مبانی نوسانات عصبی
روشینی راندنیا
بهروزرسانی در
۲ خرداد ۱۴۰۳
مبانی نوسانات عصبی
روشینی راندنیا
بهروزرسانی در
۲ خرداد ۱۴۰۳
مبانی نوسانات عصبی
روشینی راندنیا
بهروزرسانی در
۲ خرداد ۱۴۰۳
۱. مقدمه
خوش آمدید! در این آموزش ما در حال یادگیری در مورد امواج مغزی و نحوه استفاده از آنها برای درک مغز و رفتار هستیم.
هانس برگر در سال ۱۹۲۹ واژه الکتروانسفالوگرام را ابداع کرد، زمانی که او تغییرات در پتانسیلهای الکتریکی ثبت شده با استفاده از حسگرهای قرار گرفته روی سر یک شخص را توصیف نمود. او دو نوع موج مغزی را شناسایی کرد که آنها را به سادگی به دلیل ترتیبی که در آن ثبت کرده بود، امواج آلفا و بتا نامید. چنین امواجی در پستانداران دیگر نیز ثبت شده بود اما برگر برای اولین بار آنها را در انسان توصیف کرد!
از آن زمان، روش الکتروانسفالوگرافی به ابزاری کلیدی در علوم اعصاب تبدیل شده و به تکامل درک ما از امواج مغزی (که محققان آنها را نوسانات عصبی مینامند) و همچنین به شناسایی وضعیتهای مغزی مانند خستگی و بیداری کمک کرده است.
در این آموزش کوتاه، موارد زیر را پوشش خواهیم داد:
نوسانات عصبی چیستند؟
چگونه میتوانیم نوسانات عصبی را اندازهگیری کنیم؟
با نوسانات عصبی چه کاری میتوانیم انجام دهیم؟
کاربرد عملی با استفاده از دستگاهها و نرمافزارهای Emotiv.
۲. EEG چیست؟
الکتروانسفالوگرافی (EEG) یک روش غیرتهاجمی و غیرفعال برای اندازهگیری فعالیت الکتریکی مغز ما است. الکترودها/حسگرها/کانالها روی پوست سر قرار میگیرند تا فعالیت الکتریکی تولید شده توسط جمعیتهایی از سلولهای مغزی به نام نورونها را ثبت کنند.
شکل ۱ – نورونها فعالیت الکتریکی تولید میکنند که میتواند با یک دستگاه EEG شناسایی شود [سیولی و همکاران (۲۰۱۶)].
۲.۱. سیستمهای EEG
دستگاههای EEG بسیار زیادی در بازار وجود دارند که میتوانند برای ثبت EEG استفاده شوند. ردیف دستگاههای EEG میتواند شامل موارد زیر باشد:
یک تک حسگر یا تا ۲۵۶ الکترود – الکترودهای بیشتر، وضوح مکانی بالاتری از اطلاعات را در سراسر پوست سر ارائه میدهند.
الکترودهای مرطوب یا خشک – الکترودهای مرطوب از یک ژل الکترولیت یا محلول نمکی برای بهبود هدایت بین پوست سر و حسگر استفاده میکنند. الکترودهای خشک میتوانند از جنس فلز یا پلیمرهای رسانا باشند که نیاز به تماس مستقیم با پوست سر دارند.
الکترود فعال یا غیرفعال – سیستمهای الکترود غیرفعال به سادگی سیگنال را به دستگاهی که در آنجا تقویت میشود، هدایت میکنند. سیستمهای الکترود فعال سیگنال را در هر الکترود قبل از اینکه برای تقویت به دستگاه برسد، تقویت میکنند. این کار نویز الکتریکی محیطی در سیگنال را کاهش میدهد.
دستگاههای سیمی یا بیسیم که دادهها را از طریق بلوتوث انتقال میدهند.
شکل ۲ – یک سیستم EEG بیسیم با تراکم کم.
شکل ۳ – یک سیستم EEG الکترود سیمی با تراکم بالا.
۲.۲. چه زمانی باید از EEG استفاده کرد؟
هر روش تصویربرداری عصبی میتواند به پاسخگویی به سوالات پژوهشی متفاوتی کمک کند.
بزرگترین نقطه قوت EEG این است که میتواند فعالیتهای عصبی را در مقیاس میلیثانیه اندازهگیری کند که قادر است فرآیندهای پیش از هوشیاری را بسنجد.
شکل ۴ – وضوح مکانی در مقابل وضوح زمانی ابزارهای مختلف تصویربرداری عصبی.
این روش برای سوالاتی مانند «شرکتکنندگان بیشتر به کدام بخشهای ویدیوی من توجه کردند؟» بسیار مناسب است.
EEG فعالیتها را عمدتاً از لایههای بیرونی مغز ثبت میکند (یعنی وضوح مکانی پایینی دارد). با یک تک حسگر، شناسایی دقیق منبع فعالیت غیرممکن است. ثبت با تعداد زیادی کانال میتواند امکان بازسازی ریاضی منبع را فراهم کند اما همچنان در شناسایی منابع عمیق محدود است. تصویربرداری رزونانس مغناطیسی عملکردی (fMRI) برای پاسخ به سوالاتی مانند «کدام بخش از مغز با تغییرات در توجه مرتبط است؟» مناسبتر است.
۲.۳. از حسگر تا EEG خام؟
هنگامی که یک دستگاه EEG روی سر قرار میگیرد، فعالیت مغز در یک تک حسگر به عنوان تفاوت دامنه بین آن حسگر و یک حسگر مرجع اندازهگیری میشود. در بیشتر سیستمهای EEG به این الکترود، الکترود سنجش حالت مشترک (CMS) میگویند. یک حسگر اضافی به نام پای راست هدایتشده (DRL)، به کاهش هرگونه تداخل در CMS کمک میکند.
شکل ۵ – بلوک دیاگرام ساده شده انتقال سیگنال EEG.
سپس در سیستمهایی که هر دو نوع الکترود فعال و غیرفعال را دارند، سیگنال تقویت شده و فیلتر پایینگذر روی آن اعمال میشود. فیلتر پایینگذر مرحلهای است که تداخلهای الکتریکی احتمالی محیطی (مانند خطوط اصلی برق) را از سیگنال شما حذف میکند.
این مراحل در خود سختافزار قبل از اینکه سیگنال خام EEG روی صفحه کامپیوتر شما قابل مشاهده باشد، اتفاق میافتند.
۲.۴. برخی اصطلاحات پایانی
کنوانسیون نامگذاری استاندارد ۱۰-۲۰
حسگرهای سمت چپ معمولاً با شمارههای فرد و حسگرهای سمت راست معمولاً با شمارههای زوج نامگذاری میشوند.
توجه ۱: اینها صرفاً کنوانسیونهای نامگذاری هستند و مکان منبع حسگر EEG نشاندهنده منبع اصلی آن فعالیت نیست.
