5 курс / ОЗИЗО Общественное здоровье и здравоохранение / Проектирование_мультимодальных_интерфейсов_мозг_компьютер

Методы восстановления данных при работе с артефактами

а

б

Рис. 21. Тепловая карта (диаграмма связанных с событиями потенциалов либо полей (ERP/F)) для эпох ЭОГ (а) и усредненное значение по всем эпохам (б) для сигнала МЭГ

Методы восстановления данных  при работе с артефактами

Существует три подхода при работе с артефактами:

‒оставляем сигнал без изменения,

‒отмечаем блоки как содержащие артефакт и исключаем из ана-

лиза,

‒восстанавливаем сигнал, искаженный артефактом.

Для выбора подхода необходимо рассмотреть каждый отдельный артефакт и провести анализ особенностей его сигнала: пространственное распределение, частотные характеристики, регулярность и частоты появления на временной шкале. Ранее на примере артефактов ЭОГ и ЭКГ мы рассмотрели основные методы такого анализа: диаграмму связанных с событиями потенциалов или полей (ERP/F), карту пространственного распределения потенциалов на голове (топограмма).

Восстановление данных может осуществляться на базе исходного сигнала ЭЭГ или МЭГ, а также при мультимодальных исследованиях с использованием дополнительных каналов, например, ЭКГ и ЭОГ.

Задача восстановления данных может быть сформулирована как поиск и исключение составляющей сигнала артефакта artSignal(t) из из-

49

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

меренных данных ЭЭГ или МЭГ mesSignal(t) и получение восстановленных данных repSignal(t).

В первом приближении мы можем предположить линейную связь между обозначенными составляющими сигнала и решить задачу линейной регрессии. Данный метод показал высокую эффективность при восстановлении данных артефакта ЭОГ [51]. Формула дает представление об этом методе:

mesSignalij = artSignalij · Cij + repSignalij,

где i — момент времени; j — датчик ЭЭГ или МЭГ; коэффициенты C находят с помощью метода наименьших квадратов для уменьшения ошибки приближения artSignal к mesSignal.

Библиотека MNE-Python содержит функции для восстановления данных с использованием регрессии. В работе [52] приводится пример использования функции для восстановления данных при работе с артефактом ЭОГ; отмечается, что метод регрессии в меньшей степени применим для сигнала ЭКГ при восстановлении данных МЭГ.

Более сложные методы восстановления предполагают выделение нескольких составляющих в сигналах каналов ЭЭГ, МЭГ на основании анализа измеренного сигнала ЭЭГ или МЭГ. К таким методам относятся, например:

‒метод независимых компонент (ICA),

‒метод проекций (SSP).

Рассмотрим метод независимых компонент (ICA).

Анализ независимых компонентов (ICA) — это метод оценки независимых исходных сигналов из набора записей, в которых исходные сигналы были смешаны вместе в неизвестных соотношениях. Типичным примером этого является проблема разделения источников вслепую [53]: с тремя музыкальными инструментами, играющими в одной комнате, и с тремя микрофонами, записывающими исполнение (каждый улавливает все три инструмента, но на разной громкости). Можно ли, анализируя сигналы микрофонов, получить сигнал каждого отдельного инструмента?

Нетрудно понять, как эта аналогия с инструментами и микрофонами применима к анализу ЭЭГ и МЭГ: существует множество «микрофонов» (сенсорных каналов), одновременно регистрирующих множество «инструментов» (моргание, сердцебиение, активность в разных областях мозга, мышечную активность при сжатии челюстей или гло-

50

Методы восстановления данных при работе с артефактами

тание и другие). Пока эти различные исходные сигналы статистически независимы и их распределения не являются гауссовыми, обычно можно разделить источники с помощью ICA, а затем восстановить сигналы датчика после исключения нежелательных источников.

MNE-Python реализует три разных алгоритма ICA с параметрами использования метода: Fastica (по умолчанию), Picard и Infomax. FastICA и Infomax довольно широко используются; Picard — это более новый (2017) алгоритм, который, как ожидается, будет сходиться быстрее, чем FastICA и Infomax, и является более надежным, чем другие алгоритмы, в случаях, когда источники не являются полностью независимыми, что обычно происходит с реальными данными ЭЭГ либо МЭГ [54].

Интерфейс ICA в MNE-Python аналогичен интерфейсу в scikit-­learn: некоторые общие параметры указываются при создании объекта ICA, затем объект ICA подгоняется к данным с помощью своего метода fit. Результаты подгонки добавляются к объекту ICA в виде атрибутов, оканчивающихся символом подчеркивания (_), таких как ica.mixing_, matrix_ и ica.unmixing_matrix_. После подгонки необходимо выбрать компоненты ICA, которые вы хотите удалить, а подгонку ICA затем применить к объекту Raw или Epochs с помощью метода apply объекта ICA.

