آرتیفکت‌ها سیگنال‌های ناخواسته‌ای هستند که توسط مغز تولید نمی‌شوند و می‌توانند تفسیر بصری یک الکتروانسفالوگرام را مخدوش کرده و آنالیزهای الگوریتمی را که رابط‌های مغز و رایانه یا پایش وضعیت ذهنی را هدایت می‌کنند، خراب کنند.
چه در حال خواندن یک نوار EEG خام برای نشانگرهای صرع باشید و چه در حال وارد کردن داده‌ها به یک خط لوله یادگیری ماشین، آرتیفکت‌های شناسایی‌نشده می‌توانند خود را به عنوان شکل‌موج‌های پاتولوژیک جا بزنند یا واریانسی را معرفی کنند که عملکرد مدل را کاهش می‌دهد.
این راهنمای میدانی و کاربردی شما را با دو دسته کلی آرتیفکت‌های EEG آشنا می‌کند، نحوه تشخیص ویژگی‌های متمایز آن‌ها در حوزه زمان را توضیح می‌دهد و مراحل پاکسازی دستی را که قبل از هر گونه پردازش محاسباتی ضروری باقی می‌مانند، تشریح می‌کند.
دو دسته اساسی آرتیفکت‌های EEG
هرگونه نوسان ناخواسته در ثبت EEG از یکی از دو منشأ ناشی می‌شود. آرتیفکت‌های مرتبط با آزمودنی یا فیزیولوژیکی، توسط بدن خود شرکت‌کننده تولید می‌شوند. این موارد شامل پلک زدن، انقباض عضلانی، ضربان قلب و فعالیت غدد عرق هستند که همگی میدان‌های الکتریکی ایجاد می‌کنند که الکترودهای پوست سر آن‌ها را در کنار فعالیت واقعی مغز دریافت می‌نمایند.
آرتیفکت‌های فنی یا غیرفیزیولوژیکی، از تجهیزات ثبت و محیط ناشی می‌شوند. شل بودن الکترودها، تکان خوردن کابل‌ها، اشباع تقویت‌کننده و تداخل برق شهری در این گروه دوم قرار می‌گیرند.
تمایز بین این دو دسته اولین مهارتی است که باید در آن تسلط یافت، زیرا استراتژی‌های پیشگیری و حذف آن‌ها اساساً با یکدیگر تفاوت دارند. انفجار فعالیت عضلانی ناشی از فشردن فک به مداخله‌ای متفاوت نسبت به نویز پریودیک ۶۰ هرتز ناشی از کابلی با شیلد نامناسب نیاز دارد.
نحوه شناسایی آرتیفکت‌های مرتبط با آزمودنی
پلک زدن
چشم مانند یک باتری الکتریکی کوچک عمل می‌کند. قرنیه نسبت به شبکیه دارای بار مثبت است و یک دوقطبی قرنیه‌ای-شبکیه‌ای تشکیل می‌دهد. هنگامی که شرکت‌کننده پلک می‌زند، پلک از روی این دوقطبی عبور کرده و میدان مثبت را به سمت بالا می‌کشد، که باعث ایجاد یک انحراف ولتاژ مثبت و بزرگ در الکترودهای فرونتال نزدیک به چشم‌ها می‌شود.
در سیگنال حوزه زمان، پلک زدن به صورت یک موج آهسته با دامنه بالا ظاهر می‌شود که در کانال‌های فرونتوپولار مانند Fp1 و Fp2 به حداکثر خود می‌رسد و سپس با نگاه به سمت اشتقاق‌های مرکزی یا خلفی به‌شدت تضعیف می‌شود. از آنجا که شکل موج بسیار کلیشه‌ای و مشخص است، یک چشم آموزش‌دیده می‌تواند آن را تقریباً بلافاصله تشخیص دهد.
حرکات چشم و اسپایک‌های ساکادیک
هنگامی که چشم‌ها بدون پلک زدن به صورت جانبی حرکت می‌کنند، دوقطبی قرنیه‌ای-شبکیه‌ای به جای پوشانده شدن، می‌چرخد. این امر باعث ایجاد یک تغییر پله‌مانند در سیگنال الکترواکولوگرام می‌شود که ممکن است به کانال‌های EEG مجاور نفوذ کند.
