Artefakte sind unerwünschte, nicht vom Gehirn erzeugte Signale, die die visuelle Interpretation eines Elektroenzephalogramms verzerren und die algorithmischen Analysen korrumpieren können, die Gehirn-Computer-Schnittstellen oder die Überwachung des mentalen Zustands steuern.
Unabhängig davon, ob Sie eine rohe EEG-Spur auf Epilepsiemarker hin auswerten oder Daten in eine Machine-Learning-Pipeline einspeisen: Unerkannte Artefakte können sich als pathologische Wellenformen tarnen oder Varianzen einführen, die die Modellleistung beeinträchtigen.
Dieser praktische Leitfaden führt Sie durch die zwei großen Kategorien von EEG-Artefakten, erklärt, wie Sie deren charakteristische Signaturen im Zeitbereich erkennen, und beschreibt die manuellen Reinigungsschritte, die vor jeder computergestützten Verarbeitung nach wie vor unerlässlich sind.
Die zwei grundlegenden Kategorien von EEG-Artefakten
Jede unerwünschte Fluktuation in einer EEG-Aufzeichnung hat einen von zwei Ursprüngen. Probandenbezogene oder physiologische Artefakte werden vom eigenen Körper der teilnehmenden Person erzeugt. Dazu gehören Lidschläge, Muskelanspannung, Herzschlag und die Aktivität der Schweißdrüsen – all dies erzeugt elektrische Felder, die von den Skalpelektroden neben der eigentlichen Gehirnaktivität erfasst werden.
Technische oder nicht-physiologische Artefakte stammen von den Aufzeichnungsgeräten und der Umgebung. Lockere Elektroden, Kabelschwingungen, Verstärkersättigung und netzbedingte elektrische Störungen fallen in diese zweite Gruppe.
Die Unterscheidung zwischen diesen beiden Kategorien ist die erste zu erlernende Fertigkeit, da sich die Präventions- und Entfernungsstrategien grundlegend voneinander unterscheiden. Ein Muskelausbruch durch zusammengebissene Zähne erfordert eine andere Intervention als ein periodisches 60-Hertz-Brummen, das über ein schlecht geschirmtes Kabel einstreut.
So erkennen Sie probandenbezogene Artefakte
Lidschläge
Das Auge verhält sich wie eine kleine elektrische Batterie. Die Hornhaut trägt eine positive Ladung im Verhältnis zur Netzhaut, wodurch ein korneo-retinaler Dipol entsteht. Wenn eine Testperson blinzelt, gleitet das Augenlid über diesen Dipol und zieht das positive Feld nach oben, was eine große, positive Spannungsauslenkung an den frontalen Elektroden erzeugt, die den Augen am nächsten liegen.
Im Signalverlauf der Zeitdomäne erscheint ein Lidschlag als langsame Welle hoher Amplitude, die ihr Maximum an frontopolaren Kanälen wie Fp1 und Fp2 erreicht und dann in Richtung zentraler oder posteriorer Ableitungen stark abnimmt. Da diese Wellenform so stereotyp ist, kann ein geschultes Auge sie fast sofort erkennen.
Augenbewegungen und sakkadische Spikes
Wenn sich die Augen ohne Lidschlag seitlich bewegen, rotiert der korneo-retinale Dipol, anstatt verdeckt zu werden. Dies erzeugt eine stufenartige Verschiebung im Elektrookulogramm-Signal, die auf benachbarte EEG-Kanäle übertreten kann.
Zusätzlich erzeugt die schnelle Kontraktion der extraokularen Muskeln während einer Sakkade ein kurzes, scharfes elektrisches Transiente, das als sakkadisches Spike-Potenzial bekannt ist. In einer Rohableitung können diese Spikes einer epileptiformen Aktivität täuschend ähnlich sehen. Sie beschränken sich typischerweise auf frontale sowie temporale Elektroden und fallen mit einer Blickänderung zusammen.
