Eine der am weitesten verbreiteten Referenzoptionen in der EEG-Forschung ist die Common-Average-Referenz (CAR), bei der der Wert jedes Kanals relativ zum Durchschnitt aller Kanäle auf der Kopfhaut neu berechnet wird.
CAR hat den Ruf, standardmäßig Rauschen zu bereinigen. Sie taucht fast automatisch in BCI-Pipelines, veröffentlichten Arbeiten und Open-Source-Toolboxen auf. Doch ein genauerer Blick auf die vorliegende Forschung zeigt ein Bild, das gemischter ist, als es der Ruf vermuten lässt.
Dieser Beitrag führt durch die Mathematik hinter CAR, die Annahmen, von denen sie abhängt, und die Bedingungen, unter denen diese Annahmen nicht mehr zutreffen.
Was ist die Common Average Reference im EEG?
Jede Kopfhautelektrode misst eine Spannung im Verhältnis zu einem Referenzkanal oder einer kleinen Gruppe von Referenzkanälen, die zum Zeitpunkt der Aufzeichnung ausgewählt wurden. Zu den üblichen Optionen gehören eine einzelne Elektrode am Ohrläppchen, verbundene Mastoide hinter den Ohren oder eine Stelle auf der Kopfhaut wie Cz.
Das Problem bei einer Ein-Punkt-Referenz besteht darin, dass sie niemals wirklich „ruhig“ ist. Wenn die Referenzelektrode selbst Rauschen oder Gehirnaktivität aufnimmt, wird diese Kontamination von jedem anderen Kanal abgezogen, da das Signal jedes Kanals relativ dazu definiert ist.
Die CAR umgeht dieses Problem, indem sie eine andere Art von Referenz verwendet, bei der die durchschnittliche Spannung zu jedem Zeitpunkt über das gesamte Elektroden-Array hinweg aufgezeichnet wird. Anstatt den Wert einer Elektrode von allen anderen abzuziehen, subtrahiert die CAR den Mittelwert aller Elektroden von jeder einzelnen Elektrode.
Theoretisch fungiert dieser Durchschnitt als ein stabilerer, „ruhigerer“ Referenzpunkt, als es eine einzelne physische Elektrode bieten könnte, da er auf Informationen von der gesamten Kopfhaut und nicht nur von einer Stelle zurückgreift.
CAR in der BCI-Forschung
Aus diesem Grund taucht die CAR so häufig in der Brain-Computer-Interface-Forschung (BCI) auf. Beispielsweise wurde in einer im International Journal of Engineering and Technology veröffentlichten Studie CAR als eine von zwölf Rereferenzierungsmethoden für einen P300-Speller getestet – ein System, das eine bestimmte Gehirnantwort erkennt, wenn sich ein Benutzer auf einen Zielbuchstaben oder ein Zielsymbol konzentriert – und CAR wurde als die am besten geeignete Technik unter den getesteten Methoden bewertet.
Darüber hinaus wendete eine Studie aus dem Jahr 2025 CAR als Standard-Vorarbeitungsschritt in einer Klassifizierungspipeline für motorische Vorstellung (Motor Imagery) an und beschrieb deren Zweck als Erhöhung des Signal-Rausch-Verhältnisses.
So berechnet man die CAR-Formel
Die Funktionsweise von CAR ist einfache Algebra, kein statistisches Modell, das Daten benötigt, um mathematisch zu beweisen, dass es funktioniert. Für ein Array von N Elektroden, von denen jede eine Spannung zum Zeitpunkt t aufzeichnet, geschrieben als V₁(t), V₂(t), bis hin zu Vₙ(t), ist der CAR-transformierte Wert für jede einzelne Elektrode i:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
Einfach ausgedrückt: Um die CAR für eine bestimmte Elektrode zu finden, nehmen Sie deren ursprünglichen Messwert zu einer bestimmten Millisekunde und subtrahieren Sie den durchschnittlichen Messwert aller Kopfhautelektroden genau zu derselben Millisekunde.
Anwendungen der Common Average Reference im EEG
Die Wahl des richtigen Referenzansatzes entscheidet über den Erfolg diagnostischer Beurteilungen und komplexer Forschungsstudien.