علاوه بر این، انقباض سریع عضلات خارج چشمی در طول یک حرکت ساکادیک، یک پدیده گذار الکتریکی کوتاه و تیز به نام پتانسیل اسپایک ساکادیک ایجاد می‌کند. در یک سیگنال خام، این اسپایک‌ها می‌توانند شباهت گمراه‌کننده‌ای به فعالیت‌های شبه‌صرعی داشته باشند. آن‌ها معمولاً به الکترودهای فرونتال و تمپورال محدود می‌شوند و هم‌زمان با تغییر جهت نگاه رخ می‌دهند.
شناسایی آن‌ها از برداشت اشتباه بالینی جلوگیری کرده و از رد غیرضروری داده‌های عصبی که در غیر این صورت تمیز هستند، جلوگیری می‌کند. کوتاهی اسپایک، همبستگی آن با حرکت افقی یا عمودی چشم و عدم وجود موج آهسته پس از آن، به تمایز آن از یک تخلیه کورتیکال واقعی کمک می‌کند.
فعالیت عضلانی
عضلات پوست سر، صورت و گردن مولدهای پرکار نویز الکتریکی فرکانس بالا هستند. هنگامی که شرکت‌کننده فک خود را به هم می‌فشارد، اخم می‌کند، یا حتی تنش عضلانی در گردن دارد، پتانسیل‌های عمل واحدهای حرکتی به طور غیرهم‌زمان شلیک شده و به صورت یک الگوی تداخلی تیز و نامنظم با یکدیگر جمع می‌شوند.
در حوزه زمان، آرتیفکت عضلانی مانند انفجاری سریع از انحرافات تیز و با دامنه کم به نظر می‌رسد که سوار بر سیگنال EEG هستند و اغلب روی الکترودهای تمپورال یا فرونتال برجسته‌ترند. محتوای فرکانسی آن عمدتاً بالای ۲۰ هرتز، یعنی کاملاً درون باندهای بتا و گاما قرار دارد که بسیاری از معیارهای شناختی در آن جای دارند؛ این مسئله آن را به ویژه برای پایش حالت‌های ذهنی و کاربردهای واسط مغز و رایانه مشکل‌ساز می‌کند.
راه‌اندازی‌های EEG با تراکم بالا همراه با الکترودهایی با فاصله نزدیک می‌توانند به تعیین مکان منبع عضلانی کمک کنند، اما اولین خط دفاعی، آموزش شرکت‌کننده برای آرامش و فراهم کردن تکیه‌گاه فیزیکی برای سر است.
عرق و تغییرات الکترودرمال
تغییرات در هدایت پوست به دلیل فعالیت غدد عرق، فصل مشترک الکترود-پوست را تغییر می‌دهد. این امر رانش بسیار کند و روانی در ولتاژ خط پایه ایجاد می‌کند که اغلب زیر ۱ هرتز است و می‌تواند در طول چند ثانیه جابجا شود.
این آرتیفکت به صورت اسپایک یا نویز ریتمیک ظاهر نمی‌شود، بلکه به صورت یک نوسان موج‌مانند ملایم در کل سیگنال ثبت‌شده دیده می‌شود. این وضعیت در طول ثبت‌های طولانی، در محیط‌های گرم، یا در شرکت‌کنندگان مضطرب شایع‌تر است. این عامل مخدوش‌کننده فرکانس پایین را می‌توان با حفظ دمای پایدار اتاق و اطمینان از تماس خوب الکترود مدیریت کرد.
سیگنال‌های قلبی
میدان الکتریکی قلب آن‌قدر قدرتمند است که به پوست سر برسد، به‌ویژه زمانی که امپدانس الکترودها بالا باشد یا زمانی که یک الکترود مرجع نزدیک یک رگ خونی روی ماستوئید یا لاله گوش قرار گیرد.
آرتیفکت الکتروکاردیوگرام حاصل به صورت یک کمپلکس QRS منظم و تیز نشان داده می‌شود که متناسب با ضربان قلب—تقریباً یک بار در ثانیه—تکرار می‌شود. این آرتیفکت اغلب با یک اختلاف زمانی ثابت به طور هم‌زمان به چندین کانال نفوذ می‌کند، و دسته‌بندی‌کننده‌های آموزش‌دیده بر روی ویژگی‌های طیف وسیع آرتیفکت می‌توانند آن را در کنار سایر عوامل ملوث تشخیص دهند.
اگر شکل موج قلبی قابل مشاهده باشد اما بیش از حد شدید نباشد، اغلب می‌توان آن را با ثبت یک کانال اختصاصی ECG تفریق کرد؛ در غیر این صورت، ممکن است بخش‌های آسیب‌دیده نیاز به رد دستی داشته باشند.
