebagai variabel dependen. Berbeda dengan skor puncak
ERD rata-rata, penyaringan lulus tinggi memiliki efek negatif yang signifikan pada skor dipolaritas
. Model kedua membandingkan lima metode dekomposisi HP-TDSEP, HP-
Infomax, HP-FastICA, SSD dan Fourier-ICA dan menemukan efek signifikan dari metode tersebut
.
 Perbandingan post hoc berpasangan antara metode menemukan hampir semua metode
yang dibandingkan berbeda secara signifikan satu sama lain, dengan SSD secara signifikan lebih
buruk, dan HPInfomax secara signifikan lebih baik daripada empat metode lainnya (p <0,05).

Mari kita perhatikan bahwa semua metode penghilangan artefak yang diselidiki
menghilangkan varians dari sinyal dan dengan demikian mengurangi daya di semua frekuensi.
Mereka melakukannya dengan berbagai tingkatan. Daya referensi rata-rata memasuki perhitungan
ERD di Persamaan. (2) berkurang terkuat oleh SSD, diikuti oleh HPInfomax, HP-FastICA, HP-TDSEP,
Fourier-ICA, FastICA, Infomax dan TDSEP

Varians yang dipertahankan per metode dapat dipengaruhi oleh perubahan jumlah
komponen yang dihapus. Gambar 3 menunjukkan skor puncak ERD sebagai fungsi dari jumlah
komponen yang dipertahankan. Komponen dihapus dalam rangka mengurangi kemungkinan menjadi
saraf seperti yang ditentukan oleh IC_MARC, kecuali untuk SSD, di mana komponen dihapus dalam
rangka mengurangi SNR.1

Hasilnya sejalan dengan gambaran umum yang disajikan pada Gambar. 2 dan Tabel 1, yang
menunjukkan kasus mempertahankan semua IC yang probabilitas tertinggi adalah untuk kelas saraf.
Penyaringan lulus tinggi data pada frekuensi cutoff tinggi 14 Hz cenderung meningkatkan puncak ERD
untuk metode ICA. Infomax extended-pass-filtered panjang memperoleh skor puncak ERD (terendah)
terbaik atas semua jumlah komponen yang dipertahankan dan mempertahankan posisi terdepannya
dalam sejumlah besar komponen yang dipertahankan (10–25 komponen).

DISKUSI

Dalam tulisan ini, kami menganalisis dan membandingkan kemampuan reduksi artefak dari tiga
metode ICA domain waktu yang paling umum (Extended Infomax, FastICA dan TDSEP) dengan dua
metode dekomposisi linier lainnya yang dirancang untuk mengekstrak sinyal osilasi (FourierICA dan
SSD). Karena ICA dan metode dekomposisi linear lainnya adalah alat yang paling banyak digunakan
untuk mengurangi artefak otot dalam sinyal EEG, banyak peneliti bertanya-tanya mana yang harus
dipilih dalam praktik. Namun, masih sulit untuk membandingkan algoritme reduksi artefak yang
berbeda pada data nyata karena sinyal 'artefact-free' kebenaran tanah tidak diketahui.
Di sini kami menggunakan paradigma gerakan serba sendiri yang menginduksi penurunan aktivitas
berirama, yang bertentangan dengan artefak otot yang biasanya meningkatkan kekuatan spektral.

Sementara penelitian kami juga dibatasi oleh kurangnya kebenaran yang kuat dari aktivitas saraf yang
mendasarinya, studi ini memungkinkan kami untuk mengevaluasi kemampuan metode yang
dibandingkan secara heuristik untuk menghilangkan artefak otot yang terkunci dengan kuat
sementara tetap mempertahankan aktivitas saraf dalam bentuk peristiwa. Sinkronisasi terkait.
Temuan kami menunjukkan bahwa kelima metode mampu menghilangkan sebagian besar artefak
gerakan, dengan Infomax yang diperluas — setelah penyaringan jalur tinggi yang memadai —
berkinerja terbaik.