توجه ۲: برای تعیین منبع فعالیت در یک تک کانال، باید مراحل اضافی مانند بازسازی ریاضی منبع انجام شود.
۳. نوسانات عصبی چیستند؟
امواج مغزی که اغلب به آنها نوسانات عصبی گفته میشود، الگوهای ریتمیکی هستند که توسط یک یا کلاستری از نورونها تولید میشوند.
هنوز کاملاً مشخص نیست که چرا مغز این انواع مختلف نوسانات را تولید میکند، اگرچه تئوریهای زیادی وجود دارد. محققان از وظایف و تستهای مختلفی برای مشخص کردن این فعالیتهای نوسانی استفاده میکنند و هدفشان درک اسرار مغز با استفاده از این الگوهای ریتمیک است.
۳.۱. برخی از ویژگیهای یک نوسان
این شکل اندازهگیری یک سیگنال الکتریکی منظم را نشان میدهد:
شکل ۶ – وضوح مکانی در مقابل وضوح زمانی ابزارهای مختلف تصویربرداری عصبی.
در سمت چپ (محور y) میتوانیم دامنه ثبت الکتریکی را ترسیم کنیم و روی محور افقی (محور x) زمان را نشان دهیم. دامنه سیگنال در مقدار خود به صورت منظم حول یک نقطه مرکزی تغییر خواهد کرد. به یک چرخه کامل، یک نوسان نیز گفته میشود.
تعداد چرخهها در ثانیه، فرکانس موج نامیده میشود و واحد آن هرتز (Hz) است. بنابراین ۱ چرخه در ثانیه = ۱ هرتز است. دامنهها معمولاً بر حسب میکروولت (µV) اندازهگیری میشوند.
در مغز ما امواجی با فرکانسهای بین ۰.۲ هرتز (امواج بسیار کند) تا ۸۰ هرتز یا بیشتر (امواج بسیار سریع) را مشاهده میکنیم. فعالیتهای با فرکانس بالا تا ۵۰۰ هرتز مرتبط با صرع نیز در مغز ثبت شده است.
انواع مختلف نوسانات مغزی بر اساس فرکانس آنها مشخص میشوند. اینها به عنوان باندهای فرکانسی شناخته میشوند و میتوانند با موقعیتهای مختلف مغز مرتبط باشند:
شکل ۷ – امواج مغزی در یک EEG معمولی.
۳.۲. چرا باندهای فرکانسی مختلف مهم هستند؟
تشخیص الگوهای مغزی نرمال در مقابل غیرنرمال
نوسانات عصبی برای تشخیص تشنج و بیماری صرع در نورولوژی (بیماریهای مغز و اعصاب) مهم هستند.رابطهای مغز و رایانه (BCI)
میزان نوسانات بتا، گاما و مو اغلب برای آموزش دستگاههای کنترل از راه دور استفاده میشود (مانند حرکت دادن یک ویلچر با افکار).نوروفیدبک
این یک نوع تمرین مغزی است که در آن میتوانید امواج مغزی خود (مثلاً نوسانات گاما) را مشاهده کرده و برای بهبود میزان نوسانات گامای مغز خود، در فعالیتهای شناختی شرکت کنید.نورومارکتینگ (بازاریابی عصبی)
باندهای فرکانسی آلفا و بتا میتوانند برای تعیین اینکه کدام بخش از یک تبلیغ جذابیت بیشتر یا کمتری دارد، استفاده شوند.
۳.۳. انواع تحلیل دادههای EEG
معمولاً محققان تحلیلها را در حوزه زمان یا حوزه فرکانس انجام میدهند.
تحلیل حوزه زمان
به طور معمول دامنه ولتاژ را در نقاط زمانی مورد نظر پس از شروع یک محرک اندازهگیری میکند. اینها پتانسیلهای وابسته به رویداد (ERPs) نامیده میشوند.
تحلیل حوزه فرکانس
به طور معمول میزان نوسانات عصبی را در باندهای فرکانسی مختلف در یک بازه زمانی مشخص یا مرتبط با شروع یک رویداد اندازهگیری میکند.
در ادامه مروری بر تحلیل حوزه فرکانس ارائه میدهیم.
۳.۴. پردازش
هنگامی که یک ثبت EEG انجام میدهید، معمولاً قبل از درک نوسانات، دادهها را پاکسازی و نویزگیری میکنید.
فیلتر کردن
تکنیکی برای حذف نویزهای محیطی با فرکانس بالا و پایین در دادهها.حذف آرتیفکت (مصنوعات)
حرکات فیزیکی و پلک زدن چشم همگی میتوانند باعث ایجاد آرتیفکتهای بزرگ شوند (پیکهای بیشتر از ۵۰ میکروولت در EEG). این موارد را میتوان حذف کرد تا بر نتایج ما تاثیر نگذارند. برخی از محققان از روشهای پیشرفتهای برای اصلاح این آرتیفکتها به منظور حفظ دادهها استفاده میکنند.
پس از پردازش دادهها، سیگنال اکنون میتواند به حوزه فرکانس تبدیل شود تا بتوانیم میزان هر نوع موج مغزی را کمیسازی کنیم.
شکل ۸ – آرتیفکت پلک زدن در EEG خام.
۳.۵. تبدیل فوریه سریع (FFT)
تبدیل فوریه تبدیل ریاضی سیگنال EEG از «حوزه زمان» (تصویر A) به «حوزه فرکانس» (تصویر B) است.
در حوزه فرکانس، ما میتوانیم بررسی کنیم که چه مقدار از هر نوع نوسان در ثبت ما وجود داشته است. این معمولاً همان «توان» باند فرکانسی است و میتواند به صورت یک طیف توان نمایش داده شود (تصویر B).
شکل ۹-الف – EEG خام در حوزه زمان.
شکل ۹-ب – طیف توان پس از FFT (حوزه فرکانس).
۳.۶. توان باند (Band Power)
توان یک باند فرکانسی (مثلاً باند آلفا) که از تبدیل فوریه به دست میآید به ما میگوید که چه مقدار از هر باند فرکانسی وجود دارد. واحدهای توان باند معمولاً بر حسب µV2/Hz هستند. بیشتر اوقات، دامنه یا طیف توان حاصل از یک FFT در واحد لجاریتمی دسیبل (dB) نشان داده میشود. دسیبل واحد نسبت بین یک توان اندازهگیری شده (P) و یک توان مرجع (Pr) به صورت زیر است:
هنگامی که این واحد اندازهگیری برای رویدادهای مورد نظر به دست آمد، میتوان توانهای باند را برای درک اثرات تجربی روی امواج مغزی مقایسه کرد.
۴. از تئوری تا عمل
در ادامه، قرار است به اثر سرکوب آلفا نگاهی بیندازیم.