Klinische Setups legen oft Wert auf Klarheit und Konsistenz, um sicherzustellen, dass Neurologen Marker ohne Störungen durch referenzbedingte Artefakte identifizieren können. Forscher bevorzugen diesen globalen Ansatz, wenn sie abbilden, wie Interventionen die neuronale Aktivität beeinflussen könnten, wie sich in Ergebnissen zu atmungsmodulierten Oszillationen gezeigt hat, bei denen eine neutrale Baseline erforderlich ist, um atmungsbezogene Effekte von lokalen neuronalen Rhythmen zu isolieren.
Sowohl im klinischen Umfeld als auch in der experimentellen Neurowissenschaft verlassen sich Forscher auf eine konsistente Dateninterpretation, die künstliche Verzerrungen minimiert. Diese Methode hilft, die Transparenz beim Vergleich von Patientenaufzeichnungen über verschiedene Sitzungen oder Einrichtungen hinweg zu wahren.
Durch die Verwendung von Standardreferenzen stellen Analysten sicher, dass beobachtete Amplitudenänderungen biologische Veränderungen und nicht technische Verschiebungen der Baseline widerspiegeln. Diese objektive Haltung unterstützt eine klarere diagnostische Berichterstattung und valide Ergebnisse in breiten Anwendungen der Gehirnwellenmessung.
Wie CAR Gleichtaktrauschen reduziert
Das Argument für die CAR basiert auf einem Konzept namens Gleichtaktrauschen (Common-Mode Noise). Dies bezieht sich auf Störungen, die auf fast jeder Elektrode mit in etwa gleicher Stärke auftreten, anstatt auf ein Rauschen, das für einen einzelnen Ort spezifisch ist.
Klassische Beispiele hierfür sind 50/60-Hz-Leitungsrauschen aus nahegelegenen Stromquellen, Muskelaktivität, die sich durch Gewebeleitung über die Kopfhaut ausbreitet, und langsame Drifts, die dadurch entstehen, dass sich eine Elektrode leicht auf der Haut verschiebt.
Da diese Art von Rauschen weitgehend über das gesamte Array geteilt wird, sollte die Mittelung aller Kanäle theoretisch eine vernünftige Schätzung dieser gemeinsamen Rauschkomponente liefern. Das Subtrahieren des Durchschnitts von jedem Kanal entfernt dann einen Großteil dieser gemeinsamen Störung, während Kanal-zu-Kanal-Unterschiede, die eher die tatsächliche Gehirnakivität widerspiegeln, weitgehend intakt bleiben.
Die Kernannahmen hinter CAR
Die Rauschminderungslogik der CAR gilt nur, wenn mehrere Bedingungen für die Daten erfüllt sind. Diese Annahmen werden in EEG-Lehrbüchern und Tutorials konsistent beschrieben, obwohl ihre reale Validierung innerhalb der verfügbaren Evidenz dünn ist.
Die Nullmittelwert-Annahme. Zu jedem Zeitpunkt wird angenommen, dass der Durchschnitt aller Spannungen über den Kopf nahe Null liegt, was bedeutet, dass sich positive und negative Aktivitäten auf der Kopfhaut in etwa ausgleichen.
Dichte, gleichmäßige Elektrodenabdeckung. Es wird angenommen, dass das Array den Kopf so gründlich abdeckt, dass der Durchschnitt dem entspricht, was ein Referenzpunkt aufzeichnen würde, der unendlich weit vom Kopf entfernt und daher elektrisch neutral ist. Eine spärliche oder ungleichmäßige Abdeckung schwächt diese Annäherung ab.
Keine einzelne dominante Quelle. Keine einzelne Elektrode, kein fehlerhafter Kanal und kein großes Artefakt (wie z. B. ein starkes Augenzwinkern) sollte groß genug sein, um den Durchschnitt von sich aus zu verfälschen.
