موضوعات دیگر را جستجو کنید…

جدول زمانی الکتروانسفالوگرافی (EEG) تحلیلی خود را با آرایه‌های بی‌سیم با تراکم بالا و راه‌اندازی سریع که برای استقرار انعطاف‌پذیر در میدان بهینه‌سازی شده‌اند، شتاب بخشید.

جدول زمانی الکتروانسفالوگرافی (EEG) تحلیلی خود را با آرایه‌های بی‌سیم با تراکم بالا و راه‌اندازی سریع که برای استقرار انعطاف‌پذیر در میدان بهینه‌سازی شده‌اند، شتاب بخشید.

داده‌های EEG یک ثبت حساس به زمان از فعالیت الکتریکی اندازه‌گیری‌شده از پوست سر را ارائه می‌دهند. ارزش آن نه تنها به خود ثبت، بلکه به اکتساب دقیق، پردازش شفاف، ذخیره‌سازی مناسب و تفسیر مسئولانه نیز بستگی دارد.

جدول زمانی الکتروانسفالوگرافی (EEG) تحلیلی خود را با آرایه‌های بی‌سیم با تراکم بالا و راه‌اندازی سریع که برای استقرار انعطاف‌پذیر در میدان بهینه‌سازی شده‌اند، شتاب بخشید.

جدول زمانی الکتروانسفالوگرافی (EEG) تحلیلی خود را با آرایه‌های بی‌سیم با تراکم بالا و راه‌اندازی سریع که برای استقرار انعطاف‌پذیر در میدان بهینه‌سازی شده‌اند، شتاب بخشید.

داده‌های EEG چیست؟

داده‌های EEG یک ثبت دیجیتالی از اختلاف ولتاژهای اندازه‌گیری‌شده توسط الکترودهایی هستند که روی پوست سر یا نزدیک آن قرار گرفته‌اند. الکتروانسفالوگرافی روشی غیرتهاجمی است و وضوح زمانی بالایی ارائه می‌دهد، که به پژوهشگران و پزشکان اجازه می‌دهد تغییرات فعالیت مغز را در بازه‌های میلی‌ثانیه‌ای بررسی کنند. سیگنال به‌دست‌آمده معمولاً به‌صورت یک یا چند سری زمانی پیوسته ذخیره می‌شود که هر کانال، اندازه‌گیری نسبت به یک مرجع را نشان می‌دهد.

این سیگنال بازتاب‌دهنده ترکیبی از منابع است. فعالیت‌های عصبی در ثبت آن نقش دارند، اما آرتیفکت‌ها مانند حرکات چشم، انقباضات عضلانی، حرکت الکترود، تداخلات محیطی و تغییرات در اتصال نیز می‌توانند در سیگنال ظاهر شوند.

به همین دلیل، داده‌های EEG خوانش مستقیمی از یک فرایند مغزی منفرد نیستند. این داده‌ها یک مشاهده هستند که نیازمند درک بافتار، بررسی‌های کیفیت و یک روش تحلیلی دقیق می‌باشند.

تعداد کانال‌ها، نرخ نمونه‌برداری، مرجع، موقعیت‌های الکترود، نشانگرهای رویداد و اطلاعات شرکت‌کننده، همگی بر چگونگی تفسیر داده‌ها تأثیر می‌گذارند. در عمل، ثبت زمانی بیشترین اطلاعات را ارائه می‌دهد که سیگنال در کنار تکلیف، وضعیت، زمان‌بندی و شرایطی که تحت آن جمع‌آوری شده است در نظر گرفته شود.

سلول‌های مغزی چگونه سیگنال EEG را تولید می‌کنند

تغییرات ولتاژی که یک الکترود EEG شناسایی می‌کند، از پتانسیل‌های عمل ناگهانی و «همه یا هیچ» که نورون‌ها برای ارتباطات راه دور استفاده می‌کنند نشأت نمی‌گیرد، بلکه از پتانسیل‌های پس‌سیناپسی درجه‌بندی‌شده و آهسته‌تری حاصل می‌شود که در سراسر دندریت‌های سلول‌های هرمی قشر مغز پخش می‌شوند.

