پیش‌پردازش EEG: راهنمای بهترین شیوه‌ها

به داده‌های خام EEG مانند سنگ معدنی تصفیه نشده‌ای که مستقیم از زمین استخراج شده است فکر کنید. این ماده حاوی فلز گرانبهایی است که به دنبال آن هستید، اما با خاک، سنگ و سایر ناخالصی‌ها مخلوط شده است. نمی‌توانید در حالت خام خود از آن به طور مفید استفاده کنید. فرآیند تصفیه آن سنگ معدن - خرد کردن، جدا کردن و خالص کردن آن - دقیقاً همان چیزی است که یک خط پردازش پیش از پردازش EEG برای داده‌های مغز شما انجام می‌دهد. این یک سری مراحل سیستماتیک است که برای حذف نویز از حرکات عضلانی، پلک زدن و تداخل الکتریکی طراحی شده است. این راهنما شما را از طریق آن فرآیند تصفیه، اطمینان حاصل خواهد کرد که داده‌هایی که تحلیل می‌کنید تمیز، قابل اعتماد و آماده برای ارائه insights ارزشمند هستند.

مشاهده محصولات

نکات کلیدی

• با یک برنامه تمیز کردن محکم شروع کنید: داده‌های خام EEG ذاتاً پر از نویز است، بنابراین ایجاد یک خط پردازش پیش‌پردازشی مرحله به مرحله تنها راه حذف آرتیفکت ‌هایی مانند تنش عضلانی و هم‌هم‌ای الکتریکی است و اطمینان حاصل می‌کند تحلیل شما بر پایه‌ای قابل اعتماد بنا شده است.

• از ابزارهای مناسب برای کار استفاده کنید: یک جریان کاری استاندارد شامل چندین مرحله کلیدی است، بنابراین از فیلترها برای حذف انحراف سیگنال و نویز خط استفاده کنید، سپس روش‌های قدرتمندی مانند تحلیل مؤلفه‌های مستقل (ICA) را به کار ببرید تا آرتیفکت‌های خاصی مانند پلک زدن چشم را جدا کرده و حذف کنید.

• همه چیز را برای نتایج قابل تکرار مستند کنید: برای تولید پژوهشی معتبر، ثبات بسیار مهم است، بنابراین یک خط پردازش استاندارد اتخاذ کنید و هر پارامتر و تصمیمی را مستند کنید تا کار شما شفاف و توسط دیگران قابل تأیید باشد.

خط پردازش پیش‌پردازش EEG چیست؟

به یک خط پردازش پیش‌پردازش EEG به عنوان یک فیلتر تخصصی برای داده‌های مغز خود فکر کنید. وقتی اولین سیگنال‌های EEG را جمع‌آوری کنید، آنها حاوی اطلاعات خام و فیلتر نشده است. این شامل فعالیت مغزی ارزشمندی است که می‌خواهید مطالعه کنید اما همچنین حاوی نویز زیادی است، مانند تداخل الکتریکی از لامپ‌ها یا حرکات عضلانی از فشردگی فک. یک خط پردازش پیش‌پردازش یک دنباله استاندارد از مراحل است که برای پاکسازی این داده خام به کار می‌برند و آن را برای تحلیل آماده می‌کنند.

به آن "خط پردازش" می‌گویند زیرا داده‌ها از یک سری مراحل پردازش خاص به ترتیب عبور می‌کنند. هر مرحله یک کار خاص را انجام می‌دهد، مانند حذف کانال‌های بد، فیلتر کردن فرکانس‌های خاص یا شناسایی و کاهش آرتیفکت‌ها. به عنوان مثال، یک مرحله ممکن است انحراف با فرکانس پایین در سیگنال را حذف کند، در حالی که مرحله بعدی هم‌همی ۶۰ هرتز از پریزهای برق را هدف قرار دهد. زمانی که داده‌ها از انتهای دیگر خط پردازش خارج می‌شوند، بسیار پاک‌تر و متمرکزتر بر روی فعالیت عصبی است که به آن اهمیت می‌دهید. این فرایند مطلقاً برای به دست آوردن نتایج معنادار و قابل اعتماد از ضبط‌های EEG حیاتی است.

چرا پیش‌پردازش داده‌های EEG شما مهم است

شما نمی‌توانید یک خانه مستحکم بر روی یک بنیاد سست بسازید و همین امر در مورد تحلیل EEG نیز صادق است. پیش‌پردازش همان بنیاد است. داده‌های خام EEG ذاتاً نویزی است و پریدن یا تسریع مراحل پاکسازی می‌تواند خطاهایی ایجاد کرده و مطالعات شما را به خطر بیندازد. حتی نقایص کوچک در این مراحل اولیه می‌توانند نتایج شما را تحریف کرده و کشیدن نتیجه‌گیری‌های دقیق را مشکل سازند.

