يلتقط مخطط كهرباء الدماغ النشاط الكهربائي الذي تولده الخلايا العصبية من خلال أقطاب كهربائية توضع على فروة الرأس. ولكن الإشارة التي تصل فعليًا إلى تلك الأقطاب نادرًا مآ تكون نقية.
وتحت كل هذه الضوضاء غالبًا ما تكون الإشارة العصبية الفعلية التي يهتم بها الباحثون صغيرة ويسهل اندفانها. معالجة الإشارات هي التخصص العلمي الأساسي الذي يمكّن من ترجمة البيانات الفيزيائية إلى تنسيقات قابلمة للتفسير بهدف التحليل والتكنولوجيا الحديثة.
ما هي معالجة الإشارات؟
تشمل معالجة الإشارات تحويل الأحداث الفيزيائية وتحليلها وتفسيرها كبيانات قابلة للقياس. ومن خلال تطبيق الأطر الرياضية لالتقاط سلاسل البيانات، يستطيع الباحثون تصفية التداخل المحيط بشكل فعال والتركيز على المعلمات ذات الأهمية الأساسية.
تعتبر هذه المنهجية محورية في البحث العلمي الحديث عبر مجالات متنوعة، بما في ذلك دراسة الوظائف البيولوجية البشرية المعقدة.
كيفية تعريف معالجة الإشارات الرقمية
تمثل معالجة الإشارات الرقمية تطبيق الحسابات ذات الزمن المنفصل على الإشارات التي تم تحويلها من حالاتها التماثلية الأصلية.
يحدث هذا التحسين من خلال استخدام خوارزميات ومعالجات محددة مصممة لإدارة الأحمال الحسابية بكفاءة. ويستخدم العلماء هذا النهج لعزل الإشارات البيولوجية، وهو أمر حيوي للمجالات التي تشمل علم الأعصاب حيث تكون سلامة البيانات أمرًا بالغ الأهمية لدقة البحث.
الهدف الأساسي لمعالجة الإشارات
في ذروة فائدتها، تسعى معالجة الإشارات إلى استخراج أقصى قدر من المعلومات ذات المعنى من البيانات المقاسة مع تقليل تأثير الضوضاء. ومن خلال تحسين نسب الإشارة إلى الضوضاء، يستعيد الباحثون نقاط بيانات موثوقة كانت لتظل غامضة لولا ذلك.
يدفع هذا الهدف تطوير أدوات تشخيصية متطورة مستخدمة في ممارسة مخطط كهربائية الدماغ الحديث.
أنواع معالجة الإشارات
تُصنف معالجة الإشارات على نطاق واسع بناءً على طبيعة إشارة الإدخال والمنهجية المطبقة لمعالجتها. ويوجد العالم الفيزيائي في حالة مستمرة، بينما تعتمد الأجهزة الإلكترونية بشكل متكرر على أجزاء مكممة من البيانات لأداء العمليات.
إن التمييز بين هذه الفئات أمر أساسي لاختيار العدسة الرياضية المناسبة لأي إعداد تجريبي معين.
معالجة الإشارات التماثلية مقابل الرقمية
تتعامل الأنظمة التماثلية مع الموجات الكهربائية المستمرة مباشرة من خلال مكونات الدائرة، مما يحافظ على درجة عالية من الدقة دون أعباء التكميم. وبينما توفر الأنظمة التماثلية استجابات فورية، إلا أنها تفتقر إلى المرونة وقابلية البرمجة التي تتميز بها البنيات الرقمية.
مع انتقال بروتوكولات نظام 10-20 القياسي، أصبحت المعالجة الرقمية هي المعيار الأساسي للحفاظ على بيانات قابلة للمقارنة عبر مختلف إعدادات البحث.
ما هي معالجة الإشارات الرقمية؟ الأنظمة الخطية مقابل الأنظمة غير الخطية
تستخدم معالجة الإشارات الرقمية خوارزميات لتحسين البيانات وتحويلها إلى تنسيقات مناسبة للنمذجة الحسابية، مما يوفر بيئة خاضعة للتحكم لتعديل الإشارات.
يعد فهم ما إذا كان النظام يسلك سلوكًا خطيًا أمرًا بالغ الأهمية للتنبؤ بكيفية استجابة المخرجات للمدخلات المتنوعة، حيث إن مبدأ التراكب ينطبق فقط على العمليات الخطية. وعلى العكس من ذلك، تقدم الأنظمة غير الخطية تحويلات معقدة يمكنها التقاط ديناميكيات دقيقة غالبًا ما تتجاهلها النماذج الأبسط.
