Новый подход к удалению артефактов ЭЭГ с использованием ADASYN и оптимизированной иерархической одномерной сверточной нейронной сети 1D CNN
Ключевые слова:
электроэнцефалография (ЭЭГ), обработка сигналов, сверточная нейронная сеть (CNN), имитация отжига (SA), алгоритм оптимизации кузнечика (GOA)Аннотация
В нейронауке, нейроинженерии и биомедицинской инженерии электроэнцефалография (ЭЭГ) широко используется благодаря своей неинвазивности, высокому временному разрешению и доступности. Однако шум и физиологические артефакты, такие как сердечные, миогенные и глазные артефакты, часто искажают исходные данные ЭЭГ. Методы шумоподавления на основе глубокого обучения (DL) могут уменьшать или устранять эти артефакты, которые ухудшают ЭЭГ-сигнал. Несмотря на наличие этих методов, значительные артефакты всё ещё могут снижать эффективность анализа, что делает удаление шума основным требованием для точного анализа ЭЭГ. Кроме того, для эффективного удаления артефактов представлена оптимизированная иерархическая одномерная сверточная нейронная сеть (1D CNN). Для эффективного извлечения признаков иерархическая CNN сочетает в себе максимальное объединение, функцию активации ReLU и адаптивные сверточные окна. Для оптимизации параметров сети применяется алгоритм отжига кузнечика (AGA), что дополнительно улучшает устранение артефактов. Для обеспечения всестороннего исследования и сходимости к идеальным настройкам CNN, AGA сочетает точность тонкой настройки метода имитации отжига (SA) с глобальными исследовательскими возможностями алгоритма оптимизации кузнечика (GOA). Используя гибридный подход, сеть может более эффективно устранять артефакты на различных иерархических уровнях, что приводит к заметному улучшению чёткости сигнала и общей точности. Очищенные данные ЭЭГ представлены восстановленными элементами в последнем плотном слое иерархической одномерной CNN, использующей сигмоидальную функцию. Согласно экспериментальным результатам, предложенный метод достиг пикового отношения сигнала к шуму (PSNR) 29,5 дБ, средней абсолютной ошибки (MAE) 11,32, среднеквадратической ошибки (RMSE) 0,011 и коэффициента корреляции (CC) 0,93, что превосходит результаты предыдущих работ. Предложенный метод позволяет повысить точность удаления артефактов ЭЭГ, что является полезным дополнением к обработке биомедицинских сигналов и нейроинженерии.
Литература
1. Rashmi C.R., Shantala C.P. EEG artifacts detection and removal techniques for brain computer interface applications: a systematic review. International Journal of Advanced Technology and Engineering Exploration. 2022. vol. 9(88). pp. 354–383. DOI: 10.19101/IJATEE.2021.874883.
2. Yadav D., Yadav S., Veer K. A comprehensive assessment of Brain Computer Interfaces: Recent trends and challenges. Journal of Neuroscience Methods. 2020. vol. 346.
3. Mridha M.F., Das S.C., Kabir M.M., Lima A.A., Islam M.R., Watanobe Y. Brain-computer interface: Advancement and challenges. Sensors. 2021. vol. 21(17).
4. Satpathy R.B., Ramesh G.P. Advance approach for effective EEG artifacts removal. Recent Trends and Advances in Artificial Intelligence and Internet of Things. 2020. pp. 267–278.
5. Park Y., Han S.H., Byun W., Kim J.H., Lee H.C., Kim S.J. A real-time depth of anesthesia monitoring system based on deep neural network with large EDO tolerant EEG analog front-end. IEEE Transactions on Biomedical Circuits and Systems. 2020. vol. 14(4). pp. 825–837. DOI: 10.1109/TBCAS.2020.2998172.
