آرتیفکت‌ها

هنگام استفاده از هدست‌های EEG، برخی از سیگنال‌ها می‌توانند با اندازه‌گیری‌های موج مغزی تداخل داشته باشند. این سیگنال‌های نامطلوب که “آرتیفکت” نامیده می‌شوند، به دو نوع اصلی تقسیم می‌شوند:

آرتیفکت‌های درونی: این‌ها به علت سیگنال‌های زیستی طبیعی ناشی از بدن شما ایجاد می‌شوند، مانند:

• فعالیت عضلات صورت، گردن و فک: لبخند زدن، فشار دادن دندان‌ها، یا اخم کردن، پلک زدن، چشمک زدن، جویدن، صحبت کردن، چرخاندن سر (عضلات گردن). هر گروه عضلات به برخی از حسگرهای EEG نزدیکتر و از دیگران دورتر قرار گرفته‌اند، بنابراین سیگنالی که در هر مکان تشخیص داده می‌شود متفاوت است و این آرتیفکت‌ها را دشوارتر برای حذف می‌کند. در واقع Emotiv از روش‌های پردازش سیگنال و یادگیری ماشین برای حل پیچیدگی سیگنال‌های عضلات استفاده می‌کند تا بتواند تعیین کند که کدام گروه‌ها فعال هستند، و بنابراین می‌تواند وضعیت‌های چهره شما را شناسایی کند!

• فعالیت چشمی: هر چشم شما دارای تمرکز بالایی از اعصاب در سطح عقب (شبکیه، اعصاب بینایی) و تقریباً هیچ اعصاب در سطح جلو دارد. به‌طور مؤثر، چشم شما به عنوان یک دیپول بزرگی عمل می‌کند که با عدم تعادل بارهای الکتریکی از جلو به عقب. وقتی چشمانتان در حدقه‌هایشان می‌چرخند، میدان دیپول جهت می‌گیرد به سوی جایی که نگاه می‌کنید، و این به عنوان تغییر در بیوپتانسیل زمینه که به‌طور متفاوتی نسبت به هر حسگر EEG زاویه دارد، تشخیص داده می‌شود - که به معنای آن است که سیگنال مشترکی بین حسگرها نیست. سیگنل‌های آرتیفکت اضافی توسط عضلات کنترل کننده گردش چشم شما ایجاد می‌شوند.

• سیگنال‌های قلبی: قلب شما منبع قابل توجهی از سیگنال‌های عضلانی خام است که گاهی اوقات می‌تواند مستقیماً توسط برخی یا همه کانال‌های EEG تشخیص داده شود، مشابه ضبط الکتروکاردیوگرام. کمپلکس‌های شاخص P-Q-R-S-T ممکن است گاهی در برخی کانال‌های EEG مستقیماً مشاهده شوند. نوع دوم آرتیفکت قلبی از رگ‌های خونی بزرگ ناشی می‌شود که با پمپ کردن قلب خون را از طریق شریان‌های شما پهن و جمع می‌کند. دیوارهای شریانی عضلانی هستند و با گسترش و جمع شدن در هماهنگی با ضربان قلب ما، سیگنل‌های ثانویه تولید می‌کنند. در نهایت، اگر به‌طور تصادفی یک حسگر در نزدیکی شریانی بزرگ قرار دهید، حسگر ممکن است به‌طور مکانیکی توسط تغییر شکل و اندازه رگ هواپیما حرکت کند و موجب حرکات ریتمیک حسگر در سطح پوست شود که می‌تواند مقاومت تماس را تغییر داده و ولتاژ‌های کاذب را بر روی الگوی چرخشی القا کند.

این اقدامات سیگنال‌های عضلانی، چشمی و سایر سیگنال‌های زیست‌شناختی ایجاد می‌کند که می‌توانند با داده‌های موج مغزی مخلوط شوند. معمولاً این سیگنال‌های زیستی به‌طور قابل توجهی بزرگتر از سیگنال‌های مغزی هستند، که تشخیص فعالیت مغزی را دشوار می‌کند مگر اینکه برخی از فرم‌های فیلتر کردن و تفکیک منبع انجام شود.

آرتیفکت‌های درونی به دسته‌های خاص و قابل پیش‌بینی می‌افتند و ابزارهای پیش‌پردازشی بسیاری وجود دارد که می‌توان برای حذف انتخابی آنها اعمال کرد. رایج‌ترین روش تجزیه و تحلیل اجزاء مستقل است (ICA، موجود در بسیاری از کتابخانه‌ها مانند EEGLab، NME و دیگران)، و روش‌های بازسازی فضای آرتیفکت (ASR، rASR، به‌طور محاسباتی کارآمدتر از ICA). این مدل‌ها بر اساس شکستن یک سیگنال زمان‌سری به اجزای مختلف، سپس بازسازی سیگنال از زیرمجموعه‌ای از این اجزاء که با انواع مختلفی از آرتیفکت‌های مرتبط نیستند، می‌پردازند.