نوع النظام | العلاقة بين المدخلات والمخرجات | الخاصية الأساسية |
|---|---|---|
خطي | تناسب ثابت | ينطبق مبدأ التراكب |
غير خطي | ديناميكيات متغيرة | توليد توافقي من رتبة أعلى |
ثابت زمنياً | استجابة هيكلية ثابتة | الاستقرار الزمني للمعلمات |
من خلال توصيف هذه السلوكيات، يضمن الفنيون أن النموذج الرياضي يعكس بدقة الديناميكيات الفعلية لإشارة الإدخال قبل تطبيق مرشحات التشخيص.
المفاهيم والتقنيات الأساسية في معالجة الإشارات
يتطلب الإتقان التقني في هذا المجال فهمًا عميقًا لإعداد البيانات والترجمة الرياضية. تعمل كل خطوة في خط معالجة البيانات بشكل هادف على تقليل أو تحسين مكونات إشارة معينة لإعداد المخرجات النهائية للتفسير البشري أو خوارزميات التعلم الآلي.
أخذ العينات والتكميم
يتضمن أخذ العينات التقاط نقاط البيانات على فترات زمنية محددة تشكل الأساس للتمثيل المنفصل. ويتبع التكميم هذه الخطوة، حيث يقوم بخرائط لتلك النقاط الزمنية المنفصلة إلى قيم عددية محددة تمثل سعة الإشارة.
إذا لم يتم معايرة هذه الخطوات بدقة، فقد يحدث تداخل الترددات (تنعيم)، مما يؤدي إلى تشوهات كبيرة في أشكال الموجات التي يتم تحليلها.
التصفية
تلعب التصفية دورًا حاسمًا في إزالة مكونات التردد غير المرغوب فيها والتي لا تنتمي إلى الإشارة المقصودة. واعتمادًا على متطلبات تمرير النطاق، قد تعمل المرشحات على إزالة ضوضاء العضلات ذات التردد العالي أو الانحراف ذي التردد المنخفض بدقة بالغة.
تعمل هذه العملية أساسًا على عزل النشاط العصبي ذي الأهمية عن التداخل الخلفي البيئي الأوسع، مما ينتج عنه مخطط مرئي أكثر نقاءً.
التحويلات (مثل تحويل فورير)
تنقل التحويلات البيانات بين نطاقات مختلفة للكشف عن الهياكل الدورية المخفية داخل الضوضاء الزمنية. وتشمل الأساليب الشائعة المستخدمة في هذه العملية ما يلي:
تحويلات فورير لتحليل الإشارات إلى مكونات التردد الخاصة بها.
تحليل المويجات لتحديد موقع الأحداث العابرة في كل من الوقت والتردد في آن واحد.
تحويلات هيلبرت لتحديد الغلاف اللحظي والتردد للإشارات المعقدة.
تحويلات Z لدراسة الأنظمة ذات الزمن المنفصل والاستقرار.
تسمح هذه الخرائط الرياضية للمهندسين بتصور البيانات من وجهات نظر تحدد أمراضًا أو أنماطًا معينة تظل غير مرئية تمامًا في تمثيل المجال الزمني القياسي.
ما هو مسار المعالجة المسبقة لمخطط كهربائية الدماغ؟
إن مسار المعالجة المسبقة هو ببساطة سلسلة موحدة من العمليات المطبقة على بيانات مخطط كهربائية الدماغ (EEG) الخام المستمرة قبل بدء أي تحليل. وبينما يختلف الترتيب الدقيق والطرق المحددة بين المختبرات وحزم البرامج، فإن معظم هذه المسارات تشترك في عمود فقري مشترك:
تصفية الترددات غير المرغوب فيها
إعادة إسناد الإشارة إلى خط أساس كهربائي محايد
تحديد المشغولات ومعالجتها
تقسيم التسجيل المستمر إلى أجزاء قصيرة مرتبطة بأحداث معينة، وهي عملية تسمى تقسيم الحقب
الترتيب هنا أقل أهمية من حقيقة أن كل قرار منفرد في هذه السلسلة يمكن أن يغير النتيجة النهائية. وجد دراسة مرجعية في عام 2020 بقيادة روبنز وآخرين أنه حتى الدراسات التي تدعي اتباع المبادئ التوجيهية المعمول بها لأفضل الممارسات أظهرت تباينًا كبيرًا في كيفية تنفيذ تلك المبادئ التوجيهية فعليًا في الكود البرمجي.
وبالمثل، أظهرت دراسة في عام 2021 أجراها برتازولي وآخرون أنه في أبحاث التحفيز المغناطيسي عبر الجمجمة المقترن بمخطط كهربائية الدماغ (TMS-EEG)، كان لاختيار مسار المعالجة المسبقة تأثير ملحوظ على أشكال موجات استجابة الدماغ الناتجة، بل وغيرت من مدى موثوقية تلك النتائج عندما تم اختبار نفس الأشخاص مرتين.
