آرتیفکت‌های EEG

دو دسته اساسی آرتیفکت‌های EEG

هر نوسان ناخواسته‌ای در یک ثبت EEG از یکی از دو منشاء ناشی می‌شود. آرتیفکت‌های مرتبط با سوژه، یا فیزیولوژیکی، توسط بدن خود شرکت‌کننده تولید می‌شوند. این‌ها شامل پلک زدن، تنش عضلانی، ضربان قلب و فعالیت غدد عرق هستند که همگی میدان‌های الکتریکی تولید می‌کنند که الکترودهای پوست سر آن‌ها را در کنار فعالیت واقعی مغز دریافت می‌کنند.

آرتیفکت‌های فنی، یا غیر فیزیولوژیکی، از تجهیزات و محیط ثبت ناشی می‌شوند. الکترودهای شل، نوسان کابل، اشباع تقویت‌کننده و تداخل الکتریکی برق شهر در این گروه دوم قرار می‌گیرند.

تمایز بین این دو دسته اولین مهارت برای تسلط است زیرا استراتژی‌های پیشگیری و حذف اساساً متفاوت هستند. یک انفجار عضلانی ناشی از فک منقبض‌شده نسبت به یک نویز متناوب ۶۰ هرتز که از طریق یک کابل با شیلد ضعیف وارد می‌شود، به مداخله متفاوتی نیاز دارد.

نحوه تشخیص آرتیفکت‌های مرتبط با سوژه

پلک زدن

چشم مانند یک باتری الکتریکی کوچک عمل می‌کند. قرنیه بار مثبت نسبت به شبکیه دارد و یک دوقطبی قرنیه‌ای-شبکیه‌ای را تشکیل می‌دهد. هنگامی که یک شرکت‌کننده پلک می‌زند، پلک از روی این دوقطبی عبور کرده و میدان مثبت را به سمت بالا می‌کشد و یک انحراف ولتاژ مثبت و بزرگ را در الکترودهای پیشانی نزدیک به چشم‌ها ایجاد می‌کند.

در سیگنال حوزه زمان، پلک زدن به صورت یک موج کند با دامنه بالا ظاهر می‌شود که در کانال‌های جلوی پیشانی مانند Fp1 و Fp2 به حداکثر خود می‌رسد و سپس با نگاه کردن به سمت مشتقات مرکزی یا خلفی به شدت تضعیف می‌شود. از آنجا که این شکل موج بسیار کلیشه‌ای است، یک چشم آموزش‌دیده می‌تواند آن را تقریباً فوراً تشخیص دهد.

حرکات چشم و اسپایک‌های ساکادیک

هنگامی که چشم‌ها بدون پلک زدن به طرفین حرکت می‌کنند، دوقطبی قرنیه‌ای-شبکیه‌ای به جای پوشانده شدن، می‌چرخد. این امر باعث ایجاد یک تغییر پله‌مانند در سیگنال الکترواوکولوگرام می‌شود که ممکن است به کانال‌های EEG مجاور نفوذ کند.

علاوه بر این، انقباض سریع عضلات خارج چشمی در طول یک حرکت ساکادیک، یک پتانسیل گذار الکتریکی کوتاه و تیز ایجاد می‌کند که به عنوان پتانسیل اسپایک ساکادیک شناخته می‌شود. در یک سیگنال خام، این اسپایک‌ها می‌توانند به طور فریبنده‌ای شبیه به فعالیت‌های شبه‌صرعی به نظر برسند. آن‌ها معمولاً به الکترودهای پیشانی و گیجگاهی محدود می‌شوند و با تغییر جهت نگاه همزمان هستند.

تشخیص آن‌ها از ایجاد یک تصور بالینی نادرست جلوگیری می‌کند و از رد بی‌مورد داده‌های عصبی سالم جلوگیری می‌نماید. کوتاهی اسپایک، همبستگی آن با حرکت افقی یا عمودی چشم و عدم وجود موج کند پس از آن، به تمایز آن از یک تخلیه قشری واقعی کمک می‌کند.