Wenn diese drei Bedingungen erfüllt sind, verhält sich der Durchschnitt wie ein wirklich neutraler Referenzpunkt. Wenn dies nicht der Fall ist, wird der Durchschnitt selbst verzerrt, und das Subtrahieren eines verzerrten Durchschnitts führt zu neuen Problemen, anstatt alte zu beheben.
Testen der CAR-Annahmen mit echten EEG-Daten
Wenn man eine öffentlich zugängliche Ruhe-EEG-Aufzeichnung nimmt, beispielsweise einen Standard-64-Kanal-Datensatz, und die globale mittlere Wellenform vor der Anwendung von CAR berechnet, zeigt dies oft Werte, die von Null abweichen, manchmal um eine merkliche Spanne. Diese Abweichung ist ein direkter Beweis für Gleichtaktanteile im Rohsignal, genau das, wofür CAR ausgelegt ist. Nach der Anwendung der CAR wird dieser globale Mittelwert per Definition der Formel zu jedem Zeitpunkt exakt auf Null gesetzt.
Ein aufschlussreicherer Test beinhaltet das Betrachten von Epochen, die große Lidschlagartefakte enthalten.
Augenzwinkern erzeugt große Spannungsschwankungen, die an den frontalen Elektroden am stärksten sind, aber in einen Großteil des Arrays einfließen. Während dieser Epochen verschiebt sich die globale Mitte vor der CAR oft deutlich von Null weg, da das Blinzeln nicht gleichmäßig verteilt ist, sondern sich in einem Teil des Kopfes konzentriert. Wenn CAR dann angewendet wird, wird dieses konzentrierte Artefakt in den Durchschnitt einbezogen und in kleineren Mengen auf jeden einzelnen Kanal verteilt, auch auf Kanäle, die weit von den Augen entfernt und ursprünglich sauber waren.
Was die Forschung sagt: Gemischte Evidenz aus BCI-Studien
Die oben erwähnte Studie verglich zwölf Rereferenzierungstechniken an drei P300-Speller-Datensätzen, sowohl unter Offline- als auch unter Online-Testbedingungen, und kam zu dem Schluss, dass die CAR unter allen zwölf die am besten geeignete Technik war. Obwohl die Studie grafische Vergleiche der Klassifizierungsgenauigkeit und Tabellen mit detaillierten Angaben zu den durchschnittlichen maximalen Bitraten mit Standardabweichungen liefert, berichtet sie nicht über Effektstärken oder formale statistische Signifikanztests zwischen den Methoden, was das Vertrauen in dieses Ranking einschränkt.
Unterdessen wählte eine Studie aus dem Jahr 2017 einen anderen Ansatz mit einer Motor-Imagery- und Bewegungbeabsichtigungsaufgabe. Elf Probanden führten Bewegungen des rechten Handgelenks aus und stellten sich diese vor, während das EEG von 28 Elektroden aufgezeichnet wurde. Das Signal wurde sowohl mit CAR als auch mit Laplace-Referenzierung verarbeitet, einer räumlichen Filtermethode, die den Unterschied zwischen einer zentralen Elektrode und ihren unmittelbaren Nachbarn anstelle des Durchschnitts der gesamten Kopfhaut betont.
Die Klassifizierungsgenauigkeit unter Verwendung der Laplace-Referenzierung lag zwischen 63,33 % und 100 % für vorgestellte Bewegungen und zwischen 60 % und 96,67 % für tatsächliche Bewegungen, wobei k-nächste-Nachbarn-Klassifikatoren die quadratische Diskriminanzanalyse übertrafen. Die Laplace-Referenzierung übertraf CAR insgesamt, obwohl die Studie keine genauen Genauigkeitswerte für CAR zum direkten Vergleich nennt. Dieses Ergebnis legt nahe, dass CAR für Aufgaben, die eine fokale, lokalisierte motorische Gehirnaktivität beinhalten, weniger geeignet sein könnte.
