Jedním z mnoha problémů elektroencefalografie (EEG) je analýza aktivity mozkové činnosti z měřených dat, která mohou být zkreslena různými poruchami-artefakty. V tomto článku jsme se zaměřili na ověření vlastností dvou metod - analýzy nezávislých komponent (Independent Component Analysis, ICA) a analýzy hlavních komponent (Principal Component Analysis, PCA), které mohou tyto artefakty eliminovat. Metody jsme aplikovali na reálná EEG data, která byla kontaminována amplitudovým a síťovým artefaktem. Cílem bylo zjistit, do jaké míry jsou tyto metody schopny znehodnocené signály rekonstruovat do diagnosticky vyuŽitelné podoby. Výsledky jsme u obou metod vzájemně porovnali, včetně ověření shody s názorem lékaře.
Extraction of the meaningful brain activity informationfrom measured signals distorted by various artifacts is a practical problem in electroencephalography (EEG). Eye movements, muscle activity and mechanical and electrical displacements in the measuring apparatus represent typical artefacts. Several methods were developed for removing these artifacts. Two of them - Independent Component Analysis (ICA) and Principal Component Analysis (PCA) are discussed in this paper. Both ICA and PCA are useful in signal description, optimal feature extraction, and data compression. We would like to show that ICA and PCA could as well effectively separate and remove contamination from a wide variety of artifactual sources in EEG records. Results obtained using ICA with those from PCA are compared.
