Pracownia Sygnałów Biologicznych/Zajecia 10

Pracownia Sygnałów Bioelektrycznych/Analiza EEG

Widmo sygnału spoczynkowego EEG

• Z zapisów wykonanych na poprzednich zajęciach wybierz dwa fragmenty:
  • zapis spoczynkowy z oczami otwartymi (tam gdzie nie były specjalnie wytwarzane artefakty)
  • zapis spoczynkowy z oczami zamkniętymi
  • zmontuj sygnały do średniej z kanałów M1 i M2 (od każdego kanału odejmij średnią z M1 i M2)
  • przefiltruj sygnały górnoprzepustowo z częstościa odcięcia 0.5 Hz, i dolnoprzepustowo z częstością odcięcia 40 Hz, oba filtry Butterwortha 2 rzędu
• dla tych zapisów wyestymuj widma metodą Welcha:
  • dobierając długość okna tak aby uzyskać rozdzielczość 1 Hz
  • na wykresach:
    • zakres osi poziomej ogranicz do 60Hz
    • zakres osi pionowej dobierz tak aby był wspólny dla wszystkich kanałów
    • zaprezentuj wyniki dla poszczególnych kanałów układając wykresy topograficznie, tzn. w siatce subplotów 5x5:

	Fp1		Fp2
F7	F3	Fz	F4	F8
T3	C3	Cz	C4	T4
T5	P3	Pz	P4	T6
	O1		O2

Identyfikacja artefaktów

• sygnały z artefaktami przefiltruj analogicznie jak w poprzednim punkcie
• wybierz po jednym przykładzie o długości 6s prezentującym zarejestrowane artefakty,
• porównaj przebiegi tych sygnałów w montażu:
  • do średniej z M1 i M2 i
  • do średniej ze wszystkich kanałów
    • wykreśl przebiegi sygnałów (na wspólnym plocie, sygnały z poszczególnych kanałów poprzesuwaj w pionie względem siebie dodając do poszczególnych kanałów inną wartość satłą)
    • w opisie zwróć uwagę na amplitudę i rozkład przestrzenny tej amplitudy artefaktów w obu montażach, rozkład przestrzenny amplitudy przedstaw w postaci heatmapy 5x5 o układzie topograficznym, takiej, że kolor danego pola jest wartością standardowego odchylenia sygnału w odpowiadającym mu kanale.

ICA (ćwiczenie dodatkowe)

Popularna w ostatnich latach metoda "czyszczenia" sygnału z artefaktów opiera się na analizie składowych niezależnych.

Analiza składowych niezależnych (ang. Independent Components Analysis, ICA) to jedno z określeń dla metod rozwiązywania problemu tzw. ślepej separacji źródeł (blind source separation, BSS). Przyjęty model zakłada, że mamy do czynienia z następującą sytuacją: dane którymi dysponujemy ([math]\vec{x}[/math] — np. zapisy z kilku mikrofonów) są liniową mieszaniną kilku statystycznie niezależnych sygnałów ([math]\vec{s}[/math] — np. głosy kilku mówiących jednocześnie osób, tzw. cocktail party problem):

[math] \vec{x} = A \vec{s} [/math]

[math]A[/math] zwiemy macierzą mieszającą, a rozwiązania szukamy w postaci macierzy separującej [math]B[/math], takiej, że wektor sygnałów

[math] \vec{y}=B\vec{x} [/math]

jest możliwie bliski (nieznanym) sygnałom [math]\vec{s}[/math]. Wymóg niezależności statystycznej elementów [math]\vec{y}[/math] wymaga uwzględnienia statystyk rzędów wyższych niż 2.

Procedura usuwania artefaktów polega na zerowaniu komponentów, które zidentyfikujemy -- na przykład na podstawie kształtu, widma i rozkładu przestrzennego -- i odtwarzaniu sygnału z pominięciem tych komponentów. Procedura jest zaimplementowania w programie Svarog, którego aktualną wersję można ściągnąć stąd: https://braintech.pl/software/svarog-streamer/

Z poziomu pythona najłatwiej skorzystać z implementacji w bibliotece mne: https://mne.tools/stable/auto_tutorials/preprocessing/40_artifact_correction_ica.html