فعالیت عضلانی

عضلات پوست سر، صورت و گردن از تولیدکنندگان پرکار نویز الکتریکی با فرکانس بالا هستند. هنگامی که یک شرکت‌کننده فک خود را منقبض می‌کند، ابروهای خود را در هم می‌کشد یا حتی تنش را در گردن نگه می‌دارد، پتانسیل‌های عمل واحدهای حرکتی به طور ناهمزمان شلیک می‌شوند و به صورت یک الگوی تداخل نامنظم و نوک‌تیز با هم جمع می‌شوند.

در حوزه زمان، آرتیفکت عضلانی شبیه به یک انفجار سریع از انحرافات تیز و با دامنه کم به نظر می‌رسد که روی سیگنال EEG سوار شده است و اغلب روی الکترودهای گیجگاهی یا پیشانی برجسته‌تر است. محتوای فرکانسی آن عمدتاً بالای ۲۰ هرتز قرار دارد، یعنی دقیقاً در باندهای بتا و گاما که بسیاری از معیارهای شناختی در آنجا قرار دارند، که این امر آن را به ویژه برای نظارت بر وضعیت ذهنی و کاربردهای واسط مغز و رایانه دردسرساز می‌کند.

آرایش‌های EEG با تراکم بالا با الکترودهای با فاصله نزدیک می‌توانند به محلی‌سازی منبع عضلانی کمک کنند، اما اولین خط دفاعی، راهنمایی شرکت‌کننده برای آرامش و ارائه پشتیبانی فیزیکی برای سر است.

عرق و تغییرات الکترودرمال

تغییرات در هدایت پوست به دلیل فعالیت غدد عرق، رابط الکترود-پوست را تغییر می‌دهد. این امر باعث ایجاد یک رانش بسیار کند و نرم در ولتاژ خط پایه، اغلب زیر ۱ هرتز می‌شود که می‌تواند در طول چندین ثانیه سرگردان باشد.

این آرتیفکت به صورت یک اسپایک یا وزوز ریتمیک ظاهر نمی‌شود، بلکه به صورت یک چرخش ملایم و موج‌مانند در کل سیگنال خود را نشان می‌دهد. این امر بیشتر در طول ثبت‌های طولانی، در محیط‌های گرم یا با شرکت‌کنندگان مضطرب رایج است. این تداخل فرکانس پایین را می‌توان با حفظ دمای پایدار اتاق و اطمینان از تماس خوب الکترود مدیریت کرد.

سیگنال‌های قلبی

میدان الکتریکی قلب به اندازه‌ای قوی است که به پوست سر برسد، به ویژه هنگامی که امپدانس الکترودها بالا باشد یا زمانی که یک الکترود مرجع در نزدیکی یک رگ خونی روی ماستوئید یا لاله گوش قرار داشته باشد.

آرتیفکت الکتروکاردیوگرام حاصل به صورت یک کمپلکس QRS منظم و تیز ظاهر می‌شود که با ضربان قلب تکرار می‌شود - تقریباً یک بار در ثانیه. این آرتیفکت اغلب به طور همزمان با یک تاخیر زمانی ثابت به بسیاری از کانال‌ها نفوذ می‌کند و طبقه‌بندی‌کننده‌هایی که روی ویژگی‌های آرتیفکت با طیف وسیع آموزش دیده‌اند، می‌توانند آن را در کنار سایر آلاینده‌ها شناسایی کنند.

اگر شکل موج قلبی قابل مشاهده اما نه چندان شدید باشد، اغلب می‌توان آن را با ثبت یک کانال اختصاصی ECG تفریق کرد؛ در غیر این صورت، بخش‌های آسیب‌دیده ممکن است نیاز به حذف دستی داشته باشند.

