Resumo

ZAPATA-SALDARRIAGA, Luisa-María et al. Avaliação de estratégias baseadas em Wavelet-ICA e ICLabel para correção de artefatos em registros de EEG. Rev. Cient. [online]. 2023, n.46, pp.61-76.  Epub 25-Abr-2023. ISSN 0124-2253.  https://doi.org/10.14483/23448350.19068.

Na eletroencefalografia quantitativa é de vital importância a eliminação de componentes não neurais, pois estes podem levar a uma análise errônea dos sinais adquiridos, limitando seu uso em diagnósticos e outras aplicações clínicas. Diante dessa desvantagem, pipelines de pré-processamento baseados no uso conjunto da Transformada Wavelet e da técnica de Análise de Componentes Independentes (wICA) foram propostos na década de 2000. Recentemente, com o advento dos métodos orientados a dados, foram desenvolvidos modelos de aprendizado profundo para rotulagem automática de componentes independentes, configurando uma oportunidade para a otimização de técnicas baseadas em ICA. Neste artigo, o ICLabel, um desses modelos de aprendizado profundo, foi adicionado à metodologia wICA para explorar sua melhoria. Para avaliar a utilidade dessa abordagem, ela foi comparada a diferentes pipelines que exibem o uso de wICA e ICLabel de forma independente e sua falta. O impacto de cada pipeline foi medido por sua capacidade de destacar diferenças estatísticas conhecidas entre portadores assintomáticos da mutação PSEN-1 E280A e um grupo de controle saudável. Especificamente, o tamanho do efeito entre grupos e os valores P foram calculados para fazer a comparação entre os pipelines. Os resultados mostram que o uso do ICLabel para remoção de artefatos pode melhorar o tamanho do efeito (TE) e que, aproveitando-o com o wICA, uma abordagem de suavização de artefatos menos suscetível à perda de informação neural pode ser construída.

Palavras-chave : Alzheimer; artefatos; E280A; eletroencefalografia; pré-cunha, pré-processamento; tamanho do efeito; wICA..

        · resumo em Inglês | Espanhol     · texto em Inglês     · Inglês ( pdf )