چرا پیش‌پردازش اهمیت دارد؟

EEG به شدت به فعالیت‌های الکتریکی عصبی و غیرعصبی حساس است. اگرچه طراحی آزمایشی دقیق و جمع‌آوری داده‌ها بسیاری از منابع نویز را به حداقل می‌رساند، اما درجاتی از آلودگی به آرتیفکت اجتناب‌ناپذیر است. پیش‌پردازش به محققان کمک می‌کند تا فعالیت مغزی معنادار را از سیگنال‌های ناخواسته تشخیص دهند و در عین حال همسانی تحلیل‌های بعدی را بهبود بخشند.[1]

نکته مهم این است که پیش‌پردازش نباید به عنوان روشی برای ترمیم ضبط‌های با کیفیت پایین نگریسته شود. در عوض، این یک فرآیند ساختاریافته برای اصلاح داده‌های با کیفیتی است که از طریق عملکردهای آزمایشی سالم جمع‌آوری شده‌اند. تصمیمات اتخاذ شده در حین پیش‌پردازش بر هر مرحله بعدی تحلیل تأثیر می‌گذارد و شفافیت و همسانی را ضروری می‌سازد.

ساخت یک خط لوله پیش‌پردازش

پیش‌پردازش معمولاً به عنوان تسلسلی از مراحل و نه به صورت فرآیندهای مجزا انجام می‌شود. اگرچه جریان‌های کاری فردی بسته به سؤال تحقیق و روش‌های تحلیلی متفاوت است، ایجاد یک خط لوله منسجم کمک می‌کند تا اطمینان حاصل شود که داده‌های هر شرکت‌کننده به یک روش پردازش می‌شوند.

محققان باید در صورت امکان، استراتژی پیش‌پردازش خود را قبل از شروع تحلیل رسمی تعیین کنند. تعریف جریان کار از قبل، خطر ایجاد سوگیری ناشی از تصمیم‌گیری‌های پردازشی پس از بررسی نتایج را کاهش می‌دهد.[1]

از آنجا که هیچ خط لوله پیش‌پردازش واحدی برای همه مطالعات مناسب نیست، جریان‌های کاری باید بر اساس ادبیات پژوهشی اثبات‌شده، طراحی آزمایش، متدولوژی ضبط و اهداف علمی هدایت شوند.

فیلتر کردن سیگنال EEG

فیلتر کردن اغلب یکی از اولین مراحل پیش‌پردازش است. فیلترها مولفه‌های فرکانسی ناخواسته را کاهش می‌دهند در حالی که فعالیت عصبی مرتبط با سؤال تحقیق را حفظ می‌کنند.

فیلترهای بالاگذر ممکن است رانش کند سیگنال را کاهش دهند، در حالی که فیلترهای پایین‌گذر به سرکوب نویزهای فرکانس بالا کمک می‌کنند. برخی مطالعات نیز در صورت لزوم از فیلترهای میان‌نگذر (Notch) برای کاهش تداخل الکتریکی سیستم‌های قدرت استفاده می‌کنند.[1]،[5]

انتخاب فیلتر باید با دقت انجام شود. فیلتر کردن بیش از حد می‌تواند سیگنال‌های عصبی را مخدوش کند یا زمان‌بندی و دامنه پاسخ‌های مرتبط با رویداد را تغییر دهد. محققان باید تنظیمات فیلتری را انتخاب کنند که از تحلیل مورد نظر پشتیبانی کند و در عین حال از تغییرات غیرضروری سیگنال خودداری کنند.

شناسایی و مدیریت آرتیفکت‌ها

حتی پس از جمع‌آوری دقیق داده‌ها، برخی از ضبط‌ها حاوی آرتیفکت‌هایی خواهند بود که در طول پیش‌پردازش نیاز به توجه دارند.

محققان معمولاً با بازرسی بصری ضبط‌ها برای شناسایی دوره‌های نویز بیش از حد، کانال‌های ناپایدار یا وقفه‌های ضبط شروع می‌کنند. ابزارهای ارزیابی کیفیت خودکار ممکن است به تشخیص آرتیفکت کمک کنند، اما بررسی دستی همچنان جزء مهمی از بسیاری از جریان‌های کاری پیش‌پردازش است.[3]

بسته به نوع آلودگی، محققان ممکن است تلاش‌های آزمایشی (Trials) فردی را حذف کنند، کانال‌های نویزدار را رد کنند، الکترودهای ایزوله را درون‌یابی کنند یا تکنیک‌های تصحیح آرتیفکت را اعمال کنند. این تصمیمات باید از معیارهای کیفیت از پیش تعریف‌شده که قبل از شروع تحلیل مشخص شده‌اند، پیروی کنند.

تحلیل مولفه‌های مستقل

تحلیل مولفه‌های مستقل (ICA) یکی از پرکاربردترین تکنیک‌ها برای جداسازی سیگنال‌های الکتریکی مختلط به مولفه‌های مستقل آماری است. با تجزیه EEG ضبط‌شده به منابع سیگنال زیربنایی، ICA می‌تواند به محققان در شناسایی مولفه‌های مرتبط با پلک زدن، حرکات چشم، فعالیت عضلانی یا سایر آرتیفکت‌های غیرعصبی کمک کند.[4]

پس از شناسایی، مولفه‌های مرتبط با آرتیفکت ممکن است قبل از بازسازی سیگنال EEG حذف شوند. در حالی که ICA می‌تواند کیفیت داده‌ها را به طور قابل توجهی بهبود بخشد، کاربرد موفقیت‌آمیز آن به پیش‌پردازش مناسب، کیفیت کافی داده‌ها و تفسیر دقیق مولفه‌های حاصل بستگی دارد.