آرتیفکت | ویژگی مشخصه |
|---|---|
پلک زدن | موج آهسته فرونتال |
حرکت چشم | تغییر پله‌مانند |
عضله | اسپایک‌های فرکانس بالا |
عرق | رانش کند خط پایه |
قلبی | کمپلکس QRS تیز |
شناسایی آرتیفکت‌های فنی در سیگنال
پاپ الکترود و اسپایک‌های مرتبط با حرکت
تغییر ناگهانی در امپدانس ناشی از خشک شدن ژل رسانا، کشیده شدن کابل، یا جابجایی الکترود، یک تغییر گذار ناگهانی و تند ایجاد می‌کند که اغلب «پاپ» نامیده می‌شود. این پدیده در دسته «ناپیوستگی‌های عمومی» قرار می‌گیرد که الگوریتم‌های خودکار مانند ADJUST برای نشانه‌گذاری آن‌ها طراحی شده‌اند.
در حوزه زمان، یک پاپ الکترود معمولاً مانند یک اسپایک مجزا با دامنه بسیار بالا به نظر می‌رسد که ممکن است تقویت‌کننده را اشباع کرده و سیگنال را برای لحظه‌ای پیش از یک بازیابی آهسته، صاف و بی‌نوسان (flat-line) کند. برخلاف یک اسپایک بیولوژیکی، این پدیده با فعالیت فیزیولوژیکی جاری احاطه نشده است و معمولاً در یک کانال واحد ظاهر می‌شود که شناسایی آن را در طول بازبینی بصری آسان می‌سازد.
یک مطالعه EEG نوزادان توسط هاگمن و همکاران نیز تداخل حرکتی مکرری را مستند کرده است که سیگنال دامنه-یکپارچه را تغییر می‌داد، که این امر تأکید می‌کند حتی اختلالات فیزیکی کوتاه نیز آلودگی قابل اندازه‌گیری ایجاد می‌کنند.
تداخل برق شهری
کوپلینگ خازنی منبع تغذیه الکتریکی به سیستم ثبت، یک نویز ریتمیک و مداوم در فرکانس برق شهر ایجاد می‌کند—۵۰ هرتز در اروپا و بخش عمده‌ای از جهان، و ۶۰ هرتز در آمریکای شمالی.
در یک سیگنال خام EEG، این تداخل به صورت یک موج سینوسی ضخیم ظاهر می‌شود که روی هر کانال قرار گرفته است و اغلب دامنه‌ای یکنواخت دارد. حتی مقدار کمی از نویز خط برق می‌تواند ریتم‌های مغزی با ولتاژ پایین را بپوشاند و وجود آن نشان‌دهنده مشکلی در امپدانس الکترود، شیلدینگ یا اتصال به زمین (ارتینگ) است.
این نویز 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 حرکت کند، این اختلال مکانیکی نوسانات نامنظم فرکانس پایین ایجاد می‌کند. این موارد می‌توانند مانند یک رانش کند و نامنظم یا انفجاری از امواج نامنظم با دامنه بالا در یک کانال منفرد به نظر برسند.
ماهیت تک‌گیر و محدود بودن به یک الکترود، این آرتیفکت را فوراً از رویدادهای فیزیولوژیکی گسترده مانند پلک زدن یا تنش عضلانی متمایز می‌کند. یادداشت کردن چنین لحظاتی در زمان واقعی با محدود کردن جستجو برای بخش‌های داده خراب، در زمان و تلاش بعدی بسیار صرفه‌جویی می‌کند.
پیشگیری و مستندسازی آرتیفکت‌ها در طول ثبت
مؤثرترین استراتژی مدیریت آرتیفکت مدت‌ها پیش از ذخیره اولین نقطه داده آغاز می‌شود.
یک شرکت‌کننده آسوده‌خاطر آرتیفکت‌های عضلانی و حرکتی چشم را به‌طور چشمگیری کمتر تولید می‌کند. بنابراین، برای توضیح دادن جلسه وقت بگذارید، یک صندلی راحت با تکیه‌گاه سر فراهم کنید، و یک نقطه تثبیت پایدار برای چشم‌ها در نظر بگیرید تا پلک زدن‌ها و حرکات ساکادیک خودبه‌خودی کاهش یابد. این مراحل چنان بنیادی هستند که به‌ندرت در مقالات پژوهشی توضیح داده می‌شوند، با این حال هر مطالعه‌ای که داده‌های تمیز ارائه می‌دهد به طور ضمنی بر آن‌ها تکیه دارد.
