Detector automático de artefactos en señales neuronales basado en técnicas de inteligencia artificial

Abstract

Los campos electromagnéticos generados en el cerebro reflejan el estado cognitivo de las personas, pudiendo manifestar enfermedades o condiciones que afectan al sistema nervioso central. La electroencefalografía (EEG) y la magnetoencefalografía (MEG) son técnicas no invasivas que permiten detectar los campos electromagné- ticos generados por la actividad cerebral. Ambas se pueden combinar para obtener información completa sobre el cerebro. Sin embargo, tanto las señales EEG como las MEG pueden estar contaminadas por interferencias de origen no neuronal, afectando gravemente su calidad y, como consecuencia, sesgando a posibles interpretaciones que se puedan derivar de ellas. Por lo tanto, resulta necesario mitigar el efecto de este ruido o artefactos, minimizando su presencia antes de analizar los datos. Uno de los métodos más empleados hoy en día para abordar este problema es el Análisis de Componentes Independientes (ICA). ICA es un método estadístico que permite separar las distintas componentes que generan los datos EEG y MEG. Sin embargo, esta técnica no ofrece una clasificación en función del origen de las componentes independientes en las que descomponen las señales, sino que depende de la interpretaci ón subjetiva de un técnico mediante análisis visual. Este Trabajo Fin de Grado se ha enfocado en el desarrollo de un sistema basado en Deep Learning (DL) que, haciendo uso de la Red Neuronal Convolucional EEGInception, permite diferenciar y clasificar las componentes ICA de origen neuronal y las componentes artefactuadas. Para ello, se han diseñado y evaluado dos sistemas de clasificación diferentes: clasificación binaria y clasificación multiclase. La primera se centra en identificar la presencia de artefactos en la señal MEG, independientemente del origen de la componente ruidosa, mientras que la segunda busca detectar la presencia de artefactos de diferentes orígenes en la señal registrada, y realizar una clasificación de estos en una categoría específica.

The electromagnetic fields generated in the brain reflect a person's cognitive state and can manifest diseases or conditions affecting the central nervous system. Electroencephalography (EEG) and magnetoencephalography (MEG) are non-invasive techniques for detecting electromagnetic fields generated by brain activity. Both can be combined to obtain comprehensive information about the brain. However, EEG and MEG signals can be contaminated by artefacts from non-neuronal origin, severely affecting their quality and, as a consequence, biasing the possible interpretations that can be derived from them. It is therefore necessary to mitigate the effect of this noise or artefacts by minimising their presence before analysing the data. Nowadays, one of the most widely used methods to address this problem is the Independent Component Analysis (ICA). ICA is a statistical method that allows the separation of the different components that generate EEG and MEG data. However, this technique does not provide an origin-based classification of the independent components into which it decomposes the signals, but depends on the subjective interpretation of a technician by visual analysis. This Final Degree Project has focused on the development of a system based on Deep Learning (DL) that, making use of the EEG-Inception Convolutional Neural Network, allows differentiating and classifying ICA components of neural origin and artefactual components. For this purpose, two different classification systems have been designed and evaluated: binary classification and multiclass classification. The former focuses on identifying the presence of artefacts in the MEG signal, disregarding the origin of the noisy component, while the latter is aimed at detecting the presence of artefacts of different origins in the recorded signal, and at classifying them into a specific category.