6. Thomas J., Thangavel P., Peh W.Y., Jing J., Yuvaraj R., Cash S.S., Chaudhari R., Karia S., Rathakrishnan R., Saini V., Shah N., Srivastava R., Tan Y.-L., Westover B., Dauwels J. Automated adult epilepsy diagnostic tool based on interictal scalp electroencephalogram characteristics: A six-center study. International journal of neural systems. 2021. vol. 31(05). DOI: 10.1142/S0129065720500744.
7. Rasheed K., Qayyum A., Qadir J., Sivathamboo S., Kwan P., Kuhlmann L., O'Brien T., Razi A. Machine learning for predicting epileptic seizures using EEG signals: A review. IEEE reviews in biomedical engineering. 2021. vol. 14. pp. 139–155. DOI: 10.1109/RBME.2020.3008792.
8. Kapgate D. Future of EEG based hybrid visual brain computer interface systems in rehabilitation of people with neurological disorders. International Research Journal on Advanced Science Hub. 2020. vol. 2(6). pp. 15–20.
9. Raza H., Chowdhury A., Bhattacharyya S. Deep learning based prediction of EEG motor imagery of stroke patients’ for neuro-rehabilitation application. International Joint Conference on Neural Networks (IJCNN). IEEE. 2020. pp. 1–8.
10. Mumtaz W., Rasheed S., Irfan A. Review of challenges associated with the EEG artifact removal methods. Biomedical Signal Processing and Control. 2021. vol. 68.
11. Anwer S., Li H., Antwi-Afari M.F., Mirza A.M., Rahman M.A., Mehmood I., Wong A.Y.L. Evaluation of Data Processing and Artifact Removal Approaches Used for Physiological Signals Captured Using Wearable Sensing Devices during Construction Tasks. Journal of Construction Engineering and Management. 2024. vol. 150(1).
12. Zangeneh Soroush M., Tahvilian P., Nasirpour M.H., Maghooli K., Sadeghniiat-Haghighi K., Vahid Harandi S., Jafarnia Dabanloo N. EEG artifact removal using sub-space decomposition, nonlinear dynamics, stationary wavelet transform and machine learning algorithms. Frontiers in Physiology. 2022. vol. 13. DOI: 10.3389/fphys.2022.910368.
13. Islam M.K., Rastegarnia A., Sanei S. Signal artifacts and techniques for artifacts and noise removal. Signal Processing Techniques for Computational Health Informatics. 2021. pp. 23–79.
14. Mahmood D., Nisar H., Voon Y.V. Removal of physiological artifacts from electroencephalogram signals: a review and case study. IEEE 9th Conference on Systems, Process and Control (ICSPC). 2021. pp. 141–146.
15. Jindal K., Upadhyay R., Singh H.S. Application of hybrid GLCT-PICA de-noising method in automated EEG artifact removal. Biomedical Signal Processing and Control. 2020. vol. 60.
16. Kotte S., Dabbakuti J.K. Methods for removal of artifacts from EEG signal: A review. In Journal of Physics: Conference Series. IOP Publishing. 2020. vol. 1706. no. 1.
17. Ranjan R., Sahana B.C., Bhandari A.K. Ocular artifact elimination from electroencephalography signals: A systematic review. Biocybernetics and Biomedical Engineering. 2021. vol. 41(3). pp. 960–996.
18. Sheela P., Puthankattil S.D. A hybrid method for artifact removal of visual evoked EEG. Journal of neuroscience methods. 2020. vol. 336.
19. Kaur C., Bisht A., Singh P., Joshi G. EEG Signal denoising using hybrid approach of Variational Mode Decomposition and wavelets for depression. Biomedical Signal Processing and Control. 2021. vol. 65.
20. Vallabhaneni R.B., Sharma P., Kumar V., Kulshreshtha V., Reddy K.J., Kumar S.S., Kumar V.S., Bitra S.K. Deep learning algorithms in EEG signal decoding application: a review. IEEE Access. 2021. vol. 9. pp. 125778–125786. DOI: 10.1109/ACCESS.2021.3105917.