Das Erkennen dieser Spikes verhindert einen klinischen Fehlanschein und vermeidet das unnötige Verwerfen von ansonsten sauberen neuronalen Daten. Die Kürze des Spikes, seine Korrelation mit einer horizontalen oder vertikalen Augenbewegung und das Fehlen einer nachfolgenden langsamen Welle helfen dabei, ihn von einer echten kortikalen Entladung zu unterscheiden.
Muskelaktivität
Kopfhaut-, Gesichts- und Nackenmuskeln sind ergiebige Erzeuger von hochfrequentem elektrischem Rauschen. Wenn eine Versuchsperson die Zähne zusammenbeißt, die Stirn runzelt oder auch nur Spannung im Nacken hält, feuern Aktionspotenziale der motorischen Einheiten asynchron und summieren sich zu einem spitzen, unregelmäßigen Interferenzmuster.
Im Zeitbereich sieht ein Muskelartefakt wie ein schneller Ausbruch scharfer Auslenkungen mit niedriger Amplitude aus, die dem EEG überlagert sind und oft über temporalen oder frontalen Elektroden am stärksten hervortreten. Sein Frequenzgehalt liegt hauptsächlich über 20 Hz, weit im Beta- und Gammaband, in denen viele kognitive Maße angesiedelt sind. Dies macht es besonders problematisch für die Überwachung von Geisteszuständen und für Brain-Computer-Interface-Anwendungen.
High-Density-EEG-Setups mit eng beieinander liegenden Elektroden können dabei helfen, die Muskelquelle zu lokalisieren, aber die wichtigste Schutzmaßnahme besteht darin, die Testperson anzuweisen, sich zu entspannen, und eine physische Stütze für den Kopf bereitzustellen.
Schweiß und elektrodermale Verschiebungen
Veränderungen des Hautleitwerts infolge der Schweißdrüsenaktivität verändern die Grenzfläche zwischen Elektrode und Haut. Dies führt zu einer sehr langsamen, gleichmäßigen Drift der Basisspannung, oft unter 1 Hz, die über mehrere Sekunden hinweg wandern kann.
Das Artefakt tritt nicht als Spike oder rhythmisches Surren auf, sondern als sanftes, wellenförmiges Auf- und Abwogen der gesamten Spur. Es tritt am häufigsten bei langen Aufzeichnungen, in warmen Umgebungen oder bei unruhigen Testpersonen auf. Dieser niederfrequente Störfaktor lässt sich durch eine stabile Raumtemperatur und einen guten Elektrodenkontakt in den Griff bekommen.
Kardiale Signale
Das elektrische Feld des Herzens ist stark genug, um die Kopfhaut zu erreichen – insbesondere bei hohen Elektrodenimpedanzen oder wenn sich eine Referenzelektrode in der Nähe eines Blutgefäßes über dem Mastoid oder dem Ohrläppchen befindet.
Das resultierende Elektrokardiogramm-Artefakt zeigt sich als regelmäßiger, scharfer QRS-Komplex, der sich mit der Herzfrequenz wiederholt – etwa einmal pro Sekunde. Es strahlt oft zeitgleich mit einem konsistenten zeitlichen Versatz in viele Kanäle ein, und Klassifikatoren, die auf breitbandigen Artefaktmerkmalen trainiert sind, können es zusammen mit anderen Störquellen erkennen.
Ist die kardiale Wellenform sichtbar, aber nicht übermäßig dominant, kann sie oft subtrahiert werden, indem ein dedizierter EKG-Kanal aufgezeichnet wird; andernfalls müssen die betroffenen Segmente eventuell manuell verworfen werden.
Artefakt | Signatur |
|---|---|
Lidschlag | Frontale langsame Welle |
Augenbewegung | Stufenartige Verschiebung |
Muskel | Hochfrequente Spikes |
Schweiß | Langsame Basisliniendrift |
Kardial | Scharfer QRS-Komplex |
Erkennen technischer Artefakte im Signalverlauf
Elektroden-Pops und bewegungsbedingte Spikes
Eine plötzliche Änderung der Impedanz, die durch eine ausgetrocknete Gelbrücke, ein gezogenes Kabel oder eine verrutschende Elektrode verursacht wird, erzeugt ein abruptes, steiles Transiente, das oft als „Pop“ bezeichnet wird. Dies fällt in die Kategorie der „generischen Diskontinuitäten“, für deren Erkennung automatisierte Algorithmen wie ADJUST entwickelt wurden.