تشخیص آرتیفکت‌های فنی در سیگنال

پاپ‌های الکترود و اسپایک‌های مرتبط با حرکت

تغییر ناگهانی در امپدانس ناشی از خشک شدن ژل، کشیده شدن کابل یا جابجایی الکترود، یک پدیده‌ گذار ناگهانی و تند ایجاد می‌کند که اغلب پاپ (pop) نامیده می‌شود. این در دسته «ناپیوستگی‌های عمومی» قرار می‌گیرد که الگوریتم‌های خودکار مانند ADJUST برای شناسایی آن‌ها طراحی شده‌اند.

در حوزه زمان، یک پاپ الکترود معمولاً شبیه به یک اسپایک ایزوله با دامنه بسیار زیاد به نظر می‌رسد که ممکن است تقویت‌کننده را اشباع کند و سیگنال را برای لحظه‌ای قبل از یک بهبود کند، صاف (خط مستقیم) کند. برخلاف اسپایک بیولوژیکی، این اسپایک با فعالیت فیزیولوژیکی مداوم احاطه نشده است و معمولاً در یک کانال واحد ظاهر می‌شود که شناسایی آن را در طول بازرسی چشمی آسان می‌کند.

یک مطالعه EEG نوزادان توسط Hagmann et al. به طور مشابه تداخل حرکتی مکرری را ثبت کرد که سیگنال یکپارچه با دامنه را تغییر داد، و تاکید کرد که حتی اختلالات فیزیکی کوتاه نیز آلودگی قابل اندازه‌گیری ایجاد می‌کنند.

تداخل برق شهر

کوپلاژ خازنی منبع تغذیه الکتریکی به سیستم ثبت، یک «وزوز» مداوم و ریتمیک در فرکانس برق شهر ایجاد می‌کند - ۵۰ هرتز در اروپا و بیشتر نقاط جهان، ۶۰ هرتز در آمریکای شمالی.

روی یک سیگنال خام EEG، این تداخل به صورت یک موج سینوسی ضخیم ظاهر می‌شود که روی هر کانال سوار شده است، اغلب با یک دامنه ثابت. حتی مقدار کمی از نویز خط می‌تواند ریتم‌های مغزی با ولتاژ پایین را بپوشاند و وجود آن نشان‌دهنده مشکلی در امپدانس الکترود، شیلدینگ یا اتصال زمین است.

این پدیده همواره یک آرتیفکت فنی است، نه یک نوسان عصبی، و فرکانس ثابت آن باعث می‌شود که شناسایی آن با چشم یا با یک نمودار طیفی ساده آسان باشد.

الکترودهای شل و حرکت کابل

هنگامی که یک الکترود به طور ایمن به پوست سر متصل نشده باشد یا کابل آن در اواسط ثبت نوسان کند، اختلال مکانیکی باعث ایجاد نوسانات نامنظم با فرکانس پایین می‌شود. این نوسانات می‌توانند شبیه به یک رانش کند و نامنظم یا انفجاری از امواج نامنظم با دامنه بالا در یک کانال واحد به نظر برسند.

ماهیت پراکنده و محدود بودن به یک الکترود، بلافاصله این آرتیفکت را از رویدادهای فیزیولوژیکی گسترده مانند پلک زدن یا تنش عضلانی متمایز می‌کند. نشانه‌گذاری این لحظات در زمان واقعی، با محدود کردن جستجو برای بخش‌های داده‌های خراب، بعداً در وقت و تلاش زیادی صرفه‌جویی می‌کند.

پیشگیری و مستندسازی آرتیفکت‌ها در طول ثبت

موثرترین استراتژی مدیریت آرتیفکت بسیار قبل از ذخیره اولین نقطه داده آغاز می‌شود.

یک شرکت‌کننده آرام، آرتیفکت‌های عضلانی و حرکتی چشم بسیار کمتری تولید می‌کند. بنابراین، برای توضیح جلسه وقت بگذارید، یک صندلی راحت با پشتیبانی سر فراهم کنید و یک نقطه ثابت برای نگاه کردن چشم‌ها جهت کاهش پلک زدن‌های خودبه‌خودی و حرکات ساکادیک ارائه دهید. این مراحل آن‌قدر اساسی هستند که به ندرت در مقالات پژوهشی به تفصیل بیان می‌شوند، با این حال هر مطالعه‌ای که داده‌های تمیز گزارش می‌کند به طور ضمنی به آن‌ها متکی است.