21. Pawar D., Dhage S.N. Feature extraction methods for electroencephalography based brain-computer interface: a review. Entropy. 2020. vol. 1(4).
22. Ahmed M.A., Qi D., Alshemmary E.N. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artifacts from electroencephalogram (EEG) mixtures. IEEE Access. 2020. vol. 8. pp. 202919–202932.
23. Mathe M., Padmaja M., Krishna B.T. Intelligent approach for artifacts removal from EEG signal using heuristic-based convolutional neural network. Biomedical Signal Processing and Control. 2021. vol. 70. DOI: 10.1016/J.BSPC.2021.102935.
24. Syamsundararao T., Selvarani A., Rathi R., Vini Antony Grace N., Selvaraj D., Almutairi K., Alonazi W.B., Priyan K.S.S., Mosissa R. An efficient signal processing algorithm for detecting abnormalities in EEG signal using CNN. Contrast Media & Molecular Imaging. 2022. vol. 2022. DOI: 10.1155/2022/1502934.
25. Faiz M.M.U., Kale I. Removal of multiple artifacts from ECG signal using cascaded multistage adaptive noise cancellers. Array. 2022. vol. 14.
26. Prasad D.S., Chanamallu S.R., Prasad K.S. Optimized deformable convolution network for detection and mitigation of ocular artifacts from EEG signal. Multimedia Tools and Applications. 2022. vol. 81(21). pp. 30841–30879.
27. Behera S., Mohanty M.N. A Machine Learning Approach for Artifact Removal from Brain Signal. Computer Systems Science & Engineering. 2023. vol. 45(2).
28. Lopes F., Leal A., Medeiros J., Pinto M.F., Dourado A., Dümpelmann M., Teixeira C. Automatic electroencephalogram artifact removal using deep convolutional neural networks. IEEE Access. 2021. vol. 9. pp. 149955–149970.
29. Ghosh R., Phadikar S., Deb N., Sinha N., Das P., Ghaderpour E. Automatic eyeblink and muscular artifact detection and removal from EEG signals using k-nearest neighbor classifier and long short-term memory networks. IEEE Sensors Journal. 2023. vol. 23(5). pp. 5422–5436.
30. He H., Bai Y., Garcia E.A., Li S. ADASYN: Adaptive synthetic sampling approach for imbalanced learning. IEEE international joint conference on neural networks (IEEE world congress on computational intelligence). 2008. pp. 1322–1328.
31. Kiranyaz S., Ince T., Gabbouj M. Real-time patient-specific ECG classification by 1-D convolutional neural networks. IEEE transactions on biomedical engineering. 2015. vol. 63(3). pp. 664–675.
32. Saremi S., Mirjalili S., Lewis A. Grasshopper optimisation algorithm: theory and application. Advances in engineering software. 2017. vol. 105. pp. 30–47.
33. Kirkpatrick S., Gelatt Jr C.D., Vecchi M.P. Optimization by simulated annealing. Science. 1983. vol. 220(4598). pp. 671–680. DOI: 10.1126/science.220.4598.671.
2. Yadav D., Yadav S., Veer K. A comprehensive assessment of Brain Computer Interfaces: Recent trends and challenges. Journal of Neuroscience Methods. 2020. vol. 346.
3. Mridha M.F., Das S.C., Kabir M.M., Lima A.A., Islam M.R., Watanobe Y. Brain-computer interface: Advancement and challenges. Sensors. 2021. vol. 21(17).
4. Satpathy R.B., Ramesh G.P. Advance approach for effective EEG artifacts removal. Recent Trends and Advances in Artificial Intelligence and Internet of Things. 2020. pp. 267–278.
