Uso del Análisis por Componentes Independientes en la extracción de artefactos de la respuesta Mismatch Negativity / Use of Independent Component Analysis in the extraction of Artifacts of the Mismatch Negativity Response

Resumen: El Potencial de disparidad es una respuesta cortical elicitada por la detección automática de estímulos con distintas características, permitiendo la exploración de procesos neuropsicológico. Sin embargo el análisis de esta señal se puede dificultar por una baja relación señal a ruido debida a los artefactos presentes en la adquisición de la misma. Diversas publicaciones proponen el uso de implementaciones de la técnica de Separación Ciega de fuentes, como el Análisis por Componentes Independientes (ACI), para preprocesar las señales y eliminar estos artefactos. Sin em bargo, no se ha estudiado cuál de los algoritmos ACI que se encuentran en la literatura será el óptimo para mejorar la calidad del MMN, por lo que en este estudio se propuso determinar si existen diferencias significativas en las respuestas obtenidas al utilizar los algoritmos de FastICA, Infomax y SOBI para eliminar los artefactos típicamente presentes en este tipo de señales. Adicionalmente se dan algunas características de estos artefactos a manera de sistematizar la identificación y eliminaciones de los mismos, además de comparar las respuestas obtenidas con y sin preprocesamiento, así como la distribución topográfica de este potencial antes y después de la eliminación de artefactos. Mediante el algoritmo Infomax se identifican mejor los Componentes Independientes asociados con artefactos, resultando en un MMN de mayor amplitud y distribución topográfica fronto-central con predominancia izquierda.

Abstract: Mismatch Negativity is a cortical response elicited by the automatic detection of stimuli which have different characteristics, allowing exploration of neuropsychological processes. However, the analysis of this signal can be di fficult by a low SNR due to artifacts present when the signal is recorded. Different publications propose to use the approach given by the Blind Source Separation Technique by means of the Independent Component Analysis (ICA) to preprocess and eliminate these artifacts. Nevertheless, it has not been studied which of the ICA algorithms found in the literature will be optimal for improving the quality of MMN. Therefore the aim of this study is to determine whether there are significant differences in the responses obtained by using FastICA, Infomax and SOBI to remove artifacts typically present in such signals. In addition, some features of the Independent Components related to artifacts are given in order to systematize the identification and elimination of those. In addition, MMN responses obtained with and without data preprocessing, as well as topographic maps before and after the elimination of artifacts were compared. Thus, Infomax is the best ICA algorithm to calculate Independent Components associated with artifacts, resulting in high amplitude MMN and a topographic map with a clear fronto-central distribution with left-hemisphere predominance.

Efecto del pre-procesamiento del EEG en el Análisis por Componentes Independientes: reducción del artefacto del implante coclear en los Potenciales Evocados Auditivos / Effect of EEG pre-processing on Independent Component Analysis: reduction of cochlear implant artifact in Auditory Evoked Potentials

Resumen: El Análisis por Componentes Independientes (ICA, Independent Component Analysis) es una herramienta muy utilizada para eliminar los artefactos comunes del EEG, sin embargo existe poca bibliografía sobre el impacto que tienen etapas de pre-procesamiento de esta señal sobre el desempeño del ICA. En este trabajo se comparó el efecto de aplicar dos filtros digitales diferentes, pasabajas y pasabanda, en una etapa de procesamiento previa a ICA, para remover específicamente el artefacto de un implante coclear en registros de Potenciales Evocados Auditivos. Se analizaron señales de 10 sujetos usuarios de implante coclear y en 5 de estos registros con el pre-filtrado pasabajas se obtuvieron los mayores valores del índice de la Relación Señal Interferencia, utilizado para evaluar la calidad de la separación. El mayor efecto al remover el artefacto del implante coclear se nota en los electrodos T4 y T6, que corresponde a la zona donde los sujetos tienen colocado su implante (área temporal derecha).