Im Zeitbereich sieht ein Elektroden-Pop typischerweise wie ein isolierter Spike mit extremer Amplitude aus, der den Verstärker sättigen kann, wodurch das Signal vor einer langsamen Erholung kurzzeitig verflacht (Flatline). Anders als ein biologischer Spike ist er nicht von fortlaufender physiologischer Aktivität umgeben und tritt gewöhnlich auf einem einzelnen Kanal auf, was ihn bei der visuellen Inspektion leicht identifizierbar macht.
Eine Neonatal-EEG-Studie von Hagmann et al. dokumentierte ähnlich häufige Bewegungsstörungen, die den amplitudenintegrierten Verlauf veränderten, und hob hervor, dass selbst kurze physische Störungen messbare Verunreinigungen hervorrufen.
Netzstörungen
Die kapazitive Einkopplung der Stromversorgung in den Versuchsaufbau erzeugt ein kontinuierliches, rhythmisches Brummen bei der Netzfrequenz – 50 Hz in Europa und weiten Teilen der Welt, 60 Hz in Nordamerika.
In einer rohen EEG-Spur erscheint diese Störung als dicke Sinuswelle, die jedem Kanal überlagert ist, oft mit einer gleichbleibenden Amplitude. Selbst ein geringes Leitungsrauschen kann niederpegelige zerebrale Rhythmen maskieren, und sein Auftreten signalisiert ein Problem mit der Elektrodenimpedanz, der Abschirmung oder der Erdung.
Es handelt sich ausnahmslos um ein technisches Artefakt und nicht um eine neuronale Oszillation. Durch seine feste Frequenz lässt es sich mit bloßem Auge oder mit einem einfachen Spektralplot problemlos identifizieren.
Lockere Elektroden und Kabelbewegungen
Wenn eine Elektrode nicht sicher auf der Kopfhaut befestigt ist oder ihr Kabel während der Aufzeichnung schwankt, führt die mechanische Störung zu unregelmäßigen niederfrequenten Schwankungen. Diese können wie eine langsame, erratische Drift oder ein Ausbruch hochamplitudiger, unregelmäßiger Wellen auf einem einzelnen Kanal aussehen.
Der sporadische Charakter und die Beschränkung auf eine einzelne Elektrode unterscheiden dieses Artefakt unmittelbar von weitreichenden physiologischen Ereignissen wie einem Blinzeln oder einer Muskelanspannung. Das Markieren solcher Momente in Echtzeit spart später viel Arbeit, da die Suche nach fehlerhaften Datensegmenten eingegrenzt wird.
Prävention und Dokumentation von Artefakten während einer Aufzeichnung
Die effektivste Strategie für das Artefaktmanagement beginnt lange vor dem Speichern des ersten Datenpunkts.
Eine entspannte Testperson liefert drastisch weniger Muskel- und Augenbewegungsartefakte. Nehmen Sie sich daher Zeit, die Sitzung zu erklären, stellen Sie einen bequemen Stuhl mit Kopfstütze bereit und geben Sie den Augen einen stabilen Fixationspunkt, um spontanes Blinzeln und Sakkaden zu reduzieren. Diese Schritte sind so elementar, dass sie in Forschungsarbeiten selten ausdrücklich erwähnt werden – dennoch stützt sich jede Studie, die saubere Daten vorweist, unausgesprochen darauf.
Das Anbringen der Elektroden ist die nächste Verteidigungslinie. Eine sorgfältige Vorbereitung der Haut, ausreichend Leitgel und eine gewissenhafte Kabelführung minimieren sowohl Umgebungseinstreuungen als auch bewegungsbedingte Pops.