Kami juga mengevaluasi ketergantungan metode pada jumlah komponen sumber yang
dipertahankan. Sangat meyakinkan bahwa kinerja metode, relatif satu sama lain, tetap pada tingkat
yang sama untuk sejumlah besar komponen yang dipertahankan. Ini menunjukkan bahwa memang
ada perbedaan nyata antara metode yang tidak sangat bergantung pada apakah kebijakan
pembersihan yang ketat atau ringan digunakan. High-pass-filtered Infomax menghasilkan skor puncak
ERD terbaik pada berbagai komponen yang dipertahankan

Konsisten dengan Delorme et al. [25], kami menemukan bahwa Infomax yang diperluas berkinerja
terbaik, baik dalam hal skor dipolaritas yang diusulkan dalam Delorme et al. [25] dan dalam hal skor
puncak ERD kami. Namun, skor puncak ERD, yang secara heuristik menghitung fenomena osilasi pada
data yang dibersihkan, tidak sepeka ukuran dipolaritas, yang dihitung pada sinyal sumber. Ini sudah
diduga, karena sinyal sumber adalah langkah menengah dalam pengurangan artefak, dan perbedaan
pada tingkat menengah ini mungkin tidak perlu diterjemahkan menjadi perbedaan kuat dalam data
yang dibersihkan. Memang, perbedaan ERD yang diamati antara metode agak kecil, yang
menunjukkan bahwa pilihan metode dekomposisi mungkin sering tidak menghasilkan perbedaan
kuat dalam kualitas data.

Hasil kami menunjukkan bahwa pemfilteran high-pass yang memadai mungkin lebih penting
daripada pilihan metode ICA: ketiga metode ICA mencapai skor puncak ERD yang lebih baik ketika
data telah disaring dengan high-pass pada frekuensi cutoff tepat di bawah pita frekuensi menarik
sebelum dekomposisi. Efeknya paling menonjol untuk Infomax dan FastICA. Namun, penyaringan
jalur tinggi pada frekuensi cutoff memiliki dampak negatif pada skor dipolaritas. Efek dari
penyaringan jalur tinggi sangat tergantung pada analisis selanjutnya yang dimaksudkan dan tidak
selalu menguntungkan. Pemfilteran mungkin memandu dekomposisi ke arah mengekstraksi
komponen yang menjelaskan aktivitas yang kami minati. Yaitu, jika (dan hanya jika) kami tidak
tertarik pada frekuensi rendah dalam analisis lebih lanjut, kami dapat mengambil manfaat dengan
menghapusnya sebelum dekomposisi ICA. Efek ini tampaknya relevan, mungkin karena bagian
frekuensi rendah dari sinyal EEG mengandung sebagian besar variansnya.

Dibandingkan dengan Infomax high-pass-filtered, baik SSD dan Fourier-ICA hanya mencapai sedikit
lebih rendah, kinerja masih mengesankan dalam hal skor puncak ERD. SSD menghasilkan jumlah
komponen dipolar yang dapat ditafsirkan paling rendah, tetapi tampaknya sangat cocok untuk
menentukan hanya beberapa komponen saraf. Karena SSD lebih cepat untuk dievaluasi, mungkin
merupakan kompromi yang baik antara waktu yang diperlukan untuk menguraikan data dan kualitas
pemisahan artefak

Hasil kami menunjukkan bahwa ICA dan metode dekomposisi lainnya adalah alat yang cocok untuk
menghilangkan artefak otot dari data EEG kami. Ini sangat menarik karena artefak otot yang diamati
tidak terjadi secara independen dari aktivitas saraf perencanaan motorik - yang jelas melanggar
asumsi ICA. Aktivasi bersama artefak dan aktivitas saraf cukup umum dalam praktik. Hasil kami
melengkapi temuan dari McMenamin et. al [2], yang menunjukkan bahwa ICA masih merupakan
pilihan yang masuk akal bahkan dalam pengaturan tersebut.