CORSICA: reproducible suppression of cochlear implant artifacts in EEG evoked by continuous speech.

چکیده اصلی

Objective.Electroencephalography (EEG) is a key tool for studying auditory processing in cochlear implant (CI) users. In particular, EEG recordings obtained during continuous speech are becoming increasingly important for assessing speech and language processing in CI users, and may be utilized for neurofeedback. However, CIs also induce strong stimulation artifacts that are time-locked to the stimulus and mask the neural responses that have smaller magnitudes. Existing artifact reduction methods are typically based on event-related potentials or require manual component selection, making them unsuitable for naturalistic listening conditions or large datasets.Approach.We develop CORSICA (CORrelation-baSed ICA artifact rejection), a reproducible, parameter-efficient method for CI artifact reduction in EEG responses to continuous speech. CORSICA operates on independent components (ICs) obtained through Infomax ICA and requires no manual component labeling, with performance governed by a single tunable threshold. It exploits the observation that CI artifacts temporally follow the audio signal without delay, whereas neural responses have an inherent lag due to auditory pathway latencies. For each IC, CORSICA computes the cross-correlation with the speech stimulus. Artifacts are identified by a high signal-to-noise ratio (SNR) of the correlation peak near zero lag, and the component is rejected if this SNR exceeds a threshold. To benchmark CORSICA, we evaluate two alternatives: a TRF-based SNR method, in which temporal response functions are fitted to each IC and artifact-driven peaks near zero lag are used for rejection, and a variant replacing ICA with second-order blind identification (SOBI) as the source separation step.Main results.CORSICA effectively suppressed CI artifacts while preserving neural activity, enabling recovery of physiologically plausible TRFs with only 2% of ICs rejected. Both benchmark methods confirmed the validity of the SNR-based rejection framework, but CORSICA outperformed the TRF-based alternative in artifact suppression quality. Replacing ICA with SOBI as the source separation step required more ICs to be rejected, further supporting ICA as the preferred backbone for CORSICA.Significance.CORSICA provides a fully objective, label-free approach to identifying CI artifacts in speech-evoked EEG data, with no manual intervention required. By centering artifact rejection on a single interpretable threshold, it offers a reproducible preprocessing standard for future EEG studies on speech processing in CI users.Conclusion.Our findings demonstrate that objective CI artifact suppression in speech-evoked EEG data is feasible on the basis of the IC's temporal response patterns.

ترجمه فارسی چکیده

هدف: الکتروانسفالوگرافی (EEG) ابزاری کلیدی برای مطالعه پردازش شنوایی در افراد دارای ایمپلنت کلاژ (CI) است. ضبط‌های EEG در حین گفتار پیوسته برای ارزیابی پردازش گفتار و زبان و همچنین استفاده در نوروفیدبک اهمیت فزاینده‌ای دارند. با این حال، CIها باعث ایجاد مصنوعی‌های تحریک قوی می‌شوند که به تحریک زمان‌بندی شده و پاسخ‌های عصبی با ابعاد کوچک‌تر را ماسک می‌کنند. رویکردهای موجود معمولاً بر پتانسیل‌های مرتبط با رویداد یا انتخاب دستی مولفه‌ها تکیه دارند و برای شرایط شنیدن طبیعی یا مجموعه داده‌های بزرگ مناسب نیستند. رویکرد: ما CORSICA (حذف مصنوعی مبتنی بر همبستگی) را توسعه دادیم، روشی قابل‌تکرار و کارآمد برای کاهش مصنوعی CI در پاسخ‌های EEG به گفتار پیوسته. CORSICA بر مولفه‌های مستقل (IC) به دست آمده از طریق ICA اینفوماکس عمل می‌کند و نیاز به برچسب‌گذاری دستی مولفه ندارد و عملکرد آن توسط یک آستانه قابل تنظیم واحد کنترل می‌شود. CORSICA از مشاهده استفاده می‌کند که مصنوعی‌های CI به طور زمانی به سیگنال صوتی بدون تاخیر دنبال می‌شوند، در حالی که پاسخ‌های عصبی دارای تاخیر ذاتی به دلیل تاخیر مسیر شنوایی هستند. CORSICA برای هر IC، همبستگی متقاطع را با محرک گفتار محاسبه می‌کند. مصنوعی‌ها با نسبت سیگنال به نویز (SNR) بالا در قله همبستگی نزدیک تاخیر صفر شناسایی می‌شوند و مولفه اگر این SNR از آستانه فراتر رود رد می‌شود. برای مقایسه CORSICA، دو جایگزین را ارزیابی کردیم: روشی مبتنی بر SNR TRF، در آن توابع پاسخ زمانی به هر IC برازش می‌شوند و قله‌های مولد مصنوعی نزدیک تاخیر صفر برای رد استفاده می‌شوند، و یک نسخه جایگزین ICA با شناسایی ناب دوم‌مرحله‌ای (SOBI) به عنوان مرحله جداسازی منبع. نتایج اصلی: CORSICA به طور موثر مصنوعی‌های CI را کاهش داد در حالی که فعالیت عصبی را حفظ کرد، که امکان بازیابی TRFهای فیزیولوژیکاً معقول را با رد تنها 2٪ ICها فراهم کرد. هر دو روش مقایسه‌ای تایید اعتبار چارچوب رد مبتنی بر SNR را کردند، اما CORSICA در کیفیت کاهش مصنوعی بر جایگزین مبتنی بر TRF برتری داشت. جایگزینی ICA با SOBI به عنوان مرحله جداسازی منبع نیاز به رد بیشتر ICها داشت که از ICA به عنوان ستون فقرات ترجیحی برای CORSICA حمایت می‌کرد. اهمیت: CORSICA رویکردی کاملاً هدفمند و بدون برچسب برای شناسایی مصنوعی‌های CI در داده‌های EEG تحریک‌شده توسط گفتار ارائه می‌دهد، بدون نیاز به مداخله دستی. با تمرکز حذف مصنوعی بر روی یک آستانه قابل تفسیر واحد، آن استاندارد پیش‌پردازش قابل‌تکراری برای مطالعات آینده EEG در مورد پردازش گفتار در افراد دارای CI ارائه می‌دهد. نتیجه‌گیری: یافته‌های ما نشان می‌دهند که حذف هدفمند مصنوعی CI در داده‌های EEG تحریک‌شده توسط گفتار بر اساس الگوهای پاسخ زمانی IC امکان‌پذیر است.

متن کامل اصلی