این پدیدهای است که اولین بار توسط هانس برگر گزارش شد که در آن وقتی چشمان فرد باز است در مقایسه با زمانی که چشمانش بسته است، کاهش چشمگیری در میزان نوسانات آلفا (توان آلفا) مشاهده میکنیم.
شکل ۱۰ – افزایش نوسانات آلفا را میتوان زمانی که چشمها بسته هستند مشاهده کرد.
ابتدا با استفاده از EmotivPRO Builder یک آزمایش ساده طراحی کردیم. در این آزمایش از یک شرکتکننده به سادگی خواسته میشود چشمان خود را به مدت ۲ دقیقه در حالی که روی صفحه تمرکز کرده باز نگه دارد و سپس به مدت ۲ دقیقه ببندد. آنها صدای زنگی را در انتهای ۲ دقیقه برای سیگنال باز کردن چشمهای خود میشنوند.
میتوانید ویدیوی زیر را دنبال کنید تا آزمایش سرکوب آلفای خود را بسازید یا میتوانید آزمایش ما را از لینک اینجا اجرا کنید:
۴.۱. قرار دادن دستگاه روی سر و کیفیت EEG
درباره نحوه کارکرد گیت کیفیت تماس (EQ) ما در اینجا بیشتر بخوانید. اطلاعات بیشتر در مورد روش قرار دادن سختافزار روی سر متناسب با هدست خود را در اینجا بیابید:
نوع EPOC
نوع Insight
۴.۲. پردازش و تبدیل دادههای EEG
حالا که دادههای خود را دارید، میتوانید با استفاده از Emotiv Analyzer آنها را به حوزه فرکانس تبدیل کنید. مراحل ویدیو را دنبال کنید.
۴.۳. تفسیر دادهها
پس از اتمام کار Analyzer، فایل زیپ را دانلود کنید. برای هر رکورد یک فایل csv با توانهای باند و یک فایل تصویر خواهید داشت که میتوانید از آنها برای اجرای تحلیل آماری خود استفاده کنید.
شکل ۱۱ – توانهای باند.
در خروجی ما میتوانیم افزایش توان آلفا را در زمانی که چشمها بسته بودند (نارنجی) در مقایسه با زمانی که باز بودند (آبی) مشاهده کنیم.
این پایان آموزش ماست! شما اکنون به اطلاعات پایه مجهز شدهاید 🙂
میتوانید لینکهایی برای مطالعه پیشرفتهتر را در بخش منابع پیدا کنید.
۵. منابع
مطالعه پیشرفته
دونوگهو و همکاران ۲۰۲۲ ملاحظات روششناختی برای مطالعه نوسانات عصبی
واژهنامه اصطلاحات EEG
کین و همکاران ۲۰۱۷ (اینجا)
کد منبع باز (اپن سورس)
اگر با کدنویسی پایتون راحت هستید، ما اسکریپتهای پایتونی را در دسترس قرار دادهایم که میتوانید برای به دست آوردن مقادیر توان آلفا با برچسبگذاری بخشهای چشمباز و چشمبسته استفاده کنید. کد و فایلهای داده نمونه سرکوب آلفا را در اینجا پیدا کنید: https://osf.io/9bvgh/
دفترچههای راهنمای Emotiv
دفترچه راهنمای EmotivPRO Builder
دفترچه راهنمای EmotivPRO
دفترچه راهنمای EmotivPRO Analyzer
۷. منابع علمی
دونوگهو، تی.، شاورونکوف، ان. و ویتک، بی.، ۲۰۲۲. ملاحظات روششناختی برای مطالعه نوسانات عصبی. مجله اروپایی علوم اعصاب، 55(11-12)، صص.۳۵۰۲-۳۵۲۷. شناسه دیجیتال: https://doi.org/10.1111/ejn.15361
کین، ان.، آچاریا، جی.، بنیتسکی، اس.، کابوکلو، ال.، فینیگان، اس.، کاپلان، پی.دبلیو.، شیباساکی، اچ.، پرسلر، آر. و ون پوتن، ام.جی.، ۲۰۱۷. واژهنامه بازبینیشده از اصطلاحاتی که بیشتر توسط الکتروانسفالوگرافیستهای بالینی استفاده میشود و پیشنهاد بهروز شده برای قالب گزارش یافتههای EEG. بازبینی ۲۰۱۷. مجله عملکرد الکتروفیزیولوژی بالینی، ۲، ص.۱۷۰. شناسه دیجیتال: 10.1016/j.cnp.2017.07.002
سیولی، اس.، لی، وای.، ژانگ، وای. (۲۰۱۶). الکتروانسفالوگرام (EEG) و پیشزمینه آن. در: آنالیز و طبقهبندی سیگنال EEG. علوم اطلاعات سلامت. اسپرینگر، چام. شناسه دیجیتال: https://doi.org/10.1007/978-3-319-47653-7%5F1
۱. مقدمه
خوش آمدید! در این آموزش ما در حال یادگیری در مورد امواج مغزی و نحوه استفاده از آنها برای درک مغز و رفتار هستیم.
هانس برگر در سال ۱۹۲۹ واژه الکتروانسفالوگرام را ابداع کرد، زمانی که او تغییرات در پتانسیلهای الکتریکی ثبت شده با استفاده از حسگرهای قرار گرفته روی سر یک شخص را توصیف نمود. او دو نوع موج مغزی را شناسایی کرد که آنها را به سادگی به دلیل ترتیبی که در آن ثبت کرده بود، امواج آلفا و بتا نامید. چنین امواجی در پستانداران دیگر نیز ثبت شده بود اما برگر برای اولین بار آنها را در انسان توصیف کرد!
از آن زمان، روش الکتروانسفالوگرافی به ابزاری کلیدی در علوم اعصاب تبدیل شده و به تکامل درک ما از امواج مغزی (که محققان آنها را نوسانات عصبی مینامند) و همچنین به شناسایی وضعیتهای مغزی مانند خستگی و بیداری کمک کرده است.
در این آموزش کوتاه، موارد زیر را پوشش خواهیم داد:
نوسانات عصبی چیستند؟
چگونه میتوانیم نوسانات عصبی را اندازهگیری کنیم؟
با نوسانات عصبی چه کاری میتوانیم انجام دهیم؟
کاربرد عملی با استفاده از دستگاهها و نرمافزارهای Emotiv.
۲. EEG چیست؟
الکتروانسفالوگرافی (EEG) یک روش غیرتهاجمی و غیرفعال برای اندازهگیری فعالیت الکتریکی مغز ما است. الکترودها/حسگرها/کانالها روی پوست سر قرار میگیرند تا فعالیت الکتریکی تولید شده توسط جمعیتهایی از سلولهای مغزی به نام نورونها را ثبت کنند.
شکل ۱ – نورونها فعالیت الکتریکی تولید میکنند که میتواند با یک دستگاه EEG شناسایی شود [سیولی و همکاران (۲۰۱۶)].