هنگامی که هزاران مورد از این نورون‌ها به‌طور تقریبی همگام فعال می‌شوند، جریان‌های برون‌سلولی کوچک آن‌ها از طریق محیط رسانای مغز، مایع مغزی-نخاعی، جمجمه و پوست سر جمع می‌شوند؛ فرآیندی که هدایت حجمی (volume conduction) نامیده می‌شود. ولتاژی که در نهایت به حسگر ثبت می‌رسد، بازتابی مبهم اما واقعی از آن همگامی عصبی در مقیاس بزرگ است.

فرایند دریافت داده‌های EEG چگونه کار می‌کند

در طول دریافت داده، الکترودها نوسانات کوچک ولتاژ را شناسایی کرده و یک سیستم ثبت، آن‌ها را به نمونه‌های دیجیتال تبدیل می‌کند. این سیستم معمولاً چندین کانال را به‌طور هم‌زمان ثبت می‌کند، در حالی که یک مرجع و اتصال زمین (ground)، زمینه الکتریکی لازم برای محاسبه مقادیر کانال‌ها را فراهم می‌سازند. نرخ نمونه‌برداری مشخص می‌کند که سیگنال با چه تناوبی اندازه‌گیری می‌شود و بنابراین کدام تغییرات را می‌توان به‌درستی بازنمایی کرد.

پیش از ثبت، تکنسین‌ها یا پژوهشگران الکترودها را بر اساس یک مونتاژ تعریف‌شده قرار می‌دهند و کیفیت اتصال را بررسی می‌کنند. چارچوب موقعیت‌دهی الکترود EEG یک رویکرد استاندارد را توصیف می‌کند که مقایسه میان جلسات و آزمایشگاه‌ها را ممکن می‌سازد. نشانگرهای رویداد ممکن است هنگام ظاهر شدن محرک، پاسخ شرکت‌کننده یا وقوع یک رویداد بالینی اضافه شوند و یک خط زمانی ایجاد کنند که بعداً بتوان آن را با سیگنال‌های ثبت‌شده هم‌تراز کرد.

دریافت داده‌ها همچنین بر اساس پروتکل شکل می‌گیرد. ثبت‌های حالت استراحت، مطالعات خواب، تکالیف شناختی و پایش تشنج، از مدت‌زمان‌ها، دستورالعمل‌ها و حسگرهای کمکی متفاوتی استفاده می‌کنند. بنابراین، یک مجموعه داده کامل شامل چیزی بیش از رد ولتاژ است: ممکن است حاوی برچسب‌های کانال، موقعیت‌های الکترود، تنظیمات دستگاه، کدهای رویداد، حاشیه‌نویسی‌ها و رکوردی از وقفه‌ها یا شرایط غیرعادی باشد.

بهترین روش‌ها برای جمع‌آوری داده‌های EEG

جمع‌آوری خوب داده‌ها با پروتکلی آغاز می‌شود که پرسش پژوهش، مدت‌زمان ثبت، پیکربندی کانال‌ها، نرخ نمونه‌برداری، مرجع و روش ثبت نشانگرهای رویداد را پیش از آزمایش شرکت‌کنندگان تعریف می‌کند. ثبات رویه، تغییرات ناخواسته بین جلسات را کاهش می‌دهد و مقایسه‌های بعدی را قابل دفاع‌تر می‌سازد. پروتکل همچنین باید مشخص کند که در صورت نویزی بودن یک کانال، حرکت شرکت‌کننده یا جا افتادن یک نشانگر رویداد، چه اقدامی باید انجام شود.

آماده‌سازی فیزیکی نیز حیاتی است زیرا کیفیت سیگنال می‌تواند با حرکات معمولی و تماس نامناسب الکترود افت کند. به همین دلیل است که اپراتورها معمولاً امپدانس یا نشانگرهای معادل کیفیت اتصال را بررسی می‌کنند، تکلیف را به‌روشنی توضیح می‌دهند و تغییرات مربوط به وضعیت شرکت‌کننده را ثبت می‌کنند. این مراحل همه آرتیفکت‌ها را از بین نمی‌برند، اما شناسایی منشأ آن‌ها را آسان‌تر کرده و از اشتباه گرفتن مشکلات قابل پیشگیری با یافته‌های عصبی جلوگیری می‌کنند.

