Automated Detection and Removal of EEG Artifacts for an RGB Stimulation-Based Brain-Computer Interface
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3096562Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Sammendrag
Denne oppgaven undersøker metoder for å fjerne okulære artefakter (OA) fra registrerte EEG-signaler og evaluerer deres effektivitet og gjennomførbarhet for bruk i et fremtidig hjerne-datamaskin grensesnitt (BCI). Motivasjonen stammer fra ønsket om å forbedre livskvaliteten for personer med locked-in syndrom (LIS), en tilstand der personer er bevisste og våkne, men opplever total lammelse som hindrer dem fra å bevege seg eller kommunisere. Håndtering av artefakter er avgjørende for å sikre nøyaktig tolkning av hjerneaktivitet og pålitelig systemytelse for BCIer.
Et kommunikasjonssystem ble foreslått i et tidligere prosjekt, der EEG-signaler generert under en visuell stimuleringsprotokoll blir brukt. For å introdusere OA-håndtering i prosessen, ble fire ulike teknikker testet: uavhengig komponentanalyse (ICA), en algebraisk tilnærming, samt to versjoner av signalromsprosjeksjon (SSP). Disse metodene ble sammenlignet med tanke på deres evne til å fjerne artefakter og påfølgende klassifisering ved hjelp av et konvolusjonelt nevralt nettverk (CNN). Datasettet som ble brukt i denne oppgaven inneholder EEG-data fra 31 deltakere, spilt inn mens de observerte en skjerm som viste RGB-farger i intervaller med en grå pause mellom hver farge. Denneoppsettet muliggjør en binærklassifisering av hvile (grå skjerm) versus oppgave (RGB-farger).
Eksperimentene som ble utført i dette prosjektet hadde som mål å evaluere effekten av de ulike artefaktfjerningsteknikkene og deres innvirkning på klassifisering. Basert på visuell inspeksjon og kohæransanalyse av de bearbeidede signalene og de opprinnelige opptakene, ble det funnet at de fleste metodene effektivt oppdaget og fjernet OA-spike på en tilfredsstillende måte. Imidlertid fungerte den algebraiske metoden dårlig med variasjoner i OA-deteksjon mellom ulike kanaler, noe som resulterte i enten for få fjernede artefakter eller unødvendig fjerning i ikke-artefaktsområder. Denne forskjellen ble også gjenspeilet i klassifiseringsresultatene, da de andre modellene oppnådde gjennomsnittlig nøyaktighet på 69% til 75%, mens den algebraiske metoden oppførte seg som en tilfeldig klassifiserer med 50% nøyaktighet. Av fjerningsmetodene som er egnet for sanntidsbruk, ga den modifiserte SSP-metoden den høyeste gjennomsnittlige nøyaktigheten på 71%. Imidlertid resulterte variasjonen i prestasjon i den beste individuelle klassifiseringen på 94%, uten bruk av OA-fjerning.
De oppnådde resultatene understreker betydningen av å utforske ulike klassifiseringsmetoder og deres respons til metoder for fjerning av OAer. Det er tydelig at selv om ytterligere forbedringer og optimalisering er nødvendige, viser funnene at det er mulig å utvikle effektive metoder for å fjerne okulære artefakter i BCIer, og dermed bistå i utviklingen av nøyaktige kommunikasjonsplattformer. This thesis investigates methods for removing Ocular Artifacts (OA)s from recorded Electroencephalography (EEG) signals and evaluates their effectiveness and feasibility for use in a Brain-Computer Interface (BCI) system. The motivation stems from the desire to improve the quality of life for persons with Locked-in Syndrome (LIS), a condition where individuals remain conscious and awake but experience complete paralysis, preventing them from moving or communicating. Artifact handling is vital for BCIs to ensure accurate interpretation of brain signals and reliable performance.
A communication system has been proposed in earlier contributions to the project, where a control signal is to be obtained by recording EEG signals generated during a specific visual stimulation protocol. To introduce OA handling into this pipeline, four different techniques were tested: Independent Component Analysis (ICA), an algebraic approach, and two versions of Signal-Space Projection (SSP). These methods were compared in terms of their artifact removal performance and subsequent classification using a Convolutional Neural Network (CNN). The dataset used has EEG data from 31 subjects observing RGB colors on a screen with gray pauses in between. This allowed for binary classification of rest (gray screen) and task (RGB colors).
The experiments performed in this project aimed to evaluate the effects of the different artifact removal techniques and their impact on classification performance. Based on visual inspection of the signal and coherence analysis between the processed signals and the original recordings, it was found that most of the methods effectively detected and removed the OA spikes to a satisfactory degree. However, the algebraic method performed poorly, with variations in OA detection across different channels resulting in either too few artifacts removed or unnecessary removal in non-artifact areas. This discrepancy was also reflected in the classification results, as the other models achieved average accuracies ranging from 69% to 75%, while the algebraic method behaved close to a random classifier at 50%. Out of the real-time appropriate removal methods, the modified SSP method provided the highest average accuracy of 71%. However, variation in the classification made the best individual subject performance 94%, using no OA removal.
The results emphasize the significance of exploring various classifiers and their response to OA removal. It is clear that although further enhancements are needed, the findings demonstrate the viability of developing efficient methods for removing OAs in BCIs, which could improve the classification and prediction performances, thereby facilitating accurate communication platforms.