۲.۱. سیستمهای EEG
دستگاههای EEG بسیار زیادی در بازار وجود دارند که میتوانند برای ثبت EEG استفاده شوند. ردیف دستگاههای EEG میتواند شامل موارد زیر باشد:
یک تک حسگر یا تا ۲۵۶ الکترود – الکترودهای بیشتر، وضوح مکانی بالاتری از اطلاعات را در سراسر پوست سر ارائه میدهند.
الکترودهای مرطوب یا خشک – الکترودهای مرطوب از یک ژل الکترولیت یا محلول نمکی برای بهبود هدایت بین پوست سر و حسگر استفاده میکنند. الکترودهای خشک میتوانند از جنس فلز یا پلیمرهای رسانا باشند که نیاز به تماس مستقیم با پوست سر دارند.
الکترود فعال یا غیرفعال – سیستمهای الکترود غیرفعال به سادگی سیگنال را به دستگاهی که در آنجا تقویت میشود، هدایت میکنند. سیستمهای الکترود فعال سیگنال را در هر الکترود قبل از اینکه برای تقویت به دستگاه برسد، تقویت میکنند. این کار نویز الکتریکی محیطی در سیگنال را کاهش میدهد.
دستگاههای سیمی یا بیسیم که دادهها را از طریق بلوتوث انتقال میدهند.
شکل ۲ – یک سیستم EEG بیسیم با تراکم کم.
شکل ۳ – یک سیستم EEG الکترود سیمی با تراکم بالا.
۲.۲. چه زمانی باید از EEG استفاده کرد؟
هر روش تصویربرداری عصبی میتواند به پاسخگویی به سوالات پژوهشی متفاوتی کمک کند.
بزرگترین نقطه قوت EEG این است که میتواند فعالیتهای عصبی را در مقیاس میلیثانیه اندازهگیری کند که قادر است فرآیندهای پیش از هوشیاری را بسنجد.
شکل ۴ – وضوح مکانی در مقابل وضوح زمانی ابزارهای مختلف تصویربرداری عصبی.
این روش برای سوالاتی مانند «شرکتکنندگان بیشتر به کدام بخشهای ویدیوی من توجه کردند؟» بسیار مناسب است.
EEG فعالیتها را عمدتاً از لایههای بیرونی مغز ثبت میکند (یعنی وضوح مکانی پایینی دارد). با یک تک حسگر، شناسایی دقیق منبع فعالیت غیرممکن است. ثبت با تعداد زیادی کانال میتواند امکان بازسازی ریاضی منبع را فراهم کند اما همچنان در شناسایی منابع عمیق محدود است. تصویربرداری رزونانس مغناطیسی عملکردی (fMRI) برای پاسخ به سوالاتی مانند «کدام بخش از مغز با تغییرات در توجه مرتبط است؟» مناسبتر است.
۲.۳. از حسگر تا EEG خام؟
هنگامی که یک دستگاه EEG روی سر قرار میگیرد، فعالیت مغز در یک تک حسگر به عنوان تفاوت دامنه بین آن حسگر و یک حسگر مرجع اندازهگیری میشود. در بیشتر سیستمهای EEG به این الکترود، الکترود سنجش حالت مشترک (CMS) میگویند. یک حسگر اضافی به نام پای راست هدایتشده (DRL)، به کاهش هرگونه تداخل در CMS کمک میکند.
شکل ۵ – بلوک دیاگرام ساده شده انتقال سیگنال EEG.
سپس در سیستمهایی که هر دو نوع الکترود فعال و غیرفعال را دارند، سیگنال تقویت شده و فیلتر پایینگذر روی آن اعمال میشود. فیلتر پایینگذر مرحلهای است که تداخلهای الکتریکی احتمالی محیطی (مانند خطوط اصلی برق) را از سیگنال شما حذف میکند.
این مراحل در خود سختافزار قبل از اینکه سیگنال خام EEG روی صفحه کامپیوتر شما قابل مشاهده باشد، اتفاق میافتند.
۲.۴. برخی اصطلاحات پایانی
کنوانسیون نامگذاری استاندارد ۱۰-۲۰
حسگرهای سمت چپ معمولاً با شمارههای فرد و حسگرهای سمت راست معمولاً با شمارههای زوج نامگذاری میشوند.
توجه ۱: اینها صرفاً کنوانسیونهای نامگذاری هستند و مکان منبع حسگر EEG نشاندهنده منبع اصلی آن فعالیت نیست.
توجه ۲: برای تعیین منبع فعالیت در یک تک کانال، باید مراحل اضافی مانند بازسازی ریاضی منبع انجام شود.
۳. نوسانات عصبی چیستند؟
امواج مغزی که اغلب به آنها نوسانات عصبی گفته میشود، الگوهای ریتمیکی هستند که توسط یک یا کلاستری از نورونها تولید میشوند.
هنوز کاملاً مشخص نیست که چرا مغز این انواع مختلف نوسانات را تولید میکند، اگرچه تئوریهای زیادی وجود دارد. محققان از وظایف و تستهای مختلفی برای مشخص کردن این فعالیتهای نوسانی استفاده میکنند و هدفشان درک اسرار مغز با استفاده از این الگوهای ریتمیک است.
۳.۱. برخی از ویژگیهای یک نوسان
این شکل اندازهگیری یک سیگنال الکتریکی منظم را نشان میدهد:
شکل ۶ – وضوح مکانی در مقابل وضوح زمانی ابزارهای مختلف تصویربرداری عصبی.
در سمت چپ (محور y) میتوانیم دامنه ثبت الکتریکی را ترسیم کنیم و روی محور افقی (محور x) زمان را نشان دهیم. دامنه سیگنال در مقدار خود به صورت منظم حول یک نقطه مرکزی تغییر خواهد کرد. به یک چرخه کامل، یک نوسان نیز گفته میشود.
تعداد چرخهها در ثانیه، فرکانس موج نامیده میشود و واحد آن هرتز (Hz) است. بنابراین ۱ چرخه در ثانیه = ۱ هرتز است. دامنهها معمولاً بر حسب میکروولت (µV) اندازهگیری میشوند.
در مغز ما امواجی با فرکانسهای بین ۰.۲ هرتز (امواج بسیار کند) تا ۸۰ هرتز یا بیشتر (امواج بسیار سریع) را مشاهده میکنیم. فعالیتهای با فرکانس بالا تا ۵۰۰ هرتز مرتبط با صرع نیز در مغز ثبت شده است.
انواع مختلف نوسانات مغزی بر اساس فرکانس آنها مشخص میشوند. اینها به عنوان باندهای فرکانسی شناخته میشوند و میتوانند با موقعیتهای مختلف مغز مرتبط باشند:
شکل ۷ – امواج مغزی در یک EEG معمولی.