یک چک‌لیست کوتاه جمع‌آوری داده می‌تواند جزئیات عملیاتی را بدون جایگزین شدن با قضاوت علمی در دیدرس نگه دارد:

  • برچسب‌های کانال، موقعیت‌های الکترود، مرجع و زمین را تأیید کنید.

  • تنظیمات نمونه‌برداری، تنظیمات فیلتر و پیکربندی دستگاه را ثبت کنید.

  • محرک‌ها، پاسخ‌ها، مکث‌ها و رویدادهای دارای اهمیت بالینی را به‌طور پیوسته علامت‌گذاری کنید.

  • وقفه‌ها، حرکات، تغییرات الکترود و وضعیت‌های غیرعادی شرکت‌کننده را مستند کنید.

پس از جمع‌آوری، این چک‌لیست باید با بررسی ثبت خام و متاداده‌های آن همراه شود. سوابق دقیق و شفاف دریافت داده به تحلیل‌گران این امکان را می‌دهد تا ویژگی واقعی سیگنال را از تغییرات ناشی از سخت‌افزار، تنظیمات یا انحراف از پروتکل تشخیص دهند.

الکترودهای مرطوب در برابر خشک و کیفیت تماس پوستی

همه ثبت‌های EEG با یک حسگر فیزیکی روی پوست آغاز می‌شوند و این حسگر در یکی از دو دسته کلی قرار می‌گیرد.

الکترودهای مرطوب از ژل یا خمیر رسانا برای پر کردن شکاف بین فلز و پوست سر استفاده می‌کنند و امپدانس را کاهش می‌دهند. الکترودهای خشک نیاز به ژل را برطرف کرده و برای حفظ وفاداری سیگنال به مواد پیشرفته و پیش‌تقویت‌کننده‌های داخلی متکی هستند.

برخی از الکترودها فعال هستند، به این معنی که مدار تبدیل امپدانس را مستقیماً در محل ثبت دارند؛ الکترودهای غیرفعال فاقد این مدار الکترونیکی داخلی هستند. بدون در نظر گرفتن نوع الکترود، کیفیت اتصال بین الکترود و پوست سر تعیین می‌کند که چه میزان از سیگنال بیولوژیکی پیش از رسیدن به تقویت‌کننده سالم باقی می‌ماند.

تماس ضعیف موجب نویز محیطی و آرتیفکت‌های حرکتی می‌شود که می‌توانند فعالیت ضعیف مغز را تحت‌الشعاع قرار دهند. .Winkler et al این چالش را زمانی آشکار ساختند که با ساخت یک طبقه‌بندی‌کننده مستقل از آزمودنی برای مؤلفه‌های تحلیل مؤلفه‌های مستقل (ICA)، به مشکل همه‌گیر مؤلفه‌های منبع آرتیفکتی پرداختند.

صرفِ وجود چنین تلاشی تأکید می‌کند که آلودگی به آرتیفکت‌ها یک مسئله همیشگی در ثبت‌های EEG است و اتصال اولیه الکترودها—تمیز کردن پوست، قرار دادن صحیح حسگر و تأیید اتصال پایدار—اولین و مستقیم‌ترین راه برای کاهش بار آرتیفکتی است که پردازش‌های بعدی باید با آن مواجه شوند.

طراحی مونتاژ و سیستم استاندارد ۲۰–۱۰

از آنجا که پتانسیل‌های پوست سر برچسب فضایی ذاتی ندارند، این حوزه از مدت‌ها پیش یک شبکه مختصاتی را به کار گرفته است. سیستم بین‌المللی ۲۰–۱۰ موقعیت الکترودها را به‌صورت متناسب بین چهار نشانه آناتومیکی تعریف می‌کند: نازیون (پل بینی)، اینیون (برآمدگی استخوانی پشت سر) و نقاط پیش‌گوشی چپ و راست در جلوی گوش‌ها. این استانداردسازی به این معنی است که کانالی با برچسب «Cz» در هر آزمایشگاهی به همان موقعیت مرکزی بالای سر اشاره دارد و مجموعه‌های داده را مستقیماً قابل مقایسه می‌سازد.