یک روش استاندارد کلیدی برای ایجاد داده‌های با کیفیت بالا و قابل اعتماد است. پیروی از یک جریان کاری تثبیت شده، مانند خط پردازش PREP، تضمین می‌کند که داده‌های شما هر بار به طور سازگار پاکسازی می‌شود. این نه تنها کیفیت نتایج خود شما را بهبود می‌بخشد بلکه کار شما را قابل تکرارتر می‌کند، به سایر محققان اجازه می‌دهد یافته‌های شما را تأیید کنند و بر روی آنها بنا نهاده شوند. چه در حال کار بر روی تحقیقات آکادمیک باشید و چه در حال توسعه یک برنامه جدید BCI، پیش‌پردازش محکم غیرقابل مذاکره است.

چالش‌های رایج با داده‌های خام EEG

کار با داده‌های خام EEG با چندین مانع رایج همراه است. بزرگترین چالش برخورد با آرتیفکت‌هاست، که سیگنال‌هایی هستند که از فعالیت مغزی نمی‌آیند. اینها می‌توانند فیزیولوژیکی باشند، مانند چشمک‌زدن‌ها، ضربان قلب و تنش عضلانی، یا می‌توانند خارجی باشند، مانند نویز الکتریکی از خطوط برق. این آرتیفکت‌ها می‌توانند به راحتی بر روی سیگنال‌های ظریف مغزی که شما مایل به اندازه‌گیری آنها هستید پوشش دهند، بنابراین آنها باید با دقت حذف شوند.

چالش دیگر حجم و پیچیدگی بسیار زیاد داده‌ها، به خصوص در مطالعات بزرگ‌گستره است. بازرسی و تمیز کردن ساعت‌های طولانی از ضبط‌های چند کاناله با دست عملی نیست. علاوه بر این، بدون رویکردی استاندارد، محققان مختلف ممکن است از روش‌های پاکسازی مختلفی استفاده کنند. این تنوع مقایسه نتایج را در مطالعات مختلف مشکل می‌سازد و می‌تواند پیشرفت علمی را کند کند.

مراحل استاندارد برای پیش‌پردازش داده‌های EEG

به یک خط پردازش پیش‌پردازش EEG به عنوان دستورالعمل شما برای تبدیل داده‌های موج مغزی نویزدار خام به یک دیتاست پاک و قابل تحلیل فکر کنید. در حالی که مراحل دقیق می‌توانند بستگی به پرسش تحقیقاتی و سخت‌افزار شما داشته باشند، یک جریان کاری استاندارد وجود دارد که نقطه شروعی فوق‌العاده برای اکثر پروژه‌ها فراهم می‌کند. پیروی از یک مجموعه مراحل متوالی تضمین می‌کند که شما به صورت سیستماتیک به مسائل رایج در داده‌های EEG، مانند نویز محیطی و آرتیفکت‌های بیولوژیکی رسیدگی می‌کنید. این رویکرد ساختارمند نه تنها داده‌های شما را قابل اعتمادتر می‌کند بلکه یافته‌های شما را راحت‌تر قابل تکرار می‌سازد.

هر مرحله در خط پردازش بر اساس مرحله قبل بنا نهاده شده و سیگنال را به تدریج تصفیه می‌کند. از شناسایی کانال‌های داراری اشکال تا جداسازی و حذف پلک زدن‌ها، این فرایند برای آشکار کردن فعالیت عصبی که واقعاً می‌خواهید مطالعه کنید ضروری است. بسیاری از این تمرینات استاندارد در راهنمایی‌های خوب مستند شده، مانند خط پردازش پیش‌پردازش Makoto، آمده است که برای هر دو محققان جدید و با تجربه منبع ارزشمندی است. بیایید بخش‌های اصلی یک خط پردازش پیش‌پردازش استاندارد را بررسی کنیم.