التصفية: كيفية عزل إشارات الدماغ الحقيقية
يحتوي مخطط كهربائية الدماغ الخام على فئتين عريضتين من محتوى التردد غير المرغوب فيه.
عند الطرف البطيء، تتسلل انحرافات الجهد إلى الإشارة من تجمع العرق تحت الإلكترود أو من إزاحة الإلكترود نفسه قليلاً على فروة الرأس. وعند الطرف السريع، يؤدي توتر العضلات والتداخل الكهربائي من المعدات المجاورة إلى إدخال ضوضاء عالية التردد لا علاقة لها بإشارات الخلايا العصبية.
تعمل التصفية عن طريق إزالة نطاقات التردد هذه، مع الاحتفاظ فقط بالنطاق الذي تكون فيه الإشارات الحقيقية الناتجة عن الدماغ أقوى ما يمكن.
الخطوة الأكثر أساسية وتطبيقًا على نطاق واسع هي تصفية التمرير العالي، والتي تزيل الانحرافات البطيئة التي تقل تقريبًا عن 0.5 إلى 1 هرتز. واعتمادًا على نوع التحليل، قد يطبق الباحثون أيضًا مرشح تمرير منخفض أو يجمعون بين الاثنين في مرشح تمرير نطاق، مما يقيد البيانات عادةً بنطاق 1 إلى 40 هرتز عند دراسة الإمكانات المرتبطة بالحدث (ERPs)، وهي استجابات الجهد المميزة للدماغ لمثيرات محددة.
ما يجعل التصفية جديرة بالملاحظة بشكل خاص هو مدى مساعدتها باستمرار. ففي عام 2023، اختبر أرنود ديلورم مجموعة واسعة من تصحيحات المعالجة المسبقة المؤتمتة ووجد أن معظمها إما لم يكن له تأثير ملموس أو أنه أدى بنشاط إلى تقليل جودة البيانات. وكانت تصفية التمرير العالي واحدة من خطوتين فقط عملتا بشكل موثوق على تحسين النتائج في جميع المجالات.
ويتعامل الباحثون من جامعة هارفارد بالمثل مع التصفية باعتبارها مكونًا أساسيًا وغير قابل للتفاوض في مسار HAPPE الخاص بهم لبيانات النمو ذات المشغولات العالية. باختصار، تعد التصفية عملية قريبة من كونها خيارًا افتراضيًا آمنًا. ولا يمكن قول الشيء نفسه عن كل خطوة تليها.
إعادة الإسناد: تحديد نقطة الصفر الكهربائي
لا يقيس خط كهربائية الدماغ أبدًا جهدًا مطلقًا. بل يقيس فرق الجهد بين نقطتين، إلكترود نشط ونقطة مرجعية.
تُخزن التسجيلات الخام عادةً بالنسبة إلى أي إلكترود مرجعي تم استخدامه ماديًا أثناء التجميع، وغالبًا ما يكون موقعًا واحدًا مثل عظم الخشاء خلف الأذن أو إلكترود Cz في الجزء العلوي من الرأس، وهي مواضع يحددها نظام 10-20 المستخدم لتوحيد وضع الإلكترودات. ونقطة المرجع الأصلية تلك عشوائية إلى حد ما، لذا فإن إعادة الإسناد تعيد حساب جهد كل قناة رياضيًا بالنسبة إلى نقطة جديدة أكثر حيادية من الناحية النظرية، مثل متوسط جميع الإلكترودات أو الإشارة المشتركة من عظمي الخشاء معًا.
تنبع أهمية إعادة الإسناد من التوصيل الحجمي، الذي يتسبب في انتشار النشاط الكهربائي للدماغ عبر الأنسجة والسوائل المحيطة، مما يضمن تسجيل حدث عصبي واحد عبر كل إلكترود على فروة الرأس تقريبًا. وبسبب هذا الانتشار، فإن تغيير نقطة المرجع يمكن أن يغير الشكل الظاهري والسعة وحتى الأهمية الإحصائية للنشاط المسجل، على الرغم من عدم تغير أي شيء في نشاط الدماغ الأساسي.
وهذا مفهوم أساسي يكمن وراء خيارات التصميم خلف مخططات كهربائية الدماغ، بما في ذلك مناهج مثل المرجع المتوسط المشترك أو المخطط المرجعي، حيث يصور كل منها نفس إشارة الدماغ الأساسية بشكل مختلف.
