Resumen

Las señales del electroencefalograma (EEG) suelen estar contaminadas por diversos artefactos, como la señal asociada a la actividad muscular, el movimiento ocular y el movimiento corporal, que tienen un origen no cerebral. La amplitud de tales artefactos es mayor que la de la actividad eléctrica del cerebro, por lo que enmascaran las señales corticales de interés, dando lugar a análisis e interpretaciones sesgados. Se han desarrollado varios métodos de separación ciega de fuentes para eliminar los artefactos de las grabaciones de EEG. Sin embargo, el proceso iterativo para medir la separación en grabaciones multicanal es intratable desde el punto de vista informático. Además, excluir manualmente los componentes de los artefactos requiere un proceso fuera de línea que requiere mucho tiempo. Este trabajo propone un algoritmo de eliminación de artefactos en tiempo real basado en el análisis de correlación canónica (CCA), la extracción de características y el modelo de mezcla gaussiano (GMM) para mejorar la calidad de las señales de EEG. El CCA se utilizó para descomponer las señales de EEG en componentes, seguido de la extracción de características para extraer características representativas y GMM para agrupar estas características en grupos para reconocer y eliminar artefactos. Se demostró la viabilidad del algoritmo propuesto al eliminar eficazmente los artefactos causados por parpadeos, movimientos de cabeza/cuerpo y masticación de las grabaciones de EEG, preservando al mismo tiempo las características temporales y espectrales de las señales que son importantes para la investigación cognitiva.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:artefactos, grabaciones de EEG, señales de EEG, extracción de características, varios métodos ciegos de separación de fuentes, algoritmo de eliminación de artefactos temporales, modelo de mezcla gaussiano, análisis de correlación canónica, CCA, GMM
• Keywords:artifacts, EEG recordings, EEG signals, feature extraction, Several blind source separation methods, time artifact removal algorithm, Gaussian mixture model, canonical correlation analysis, CCA, GMM