وارد کردن و تنظیم داده‌های خود

اولین قدم شما این است که داده‌های خام EEG خود را به نرم‌افزار تحلیل منتخب خود وارد کنید، مانند ابزار منبع باز EEGLAB یا MNE-Python. پس از بارگذاری داده‌ها، یکی از مهم‌ترین وظایف تنظیم، تعریف مکان‌های کانال‌های شماست. این فرایند شامل اطلاع دادن به نرم‌افزار می‌باشد که هر الکترود در کجا روی پوست سر قرار داده شده است. انجام صحیح این کار بسیار مهم است، زیرا نقشه فضایی را ایجاد می‌کند که نرم‌افزار شما برای به‌درستی تصویربرداری فعالیت مغزی و انجام تحلیل منبع به آن نیاز دارد. بدون مکان‌های دقیق کانال، هر نقشه توپوگرافی یا فیلتر فضایی که بعداً انجام می‌دهید بی‌معنا خواهد بود. این یک مرحله بنیادی است که پایه‌ای برای همه مراحل بعدی تشکیل می‌دهد.

ارزیابی و حذف کانال‌های بد

تمامی کانال‌ها هر بار به طور کامل ضبط نمی‌کنند. شما اغلب "کانال‌های بد" را خواهید یافت که توسط نویز مداوم آلوده شده‌اند، تماس نامناسب با پوست سر داشته یا به‌طور کلی صاف هستند. شناسایی و مدیریت این کانال‌ها در اوایل کار بسیار مهم است. شما می‌توانید این کار را به صورت بصری با اسکرول کردن در داده‌ها انجام دهید، یا می‌توانید از روش‌های خودکار برای شناسایی کانال‌های دارای سیگنال‌های غیرعادی استفاده کنید. وقتی شناسایی شدند، می‌توانید آنها را به‌طور کامل حذف کنید، یا در بسیاری از موارد بهتر است آنها را به جای آن‌ها، مداخله کنید. درون‌یابی از داده‌های کانال‌های مجاور خوب برای تخمین سیگنالی که باید کانال بد دریافت کند استفاده می‌کند، و یکپارچگی داده‌هاتان و تعداد کانال‌ها را حفظ می‌کند.

Downsample برای بهتر عملکرد بهتر

داده‌های EEG اغلب با نرخ نمونه‌برداری بسیار بالا ضبط می‌شود، گاهی اوقات بیش از 1000 هرتز. در حالی که این برای ثبت رویدادهای سریع عصبی عالی است، همچنین فایل‌های عظیمی ایجاد می‌کند که می‌تواند کامپیوتر شما را در حین پردازش کند کند. برای بسیاری از انواع تحلیل، به ویژه آنهایی که بر روی پتانسیل‌های وابسته به رویداد (ERPs) متمرکز هستند، به آن سطح رزولوشن زمانی نیاز ندارید. Downsampling نرخ نمونه‌برداری را به سطحی مدیریت‌پذیرتر مانند 256 هرتز کاهش می‌دهد. این مرحله ساده می‌تواند به طرز چشمگیری مراحل پردازش بعدی، مانند فیلتر کردن و ICA، را سرعت ببخشد بدون اینکه اطلاعات ضروری که شما برای تحلیل خود نیاز دارید را از دست دهد. این یک راه آسان برای بهینه‌سازی جریان کاری شماست.

اعمال تکنیک‌های فیلترینگ

داده‌های خام EEG از نویزهای مختلف پر است و فیلتر کردن ابزار اصلی شما برای پاک کردن آن است. اولین قدم بنیادی اعمال یک فیلتر بالاگذر است، معمولاً در حدود 0.5 هرتز یا 1 هرتز. این فیلتر حرکات بسیار کند غیر عصبی در داده‌ها را که می‌توانند شامل آرتیفکت‌های عرق یا حرکت الکترود باشند حذف می‌کند. با حذف این نویز با فرکانس پایین، خط مبنا را تثبیت کرده و مشاهده فعالیت مغزی که به آن علاقه‌مند هستید را بسیار آسان‌تر می‌کند. این یک قدم پایه‌ای برای تقریباً هر تحلیل EEG است و برای آماده‌سازی داده‌های شما برای تکنیک‌های پیشرفته‌تر ضروری است.

انتخاب روش مرجع‌دهی مجدد

هر ضبط EEG نسبت به یک الکترود مرجع اندازه‌گیری می‌شود. با این حال، مرجع اولیه‌ای که در حین ضبط استفاده می‌شود ممکن است برای تحلیل ایده‌آل نباشد. مرجع‌دهی مجدد فرآیند تغییر نقطه مرجع به صورت محاسباتی پس از جمع‌آوری داده‌ها است. یکی از متداول‌ترین و مؤثرترین روش‌ها مرجع‌دهی به میانگین مشترک است. این تکنیک سیگنال میانگین را در بین تمام الکترودها محاسبه کرده و آن را از هر الکترود جداگانه کم می‌کند. این به حداقل رساندن نویزی که در سراسر پوست سر وجود دارد، مانند تداخل الکتریکی کمک کرده و به‌طور قابل ملاحظه‌ای نسبت سیگنال به نویز شما را بهبود می‌بخشد.