Как это обычно делается с ICA, данные сначала стандартизируются до нулевого среднего и единичной дисперсии [54] и декомпозируются с использованием метода главных компонент (PCA) перед выполнением ICA. Это двухэтапный процесс:

‒чтобы иметь дело с разными типами каналов, имеющими разные единицы измерения (например, вольты для ЭЭГ и тесла для МЭГ), данные необходимо предварительно нормализовать. Если Noise_cov=None (по умолчанию), все данные данного типа канала масштабируются по стандартному отклонению по всем каналам. Если Noise_cov является ковариацией, каналы предварительно отбеливаются с использованием ковариации;

‒предварительно нормализованные данные декомпозируются с использованием метода главных компонент (PCA).

Далее из полученных основных компонент (PC) первые n_ components передаются в алгоритм ICA, если n_components — целое число. Это также может быть число с плавающей запятой от 0 до 1, указывающее долю объясненной дисперсии, при этом автоматически выбираются и передаются методу ICA и компоненты, которые в сумме дают указанную дисперсию.

51

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

После визуализации независимых компонент (IC) и исключения любых артефактов, которые вы хотите исправить, сигнал датчика можно реконструировать с помощью метода apply объекта ICA. По умолчанию при реконструкции сигнала используются все IC (за вычетом всех IC, перечисленных в ICA.exclude), а также все PC, которые не были включены в разложение ICA (т.е. «остаток PCA»). Процесс уменьшения количества компонент, используемых на этапе реконструкции, контролируется параметром n_pca_components (который в свою очередь уменьшит ранг ваших данных; по умолчанию n_pca_components=None, что не приводит к дополнительному уменьшению размерности). Процедуры подгонки и реконструкции, а также параметры, контролирующие размерность на этапах, представлены на диаграмме рис. 22.

Рис. 22. Схема метода ICA

Рассмотрим работу метода на примере исправления данных артефактов ЭОГ и ЭКГ. В главах «Артефакт ЭКГ» и «Артефакт ЭОГ» мы рассматривали физиологические причины появления артефакта и провели анализ сигналов из источника sample_audvis_filt-0–40_raw.fif с использованием методов визуализации пакета MNE-Python.

Для начала импортируем необходимые библиотеки, создаем инструмент просмотра исходных данных, отображаем расположение выбранных датчиков. На рис. 23 показан снимок экрана инструмента просмотра данных. На выбранных каналах МЭГ хорошо видно появление периодического артефакта ЭКГ. На выбранных каналах ЭЭГ присутствует три артефакта ЭОГ, у которых можно заметить менее выраженные изменения в сигнале МЭГ, например, для каналов MEG 1411 и MEG 1421. На рис. 24 показано расположение датчиков.

import os import mne

from mne.preprocessing import (ICA, create_eog_epochs, create_ecg_epochs,

corrmap)

52

Методы восстановления данных при работе с артефактами

sample_data_folder = mne.datasets.sample.data_path() sample_data_raw_file = os.path.join(sample_data_folder,

'MEG', 'sample',

'sample_audvis_filt 0–40_raw.fif') raw = mne.io.read_raw_fif(sample_data_raw_file)

#Here we'll crop to 60 seconds and drop gradiometer channels for speed

raw.crop(tmax=60.).pick_types(meg='mag', eeg=True, stim=True, eog=True)

raw.load_data()

#Регулярное выражение задает условие для выбора кана лов МЭГ и ЭЭГ.

regexp = r' (MEG [12][45][123]1|EEG 00[0–7])' artifact_picks = mne.pick_channels_regexp(raw.ch_names,

regexp=regexp)

raw.plot(order=artifact_picks, n_channels=len(artifact_ picks),

show_scrollbars=False)

#Выводим изображение расположение выбранных сенсоров raw.plot_sensors(ch_type='eeg', show_names=['EEG 001', 'EEG

002', 'EEG 003', 'EEG 004', 'EEG 005', 'EEG 006', 'EEG 007']) raw.plot_sensors(ch_type='mag', show_names=['MEG 1411', 'MEG 1421', 'MEG 1431', 'MEG 1511', 'MEG 1521', 'MEG 1531', 'MEG 2411',

'MEG 2421', 'MEG 2431', 'MEG 2511', 'MEG 2521', 'MEG 2531'])

Рис. 23. Инструмент просмотра исходных данных

Перед запуском ICA важным шагом является фильтрация данных для удаления низкочастотных дрейфов, которые могут негативно

53

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

повлиять на качество выбора независимых компонент. Медленные изменения сигнала уменьшают независимость предполагаемых компонент. Например, во время медленного роста сигнала все его составляющие (ЭЭГ, ЭКГ, ЭОГ и другие) будут иметь более высокие значения. Рекомендуется использовать фильтр верхних частот с частотой среза 1 Гц. Однако сразу оговоримся: поскольку фильтрация является линейной операцией, постольку найденное решение может быть применено к нефильтрованному сигналу. Применим операцию фильтрации сигнала и сохраним результат в объекте fi lt_raw.

fi lt_raw = raw.copy().fi lter(l_freq=1., h_freq=None)

Рис. 24. Расположение сенсоров ЭЭГ и МЭГ

Теперь приступим непосредственно к применению метода независимых компонент (ICA). Поскольку мы ранее отметили, что артефакты ЭОГ и ЭКГ явно выражены на исходных данных, постольку следует ожидать, что первые несколько независимых компонент (PCA) будут связаны с рассматриваемыми артефактами ЭКГ и ЭОГ. По этой причине в первом приближении мы запустим ICA с n_components=15 (используем только первые 15 компонентов PCA для вычисления декомпозиции ICA). Исходные данные содержат более 300 каналов; следует сразу отметить, что на практике для такого числа каналов это очень небольшое число компонент.