۳.۲. چرا باندهای فرکانسی مختلف مهم هستند؟
تشخیص الگوهای مغزی نرمال در مقابل غیرنرمال
نوسانات عصبی برای تشخیص تشنج و بیماری صرع در نورولوژی (بیماریهای مغز و اعصاب) مهم هستند.رابطهای مغز و رایانه (BCI)
میزان نوسانات بتا، گاما و مو اغلب برای آموزش دستگاههای کنترل از راه دور استفاده میشود (مانند حرکت دادن یک ویلچر با افکار).نوروفیدبک
این یک نوع تمرین مغزی است که در آن میتوانید امواج مغزی خود (مثلاً نوسانات گاما) را مشاهده کرده و برای بهبود میزان نوسانات گامای مغز خود، در فعالیتهای شناختی شرکت کنید.نورومارکتینگ (بازاریابی عصبی)
باندهای فرکانسی آلفا و بتا میتوانند برای تعیین اینکه کدام بخش از یک تبلیغ جذابیت بیشتر یا کمتری دارد، استفاده شوند.
۳.۳. انواع تحلیل دادههای EEG
معمولاً محققان تحلیلها را در حوزه زمان یا حوزه فرکانس انجام میدهند.
تحلیل حوزه زمان
به طور معمول دامنه ولتاژ را در نقاط زمانی مورد نظر پس از شروع یک محرک اندازهگیری میکند. اینها پتانسیلهای وابسته به رویداد (ERPs) نامیده میشوند.
تحلیل حوزه فرکانس
به طور معمول میزان نوسانات عصبی را در باندهای فرکانسی مختلف در یک بازه زمانی مشخص یا مرتبط با شروع یک رویداد اندازهگیری میکند.
در ادامه مروری بر تحلیل حوزه فرکانس ارائه میدهیم.
۳.۴. پردازش
هنگامی که یک ثبت EEG انجام میدهید، معمولاً قبل از درک نوسانات، دادهها را پاکسازی و نویزگیری میکنید.
فیلتر کردن
تکنیکی برای حذف نویزهای محیطی با فرکانس بالا و پایین در دادهها.حذف آرتیفکت (مصنوعات)
حرکات فیزیکی و پلک زدن چشم همگی میتوانند باعث ایجاد آرتیفکتهای بزرگ شوند (پیکهای بیشتر از ۵۰ میکروولت در EEG). این موارد را میتوان حذف کرد تا بر نتایج ما تاثیر نگذارند. برخی از محققان از روشهای پیشرفتهای برای اصلاح این آرتیفکتها به منظور حفظ دادهها استفاده میکنند.
پس از پردازش دادهها، سیگنال اکنون میتواند به حوزه فرکانس تبدیل شود تا بتوانیم میزان هر نوع موج مغزی را کمیسازی کنیم.
شکل ۸ – آرتیفکت پلک زدن در EEG خام.
۳.۵. تبدیل فوریه سریع (FFT)
تبدیل فوریه تبدیل ریاضی سیگنال EEG از «حوزه زمان» (تصویر A) به «حوزه فرکانس» (تصویر B) است.
در حوزه فرکانس، ما میتوانیم بررسی کنیم که چه مقدار از هر نوع نوسان در ثبت ما وجود داشته است. این معمولاً همان «توان» باند فرکانسی است و میتواند به صورت یک طیف توان نمایش داده شود (تصویر B).
شکل ۹-الف – EEG خام در حوزه زمان.
شکل ۹-ب – طیف توان پس از FFT (حوزه فرکانس).
۳.۶. توان باند (Band Power)
توان یک باند فرکانسی (مثلاً باند آلفا) که از تبدیل فوریه به دست میآید به ما میگوید که چه مقدار از هر باند فرکانسی وجود دارد. واحدهای توان باند معمولاً بر حسب µV2/Hz هستند. بیشتر اوقات، دامنه یا طیف توان حاصل از یک FFT در واحد لجاریتمی دسیبل (dB) نشان داده میشود. دسیبل واحد نسبت بین یک توان اندازهگیری شده (P) و یک توان مرجع (Pr) به صورت زیر است:
هنگامی که این واحد اندازهگیری برای رویدادهای مورد نظر به دست آمد، میتوان توانهای باند را برای درک اثرات تجربی روی امواج مغزی مقایسه کرد.
۴. از تئوری تا عمل
در ادامه، قرار است به اثر سرکوب آلفا نگاهی بیندازیم.
این پدیدهای است که اولین بار توسط هانس برگر گزارش شد که در آن وقتی چشمان فرد باز است در مقایسه با زمانی که چشمانش بسته است، کاهش چشمگیری در میزان نوسانات آلفا (توان آلفا) مشاهده میکنیم.
شکل ۱۰ – افزایش نوسانات آلفا را میتوان زمانی که چشمها بسته هستند مشاهده کرد.
ابتدا با استفاده از EmotivPRO Builder یک آزمایش ساده طراحی کردیم. در این آزمایش از یک شرکتکننده به سادگی خواسته میشود چشمان خود را به مدت ۲ دقیقه در حالی که روی صفحه تمرکز کرده باز نگه دارد و سپس به مدت ۲ دقیقه ببندد. آنها صدای زنگی را در انتهای ۲ دقیقه برای سیگنال باز کردن چشمهای خود میشنوند.
میتوانید ویدیوی زیر را دنبال کنید تا آزمایش سرکوب آلفای خود را بسازید یا میتوانید آزمایش ما را از لینک اینجا اجرا کنید:
۴.۱. قرار دادن دستگاه روی سر و کیفیت EEG
درباره نحوه کارکرد گیت کیفیت تماس (EQ) ما در اینجا بیشتر بخوانید. اطلاعات بیشتر در مورد روش قرار دادن سختافزار روی سر متناسب با هدست خود را در اینجا بیابید:
نوع EPOC
نوع Insight
۴.۲. پردازش و تبدیل دادههای EEG
حالا که دادههای خود را دارید، میتوانید با استفاده از Emotiv Analyzer آنها را به حوزه فرکانس تبدیل کنید. مراحل ویدیو را دنبال کنید.
۴.۳. تفسیر دادهها
پس از اتمام کار Analyzer، فایل زیپ را دانلود کنید. برای هر رکورد یک فایل csv با توانهای باند و یک فایل تصویر خواهید داشت که میتوانید از آنها برای اجرای تحلیل آماری خود استفاده کنید.
شکل ۱۱ – توانهای باند.
در خروجی ما میتوانیم افزایش توان آلفا را در زمانی که چشمها بسته بودند (نارنجی) در مقایسه با زمانی که باز بودند (آبی) مشاهده کنیم.
این پایان آموزش ماست! شما اکنون به اطلاعات پایه مجهز شدهاید 🙂
میتوانید لینکهایی برای مطالعه پیشرفتهتر را در بخش منابع پیدا کنید.
