EEG Pre-processing Using Deep Learning Networks: an unichannel approach

Abstract

Electroencephalograms (EEGs) are non-linear and non-stationary biosignals that measure electric activity in the brain, and are very useful in the diagnosis and monitorization of different neurological disorders. In long term EEGs acquisitions, the recordings are affected by different types of artifacts, which affect the quality of the signals and limit their use in clinical research. Although a variety of techniques have been developed to remove the noise from EEG signals, the majority of them offer only partial removal of noisy artifacts or are too computationally expensive to be used in real-time scenarios.The automatic learning of complex characteristics and noise removal capabilities, as well as their capabilities to work in real-time over data streams, make Deep Learning Neural Networks (DLNNs) a promising alternative to EEG signal preprocessing. However, algorithms that are trained using multiple channels can only be applied to recordings that use the same exact channels. Thus, the aim of this study was the development of automatic single-channel (SC) Deep Learning (DL) architectures capable of removing noisy artifacts and reconstruct clean EEG signals.Two approaches were followed in the construction and training of the architectures. The first approach utilized 10-minute segments from patients with epilepsy in the EPILEPSIAE database to train and test a simple Deep Convolutional Autoencoder (DCAE), which was compared to a previously trained multi-channel (MC) Deep Convolutional Neural Network (DCNN). The second approach used the same signals, but divided into 5-second windows. A DCAE with an incorporated BiLSTM layer (DCLSTMAE) was trained, along with two other SC architectures retrieved from literature - an One-Dimensional Residual Convolutional Neural Network (1DResCNN) and a DCNN. DCLSTMAE’s performance was compared to the other trained SC models, as well as the results from the previous approach.Results showed that the models from the two approaches behaved similarly, being capable of reducing the noise from different types of artifacts in a fast and automatic manner. They outperform the other SC models, obtaining smaller reconstruction errors and higher correlation to the target segments, but still present limitations in signal reconstruction when compared to MC algorithms. However, this research further cements the potential of automatic SC DL models to be used in EEG signal pre-processing without acquisition limitations and paves the way for future works to explore different models and training setups in order to address the limitations that were encountered.

Electroencefalogramas (EEGs) são biossinais não lineares e não estacionários que medem a atividade elétrica no cérebro e são muito úteis no diagnóstico e monitorização de diferentes distúrbios neurológicos. Nas aquisições de EEG de longa duração, os sinais são afetados por diferentes tipos de artefactos, que contaminam a qualidade dos sinais e limitam o seu uso em investigação clínica. Embora várias técnicas tenham já sido desenvolvidas para remover o ruído de sinais de EEG, a maioria garante apenas uma remoção parcial dos artefatos ruidosos, ou são demasiado computacionalmente pesadas para ser utilizadas em tempo real.As capacidades de aprendizagem automática de características complexas e de remoção de ruído, bem como a a aplicação rápida, tornam as redes neuronais de Deep Learning (DL) uma alternativa promissora no pré-processamento de sinais de EEG. No entanto, os algoritmos multicanal, treinados utilizando vários canais, só podem ser aplicados a aquisições de EEG com exatamente os mesmos canais. Assim, o objetivo deste estudo foi o desenvolvimento de arquiteturas de DL automáticas e unicanal, capazes de remover artefatos ruidosos e reconstruir sinais de EEG limpos.Duas abordagens foram seguidas na construção e treino de arquiteturas. Na primeira abordagem, foram usados segmentos de 10 minutos de doentes com epilepsia do repositório EPILEPSIAE no treino e teste de um simples Deep Convolutional Autoencoder (DCAE), que foi comparado a uma Deep Convolutional Neural Network (DCNN) multicanal treinada anteriormente com os mesmos dados. A segunda abordagem utilizou os mesmos sinais, mas divididos em janelas de 5 segundos. Foi treinado um Deep Convolutional Autoencoder ao qual foi incorporado uma camada LSTM Bidirecional (DCLSTMAE), juntamente com duas outras arquiteturas unicanal retiradas da literatura - uma One-Dimensional Residual Convolutional Neural Network (1D-ResCNN) e uma DCNN. O desempenho do DCLSTAME foi comparado com o dos outros modelos unicanal treinados, bem como os resultados da abordagem anterior.Os resultados mostraram que os modelos das duas abordagens apresentam comportamentos semelhantes, conseguindo reduzir os níveis de ruído de diferentes tipos de artefactos de forma rápida e automática. O seu desempenho é superior aos outros modelos unicanal, obtendo erros de reconstrução menores e níveis de correlação maiores com os segmentos alvo, mas ainda apresentam algumas limitações quando comparados aos algoritmos multicanal. No entanto, esta pesquisa cimenta ainda mais o potencial dos modelos automáticos unicanal de DL para serem usados no pré-processamento de sinais EEG sem limitações na aquisição, e abre caminho para trabalhos futuros de exploração de diferentes modelos e configurações de treino, de modo a solucionar as limitações encontradas.