Using ICA for removal of ocular artifacts in EEG recorded from blind subjects

Flexer, Arthur; Bauer, Herbert; Pripfl, Jürgen; Dorffner, Georg

doi:10.1016/j.neunet.2005.03.012

Cited by 89 publications

(54 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Contudo, a ICA não conta com quaisquer maneiras de identificar quais Componentes Independentes contém esses artefatos, exigindo sua inspeção visual. É apresentado em [11] uma abordagem que automatiza essa identificação comparando os ICs aos sinais adquiridos pelos eletrodos de EOG por meio da correlação de Pearson, de forma que se o IC é desconsiderado na síntese dos novos dadosx c ∈X se essa correlação for maior que um limiar θ para qualquer um dos sinais de EOG. Cabe ressaltar que, neste trabalho, a ICA é efetuada nos sinais extraídos de cinco segundos antes do início dos ensaios até o seu término.…”

Section: Bci Competition Iv-2bunclassified

See 1 more Smart Citation

Emprego de Banco de Filtros e do Teorema de Imersão de Takens em Padrões Espaciais para a Classificação de Imagética Motora em Interfaces Cérebro-Computador

Vaz

Mello

2016

RITA

View full text Add to dashboard Cite

Resumo: As Interfaces Cérebro-Computador (BCI) são sistemas que provêm uma alternativa para que pessoas com perda severa ou total do controle motor possam interagir com o ambiente externo. Para mapear intenções individuais em operações de má-quina, os sistemas de BCI empregam um conjunto de etapas que envolvem a captura e pré-processamento dos sinais cerebrais, a extração e seleção de suas características mais relevantes e a classificação das intenções. Neste trabalho, diferentes abordagens para a extração de características de sinais cerebrais foram avaliadas, a mencionar: i) Padrões Espectro-Espaciais Comuns (CSSP); ii) Padrões Esparsos Espectro-Espaciais Comuns (CSSSP); iii) CSSP com banco de filtros (FBCSSP); e, finalmente, iv) CSSSP com banco de filtros (FBCSSSP). Em comum, essas técnicas utilizam de filtragem de banda de frequências e reconstrução de espaços para ressaltar similaridades entre sinais. A técnica de Seleção de Características baseada em Informação Mútua (MIFS) foi adotada para a redução de dimensionalidade das características extraídas e, em seguida, Máquinas de Vetores de Suporte (SVM) foram utilizadas para a classificação do espaço de exemplos. Os experimentos consideraram o conjunto de dados BCI Competition IV-2b, o qual conta com sinais produzidos pelos eletrodos nas posições C3, Cz e C4 a fim de identificar as intenções de movimentação das mãos direita e esquerda. Conclui-se, a partir dos índices kappa obtidos, que os extratores de características adotados podem apresentar resultados equiparáveis ao estado da arte.

show abstract

Section: Bci Competition Iv-2bunclassified

“…Ademais, mesmo com a automatização deste procedimento de detecção, há a perda de todo um ensaio [8]. Neste trabalho, emprega-se a ICA para a remoção de artefatos oculares dos sinais de EEG, visto seus bons resultados reportados pela literatura [11], e é considerado o trabalho de [11] para a identificação automática dos artefatos de EOG.…”

Section: Introductionunclassified

Emprego de Banco de Filtros e do Teorema de Imersão de Takens em Padrões Espaciais para a Classificação de Imagética Motora em Interfaces Cérebro-Computador

Vaz

Mello

2016

RITA

View full text Add to dashboard Cite

show abstract

“…In contrast, algorithms that can detect artifacts automatically without supervision , e.g. by correlating components with an average signal of the artifact, are often limited to a specific type of artifact [6,7,8,9].…”

Section: Introductionmentioning

confidence: 99%

Automatic Reduction of Artifacts in EEG-Signals

Schachinger¹,

Schindler

Kluge³

2007

2007 15th International Conference on Digital Signal Processing

View full text Add to dashboard Cite

Electroencephalograms (EEG) are often contaminated with high amplitude artifacts limiting the usability of data. Methods that reduce these artifacts are often restricted to certain types of artifacts, require manual interaction or large training data sets. Within this paper we introduce a novel method, which is able to eliminate many different types of artifacts without manual intervention. The algorithm first decomposes the signal into different sub-band signals in order to isolate different types of artifacts into specific frequency bands. After signal decomposition with principal component analysis (PCA) an adaptive threshold is applied to eliminate components with high variance corresponding to the dominant artifact activity. Our results show that the algorithm is able to significantly reduce artifacts while preserving the EEG activity. Parameters for the algorithm do not have to be identified for every patient individually making the method a good candidate for preprocessing in automatic seizure detection and prediction algorithms.

show abstract

“…First, ICA provides a "demixing" matrix which decomposes the MEG channels into different independent components (ICs). Next, the ICs that are responsible for artifacts are detected by a visual inspection [7] or by automatic methods [13]- [15], and they are removed. Finally, a "mixing" matrix is used to project back the sources to the MEG channels in true sign and amplitude without the removed artifacts.…”

Section: Introductionmentioning

confidence: 99%

“…Whereas some papers set a power threshold [15], others studies used the number of available channels as the number of sources [12], [13]. However, few statistical criteria have been used [9], [16].…”

Section: Introductionmentioning

confidence: 99%

Rejection of artifact sources in magnetoencephalogram background activity using independent component analysis

Escudero

Hornero

Abásolo

et al. 2006

2006 International Conference of the IEEE Engineering in Medicine and Biology Society

View full text Add to dashboard Cite

Abstract-The aim of this pilot study was to assess the usefulness of independent component analysis (ICA) to detect cardiac artifacts and power line interferences in magnetoencephalogram (MEG) recordings. We recorded MEG signals from six subjects with a 148-channel whole-head magnetometer (MAGNES 2500 WH, 4D Neuroimaging). Epochs of 50 s with power line noise, cardiac, and ocular artifacts were selected for analysis. We applied a statistical criterion to determine the number of sources, and a robust ICA algorithm to decompose the MEG epochs. Skewness, kurtosis, and a spectral metric were used to mark the studied artifacts. We found that the power line interference could be easily detected by its frequency characteristics. Moreover, skewness outperformed kurtosis when identifying the cardiac artifact.

show abstract

Using ICA for removal of ocular artifacts in EEG recorded from blind subjects

Cited by 89 publications

References 17 publications

Emprego de Banco de Filtros e do Teorema de Imersão de Takens em Padrões Espaciais para a Classificação de Imagética Motora em Interfaces Cérebro-Computador

Emprego de Banco de Filtros e do Teorema de Imersão de Takens em Padrões Espaciais para a Classificação de Imagética Motora em Interfaces Cérebro-Computador

Automatic Reduction of Artifacts in EEG-Signals

Rejection of artifact sources in magnetoencephalogram background activity using independent component analysis

Contact Info

Product

Resources

About