EEG Sinyallerinden EOG Gürültülerini Yok Etmek için Lineer ve Geniş Lineer Kompleks Değerli En Küçük Ortalama Kare Algoritmaları Tabanlı Bir Adaptif Gürültü Yok Etme Sistemi

Abstract

ÖzBu çalışmada, elektroensefalografi (EEG) sinyallerinden elektrookülografi (EOG) gürültülerinin çıkarılması için lineer ve geniş lineer kompleks değerli en küçük ortalama kare algoritmaları tabanlı bir adaptif gürültü yok etme sistemi tasarlanmıştır. Öncelikle veri kümesinde yer alan reel değerli EOG ve EEG sinyalleri (Fp1 ve Fp2), kompleks düzlemde bir kompleks değerli sinyal olarak modellenir. Daha sonra, önerilen gürültü yok etme sistemi kullanılarak EOG gürültüleri EEG sinyallerinden kompleks düzlemde yok edilir. Bu sinyallerin kompleks düzlemde ifade edilmesi; EOG gürültülerini, iki EEG kanalından aynı anda yok etmemizi sağlar. Ayrıca bu çalışmada; kompleks değerli EEG sinyalinin dairesel olmayan bir davranış sergilediği ve durumda geniş lineer kompleks değerli en küçük ortalama kare algoritmasının adaptif gürültü yok etme sistemin başarımını, reel değerli ve kompleks değerli en küçük ortalama kare ve algoritmalarına kıyasla artırdığı gösterilmiştir. Benzetim sonuçları önerilen yaklaşımı desteklemektedir. AbstractIn this study, an adaptive noise cancellation (ANC) system based on linear and widely linear (WL) complex valued least mean square (LMS) algorithms is designed for removing electrooculography (EOG) artifacts from electroencephalography (EEG) signals. The real valued EOG and EEG signals (Fp1 and Fp2) given in dataset are primarily expressed as a complex valued signal in the complex domain. Then, using the proposed ANC system, the EOG artifacts are eliminated in the complex domain from the EEG signals. Expression of these signals in the complex domain allows us to remove EOG artifacts from two EEG channels simultaneously. Moreover, in this study, it has been shown that the complex valued EEG signal exhibits noncircular behavior, and in the case, the WL-CLMS algorithm enhances the performance of the ANC system compared to real-valued LMS and CLMS algorithms. Simulation results support the proposed approach.