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 فعالیت‌های مغزی معنی‌دار را از سیگنال‌های ناخواسته تشخیص دهند و در عین حال ثبات تحلیل‌های بعدی را بهبود بخشند.[1]

نکته مهم این است که نباید به پیش‌پردازش به عنوان روشی برای ترمیم ضبط‌های با کیفیت پایین نگریست. در عوض، این یک فرآیند ساختاریافته برای اصلاح داده‌های باکیفیت است که از طریق عملکردهای آزمایشی اصولی جمع‌آوری شده‌اند. تصمیمات اتخاذ شده در طول پیش‌پردازش بر تمامی مراحل بعدی تحلیل تأثیر می‌گذارد و شفافیت و ثبات را ضروری می‌سازد.

ساخت یک خط لوله پیش‌پردازش

پیش‌پردازش معمولاً به عنوان تسلسلی از مراحل و نه به عنوان فرآیندهای مجزا انجام می‌شود. اگرچه جریان‌های کاری فردی بسته به سؤال پژوهش و روش‌های تحلیلی متفاوت است، ایجاد یک خط لوله (پایپ‌لاین) 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 هر مطالعه‌ای مناسب نیست، جریان‌های کاری باید بر اساس ادبیات پژوهشی اثبات شده، طراحی آزمایشی، روش ضبط و اهداف علمی هدایت شوند.

فیلتر کردن سیگنال EEG

فیلتر کردن اغلب یکی از اولین مراحل پیش‌پردازش است. فیلترها مؤلفه‌های فرکانسی ناخواسته را کاهش می‌دهند و در عین حال فعالیت عصبی مرتبط با سؤال پژوهش 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 از مطالعات نیز در صورت لزوم از فیلترهای شکافی (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 تغییر شکل دهد یا زمان‌بندی و دامنه پاسخ‌های وابسته به رویداد را تغییر دهد. محققان باید تنظیمات فیلتری را انتخاب کنند که از تحلیل مورد نظر پشتیبانی کند و در عین حال از اصلاح غیرضروری سیگنال خودداری نمایند.

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 خودکار کیفیت ممکن است به شناسایی آرتیفکت‌ها کمک کنند، اما بررسی دستی همچنان بخش مهمی از بسیاری از جریان‌های کاری پیش‌پردازش است.[3]

بسته به ماهیت آلودگی، محققان ممکن است تست‌های فردی را حذف کنند، کانال‌های نویزدار را رد کنند، الکترودهای ایزوله را درونیابی کنند یا تکنیک‌های تصحیح آرتیفکت را اعمال نمایند. این تصمیمات باید از معیارهای کیفیت از پیش تعریف‌شده‌ای پیروی کنند که قبل از شروع تحلیل مشخص شده‌اند.

تحلیل مولفه‌های مستقل

تحلیل مولفه‌های مستقل (ICA) یکی از پرکاربردترین تکنیک‌ها برای جداسازی سیگنال‌های الکتریکی ترکیبی به مولفه‌های مستقل آماری است. با تجزیه EEG ضبط‌شده به منابع سیگنال زیرین، 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 چشمگیری بهبود بخشد، کاربرد موفقیت‌آمیز آن به پیش‌پردازش مناسب، کیفیت کافی داده‌ها و تفسیر دقیق مولفه‌های حاصل بستگی دارد.

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

برش‌زنی داده‌های پیوسته (Epoching)

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

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

بنابراین، زمان‌بندی دقیق رویداد پیش از شروع فرآیند برش‌زنی (epoching) ضروری است.

تصحیح خط پایه (Baseline Correction)

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 حسابرسی 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 تغییر‌پذیری ناشی از فعالیت‌های پس‌زمینه غیرمرتبط را کاهش دهند.[2]

انتخاب خط پایه باید در طول مطالعه ثابت بماند و منعکس‌کننده روش‌های اثبات شده 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 فیلترینگ، معیارهای حذف آرتیفکت، فرآیندهای درونیابی، نسخه‌های نرم‌افزار و تنظیمات تحلیل.

مستندسازی دقیق با فراهم کردن امکان درک، ارزیابی و تکرار جریان کار پیش‌پردازش برای سایر محققان، از تکرارپذیری پشتیبانی می‌کند. گزارش‌دهی شفاف همچنین مقایسه‌های آتی بین مطالعات را معنی‌دارتر می‌سازد.[1]

حفظ یک پروتکل پیش‌پردازش ثابت برای همه شرکت‌کنندگان، تغییر‌پذیری را بیشتر کاهش داده 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 آزمایشی، تخصص فنی و الزامات گزارش‌دهی آن‌ها همخوانی داشته باشد.

محیط‌های پیش‌پردازش رایج شامل EEGLAB، MNE-Python و FieldTrip، در کنار نرم‌افزارهای تجاری اکتساب داده هستند که از همگام‌سازی رویدادها، تجسم داده‌ها و خروجی گرفتن به فرمت‌های رایج تحلیلی پشتیبانی می‌کنند.[4]،[5] انتخاب ابزارهای سازگار با یکدیگر می‌تواند همکاری را ساده‌تر کرده و در عین حال از شیوه‌های پژوهشی شفاف و تکرارپذیر پشتیبانی کند.

نکات کلیدی

پیش‌پردازش، ضبط‌های خام EEG را با کاهش نویز، مدیریت آرتیفکت‌ها و سازماندهی داده‌ها برای تحلیل علمی آماده می‌کند، در حالی که سیگنال‌های عصبی معنی‌دار را حفظ می‌نماید.

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

یک خط لوله پیش‌پردازش خوب طراحی‌شده، منسجم، شفاف و مناسب برای سؤال پژوهش است. با مستندسازی هر مرحله پردازش و اعمال فرآیندهای استاندارد در بین شرکت‌کنندگان، محققان قابلیت اطمینان و تکرارپذیری یافته‌های خود را تقویت می‌کنند.

به ساخت مطالعه EEG خود ادامه دهید

پس از آماده‌سازی داده‌های EEG برای تحلیل، محققان می‌توانند بررسی چگونگی کمک مکان‌های مختلف الکترود به درک فعالیت مغز را آغاز کنند.

در راهنمای بعدی، یعنی انتخاب الکترودها و مونتاژهای EEG، سیستم‌های قرارگیری الکترود، انتخاب کانال و نحوه تأثیر مکان‌های ضبط بر طراحی آزمایشی 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.