Die bereits erwähnte Säuglings-EEG-Studie ergab, dass elektrische und bewegungsbedingte Störungen ähnlich häufig auftraten, was bestätigt, dass keine Aufzeichnungsumgebung von Natur aus vor technischen Problemen gefeit ist. Das Prüfen der Impedanzen vor und nach der Messung sowie das Sichern der Kabel an der Kleidung oder am Stuhl beseitigt einen Großteil vermeidbarer Artefakte.
Führen Sie schließlich während der Messung ein fortlaufendes Protokoll der sichtbaren Artefakte. Notieren Sie die Zeit jeder größeren Bewegung, jedes Hustens oder jedes Nachjustierens der Elektroden. Diese Art der manuellen Annotation spiegelt die Experten-Kennzeichnung wider, die zum Training automatischer Klassifikatoren dient, bei der menschliche Beurteiler Segmente als Ground Truth für Machine-Learning-Algorithmen kennzeichnen.
Ein einfacher handschriftlicher Zeitstempel oder ein Ereignismarker in der Erfassungssoftware verwandelt Vermutungen in eine reproduzierbare Dokumentation.
Manuelle Bereinigung und Interpolation: Vor der Berechnung säubern
Visuelle Inspektion des kontinuierlichen Signalverlaufs
Bevor Sie die Artefaktbereinigung an einen Signalverarbeitungs-Algorithmus übergeben, sollten Sie die Rohdaten durchscrollen und die oben beschriebenen Signalcharakteristika nutzen, um fehlerhafte Intervalle zu identifizieren.
Es wird häufig empfohlen, nach der charakteristischen frontalen langsamen Welle eines Lidschlags, dem hochfrequenten Rauschen der Muskelaktivität, dem isolierten Peak eines Pops oder der anhaltenden Sinuswelle des Netzrauschens zu suchen. Dieser Schritt schult Ihr Auge darin, Artefakte von echter Gehirnaktivität zu unterscheiden, und verhindert das automatische Verwerfen seltener neuronaler Ereignisse mit hoher Amplitude, die Artefakten oberflächlich ähneln könnten.
Frontale langsame Welle: weist auf einen Lidschlag hin
Hochfrequentes Zischen/Rauschen: weist auf Muskelaktivität hin
Isolierter Spike extremer Amplitude: weist auf einen Elektroden-Pop hin
Anhaltende Sinuswelle: weist auf Netzstörungen hin
Markieren und Ausschließen fehlerhafter Zeitsegmente
Sobald Sie einen artefaktbehafteten Datenabschnitt identifiziert haben, markieren Sie ihn für den Ausschluss. Dies kann das Protokollieren von Start- und Endzeiten oder die Verwendung von Markierungswerkzeugen umfassen, die in die EEG-Analysesoftware integriert sind.
Das manuelle Entfernen der am stärksten gestörten Segmente ist der Standard, auf dem selbst modernste automatisierte Verfahren aufbauen. Bei den Arbeiten, aus denen der ADJUST-Algorithmus hervorging, kennzeichneten Experten beispielsweise manuell 640 Komponenten, um einen Trainingsdatensatz zu erstellen; die Leistung des Klassifikators wurde anschließend anhand dieser manuell definierten Ground Truth gemessen.
Das manuelle Entfernen der gravierendsten Artefakte verringert die Belastung nachgelagerter Algorithmen und verhindert, dass diese bei räumlichen Filterschritten Rauschen in benachbarte Kanäle übertragen.
Interpolation eines durchgehend verrauschten Kanals
Wenn eine einzelne Elektrode während der gesamten Messung aufgrund eines Wackelkontakts, ausgetrockneten Gels oder mechanischer Instabilität unzuverlässig ist, bleibt die Gesamtdimensionalität der Daten erhalten, indem man diesen Kanal entfernt und seine Daten aus benachbarten, sauberen Elektroden rekonstruiert.