5. Park Y., Han S.H., Byun W., Kim J.H., Lee H.C., Kim S.J. A real-time depth of anesthesia monitoring system based on deep neural network with large EDO tolerant EEG analog front-end. IEEE Transactions on Biomedical Circuits and Systems. 2020. vol. 14(4). pp. 825–837. DOI: 10.1109/TBCAS.2020.2998172.
6. Thomas J., Thangavel P., Peh W.Y., Jing J., Yuvaraj R., Cash S.S., Chaudhari R., Karia S., Rathakrishnan R., Saini V., Shah N., Srivastava R., Tan Y.-L., Westover B., Dauwels J. Automated adult epilepsy diagnostic tool based on interictal scalp electroencephalogram characteristics: A six-center study. International journal of neural systems. 2021. vol. 31(05). DOI: 10.1142/S0129065720500744.
7. Rasheed K., Qayyum A., Qadir J., Sivathamboo S., Kwan P., Kuhlmann L., O'Brien T., Razi A. Machine learning for predicting epileptic seizures using EEG signals: A review. IEEE reviews in biomedical engineering. 2021. vol. 14. pp. 139–155. DOI: 10.1109/RBME.2020.3008792.
8. Kapgate D. Future of EEG based hybrid visual brain computer interface systems in rehabilitation of people with neurological disorders. International Research Journal on Advanced Science Hub. 2020. vol. 2(6). pp. 15–20.
9. Raza H., Chowdhury A., Bhattacharyya S. Deep learning based prediction of EEG motor imagery of stroke patients’ for neuro-rehabilitation application. International Joint Conference on Neural Networks (IJCNN). IEEE. 2020. pp. 1–8.
10. Mumtaz W., Rasheed S., Irfan A. Review of challenges associated with the EEG artifact removal methods. Biomedical Signal Processing and Control. 2021. vol. 68.
11. Anwer S., Li H., Antwi-Afari M.F., Mirza A.M., Rahman M.A., Mehmood I., Wong A.Y.L. Evaluation of Data Processing and Artifact Removal Approaches Used for Physiological Signals Captured Using Wearable Sensing Devices during Construction Tasks. Journal of Construction Engineering and Management. 2024. vol. 150(1).
12. Zangeneh Soroush M., Tahvilian P., Nasirpour M.H., Maghooli K., Sadeghniiat-Haghighi K., Vahid Harandi S., Jafarnia Dabanloo N. EEG artifact removal using sub-space decomposition, nonlinear dynamics, stationary wavelet transform and machine learning algorithms. Frontiers in Physiology. 2022. vol. 13. DOI: 10.3389/fphys.2022.910368.
13. Islam M.K., Rastegarnia A., Sanei S. Signal artifacts and techniques for artifacts and noise removal. Signal Processing Techniques for Computational Health Informatics. 2021. pp. 23–79.
14. Mahmood D., Nisar H., Voon Y.V. Removal of physiological artifacts from electroencephalogram signals: a review and case study. IEEE 9th Conference on Systems, Process and Control (ICSPC). 2021. pp. 141–146.
15. Jindal K., Upadhyay R., Singh H.S. Application of hybrid GLCT-PICA de-noising method in automated EEG artifact removal. Biomedical Signal Processing and Control. 2020. vol. 60.
16. Kotte S., Dabbakuti J.K. Methods for removal of artifacts from EEG signal: A review. In Journal of Physics: Conference Series. IOP Publishing. 2020. vol. 1706. no. 1.
17. Ranjan R., Sahana B.C., Bhandari A.K. Ocular artifact elimination from electroencephalography signals: A systematic review. Biocybernetics and Biomedical Engineering. 2021. vol. 41(3). pp. 960–996.
18. Sheela P., Puthankattil S.D. A hybrid method for artifact removal of visual evoked EEG. Journal of neuroscience methods. 2020. vol. 336.
19. Kaur C., Bisht A., Singh P., Joshi G. EEG Signal denoising using hybrid approach of Variational Mode Decomposition and wavelets for depression. Biomedical Signal Processing and Control. 2021. vol. 65.