كشف القنوات السيئة والاستكمال الداخلي
عبر أي تسجيل متعدد الإلكترودات، ستنتج حفنة من القنوات حتمًا إشارة ضعيفة. فقد تصبح القناة مسطحة بسبب ضعف الاتصال، أو قد تصبح صاخبة بشكل مفرط بسبب ضعف التلامس مع فروة الرأس. وإذا تُركت هذه القنوات السيئة دون تصحيح، فقد تؤدي إلى تشويه التحليلات التي تعتمد على مقارنة أنماط الإشارات عبر فروة الرأس بأكملها.
يتضمن الإصلاح القياسي تحديد قنوات المشكلات هذه، وإزالتها مؤقتًا من مجموعة البيانات، ثم إعادة بناء بياناتها المفقودة من خلال الاستكمال الداخلي، وهو تقدير ما كان يمكن للإلكترود تسجيله بناءً على نشاط جيرانه السليمين. يعيد هذا الإجراء خريطة كاملة لفروة الرأس لخطوات التحليل اللاحقة دون السماح للقناة الملوثة بتحريف النتائج.
هذه هي الخطوة الثانية التي حددها الباحث أرنود ديلورم على أنها مفيدة باستمرار. فإلى جانب تصفية التمرير العالي، كان الاستكمال الداخلي للقنوات السيئة أحد التصحيحات الوحيدة المختبرة التي لم تقلل من جودة البيانات.
وعند دمجها مع التصفية، شكلت الإعداد الوحيد للمسار في تلك الدراسة الذي تفوق على تصفية التمرير العالي البسيطة بمفردها. ومن بين العديد من التصحيحات المؤتمتة التي تم تقييمها، يبرز هذا الثنائي كإجراء آمن ومفيد نسبيًا.
مشكلة المشغولات في مخطط كهربائية الدماغ الخام
بالإضافة إلى المشاكل على مستوى الإلكترودات، تتلوث تسجيلات مخطط كهربائية الدماغ بمشغولات بيولوجية ينتجها جسم المشارك نفسه:
تولد رمشات العين انحرافات كبيرة في الإلكترودات الأمامية
تخلق حركات العين تغيرات في الجهد تشبه الخطوات
يدخل نشاط عضلات الفك والجبهة ضوضاء عالية التردد
تسبب الحركات المفاجئة إزاحات جهد مفاجئة متعددة القنوات
الاستجابة التقليدية للأجزاء الملوثة كانت ببساطة التخلص منها، ورفض أي تجربة أو نافذة زمنية تظهر فيها مشغولة. ويعمل هذا بشكل جيد عندما يجلس المشارك بلا حراك وتكون المشغولات نادرة. ولكنه يصبح أقل قابلية للتطبيق في المجموعات التي تكون فيها المشغولات هي القاعدة وليست الاستثناء.
ويؤكد مسار Happe على أنه مع اتجاه دراسات مخطط كهربائية الدماغ نحو مصفوفات إلكترودات عالية الكثافة وتسجيلات أطول، فإن فحص الأجزاء السيئة ورفضها يدويًا يصبح أمرًا غير مستدام، كما أن القرارات التقديرية اليدوية تدخل ذاتية خاصة بها.
ويضيف ليتش وآخرون توضيحًا ملموسًا للمخاطر التي تنطوي عليها هذه العملية: تفقد تسجيلات مخطط كهربائية الدماغ للأطفال بشكل روتيني كميات هائلة من البيانات القابلة للاستخدام لمجرد أن مشغولات الحركة والرمش متكررة جدًا لدى الأطفال الصغار. وعندما تكون البيانات ثمينة إلى هذا الحد، فإن التخلص من تجربة كاملة بسبب رمشة واحدة يعد حلاً مكلفًا.
تحليل المكونات المستقلة (ICA) لإزالة المشغولات
يقدم تحليل المكونات المستقلة، أو ICA، بديلاً أكثر دقة وجراحية للرفض الإجمالي.
من الناحية المفاهيمية، يعد ICA تقنية لفصل المصادر العمياء. فهو يأخذ الإشارة المختلطة المسجلة عند كل إلكترود على فروة الرأس ويفككها رياضيًا إلى مجموعة من المكونات المستقلة إحصائيًا.
تتوافق بعض هذه المكونات مع أنماط مشغولات مألوفة، مثل بصمة رمشة العين أو توتر العضلات. وتتوافق مكونات أخرى مع أنماط نشاط الدماغ. وبمجرد تحديد المكونات المرتبطة بالمشغولات، يمكن إزالتها وإسقاط المكونات النظيفة المتبقية مرة أخرى في بيانات القنوات، مما يحافظ بشكل مثالي على إشارات الدماغ الحقيقية مع التخلص من التلوث.