Die Interpolation nutzt die räumliche Spannungsverteilung über die Kopfhaut, um abzuschätzen, was der defekte Kanal aufgezeichnet hätte, und ersetzt das Artefakt effektiv durch ein plausibles, neutrales Signal. Dieser Schritt hält den Datensatz für topografische Analysen intakt und vermeidet den Datenverlust, der durch das vollständige Verwerfen des Kanals entstehen würde.
Warum manuelle Bereinigung unverzichtbar bleibt
Selbst die ausgefeiltesten automatischen Klassifikatoren profitieren von einem Datensatz, der vorab von groben Artefakten befreit wurde. Die Erkenntnis der Neonatalstudie, dass Artefakte 12 % der Aufzeichnungszeit ausmachten und die klinische Interpretation beeinflussten, veranschaulicht, wie leicht unbereinigte Kontaminationen Schlussfolgerungen verfälschen können.
Daher stellt die manuelle Inspektion sicher, dass die größten und offensichtlichsten Artefakte beseitigt sind, bevor die Daten in eine effektive Berechnungspipeline gelangen, wo sie andernfalls die Varianz dominieren und die Zerlegung fehlleiten könnten. Sie baut zudem eine intime Vertrautheit mit dem Datensatz auf, die kein Algorithmus nachbilden kann.
Wie die automatisierte Entfernung manuelle Arbeit unterstützt
Unabhängige Komponentenanalyse als Werkzeug zur Zerlegung
Sobald die fehlerhaftesten Segmente manuell entfernt wurden, kann die ICA das verbleibende EEG in statistisch unabhängige Quellkomponenten zerlegen. Diese Technik entmischt das Gemisch aus Gehirn- und Artefaktsignalen, das von den Skalpelektroden erfasst wurde, und trennt Augenbewegungen, Lidschläge und Muskelaktivität basierend auf ihren spezifischen räumlichen und zeitlichen Mustern in diskrete Komponenten.
Eine Komponente mit frontaler Projektion und einer Wellenform, die stark dem Lidschlagsignal entspricht, kann dann identifiziert und subtrahiert werden, wodurch der Rest der Daten neurophysiologisch intakt bleibt. Die Stärke der ICA liegt in ihrer Fähigkeit, mehrere gleichzeitig auftretende Artefaktquellen zu verarbeiten – eine Aufgabe, bei der einfachere regressionsbasierte Korrekturen häufig zu Über- oder Unterkorrekturen führen.
Die Zuverlässigkeit moderner Klassifikatoren
Automatisierte Methoden haben inzwischen ein Leistungsniveau erreicht, das dem Urteil menschlicher Experten sehr nahe kommt.
Ein probandenunabhängiger linearer Klassifikator, der auf sechs Merkmalen aus dem Frequenz-, Raum- und Zeitbereich trainiert wurde, erreichte bei einem Reaktionszeit-Datensatz einen mittleren quadratischen Fehler von unter 10 %, was im Bereich der Uneinigkeit zwischen zwei menschlichen Experten liegt.
Darüber hinaus stimmte der ADJUST-Algorithmus, der räumliche und zeitliche artefaktspezifische Merkmale kombiniert, bei einem völlig unabhängigen Datensatz in 95,2 % der Datenvarianz mit der manuellen Kennzeichnung durch Experten überein; seine Entfernung artefaktbehafteter Komponenten führte zu einer sauberen Rekonstruktion ereigniskorrelierter Potenziale.
Ein anderer Ansatz, der autoregressive Modelle in Kombination mit einer Support Vector Machine nutzte, klassifizierte mehrere Arten probandenbezogener Artefakte über Individuen hinweg mit einer Genauigkeit von etwa 94 %.
Speziell bei Augenartefakten arbeitete ein Algorithmus, der Eye-Tracker-Informationen zur objektiven Identifizierung der relevanten Komponenten einbezog, nahezu doppelt so effektiv wie menschliche Experten, die sich allein auf Komponententopografien verlassen mussten, und erreichte eine ROC-AUC-Fläche von über 0,99.