20. Vallabhaneni R.B., Sharma P., Kumar V., Kulshreshtha V., Reddy K.J., Kumar S.S., Kumar V.S., Bitra S.K. Deep learning algorithms in EEG signal decoding application: a review. IEEE Access. 2021. vol. 9. pp. 125778–125786. DOI: 10.1109/ACCESS.2021.3105917.
21. Pawar D., Dhage S.N. Feature extraction methods for electroencephalography based brain-computer interface: a review. Entropy. 2020. vol. 1(4).
22. Ahmed M.A., Qi D., Alshemmary E.N. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artifacts from electroencephalogram (EEG) mixtures. IEEE Access. 2020. vol. 8. pp. 202919–202932.
23. Mathe M., Padmaja M., Krishna B.T. Intelligent approach for artifacts removal from EEG signal using heuristic-based convolutional neural network. Biomedical Signal Processing and Control. 2021. vol. 70. DOI: 10.1016/J.BSPC.2021.102935.
24. Syamsundararao T., Selvarani A., Rathi R., Vini Antony Grace N., Selvaraj D., Almutairi K., Alonazi W.B., Priyan K.S.S., Mosissa R. An efficient signal processing algorithm for detecting abnormalities in EEG signal using CNN. Contrast Media & Molecular Imaging. 2022. vol. 2022. DOI: 10.1155/2022/1502934.
25. Faiz M.M.U., Kale I. Removal of multiple artifacts from ECG signal using cascaded multistage adaptive noise cancellers. Array. 2022. vol. 14.
26. Prasad D.S., Chanamallu S.R., Prasad K.S. Optimized deformable convolution network for detection and mitigation of ocular artifacts from EEG signal. Multimedia Tools and Applications. 2022. vol. 81(21). pp. 30841–30879.
27. Behera S., Mohanty M.N. A Machine Learning Approach for Artifact Removal from Brain Signal. Computer Systems Science & Engineering. 2023. vol. 45(2).
28. Lopes F., Leal A., Medeiros J., Pinto M.F., Dourado A., Dümpelmann M., Teixeira C. Automatic electroencephalogram artifact removal using deep convolutional neural networks. IEEE Access. 2021. vol. 9. pp. 149955–149970.
29. Ghosh R., Phadikar S., Deb N., Sinha N., Das P., Ghaderpour E. Automatic eyeblink and muscular artifact detection and removal from EEG signals using k-nearest neighbor classifier and long short-term memory networks. IEEE Sensors Journal. 2023. vol. 23(5). pp. 5422–5436.
30. He H., Bai Y., Garcia E.A., Li S. ADASYN: Adaptive synthetic sampling approach for imbalanced learning. IEEE international joint conference on neural networks (IEEE world congress on computational intelligence). 2008. pp. 1322–1328.
31. Kiranyaz S., Ince T., Gabbouj M. Real-time patient-specific ECG classification by 1-D convolutional neural networks. IEEE transactions on biomedical engineering. 2015. vol. 63(3). pp. 664–675.
32. Saremi S., Mirjalili S., Lewis A. Grasshopper optimisation algorithm: theory and application. Advances in engineering software. 2017. vol. 105. pp. 30–47.
33. Kirkpatrick S., Gelatt Jr C.D., Vecchi M.P. Optimization by simulated annealing. Science. 1983. vol. 220(4598). pp. 671–680. DOI: 10.1126/science.220.4598.671.
Опубликован
2025-10-08
Как цитировать
Кокате, А. А., & Джадхав, Т. Р. (2025). Новый подход к удалению артефактов ЭЭГ с использованием ADASYN и оптимизированной иерархической одномерной сверточной нейронной сети 1D CNN. Информатика и автоматизация, 24(5), 1408-1443. https://doi.org/10.15622/ia.24.5.6
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Ashwini Amol Kokate, Unknown
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).