Extracción de artefactos oculares de EEG mediante análisis de componentes independientes

El cerebro es el órgano más complejo que poseemos y el epicentro de la llegada y salida de información al sistema nervioso. Al ser el encargado de gestionar toda la información, su análisis se vuelve fundamental. Este análisis se lleva a cabo mediante el estudio de la electroencefalografía. El electroencefalograma es la técnica que registra la actividad cerebral en busca de alteraciones para diagnosticar trastornos cerebrales a través de la disposición de electrodos en el cuero cabelludo. En las señales que se registran a través de esta técnica es común que se refleje la aparición de ruido acoplado a la señal, pero ajeno a ella. En el campo de la biomedicina a la presencia de ruido de origen externo se le denomina artefacto y, si la señal a analizar está mezclada con estos, se complica la labor del neurofisiólogo de poder llegar a un diagnóstico correctamente. Es por ello que se vuelve necesaria la detección y eliminación de la presencia de artefactos en las señales. Este proyecto de fin de grado tiene como objetivo principal la aplicación de métodos para disminuir o eliminar el efecto de artefactos, concretamente los oculares. A lo largo de este trabajo, se hará un análisis de los algoritmos más comunes para este propósito y nos centraremos en dos: FastICA (Análisis de Componentes Independientes) y EMD (Descomposición de Modo Empírico). La ventaja que presentan estos métodos es la posibilidad de separar los artefactos de la señal de interés en un sistema en el que no disponemos de señal de referencia para dichos artefactos. Cada uno de estos dos algoritmos será implementado y se comprobará su funcionamiento mediante simulaciones en diferentes escenarios. Para la realización de estas simulaciones se utilizará el software de Matlab, gracias a que su entorno de desarrollo permite tratar señales digitales. Primero se utilizarán ejemplos sintéticos para analizar ambos métodos y después se considerarán casos reales con la aportación de señales de la base de datos Physionet. Finalmente, se hará una comparación de los resultados de ambos algoritmos, valorando los aspectos positivos y negativos de cada uno. Abstract: The brain is the most complex organ that we have, and the epicentre of all the information that arrives and goes out of the nervous system. Since it is the one that manages all this information, its analysis becomes fundamental. This analysis is performed through the study of the electroencephalography. The electroencephalogram is the technique that records the brain’s activity in search of alterations that help to diagnose brain disorders. This is done by positing electrodes on the scalp of a patient. When recording signals using this technique, it is common to find noise attached to the signal. In the field of Biomedicine, the presence of this external noise is called artifact. If the signal that is being analyzed is mixed with these artifacts, it will be harder for the neurophysiologist to get a correct diagnose for the patient. This is why it is mandatory to detect and remove the artifacts’ presence from the signals. The objective of this project is the application of methods that reduce or eliminate the effect of artifacts, specifically the ocular ones. Throughout this project, we will analyze the most common algorithms for this purpose, focusing on two of them: FastICA (Independent Component Analysis) and EMD (Empirical Mode Decomposition). The advantage of these two methods is the possibility of separating the artifacts from the signals of interest in a system in which we do not have a reference signal for the artifacts. Each of these algorithms will be implemented and its functioning will be tested through simulations in different scenarios. The creation of these scenarios will be done using the Matlab software, since its development environment allows the handling of digital signals. Firstly, we will use synthetic examples to analyze both methods. Afterwards, we will use real cases, thanks to the signals provided by the Physionet data base. Finally, we will compare the results of both algorithms, taking into account the positive and negative aspects of each one of them