۵. منابع
مطالعه پیشرفته
دونوگهو و همکاران ۲۰۲۲ ملاحظات روششناختی برای مطالعه نوسانات عصبی
واژهنامه اصطلاحات EEG
کین و همکاران ۲۰۱۷ (اینجا)
کد منبع باز (اپن سورس)
اگر با کدنویسی پایتون راحت هستید، ما اسکریپتهای پایتونی را در دسترس قرار دادهایم که میتوانید برای به دست آوردن مقادیر توان آلفا با برچسبگذاری بخشهای چشمباز و چشمبسته استفاده کنید. کد و فایلهای داده نمونه سرکوب آلفا را در اینجا پیدا کنید: https://osf.io/9bvgh/
دفترچههای راهنمای Emotiv
دفترچه راهنمای EmotivPRO Builder
دفترچه راهنمای EmotivPRO
دفترچه راهنمای EmotivPRO Analyzer
۷. منابع علمی
دونوگهو، تی.، شاورونکوف، ان. و ویتک، بی.، ۲۰۲۲. ملاحظات روششناختی برای مطالعه نوسانات عصبی. مجله اروپایی علوم اعصاب، 55(11-12)، صص.۳۵۰۲-۳۵۲۷. شناسه دیجیتال: https://doi.org/10.1111/ejn.15361
کین، ان.، آچاریا، جی.، بنیتسکی، اس.، کابوکلو، ال.، فینیگان، اس.، کاپلان، پی.دبلیو.، شیباساکی، اچ.، پرسلر، آر. و ون پوتن، ام.جی.، ۲۰۱۷. واژهنامه بازبینیشده از اصطلاحاتی که بیشتر توسط الکتروانسفالوگرافیستهای بالینی استفاده میشود و پیشنهاد بهروز شده برای قالب گزارش یافتههای EEG. بازبینی ۲۰۱۷. مجله عملکرد الکتروفیزیولوژی بالینی، ۲، ص.۱۷۰. شناسه دیجیتال: 10.1016/j.cnp.2017.07.002
سیولی، اس.، لی، وای.، ژانگ، وای. (۲۰۱۶). الکتروانسفالوگرام (EEG) و پیشزمینه آن. در: آنالیز و طبقهبندی سیگنال EEG. علوم اطلاعات سلامت. اسپرینگر، چام. شناسه دیجیتال: https://doi.org/10.1007/978-3-319-47653-7%5F1
۱. مقدمه
خوش آمدید! در این آموزش ما در حال یادگیری در مورد امواج مغزی و نحوه استفاده از آنها برای درک مغز و رفتار هستیم.
هانس برگر در سال ۱۹۲۹ واژه الکتروانسفالوگرام را ابداع کرد، زمانی که او تغییرات در پتانسیلهای الکتریکی ثبت شده با استفاده از حسگرهای قرار گرفته روی سر یک شخص را توصیف نمود. او دو نوع موج مغزی را شناسایی کرد که آنها را به سادگی به دلیل ترتیبی که در آن ثبت کرده بود، امواج آلفا و بتا نامید. چنین امواجی در پستانداران دیگر نیز ثبت شده بود اما برگر برای اولین بار آنها را در انسان توصیف کرد!
از آن زمان، روش الکتروانسفالوگرافی به ابزاری کلیدی در علوم اعصاب تبدیل شده و به تکامل درک ما از امواج مغزی (که محققان آنها را نوسانات عصبی مینامند) و همچنین به شناسایی وضعیتهای مغزی مانند خستگی و بیداری کمک کرده است.
در این آموزش کوتاه، موارد زیر را پوشش خواهیم داد:
نوسانات عصبی چیستند؟
چگونه میتوانیم نوسانات عصبی را اندازهگیری کنیم؟
با نوسانات عصبی چه کاری میتوانیم انجام دهیم؟
کاربرد عملی با استفاده از دستگاهها و نرمافزارهای Emotiv.
۲. EEG چیست؟
الکتروانسفالوگرافی (EEG) یک روش غیرتهاجمی و غیرفعال برای اندازهگیری فعالیت الکتریکی مغز ما است. الکترودها/حسگرها/کانالها روی پوست سر قرار میگیرند تا فعالیت الکتریکی تولید شده توسط جمعیتهایی از سلولهای مغزی به نام نورونها را ثبت کنند.
شکل ۱ – نورونها فعالیت الکتریکی تولید میکنند که میتواند با یک دستگاه EEG شناسایی شود [سیولی و همکاران (۲۰۱۶)].
۲.۱. سیستمهای EEG
دستگاههای EEG بسیار زیادی در بازار وجود دارند که میتوانند برای ثبت EEG استفاده شوند. ردیف دستگاههای EEG میتواند شامل موارد زیر باشد:
یک تک حسگر یا تا ۲۵۶ الکترود – الکترودهای بیشتر، وضوح مکانی بالاتری از اطلاعات را در سراسر پوست سر ارائه میدهند.
الکترودهای مرطوب یا خشک – الکترودهای مرطوب از یک ژل الکترولیت یا محلول نمکی برای بهبود هدایت بین پوست سر و حسگر استفاده میکنند. الکترودهای خشک میتوانند از جنس فلز یا پلیمرهای رسانا باشند که نیاز به تماس مستقیم با پوست سر دارند.
الکترود فعال یا غیرفعال – سیستمهای الکترود غیرفعال به سادگی سیگنال را به دستگاهی که در آنجا تقویت میشود، هدایت میکنند. سیستمهای الکترود فعال سیگنال را در هر الکترود قبل از اینکه برای تقویت به دستگاه برسد، تقویت میکنند. این کار نویز الکتریکی محیطی در سیگنال را کاهش میدهد.
دستگاههای سیمی یا بیسیم که دادهها را از طریق بلوتوث انتقال میدهند.
شکل ۲ – یک سیستم EEG بیسیم با تراکم کم.
شکل ۳ – یک سیستم EEG الکترود سیمی با تراکم بالا.
۲.۲. چه زمانی باید از EEG استفاده کرد؟
هر روش تصویربرداری عصبی میتواند به پاسخگویی به سوالات پژوهشی متفاوتی کمک کند.
بزرگترین نقطه قوت EEG این است که میتواند فعالیتهای عصبی را در مقیاس میلیثانیه اندازهگیری کند که قادر است فرآیندهای پیش از هوشیاری را بسنجد.
شکل ۴ – وضوح مکانی در مقابل وضوح زمانی ابزارهای مختلف تصویربرداری عصبی.
این روش برای سوالاتی مانند «شرکتکنندگان بیشتر به کدام بخشهای ویدیوی من توجه کردند؟» بسیار مناسب است.