اجرای حذف آرتیفکت

حتی پس از فیلتر کردن، داده‌های شما هنوز هم شامل آرتیفکت‌ها خواهد بود، که سیگنال‌هایی نیستند که توسط مغز ایجاد شده‌اند. اینها شامل پلک زدن، تنش عضلانی و حتی سیگنال‌های ضربان قلب است. Independent Component Analysis (ICA) یک روش قدرتمند مبتنی بر داده است که برای شناسایی و حذف این آرتیفکت‌ها استفاده می‌شود. ICA با جدا کردن داده‌های EEG چند کاناله شما به مجموعه‌ای از مؤلفه‌های آماری مستقل کار می‌کند. شما سپس می‌توانید این مؤلفه‌ها را بررسی کرده و تشخیص دهید که کدام یک به آرتیفکت‌ها مربوط می‌شوند و آنها را حذف کنید. این باعث می‌شود که شما داده‌های بسیار پاک‌تری داشته باشید که بسیار دقیق‌تر فعالیت واقعی عصبی را منعکس می‌کند، که برای کشیدن نتیجه‌گیری‌های معتبر از تحقیقات شما اصلی است.

انتخاب داده‌های خود را از صحنه‌های قبلی انجام دهید

پس از این که داده‌های پیوسته شما پاک شد، مرحله نهایی این است که آن را به بخش‌های کوچکتری تقسیم کنید. بخش‌هایی از داده‌های EEG است که به یک رویداد خاص متصل شده‌اند، مانند نمایش یک محرک یا جواب یک شرکت‌کننده. به عنوان مثال، اگر شما در حال مطالعه پاسخ به تصاویر هستید، ممکن است بخواهید یک بخش از 200 میلی‌ثانیه قبل از نمایش هر تصویر تا 1000 میلی‌ثانیه پس از آن ایجاد کنید. این مرحله داده‌های پیوسته شما را به آزمون‌های مرتبط با رویداد تبدیل می‌کند که می‌توانید برای تحلیل آماری آنها را به طور متوسط جمع کنید و استفاده کنید. این به شما امکان می‌دهد پاسخ‌های مغزی به رویدادهای خاص را به‌طور مستقیم بررسی کنید.

کدام ابزارهای آزموده شده برای پیش‌پردازش EEG وجود دارند؟

زمانی که مراحل را شناختید، سوال بعدی این است که از کدام ابزار استفاده کنید. شما چند گزینه عالی دارید، از کیت‌های ابزار منبع باز گرفته تا پلت‌فرم‌های نرم‌افزار یکپارچه که فرآیند تحقیق کامل را ساده می‌کنند. انتخاب درست به راحتی فنی، نیازهای تحقیق و تمایل شما برای یک محیط همه‌کاره یا یک خط پردازش سفارشی بستگی دارد. بیایید نگاهی به برخی از انتخاب های محبوب بکنیم.

کاوش در EEGLAB

EEGLAB در جامعه EEG یک نیروگاه است و به دلایل خوبی این‌گونه است. این یک کیت ابزار MATLAB گسترده‌ای است که برای پردازش داده‌های الکتروفیزیولوژی طراحی شده است و محیطی جامع برای تجسم، پیش‌پردازش و تحلیل ارائه می‌دهد. یکی از ویژگی‌های برجسته آن تحلیل مستقل اجزای قوی (ICA) آن است که ابزاری برای جداسازی و حذف آرتیفکت‌ها است. آنچه EEGLAB را بسیار متنوع می‌کند کتابخانه گسترده‌ای از پلاگین‌های آن است، که به شما اجازه می‌دهد قابلیت‌های جدیدی اضافه کنید و نرم‌افزار را دقیقاً به نیازهای تجربی خود تطبیق دهید. اگر با محیط MATLAB راحت هستید، این کیت ابزار مسیر اثبات شده و قدرتمندی برای تمیز کردن داده‌های EEG شما ارائه می‌دهد.

