أحد خيارات المراجع الأكثر استخدامًا على نطاق واسع في أبحاث تخطيط كهربائية الدماغ (EEG) هو المرجع المتوسط المشترك، أو CAR، والذي يعيد حساب قيمة كل قناة بالنسبة إلى متوسط جميع القنوات على فروة الرأس.
يتمتع مرجع CAR بسمعة طيبة كخيار افتراضي لتصفية الضوضاء. وهو يظهر في مسارات BCI، والأوراق البحثية المنشورة، ومجموعات الأدوات مفتوحة المصدر بشكل تلقائي تقريبًا. ولكن نظرة فاحصة على الأبحاث المتاحة تظهر صورة أكثر تباينًا مما توحي به هذه السمعة.
تستعرض هذه المقالة العمليات الرياضية الكامنة وراء CAR، والافتراضات التي يعتمد عليها، والظروف التي تنهار فيها هذه الافتراضات.
ما هو مرجع المتوسط العام في تخطيط كهربية الدماغ (EEG)؟
يقيس كل قطب كهربائي لفروة الرأس الجهد الكهربائي بالنسبة إلى بعض القنوات المرجعية، أو مجموعة صغيرة من القنوات المرجعية، التي يتم اختيارها في وقت التسجيل. وتشمل الاختيارات الشائعة قطباً كهربائياً واحداً على شحمة الأذن، أو النواتئ الحلمية المرتبطة خلف الأذنين، أو موقعاً في فروة الرأس مثل Cz.
تكمن المشكلة في المرجع أحادي الموقع في أنه لا يكون "هادئاً" تماماً أبداً. إذا التقط القطب الكهربائي المرجعي نفسه ضوضاء أو نشاطاً دماغياً، فسيتم طرح هذا التلوث من كل قناة أخرى، نظراً لأن إشارة كل قناة يتم تحديدها بالنسبة إليه.
يتجنب مرجع المتوسط العام (CAR) هذه المشكلة باستخدام نوع مختلف من المراجع حيث يتم تسجيل متوسط الجهد عبر مصفوفة الأقطاب الكهربائية بأكملها في كل لحظة زمنية. وبدلاً من طرح قيمة قطب كهربائي واحد من جميع الأقطاب الأخرى، يطرح CAR متوسط جميع الأقطاب الكهربائية من كل قطب كهربائي فردي.
من الناحية النظرية، يعمل هذا المتوسط كنقطة مرجعية أكثر استقراراً و"هدوءاً" مما يمكن أن يوفره أي قطب كهربائي فيزيائي واحد، لأنه يعتمد على معلومات من فروة الرأس بأكملها بدلاً من موقع واحد.
CAR في أبحاث BCI
هذا هو السبب في ظهور CAR كثيراً في أبحاث واجهة الدماغ والحاسوب (BCI). على سبيل المثال، اختبرت دراسة نُشرت في المجلة الدولية للهندسة والتكنولوجيا طريقة CAR كواحدة من اثنتي عشرة طريقة لإعادة المرجعية لـ P300 speller، وهو نظام يكتشف استجابة دماغية محددة عندما يركز المستخدم على حرف أو رمز مستهدف، وأفادت بأن CAR هي التقنية الأكثر ملاءمة من بين تلك التي تم اختبارها.
علاوة على ذلك، طبقت دراسة أجريت عام 2025 طريقة CAR كخطوة معالجة أولية قياسية في مسار تصنيف الصور الحركية، واصفةً الغرض منها بأنه زيادة نسبة الإشارة إلى الضوضاء.
كيفية حساب صيغة CAR
آلية CAR هي جبر بسيط، وليست نموذجاً إحصائياً يتطلب بيانات لإثبات أنه يعمل رياضياً. بالنسبة لمصفوفة من N من الأقطاب الكهربائية، يسجل كل منها جهداً في الوقت t، مكتوباً كـ V₁(t)، V₂(t)، وحتى Vₙ(t)، فإن القيمة المحولة بواسطة CAR لأي قطب كهربائي فردي i هي:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
بلغة مبسطة، للعثور على CAR لقطب كهربائي معين، خذ قراءته الأصلية عند ميلي ثانية معينة، واطرح متوسط قراءة جميع أقطاب فروة الرأس عند نفس الميلي ثانية تماماً.