داده‌های EEG Emotiv به‌طور تمیزترین شکل ممکن به رایانه میزبان ارسال می‌شود، اما بدون حذف آرتیفکت‌های زیست‌شناختی درونی که ممکن است برای کاربران مختلف جذاب باشد، و همچنین توانایی روش‌های ICA و rASR را افزایش می‌دهد تا کلاس‌های شناخته شده آرتیفکت درونی را حذف کند، زیرا سیگنال‌های آنها توسط فیلتر‌های داخلی دستگاه مخدوش نمی‌شوند.

آرتیفکت‌های بیرونی: این‌ها از منابع خارجی ناشی می‌شوند، مانند:

• لغزش حسگرها، حرکت هدست بر روی سر یا ضربه خوردن

• میدان‌های الکتریکی منتشر شده از لوازم، رایانه‌ها و سایر تجهیزات، ترانسفورماتورها و سیم‌کشی الکتریکی، به‌ویژه در فرکانس خطوط برق الکتریکی (50/60 Hz) و چند برابرهای هارمونیک این فرکانس‌ها. نویز خطوط برق معمولاً قوی‌ترین منبع آرتیفکت‌ها در سیگنال‌های EEG است. 

• تمامی سیستم‌های EEG مدرن از مبدل‌های آنالوگ به دیجیتال استفاده می‌کنند که در یک فرکانس نمونه‌برداری ثابت کار می‌کنند. پدیدۀ معروفی با نمونه‌برداری دیجیتال وجود دارد که به نام انسداد، که هنگامی رخ می‌دهد که سیستم نمونه‌برداری با یک سیگنال مواجه می‌شود که دارای اجزای فرکانسی بالاتر از 50٪ فرکانس نمونه‌برداری است (فرکانس نیکویست). برای مثال، هنگام نمونه‌برداری با 128Hz، فرکانس نیکویست 64Hz است، فقط کمی بالاتر از فرکانس خطوط برق 60Hz. با این حال، هارمونیک‌های 60Hz: [120Hz,  180Hz، 240Hz، ...] "به دور فرکانس نیکویست می‌پیچند" و به عنوان سیگنال‌های جعلی یا "انسداد" در 8Hz، 24Hz، 16Hz و غیره ظاهر می‌شوند، زیرا سیستم دیجیتال بخشی از هر چرخه دوم، سوم، چهارم ... این سیگنال‌های با فرکانس بالا را نمونه‌برداری می‌کند. هارمونیک‌های بالا از انتشار خطوط برق وجود دارند زیرا جریان‌ها و میدان‌های منتشر شده در سیستم‌های برق به ندرت امواج سینوسی کامل هستند. معمولاً انتشار قدرت قابل توجهی تا حدودی تا هارمونیک دهم قابل تشخیص است. این سیگنال‌های با فرکانس بالا با انسداد از نوسانات واقعی در فرکانس‌های پایین‌تر در محدوده معمول سیگنال‌های مغزی قابل تشخیص نیستند، بنابراین باید قبل از اینکه به سیستم نمونه‌برداری عرضه شود، از سیگنال ورودی حذف شوند.

• میدان‌های الکتریکی ثابت از اشیاء و افراد شارژ شده در نزدیکی: انباشت بار الکترواستاتیک می‌تواند تفاوت‌های بالقوه بسیاری از هزاران ولت بین شما و افراد دیگر و اشیاء اطراف ایجاد کند. به‌عنوان مثال، یک شیء مثبت شارژ شده بارهای منفی در بدن و سر شما را به سوی آن شیء جذب خواهد کرد و بارهای منفی به دور کشیده می‌شوند، که باعث توزیع نابرابر بدن زیر حسگرهای EEG مختلف می‌شود. دستگاه‌های Emotiv از حس‌گرهای AC متصل (فیلترینگ بالا-گذر آنالوگ)، با یک نقطه مرجع واحد، برای جدا کردن توزیع بار الکتریکی ثابت نابرابر تا اندازه قابل توجهی استفاده می‌کنند. با این حال، اگر شما یا هر یک از این منابع شارژ شده حرکت کنید، بار بر بدن شما تغییر می‌کند که می‌تواند پتانسیل متغیری ایجاد کند که ممکن است به‌سرعت از طریق فیلترها منتقل شود.