کار با MNE-Python

اگر Python زبان برنامه‌نویسی منبع مورد نظرتان است، با MNE-Python احساس راحتی خواهید کرد. این کتابخانه منبع باز برای پردازش داده‌های EEG و MEG طراحی شده است و عملکرد قدرتمند را با یک رابط کاربرپسند ترکیب می‌کند. MNE-Python مجموعه کاملی از ابزارها را برای هر مرحله از پیش‌پردازش، از فیلتر کردن تا بخش‌بندی و رد کردن آرتیفکت‌ها، ارائه می‌دهد. زیرا که بخشی از اکوسیستم بزرگ‌تر محاسبات علمی Python است، شما می‌توانید به راحتی آن را با دیگر کتابخانه‌های محبوب برای تحلیل‌های پیچیده‌تر یکپارچه کنید. این یک انتخاب عالی برای هرکسی است که می‌خواهد از انعطاف‌پذیری و طبیعت مشارکتی نرم‌افزار منبع باز بهره‌مند شود.

استفاده از FieldTrip

گزینه MATLAB دیگری که عالی است مانند FieldTrip وجود دارد، که یک جعبه ابزار برای تحلیل داده‌های MEG و EEG است. جایی که FieldTrip واقعاً می‌درخشد در انعطاف‌پذیری آن است. این کمتر ابزاری گرافیکی و بیشتر مجموعه‌ای از عملکردهای ساختارمند است که می‌توانید برای ایجاد یک خط پردازش تحلیل کاملاً سفارشی آنها را هماهنگ کنید. این رویکرد به شما کنترل جزئیاتی بر هر مرحله از جریان کاریتان می‌دهد و بویژه برای تحلیل آماری پیشرفته مناسب است. اگر تحقیق شما نیاز به رویکردی بسیار سفارشی دارد و از طراحی و اجرای تحلیل خود خوشتان می‌آید، FieldTrip چارچوبی برای ساختن جریان کاری که به‌طور کامل با طراحی شما تطبیق دارد ارائه می‌دهد.

ترفندهایی برای مسیر کاری خود با نرم‌افزار Emotiv

برای کسانی که تجربه‌ای یکپارچه می‌خواهند، نرم‌افزار EmotivPRO ما برای ساده کردن کل فرآیند تحقیق طراحی شده است. این یک پلتفرم چند منظوره است که به شما کمک می‌کند داده‌های EEG را همگی همزمان جمع‌آوری، مدیریت و تحلیل کنید. به جای تکه‌تکه کردن ابزارهای مختلف، EmotivPRO طراحی تجربه‌ها، بدست آوردن داده‌ها و تجزیه و تحلیل داده‌ها را تحت یک سقف می‌آورد. این به گونه‌ای طراحی شده است که با کل مجموعه هدفون‌های ما، از دستگاه‌های دستی قابل حمل 2 کاناله تا سیستم‌های با چگالی بالا مانند Flex، به طور یکپارچه کار کند. این کار آزمایش‌های پیچیده را آسان‌تر می‌کند و تحلیل را سریع‌تر انجام می‌دهد و به شما اجازه می‌دهد بیشتر به سوالات تحقیقاتی‌تان متمرکز شوید.

چگونه فیلترینگ داده‌های EEG شما را پاک می‌کند

فکر کنید داده‌های EEG اولیه مانند ضبط صوتی زنده از یک خیابان شلوغ باشد. می‌توانید مکالمه‌ای که می‌خواهید ضبط کنید را بشنوید، اما با صدای ترافیک، باد و آژیرهای دور مخلوط شده است. فیلترینگ فرآیند حذف همه نویزهای پس‌زمینه ناخواسته و جداسازی آن مکالمه است. در EEG، این "نویز" می‌تواند از منابع مختلفی مانند حرکات عضلانی، پلک زدن، تداخل برق از پریزهای برق، و حتی انحرافات آهسته در سیگنال ناشی از عرق روی پوست ناشی شود.

تطبيق فیلترها یک گام اساسی در هر خط پردازش پیش‌پردازش EEG است. داده‌ها را پاک می‌کند به طوری که بتوانید به وضوع بیشتری مشاهده کنید که فعالیت عصبی که به آن علاقه دارید چیست. بدون آن، این آرتیفکت‌ها به راحتی می‌تواند نتایج شما را آلوده کند و منجر به تفسیرهای نادرست شود. هدف این است که فرکانس‌هایی که خارج از محدوده علاقه شما هستند حذف شوند در حالی که سیگنال‌های عصبی مهم درون آن باقی بمانند. انواع مختلفی از فیلترها نویزهای مختلفی را هدف قرار می‌دهند. به عنوان مثال، برخی برای حذف انحرافات فرکانس پایین طراحی شده‌اند، در حالی که دیگران نویز با فرکانس بالا از تجهیزات الکتریکی را حذف می‌کنند. استفاده از ترکیب صحیح فیلترها این تضمین را می‌کند که دیتاست نهایی شما تمیز، قابل اعتماد و آماده برای تحلیل است.