تطبيقات مرجع المتوسط العام في تخطيط كهربية الدماغ
يحدد اختيار النهج المرجعي الصحيح نجاح التقييمات التشخيصية والدراسات البحثية المعقدة.
غالباً ما تعطي الإعدادات السريرية الأولوية للوضوح والاتساق، مما يضمن قدرة أطباء الأعصاب على تحديد المؤشرات دون تداخل من الشوائب الناتجة عن المرجع. ويفضل الباحثون هذا النهج العالمي عند رسم خرائط لكيفية تأثير التدخلات على النشاط العصبي، كما هو موضح في النتائج المتعلقة بـ الذبذبات المعدلة بالتنفس، حيث يلزم وجود خط أساس محايد لعزل التأثيرات المرتبطة بالتنفس عن الإيقاعات العصبية المحلية.
في كل من الإعدادات السريرية وعلم الأعصاب التجريبي، يعتمد الباحثون على تفسير متسق للبيانات يقلل من التشوهات الاصطناعية. تساعد هذه الطريقة في الحفاظ على الشفافية عند مقارنة تسجيلات المرضى عبر جلسات أو مرافق مختلفة.
من خلال استخدام المرجعية القياسية، يضمن المحللون أن التغييرات الملاحظة في السعة تعكس تحولات بيولوجية بدلاً من تحولات تقنية في خط الأساس. يدعم هذا الموقف الموضوعي تقديم تقارير تشخيصية أكثر وضوحاً ونتائج صالحة في تطبيقات قياس الموجات الدماغية الواسعة.
كيف يقلل CAR من ضوضاء الوضع المشترك
تعتمد الحجة المؤيدة لـ CAR على مفهوم يسمى ضوضاء الوضع المشترك. يشير هذا إلى التداخل الذي يظهر على كل قطب كهربائي تقريباً بنفس القوة تقريباً، بدلاً من الضوضاء الخاصة بموقع واحد.
وتشمل الأمثلة الكلاسيكية ضوضاء الخط الكهربائي بتردد 50/60 هرتز من مصادر الطاقة القريبة، ونشاط العضلات الذي ينتشر عبر فروة الرأس من خلال التوصيل النسيجي، والانحرافات البطيئة الناتجة عن تحرك القطب الكهربائي قليلاً ضد الجلد.
نظراً لأن هذا النوع من الضوضاء مشترك بشكل واسع عبر المصفوفة، فإن متوسط جميع القنوات معاً يجب، من الناحية النظرية، أن ينتج تقديراً معقولاً لمكون الضوضاء المشترك هذا. ثم يؤدي طرح المتوسط من كل قناة إلى إزالة جزء كبير من هذا التداخل المشترك مع ترك الاختلافات بين القنوات، والتي من المرجح أن تعكس نشاط الدماغ الفعلي، سليمة إلى حد كبير.
الافتراضات الأساسية وراء CAR
لا تصمد منطقية تقليل الضوضاء في CAR إلا إذا كانت هناك شروط متعددة صحيحة بشأن البيانات. تم وصف هذه الافتراضات باستمرار في الكتب المدرسية والدروس التعليمية الخاصة بـ تخطيط كهربية الدماغ (EEG)، على الرغم من أن التحقق من صحتها في العالم الحقيقي ضئيل ضمن الأدلة المتاحة.
افتراض المتوسط الصفري. في أي لحظة، يُفترض أن يكون متوسط جميع الفولتية عبر الرأس قريباً من الصفر، مما يعني أن النشاط الإيجابي والسلبي يتعادلان تقريباً عبر فروة الرأس.
تغطية كثيفة ومتساوية للأقطاب الكهربائية. يُفترض أن تغطي المصفوفة الرأس بشكل كافٍ بحيث يقترب المتوسط مما قد يسجله نقطة مرجعية بعيدة بشكل لا نهائي عن الرأس، وبالتالي محايدة كهربائياً. وتضعف التغطية المتناثرة أو غير المتساوية هذا التقريب.
عدم وجود مصدر مهيمن واحد. لا ينبغي أن يكون أي قطب كهربائي أو قناة سيئة أو شائبة كبيرة (مثل رمشة العين القوية) كبيراً بما يكفي لتشويه المتوسط بمفرده.