قرار دادن الکترود خط دفاعی بعدی است. آماده‌سازی دقیق پوست، ژل رسانای کافی و مسیردهی دقیق کابل‌ها، هم نویزهای محیطی و هم پاپ‌های مرتبط با حرکت را به حداقل می‌رساند.

مطالعه مذکور روی EEG نوزادان نشان داد که تداخل‌های الکتریکی و حرکتی با فرکانس مشابهی رخ می‌دهند، که تایید می‌کند هیچ محیط ثبتی ذاتاً در برابر مشکلات فنی مصون نیست. بررسی امپدانس‌ها قبل و بعد از جلسه و محکم کردن کابل‌ها به لباس یا صندلی، بخش بزرگی از آرتیفکت‌های قابل پیشگیری را حذف می‌کند.

در نهایت، یک گزارش مداوم از آرتیفکت‌های قابل مشاهده در طول ثبت تهیه کنید. زمان هرگونه حرکت عمده، سرفه یا تنظیم الکترود را یادداشت کنید. این نوع نشانه‌گذاری دستی منعکس‌کننده برچسب‌گذاری تخصصی مورد استفاده برای آموزش طبقه‌بندی‌کننده‌های خودکار است، جایی که ارزیابان انسانی بخش‌هایی را علامت‌گذاری می‌کنند تا به عنوان حقیقت زمینی برای الگوریتم‌های یادگیری ماشین عمل کنند.

یک برچسب زمانی ساده دست‌نویس یا یک نشانگر رویداد در نرم‌افزار ثبت، حدس و گمان را به مستنداتی قابل تکرار تبدیل می‌کند.

حذف دستی و درون‌یابی: پاک‌سازی قبل از محاسبات

بازرسی چشمی سیگنال مداوم

قبل از واگذاری حذف آرتیفکت به هر الگوریتم پردازش سیگنال، داده‌های خام را مرور کنید و از امضاهای شکل موج توصیف‌شده در بالا برای شناسایی فواصل آلوده استفاده کنید.

اغلب توصیه می‌شود که به دنبال موج کند پیشانی مشخصه پلک زدن، نویز فرکانس بالای فعالیت عضلانی، اسپایک ایزوله یک پاپ یا موج سینوسی مداوم نویز برق شهر باشید. این مرحله چشم شما را برای تشخیص آرتیفکت‌ها از فعالیت‌های واقعی مغز آموزش می‌دهد و از رد خودکار رویدادهای عصبی نادر و با دامنه بالا که ممکن است از نظر ظاهری شبیه به آرتیفکت‌ها باشند، جلوگیری می‌کند.

• موج کند پیشانی: نشان‌دهنده پلک زدن چشم است

• نویز فرکانس بالا: نشان‌دهنده فعالیت عضلانی است

• اسپایک تک افتاده با دامنه بسیار زیاد: نشان‌دهنده پاپ الکترود است

• موج سینوسی مداوم: نشان‌دهنده تداخل برق شهر است

علامت‌گذاری و حذف بخش‌های زمانی خراب

هنگامی که بخشی از داده‌های پر از آرتیفکت را شناسایی کردید، آن را برای حذف علامت‌گذاری کنید. این کار ممکن است شامل ثبت زمان‌های شروع و پایان یا استفاده از ابزارهای علامت‌گذاری تعبیه‌شده در نرم‌افزار تحلیل EEG باشد.

حذف دستی بدترین بخش‌های آلوده، استانداردی است که حتی پیشرفته‌ترین روش‌های خودکار نیز بر اساس آن ساخته شده‌اند. به عنوان مثال، در کاری که الگوریتم ADJUST را تولید کرد، متخصصان به طور دستی ۶۴۰ مؤلفه را برچسب‌گذاری کردند تا یک مجموعه آموزشی ایجاد کنند، و سپس عملکرد طبقه‌بندی‌کننده در برابر این حقیقت زمینی که به طور دستی تعریف شده بود، سنجیده شد.