Schließlich bettete die erwähnte Studie aus dem Jahr 2025 CAR als frühen Vorverarbeitungsschritt in eine größere Convolutional-Neural-Network-Pipeline (CNN) zur Klassifizierung motorischer Vorstellungen ein, die auch gleitende Zeitfenster, spektrale Transformation und Frequenzbandextraktion umfasste. Die vollständige Pipeline erreichte eine Genauigkeit von 91,75 % auf einem Benchmark-Datensatz für Wettbewerbe. Dies ist ein starkes Ergebnis, aber da CAR nur einer von mehreren Verarbeitungsschritten war, kann die Studie nicht zeigen, wie viel von dieser Genauigkeit auf CAR selbst zurückzuführen ist, im Vergleich zur CNN-Architektur, der Windowing-Technik oder der Frequenzbandauswahl.
Zusammengenommen führen diese drei Studien nicht zu einer einheitlichen Schlussfolgerung. CAR schnitt im P300-Kontext gut ab, schnitt im Motor-Imagery-Kontext schlechter ab als eine Alternative und war in einem hochgenauen Deep-Learning-Kontext zwar vorhanden, aber nicht isoliert betrachtet worden. Daher deuten die diskutierten Belege darauf hin, dass der eigenständige Nutzen von CAR unklar bleibt und stark von der Art des gemessenen Gehirnsignals abzuhängen scheint.
Wenn CAR scheitert: Artefakte, spärliche Arrays und fokale Quellen
Das Muster in diesen Studien deckt sich mit drei Fehlermodi, die in der EEG-Methodik zwar weitgehend diskutiert, in der verfügbaren Forschung jedoch nur teilweise durch direkte Beweise gestützt werden.
Große Artefakte. Ein einzelnes Ereignis mit hoher Amplitude, wie ein starkes Augenzwinkern oder ein Muskelspike, kann die Durchschnittsberechnung dominieren, wenn es im Verhältnis zum Rest des Arrays groß genug ist. In diesem Fall entfernt CAR das Artefakt nicht, sondern verteilt eine verzerrte Version davon auf jeden Kanal, auch auf jene, die ursprünglich artefaktfrei waren. Dies ist eine direkte Folge der CAR-Formel und kein separat getestetes Ergebnis, ergibt sich jedoch logisch aus der zuvor in diesem Artikel beschriebenen Demonstration.
Spärliche Arrays. CAR hängt davon ab, dass der Durchschnitt einen neutralen Referenzpunkt annähert, was eine vernünftig dichte und gleichmäßige Abdeckung der Kopfhaut erfordert. Bei nur einer Handvoll Elektroden, beispielsweise acht bis sechzehn Kanälen, ist der Durchschnitt eine weitaus schwächere Schätzung dieses neutralen Punkts, und die Abnahmeannahme hinter CAR wird direkt verletzt.
Fokale Quellen. Gehirnaktivität, die aus einer kleinen, lokalisierten Region stammt, anstatt sich weit über die Kopfhaut auszubreiten, kann sich ähnlich wie ein „lokales“ Signal verhalten, für dessen Erhaltung die Array-weite Mittelung der CAR nicht ausgelegt ist. Da CAR einen globalen Durchschnitt subtrahiert, kann sie Signale, die konzentriert statt weit verbreitet sind, teilweise auslöschen.
Fehlermodus | Hauptproblem |
|---|---|
Artefakte | Großes Artefakt verfälscht den Durchschnitt |
Spärliche Arrays | Zu wenige Elektroden, schwache Referenz |
Fokale Quellen | Lokale Signale werden möglicherweise abgeschwächt |
Wie sich die Schwächen der CAR abmildern lassen
In der EEG-Praxis werden üblicherweise mehrere Anpassungen empfohlen, um diesen Schwachpunkten zu begegnen:
Wenn große Artefakte ein Problem darstellen, identifizieren und interpolieren oder entfernen Sie fehlerhafte Kanäle oder stark von Artefakten betroffene Segmente, bevor Sie die CAR berechnen.
Wenn Sie mit einem spärlichen Array arbeiten (z. B. 8–16 Kanäle), vermeiden Sie die CAR und verwenden Sie eine feste physische Referenz wie verbundene Mastoide.
Für Aufgaben, die auf eine fokale, lokalisierte Gehirnakivität abzielen, sollten Sie Laplace-Referenzierungen oder Quellraum-Methoden in Betracht ziehen, die lokale Gradienten anstelle eines globalen Durchschnitts betonen.
