Independent Component Analysis (ICA) plays an important role in biomedical engineering. Indeed, the complexity of processes involved in biomedicine and the lack of reference signals make this blind approach a powerful tool to extract sources of interest. However, in practice, only few ICA algorithms such as SOBI, (extended) InfoMax and FastICA are used nowadays to process biomedical signals. In this paper we raise the question whether other ICA methods could be better suited in terms of performance and computational complexity. We focus on ElectroEncephaloGraphy (EEG) data denoising, and more particularly on removal of muscle artifacts from interictal epileptiform activity. Assumptions required by ICA are discussed in such a context. Then fifteen ICA algorithms, namely JADE, CoM2, SOBI, SOBIrob, (extended) InfoMax, PICA, two different implementations of FastICA, ERICA, SIMBEC, FOBIUMJAD, TFBSS, ICAR3, FOOBI1 and 4- CANDHAPc are briefly described. Next they are studied in terms of performance and numerical complexity. Quantitative results are obtained on simulated epileptic data generated with a physiologically-plausible model. These results are also illustrated on real epileptic recordings.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00