EEG فعالیتها را عمدتاً از لایههای بیرونی مغز ثبت میکند (یعنی وضوح مکانی پایینی دارد). با یک تک حسگر، شناسایی دقیق منبع فعالیت غیرممکن است. ثبت با تعداد زیادی کانال میتواند امکان بازسازی ریاضی منبع را فراهم کند اما همچنان در شناسایی منابع عمیق محدود است. تصویربرداری رزونانس مغناطیسی عملکردی (fMRI) برای پاسخ به سوالاتی مانند «کدام بخش از مغز با تغییرات در توجه مرتبط است؟» مناسبتر است.
۲.۳. از حسگر تا EEG خام؟
هنگامی که یک دستگاه EEG روی سر قرار میگیرد، فعالیت مغز در یک تک حسگر به عنوان تفاوت دامنه بین آن حسگر و یک حسگر مرجع اندازهگیری میشود. در بیشتر سیستمهای EEG به این الکترود، الکترود سنجش حالت مشترک (CMS) میگویند. یک حسگر اضافی به نام پای راست هدایتشده (DRL)، به کاهش هرگونه تداخل در CMS کمک میکند.
شکل ۵ – بلوک دیاگرام ساده شده انتقال سیگنال EEG.
سپس در سیستمهایی که هر دو نوع الکترود فعال و غیرفعال را دارند، سیگنال تقویت شده و فیلتر پایینگذر روی آن اعمال میشود. فیلتر پایینگذر مرحلهای است که تداخلهای الکتریکی احتمالی محیطی (مانند خطوط اصلی برق) را از سیگنال شما حذف میکند.
این مراحل در خود سختافزار قبل از اینکه سیگنال خام EEG روی صفحه کامپیوتر شما قابل مشاهده باشد، اتفاق میافتند.
۲.۴. برخی اصطلاحات پایانی
کنوانسیون نامگذاری استاندارد ۱۰-۲۰
حسگرهای سمت چپ معمولاً با شمارههای فرد و حسگرهای سمت راست معمولاً با شمارههای زوج نامگذاری میشوند.
توجه ۱: اینها صرفاً کنوانسیونهای نامگذاری هستند و مکان منبع حسگر EEG نشاندهنده منبع اصلی آن فعالیت نیست.
توجه ۲: برای تعیین منبع فعالیت در یک تک کانال، باید مراحل اضافی مانند بازسازی ریاضی منبع انجام شود.
۳. نوسانات عصبی چیستند؟
امواج مغزی که اغلب به آنها نوسانات عصبی گفته میشود، الگوهای ریتمیکی هستند که توسط یک یا کلاستری از نورونها تولید میشوند.
هنوز کاملاً مشخص نیست که چرا مغز این انواع مختلف نوسانات را تولید میکند، اگرچه تئوریهای زیادی وجود دارد. محققان از وظایف و تستهای مختلفی برای مشخص کردن این فعالیتهای نوسانی استفاده میکنند و هدفشان درک اسرار مغز با استفاده از این الگوهای ریتمیک است.
۳.۱. برخی از ویژگیهای یک نوسان
این شکل اندازهگیری یک سیگنال الکتریکی منظم را نشان میدهد:
شکل ۶ – وضوح مکانی در مقابل وضوح زمانی ابزارهای مختلف تصویربرداری عصبی.
در سمت چپ (محور y) میتوانیم دامنه ثبت الکتریکی را ترسیم کنیم و روی محور افقی (محور x) زمان را نشان دهیم. دامنه سیگنال در مقدار خود به صورت منظم حول یک نقطه مرکزی تغییر خواهد کرد. به یک چرخه کامل، یک نوسان نیز گفته میشود.
تعداد چرخهها در ثانیه، فرکانس موج نامیده میشود و واحد آن هرتز (Hz) است. بنابراین ۱ چرخه در ثانیه = ۱ هرتز است. دامنهها معمولاً بر حسب میکروولت (µV) اندازهگیری میشوند.
در مغز ما امواجی با فرکانسهای بین ۰.۲ هرتز (امواج بسیار کند) تا ۸۰ هرتز یا بیشتر (امواج بسیار سریع) را مشاهده میکنیم. فعالیتهای با فرکانس بالا تا ۵۰۰ هرتز مرتبط با صرع نیز در مغز ثبت شده است.
انواع مختلف نوسانات مغزی بر اساس فرکانس آنها مشخص میشوند. اینها به عنوان باندهای فرکانسی شناخته میشوند و میتوانند با موقعیتهای مختلف مغز مرتبط باشند:
شکل ۷ – امواج مغزی در یک EEG معمولی.
۳.۲. چرا باندهای فرکانسی مختلف مهم هستند؟
تشخیص الگوهای مغزی نرمال در مقابل غیرنرمال
نوسانات عصبی برای تشخیص تشنج و بیماری صرع در نورولوژی (بیماریهای مغز و اعصاب) مهم هستند.رابطهای مغز و رایانه (BCI)
میزان نوسانات بتا، گاما و مو اغلب برای آموزش دستگاههای کنترل از راه دور استفاده میشود (مانند حرکت دادن یک ویلچر با افکار).نوروفیدبک
این یک نوع تمرین مغزی است که در آن میتوانید امواج مغزی خود (مثلاً نوسانات گاما) را مشاهده کرده و برای بهبود میزان نوسانات گامای مغز خود، در فعالیتهای شناختی شرکت کنید.نورومارکتینگ (بازاریابی عصبی)
باندهای فرکانسی آلفا و بتا میتوانند برای تعیین اینکه کدام بخش از یک تبلیغ جذابیت بیشتر یا کمتری دارد، استفاده شوند.
۳.۳. انواع تحلیل دادههای EEG
معمولاً محققان تحلیلها را در حوزه زمان یا حوزه فرکانس انجام میدهند.
تحلیل حوزه زمان
به طور معمول دامنه ولتاژ را در نقاط زمانی مورد نظر پس از شروع یک محرک اندازهگیری میکند. اینها پتانسیلهای وابسته به رویداد (ERPs) نامیده میشوند.
تحلیل حوزه فرکانس
به طور معمول میزان نوسانات عصبی را در باندهای فرکانسی مختلف در یک بازه زمانی مشخص یا مرتبط با شروع یک رویداد اندازهگیری میکند.
در ادامه مروری بر تحلیل حوزه فرکانس ارائه میدهیم.
۳.۴. پردازش
هنگامی که یک ثبت EEG انجام میدهید، معمولاً قبل از درک نوسانات، دادهها را پاکسازی و نویزگیری میکنید.
فیلتر کردن
تکنیکی برای حذف نویزهای محیطی با فرکانس بالا و پایین در دادهها.حذف آرتیفکت (مصنوعات)
حرکات فیزیکی و پلک زدن چشم همگی میتوانند باعث ایجاد آرتیفکتهای بزرگ شوند (پیکهای بیشتر از ۵۰ میکروولت در EEG). این موارد را میتوان حذف کرد تا بر نتایج ما تاثیر نگذارند. برخی از محققان از روشهای پیشرفتهای برای اصلاح این آرتیفکتها به منظور حفظ دادهها استفاده میکنند.