Diese Zahlen machen eine manuelle Säuberung nicht überflüssig, zeigen aber, dass dem Fachgebiet nun verlässliche computergestützte Assistenten zur Verfügung stehen, die die repetitive Identifizierung großer Mengen bewältigen können, die früher ausschließlich von Hand erledigt wurde.
Balance zwischen Artefaktentfernung und Signalerhaltung
Eine zu aggressive Verwerfung von Artefakten kann versehentlich echte neuronale Informationen abstreifen. In einem motorisch-imaginativen Brain-Computer-Interface-Paradigma stellten Forscher fest, dass sie bis zu 60 % der am stärksten artefaktbehafteten ICA-Komponenten sicher entfernen konnten, während die diskriminanten Informationen, die das BCI-System zur Dekodierung der Absicht des Benutzers verwendete, weiterhin erhalten blieben.
Dieses Ergebnis unterstreicht das entscheidende Prinzip, dass nicht jede Komponente, die eine gewisse Artefaktvarianz trägt, frei von neuronalen Signalen ist. Eine manuelle Überprüfung der von einem automatischen Klassifikator ausgewählten Komponenten bleibt ratsam, um sicherzustellen, dass die Ablehnungsschwelle nicht in den Bereich nützlicher Gehirnaktivität eingreift.
Automatisierte Identifizierung von EEG-Artefakten mit Convolutional Neural Networks
Automatisierte Ansätze zur Erkennung von EEG-Artefakten haben erhebliche Fortschritte gemacht und stellen eine Ergänzung zu den oben beschriebenen manuellen Erkennungsverfahren dar. Eine Forschungsrichtung konzentriert sich auf Convolutional Neural Networks (CNNs), die Artefakte erkennen und klassifizieren können, ohne dass eine manuelle Merkmalsextraktion durch Experten oder eine Vorverarbeitung des Rohsignals erforderlich ist.
Eine Studie von Forschern, die kontinuierliche Mehrkanal-EEG-Daten untersuchten, schlug eine CNN-Architektur zur binären Erkennung von EEG-Artefakten vor und erweiterte diese anschließend auf die Klassifizierung mehrerer Artefaktarten. Die Autoren berichten, dass ihr optimiertes Netzwerk im Durchschnitt über 17 Patienten und 9 Artefaktklassen hinweg eine Klassifikationsgenauigkeit von 94,17 % erreichte. Verglichen mit der ursprünglichen CNN-basierten Architektur wies die optimierte Version 4,2-mal weniger Parameter und 2,7-mal weniger Rechenaufwand auf, gepaart mit einer um 17,5 % höheren Genauigkeit. Die Forscher evaluierten ihr Modell auch auf einem in ihrem Labor gesammelten Datensatz unter Verwendung eines 14-Kanal Emotiv Epoc X headset, wo es eine Genauigkeit von 93,5 % bei der Erkennung von Lidschlagartefakten erreichte.
Die Studie stellte fest, dass die vorgeschlagenen Modelle kein Expertenwissen für die Merkmalsextraktion oder Vorverarbeitung von EEG-Daten erfordern und dass die Architektur effizient genug ist, um auf mobilen Geräten implementiert zu werden. Dies deutet auf das Potenzial einer Echtzeit-Artefakterkennung in praxisnahen Szenarien mit begrenzten Ressourcen hin.
Was dieser Forschungszweig bisher noch nicht abschließend belegt, ist, wie solche automatisierten Klassifikatoren bei der gesamten Bandbreite von Artefaktarten abschneiden, die in realen Aufnahmen vorkommen, oder wie sie im Vergleich zur manuellen Inspektion bei unterschiedlichen Probandengruppen und Aufnahmeumgebungen dastehen. Die Ergebnisse deuten darauf hin, dass eine effiziente, automatisierte Erkennung von EEG-Artefakten machbar ist, doch eine weitergehende Validierung unter breiter gefassten Bedingungen bleibt ein offenes Forschungsfeld.
