Independent component analysis for EEG pre-processing

Tato práce se zabývá hlavními problémy algoritmů analýzy nezávislých komponent (ICA), to jest například omezeným množstvím vzorků signálu, při zpracování elektroencefalografických (EEG) záznamů a návrhem robustních algoritmů, jejichž výsledná kvalita separace zdrojů není těmito problémy ovlivněna. Kvalita separace nově navržených i již dříve publikovaných algoritmů je porovnána v rámci klasické úlohy odstraňování svalových artefaktů z EEG záznamů s tím rozdílem, že jsou využity extrémně krátké záznamy z měřícího systému s vysokou hustotou elektrod. Uvedené problémy jsou často v literatuře označovány jako ICA overlearning a porušení modelu ICA. Již dříve bylo v literatuře uvedeno, že při jevu ICA overlearning ICA algoritmy kompletně selhávají při separaci mozkových a svalových signálů pro krátké záznamy EEG signálu s větším počtem kanálů. Při porušení modelu ICA algoritmu může být výsledná kvalita separace dále závažným způsobem snížena. Tyto problémy jsou řešeny pomocí projekce EEG záznamu do několika podprostorů s nižší dimenzí než je tomu u originálního zpracovávaného záznamu. V každém z těchto podprostorů je zvlášť provedena analýza nezávislých komponent a zaveden mechanismus kontroly kvality separace kvůli identifikaci a vyřazení podprostorů s nízkou kvalitou separace zdrojů. Kvůli snížené dimenzi jednotlivých podprostorů a jejich následnému výběru pro další zpracování je jev ICA overlearning potlačen a zároveň je menší i vliv druhého problému porušení ICA modelu, což má za následek kvalitnější separaci svalových artefaktů. Po odstranění svalových artefaktů jsou signály z jednotlivých podprostorů zpětně rekonstruovány do prostoru originálního měřeného záznamu a pomocí lineárních kombinací je zpětně sestaven měřený záznam s odstraněnými artefakty. V práci je názorně předvedeno, že pro signály s krátkým trváním a vysokým počtem elektrod navržené metody poskytují vyšší kvalitu rekonstrukce čistého EEG signálu než je tomu u momentálně známých ICA algoritmů pro odstraňování svalových artefaktů z EEG záznamů.In this work, the major problems, like insufficient sample size, of independent component analysis (ICA) based algorithms used for electroencephalographic (EEG) processing are addressed and several robust algorithms that mitigate their negative effects on source separation performance are proposed. The performance of the proposed as well as previously published algorithms is assessed while performing the task of muscular artifact removal from short, high density EEG records.The studied problems are denoted as ICA overlearning in the case of limited sample size and a violation of ICA model, when ICA is applied on a signal set where the number of source signals is higher than the number of measured signals, respectively. It was previously shown that due to the ICA overlearning, the ICA completely fails to separate brain signals and muscular artifacts for short EEG records with a high number of channels. Using the ICA when the theoretical ICA model is violated can further seriously degrade the quality of achieved separation. These problems are addressed by projecting an EEG record into several subspaces with a lower dimension, performing the ICA on each subspace separately and checking the quality of separation to avoid subspaces with a low separation quality. Due to the reduced dimension of the subspaces and their automatically supervised selection, the overlearning is suppressed, ICA model violation avoided, and muscular artifacts are better separated. Once the muscular artifacts are removed, the signals in the individual subspaces are combined to provide an artifact free EEG record. It is shown that for short signals and a high number of EEG channels presented approach outperforms the currently available ICA based algorithms for the muscular artifact removal