العقبة تكمن في أن فحص كل مكون يدويًا لتحديد ما إذا كان يعكس رمشة عين أو جزءًا من القشرة المخية أمر بطيء وذاتي بطبيعته. وقد أدى ذلك إلى ظهور مصنفات مؤتمتة مثل ADJUST وICLabel وMARA، والمصممة لاتخاذ هذا القرار خوارزميًا وبشكل متسق.
والأدلة على مدى نجاح هذا الأمر مختلطة وليست إيجابية بشكل موحد.
وجد أرنود ديلورم أن الرفض المؤتمت المستند إلى ICA لمكونات العين والعضلات فشل في زيادة نسبة القنوات ذات الأهمية الإحصائية بشكل موثوق في بيانات ERP، مما يعني أنه لم يقدم تحسنًا واضحًا وموثوقًا.
وقارن روبنز وآخرون بين نهجين مستندين إلى ICA، هما LARG وMARA، عبر 17 دراسة ووجدوا أنه بينما بدا الهيكل العام للنتائج متشابهًا، إلا أن اختلافات كبيرة لا تزال تظهر، لا سيما في ميزات الطيف منخفض التردد وفي كمية بقايا الرمش المتبقية في البيانات المنظفة.
وعلى الجانب الأكثر تشجيعًا، أظهر فريق ليتش أن نسخة معدلة من خوارزمية ADJUST، تم ضبطها خصيصًا لتسجيلات الشبكة الجيوديسية للأطفال، حسنت دقة التصنيف واحتفظت بالمزيد من التجارب القابلة للاستخدام مقارنة بخوارزمية ADJUST الأصلية أو عدم إجراء تصحيح ICA على الإطلاق، وتفوقت في بعض المقاييس على ICLabel لبيانات الأطفال على وجه الخصوص.
وبالنظر إلى كل ذلك، يمكن أن يكون تحليل المكونات المستقلة (ICA) أداة مفيدة حقًا لعزل المشغولات وإزالتها، ولكن أداءه ليس مضمونًا. فهو يعتمد بشكل كبير على كيفية ضبط خوارزمية التصنيف وعلى المجموعة الخاضعة للدراسة.
إعادة بناء الفضاء الجزئي للمشغولات (ASR) كبديل
تتخذ عملية إعادة بناء الفضاء الجزئي للمشغولات، أو ASR، مسارًا مختلفًا تمامًا. فبدلاً من تفكيك الإشارة إلى مكونات مستقلة، تعمل ASR عن طريق مقارنة البيانات الواردة بالإحصاءات المستمدة من فترة مرجعية نظيفة، وتحديد وإعادة بناء أجزاء الإشارة التي تنحرف كثيرًا عن خط الأساس النظيف تلقائيًا.
قارن فريق روبنز مباشرة بين نوعين من ASR ومسارات قائمة على ICA عبر نفس المجموعة المكونة من 17 دراسة. وكررت النتيجة العامة مقارنة ICA: بدت هياكل النتائج العامة متشابهة عبر الطرق، ولكن لا تزال هناك اختلافات ذات مغزى تظهر، وتركزت مرة أخرى في ميزات الطيف منخفض التردد.
لذلك، تعد ASR بديلاً مشروعًا لـ ICA وليست بديلًا متفوقًا بشكل صارم، وينطبق نفس المبدأ هنا كما هو الحال في أي مكان آخر في هذا المسار: الطريقة المحددة المختارة تشكل النتيجة المحددة التي يتم الحصول عليها.
هل يجب عليك رفض أجزاء مخطط كهربائية الدماغ السيئة؟
يجب عليك تجنب رفض الأجزاء بأكملها، حيث تشير الأدلة إلى أن الخسارة الناتجة في القوة الإحصائية غالبًا ما تفوق فوائد إزالة الضوضاء.
إن وضع حدود بسيطة هو أداة فظة تتخلص بشكل غير متناسب من البيانات القابلة للاستخدام؛ وبالتالي، يفضل الخبراء طرقًا أكثر دقة مثل الاستكمال الداخلي والتصحيح القائم على المكونات.
تقسيم الحقب: التركيز على الأحداث ذات الأهمية
تعتمد معظم تحليلات مخطط كهربائية الدماغ، سواء كانت تقيس ERPs أو أنماط التردد الزمني، على لحظات محددة في الوقت: تقديم مثير، أو استجابة المشارك له. وتقسيم الحقب هو الخطوة التي تقطع التسجيل الطويل المستمر إلى نوافذ قصيرة متساوية الطول تحيط بكل حدث من هذه الأحداث، وتتضمن عادةً فترة وجيزة قبل الحدث نفسه تُعرف باسم خط الأساس.