Подгонка ICA не является детерминированной (например, компоненты могут менять знак в разных запусках или могут не всегда возвращаться в одном и том же порядке), поэтому мы также укажем случайное начальное число, чтобы каждый раз получать идентичные результаты при выполнении указанного в пособии кода.

54

Методы восстановления данных при работе с артефактами

ica = ICA(n_components=15, max_iter='auto', random_ state=97)

ica.fi t(fi lt_raw) ica raw.load_data()

ica.plot_sources(raw, show_scrollbars=False)

Теперь рассмотрим результаты разложения сигнала на компоненты (рис. 25). Первый компонент ICA000 очевидно связан с движением глазами по следующим причинам:

‒самый простой критерий — моменты времени пиков совпадают с пиками на исходном сигнале (см. рис. 23);

‒пространственное распределение амплитуды сигнала повторяет распределение для эпох ЭОГ (см. рис. 19, а);

‒на графике спектра заметен максимум близкий к 1–2 Гц, что согласуется с данными об ЭОГ-сигнале.

Рис. 25. Компоненты сигнала (ICA000 — компонент, связанный с ЭОГ)

55

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

В заключение главы отметим следующую особенность этапа обработки сигнала. Исследователь и проектировщик ИМК работает на данном этапе с исходными временными рядами. Используя инструменты фильтрации, разбиения на эпохи, выделения компонент и визуализации данных, разработчик ИМК получает полное представление о свой­ ствах сигнала и планирует дальнейшие работы по формированию признакового пространства и применению методов машинного обучения для построения модели работы ИМК в онлайн-­режиме.

Вопросы и задания к главе 3

1. На рис. 26 представлена эквивалентная схема измерения ЭЭГ с активными сопротивлениями при регистрации сигнала ЭЭГ. Регистрируется потенциал между двумя датчиками e1 и e2. Примем Re1 =

= 10 КОм, Re2 = 20 КОм, Rусил = 100 МОм. На сколько процентов изменится V, если Re1 увеличится на 200 %, Vкоры останется прежним?

Re1

Vкоры

Рис. 26. Эквивалентная схема активных сопротивлений д атчиков и усилителя при регистрации ЭЭГ

2.Сформулируйте преимущества и недостатки применения влажных электродов.

3.В чем основное преимущество и недостаток солевых растворов по сравнению с гелями при регистрации ЭЭГ?

4.Какие основные факторы препятствуют широкому распространению сухих электродов для регистрации ЭЭГ?

5.Чем вызвана шумоподобная природа сигналов ЭЭГ?

56

Вопросы и задания к главе 3

6.Какой фильтр и с какими параметрами используется при исключении низкочастотного дрифта усилителя?

7.Применение фильтров не только подавляет нежелательные составляющие сигнала, но и вносит изменения в информативную часть сигнала. Что нужно учитывать при применении фильтров?

8.Перечислите существующие типы артефактов при измерении ЭЭГ, МЭГ.

9.Какие три основные стратегии работы с артефактами применяют при обработке данных ЭЭГ, МЭГ?

10.В чем отличие в работе с артефактами в онлайн- и офлайнрежимах обработки данных ИМК?

11.К какому типу артефакта относится топограмма на рис. 27?

Рис. 27. Топограмма ЭЭГ

12. К какому типу артефакта относится топограмма на рис. 28?

Рис. 28. Топрограмма ЭЭГ

57

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

13.Возможно ли восстановление данных артефакта ЭОГ методом регрессии, если регистрация сигнала ЭОГ не велась; сигналы с каких датчиков ЭЭГ можно использовать в качестве замены сигнала ЭОГ?

14.Каковы причины использования фильтра высоких частот при применении метода независимых компонент (ICA)?

15.Если операция фильтрации линейная, то можно ли использовать найденные на фильтрованных данных независимые компоненты (ICA) для восстановления данных на исходном сигнале?

16.Как используется метод главных компонент (PCA) при работе метода независимых компонент (ICA)?

17.Как методы корреляционного анализа могут быть использованы при автоматическом обнаружении независимой компоненты, соответствующей артефакту ЭОГ, если во время исследования велась регистрация сигнала ЭОГ?

18.Данные с каких датчиков ЭОГ могут быть использованы для автоматического поиска компоненты артефакта ЭОГ, если регистрация сигнала ЭОГ во время эксперимента не велась?

58