Оптимизация ICA-разложения ЭЭГ с очисткой данных в стационарных и мобильных экспериментах

Введение

Удаление артефактов из электрофизиологических данных во временной области — задача, столь же важная, сколь и трудоемкая. Исключение «плохих» периодов данных, которые не должны учитываться в дальнейшем анализе, стало стандартом в обработке электроэнцефалографии (ЭЭГ) с момента появления этого метода. Это включает как отбраковку плохих эпох при вычислении событийно-связанных потенциалов, так и исключение плохих выборок перед проведением анализа независимых компонент (ICA).

Что такое ICA?

ICA — это линейная модель, которая разлагает данные с датчиков на компоненты, которые затем можно интерпретировать с точки зрения лежащих в их основе физиологических процессов (например, мозг, глаза, мышцы, другие источники). Математическая концепция ICA предполагает, что матрица записанных данных ЭЭГ X ∈ ℝ^N×M является линейной смесью скрытых электрически активных источников S ∈ ℝ^N×M, где N — количество источников/каналов ЭЭГ, а M — количество выборок.

Методы

В данном исследовании мы использовали восемь открытых наборов данных ЭЭГ с различной степенью интенсивности движения. Данные были обработаны с использованием алгоритма AMICA (Adaptive Mixture ICA) с различными параметрами очистки.

Критерии оценки качества разложения

Для оценки влияния очистки на качество ICA-разложения мы использовали следующие метрики:

• Взаимная информация (MI) компонентов после применения ICA к полному набору данных.
• Количество компонентов, классифицированных как мозговые, мышечные и другие, с помощью алгоритма ICLabel.
• Остаточная дисперсия (RV) мозговых компонентов как мера их физиологической правдоподобности.
• Соотношение количества мозговых компонентов к их средней остаточной дисперсии.
• Примерное вычисление соотношения сигнал-шум (SNR) в одном из экспериментов.

Результаты

Влияние интенсивности движения

При сравнении между исследованиями мы не обнаружили значимого влияния интенсивности движения на качество разложения. Однако внутри отдельных исследований мобильные условия показали снижение количества мозговых компонентов и увеличение остаточной дисперсии.

Влияние очистки данных

Умеренная очистка данных (5–10 итераций отбраковки выборок в AMICA) значительно улучшила качество разложения, хотя эффект был меньше ожидаемого. Сильная очистка не всегда приводила к дальнейшему улучшению.

Взаимодействие движения и очистки

Мы не обнаружили доказательств того, что более интенсивное движение требует более агрессивной очистки данных. Эффект очистки был схожим для всех уровней подвижности.

Обсуждение

Наши результаты показывают, что алгоритм AMICA достаточно устойчив даже при ограниченной очистке данных. Умеренная очистка (5–10 итераций) рекомендуется для большинства наборов данных, независимо от интенсивности движения. Различия между лабораторными условиями могут оказывать большее влияние на качество разложения, чем сама подвижность участников.

Заключение

Исследование демонстрирует, что:

• AMICA-разложение улучшается при умеренной очистке данных.
• Интенсивность движения влияет на качество разложения внутри исследований, но не между ними.
• Для большинства наборов данных достаточно 5–10 итераций отбраковки выборок в AMICA.

«Умеренная очистка данных перед ICA улучшает разложение, но AMICA остается устойчивым даже при ограниченной предварительной обработке.»