The Analysis and Comparison of LMS-Based Filtering Techniques for EEG Signals: Towards Informed Decision Making

• Autores: Huaman Colque, Estefany Pilar, Llaza Huamani, Garlet, Sanchez Urure, Bryan Gerson
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/19927
• Enlace del recurso: https://hdl.handle.net/20.500.12773/19927
• Nivel de acceso: acceso abierto
• Materia: Señal EEG; Filtrado LMS; Artefacto de movimiento; https://purl.org/pe-repo/ocde/ford#2.02.01

La electroencefalografía (EEG) es esencial para observar la actividad cerebral, ofreciendo información no invasiva y de alta resolución sobre la dinámica neuronal. A pesar de sus aplicaciones clínicas y de investigación, las señales de EEG son propensas al ruido proveniente de interferencias de líneas eléctricas, artefactos musculares y fuentes ambientales. Este estudio evalúa las técnicas de filtrado adaptativo (LMS, NLMS, PNLMS e IPNLMS) para la eliminación de ruido de las señales de EEG. Utilizando un conjunto de datos de 23 grabaciones de EEG contaminadas con ruido y las señales de acelerómetro correspondientes como entradas de referencia, los algoritmos se evaluaron mediante el Error Cuadrático Medio (EMM), la Relación Señal-Ruido (SNR) y el Coeficiente de Correlación de Pearson. El PNLMS resultó ser el más efectivo, logrando el MSE más bajo (0.9193), la SNR más alta (1.0768) y la correlación más alta (46.9025%). Si bien el PNLMS destaca en la reducción de ruido, sus demandas computacionales pueden limitar su uso en dispositivos portátiles. El NLMS ofrece un equilibrio práctico entre rendimiento y eficiencia. El trabajo futuro incluye algoritmos híbridos, implementaciones en tiempo real y ajuste de parámetros adaptativos para mejorar el procesamiento de señales EEG y sus aplicaciones en entornos clínicos y de investigación.