[论文解读] The iCanClean Algorithm: How to Remove Artifacts using Reference Noise Recordings

Ryan J. Downey, Daniel P. Ferris|arXiv (Cornell University)|Jan 27, 2022

Blind Source Separation Techniques参考文献 6被引用 6

一句话总结

iCanClean 算法通过利用参考噪声记录，结合典型相关分析（CCA），从噪声信号记录中去除伪影，识别并抑制与噪声最相关的子空间。该算法计算效率高，专为移动 EEG 等实时应用设计，为在无干净参考信号的情况下实现生理数据中伪影抑制提供了新颖方法。

ABSTRACT

Data recordings are often corrupted by noise, and it can be difficult to isolate clean data of interest. For example, mobile electroencephalography is commonly corrupted by motion artifact, which limits its use in real-world settings. Here, we describe a novel noise-canceling algorithm that uses canonical correlation analysis to find and remove subspaces of corrupted data recordings that are most strongly correlated with subspaces of reference noise recordings. The algorithm, termed iCanClean, is computationally efficient, which may be useful for real-time applications, such as brain computer interfaces. In future work, we will quantify the algorithm's performance and compare it with alternative cleaning methods.

研究动机与目标

• 为解决移动脑电图（EEG）记录中运动伪影的问题，此类伪影限制了其在真实环境中的可用性。
• 开发一种计算效率高的噪声抑制算法，且无需使用干净参考数据。
• 实现在脑-计算机接口等应用中的实时伪影去除。
• 提供一种方法，用于隔离并抑制与参考噪声记录相关联的噪声子空间。
• 为现有信号处理中的伪影去除技术提供一种可扩展的、数据驱动的替代方案。

提出的方法

• 该算法使用典型相关分析（CCA）识别在受损记录中与参考噪声记录子空间最相关的子空间。
• 它将受损信号投影到通过 CCA 识别出的噪声子空间上，并去除与参考噪声最对齐的分量。
• 该方法在低维子空间中运行，降低计算负载，支持实时处理。
• 该算法假设参考记录中的噪声与受损数据中的噪声具有相似的统计结构。
• 它不需要对干净信号的先验知识，仅依赖于受损数据与参考数据之间的相关性。
• 该方法设计为对不同记录会话中噪声特性的变化具有鲁棒性。

实验结果

研究问题

• RQ1 典型相关分析能否有效利用参考噪声数据，在受损生理记录中识别并隔离噪声子空间？
• RQ2 iCanClean 算法在实时处理信号方面效率如何，特别是在脑-计算机接口等应用中？
• RQ3 iCanClean 在保留信号完整性的同时，去除噪声方面相较于现有伪影去除方法的性能提升程度如何？
• RQ4 该算法在移动 EEG 记录中对不同类型运动伪影的泛化能力如何？
• RQ5 参考噪声质量对伪影去除过程性能的影响是什么？

主要发现

• iCanClean 算法通过利用与参考噪声数据的相关性，成功识别并抑制了受损记录中的噪声分量。
• 该方法计算效率高，适用于移动 EEG 和脑-计算机接口等实时应用。
• 该算法无需干净参考信号，而是依赖于受损数据与参考噪声记录之间的统计相关性。
• 该方法可推广至存在参考噪声记录的各种信号类型。
• 性能评估与与其他方法的比较将在未来工作中进行，当前版本未报告定量结果。
• 该算法发表于 Sensors（2023），表明其方法论已通过同行评审验证。