مونتاژ که به‌عنوان مشخصه‌ای از نحوه اندازه‌گیری ولتاژ هر الکترود نسبت به یک مرجع و چگونگی نمایش یا ذخیره اشتقاق‌های دوقطبی یا مرجع تعریف می‌شود، بر روی این چیدمان فیزیکی قرار می‌گیرد. مطالعه Arnaud Delorme تصویری روشن از این موضوع است که چرا اطلاعات دقیق مونتاژ در مراحل بعدی اهمیت دارد؛ او دریافت که درون‌یابی کانال‌های خراب—یکی از معدود مراحل پیش‌پردازش که به‌طور مداوم توان آماری پتانسیل‌های وابسته به رویداد را بهبود می‌بخشد—به دانستن همسایگان فضایی دقیق هر الکترود وابسته است. بدون یک نقشه کانال صحیح، چنین درون‌یابی نمی‌تواند عملکرد قابل اعتمادی داشته باشد.

او سپس اضافه می‌کند که طبقه‌بندی‌کننده آرتیفکت طوری طراحی شده بود که برای داده‌هایی با چیدمان کانال متفاوت قابل تعمیم باشد، که این خود تأکید می‌کند ویژگی‌های فضایی طبقه‌بندی‌کننده بر پایه آرایشی با مستندات دقیق عمل می‌کنند. بنابراین، یک مونتاژ استاندارد و به‌دقت ثبت‌شده، به داربستی نامرئی تبدیل می‌شود که هم از تفسیر انسانی و هم از استفاده مجدد الگوریتمی پشتیبانی می‌کند.

انتخاب و مستندسازی مرجع برخط (Online Reference)

هر تقویت‌کننده EEG اختلاف ولتاژ بین دو نقطه را ثبت می‌کند. در طول ثبت برخط، یکی از آن نقاط، یک الکترود مرجع فیزیکی است که سخت‌افزار آن را به‌عنوان خط پایه ثابت در نظر می‌گیرد.

گزینه‌های رایج عبارتند از ورتکس (Cz)، لاله‌های گوش یا زائده‌های ماستوئید متصل به هم، یا میانگین تمام کانال‌های پوست سر. از آنجا که فایل داده خام ولتاژها را نسبت به آن مرجع اولیه ذخیره می‌کند، این انتخاب اثری دائمی بر اعداد بر جای می‌گذارد، حتی اگر پژوهشگر بعداً با محاسبات ریاضی سیگنال را نسبت به یک نقطه مشترک دیگر باز-مرجع‌دهی (re-reference) کند.

در مطالعه پیش‌گفته Delorme که خطوط لوله پیش‌پردازش خودکار را بر روی سه مجموعه داده عمومی EEG آزمایش کرد، مشخص شد که مرجع‌دهی و روش‌های پیشرفته حذف خط پایه تأثیر منفی چشمگیری بر عملکرد داشته و درصد کانال‌هایی را که اثر آزمایشی معنی‌داری نشان می‌دادند کاهش داده‌اند.

این یافته به این معنی نیست که فرد هرگز نباید عمل باز-مرجع‌دهی را انجام دهد، بلکه به این معناست که مرجع برخط اولیه حتماً باید در سرآیند (header) فایل ثبت شود. تنها با این یادداشت است که یک تحلیل‌گر در آینده می‌تواند متوجه شود چه خط پایه‌ای در ابتدا کسر شده بود و ارزیابی کند که آیا هر تبدیل بعدی ممکن است پاسخ واقعی مغز را مخدوش کند یا خیر.

تبدیل آنالوگ به دیجیتال و نرخ نمونه‌برداری

ولتاژ پیوسته‌ای که از هر الکترود جریان می‌یابد، توسط یک مبدل آنالوگ به دیجیتال (ADC) به جریانی از اعداد گسسته تبدیل می‌شود. نرخی که ADC نمونه‌برداری می‌کند، دقت زمانی سری زمانی حاصل را تعیین می‌نماید.

برای مثال، نرخ نمونه‌برداری ۵۰۰ هرتز به این معنی است که وضعیت الکتریکی مغز در هر ۲ میلی‌ثانیه یک بار ثبت می‌شود. بر اساس قضیه نایکویست، بالاترین فرکانسی که می‌تواند به‌درستی در سیگنال دیجیتالی نشان داده شود کمتر از نیمی از نرخ نمونه‌برداری است، بنابراین یک ثبت با نرخ ۵۰۰ هرتز می‌تواند فرکانس‌های کمی کمتر از ۲۵۰ هرتز را بازیابی کند. دستگاه‌های EEG پژوهشی معمولاً بسته به باندهای فرکانسی مورد نظر، با نرخی بین ۲۵۰ تا ۱۰۰۰ هرتز کار می‌کنند.

