A Novel Approach to EEG Artifact Removal Using ADASYN and Optimized Hierarchical 1D CNN

Cover Page

Cite item

Full Text

Abstract

In neuroscience, neural engineering, and biomedical engineering, electroencephalography (EEG) is widely used because of its non-invasiveness, high temporal resolution, and affordability. However, noise and physiological artifacts, such as cardiac, myogenic, and ocular artifacts, frequently contaminate raw EEG data. Deep learning (DL)-based denoising techniques can reduce or eliminate these artifacts, which degrade the EEG signal. Despite these techniques, significant artifacts can still hinder the performance, making noise removal a major requirement for accurate EEG analysis. Furthermore, for strong artifact removal, an Optimized Hierarchical 1D Convolutional Neural Network (1D CNN) is introduced. For effective feature extraction, the hierarchical CNN combines max-pooling, ReLU activation, and adaptive convolutional windows. An Annealed Grasshopper Algorithm (AGA) is employed to optimize the network parameters, further improving artifact removal. To ensure comprehensive exploration and convergence toward ideal CNN settings, AGA combines the fine-tuning accuracy of Simulated Annealing (SA) with the global exploration capabilities of the Grasshopper Optimization Algorithm (GOA). By utilizing a hybrid technique, the network can more effectively eliminate artifacts from various hierarchical levels, leading to a notable improvement in signal clarity and overall accuracy. The cleaned EEG data is represented by the recovered features in the last dense layer of the Hierarchical 1D CNN, which employs a sigmoid function. Based on experimental results, the proposed method achieved a PSNR of 29.5dB, MAE of 11.32, RMSE of 0.011, and CC of 0.93, which outperforms prior works. The proposed method can improve the precision of EEG artifact removal, which is a useful addition to biomedical signal processing and neuro-engineering.