نصب الکترود خط دفاعی بعدی است. آماده‌سازی دقیق پوست، ژل رسانای کافی و مسیردهی مناسب کابل‌ها، هم نویزهای محیطی و هم پاپ‌های ناشی از حرکت را به حداقل می‌رساند.
مطالعه مذکور روی EEG نوزادان نشان داد که تداخلات الکتریکی و حرکتی با فراوانی مشابهی رخ می‌دهند، که این امر تأیید 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 عمده‌ای از آرتیفکت‌های قابل پیشگیری را برطرف می‌کند.
در نهایت، یک گزارش زنده از آرتیفکت‌های قابل مشاهده در طول ثبت نگه دارید. زمان هر حرکت بزرگ، سرفه، یا تنظیم الکترود را یادداشت کنید. این نوع حاشیه‌نویسی دستی مشابه برچسب‌گذاری تخصصی مورد استفاده برای آموزش دسته‌بندی‌کننده‌های خودکار است، جایی که ارزیاب‌های انسانی بخش‌هایی را علامت‌گذاری می‌کنند تا به عنوان واقعیت مرجع (ground truth) برای الگوریتم‌های یادگیری ماشین عمل کنند.
یک ثبت زمان دست‌نویس ساده یا یک نشانگر رویداد در نرم‌افزار دریافت داده، حدس و گمان را به مستنداتی با قابلیت بازتولید تبدیل می‌کند.
رد دستی و درون‌یابی: پاکسازی قبل از محاسبات
بازبینی بصری سیگنال پیوسته
قبل از محول کردن حذف آرتیفکت به هر الگوریتم پردازش سیگنال، داده‌های خام را بررسی کرده و از الگوهای مشخصه شکل موج که در بالا توضیح داده شد برای شناسایی بازه‌های آلوده استفاده کنید.
اغلب توصیه می‌شود به دنبال موج آهسته مشخصه فرونتال ناشی از پلک زدن، وزوز فرکانس بالای فعالیت عضلانی، اسپایک مجزای پاپ الکترود، یا موج سینوسی مداوم نویز برق شهر باشید. این مرحله چشم شما را آموزش می‌دهد تا آرتیفکت‌ها را از فعالیت واقعی مغز متمایز کند و از حذف خودکار رویدادهای عصبی نادر و با دامنه بالا که ممکن است ظاهراً شبیه آرتیفکت باشند، جلوگیری می‌نماید.
موج آهسته فرونتال: نشان‌دهنده پلک زدن است
وزوز فرکانس بالا: نشان‌دهنده فعالیت عضلانی است
اسپایک منفرد با دامنه بسیار بالا: نشان‌دهنده پاپ الکترود است
موج سینوسی مداوم: نشان‌دهنده تداخل برق شهر است
علامت‌گذاری و حذف بخش‌های زمانی نامناسب
هنگامی که بخشی از داده‌های پر از آرتیفکت را شناسایی کردید، آن را برای حذف علامت‌گذاری کنید. این کار ممکن است شامل ثبت زمان شروع و پایان یا استفاده از ابزارهای علامت‌گذاری تعبیه‌شده در نرم‌افزار تحلیل EEG باشد.
حذف دستی بخش‌هایی با بدترین آلودگی استانداردی است که حتی روش‌های خودکار پیشرفته نیز بر پایه آن ساخته شده‌اند. برای مثال، در پژوهشی که منجر به الگوریتم ADJUST شد، متخصصان به صورت دستی ۶۴۰ مؤلفه را برای ایجاد یک مجموعه آموزشی برچسب‌گذاری کردند و سپس عملکرد دسته‌بندی‌کننده در برابر این واقعیت مرجعِ تعیین‌شده به صورت دستی اندازه‌گیری شد.
حذف فاحش‌ترین آرتیفکت‌ها با دست، بار روی دوش الگوریتم‌های مراحل بعدی را کاهش می‌دهد و از انتشار نویز توسط آن‌ها به کانال‌های مجاور در طول مراحل فیلترینگ مکانی جلوگیری می‌کند.
درون‌یابی یک کانال که به‌طور مداوم نویزی است
هنگامی که یک الکترود منفرد در کل طول ثبت به دلیل تماس شل، ژل خشک شده یا ناپایداری مکانیکی غیرقابل اعتماد است، حذف آن کانال و بازسازی داده‌های آن از روی الکترودهای تمیز مجاور، ابعاد کلی داده‌ها را حفظ می‌کند.