تلعب فترة خط الأساس السابقة للحدث دورًا تصحيحيًا، حيث تساعد في تفسير تحولات الجهد البطيئة التي قد يتم الخلط بينها وبين الاستجابة الحقيقية للمثير. ولكن خطوة التصحيح هذه ليست محصنة ضد نفس التحذير الذي ينطبق على إعادة الإسناد.
وجدت الدراسة المذكورة أعلاه التي أجراها أرنود ديلورم أن طرق إزالة خط الأساس المتقدمة قللت بشكل كبير من الأداء من حيث أهمية ERP. والنهج الأكثر أمانًا، استنادًا إلى هذا الدليل، هو تصحيح أبسط لخط الأساس، وعادة ما يكون مجرد طرح متوسط الجهد المقاس خلال نافذة ما قبل المثير، بدلاً من اللجوء إلى مخططات تصحيح أكثر تعقيدًا.
لماذا يغير اختيار المسار نتائجك؟
عند وضعها جنبًا إلى جنب، فإن الدراسات المقارنة التي تمت مراجعتها هنا توضح نقطة واحدة بشكل لا لبس فيه: مسارات المعالجة المسبقة ليست قابلة للتبديل، حتى عندما تعتمد على نفس المجموعة العامة من الأساليب.
على سبيل المثال، وجدت دراسة ديلورم أنه من بين جميع متغيرات المسارات التي تم اختبارها عبر منصات برامج مخطط كهربائية الدماغ الرائدة، EEGLAB وFieldTrip وMNE وBrainstorm، تفوق إعداد واحد فقط بشكل كبير على تصفية التمرير العالي البسيطة بمفرده، وهو الإعداد الذي يجمع بين تصفية التمرير العالي والاستكمال الداخلي للقنوات السيئة. بينما أدت العديد من الخطوات الشائعة الأخرى بنشاط إلى تقليل جودة البيانات بدلاً من تحسينها.
وفي الوقت نفسه، وجد فريق برتازولي أنه في أبحاث TMS-EEG على وجه الخصوص، تباينت سعة شكل الموجة وقوة المجال المتوسط العالمي بشكل كبير عبر أربعة مسارات مختلفة تم تطبيقها على مجموعة البيانات المتطابقة. وكانت الأنماط الطبوغرافية مرتبطة بقوة عبر المسارات فقط عند فترات تأخير تتجاوز 100 مللي ثانية بعد المثير؛ وعند فترات التأخير المبكرة، تراوحت قيم الارتباط على نطاق واسع، من 0.2 إلى 0.9، اعتمادًا على المسار المستخدم. واعتمدت موثوقية الاختبار وإعادة الاختبار نفسها على نهج المعالجة المسبقة الذي تم اختياره.
أخيرًا، أظهرت دراسة هارفارد نمطًا أكثر تشجيعًا لحالة معينة: تفوقت المسارات المؤتمتة المصممة لبيانات النمو ذات المشغولات العالية، مثل HAPPE، على سبعة مناهج معالجة بديلة مستخدمة على نطاق واسع، حيث أزالت المزيد من محتوى المشغولات مع الحفاظ في الوقت نفسه على كميات مساوية أو أكبر من إشارات مخطط كهربائية الدماغ الحقيقية في كل مقارنة تقريبًا.
الخيط المتسق الذي يمر عبر هذه الدراسات هو أنه لا يوجد إعداد مسار واحد مثالي عالميًا لجميع مجموعات البيانات أو الفئات السكانية أو أسئلة البحث. إن فهم الأسباب الكامنة وراء كل مرحلة، بدلاً من حفظ وصفة ثابتة، هو ما يسمح للباحث باتخاذ خيارات مدروسة ومبررة ومعرفة متى قد يكون مسار معين غير مناسب لبياناته المحددة.
لماذا تشكل قرارات المعالجة المسبقة ما تراه في بيانات مخطط كهربائية الدماغ
تصل تسجيلات الدماغ الخام مشوشة بومضات العين وضوضاء العضلات والطنين الكهربائي الذي يمكن أن يدفن بسهولة الإشارات الأكثر هدوءًا التي يريد الباحثون دراستها. إن تنظيف هذه البيانات ليس مجرد خطوة تنظيف محايدة—فالمسار الدقيق الذي تتبعه من التصفية إلى تصحيح المشغولات يمكن أن يغير بشكل ملموس الصورة النهائية لنشاط الدماغ. تظهر الأدلة أن حفنة فقط من الخطوات، مثل تصفية التمرير العالي ومعالجة القنوات المعطلة، تكشف بشكل موثوق عن أنماط عصبية أكثر وضوحًا، في حين أن العديد من الخطوات الشائعة يمكن أن تضعف بشكل غير متوقع النتائج التي تسعى وراءها.