Ist CAR die richtige Referenzwahl für Ihr EEG-Setup?
Die CAR bleibt eine weit verbreitete Referenzmethode mit einer klaren und kohärenten mathematischen Grundlage. Sie zwingt das durchschnittliche Signal über das Array hinweg auf Null, was im Prinzip Rauschen entfernen kann, das weitgehend und gleichmäßig auf der Kopfhaut auftritt. Dieser theoretische Reiz erklärt, warum sie so oft als Standardschritt in EEG- und BCI-Pipelines auftaucht.
Jeder, der CAR auf seine eigenen Daten anwendet, sollte sie als einen vernünftigen Standard und nicht als garantierte Verbesserung betrachten. Ihre Annahmen – ein Signal mit einem Mittelwert von annähernd Null, eine dichte und gleichmäßige Elektrodenabdeckung und das Fehlen eines dominierenden Artefakts – sollten im Hinblick auf das spezifische Aufzeichnungs-Setup und die anstehende Aufgabe überprüft und nicht automatisch vorausgesetzt werden.
Wo diese Annahmen wahrscheinlich nicht zutreffen, insbesondere bei spärlichen Arrays oder Aufgaben, die sich auf fokale, lokalisierte Gehirnquellen konzentrieren, verdienen Alternativen wie die Laplace-Referenzierung ernsthafte Überlegung.
Warum die Überprüfung Ihrer EEG-Referenzannahmen schwerer wiegt als Standardeinstellungen
Die Common Average Reference basiert auf der einfachen mathematischen Idee, den Durchschnitt der gesamten Kopfhaut zu subtrahieren, um kanalübergreifendes Rauschen zu entfernen. Auf dem Papier funktioniert das wunderbar, aber reale Gehirnaufzeichnungen spielen selten perfekt mit. Der Algorithmus zwingt den Elektrodendurchschnitt immer auf Null, aber dieses erzwungene Gleichgewicht garantiert keine sauberere Sicht auf die Gehirnaktivität – sondern nur, dass die Zahlen aufgehen.
Was noch mehr zählt als das EEG-Montageschema selbst, ist die Frage, ob das Aufzeichnungs-Setup die zugrunde liegenden Annahmen erfüllt. Eine dichte, gleichmäßige Elektrodenabdeckung und das Fehlen überwältigender Artefakte wie Augenzwinkern können CAR von einer riskanten Abkürzung in ein nützliches Werkzeug verwandeln. Bei spärlichen Arrays oder Aufgaben, die kleine, fokussierte Gehirnsignale erfassen müssen, kann derselbe Schritt Kontaminationen verbreiten und genau die Aktivität verwischen, die ein Forscher zu erkennen hofft.
Das Fazit der Forschung ist nicht, dass CAR gut oder schlecht ist, sondern dass ihre Verwendung eine bewusste Überprüfung der Datenbedingungen erfordert und nicht das blinde Vertrauen in eine beliebte Voreinstellung.
Referenzen
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
Häufig gestellte Fragen
Was ist die Common Average Reference (CAR) im EEG?
CAR ist eine Rereferenzierungsmethode, die zu jedem Zeitpunkt die durchschnittliche Spannung aller Kopfhautelektroden von jeder einzelnen Elektrode subtrahiert. Dadurch wird eine einzelne physische Referenz durch den Durchschnitt der gesamten Kopfhaut ersetzt, mit dem Ziel, einen stabileren Referenzpunkt für die Aufzeichnung zu schaffen.
Wie reduziert CAR das Rauschen in EEG-Signalen?
CAR zielt auf Gleichtaktrauschen ab – Störungen, die an vielen Elektroden gleichermaßen auftreten, wie Netzbrummen oder Muskelaktivität. Durch die Mittelung aller Kanäle und die Subtraktion dieses Durchschnitts wird das gemeinsame Rauschen weitgehend entfernt, während kanalspezifische Unterschiede in der Gehirnaktivität erhalten bleiben.
Welche Kernannahmen sind erforderlich, damit CAR gut funktioniert?