درون‌یابی از توزیع مکانی ولتاژ روی پوست سر برای تخمین آنچه کانال معیوب ثبت می‌کرد استفاده می‌کند و به طور مؤثری آرتیفکت را با یک سیگنال محتمل و خنثی جایگزین می‌نماید. این مرحله مجموعه داده را برای تحلیل‌های توپوگرافیک دست‌نخورده نگه می‌دارد و از اتلاف داده‌ای که در صورت حذف کامل کانال رخ می‌دهد جلوگیری می‌کند.
چرا پاکسازی دستی همچنان ضروری است
حتی پیچیده‌ترین دسته‌بندی‌کننده‌های خودکار نیز از مجموعه‌داده‌ای که قبلاً از آرتیفکت‌های بزرگ پاک شده باشد بهره می‌برند. یافته‌های مطالعه نوزادان مبنی بر اینکه آرتیفکت‌ها ۱۲٪ از زمان ثبت را اشغال کرده و بر تفسیر بالینی تأثیر گذاشته‌اند، نشان می‌دهد که چگونه آلودگی حذف‌نشده می‌تواند به‌راحتی نتایج را تحریف کند.
بنابراین، بازبینی دستی تضمین می‌کند که بزرگ‌ترین و واضح‌ترین آرتیفکت‌ها قبل از ورود داده‌ها به یک خط پردازش محاسباتی کارآمد حذف شده‌اند، جایی که در غیر این صورت ممکن است بر واریانس تسلط یافته و تجزیه سیگنال را گمراه کنند. این کار همچنین شناخت عمیقی از مجموعه داده ایجاد می‌کند که هیچ الگوریتمی نمی‌تواند جایگزین آن شود.
چگونه حذف خودکار از کار دستی پشتیبانی می‌کند
تحلیل مؤلفه‌های مستقل به عنوان ابزاری برای تفکیک
پس از اینکه بدترین بخش‌ها به صورت دستی حذف شدند، ICA می‌تواند EEG باقیمانده را به مؤلفه‌های منبع آماری مستقل تجزیه کند. این تکنیک ترکیب سیگنال‌های مغزی و آرتیفکت دریافتی توسط الکترودهای پوست سر را از حالت ترکیب خارج کرده و حرکات چشم، پلک زدن‌ها و فعالیت عضلانی را بر اساس الگوهای مکانی و زمانی منحصربه‌فردشان به مؤلفه‌های مجزا تفکیک می‌کند.
سپس مؤلفه‌ای با طرح‌ریزی فرونتال و شکل موجی که با سیگنال پلک زدن همخوانی زیادی دارد می‌تواند شناسایی و تفریق شود و بقیه داده‌ها را از نظر نوروفیزیولوژیکی دست‌نخورده باقی بگذارد. نقطه قوت ICA در توانایی آن در مدیریت چندین منبع آرتیفکت هم‌زمان نهفته است؛ کاری که تصحیح ساده‌تر مبتنی بر رگرسیون غالباً در آن دچار تصحیح بیش از حد یا کمتر از حد می‌شود.
قابلیت اطمینان دسته‌بندی‌کننده‌های مدرن
روش‌های خودکار اکنون به سطحی از عملکرد رسیده‌اند که با قضاوت متخصصان انسانی بسیار مطابقت دارد.
یک دسته‌بندی‌کننده خطی مستقل از آزمودنی که بر روی شش ویژگی استخراج‌شده از حوزه‌های فرکانسی، مکانی 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 قرار دارد.
علاوه بر این، الگوریتم ADJUST که ویژگی‌های مکانی و زمانی ویژه آرتیفکت را ترکیب می‌کند، در هنگام آزمایش بر روی یک مجموعه داده کاملاً مستقل، با برچسب‌گذاری دستی متخصصان روی ۹۵٫۲٪ از واریانس داده‌ها مطابقت داشت و حذف مؤلفه‌های دارای آرتیفکت توسط آن منجر به بازسازی تمیز پتانسیل‌های وابسته به رویداد شد.
یک رویکرد متفاوت با استفاده از مدل‌های خودرگرسیونی در ترکیب با ماشین بردار پشتیبان، انواع مختلفی از آرتیفکت‌های تولیدشده توسط آزمودنی را در بین افراد با دقت تقریبی ۹۴٪ دسته‌بندی کرد.