Warum Artefaktbewusstsein die Datenqualität bestimmt
Artefakte beeinflussen sowohl die visuelle Interpretation als auch quantitative Messungen direkt. Ob das Ziel eine klinische Diagnose, eine Erkenntnis in den Neurowissenschaften oder eine Wellness-Anwendung für Endverbraucher ist: Der Weg zu verlässlichen Ergebnissen führt über ein klares Verständnis davon, woher Artefakte stammen, wie sie im Rohsignal aussehen, sowie über den disziplinierten Prozess ihrer Vermeidung, Dokumentation und manuellen Bereinigung.
Eine ICA-basierte Automatisierung kann den Bereinigungsworkflow beschleunigen, arbeitet jedoch am effektivsten mit Daten, die bereits von einem geschulten menschlichen Auge inspiziert wurden. Eine Kontaminationsrate von 12 % mag nicht hoch klingen, aber wenn dieser Anteil eine medizinische Entscheidung verändern oder einen subtilen kognitiven Biomarker verschleiern kann, wird die Investition in das Artefaktmanagement untrennbar mit der wissenschaftlichen Integrität der Messung verknüpft.
Literaturhinweise
Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278
Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x
Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519
Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30
Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017
Häufig gestellte Fragen
Was sind die zwei Hauptkategorien von EEG-Artefakten und wie unterscheiden sie sich?
EEG-Artefakte lassen sich in zwei Kategorien unterteilen: probandenbezogene (physiologische) Artefakte, die vom Körper der Testperson erzeugt werden – wie Lidschläge, Muskelanspannung, Herzschlag und Schweiß –, und technische (nicht-physiologische) Artefakte, die von Geräten oder der Umgebung herrühren, wie lose Elektroden, Kabelschwingungen und Netzstörungen. Der Unterschied ist entscheidend, da jede Kategorie andere Präventions- und Beseitigungsstrategien verlangt; beispielsweise erfordert ein Muskelausbruch eine andere Intervention als ein 60-Hz-Netzbrummen.
Wie erkennt man ein Lidschlag-Artefakt in einer EEG-Ableitung?
Ein Lidschlag zeigt sich als große, positive, langsame Welle, die an frontalen Elektroden wie Fp1 und Fp2 am stärksten ausgeprägt ist und zu zentralen oder posterioren Kanälen hin rasch abklingt. Da die Hornhaut im Vergleich zur Netzhaut positiv geladen ist, erzeugt das über diesen Dipol streichende Augenlid eine stereotype Auslenkung mit hoher Amplitude, die mit etwas Übung leicht zu erkennen ist.
Warum kann Muskelaktivität für Brain-Computer-Interfaces besonders problematisch sein?
Muskelartefakte durch Zähneknirschen, Stirnrunzeln oder Nackenverspannungen erzeugen hochfrequente, spitze Störungen, die sich häufig mit den Beta- und Gamma-Wellenbändern des Gehirns überlagern, in denen kognitive Maße und die Überwachung mentaler Zustände stattfinden. Diese Kontamination kann algorithmische Analysen verfälschen und die Leistung von Brain-Computer-Interface-Modellen beeinträchtigen, was sie zu einem der problematischsten physiologischen Artefakte macht.
Wie sieht ein Netzbrumm-Artefakt aus und was verursacht es?
Eine Netzstörung erscheint als kontinuierliches, rhythmisches Sinuswellen-Brummen, das jedem EEG-Kanal überlagert ist, meist bei 50 oder 60 Hz – abhängig von der regionalen Netzfrequenz. Es entsteht durch kapazitive Kopplung der Stromquelle in den Messaufbau aufgrund schlechter Elektrodenimpedanzen, unzureichender Abschirmung oder Erdungsproblemen und ist eindeutig ein technisches Artefakt und kein neuronales Signal.
Warum ist die manuelle Annotation von Artefakten während einer Aufzeichnung wichtig?