• پتانسیل الکتروستاتیک شما می‌تواند به‌طور آرام یا ناگهانی تغییر کند اگر بار بگیرید یا خود را به سرعت شارژ کنید، مانند راه رفتن بر روی فرش یا لمس اشیاء فلزی، احتمالاً ایجاد یک جرقه. پتانسیل بدن شما می‌تواند در یک لحظه، چند ثانیه یا دوره‌های طولانی‌تر، به‌طور ده‌ها هزار ولت تغییر کند. این تغییرات می‌توانند به صورت زمان کوتاه مدارهای حذف پتانسیل بدن در سیستم‌های EEG پوشیدنی از کار بیافتند، که باعث ایجاد پیک‌های عظیم و ریکاوری کندتر در سیگنال‌های EEG می‌شود.
  سیستم‌های EEG مبتنی بر آزمایشگاه می‌توانند در برابر بسیاری از این آرتیفکت‌ها محافظت شوند، به عنوان مثال با محدود کردن حرکت موضوع، استفاده از غربال الکتریکی آزمایشگاه، اتصال یک سیم به زمین برای جلوگیری از انباشت بار الکترواستاتیک، فرکانس نمونه‌برداری بسیار بالا و غیره.
  
  سیستم‌های EEG بی‌سیم قابل حمل که با باتری کار می‌کنند نمی‌توانند بر این اقدامات تکیه کنند و بنابراین باید از مجموعه‌ای از استراتژی‌های کاهش استفاده کنند. نرخ انتقال داده باید با عمر باتری متعادل شود، زیرا فرستنده‌های بی‌سیم به‌طور قابل‌توجهی انرژی‌خورنده هستند.

کاهش تداخل

هدست‌های EEG برای به حداقل رساندن نویز ناخواسته طراحی شده‌اند. بسیاری از منابع نویز خارجی مانند الکتریسیته ساکن و تداخل الکترومغناطیسی (مانند نویز 50/60 Hz و هارمونیک‌های خطوط برق) به‌عنوان نویز مود مشترک ظاهر می‌شوند، که پتانسیل بدن زیرین به تقریباً به همان شیوه‌ای در سراسر همه حسگرها نوسان می‌کند. 

دستگاه‌های Emotiv از یک حسگر مرجع یک‌نقطه‌ای (CMS) برای اندازه‌گیری پتانسیل بدن استفاده می‌کنند، که با یک سیستم حذف فعال در دامنه آنالوگ ترکیب شده است (سیگنال CMS برداشته می‌شود و به حسگر DRL بازگردانده می‌شود تا نوسانات مود مشترک را حذف کند و سطح مرجع EEG کم‌نویز برای تقویت‌های ورودی تفاضلی بدست دهد. فیلترهای بالا-گذر (کوپلینگ AC) و پایین-گذر آنالوگ (فیلتر ضد انسداد آنالوگ)، نمونه‌برداری بسیار بیش از حد در 2048Hz، به دنبال آن فیلتر دیجیتال زیر نیکویست متوالی، فیلترینگ دو جرنیز 50/60Hz و پایین-نمونه‌برداری به فرکانس انتقال داده (128 یا 256Hz) در دامنه دیجیتال در پردازشگر DSP در هدست قبل از انتقال. این اقدامات اکثر منابع نویز خارجی را به سطح‌های غیرقابل تشخیص کاهش می‌دهند وقتی هدست به‌طور صحیح فیلتر شده و مقاومت‌های تماس کم هستند.

آرتیفکت‌های حرکت با طراحی مکانیکی ما که به‌طور مستقل هر حسگر را پشتیبانی می‌کند و به اندازه و شکل هر کاربر تنظیم می‌شوند، به حداقل می‌رسند.

چگونه EmotivPRO داده‌ها را پردازش می‌کند

داده‌های EEG در EmotivPRO دقیقاً همانطور که از هدست دریافت شده ضبط می‌شود. نرم‌افزار به‌طور خودکار آرتیفکت‌ها از حرکات عضلات یا چشم‌ها را حذف نمی‌کند زیرا تکنیک‌های پاک‌سازی داده (مانند ICA) بر روی داده‌های خام و فیلتر نشده بهتر کار می‌کنند. با این حال، همانطور که در بالا ذکر شد، هدست‌های Emotiv از پردازش سیگنال‌های دقیق ساختاری استفاده می‌کنند که به تولید سیگنال‌های تمیز کمک می‌کند وقتی هدست تماس خوبی دارد، که تجزیه و تحلیل داده‌های موج مغزی را آسان‌تر می‌کند.