به طور خاص برای آرتیفکت‌های چشمی، الگوریتمی که اطلاعات ردیاب چشمی را برای شناسایی عینی مؤلفه‌های مربوطه ادغام کرده بود، تقریباً دو برابر مؤثرتر از متخصصان انسانی که مجبور بودند تنها به توپوگرافی مؤلفه‌ها تکیه کنند عمل کرد و به مساحت زیر منحنی ویژگی عملکردی دریافت‌کننده بیش از ۰٫۹۹ دست یافت.
این ارقام جایگزین پاکسازی دستی نمی‌شوند، اما نشان می‌دهند که این حوزه اکنون دارای دستیاران محاسباتی قابل اعتمادی است 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 الگوی واسط مغز و رایانه با تصور حرکتی، محققان دریافتند که می‌توانند با خیال راحت تا ۶۰٪ از مؤلفه‌های ICA با بیشترین آرتیفکت را حذف کنند، در حالی که هنوز اطلاعات تمایزدهنده‌ای که سیستم BCI برای رمزگشایی قصد کاربر استفاده می‌کرد حفظ می‌شود.
این یافته اصل حیاتی را برجسته می‌کند که هر مؤلفه‌ای که مقداری واریانس آرتیفکت دارد، لزوماً خالی از سیگنال عصبی نیست. بازبینی دستی مؤلفه‌های انتخاب‌شده توسط یک دسته‌بندی‌کننده خودکار همچنان توصیه می‌شود تا اطمینان حاصل شود که آستانه حذف وارد حوزه فعالیت‌های مفید مغز نمی‌شود.
شناسایی خودکار آرتیفکت EEG با شبکه‌های عصبی کانولوشنال
رویکردهای خودکار برای شناسایی آرتیفکت‌های EEG پیشرفت قابل توجهی داشته‌اند و مکمل تکنیک‌های شناسایی دستی توصیف‌شده در بالا به شمار می‌روند. یک خط پژوهشی بر شبکه‌های عصبی کانولوشنال متمرکز شده است که می‌توانند آرتیفکت‌ها را بدون نیاز به استخراج ویژگی توسط متخصص یا پیش‌پردازش سیگنال خام شناسایی و دسته‌بندی کنند.
مطالعه‌ای توسط محققانی که داده‌های پیوسته چندکاناله EEG را بررسی می‌کردند، یک معماری CNN برای تشخیص دودویی آرتیفکت‌های EEG پیشنهاد کرد و سپس آن را برای دسته‌بندی انواع مختلف آرتیفکت توسعه داد. نویسندگان گزارش می‌دهند که شبکه بهینه‌سازی‌شده آن‌ها به دقت دسته‌بندی ۹۴٫۱۷٪ در میانگین ۱۷ بیمار و ۹ کلاس آرتیفکت دست یافته است. در مقایسه با معماری اولیه مبتنی بر CNN، نسخه بهینه‌سازی‌شده پارامترها را ۴٫۲ برابر و محاسبات را ۲٫۷ برابر کاهش داده، و در عین حال دقت را ۱۷٫۵٪ افزایش داده است. محققان همچنین مدل خود را بر روی مجموعه‌داده‌ای که در آزمایشگاه خود با استفاده از یک headset ۱۴ کاناله Emotiv Epoc X جمع‌آوری شده بود ارزیابی کردند، که در آن به دقت ۹۳٫۵٪ در تشخیص آرتیفکت‌های پلک زدن دست یافت.
این مطالعه نشان داد که مدل‌های پیشنهادی برای استخراج ویژگی یا پیش‌پردازش داده‌های EEG به دانش تخصصی نیازی ندارند و معماری آن‌قدر کارآمد است که بر روی دستگاه‌های تلفن همراه قابل پیاده‌سازی باشد. این امر به امکان تشخیص بلادرنگ آرتیفکت در محیط‌های کاربردی و کم‌منبع اشاره دارد.
آنچه این مجموعه تحقیقاتی هنوز مشخص نکرده است این است که چنین دسته‌بندی‌کننده‌های خودکاری چگونه در کل دامنه انواع آرتیفکت‌های مواجه‌شده در ثبت‌های دنیای واقعی عمل می‌کنند، یا چگونه با بازبینی دستی در جمعیت‌ها و محیط‌های ثبت متنوع مقایسه می‌شوند. یافته‌ها نشان می‌دهند که شناسایی کارآمد و خودکار آرتیفکت‌های EEG امکان‌پذیر است، اما اعتبارسنجی بیشتر در شرایط گسترده‌تر همچنان یک حوزه باز برای تحقیق به شمار می‌رود.
