|
Artifact correction in continuous recordings of the electro- and magnetoencephalogram by spatial filtering
Ille, Nicole
|
URL:
|
http://ub-madoc.bib.uni-mannheim.de/39
|
|
URN:
|
urn:nbn:de:bsz:180-madoc-393
|
|
Dokumenttyp:
|
Dissertation
|
|
Erscheinungsjahr:
|
2001
|
|
Titel einer Zeitschrift oder einer Reihe:
|
None
|
|
Verlag:
|
Universität Mannheim
|
|
Gutachter:
|
Männer, Reinhard
|
|
Datum der mündl. Prüfung:
|
9 Juli 2001
|
|
Sprache der Veröffentlichung:
|
Englisch
|
|
Einrichtung:
|
Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Informatik V (Männer 1992-2008)
|
|
Fachgebiet:
|
004 Informatik
|
|
Normierte Schlagwörter (SWD):
|
Artefakt , Korrektur , Korrekturalgorithmus , Elektroencephalogramm
|
|
Freie Schlagwörter (Deutsch):
|
Artefaktkorrektur , räumlicher Filter , Unabhängigkeitsanalyse , Unabhängigkeitsanalyse mit räumlicher Nebenbedingung , Magnetoencephalogramm
|
|
Freie Schlagwörter (Englisch):
|
artifact correction , spatial filter , independent component analysis (ICA) , spatially constrained independent component analysis (SCICA) , EEG
|
|
Abstract:
|
In this thesis, two novel spatial filter approaches for artifact correction in continuous recordings of the electro- (EEG) and magnetoencephalogram (MEG) are presented. The spatial filters differ from earlier approaches such as multiple source eye correction (MSEC) or independent component analysis (ICA) in the way artifact and brain signal topographies are estimated. Comparable to MSEC, artifact topographies are derived from single or averaged artifact prototypes. In order to model brain signal topographies, two novel concepts are introduced: the preselection approach and spatially constrained ICA (SCICA). In the preselection approach, a relevant number of eigenvectors is extracted from an artifact-free subset of the data segment. The subset is obtained by excluding sample vectors from the original data segment that exceed a certain amplitude or correlation with the predefined artifact subspace. In SCICA, brain signal topographies are estimated from the whole data segment. SCICA uses the prior knowledge about artifact topographies and combines this spatial information with the temporal-statistical strategy of ICA to estimate brain signal topographies. Starting from n artifact topographies, the artifact-contaminated data segment of m channels is decomposed iteratively into m-n further components until all waveforms are maximally independent under the spatial constraint. An algorithm to perform the SCICA decomposition is introduced. Spatial filtering of EEG/MEG segments applying preselection and SCICA shows that both approaches can remove artifacts completely without distortion of relevant brain signals. However, the preselection approach depends crucially on the subjective choice of parameters such as the correlation threshold. Advantages of SCICA over ICA are demonstrated.
|
|
Übersetzter Titel:
|
null
(Deutsch)
|
|
Übersetzung des Abstracts:
|
In dieser Dissertation werden zwei neue räumliche Filterverfahren zur Artefaktkorrektur in kontinuierlichen Aufzeichnungen des Elektro- (EEG) und Magnetoenzephalogramms (MEG) eingeführt. Diese unterscheiden sich von früheren räumlichen Filterverfahren wie dem multiplen Quellenansatz zur Augenartefaktkorrektur (multiple source eye correction, MSEC) und der Unabhängigkeitsanalyse (independent component analysis, ICA) in den Techniken zur Modellierung von Artefakt- und Signalraum. Artefakttopographien werden wie in der MSEC-Methode von einzelnen oder gemittelten Artefaktprototypen abgeleitet. Zur Schätzung des Signalraums werden zwei neue Verfahren vorgestellt: der Präselektions-Ansatz und die Unabhängigkeitsanalyse mit räumlicher Nebenbedingung (spatially constrained ICA, SCICA). Im Präselektions-Ansatz werden die Signaltopographien in einer Eigenvektorzerlegung aus einem artefaktfreien Ausschnitt des zu korrigierenden Datensegments ermittelt. Um den artefaktfreien Ausschnitt zu erzeugen, werden Datenvektoren ausgeschlossen, die einen Amplitudenschwellwert oder eine maximale Korrelation mit dem vordefinierten Artefaktraum überschreiten. In der SCICA-Methode werden die Signaltopographien aus dem gesamten Datensegment geschätzt. Dazu wird das räumliche Vorwissen über die Artefakttopographien mit der zeitlich-statistischen Vorgehensweise der ICA kombiniert. Ausgehend von n Artefakttopographien wird ein m-kanäliges Datensegment in m-n weitere Komponenten zerlegt, so dass alle Wellenformen unter der räumlichen Nebenbedingung maximal unabhängig sind. Ein iterativer Algorithmus zur Berechnung der SCICA-Zerlegung wird vorgestellt. Anhand von EEG-/MEG-Beispielen wird gezeigt, dass Präselektion und SCICA Artefakte komplett entfernen können ohne relevante Hirnaktivität zu zerstören. Der Präselektions-Ansatz hängt jedoch stark von den gewählten Parametern wie dem Korrelationsschwellwert ab. Vorteile der SCICA gegenüber der herkömmlichen ICA werden dargestellt.
(Deutsch)
|
|
Zusätzliche Informationen:
|
|
 | Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt. |
 Suche Autoren in
Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail
Actions (login required)
 |
Eintrag anzeigen |
|
|
![[img]](https://madoc.bib.uni-mannheim.de/style/images/fileicons/application_pdf.png)