CAR setzt voraus, dass sich die kopfhautweiten Spannungsdurchschnitte in jedem Moment nahe Null befinden, dass die Elektrodenabdeckung dicht und gleichmäßig ist und dass kein einzelnes Artefakt oder kein einzelner Kanal den Durchschnitt dominiert. Wenn diese nicht zutreffen, wird der berechnete Durchschnitt verzerrt, und das Subtrahieren desselben führt zu Fehlern.
Wann versagt CAR oder führt Artefakte ein?
CAR kann bei großen, lokalisierten Artefakten wie Augenzwinkern versagen, da diese den Durchschnitt verfälschen und dann auf alle Kanäle verteilt werden. Sie stößt auch bei spärlichen Elektroden-Arrays oder stark fokalen Gehirnsignalen an ihre Grenzen, da der globale Durchschnitt dann keine neutrale Referenz mehr darstellt.
Was sagt die verfügbare Forschung über die Wirksamkeit von CAR?
Die Belege sind gemischt. Eine Studie stellte fest, dass CAR für eine P300-Speller-Aufgabe gut funktionierte, eine andere zeigte jedoch, dass die Laplace-Referenzierung CAR bei Motor Imagery übertraf. Eine dritte Studie verwendete CAR in einer erfolgreichen Deep-Learning-Pipeline, isolierte jedoch nicht deren spezifischen Beitrag, so dass ihr eigenständiger Nutzen unklar bleibt.
Sollte ich CAR immer als Standardreferenz für meine EEG-Analyse verwenden?
Nicht blind. CAR ist ein vernünftiger Standard, wenn Sie eine dichte, gleichmäßige Elektrodenabdeckung haben und das Signal ohne dominierende Artefakte annähernd einen Nullmittelwert aufweist. Bei spärlichen Arrays oder fokaler Gehirnaktivität sind Alternativen wie eine feste physische Referenz oder die Laplace-Referenzierung möglicherweise besser geeignet.
Was ist die Laplace-Referenzierung und wie schneidet sie im Vergleich zu CAR ab?
Die Laplace-Referenzierung hebt die Spannungsdifferenz zwischen einer zentralen Elektrode und ihren unmittelbaren Nachbarn hervor und betont so die lokale Gehirnakivität. Sie übertraf CAR in einer Motor-Imagery-Studie, was darauf hindeutet, dass sie besser für die Erkennung räumlich fokussierter Signale geeignet ist.
Wie kann ich die Schwächen der CAR abmildern, wenn ich sie dennoch verwenden möchte?
Identifizieren und entfernen oder interpolieren Sie vor der Berechnung der CAR fehlerhafte Kanäle und große Artefakte wie Blinzeln. Dadurch wird verhindert, dass ein einzelner verrauschter Kanal oder ein einzelnes Ereignis den Durchschnitt der gesamten Kopfhaut verfälscht und alle Kanäle kontaminiert.
Was passiert, wenn bei einer CAR-referenzierten Aufzeichnung ein Lidschlag auftritt?
Augenblinzeln erzeugt starke Spannungsverschiebungen, die sich auf die frontalen Elektroden konzentrieren. Wenn CAR angewendet wird, geht der Einfluss des Blinzelns in den globalen Durchschnitt ein und wird anschließend abgezogen, wodurch eine schwächere, aber verzerrte Version des Blinzelns auf jeden Kanal übertragen wird – selbst auf solche, die ursprünglich sauber waren.
Macht CAR den Durchschnitt aller Kanäle tatsächlich zu Null?
Ja, per Definition zwingt die CAR-Transformation die Summe aller rereferenzierten Spannungen zu jedem Zeitpunkt auf Null. Diese mathematische Eigenschaft garantiert jedoch nicht, dass das resultierende Signal eine sauberere Darstellung der Gehirnaktivität ist – sie erzwingt lediglich eine Bedingung, die der Realität entsprechen kann oder auch nicht.
Emotiv ist ein führender Anbieter von Neurotechnologie, der die neurowissenschaftliche Forschung mit zugänglichen EEG- und Gehirndaten-Tools vorantreibt.
Christian Burgos