چرا آگاهی از آرتیفکت کیفیت داده‌ها را تعیین می‌کند
آرتیفکت‌ها مستقیماً بر تفسیر بصری و اندازه‌گیری‌های کمّی تأثیر می‌گذارند. چه هدف یک تشخیص بالینی باشد، چه یک کشف در علوم اعصاب، یا یک برنامه سلامت مصرف‌کننده، مسیر رسیدن به نتایج قابل اعتماد از درک واضح منشأ آرتیفکت‌ها، شکل ظاهری 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 زمانی به بهترین نحو عمل می‌کند که روی داده‌هایی اعمال شود که قبلاً توسط یک چشم آموزش‌دیده انسانی بازبینی شده باشند. نرخ آلودگی ۱۲٪ ممکن است زیاد به نظر نرسد، اما زمانی که این بخش بتواند یک تصمیم پزشکی را تغییر دهد یا یک نشانگر زیستی شناختی ظریف را بپوشاند، سرمایه‌گذاری در مدیریت آرتیفکت با یکپارچگی علمی ثبت جدایی‌ناپذیر می‌شود.
منابع
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
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
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
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
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 کدامند و چه تفاوتی با هم دارند؟
آرتیفکت‌های EEG به دو دسته تقسیم می‌شوند: آرتیفکت‌های مرتبط با آزمودنی (فیزیولوژیکی) که توسط بدن شرکت‌کننده ایجاد می‌شوند—مانند پلک زدن، انقباض عضلانی، ضربان قلب و عرق—و آرتیفکت‌های فنی (غیرفیزیولوژیکی) که از تجهیزات یا محیط ناشی می‌شوند، مانند الکترودهای شل، تکان خوردن کابل‌ها و تداخل برق شهر. این تمایز اهمیت دارد زیرا هر دسته به استراتژی‌های پیشگیری و حذف متفاوتی نیاز دارد؛ به عنوان مثال، یک فوران عضلانی به مداخله‌ای متفاوت نسبت به نویز خط ۶۰ هرتز نیاز دارد.
چگونه می‌توان آرتیفکت پلک زدن را در سیگنال EEG تشخیص داد؟
پلک زدن به صورت یک موج کند، مثبت و بزرگ ظاهر می‌شود که روی الکترودهای فرونتال مانند Fp1 و Fp2 در قوی‌ترین حالت خود قرار دارد و به سرعت به سمت کانال‌های مرکزی یا خلفی محو می‌شود. از آنجا که قرنیه نسبت به شبکیه دارای بار مثبت است، حرکت پلک روی این دوقطبی یک انحراف کلیشه‌ای و با دامنه بالا ایجاد می‌کند که با تمرین و آموزش به‌راحتی قابل تشخیص است.
چرا فعالیت عضلانی می‌تواند به ویژه برای واسط‌های مغز و رایانه مشکل‌ساز باشد؟
آرتیفکت‌های عضلانی ناشی از فشردن فک، اخم کردن یا تنش گردن، تداخل تیز و با فرکانس بالا تولید می‌کنند که اغلب با باندهای امواج مغزی بتا و گاما که معیارهای شناختی و پایش حالت ذهنی در آن‌ها عمل می‌کنند، همپوشانی دارد. این آلودگی می‌تواند تحلیل‌های الگوریتمی را خراب کرده و عملکرد مدل‌های واسط مغز و رایانه را کاهش دهد و آن را به یکی از دردسرسازترین آرتیفکت‌های فیزیولوژیکی برای مدیریت تبدیل کند.
آرتیفکت تداخل برق شهر چه شکلی است و چه عاملی باعث آن می‌شود؟
تداخل برق شهر به صورت یک «ویزویز» سینوسی مداوم و ریتمیک سوار بر هر کانال EEG ظاهر می‌شود که معمولاً بسته به منبع برق منطقه در فرکانس ۵۰ یا ۶۰ هرتز است. این امر از کوپلینگ خازنی منبع برق با سیستم ثبت به دلیل امپدانس نامناسب الکترود، شیلدینگ ناکافی، یا مشکلات اتصال به زمین ناشی می‌شود و کاملاً یک آرتیفکت فنی است تا یک سیگنال عصبی.
چرا یادداشت‌برداری دستی از آرتیفکت‌ها در طول ثبت مهم است؟
نگهداری یک گزارش جاری از حرکات عمده، سرفه‌ها، یا تنظیمات الکترود در طول جلسه به محدود کردن بخش‌های داده‌های نامناسب در مراحل بعدی کمک کرده و حدس و گمان را به مستنداتی با قابلیت بازتولید تبدیل می‌کند. این یادداشت‌برداری دستی همچنین مشابه برچسب‌گذاری تخصصی برای آموزش دسته‌بندی‌کننده‌های خودکار است و واقعیت مرجعی فراهم می‌کند که قابلیت اطمینان پاکسازی دستی و محاسباتی را بهبود می‌بخشد.
