Search

In quantitative electroencephalography, it is of vital importance to eliminate non-neural components, as these can lead to an erroneous analysis of the acquired signals, limiting their use in diagnosis and other clinical applications. In light of this drawback, preprocessing pipelines based on the joint use of the Wavelet Transform and the Independent Component Analysis technique (wICA) were proposed in the 2000s. Recently, with the advent of data-driven methods, deep learning models were developed for the automatic labeling of independent components, which constitutes an opportunity for the optimization of ICA-based techniques. In this paper, ICLabel, one of these deep learning models, was added to the wICA methodology in order to explore its improvement. To assess the usefulness of this approach, it was compared to different pipelines which feature the use of wICA and ICLabel independently and a lack thereof. The impact of each pipeline was measured by its capacity to highlight known statistical differences between asymptomatic carriers of the PSEN-1 E280A mutation and a healthy control group. Specifically, the between-group effect size and the P-values were calculated to compare the pipelines. The results show that using ICLabel for artifact removal can improve the effect size (ES) and that, by leveraging it with wICA, an artifact smoothing approach that is less prone to the loss of neural information can be built., En la electroencefalografía cuantitativa es de vital importancia la eliminación de componentes no neuronales, ya que estos pueden conducir a un análisis erróneo de las señales adquiridas, limitando su uso al diagnóstico y otras aplicaciones clínicas. Dado este inconveniente, en la década de 2000 se propusieron flujos de preprocesamiento basados ​​en el uso conjunto de la Transformada Wavelet y la técnica de Análisis de Componentes Independientes (wICA). Recientemente, con la llegada de los métodos basados en datos, se desarrollaron modelos de aprendizaje profundo para el etiquetado automático de componentes independientes, lo que generó una oportunidad para la optimización de las técnicas basadas en ICA. En este estudio, se añadió ICLabel, uno de estos modelos de aprendizaje profundo, a la metodología de wICA para explorar su mejora. Para evaluar la utilidad de este enfoque, se comparó con diferentes flujos que muestran el uso de wICA e ICLabel de forma independiente y en su ausencia. El impacto de cada flujo se midió mediante su capacidad para resaltar diferencias estadísticas conocidas entre los portadores asintomáticos de la mutación PSEN-1 E280A y un grupo de control sano. Se calcularon específicamente el tamaño del efecto entre grupos y los valores P para comparar los flujos. Los resultados muestran que el uso de ICLabel para la eliminación de artefactos puede mejorar el tamaño del efecto (ES) y que, al aprovecharlo con wICA, se puede construir un enfoque de suavizado de artefactos menos susceptible a la pérdida de información neuronal.