Abstract: Independent Component Analysis (ICA) is an algorithm used to remove artifacts from the EEG. However, there is little current literature about the impact of preprocessing stages of this signal on the performance of ICA. In this paper the effect of applying two different digital filters - lowpass and bandpass -, in a pre-processing step to ICA, was compared. This to remove the cochlear implant artifact from the Auditory Evoked Potentials. Recordings from 10 cochlear implant users were analyzed. In 5 of these records using the pre-lowpass filtering, the highest Signal Interference Ratio (SIR) was obtained; this index was used to assess the quality of ICA separation. The greatest effect of removing the cochlear implant artifact is noted in both T4 and T6 electrodes, which correspond to the area where the subjects have placed their implants (right temporal area).

On the Identification of an ICA Algorithm for Auditory Evoked Potentials Extraction: A Study on Synthetic Data / Identificación de un algoritmo ICA para la extracción de potenciales evocados auditivos: un estudio en señales sintéticas

Extracting characteristics and information from Auditory Evoked Potentials recordings (AEPs) involves difficulties due to their very low amplitude, which makes the AEPs easily hidden by artifacts from physiological or external sources like the EEG/EMG, blinking, and line-noise. To tackle this problem, some authors have used Independent Component Analysis (ICA) to successfully de-noise brain signals. However, since interest has been mainly focused on removing artifacts like blinking, not much attention has been paid to the quality of the recovered evoked potential. This is the AEP case, where literature reports interesting results on the de-noising matter, but without an objective evaluation of the AEP finally extracted (and the influence of different implementations or configurations of ICA). Here, to study the performance of three popular ICA algorithms (FastICA, Ext-Infomax, and SOBI) at separating AEPs from a mixture, a synthetic dataset composed of one Long Latency Auditory Evoked Potential (LLAEP) signal and the most frequent artifacts was generated. Next, the quality of the independent components (ICs) estimated by such algorithms was measured by using the AMARI performance index (Am), the signal interference ratio index (SIR), and the time required to achieve separation. Results indicated that the FastICA implementation, with the symmetric approach and the power cubic contrast function, is more likely to provide the best and faster separation of the LLAEP, which makes it suitable for this purpose.

La extracción de características e información de los registros de Potenciales Evocados Auditivos (AEPs) es complicada debido a su baja energía, la que lo hace fácilmente enmascarable por artefactos de origen fisiológico o externo, como el EEG/EMG, el parpadeo y el ruido de línea. Este problema ha sido abordado por algunos autores mediante el uso del Análisis por Componentes Independientes (ICA, por sus siglas en inglés), que se ha utilizado principalmente para reducir artefactos. Estos trabajos han enfocado su interés en la tarea de remover artefactos como el parpadeo, por lo que han descuidado el estudio de la calidad del potencial evocado recuperado. Este es el caso del AEP, donde aun cuando la literatura reporta resultados interesantes en la reducción de artefactos, no existe una evaluación objetiva del AEP finalmente extraído (y el efecto de usar diferentes implementaciones/configuraciones de ICA). En este trabajo, con el objetivo de cuantificar el desempeño de tres algoritmos de ICA (FastICA, Ext-Infomax, y SOBI) en la calidad de la separación de los AEPs, se generó una mezcla sintética de señales compuesta por un Potencial Evocado Auditivos de Latencia Larga (LLAEP) y artefactos frecuentemente presentes en estos registros. Después, se cuantificó la calidad de los componentes independientes (ICs, por sus siglas en inglés) estimados por estos algoritmos utilizando el índice de desempeño (AMARI, por sus siglas en inglés) el índice de la relación de interferencia entre señales (SIR, por sus siglas en inglés) y el tiempo requerido para realizar la separación. Los resultados indican que FastICA, con el enfoque simétrico y la función de contraste potencia cúbica, proporciona la mejor y más rápida separación del LLAEP, lo que lo vuelve idóneo para esta tarea.