Eliminació d'artefactes en EGG mitjançant l'ús de la Multivariate Empirical Mode Decomposition

Abstract

La tècnica de l’electroencefalograma (EEG) és una de les tècniques més utilitzades per estudiar el cervell. En aquesta tècnica s’enregistren els senyals elèctrics que es produeixen en el còrtex humà a través d’elèctrodes col•locats al cap. Aquesta tècnica, però, presenta algunes limitacions a l’hora de realitzar els enregistraments, la principal limitació es coneix com a artefactes, que són senyals indesitjats que es mesclen amb els senyals EEG. L’objectiu d’aquest treball de final de màster és presentar tres nous mètodes de neteja d’artefactes que poden ser aplicats en EEG. Aquests estan basats en l’aplicació de la Multivariate Empirical Mode Decomposition, que és una nova tècnica utilitzada per al processament de senyal. Els mètodes de neteja proposats s’apliquen a dades EEG simulades que contenen artefactes (pestanyeigs), i un cop s’han aplicat els procediments de neteja es comparen amb dades EEG que no tenen pestanyeigs, per comprovar quina millora presenten. Posteriorment, dos dels tres mètodes de neteja proposats s’apliquen sobre dades EEG reals. Les conclusions que s’han extret del treball són que dos dels nous procediments de neteja proposats es poden utilitzar per realitzar el preprocessament de dades reals per eliminar pestanyeigs.

Abstract The electroencephalogram (EEG) is one of the most used techniques to study the brain. This technique records the electric potentials generated in the human cortex with electrodes attached to the scalp. However, this technique presents several shortcomings. The more important shortcoming is the presence of artifacts, which are undesired signals that disturb the EEG time series. These artifacts are due to muscle action. The aim of this Master Final Project is to present three new procedures to clean artifacts of EEG data. The new procedures are based on the application of the Multivariate Empirical Mode Decomposition, which is a new technique used in data processing. The proposed methods are applied to simulated EEG data with artifacts (eye blinks). Once the cleaning methods are applied, clean data is compared with EEG data without eye blinks to quantify the improvement of the data. Subsequently, two of the presented methods are applied to real data to show that the procedures can be applied to actual recordings. The results point out that the use of two of the cleaning procedures proposed to correct eye blinks may be a good procedure for EEG signal preprocessing.