لذلك، فإن مراقبة ما يفعله كل خيار من خيارات المعالجة المسبقة هو أكثر قوة بكثير من اتباع وصفة واحدة تناسب الجميع. ونظراً لأن الطرق المعقولة المختلفة يمكن أن توجه الدراسات في اتجاهات مختلفة، فإن الإبلاغ عن عمليتك علنًا يصبح لا يقل أهمية عن البيانات نفسها.
وغالباً ما يتفوق ضبط نهجك ليتناسب مع المجموعة المحددة التي تعمل معها، سواء كان شخصًا بالغًا جالسًا أو طفلاً يتحرك، على استخدام أداة عامة الغرض دون تعديل. يتيح لك بناء هذا النوع من المسارات الواعية والشفافة الانتقال من الثقة في الإعدادات الافتراضية للبرنامج إلى الفهم الحقيقي لما تحاول إشارتك إخبارك به.
المراجع
روبنز، ك. أ.، توريان، ج.، مولين، ت.، كوثي، س.، وبيغديلي-شاملو، ن. (2020). ما مدى حساسية نتائج مخطط كهربائية الدماغ لطرق المعالجة المسبقة: دراسة مرجعية. معاملات معهد مهندسي الكهرباء والإلكترونيات في الأنظمة العصبية وهندسة إعادة التأهيل، 28(5)، 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223
برتازولي، ج.، إسبوزيتو، ر.، موتانيين، ت. ب.، فيراري، س.، إلمونييمي، ر. ج.، مينيوسي، س.، وبورتوليتو، م. (2021). تأثير مناهج إزالة المشغولات على إشارة TMS-EEG. نيوروايمج، 239، 118272. https://doi.org/10.1016/j.neuroimage.2021.118272
ديلورم أ. (2023). من الأفضل ترك مخطط كهربائية الدماغ وشأنه. التقارير العلمية، 13(1)، 2372. https://doi.org/10.1038/s41598-023-27528-0
غابارد-دورنام، ل. ج.، مينديز ليل، أ. س.، ويلكينسون، س. ل.، وليفين، أ. ر. (2018). مسار هارفارد للمعالجة المؤتمتة لمخطط كهربائية الدماغ (HAPPE): برنامج معالجة موحد لبيانات النمو والمشغولات العالية. حدود في علم الأعصاب، 12، 97. https://doi.org/10.3389/fnins.2018.00097
ليتش، س. س.، موراليس، س.، باورز، م. إ.، بوزيل، غ. أ.، ديبناث، ر.، بيل، د.، وفوكس، ن. أ. (2020). تعديل ADJUST: تحسين خوارزمية ADJUST لبيانات الأطفال باستخدام الشبكات الجيوديسية. علم وظائف الأعضاء النفسي، 57(8)، e13566. https://doi.org/10.1111/psyp.13566
الأسئلة الشائعة
كيف تختلف معالجة الإشارات عن تحليل البيانات القياسي؟
تركز معالجة الإشارات بشكل خاص على الديناميكيات الزمنية والترددية للمدخلات المستمرة، بينما يتعامل تحليل البيانات العام غالبًا مع المتغيرات الثابتة أو المستقلة.
هل يمكن لمعالجة الإشارات إزالة جميع أشكال الضوضاء من الإشارة؟
بينما يمكن للتصفية تحسين وضوح الإشارة بشكل كبير، فإن الإزالة المثالية للضوضاء تعد مستحيلة عادةً بسبب التداخلات غير المتوقعة بين الإشارة والتشويش المحيط.
لماذا يعد معدل أخذ العينات مهمًا في الأنظمة الرقمية؟
يحدد معدل أخذ العينات الحد الأقصى للتردد الذي يمكن للنظام تمثيله بدقة، وهو أمر ضروري لالتقاط المؤشرات العصبية عالية التردد دون تشويه.
ما هو الغرض من تحويل مثل تحويل فورير؟
تُستخدم التحويلات لتحويل البيانات من المجال الزمني، حيث يكون التسلسل مهمًا، إلى مجال التردد، حيث يتم التأكيد على ترددات المكونات الفردية.
كيف تؤثر الأنظمة الخطية وغير الخطية على دقة المخرجات؟
تقدم الأنظمة الخطية استجابات متناسبة يمكن التنبؤ بها، بينما توفر الأنظمة غير الخطية قدرات معقدة تكشف عن الديناميكيات المخفية على حساب إمكانية التنبؤ الأبسط.