حذف دستی فاحش‌ترین آرتیفکت‌ها، بار الگوریتم‌های بعدی را کاهش می‌دهد و از انتشار نویز به کانال‌های مجاور در طول مراحل فیلتر کردن فضایی جلوگیری می‌کند.

درون‌یابی یک کانال به طور مداوم نویزی

هنگامی که یک الکترود منفرد در طول کل ثبت به دلیل تماس شل، ژل خشک شده یا ناپایداری مکانیکی غیرقابل اعتماد باشد، حذف آن کانال و بازسازی داده‌های آن از الکترودهای تمیز مجاور، ابعاد کلی داده‌ها را حفظ می‌کند.

درون‌یابی از توزیع فضایی ولتاژ در پوست سر استفاده می‌کند تا تخمین بزند که کانال خراب چه چیزی را ثبت می‌کرد، و به طور موثر آرتیفکت را با یک سیگنال منطقی و خنثی جایگزین می‌کند. این مرحله مجموعه داده را برای تحلیل‌های توپوگرافیک دست‌نخورده نگه می‌دارد و از دست رفتن داده‌ها که ناشی از دور ریختن کامل کانال است، جلوگیری می‌کند.

چرا پاک‌سازی دستی همچنان ضروری است

حتی پیشرفته‌ترین طبقه‌بندی‌کننده‌های خودکار نیز از یک مجموعه داده که قبلاً از آرتیفکت‌های عمده پاک شده است، بهره می‌برند. یافته‌های مطالعه نوزادان مبنی بر اینکه آرتیفکت‌ها ۱۲٪ از زمان ثبت را به خود اختصاص داده و بر تفسیر بالینی تأثیر گذاشته‌اند، نشان می‌دهد که چگونه آلودگی حذف‌نشده می‌تواند به راحتی نتیجه‌گیری‌ها را مخدوش کند.

بنابراین، بازرسی چشمی تضمین می‌کند که بزرگ‌ترین و واضح‌ترین آرتیفکت‌ها قبل از ورود داده‌ها به یک خط لوله محاسباتی موثر از بین رفته‌اند، جایی که در غیر این صورت ممکن است بر واریانس غلبه کرده و تجزیه را به گمراهی بکشانند. این کار همچنین آشنایی عمیقی با مجموعه داده ایجاد می‌کند که هیچ الگوریتمی نمی‌تواند آن را شبیه‌سازی کند.

چگونه حذف خودکار از کار دستی پشتیبانی می‌کند

آنالیز مؤلفه‌های مستقل به عنوان ابزار کالبدشکافی

هنگامی که بدترین بخش‌ها به صورت دستی حذف شدند، ICA می‌تواند EEG باقی‌مانده را به مؤلفه‌های منبع آماری مستقل تجزیه کند. این تکنیک مخلوط سیگنال‌های مغزی و آرتیفکت را که توسط الکترودهای پوست سر دریافت می‌شوند، تفکیک می‌کند و حرکات چشم، پلک زدن و فعالیت عضلانی را بر اساس الگوهای فضایی و زمانی منحصر به فردشان به مؤلفه‌های مجزا تقسیم می‌نماید.

سپس یک مؤلفه با پروجکشن پیشانی و شکل موجی که کاملاً با سیگنال پلک زدن مطابقت دارد، می‌تواند شناسایی و تفریق شود و بقیه داده‌ها را از نظر عصبی-فیزیولوژیکی دست‌نخورده باقی بگذارد. نقطه قوت ICA در توانایی آن برای مدیریت چندین منبع آرتیفکت است که به طور همزمان رخ می‌دهند، وظیفه‌ای که تصحیح‌های ساده‌تر مبتنی بر رگرسیون غالباً آن را بیش از حد یا کمتر از حد لازم تصحیح می‌کنند.

