Due to its high temporal resolution, electroencephalography (EEG) has become a broadly-used technology for real-time brain monitoring applications such as neurofeedback (NFB) and brain–computer interfaces (BCI). However, since EEG signals are prone to artifacts, denoising is a crucial step that enables adequate subsequent data processing and interpretation. The aim of this study is to compare manual denoising to unsupervised online denoising, which is essential to real-time applications.

Denoising EEG for real-time applications requires the implementation of unsupervised and online methods. In order to permit genericity, these methods should not rely on electrooculography (EOG) traces nor on temporal/spatial templates of the artifacts. Two blind source separation (BSS) methods are analyzed in this paper with the aim of automatically correcting online eye-blink artifacts: the algorithm for multiple unknown signals extraction (AMUSE) and the approximate joint diagonalization of Fourier cospectra (AJDC). The chosen gold standard is a manual review of the EEG database carried out retrospectively by a human operator. Comparison is carried out using the spectral properties of the continuous EEG and event-related potentials (ERP).

The AJDC algorithm addresses limitations observed in AMUSE and outperforms it. No statistical difference is found between the manual and automatic approaches on a database composed of 15 healthy individuals, paving the way for an automated, operator-independent, and real-time eye-blink correction technique.

Grâce à sa haute résolution temporelle, l’électro-encéphalographie (EEG) est devenue une technologie répandue pour des applications de suivi de l’activité cérébrale en temps-réel, comme le neurofeedback (NFB) et les interfaces cerveau–machine (ICM). Cependant, les signaux EEG étant sensibles aux artéfacts, le débruitage est une étape essentielle qui permet un traitement et une interprétation convenables de la donnée. Le but de cette étude est de comparer les méthodes de débruitage manuel et de débruitage en ligne non supervisé, essentiel pour les applications temps-réel.

Débruiter l’EEG pour des applications temps-réel exige l’implémentation de méthodes de débruitage en ligne non-supervisées. De plus, afin d’être génériques, ces méthodes ne devraient pas s’appuyer sur une référence électro-oculographique (EOG), ni sur un modèle temporel ou spatial des artéfacts. Deux méthodes de séparation aveugle de source (SAS) sont analysées dans ce papier avec le but d’automatiquement corriger en ligne les artéfacts de clignements des yeux : l’algorithme d’extraction de multiples signaux inconnus (AEMSI) et la diagonalisation conjointe approchée des cospectres de Fourier (DCAC). Le test de référence choisi est l’examen manuel de la base de données complète, réalisée rétrospectivement par un opérateur humain. La comparaison est réalisée en utilisant les propriétés spectrales de l’EEG continu et les potentiels évoqués.

L’algorithme DCAC résout les limitations observes dans AEMSI et s’avère plus performant. Aucune différence statistique n’est trouvée entre les approches manuelle et automatique sur une base de données composée de 15 sujets sains, ouvrant la voie pour une technique de correction de clignement des yeux automatique, sans opérateur et temps-réel.