محققان باید نحوه انجام ICA و اینکه کدام مولفه‌ها حذف شده‌اند را برای حمایت از شفافیت و تکرارپذیری مستند کنند.

اپوک‌بندی داده‌های پیوسته

بسیاری از تحلیل‌های EEG بر پاسخ‌های عصبی متمرکز هستند که در اطراف رویدادهای آزمایشی خاص رخ می‌دهند. برای تسهیل این تحلیل‌ها، ضبط‌های EEG پیوسته اغلب به بخش‌های زمانی کوتاه‌تری به نام اپوک (Epoch) تقسیم می‌شوند.

هر اپوک با یک نشانگر رویداد هم‌تراز می‌شود که نشان‌دهنده ارائه محرک، پاسخ شرکت‌کننده یا رویداد معنادار دیگری در طول آزمایش است. این بخش‌بندی به محققان اجازه می‌دهد تا فعالیت عصبی را در شرایط آزمایشی تکراری مقایسه کنند و پایه‌ای برای بسیاری از تحلیل‌های پتانسیل وابسته به رویداد (ERP) تشکیل می‌دهد.[2]،[6]

بنابراین، زمان‌بندی دقیق رویداد قبل از شروع اپوک‌بندی ضروری است.

تصحیح خط پایه (بیس‌لاین)

فعالیت عصبی به طور مداوم در حال تغییر است، حتی زمانی که شرکت‌کنندگان در حال استراحت هستند. تصحیح خط پایه با مقایسه هر اپوک آزمایشی با یک دوره مرجع که بلافاصله قبل از رویداد مورد نظر قرار دارد، به حساب کردن این نوسانات مداوم کمک می‌کند.

تفریق این خط پایه از پاسخ عصبی بعدی به محققان اجازه می‌دهد تا فعالیت مرتبط با رویداد آزمایشی را بهتر ایزوله کنند و در عین حال تنوع ناشی از فعالیت‌های پس‌زمینه غیرمرتبط را کاهش دهند.[2]

انتخاب خط پایه باید در طول مطالعه همسو باقی بماند و منعکس‌کننده عملکردهای اثبات‌شده برای پارادایم آزمایشی انتخاب‌شده باشد.

کنترل کیفیت و مستندسازی

پیش‌پردازش با تمیزتر به نظر رسیدن داده‌ها پایان نمی‌یابد. محققان باید هر مرحله از پردازش را به دقت مستند کنند، از جمله پارامترهای فیلتر کردن، معیارهای رد آرتیفکت، روش‌های درون‌یابی، نسخه‌های نرم‌افزار و تنظیمات تحلیل.

مستندسازی دقیق با اجازه دادن به سایر محققان برای درک، ارزیابی و تکرار جریان کار پیش‌پردازش، از تکرارپذیری پشتیبانی می‌کند. گزارش‌دهی شفاف همچنین مقایسه‌های آتی بین مطالعات را معنادارتر می‌سازد.[1]

حفظ یک پروتکل پیش‌پردازش همسو در میان همه شرکت‌کنندگان، تنوع را بیشتر کاهش می‌دهد و اعتماد به تحلیل‌های حاصل را تقویت می‌کند.

انتخاب نرم‌افزار برای پیش‌پردازش EEG

چندین پلتفرم نرم‌افزاری از پیش‌پردازش و تحلیل EEG پشتیبانی می‌کنند که هر کدام جریان‌های کاری و قابلیت‌های تحلیلی متفاوتی را ارائه می‌دهند. محققان باید ابزارهایی را انتخاب کنند که با طراحی آزمایش، تخصص فنی و الزامات گزارش‌دهی آن‌ها همخوانی داشته باشد.

محیط‌های پیش‌پردازش رایج شامل EEGLAB، MNE-Python و FieldTrip، همراه با نرم‌افزارهای تجاری ثبت داده هستند که از همگام‌سازی رویدادها، تجسم داده‌ها و خروجی گرفتن به فرمت‌های رایج تحلیل پشتیبانی می‌کنند.[4]،[5] انتخاب ابزارهای با قابلیت همکاری متقابل می‌تواند همکاری را ساده‌تر کرده و از روش‌های پژوهشی شفاف و تکرارپذیر پشتیبانی کند.

نکات کلیدی

پیش‌پردازش، ضبط‌های خام EEG را برای تحلیل علمی از طریق کاهش نویز، مدیریت آرتیفکت‌ها و سازماندهی داده‌ها آماده می‌کند و در عین حال سیگنال‌های عصبی معنادار را حفظ می‌کند.

فیلتر کردن، مدیریت آرتیفکت، تحلیل مولفه‌های مستقل، اپوک‌بندی، تصحیح خط پایه و کنترل کیفیت همگی به بهبود کیفیت سیگنال و در عین حال حفظ یکپارچگی داده‌ها کمک می‌کنند.

یک خط لوله پیش‌پردازش با طراحی خوب، منسجم، شفاف و متناسب با سؤال تحقیق است. محققان با مستندسازی هر مرحله پردازش و اعمال روش‌های استاندارد در میان شرکت‌کنندگان، اعتبار و تکرارپذیری یافته‌های خود را تقویت می‌کنند.

به ساخت مطالعه EEG خود ادامه دهید

هنگامی که داده‌های EEG برای تحلیل آماده شدند، محققان می‌توانند بررسی کنند که چگونه مکان‌های مختلف الکترود به درک فعالیت مغز کمک می‌کنند.

در راهنمای بعدی، انتخاب الکترودها و مونتاژهای EEG، سیستم‌های قرارگیری الکترود، انتخاب کانال و نحوه تأثیر مکان‌های ضبط بر طراحی آزمایش و تفسیر داده‌ها را بررسی خواهیم کرد.

منابع

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.