قابلیت اطمینان طبقه‌بندی‌کننده‌های مدرن

روش‌های خودکار اکنون به سطح عملکردی رسیده‌اند که کاملاً با قضاوت انسان متخصص مطابقت دارد.

یک طبقه‌بندی‌کننده خطی مستقل از سوژه، که بر روی شش ویژگی استخراج‌شده از حوزه‌های فرکانسی، فضایی و زمانی آموزش دیده بود، به میانگین مربعات خطای زیر ۱۰٪ در یک مجموعه داده زمان واکنش دست یافت که در محدوده اختلاف نظر بین دو متخصص انسانی است.

علاوه بر این، الگوریتم ADJUST که ویژگی‌های فضایی و زمانی خاص هر آرتیفکت را ترکیب می‌کند، هنگام تست روی یک مجموعه داده کاملاً مستقل، با برچسب‌گذاری متخصصان دستی در ۹۵.۲٪ از واریانس داده‌ها موافقت داشت و حذف مؤلفه‌های آرتیفکت‌دار توسط آن منجر به بازسازی تمیز پتانسیل‌های وابسته به رویداد شد.

یک رویکرد متفاوت با استفاده از مدل‌های خودرگرسیو ترکیب‌شده با ماشین بردار پشتیبان، چندین نوع از آرتیفکت‌های تولیدشده توسط سوژه را در میان افراد با دقت تقریبی ۹۴٪ طبقه‌بندی کرد.

به طور خاص برای آرتیفکت‌های چشمی، الگوریتمی که اطلاعات ردیاب چشم را برای شناسایی عینی مؤلفه‌های مربوطه ادغام کرده بود، تقریباً دو برابر موثرتر از متخصصان انسانی عمل کرد که مجبور بودند تنها به توپوگرافی مؤلفه‌ها اتکا کنند، و به سطح زیر منحنی مشخصه عملکرد سیستم بزرگتر از ۰.۹۹ دست یافت.

این آمارها جایگزین پاک‌سازی دستی نمی‌شوند، اما نشان می‌دهند که این حوزه اکنون دستیارهای محاسباتی قابل اعتمادی دارد که می‌توانند شناسایی تکراری و با حجم بالا را که زمانی کاملاً با دست انجام می‌شد، بر عهده بگیرند.

ایجاد تعادل بین حذف آرتیفکت و حفظ سیگنال

حذف تهاجمی آرتیفکت می‌تواند ناخواسته اطلاعات عصبی واقعی را از بین ببرد. در یک پارادایم واسط مغز و رایانه تصویرسازی حرکتی، محققان دریافتند که می‌توانند تا ۶۰٪ از آرتیفکت‌دارترین مؤلفه‌های ICA را با خیال راحت حذف کنند و در عین حال اطلاعات متمایزکننده‌ای را که سیستم BCI برای رمزگشایی قصد کاربر استفاده می‌کرد، حفظ نمایند.

این یافته بر این اصل حیاتی تأکید می‌کند که هر مؤلفه‌ای که حامل مقداری واریانس آرتیفکت باشد، خالی از سیگنال عصبی نیست. بررسی دستی مؤلفه‌های انتخاب‌شده توسط یک طبقه‌بندی‌کننده خودکار همچنان توصیه می‌شود تا اطمینان حاصل شود که آستانه حذف وارد قلمرو فعالیت مفید مغز نمی‌شود.

چرا آگاهی از آرتیفکت کیفیت داده‌ها را تعیین می‌کند

آرتیفکت‌ها مستقیماً بر تفسیر چشمی و اندازه‌گیری‌های کمی تأثیر می‌گذارند. چه هدف تشخیص بالینی باشد، چه یک کشف در حوزه علوم اعصاب یا یک برنامه سلامتی مصرف‌کننده، مسیر رسیدن به نتایج قابل اعتماد از درک روشن منشأ آرتیفکت‌ها، ظاهر آن‌ها در سیگنال خام و فرآیند منظم پیشگیری، مستندسازی و حذف دستی آن‌ها می‌گذرد.

