پیش پردازش ها روی سیگنال های مغزی

همانطور که می دانیم، سیگنال EEG ثبت شده از روی سر معمولا همراه با نویز های مختلفی می باشند.که از آن جمله می توان به سیگنال پلک زدن و حرکات چشم EOG ،انقباض ماهیچه ها EMG، سیگنال قلبی ECG و همچنین نویز برق شهر اشاره نمود.
این سیگنال ها عموما در محدوده فرکانسی 0 تا 100 هرتز که بیشترین انرژی آن در محدوده 0.5 تا 60 هرتز است، می باشد. دامنه این سیگنال ها نیز در محدوده 2 تا 100 میکرو ولت می باشد. لذا این سیگنال ها هم از نظر فرکانس و هم از نظر دامنه با دیگر سیگنال های حیاتی مانند ECG، EOG و … هم پوشانی دارند. در شکل(2-2) محدوده دامنه و فرکانس برخی از سیگنال های حیاتی نشان داده شده است[16]. همانطور که ملاحظه می شود سیگنال EEG با اکثر سیگنال های دیگر هم پوشانی دارد.
علاوه بر نویز مربوط به دیگر سیگنال های حیاتی ، نویز های مربوط به برق شهر که فرکانس 50 تا 60

شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنال های حیاتی
هرتز دارد و همچنین نویز های مربوط به الکترود ها نیز بر روی این سیگنال ها تاثیر می گذارد.
وجود نویز در سیگنال های EEG باعث می شود که پردازش بر روی این سیگنال ها مشکل باشد و باعث ارزیابی و نتایج نادرست می شود. لازم است که تا حد امکان این نویز ها از این سیگنال ها حذف شود. برای نویز برق شهر سعی می شود که وسایل ثبت را تا حد امکان ایزوله نمایند و همچنین با استفاده از فیلترهای notch و فیلترهای نرم افزاری فرکانس ناشی از برق شهر را حذف کنند.
برای حذف نویز مربوط به سیگنال های حیاتی و همچنین دیگر نویز ها محققین روش های زیادی را استفاده کرده اند. یکی از متداول ترین روش های پردازشی برای مقابله با اثرات نامطلوب نویز، حذف قسمت هایی ازEEG است که حاوی نویزی بزرگتر از یک آستانه تعیین شده هستند. البته این روش به منزله از دست دادن اطلاعات در آن بازه می باشد. گروه دیگر روش ها بر پایه رگرسیون در حوزه زمان و یا فرکانس هستند.[19] این روش ها دارای دو ایراد عمده می باشند ، اول اینکه نیاز به وجود کانال مرجع برای نویز دارند و دوم اینکه بعلت خالص نبودن سیگنال ثبت شده توسط الکترودهای EOG مقداری از سیگنال EEG که توسط الکترودهای مزبور ثبت می شود نیز به اشتباه بعنوان نویز تلقی شده و از سیگنال کم می گردد.
در [20] روشی برای حذف نویزهای مصنوعی چشمی با استفاده از آنالیز مولفه های اصلی ، PCA ، ارائه دادند. ابتدا مولفه های عمده بیانگر پلک ها وحرکات افقی و عمودی چشم را درسیگنال های کالیبره شناسایی کرده و با حذف این مولفه ها از داده EEG آنرا تصحیح نمودند . این مقاله با مقایسه روش رگرسیون و مدل های دوقطبی مکانی –زمانی مزیت و برتری روش PCA را نشان داده است. همچنین در [21] نشان داده شد که ممکن است برخی مولفه ها ترکیب EEG و EOG بوده و با حذف آنها مقداری از اطلاعات EEG نیز از دست برود. اخیرا از روش آنالیز مولفه های مستقل برای تجزیه EEG به منابع مستقل تشکیل دهنده آن استفاده شده است. [22] این روش در جداسازی و حذف منابع نویزی در سیگنال های حیاتی و بخصوص EEG بسیار موفق بوده است. از سال 2002 تلفیق برخی از روش های حذف نویز همراه با ICA مد نظر قرار گرفت و در [ 23 ] از تلفیق روشICA وفیلتر زیر فضا جهت حذف نویزهای داخلی و نویزهای تجمیعی استفاده شده است. در سال 2004 Zhou و Goteman از ترکیب موجک و ICA برای حذف نویز ECG وEMG استفاده نمودند .[24] آنها ابتدا داده را با روش موجک حذف نویز نموده و سپس ICA را بر روی آن اعمال نمودند. در سالهای اخیر روش-هایی نرم افزاری جهت ساده کردن این فرآیند وقت گیر و حذف خودکار آرتیفکت ها پیشنهاد گردیده است. در [ 25] حذف تطبیقی و بروزEOG با استفاده از ICA مبتنی بر شبکه عصبی و استفاده از PCA غیر خطی انجام شده است[26] . در سال 2007، Delorme و همکاران به حذف آرتیفکت با استفاده از ICA و آمارگان های مرتبه بالاتر پرداختند[ 27 ] آنها ابتدا به مقایسه3 روش مختلف ICA و SoBI Infomax و Fast ICA روی داده شبیه سازی شده پرداختند و در ادامه به قسمت هایی از EEG که دارای آرتیفکت نبوده ، آرتیفکتهایی تا 30 مرتبه کوچکتر از EEG اضافه کرده و کارآیی 5 روش مختلف و معمول حذف آرتیفکت را مقایسه نمود ه اند.(آستانه استاندارد، شیب های خطی، عدم احتمال داده، کورتوزیس والگوی طیفی) نتایج حاکی از آن است که تمامی روش ها در صورتیکه روی مولفه های بدست آمده از ICA اعمال گردد، نسبت به اعمال روی خود داده EEG بسیار بهتر عمل می کنند. مگر در مورد آرتیفکت ماهیچه ای که تفاوت بارزی بین دو حالت مشاهده نشده است. در مرجع [28] از تلفیق روش ICA و موجک استفاده نمودند، آنها ابتدا روش ICA را روی داده EEG پیاده نموده و سپس مولفه های تشخیص داده شده بعنوان نویز را با استفاده از موجک حذف نویز نمودند. آنها بیان نمودند که بعلت بیشتر بودن تعداد منابع از سنسورها ممکن است چند مولفه کوچک مغزی که استقلال کمتری نسبت به EOG دارند، در یک مولفه مستقل بدست آید و حذف کامل این مولفه منجر به از دست دادن مقداری از اطلاعات EEG گردد.