اجرا کردن فیلتر گذر بالا

یک فیلتر گذر بالا خط دفاعی اول شما در برابر آرتیفکت‌های کند و ممتد در داده‌های شما است. همانطور که نام آن نشان می‌دهد، به فرکانس‌های بالاتر اجازه می‌دهد "عبور" کنند در حالی که فرکانس‌های بسیار پایین را مسدود می‌کند. این به ویژه برای حذف انحرافات سیگنالی کند که به فعالیت مغزی مرتبط نیستند مفید است. یکی از مقصران متداول عرق است که می‌تواند الگوهای موجی مانند کندی را در سیگنال EEG ایجاد کند که داده‌هایی که واقعاً می‌خواهید مشاهده کنید را پنهان کند.

با به کاربردن یک فیلتر گذر بالا، می‌توانید این نویز را به طور موثری تمیز کنید. یک خط پردازش پیش‌پردازش استاندارد معمولاً پیشنهاد می‌کند تنظیم یک فرکانس قطع در حدود ۰.۵ هرتز یا ۱ هرتز. این به فیلتر می‌گوید که هر جزء سیگنالی را که از آستانه کندتر است حذف کند، وضعیت پایه شما را تثبیت کند بدون آنکه بر فرکانس‌های موج مغزی سریع‌تر که نیاز دارید تأثیر بگذارد.

کاربرد فیلتر پایین گذر

در حالی که یک فیلتر بالا گذر نویز کند را حذف می‌کند، یک فیلتر پایین گذر برعکس عمل می‌کند: نویز با فرکانس بالا و پیشرفت‌گرایانه را حذف می‌کند. این نوع نویز اغلب از فعالیت عضلانی (EMG) می‌آید، به ویژه از فشردگی فک یا تنش عضلات گردن، و همچنین تداخل الکتریکی از دستگاه‌های نزدیک. این آرتیفکت‌های با فرکانس بالا می‌توانند باعث ایجاد کیفیت مبهم و دندانه‌دار به سیگنال EEG شما شوند، که تفسیر فعالیت عصبی زیرین را دشوار می‌کند.

استفاده از یک فیلتر پایین گذر داده‌ها را با اجازه دادن به فرکانس‌های پایین‌تر برای عبور و قطع کردن نویز با فرکانس بالا صیقل می‌دهد. این یکی از مهم‌ترین روش‌های پردازش پیش‌پردازش EEG برای جداسازی باندهای موج مغزی است که می‌خواهید مطالعه کنید، مانند موج‌های آلفا، بتا یا تتا. یکی از روش‌های شایع این است که فرکانس قطع را تنها بالای باند بالاترین علاقه خود تنظیم کنید، به عنوان مثال در ۴۰ هرتز یا ۵۰ هرتز.

استفاده از فیلتر فرکه‌ای برای حذف نویز خط

یک فیلتر فرکه‌ای یک ابزار بسیار تخصصی است که برای از بین بردن یک مشکل بسیار خاص و شایع طراحی شده است: تداخل الکتریکی از خطوط برق. این تداخل، که به عنوان نویز خط شناخته می‌شود، به صورت یک صدای ممتد در یک فرکانس مشخص ظاهر می‌شود. بر حسب مکان شما در جهان، این صدای ۶۰ هرتز (در آمریکای شمالی) یا ۵۰ هرتز خواهد بود (در اروپا و بسیاری از مناطق دیگر). این آرتیفکت مستمر می‌تواند به اندازه‌ای قوی باشد که بر روی سیگنال‌های عصبی ظریفی که می‌خواهید اندازه‌گیری کنید چیره شود.

فیلتر فرکه‌ای با هدف‌گیری و حذف دقیق آن فرکانس (و گاهی اوقات هارمونیک‌هایش) بدون تأثیر بر بقیه داده‌ی شما کار می‌کند. این مانند استفاده از قیچی‌های جراحی برای قطع یک نخ خاص است. اعمال یک فیلتر فرکه‌ای ۵۰ هرتز یا ۶۰ هرتز یک گام استاندارد و حیاتی است برای اطمینان از پاک بودن داده‌های EEG شما و آزادی از نویز الکتریکی محیطی.

