Nguyễn Văn Khói * , Huỳnh Thế Hiển Nguyễn Hoàng Dũng

* Tác giả liên hệ (nguyenkhoi110@gmail.com)

Abstract

The measured brain signals are affected by various interference sources and should be removed to obtain a clean brain signal. Most research works of removing noises from brain signals have performed based on offline filtering techniques such as low-pass filtering, wavelet filtering, ICA (independent component analysis), etc., which did not meet the real time application requirements in peripheral control based on brain signals. Thus, in this research, we use an adaptive filtering algorithm based on recursive least squares estimation (RLSE) to eliminate interference for EEG signal (electroencephalography). First, a simulation of brain signal and known noise mix together. Then, use an adaptive filtering algorithm based on RLSE to reduce noise and reconstruct the simulation of brain signal. After that, this algorithm will be apply to the real EEG signal from the EPOC (Emotiv). Finally, the results will to compare with low-pass filter and wavelet filter. Experimental results showed that the adaptive filtering algorithm based on RLSE is better than low-pass filter and wavelet filter. In particular, the adaptive filtering algorithm based on RLSE can apply adaptive brain signal in real time while the wavelet filter can’t do so.
Keywords: Adaptive filter based on RLSE, low-pass filter, wavelet filter

Tóm tắt

Tín hiệu điện não đo được bị ảnh hưởng bởi nhiều nguồn nhiễu khác nhau và cần được loại bỏ để có được tín hiệu điện não sạch. Phần lớn các nghiên cứu đã thực hiện việc lọc tín hiệu điện não dựa trên các giải thuật lọc như: lọc hạ thông, wavelet, ICA (independent component analysis)… Tuy nhiên, lọc hạ thông sẽ kém hiệu quả khi nguồn nhiễu biến thiên. Bên cạnh đó, các bộ lọc wavelet và ICA khó áp dụng cho việc lọc nhiễu trong thời gian thực. Do đó, trong nghiên cứu này, một giải thuật lọc thích nghi dựa trên ước lượng bình phương tối thiểu hồi qui RLSE (recursive least squares estimation) để loại bỏ nhiễu cho tín hiệu điện não EEG (electroencephalography) được sử dụng. Trước tiên, tín hiệu EEG mô phỏng và nhiễu biết trước được trộn với nhau. Giải thuật lọc thích nghi dựa trên RLSE được dùng để lọc nhiễu và dựng lại tín hiệu EEG đã mô phỏng. Sau đó, giải thuật này được áp dụng để lọc nhiễu cho tín hiệu EEG thực được đo từ thiết bị đo điện não EPOC (Emotiv). Kết quả đạt được của giải thuật lọc thích nghi dựa trên RLSE được so sánh với giải thuật lọc hạ thông và lọc wavelet. Kết quả nghiên cứu cho thấy giải thuật lọc thích nghi dựa trên RLSE cho kết quả lọc nhiễu tốt hơn so với lọc hạ thông và lọc wavelet. Đặc biệt, giải thuật lọc thích nghi dựa trên RLSE có thể áp dụng lọc thích nghi tín hiệu EEG trong thời gian thực trong khi lọc wavelet là không thể.
Từ khóa: Lọc thích nghi dựa trên RLSE, lọc hạ thông, lọc wavelet

Article Details

Tài liệu tham khảo

Haas, L.F., 2003. Hans Berger (1873–1941), Richard Caton (1842–1926), and electroencephalography. Journal of Neurology, Neurosurgery & Psychiatry, 74(1): 9-9.

Makeig, S., Anthony J.B., Jung, T.P. and Terrence J.S., 1995. Independent Component Analysis of Electroencephalographic data. Neural Information Processing Systems, 8(7): 145-151.

Singh, V. and Sharma, R., 2015. Wavelet Based Method for Denoising of Electroencephalogram. Computer Science and Software Engineering, 5(4): 11-26.

He, P., Wilson, G. and Russell, C., 2004. Removal of ocular artifacts from electroencephalogram by adaptive filtering. Medical and Biological Engineering and Computing, 42(3): 407-412.

Soderstrom, T. and Stoica, P., 1989. System Identification. Prentice Hall International, 10(1): 813-815.

Zhang, Q., Brown, E.N. and Strangman, G.E., 2007. Adaptive filtering for global interference cancellation and real-time recovery of evoked brain activity: Monte Carlo simulation study. Journal of Biomedical Optics, 12(4): 1-12.

Lindquist, M.A., 2008. Modeling theHemodynamic Response Function in fMRI. Neuroimage, 45(1): 98-187.

Ljung, L., 2002. Recursive identification algorithms. Circuits, Systems and Signal Processing, 21(1): 57-68.