عندما تتحقق هذه الشروط الثلاثة، يتصرف المتوسط كنقطة مرجعية محايدة حقاً. وعندما لا تتحقق، يصبح المتوسط نفسه مشوهاً، ويؤدي طرح متوسط مشوه إلى إدخال مشكلات جديدة بدلاً من إزالة المشكلات القديمة.
اختبار افتراضات CAR باستخدام بيانات EEG الحقيقية
إن أخذ تسجيل EEG في حالة الراحة متاح للعامة، على سبيل المثال مجموعة بيانات قياسية مكونة من 64 قناة، وحساب شكل موجة المتوسط العالمي قبل تطبيق CAR غالباً ما يكشف عن قيم تنحرف عن الصفر، وأحياناً بهامش ملحوظ. هذا الانحراف هو دليل مباشر على وجود محتوى وضع مشترك في الإشارة الخام، وهو بالضبط ما تم تصميم CAR لإزالته. بعد تطبيق CAR، يتم إجبار هذا المتوسط العالمي نفسه على الصفر تماماً عند كل نقطة زمنية، بموجب صيغة المعادلة.
يتضمن الاختبار الأكثر كشفاً النظر في الفترات التي تحتوي على شوائب رمش العين الكبيرة.
تولد رمشات العين تقلبات جهد كبيرة تكون أقوى عند الأقطاب الكهربائية الأمامية ولكنها تتسرب إلى جزء كبير من المصفوفة. وخلال هذه الفترات، غالباً ما ينزاح المتوسط العالمي قبل CAR بشكل حاد بعيداً عن الصفر، لأن الرمشة لا تتوزع بالتساوي بل تتركز في جزء واحد من الرأس. وعندما يتم تطبيق CAR بعد ذلك، تندمج هذه الشائبة المركزة في المتوسط ويتم إعادة توزيعها، بكميات أصغر، عبر كل قناة فردية، بما في ذلك القنوات البعيدة عن العينين والتي كانت نظيفة في الأصل.
ماذا يقول البحث: أدلة مختلطة من دراسات BCI
قارنت الدراسة المذكورة أعلاه بين اثنتي عشرة تقنية لإعادة المرجعية عبر ثلاث مجموعات بيانات لـ P300 speller، في كل من ظروف الاختبار غير المتصلة بالإنترنت وعبر الإنترنت، وخلصت إلى أن CAR كانت التقنية الأكثر ملاءمة من بين الاثنتي عشرة تقنية بأكملها. ومع ذلك، في حين تقدم الدراسة مقارنات رسومية لدقة التصنيف وجداول توضح بالتفصيل متوسط أقصى معدلات البت مع الانحرافات المعيارية، فإنها لا تبلغ عن أحجام التأثير أو اختبارات الدلالة الإحصائية الرسمية بين الطرق، مما يحد من مقدار الثقة التي يمكن وضعها في هذا الترتيب.
وفي الوقت نفسه، اتخذت دراسة أجريت عام 2017 نهجاً مختلفاً مع مهمة التصور الحركي ونية الحركة. قام أحد عشر مشاركاً بأداء وتخيل حركات المعصم الأيمن أثناء تسجيل EEG من 28 قطباً كهربائياً. تمت معالجة الإشارة باستخدام كل من CAR ومرجعية لابلاسيان (Laplacian)، وهي طريقة تصفية مكانية تؤكد على الفرق بين قطب كهربائي مركزي وجيرانه المباشرين بدلاً من متوسط فروة الرأس بأكملها.
تراوحت دقة التصنيف باستخدام مرجعية لابلاسيان من 63.33% إلى 100% للحركة المتخيلة ومن 60% إلى 96.67% للحركة الفعلية، مع تفوق مصنفات الجار الأقرب (k-nearest neighbor) على تحليل التمايز التربيعي. وتفوقت مرجعية لابلاسيان على CAR بشكل عام، برغم أن الدراسة لا تذكر أرقام الدقة الدقيقة لـ CAR للمقارنة المباشرة. تشير هذه النتيجة إلى أن CAR قد تكون أقل ملاءمة للمهام التي تنطوي على نشاط دماغي حركي بؤري ومحدد بدقة.