Ein fortlaufendes Protokoll über größere Bewegungen, Husten oder Elektrodenanpassungen während der Sitzung hilft, fehlerhafte Datensegmente später einzugrenzen, und verwandelt bloßes Raten in eine reproduzierbare Dokumentation. Diese manuelle Annotation spiegelt auch die Experten-Kennzeichnung wider, die zum Training automatisierter Klassifikatoren verwendet wird, und liefert eine Ground Truth, welche die Zuverlässigkeit sowohl der manuellen als auch der rechnerischen Säuberung verbessert.
Welchen Zweck hat die Interpolation eines durchgehend verrauschten EEG-Kanals?
Wenn eine einzelne Elektrode während der gesamten Messung aufgrund eines Wackelkontakts oder eingetrockneten Gels unzuverlässig ist, rekonstruiert die Interpolation die Daten dieses Kanals anhand benachbarter sauberer Elektroden unter Nutzung der räumlichen Spannungsverteilung auf der Kopfhaut. Dadurch bleibt die Gesamtdimensionalität des Datensatzes für topografische Analysen erhalten, und der Datenverlust wird vermieden, der beim kompletten Löschen des Kanals entstünde.
Wie hilft die unabhängige Komponentenanalyse (ICA) bei der Beseitigung von Artefakten?
Die ICA zerlegt die gemischten EEG-Signale in statistisch unabhängige Quellkomponenten und trennt Lidschläge, Muskelaktivität und andere Artefakte anhand ihrer spezifischen räumlichen und zeitlichen Muster. Sobald eine Artefaktkomponente identifiziert ist – etwa eine mit frontaler Projektion, die zu einem Blinzeln passt –, kann sie subtrahiert werden. Dadurch bleiben die zugrunde liegenden neuronalen Signale weitgehend intakt, und mehrere gleichzeitige Artefaktquellen lassen sich effektiver handhaben als mit einfachen Regressionsverfahren.
Welches Risiko birgt eine zu aggressive automatisierte Artefaktbereinigung?
Eine zu aggressive Bereinigung kann versehentlich echte neuronale Informationen beseitigen, da einige Komponenten sowohl Artefaktvarianz als auch nützliche Gehirnaktivität enthalten. Selbst wenn automatisierte Klassifikatoren viele Komponenten markieren, ist eine manuelle Überprüfung der zu entfernenden Komponenten ratsam, um sicherzustellen, dass die Schwelle nicht Signale eliminiert, die für die Dekodierung der Absichten des Nutzers oder das Erkennen kognitiver Biomarker unverzichtbar sind.
Warum wirkt sich das Artefaktbewusstsein direkt auf die wissenschaftliche Integrität einer EEG-Aufzeichnung aus?
Artefakte können sich als pathologische Wellenformen tarnen oder eine Varianz einbringen, die sowohl die visuelle Beurteilung als auch quantitative Analysen verfälscht, was möglicherweise klinische Einstufungen verändert oder subtile kognitive Signale verschleiert. Ein disziplinierter Prozess des Vermeidens, Dokumentierens und manuellen Bereinigens von Artefakten ist vor jeder rechnerischen Weiterverarbeitung unerlässlich, um sicherzustellen, dass die aus den Daten gezogenen Schlussfolgerungen zuverlässig und nicht durch Störsignale verfälscht sind.
Emotiv ist ein führender Anbieter von Neurotechnologie, der die neurowissenschaftliche Forschung mit zugänglichen EEG- und Gehirndaten-Tools vorantreibt.
Medizinischer Haftungsausschluss: Die auf dieser Website bereitgestellten Informationen dienen ausschließlich Bildungs- und Informationszwecken und sind nicht als medizinische oder gesundheitliche Beratung gedacht. Dieser Inhalt kann Fehler enthalten und sollte nicht als Grundlage für lebensverändernde gesundheitliche, medizinische oder Lebensstilentscheidungen herangezogen werden. Wenden Sie sich bei Fragen zu einer Erkrankung oder Behandlung immer an Ihren Arzt oder einen anderen qualifizierten Gesundheitsdienstleister.
Christian Burgos
