University of Oulu

Use of independent component analysis for head movement artifact detection in EEG

Saved in:
Author: Kuistio, Lari1; Meriläinen, Joona1
Organizations: 1University of Oulu, Faculty of Information Technology and Electrical Engineering, Department of Computer Science and Engineering, Computer Science
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 9 MB)
Pages: 54
Persistent link: http://urn.fi/URN:NBN:fi:oulu-202302281209
Language: English
Published: Oulu : L. Kuistio; J. Meriläinen, 2023
Publish Date: 2023-03-01
Thesis type: Bachelor's thesis
Tutor: Center, Evan
Description:

Resumen

EEG data is often contaminated with artifacts and noise from various sources, such as eye blinks, jaw movement and AC outlets. VR opens up many new interesting opportunities for EEG research. However, VR usually involves head movement, which can also cause notable artifacts in EEG data. We need an effective method to remove the head movement related artifacts, so that VR can be effectively used in EEG experiments. In this study, we apply independent component analysis (ICA) for removing head movement artifacts from EEG data. We constructed an experiment where a subject is placed into a VR environment that incentivizes them to move their head. At the same time, the subject is performing a conventional auditory oddball experiment, which is known to cause an ERP containing a measurable P300 component. We attempt to remove head movement related artifacts from the data without removing ERP components of interest, such as the P300, as a side effect. Our data processing pipeline was implemented using Matlab with the EEGLAB and ERPLAB toolboxes, along with AMICA as our chosen ICA implementation. We explain the design and implementation of both the experiment and the following data processing. We then discuss the results and how they could help future research. We were able to distinguish head movement related components with ICA, but the impact of their removal ended up being fairly limited. We also found out that the head movements seem to have an effect on the shape and amplitude of the P300 component.

Independent component analysis -menetelmän käyttö pään liikkeistä aiheutuvien häiriöiden havaitsemiseen EEG:ssä

Tiivistelmä

EEG-data sisältää tyyppillisesti useista eri lähteistä peräisin olevia häiriöitä. Näitä lähteitä voivat olla esimerkiksi silmänräpäytykset, leuan liikkeet sekä koetilassa olevat vaihtovirtaa kuljettavat sähköjohdot ja pistorasiat. VR avaa uusia mielenkiintoisia mahdollisuuksia EEG-tutkimuksia varten, mutta VR-ympäristöissä koehenkilö tyypillisesti liikuttelee päätään, mikä voi aiheuttaa merkittäviä häiriöitä EEG-dataan. Tämän takia tarvitaan menetelmä poistamaan pään liikkeistä aiheutuvia häiriöitä, jotta VR:n käyttö voi yleistyä EEG-tutkimuksissa. Tässä tutkimuksessa pyrimme käyttämään ICA-menetelmää pään liikkeistä aiheutuvien häiriöiden poistamiseksi. Rakensimme koeasetelman, jossa koehenkilö asetetaan VR-ympäristöön, joka kannustaa häntä liikuttamaan päätään. Samaan aikaan koehenkilö suorittaa tavanomaista ”oddball-koetta”, jonka tiedetään aiheuttavan P300-komponentin sisältävän ERP:n. Pyrimme poistamaan pään liikkeistä aiheutuvat häiriöt ilman että poistamme samalla kertaa mahdollisesti kiinnostavia komponentteja, kuten P300:n. Data-analyysin toteuttamiseen käytimme Matlab-ohjelmistoa yhdessä EEGLAB- ja ERPLAB-lisäosien kanssa. Käyttämämme ICA-algoritmi oli AMICA. Kerromme sekä koeasetelman että sitä seuranneen data-analyysivaiheen suunnittelusta ja toteutuksesta. Lisäksi käymme läpi tutkimuksen tulokset ja pohdimme miten ne voivat auttaa tutkimustyötä tulevaisuudessa. Onnistuimme erottelemaan pään liikkeisiin liittyviä komponentteja ICA-menetelmän avulla, mutta niiden poistamisella oli hieman odotettua pienempi vaikutus. Havaitsimme myös, että pään liikkeillä näyttää olevan jonkinlaista vaikutusta P300-komponentin muotoon ja amplitudiin.

see all

Subjects:
Copyright information: © Lari Kuistio; Joona Meriläinen, 2023. Except otherwise noted, the reuse of this document is authorised under a Creative Commons Attribution 4.0 International (CC-BY 4.0) licence (https://creativecommons.org/licenses/by/4.0/). This means that reuse is allowed provided appropriate credit is given and any changes are indicated. For any use or reproduction of elements that are not owned by the author(s), permission may need to be directly from the respective right holders.
  https://creativecommons.org/licenses/by/4.0/