وأخيراً، قامت دراسة 2025 المذكورة سابقاً بدمج CAR كخطوة معالجة أولية مبكرة داخل مسار شبكة عصبية تلافيفية أكبر لتصنيف الصور الحركية، والتي تضمنت أيضاً نوافذ زمنية منزلقة، والتحويل الطيفي، واستخراج نطاق التردد. وحقق المسار الكامل دقة بلغت 91.75% على مجموعة بيانات مرجعية للمنافسة. هذه نتيجة قوية، ولكن نظراً لأن CAR كانت واحدة فقط من بين خطوات معالجة متعددة، فإن الدراسة لا يمكنها إخبارنا بمدى نسبة هذه الدقة المنسوبة إلى CAR نفسها مقابل بنية CNN، أو تقنية النوافذ، أو اختيار نطاق التردد.
وبجمع هذه الدراسات الثلاث معاً، فإنها لا تتقارب عند نتيجة واحدة. لقد كان أداء CAR جيداً في سياق P300، وكان أداؤها أسوأ من بديل آخر في سياق الصور الحركية، وكانت حاضرة ولكن لم يتم عزلها في سياق التعلم العميق عالي الدقة. وبالتالي، تشير الأدلة التي تمت مناقشتها إلى أن الفائدة المستقلة لـ CAR لا تزال غير واضحة ويبدو أنها تعتمد بشكل كبير على نوع إشارة الدماغ التي يتم قياسها.
عندما تفشل CAR: الشوائب، والمصفوفات المتناثرة، والمصادر البؤرية
يتماشى النمط عبر هذه الدراسات مع ثلاثة أنماط فشل تتم مناقشتها على نطاق واسع في منهجية EEG ولكنها مدعومة جزئياً فقط بأدلة مباشرة في الأبحاث المتاحة.
الشوائب الكبيرة. يمكن لحدث واحد ذو سعة عالية، مثل رمشة عين قوية أو تشنج عضلي، أن يهيمن على حساب المتوسط إذا كان كبيراً بما يكفي بالنسبة لبقية المصفوفة. وعندما يحدث هذا، لا تزيل CAR هذه الشائبة؛ بل تنشر نسخة مشوهة منها في كل قناة، بما في ذلك القنوات التي كانت خالية من الشوائب في الأصل. هذه نتيجة مباشرة لصيغة CAR وليست نتيجة تم اختبارها بشكل منفصل، ولكنها تتبع منطقياً العرض التوضيحي الموصوف سابقاً في هذه المقالة.
المصفوفات المتناثرة. تعتمد CAR على اقتراب المتوسط من نقطة مرجعية محايدة، الأمر الذي يتطلب تغطية كثيفة ومتساوية معقولة لفروة الرأس. ومع وجود حفنة فقط من الأقطاب الكهربائية، على سبيل المثال من ثماني إلى ست عشرة قناة، يكون المتوسط تقديراً أضعف بكثير لتلك النقطة المحايدة، ويتم انتهاك افتراض التغطية وراء CAR مباشرةً.
المصادر البؤرية. يمكن للنشاط الدماغي الذي ينشأ من منطقة صغيرة ومحددة، بدلاً من الانتشار على نطاق واسع عبر فروة الرأس، أن يتصرف بشكل مشابه للإشارة "المحلية" التي لم يتم تصميم متوسط مصفوفة CAR بأكملها للحفاظ عليها. ونظراً لأن CAR تطرح متوسطاً عالمياً، فيمكنها إلغاء الإشارات المركزة بشكل جزئي بدلاً من الإشارات واسعة الانتشار.
نمط الفشل | المشكلة الرئيسية |
|---|---|
الشوائب | شائبة كبيرة تشوه المتوسط |
المصفوفات المتناثرة | أقطاب كهربائية قليلة جداً، مرجع ضعيف |
المصادر البؤرية | قد تضعف الإشارات المحلية |
كيفية التخفيف من نقاط ضعف CAR
يوصى عادةً بالعديد من التعديلات في ممارسة تخطيط كهربية الدماغ (EEG) لمعالجة نقاط الفشل هذه:
عندما تكون الشوائب الكبيرة مصدر قلق، حدد القنوات السيئة أو الأجزاء المليئة بالشوائب وقم بإجراء استيفاء لها أو إزالتها قبل حساب CAR.
عند العمل باستخدام مصفوفة متناثرة (على سبيل المثال، 8-16 قناة)، تجنب CAR واستخدم مرجعاً فيزيائياً ثابتاً مثل النواتئ الحلمية المرتبطة.