لماذا تتطلب بيانات مخطط كهربائية الدماغ الخام معالجة مسبقة قبل التحليل؟
لا تحتوي تسجيلات مخطط كهربائية الدماغ الخام على نشاط الدماغ فحسب، بل تحتوي أيضًا على تداخل من رمش العين وتوتر العضلات والضوضاء الكهربائية وانحراف الإلكترودات. وتعمل المعالجة المسبقة على عزل الإشارة العصبية الحقيقية عن طريق إزالة هذه المشغولات، مما يجعل البيانات قابلة للتفسير والاستخدام للدراسة العلمية.
ما هي خطوة المعالجة المسبقة الوحيدة التي تساعد دائمًا تقريبًا؟
تعد تصفية التمرير العالي، التي تزيل انحرافات الجهد البطيئة الناتجة عن العرق أو حركة الإلكترود، مفيدة باستمرار. ففي العديد من الدراسات، كانت واحدة من الخطوات القليلة التي حسنت جودة البيانات بشكل موثوق عند تطبيقها مبكرًا في المسار.
ماذا تفعل إعادة الإسناد لإشارة مخطط كهربائية الدماغ؟
تعيد إعادة الإسناد حساب جهد كل قناة رياضيًا بالنسبة إلى نقطة محايدة جديدة، مثل متوسط جميع الإلكترودات، بدلاً من مرجع التسجيل الأصلي. ونظرًا لأن مخطط كهربائية الدماغ يقيس فروق الجهد، فإن هذا الاختيار يمكن أن يعيد تشكيل السعة الظاهرية وحتى الأهمية الإحصائية لاستجابات الدماغ.
لماذا يتم الكشف عن القنوات السيئة وكيف يتم إصلاحها؟
تخسر بعض الإلكترودات حتمًا التلامس الجيد أو تصبح صاخبة بشكل مفرط، مما يشوه التحليلات على مستوى فروة الرأس بأكملها. وبعد تحديد هذه القنوات السيئة، يعيد الاستكمال الداخلي بناء إشارتها عن طريق تقدير ما كانت لتسجله بناءً على نشاط الإلكترودات السليمة المحيطة بها.
فيمَ يُستخدم تحليل المكونات المستقلة (ICA) في مخطط كهربائية الدماغ؟
ICA هي تقنية تفرز رياضياً الإشارة المختلطة إلى مكونات مستقلة، ويتوافق بعضها مع مشغولات مثل رمش العين أو ضوضاء العضلات. وبمجرد تحديد المكونات المرتبطة بالمشغولات وإزالتها، يمكن إسقاط المكونات النظيفة المتبقية مرة أخرى في بيانات القنوات للحفاظ على نشاط الدماغ الحقيقي.
كيف تختلف إعادة بناء الفضاء الجزئي للمشغولات (ASR) عن ICA؟
تحدد ASR الأجزاء الصاخبة وتصححها بمقارنة البيانات الواردة بفترة مرجعية نظيفة، مما يؤدي تلقائيًا إلى تحديد الأجزاء التي تنحرف كثيرًا عن خط الأساس هذا. وعلى عكس ICA، فإنها لا تحلل الإشارة إلى مكونات بل تعيد بناء الأجزاء الملوثة بناءً على إحصاءات البيانات النظيفة.
لماذا لا يجب عليك ببساطة التخلص من كل جزء يحتوي على ضوضاء؟
إن الرفض الفظ للتجارب الصاخبة غالبًا ما يؤدي إلى التخلص من كميات كبيرة من البيانات القابلة للاستخدام، مما يقلل من القوة الإحصائية وقد يضعف النتائج. وبما أن البيانات الثمينة تضيع، يفضل عمومًا استخدام طرق مثل الاستكمال الداخلي أو التصحيحات القائمة على المكونات، خاصة عندما يكون وقت التسجيل محدودًا.
ما هو تقسيم الحقب ولماذا يتضمن خط أساس سابق للحدث؟
يقطع تقسيم الحقب التسجيل المستمر إلى نوافذ زمنية قصيرة تتماشى مع أحداث معينة، مثل المثير، لتحليل استجابات الدماغ. وتوفر فترة خط الأساس السابقة للحدث مستوى جهد مرجعي، بحيث لا يتم الخلط بين الانحرافات البطيئة والاستجابة للمثير.
هل يغير مسار المعالجة المسبقة المحدد النتائج النهائية بالفعل؟
نعم، يمكن لخيارات المسارات المختلفة—مثل التصفية أو نظام الإسناد أو طريقة تصحيح المشغولات—أن تغير أشكال الموجات والأهمية وحتى موثوقية الاختبار وإعادة الاختبار. ولا يوجد مسار واحد يعمل بشكل أفضل في جميع الحالات، لذلك يجب على الباحثين فهم تأثير كل خطوة بدلاً من اتباع وصفة افتراضية بشكل أعمى.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