اتوماسیون مبتنی بر ICA می‌تواند گردش کار پاک‌سازی را تسریع کند، اما در موثرترین حالت خود روی داده‌هایی عمل می‌کند که قبلاً توسط یک چشم انسان آموزش‌دیده بررسی شده‌اند. نرخ آلودگی ۱۲٪ ممکن است زیاد به نظر نرسد، اما زمانی که این بخش کوچک می‌تواند یک تصمیم پزشکی را تغییر دهد یا یک زیست‌نشانگر شناختی ظریف را پنهان کند، سرمایه‌گذاری در مدیریت آرتیفکت با یکپارچگی علمی ثبت جدایی‌ناپذیر می‌شود.

منابع

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

پرسش‌های متداول

دو دسته اصلی آرتیفکت‌های EEG چیستند و چه تفاوتی با هم دارند؟

آرتیفکت‌های EEG به دو دسته تقسیم می‌شوند: آرتیفکت‌های مرتبط با سوژه (فیزیولوژیکی) که توسط بدن شرکت‌کننده تولید می‌شوند - مانند پلک زدن، تنش عضلانی، ضربان قلب و عرق - و آرتیفکت‌های فنی (غیر فیزیولوژیکی) که از تجهیزات یا محیط ناشی می‌شوند، مانند الکترودهای شل، نوسان کابل و تداخل برق شهر. این تمایز اهمیت دارد زیرا هر دسته به استراتژی‌های پیشگیری و حذف متفاوتی نیاز دارد؛ به عنوان مثال، یک انفجار عضلانی به مداخله متفاوتی نسبت به یک نویز خط ۶۰ هرتز نیاز دارد.

چگونه می‌توان آرتیفکت پلک زدن چشم را روی یک سیگنال EEG تشخیص داد؟

پلک زدن چشم به صورت یک موج کند، مثبت و بزرگ ظاهر می‌شود که در الکترودهای پیشانی مانند Fp1 و Fp2 قوی‌ترین است و به سرعت به سمت کانال‌های مرکزی یا خلفی محو می‌شود. از آنجا که قرنیه بار مثبت نسبت به شبکیه دارد، حرکت پلک روی این دوقطبی یک انحراف کلیشه‌ای و با دامنه بالا ایجاد می‌کند که تشخیص آن با آموزش آسان است.

چرا فعالیت عضلانی می‌تواند به ویژه برای واسط‌های مغز و رایانه مشکل‌ساز باشد؟

آرتیفکت‌های عضلانی ناشی از انقباض فک، در هم کشیدن ابروها یا تنش گردن، تداخل تیز و با فرکانس بالایی ایجاد می‌کنند که اغلب با باندهای امواج مغزی بتا و غاما که معیارهای شناختی و نظارت بر وضعیت ذهنی در آن‌ها عمل می‌کنند، همپوشانی دارد. این آلودگی می‌تواند تحلیل‌های الگوریتمی را خراب کند و عملکرد مدل‌های واسط مغز و رایانه را کاهش دهد، و آن را به یکی از دردسرسازترین آرتیفکت‌های فیزیولوژیکی برای مدیریت تبدیل کند.

یک آرتیفکت تداخل برق شهر چه شکلی است و چه چیزی باعث آن می‌شود؟

تداخل برق شهر به صورت یک وزوز موج سینوسی مداوم و ریتمیک ظاهر می‌شود که روی هر کانال EEG سوار شده است، معمولاً در ۵۰ یا ۶۰ هرتز بسته به برق منطقه. این امر از کوپلاژ خازنی منبع تغذیه به سیستم ثبت به دلیل امپدانس ضعیف الکترود، شیلدینگ نامناسب یا مشکلات اتصال زمین ناشی می‌شود و به وضوح یک آرتیفکت فنی است تا یک سیگنال عصبی.

