Análisis de componentes independientes recursivo en línea para la separación de fuentes en tiempo real de EEG de alta densidad

Los algoritmos de análisis de componentes independientes (ICA) en línea han experimentado recientemente un creciente desarrollo y aplicación en diversos campos, incluidas las comunicaciones, el procesamiento de bioseñales y las interfaces cerebro-computadora. Sin embargo, los trabajos previos en este ámbito se han centrado principalmente en demostraciones algorítmicas de convergencia, con aplicaciones limitadas a pequeños ejemplos ilustrativos o a conjuntos de datos de EEG con una densidad de canales relativamente baja. Además, existe una disponibilidad limitada de implementaciones de ICA en línea computacionalmente eficientes y adecuadas para aplicaciones en tiempo real. Este estudio describe un algoritmo de ICA recursivo en línea optimizado (ORICA), con blanqueamiento por mínimos cuadrados recursivos (RLS) en línea, para la separación ciega de fuentes de datos de EEG de alta densidad. Se implementa como un complemento con capacidad en línea dentro del entorno de código abierto BCILAB (EEGLAB). Además, derivamos y evaluamos una modificación de actualización por bloques para la regla de aprendizaje de ORICA. Demostramos la idoneidad del algoritmo para la identificación precisa y eficiente de fuentes en datos de EEG de alta densidad (64 canales) simulados de forma realista, así como en datos reales de EEG de 61 canales registrados mediante un sistema de EEG seco y ponible en un experimento cognitivo.