زمان استفاده از فیلتر باند گذر

یک فیلتر باند گذر اساساً یک ابزار دو در یکی است که توابع فیلتر بالا گذر و پایین گذر را ترکیب می‌کند. به جای فقط قطع کردن فرکانس‌های بالاتر یا پایین‌تر از یک نقطه خاص، به شما اجازه می‌دهد یک محدوده خاص از فرکانس‌ها را جدا کنید. این به طرز فوق العاده‌ای مفید است زمانی که پرسش تحقیقاتی شما بر روی یک موج مغزی خاص متمرکز است، مانند موج‌های آلفا (معمولاً ۸-۱۲ هرتز) که با حالت‌های آرامش مرتبط است یا موج‌های بتا (۱۳-۳۰ هرتز) که با تمرکز فعال پیوند دارند.

شما می‌توانید از یک فیلتر باند گذر برای دوری از همه چیز خارج از آن محدوده خاص استفاده کنید. به عنوان مثال، در بسیاری از مطالعات تشخیص هیجان، محققان ممکن است یک فیلتر باند گذر از ۴ هرتز تا ۴۵ هرتز اعمال کنند تا بر باندهای تتا، آلفا و بتا تمرکز کنند. این تکنیک به تحلیل بسیار متمرکزتری اجازه می‌دهد، به شما کمک می‌کند فقط بر روی فعالیت مغزی که بیشترین ارتباط را با کار شما دارد تمرکز کنید.

کدام تکنیک‌های حذف آرتیفکت موثرتر هستند؟

پس از این که داده‌های شما پالایش شد، گام بزرگ بعدی مقابله با آرتیفکت‌ها است. اینها سیگنال‌های ناخواسته‌ای هستند که ضبط‌های EEG شما را آلوده می‌کنند و از منابعی مانند پلک زدن، تنش عضلانی و حتی تداخل الکتریکی می‌آیند. حذف آنها برای دست‌یابی به تصویر واضح‌تری از فعالیت مغزی که واقعاً می‌خواهید مطالعه کنید مهم است. هیچ «بهترین» روشی برای هر موقعیتی وجود ندارد؛ رویکرد درست اغلب به داده خاص و اهداف تحقیقاتی شما بستگی دارد. برخی تکنیک‌ها عالی برای گرفتن نویز قابل پیش‌بینی مانند پلک‌ها هستند، در حالی که دیگران برای شناسایی خودکار و حذف بخش‌های داده‌ای که خیلی درهم هستند طراحی شده‌اند.

استراتژی‌های مؤثر اغلب شامل ترکیبی از روش‌ها هستند. به عنوان مثال، شما ممکن است یک تکنیک را برای جداسازی و حذف حرکات چشمی و دیگری برای پاکسازی باقیمانده نویز عضلانی استفاده کنید. درک نقاط قوت ابزارهای مختلف حذف آرتیفکت به شما کمک می‌کند تا یک خط پردازش قوی بسازید که شما را با داده‌هایی بهتر و قابل اعتمادتر ترک می‌کند. بیایید به برخی از تکنیک‌های رایج و مؤثر که می‌توانید برای پاکسازی ضبط‌ها خود استفاده کنید، از جمله تحلیل مستقل اجزای (ICA) و رد خودکار آرتیفکت (ASR)، بپردازیم.

استفاده از تحلیل مستقل اجزای (ICA)

تحلیل مستقل اجزای (ICA) یک روش آماری قدرتمند است که با جدا کردن سیگنال‌های EEG ترکیبی شما به مجموعه‌ای از منابع مستقل کار می‌کند. این مانند این است که در یک اتاق با چند نفر که همزمان صحبت می‌کنند؛ ICA به شما کمک می‌کند که هر صدای خاصی را از نویز ترکیبی جدا کنید. این برای شناسایی و حذف آرتیفکت‌های قالب خاص که الگوی یکسانی دارند، مانند پلک زدن، حرکات افقی چشم و حتی برخی سیگنال‌های تپش قلب فوق‌العاده مؤثر است. بسیاری از محققان آن را به عنوان ابزاری اصلی می‌دانند و این یک مؤلفه اصلی در جریان‌های کاری معتبری مانند خط پردازش پیش‌پردازش Makoto است. با اجرای ICA، شما می‌توانید مؤلفه‌هایی که نماینده نویز هستند را شناسایی کرده و به سادگی آنها را حذف کنید، که به داده‌های سالم‌تری می‌رسد.

