Development of an Adaptive Algorithm for Online Artefact Rejection in Electroencephalographic Recordings

Abstract

Työn tavoitteena oli kehittää algoritmi aivosähkökäyrän häiriöiden reaaliaikaiseen poistamiseen. Työ oli osa uuden laitteen kehitysprojektia, jossa pyritään vähentämään tietyntyyppisiin aivosähkökäyrämittauksiin kuluvaa aikaa ja helpottamaan mittausten suorittamista. Mittaukset tehtiin laitteen kahdeksankanavaisella prototyypillä.

Artefaktojen ominaispiirteet määritettiin kokeellisesti. Tärkeimmiksi häiriölähteiksi todettiin silmien räpäytykset, silmien liikkeet, pään liikuttaminen sekä purenta. Ensisijaisesti häiriöiden tunnistamisessa käytettiin laskennallisesti kevyitä virtuaalikanavamenetelmiä, jotka hyödynsivät havaittuja piirteitä. Menetelmiä kehitettiin edelleen useiden koemittausten avulla. Myöhemmissä versioissa algoritmi saatiin mukautumaan erilaisiin mittaustilanteisiin ja muutoksiin mittauksen kuluessa.

Lopullinen algoritmi on huomattavasti tehokkaampi ja luotettavampi kuin aiemmin käytetyt reaaliaikaiset menetelmät. Aiemmat menetelmät ovat perustuneet yksittäiseen raja-arvoon ja niiden hylkäysprosentit ovat korkeintaan 80% käytettäessä samoja kriteereitä kuin tässä työssä. Viimeisimmissä suorituskykykokeissa algoritmi tunnisti ja hylkäsi noin 99% artefaktoista ja hylkäyksistä yli 98% oli oikeaan osuneita. Kokeessa käytettiin useita koehenkilöitä ja mittaustilanne oli mahdollisimman tarkasti laitteen todellista käyttötilannetta jäljittelevä. Tämä osoittaa, että algoritmi on erittäin tehokas ja pystyy mukautumaan sopivaksi kullekin koehenkilölle normaaleissa mittaustilanteissa.

Lopullisessa muodossaan kahdeksankanavainen algoritmi soveltuu mainiosti projektissa kehitettävän laitteen häiriönpoistoalgoritmiksi. Se on tehokas, luotettava ja laskennallisesti verraten kevyt. Mikäli laitteesta kehitetään jatkossa versio, jossa häiriönpoisto tapahtuu sulautetulla prosessorilla, on kehitetty algoritmi varteenotettava ehdokas toteutukseksi. Myös muunlaiset aivosähkökäyrälaitteet ovat potentiaalisia sovelluskohteita algoritmille, sillä häiriönpoisto on eräs niiden yleisimmistä heikkouksista.

The purpose of the work was to develop an online algorithm for electroencephalograph (EEG) artefact removal. The work was part of a project developing a novel device for easier and faster recording of event related potentials (ERPs). A prototype of the device was used in the recordings involved in the development of the algorithm.

The properties of the artefacts were studied experimentally. Most important artefact sources turned out to be blinks, eye movements, head movements, and jaw muscle activations. The primary methods used in artefact detection were several virtual channel methods that are computationally light and take advantage of the experimentally determined properties. Several developments were made to the methods with the aid of further experimental data. In later versions adaptive features were introduced to the algorithm, allowing it to adjust to changes in measurement conditions without outside interruption.

The final version of the algorithm is more powerful and robust than other online solutions. Earlier solutions have relied on a single potential threshold and have reached only 80% accuracy at best when assessed using the same criteria as the algorithm presented here. In the latest performance tests the algorithm detected and rejected approximately 99% of all artefacts, with over 98% of the rejections being correct. Several test subjects were used in the tests and the recording set-up closely mimicked the set-up where such a device would be used in reality. The tests prove that the algorithm is very powerful and can adapt to different subjects under ordinary but not necessarily identical conditions.

In the final version presented in this work the eight channel algorithm is well suited to remove the artefacts present in the data measured by the device. It is powerful, reliable, and efficient compared to the alternatives. If the device is developed to include an embedded processor for artefact rejection the algorithm is a good candidate for implementation. The algorithm could also be of use in other EEG applications after some minor modifications, because artefact detection is one of the most common weaknesses of the devices.