پس از پردازش دادهها، سیگنال اکنون میتواند به حوزه فرکانس تبدیل شود تا بتوانیم میزان هر نوع موج مغزی را کمیسازی کنیم.
شکل ۸ – آرتیفکت پلک زدن در EEG خام.
۳.۵. تبدیل فوریه سریع (FFT)
تبدیل فوریه تبدیل ریاضی سیگنال EEG از «حوزه زمان» (تصویر A) به «حوزه فرکانس» (تصویر B) است.
در حوزه فرکانس، ما میتوانیم بررسی کنیم که چه مقدار از هر نوع نوسان در ثبت ما وجود داشته است. این معمولاً همان «توان» باند فرکانسی است و میتواند به صورت یک طیف توان نمایش داده شود (تصویر B).
شکل ۹-الف – EEG خام در حوزه زمان.
شکل ۹-ب – طیف توان پس از FFT (حوزه فرکانس).
۳.۶. توان باند (Band Power)
توان یک باند فرکانسی (مثلاً باند آلفا) که از تبدیل فوریه به دست میآید به ما میگوید که چه مقدار از هر باند فرکانسی وجود دارد. واحدهای توان باند معمولاً بر حسب µV2/Hz هستند. بیشتر اوقات، دامنه یا طیف توان حاصل از یک FFT در واحد لجاریتمی دسیبل (dB) نشان داده میشود. دسیبل واحد نسبت بین یک توان اندازهگیری شده (P) و یک توان مرجع (Pr) به صورت زیر است:
هنگامی که این واحد اندازهگیری برای رویدادهای مورد نظر به دست آمد، میتوان توانهای باند را برای درک اثرات تجربی روی امواج مغزی مقایسه کرد.
۴. از تئوری تا عمل
در ادامه، قرار است به اثر سرکوب آلفا نگاهی بیندازیم.
این پدیدهای است که اولین بار توسط هانس برگر گزارش شد که در آن وقتی چشمان فرد باز است در مقایسه با زمانی که چشمانش بسته است، کاهش چشمگیری در میزان نوسانات آلفا (توان آلفا) مشاهده میکنیم.
شکل ۱۰ – افزایش نوسانات آلفا را میتوان زمانی که چشمها بسته هستند مشاهده کرد.
ابتدا با استفاده از EmotivPRO Builder یک آزمایش ساده طراحی کردیم. در این آزمایش از یک شرکتکننده به سادگی خواسته میشود چشمان خود را به مدت ۲ دقیقه در حالی که روی صفحه تمرکز کرده باز نگه دارد و سپس به مدت ۲ دقیقه ببندد. آنها صدای زنگی را در انتهای ۲ دقیقه برای سیگنال باز کردن چشمهای خود میشنوند.
میتوانید ویدیوی زیر را دنبال کنید تا آزمایش سرکوب آلفای خود را بسازید یا میتوانید آزمایش ما را از لینک اینجا اجرا کنید:
۴.۱. قرار دادن دستگاه روی سر و کیفیت EEG
درباره نحوه کارکرد گیت کیفیت تماس (EQ) ما در اینجا بیشتر بخوانید. اطلاعات بیشتر در مورد روش قرار دادن سختافزار روی سر متناسب با هدست خود را در اینجا بیابید:
نوع EPOC
نوع Insight
۴.۲. پردازش و تبدیل دادههای EEG
حالا که دادههای خود را دارید، میتوانید با استفاده از Emotiv Analyzer آنها را به حوزه فرکانس تبدیل کنید. مراحل ویدیو را دنبال کنید.
۴.۳. تفسیر دادهها
پس از اتمام کار Analyzer، فایل زیپ را دانلود کنید. برای هر رکورد یک فایل csv با توانهای باند و یک فایل تصویر خواهید داشت که میتوانید از آنها برای اجرای تحلیل آماری خود استفاده کنید.
شکل ۱۱ – توانهای باند.
در خروجی ما میتوانیم افزایش توان آلفا را در زمانی که چشمها بسته بودند (نارنجی) در مقایسه با زمانی که باز بودند (آبی) مشاهده کنیم.
این پایان آموزش ماست! شما اکنون به اطلاعات پایه مجهز شدهاید 🙂
میتوانید لینکهایی برای مطالعه پیشرفتهتر را در بخش منابع پیدا کنید.
۵. منابع
مطالعه پیشرفته
دونوگهو و همکاران ۲۰۲۲ ملاحظات روششناختی برای مطالعه نوسانات عصبی
واژهنامه اصطلاحات EEG
کین و همکاران ۲۰۱۷ (اینجا)
کد منبع باز (اپن سورس)
اگر با کدنویسی پایتون راحت هستید، ما اسکریپتهای پایتونی را در دسترس قرار دادهایم که میتوانید برای به دست آوردن مقادیر توان آلفا با برچسبگذاری بخشهای چشمباز و چشمبسته استفاده کنید. کد و فایلهای داده نمونه سرکوب آلفا را در اینجا پیدا کنید: https://osf.io/9bvgh/
دفترچههای راهنمای Emotiv
دفترچه راهنمای EmotivPRO Builder
دفترچه راهنمای EmotivPRO
دفترچه راهنمای EmotivPRO Analyzer
۷. منابع علمی
دونوگهو، تی.، شاورونکوف، ان. و ویتک، بی.، ۲۰۲۲. ملاحظات روششناختی برای مطالعه نوسانات عصبی. مجله اروپایی علوم اعصاب، 55(11-12)، صص.۳۵۰۲-۳۵۲۷. شناسه دیجیتال: https://doi.org/10.1111/ejn.15361
کین، ان.، آچاریا، جی.، بنیتسکی، اس.، کابوکلو، ال.، فینیگان، اس.، کاپلان، پی.دبلیو.، شیباساکی، اچ.، پرسلر، آر. و ون پوتن، ام.جی.، ۲۰۱۷. واژهنامه بازبینیشده از اصطلاحاتی که بیشتر توسط الکتروانسفالوگرافیستهای بالینی استفاده میشود و پیشنهاد بهروز شده برای قالب گزارش یافتههای EEG. بازبینی ۲۰۱۷. مجله عملکرد الکتروفیزیولوژی بالینی، ۲، ص.۱۷۰. شناسه دیجیتال: 10.1016/j.cnp.2017.07.002
سیولی، اس.، لی، وای.، ژانگ، وای. (۲۰۱۶). الکتروانسفالوگرام (EEG) و پیشزمینه آن. در: آنالیز و طبقهبندی سیگنال EEG. علوم اطلاعات سلامت. اسپرینگر، چام. شناسه دیجیتال: https://doi.org/10.1007/978-3-319-47653-7%5F1
به خواندن ادامه دهید