بالنسبة للمهام التي تستهدف النشاط الدماغي البؤري والمحدد، ضع في اعتبارك مرجعية لابلاسيان أو طرق مساحة المصدر التي تؤكد على التدرجات المحلية بدلاً من المتوسط العالمي.
هل CAR هي الخيار المرجعي الصحيح لإعداد EEG الخاص بك؟
لا تزال CAR طريقة مرجعية مستخدمة على نطاق واسع ولها أساس رياضي واضح ومتماسك. إنها تجبر متوسط الإشارة عبر المصفوفة على الصفر، وهذا يمكن، من حيث المبدأ، تجريد الضوضاء التي تظهر بشكل واسع ومتساوٍ عبر فروة الرأس. يوضح هذا الجاذبية النظرية سبب ظهورها كثيراً كخطوة افتراضية في مسارات EEG و مسارات BCI.
يجب على أي شخص يطبق CAR على بياناته الخاصة أن يعاملها كخيار افتراضي معقول بدلاً من كونها تحسيناً مضموناً. من المفيد التحقق من افتراضاتها—وهي إشارة ذات متوسط صفري تقريباً، وتغطية كثيفة ومتساوية للأقطاب الكهربائية، وغياب الشوائب المهيمنة—مقابل إعداد التسجيل المحدد والمهمة قيد البحث بدلاً من افتراضها تلقائياً.
وحيثما يكون من غير المرجح أن تصمد هذه الافتراضات، لا سيما مع المصفوفات المتناثرة أو المهام التي تركز على مصادر الدماغ البؤرية والمحددة، فإن البدائل مثل مرجعية لابلاسيان تستحق الدراسة الجادة.
لماذا يفوق التحقق من افتراضات مرجع EEG الإعدادات الافتراضية
يتم بناء مرجع المتوسط المشترك على الفكرة الرياضية البسيطة المتمثلة في طرح متوسط فروة الرأس بأكملها لأخذ الضوضاء المشتركة عبر الأقطاب الكهربائية. هذا يعمل بشكل رائع على الورق، لكن تسجيلات الدماغ الحقيقية نادراً ما تتعاون بشكل مثالي. تجبر الخوارزمية دائماً متوسط الأقطاب الكهربائية على الصفر، لكن هذا التوازن القسري لا يضمن رؤية أنظف لنشاط الدماغ—بل يضمن فقط أن الأرقام تتطابق وتتكامل.
ما يهم أكثر من تصميم قنوات الـ EEG نفسه هو ما إذا كان إعداد التسجيل يلبي الافتراضات الأساسية. يمكن للتغطية الضوئية الكثيفة والمتساوية للأقطاب الكهربائية وغياب الشوائب الطاغية مثل رمش العين أن تحول CAR من اختصار محفوف بالمخاطر إلى أداة مفيدة. بالنسبة للمصفوفات المتناثرة أو المهام التي تحتاج إلى التقاط إشارات دماغية صغيرة ومركزة، يمكن أن تؤدي نفس الخطوة إلى نشر التلوث وتعمية النشاط نفسه الذي يأمل الباحث في اكتشافه.
الخلاصة من البحث ليست أن CAR جيدة أو سيئة، ولكن استخدامها يتطلب فحصاً متعمقاً لظروف البيانات، وليس ثقة عمياء في إعداد مسبق شائع ومستخدَم بكثرة.
المراجع
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
الأسئلة الشائعة
ما هو مرجع المتوسط العام (CAR) في تخطيط كهربية الدماغ (EEG)؟
CAR هي طريقة لإعادة المرجعية تطرح متوسط الجهد لجميع أقطاب فروة الرأس من كل قطب كهربائي فردي عند كل نقطة زمنية. يستبدل هذا مرجعاً فيزيائياً واحداً بمتوسط فروة الرأس بأكملها، بهدف إنشاء نقطة مرجعية أكثر استقراراً للتسجيل.
كيف يقلل CAR من الضوضاء في إشارات EEG؟
يستهدف CAR ضوضاء الوضع المشترك—وهي التداخل الذي يظهر بشكل متشابه عبر العديد من الأقطاب الكهربائية، مثل طنين خط الطاقة أو النشاط العضلي. ومن خلال حساب متوسط جميع القنوات وطرح ذلك المتوسط، يتم إزالة الضوضاء المشتركة إلى حد كبير مع الحفاظ على اختلافات النشاط الدماغي الخاصة بكل قناة.