چرا نشانه‌گذاری دستی آرتیفکت‌ها در طول ثبت مهم است؟

تهیه یک گزارش مداوم از حرکات عمده، سرفه‌ها یا تنظیمات الکترود در طول جلسه به محدود کردن بخش‌های داده‌های خراب در مراحل بعدی کمک می‌کند و حدس و گمان را به مستنداتی قابل تکرار تبدیل می‌نماید. این نشانه‌گذاری دستی همچنین منعکس‌کننده برچسب‌گذاری تخصصی مورد استفاده برای آموزش طبقه‌بندی‌کننده‌های خودکار است و حقیقت زمینی را ارائه می‌دهد که قابلیت اطمینان پاک‌سازی دستی و محاسباتی را بهبود می‌بخشد.

هدف از درون‌یابی یک کانال EEG به طور مداوم نویزی چیست؟

هنگامی که یک الکترود منفرد در طول ثبت به دلیل تماس شل یا ژل خشک شده غیرقابل اعتماد باشد، درون‌یابی داده‌های آن کانال را از الکترودهای تمیز مجاور با استفاده از توزیع فضایی ولتاژ در پوست سر بازسازی می‌کند. این کار ابعاد کلی مجموعه داده را برای تحلیل‌های توپوگرافیک حفظ می‌کند و از دست رفتن داده‌ها که در صورت دور انداختن کل کانال رخ می‌دهد، جلوگیری می‌نماید.

آنالیز مؤلفه‌های مستقل (ICA) چگونه به حذف آرتیفکت کمک می‌کند؟

ICA سیگنال‌های مخلوط EEG را به مؤلفه‌های منبع آماری مستقل تجزیه می‌کند و پلک زدن چشم، فعالیت عضلانی و سایر آرتیفکت‌ها را بر اساس الگوهای فضایی و زمانی منحصر به فردشان تفکیک می‌نماید. پس از شناسایی، یک مؤلفه آرتیفکت - مانند مؤلفه‌ای با پروجکشن پیشانی منطبق با یک پلک زدن - می‌تواند تفریق شود، که سیگنال‌های عصبی زیرین را تا حد زیادی دست‌نخورده باقی می‌گذارد و چندین منبع آرتیفکت همزمان را بسیار موثرتر از روش‌های رگرسیون ساده مدیریت می‌کند.

خطر برخورد بیش از حد تهاجمی با حذف خودکار آرتیفکت چیست؟

حذف تهاجمی می‌تواند ناخواسته اطلاعات عصبی واقعی را از بین ببرد، زیرا برخی از مؤلفه‌ها هم حامل واریانس آرتیفکت و هم فعالیت مفید مغز هستند. حتی اگر طبقه‌بندی‌کننده‌های خودکار مؤلفه‌های زیادی را علامت‌گذاری کنند، بررسی دستی اینکه کدام مؤلفه‌ها حذف شوند توصیه می‌شود تا اطمینان حاصل شود که آستانه حذف، سیگنالی را که برای رمزگشایی قصد کاربر یا تشخیص زیست‌نشانگرهای شناختی ضروری است، از بین نمی‌برد.

چرا آگاهی از آرتیفکت مستقیماً بر یکپارچگی علمی یک ثبت EEG تأثیر می‌گذارد؟

آرتیفکت‌ها می‌توانند به شکل شکل‌موج‌های پاتولوژیک ظاهر شوند یا واریانسی ایجاد کنند که هم تفسیر چشمی و هم تحلیل‌های کمی را مخدوش می‌کند، که به طور بالقوه طبقه‌بندی‌های بالینی را تغییر می‌دهد یا سیگنال‌های شناختی ظریف را پنهان می‌سازد. یک فرآیند منظم برای پیشگیری، مستندسازی و پاک‌سازی دستی آرتیفکت‌ها قبل از هرگونه پردازش محاسباتی ضروری است، تا اطمینان حاصل شود که نتیجه‌گیری‌های حاصل از داده‌ها قابل اعتماد بوده و به دلیل آلودگی خراب نشده‌اند.