هدف از درون‌یابی یک کانال EEG با نویز مداوم چیست؟
هنگامی که یک الکترود در طول ثبت به دلیل اتصال شل یا ژل خشک شده غیرقابل اعتماد است، درون‌یابی داده‌های آن کانال را از روی الکترودهای تمیز مجاور با استفاده از توزیع مکانی ولتاژ روی پوست سر بازسازی می‌کند. این کار ابعاد کلی مجموعه داده را برای تحلیل‌های توپوگرافیک حفظ کرده و از اتلاف داده‌ای که در صورت کنار گذاشتن کل کانال رخ می‌دهد، جلوگیری می‌کند.
تحلیل مؤلفه‌های مستقل (ICA) چگونه به حذف آرتیفکت کمک می‌کند؟
روش ICA سیگنال‌های ترکیبی EEG را به مؤلفه‌های منبع آماری مستقل تجزیه می‌کند و پلک زدن، فعالیت عضلانی و سایر آرتیفکت‌ها را بر اساس الگوهای مکانی و زمانی منحصربه‌فردشان تفکیک می‌نماید. پس از شناسایی، یک مؤلفه آرتیفکت—مانند مؤلفه‌ای با طرح‌ریزی فرونتال که با پلک زدن مطابقت دارد—می‌تواند تفریق شود، که سیگنال‌های عصبی زمینه‌ای را تا حد زیادی دست‌نخورده باقی می‌گذارد و چندین منبع آرتیفکت هم‌زمان را بسیار مؤثرتر از روش‌های رگرسیون ساده مدیریت می‌کند.
خطر حذف بیش از حد تهاجمی آرتیفکت به صورت خودکار چیست؟
حذف تهاجمی می‌تواند ناخواسته اطلاعات عصبی واقعی را حذف کند، زیرا برخی مؤلفه‌ها هم واریانس آرتیفکت و هم فعالیت مفید مغز را در بر دارند. حتی اگر دسته‌بندی‌کننده‌های خودکار مؤلفه‌های زیادی را پرچم‌گذاری کنند، بررسی دستی مؤلفه‌ها برای حذف توصیه می‌شود تا اطمینان حاصل شود که آستانه حذف، سیگنالی را که برای رمزگشایی قصد کاربر یا تشخیص نشانگرهای زیستی شناختی ضروری است از بین نمی‌برد.
چرا آگاهی از آرتیفکت مستقیماً بر یکپارچگی علمی ثبت EEG تأثیر می‌گذارد؟
آرتیفکت‌ها می‌توانند خود را به عنوان شکل موج‌های پاتولوژیک جا بزنند یا واریانسی ایجاد کنند که هم تفسیر بصری و هم تحلیل‌های کمّی را تحریف کند، و به‌طور بالقوه طبقه‌بندی‌های بالینی را تغییر داده یا سیگنال‌های ظریف شناختی را بپوشاند. یک فرآیند منظم برای پیشگیری، مستندسازی و پاکسازی دستی آرتیفکت‌ها قبل از هرگونه پردازش محاسباتی ضروری است، که تضمین می‌کند نتیجه‌گیری‌های حاصل از داده‌ها قابل اعتماد بوده و به واسطه آلودگی مخدوش نشده‌اند.
Emotiv یک شرکت پیشرو در فناوری عصبی است که با ابزارهای در دسترس EEG و داده‌های مغزی به پیشبرد پژوهش‌های علوم اعصاب کمک می‌کند.
سلب مسئولیت پزشکی: اطلاعات ارائه شده در این وب‌سایت صرفاً برای اهداف آموزشی و اطلاع‌رسانی است و به عنوان توصیه پزشکی یا بهداشتی در نظر گرفته نشده است. این محتوا ممکن است حاوی خطا باشد و نباید برای تصمیم‌گیری‌های حیاتی در زمینه سلامت، پزشکی یا سبک زندگی به آن استناد کرد. همیشه برای هرگونه سؤال در رابطه با یک شرایط پزشکی یا درمان، از پزشک خود یا سایر ارائه‌دهندگان واجد شرایط مراقبت‌های بهداشتی راهنمایی بخواهید.
کریستین بورگوس