ما هي الافتراضات الأساسية المطلوبة لكي يعمل CAR بشكل جيد؟
يفترض CAR أن متوسطات الجهد على مستوى فروة الرأس تقترب من الصفر في كل لحظة، وأن تغطية الأقطاب الكهربائية كثيفة ومتساوية، وأنه لا توجد شائبة أو قناة واحدة تهيمن على المتوسط. وإذا لم تتحقق هذه الافتراضات، يصبح المتوسط المحسوب مشوهاً، ويؤدي طرحه إلى حدوث أخطاء.
متى يفشل CAR أو يقدم شوائب؟
يمكن أن يفشل CAR مع وجود شوائب كبيرة ومحددة موضعياً مثل رمشات العين، والتي تشوه المتوسط ثم تنتشر عبر جميع القنوات. كما أنه يواجه صعوبة مع مصفوفات الأقطاب الكهربائية المتناثرة أو إشارات الدماغ شديدة البؤرية، لأن المتوسط العالمي لم يعد يمثل مرجعاً محايداً.
ماذا يقول البحث المتاح عن فعالية CAR؟
الأدلة مختلطة. وجدت إحدى الدراسات أن CAR يعمل بشكل جيد مع مهمة P300 speller، لكن أخرى أظهرت تفوق مرجعية لابلاسيان على CAR للصور الحركية. واستخدمت دراسة ثالثة CAR في مسار تعلم عميق ناجح ولكنها لم تعزل مساهمتها المحددة، لذا تظل فائدتها المستقلة غير واضحة.
هل يجب علي دائماً استخدام CAR كمرجع افتراضي لتحليل EEG الخاص بي؟
ليس بشكل أعمى. يعد CAR خياراً افتراضياً معقولاً إذا كانت لديك تغطية كثيفة ومتساوية للأقطاب الكهربائية وكانت الإشارة تقترب من المتوسط الصفري تقريباً دون شوائب مهيمنة. بالنسبة للمصفوفات المتناثرة أو الأنشطة الدماغية البؤرية، قد تكون البدائل مثل المرجع الفيزيائي الثابت أو مرجعية لابلاسيان أكثر ملاءمة.
ما هي مرجعية لابلاسيان وكيف تقارن بـ CAR؟
تؤكد مرجعية لابلاسيان على فرق الجهد بين قطب كهربائي مركزي وجيرانه المباشرين، مما يسلط الضوء على النشاط الدماغي المحلي. وقد تفوقت على CAR في دراسة للصور الحركية، مما يشير إلى أنها أكثر ملاءمة لاكتشاف الإشارات المركزة مكانياً.
كيف يمكنني التخفيف من نقاط ضعف CAR عندما أرغب في استخدامها بالفعل؟
قبل حساب CAR، حدد القنوات السيئة والشوائب الكبيرة مثل الرمشات وقم بإزالتها أو إجراء استيفاء لها. يمنع هذا قناة واحدة مشوشة أو حدثاً واحداً مشوشاً من تشويه متوسط فروة الرأس بأكملها وتلويث جميع القنوات.
ماذا يحدث عندما يحدث رمش للعين في تسجيل مرجعي بواسطة CAR؟
تخلق رمشات العين تحولات جهد قوية تتركز عند الأقطاب الكهربائية الأمامية. وعند تطبيق CAR، يتم تضمين تأثير الرمشة في المتوسط العالمي ومن ثم طرحه، مما يؤدي إلى نشر نسخة أصغر ولكن مشوهة من الرمشة في كل قناة، حتى تلك التي كانت نظيفة في الأصل.
هل يجعل CAR بالفعل متوسط جميع القنوات صفراً؟
نعم، وبموجب صيغة المعادلة، يجبر تحويل CAR مجموع جميع الفولتية المعاد مرجعيتها على الصفر عند كل نقطة زمنية. ومع ذلك، فإن هذه الخاصية الرياضية لا تضمن أن الإشارة الناتجة هي تمثيل أنظف لنشاط الدماغ—فهي ببساطة تفرض شرطاً قد يتطابق أو لا يتطابق مع الواقع.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