استفاده از رد خودکار آرتیفکت (ASR)

اگر با مجموعه‌های داده بزرگی کار می‌کنید، بازرسی تمام داده‌ها برای یافتن آرتیفکت‌ها به صورت دستی به‌طور عملی نیست. اینجاست که رد خودکار آرتیفکت (ASR) در می‌آید. ASR یک الگوریتم است که به‌طور خودکار بخش‌های داده‌ای که بیش از حد پرنویز هستند را شناسایی و حذف می‌کند. این کار با یافتن بخش‌های تمیز از داده‌های شما برای استفاده به عنوان یک مرجع انجام می‌شود و سپس هر بخش دیگری را که بیش از حد از آن پایه منحرف می‌شود حذف می‌کند. این تکنیک یک اصل کلیدی در جریان‌های کاری استانداردی مانند خط پردازش PREP است زیرا راهی معقول و قابل تکرار برای پاکسازی داده‌ها ارائه می‌دهد. ASR می‌تواند صرفه‌جویی بسیار زیادی در زمان فراهم کند و به اطمینان بیشتری از پیش‌پردازش ثابت داده‌ها در بسیاری از ضبط‌ها منجر شود.

مدیریت آرتیفکت‌های چشمی و عضلانی

حرکات چشمی و عضلانی دو تن از بزرگترین مقصران زمانی که به آلودگی EEG می‌رسد هستند. یک چشمک زدن ساده یا فشردن فک می‌تواند سیگنال‌های الکتریکی بزرگی را ایجاد کند که به‌کلی فعالیت مغزی زیرین را از دید می‌پوشانند. همانطور که بررسی کرده‌ایم، ICA برای جداسازی این نوع از آرتیفکت‌ها عالی است. برای نتایج حتی بهتر، بسیاری از محققان توصیه می‌کنند از کانال‌های EOG (الکتروکولوگرام) اختصاصی برای ثبت مستقیم حرکات چشمی استفاده کنند. این به الگوریتم ICA شما یک سیگنال روشن‌تر برای تمرکز می‌دهد، و شناسایی و کم کردن نویز مرتبط با چشم‌ها از کانال‌های EEG شما را آسان‌تر می‌کند. به همین ترتیب، سیگنال‌های EMG (الکترومایوگرام) از تنش عضلانی، به ویژه در فک و گردن، می‌توانند با این تکنیک‌ها شناسایی و حذف شوند.

توجه به پردازش‌های آنی

زمانی که با برنامه‌هایی که نیاز به پاسخ فوری دارند، مانند یک واسط مغز-کامپیوتر، کار می‌کنید، پیش‌پردازش شما باید سریع باشد. شما نمی‌توانید تأخیر طولانی‌مدتی را که سیستم شما در حال پاکسازی داده‌ها است تحمل کنید. برخی روش‌های شدید، مانند اجرای تجزیه کامل ICA، می‌تواند برای استفاده آنی بسیار کند باشد. اینجاست که تکنیک‌های بیشتر کارآمد محاسباتی می‌درخشند. روش‌هایی مانند ASR به‌ویژه در اینجا مفید هستند زیرا می‌توانند بر روی قسمت‌های داده‌ای ناخواسته شناسایی شده و در پرواز بدون معرفی تأخیر قابل توجه، رد شوند. کلید این است که تعادلی پیدا کنید بین پاکسازی کاملاً داده‌ها و سرعت مورد نیاز برای دریافت نتایج.

در هنگام پیش‌پردازش چه چالش‌هایی می‌توانید انتظار داشته باشید؟

پیش‌پردازش داده‌های EEG می‌تواند هم هنر و هم علم باشد. در حالی که هدف همیشه گرفتن داده‌هایی تا حد ممکن پاک است، مسیر برای رسیدن به آن همیشه واضح نیست. شما احتمالاً با چند چالش رایج برخورد خواهید کرد، از کار با روش‌های ناهماهنگ گرفته تا اطمینان از این که مراحل پاکسازی شما به‌طور ناخواسته مشکلات جدیدی ایجاد نمی‌کنند. بیایید به برخی از چالش‌های اصلی و اینکه چگونه می‌توانید آنها را مدیریت کنید بپردازیم.

پرهیز از مشکلات رایج پیش‌پردازش

یکی از بزرگترین چالش‌ها در دنیای EEG نبود استانداردسازی در پیش‌پردازش است. آزمایشگاه‌ها و محققان مختلف اغلب روش‌های کمی متفاوتی برای پاکسازی داده‌های خود استفاده می‌کنند که می‌تواند مقایسه نتایج یا ترکیب مجموعه داده‌ها از منابع مختلف را دشوار کند. این مسئله درباره یک راه