About the authors

A. Kokate

BRACT’s Vishwakarma Institute of Information Technology

Email: ashwini279@gmail.com
Kondhawa -

T. Jadhav

BRACT’s Vishwakarma Institute of Information Technology

Email: tushar.jadhav@viit.ac.in
Kondhawa -

References

  1. Rashmi C.R., Shantala C.P. EEG artifacts detection and removal techniques for brain computer interface applications: a systematic review. International Journal of Advanced Technology and Engineering Exploration. 2022. vol. 9(88). pp. 354–383. doi: 10.19101/IJATEE.2021.874883.
  2. Yadav D., Yadav S., Veer K. A comprehensive assessment of Brain Computer Interfaces: Recent trends and challenges. Journal of Neuroscience Methods. 2020. vol. 346.
  3. Mridha M.F., Das S.C., Kabir M.M., Lima A.A., Islam M.R., Watanobe Y. Brain-computer interface: Advancement and challenges. Sensors. 2021. vol. 21(17).
  4. Satpathy R.B., Ramesh G.P. Advance approach for effective EEG artifacts removal. Recent Trends and Advances in Artificial Intelligence and Internet of Things. 2020. pp. 267–278.
  5. Park Y., Han S.H., Byun W., Kim J.H., Lee H.C., Kim S.J. A real-time depth of anesthesia monitoring system based on deep neural network with large EDO tolerant EEG analog front-end. IEEE Transactions on Biomedical Circuits and Systems. 2020. vol. 14(4). pp. 825–837. doi: 10.1109/TBCAS.2020.2998172.
  6. Thomas J., Thangavel P., Peh W.Y., Jing J., Yuvaraj R., Cash S.S., Chaudhari R., Karia S., Rathakrishnan R., Saini V., Shah N., Srivastava R., Tan Y.-L., Westover B., Dauwels J. Automated adult epilepsy diagnostic tool based on interictal scalp electroencephalogram characteristics: A six-center study. International journal of neural systems. 2021. vol. 31(05). doi: 10.1142/S0129065720500744.
  7. Rasheed K., Qayyum A., Qadir J., Sivathamboo S., Kwan P., Kuhlmann L., O'Brien T., Razi A. Machine learning for predicting epileptic seizures using EEG signals: A review. IEEE reviews in biomedical engineering. 2021. vol. 14. pp. 139–155. doi: 10.1109/RBME.2020.3008792.
  8. Kapgate D. Future of EEG based hybrid visual brain computer interface systems in rehabilitation of people with neurological disorders. International Research Journal on Advanced Science Hub. 2020. vol. 2(6). pp. 15–20.
  9. Raza H., Chowdhury A., Bhattacharyya S. Deep learning based prediction of EEG motor imagery of stroke patients’ for neuro-rehabilitation application. International Joint Conference on Neural Networks (IJCNN). IEEE. 2020. pp. 1–8.
  10. Mumtaz W., Rasheed S., Irfan A. Review of challenges associated with the EEG artifact removal methods. Biomedical Signal Processing and Control. 2021. vol. 68.
  11. Anwer S., Li H., Antwi-Afari M.F., Mirza A.M., Rahman M.A., Mehmood I., Wong A.Y.L. Evaluation of Data Processing and Artifact Removal Approaches Used for Physiological Signals Captured Using Wearable Sensing Devices during Construction Tasks. Journal of Construction Engineering and Management. 2024. vol. 150(1).
  12. Zangeneh Soroush M., Tahvilian P., Nasirpour M.H., Maghooli K., Sadeghniiat-Haghighi K., Vahid Harandi S., Jafarnia Dabanloo N. EEG artifact removal using sub-space decomposition, nonlinear dynamics, stationary wavelet transform and machine learning algorithms. Frontiers in Physiology. 2022. vol. 13. doi: 10.3389/fphys.2022.910368.
  13. Islam M.K., Rastegarnia A., Sanei S. Signal artifacts and techniques for artifacts and noise removal. Signal Processing Techniques for Computational Health Informatics. 2021. pp. 23–79.
  14. Mahmood D., Nisar H., Voon Y.V. Removal of physiological artifacts from electroencephalogram signals: a review and case study. IEEE 9th Conference on Systems, Process and Control (ICSPC). 2021. pp. 141–146.
  15. Jindal K., Upadhyay R., Singh H.S. Application of hybrid GLCT-PICA de-noising method in automated EEG artifact removal. Biomedical Signal Processing and Control. 2020. vol. 60.
  16. Kotte S., Dabbakuti J.K. Methods for removal of artifacts from EEG signal: A review. In Journal of Physics: Conference Series. IOP Publishing. 2020. vol. 1706. no. 1.
  17. Ranjan R., Sahana B.C., Bhandari A.K. Ocular artifact elimination from electroencephalography signals: A systematic review. Biocybernetics and Biomedical Engineering. 2021. vol. 41(3). pp. 960–996.
  18. Sheela P., Puthankattil S.D. A hybrid method for artifact removal of visual evoked EEG. Journal of neuroscience methods. 2020. vol. 336.
  19. Kaur C., Bisht A., Singh P., Joshi G. EEG Signal denoising using hybrid approach of Variational Mode Decomposition and wavelets for depression. Biomedical Signal Processing and Control. 2021. vol. 65.
  20. Vallabhaneni R.B., Sharma P., Kumar V., Kulshreshtha V., Reddy K.J., Kumar S.S., Kumar V.S., Bitra S.K. Deep learning algorithms in EEG signal decoding application: a review. IEEE Access. 2021. vol. 9. pp. 125778–125786. doi: 10.1109/ACCESS.2021.3105917.
  21. Pawar D., Dhage S.N. Feature extraction methods for electroencephalography based brain-computer interface: a review. Entropy. 2020. vol. 1(4).
  22. Ahmed M.A., Qi D., Alshemmary E.N. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artifacts from electroencephalogram (EEG) mixtures. IEEE Access. 2020. vol. 8. pp. 202919–202932.
  23. Mathe M., Padmaja M., Krishna B.T. Intelligent approach for artifacts removal from EEG signal using heuristic-based convolutional neural network. Biomedical Signal Processing and Control. 2021. vol. 70. doi: 10.1016/J.BSPC.2021.102935.
  24. Syamsundararao T., Selvarani A., Rathi R., Vini Antony Grace N., Selvaraj D., Almutairi K., Alonazi W.B., Priyan K.S.S., Mosissa R. An efficient signal processing algorithm for detecting abnormalities in EEG signal using CNN. Contrast Media & Molecular Imaging. 2022. vol. 2022. doi: 10.1155/2022/1502934.
  25. Faiz M.M.U., Kale I. Removal of multiple artifacts from ECG signal using cascaded multistage adaptive noise cancellers. Array. 2022. vol. 14.
  26. Prasad D.S., Chanamallu S.R., Prasad K.S. Optimized deformable convolution network for detection and mitigation of ocular artifacts from EEG signal. Multimedia Tools and Applications. 2022. vol. 81(21). pp. 30841–30879.
  27. Behera S., Mohanty M.N. A Machine Learning Approach for Artifact Removal from Brain Signal. Computer Systems Science & Engineering. 2023. vol. 45(2).
  28. Lopes F., Leal A., Medeiros J., Pinto M.F., Dourado A., Dümpelmann M., Teixeira C. Automatic electroencephalogram artifact removal using deep convolutional neural networks. IEEE Access. 2021. vol. 9. pp. 149955–149970.
  29. Ghosh R., Phadikar S., Deb N., Sinha N., Das P., Ghaderpour E. Automatic eyeblink and muscular artifact detection and removal from EEG signals using k-nearest neighbor classifier and long short-term memory networks. IEEE Sensors Journal. 2023. vol. 23(5). pp. 5422–5436.
  30. He H., Bai Y., Garcia E.A., Li S. ADASYN: Adaptive synthetic sampling approach for imbalanced learning. IEEE international joint conference on neural networks (IEEE world congress on computational intelligence). 2008. pp. 1322–1328.
  31. Kiranyaz S., Ince T., Gabbouj M. Real-time patient-specific ECG classification by 1-D convolutional neural networks. IEEE transactions on biomedical engineering. 2015. vol. 63(3). pp. 664–675.
  32. Saremi S., Mirjalili S., Lewis A. Grasshopper optimisation algorithm: theory and application. Advances in engineering software. 2017. vol. 105. pp. 30–47.
  33. Kirkpatrick S., Gelatt Jr C.D., Vecchi M.P. Optimization by simulated annealing. Science. 1983. vol. 220(4598). pp. 671–680. doi: 10.1126/science.220.4598.671.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».