آنچه نرخ نمونه‌برداری را به‌عنوان متاداده بسیار بااهمیت می‌سازد این است که ناخودآگاه انتخاب‌های تحلیلی را در مراحل بعدی محدود می‌کند. .Fraschini et al دقیقاً همین اثر موجی را با آزمایش چگونگی تغییر نتایج بر اثر طول اپوک (پنجره زمانی داده‌های استخراج‌شده برای تحلیل اتصال‌پذیری) بررسی کردند.

این مطالعه با استفاده از EEG حالت استراحت در بزرگسالان سالم نشان داد که مقادیر شاخص تأخیر فاز میانگین و همبستگی پوش دامنه، هر دو با طولانی‌تر شدن اپوک‌ها کاهش می‌یابند و به ترتیب تنها پس از حدود ۱۲ ثانیه و ۶ ثانیه به ثبات می‌رسند. حتی توپولوژی شبکه‌های تئوری گراف بازسازی‌شده از داده‌ها با مدت‌زمان اپوک تغییر کرد، هرچند پارامترهای درخت پوشای کمینه در سطح منبع استحکام بیشتری نشان دادند.

نتیجه‌گیری اساسی برای مستندسازی داده‌های خام این است که تعداد نمونه‌ها در ثانیه، حد کف مطلوبی را برای چگونگی تقسیم‌بندی زمانی تعیین می‌کند. اگر نرخ نمونه‌برداری به‌طور نادرست ثبت شود، تمام نشانگرهای رویداد، مرزهای اپوک و تخمین‌های اتصال‌پذیری بعدی این خطا را به ارث می‌برند. بنابراین، ثبت نرخ دقیق ADC در سرآیند فایل، بخش غیرقابل مذاکره‌ای از مدیریت داده‌هاست.

فرمت‌های استاندارد ذخیره‌سازی داده‌ها: EDF و BrainVision

پس از دیجیتالی شدن، سری زمانی و متاداده‌های همراه آن باید در قالب فرمتی ذخیره شوند که سایر نرم‌افزارها و دیگر آزمایشگاه‌ها بتوانند آن را بدون ابهام باز کنند.

دو فرمت باز بر این حوزه مسلط هستند. فرمت داده اروپایی (EDF) یک محفظه فشرده و پرکاربرد است که در تحقیقات خواب و محیط‌های بالینی رواج دارد و چندین کانال را در کنار سرآیندی که نرخ نمونه‌برداری، برچسب‌های کانال و ابعاد فیزیکی را مشخص می‌کند ذخیره می‌نماید.

فرمت BrainVision که توسط شرکت Brain Products توسعه یافته است، همین اطلاعات را در سه فایل مرتبط توزیع می‌کند: یک سرآیند متنی (vhdr.) که نام کانال‌ها، نرخ نمونه‌برداری و مرجع اولیه را فهرست می‌کند؛ یک فایل نشانگر (vmrk.) که کدهای رویداد و تأخیرهای آن‌ها را ثبت می‌نماید؛ و یک فایل داده باینری (eeg.) که نمونه‌های ولتاژ خام را نگه می‌دارد.

ارزش این فرمت‌های استاندارد هنگامی که مجموعه‌های بزرگ داده به‌صورت عمومی به اشتراک گذاشته می‌شوند مشخص می‌گردد. به‌عنوان مثال، در یک مطالعه در سال ۲۰۱۹، پژوهشگران یک مجموعه داده چندپارادایمی رابط مغز و رایانه (BCI) را منتشر کردند که شامل تصویرسازی حرکتی، پتانسیل‌های وابسته به رویداد و پتانسیل‌های برانگیخته بینایی حالت پایدار از ۵۴ شرکت‌کننده بود. توزیع چنین منبعی با اسکریپت‌های تحلیلی متن‌باز در صورتی که داده‌ها در یک قالب اختصاصی قفل شده بودند، بی‌معنی می‌بود.

چه فایل‌ها در نهایت در قالب EDF آرشیو شوند و چه در BrainVision، این انتخاب تضمین می‌کند که هر پژوهشگری می‌تواند ثبت را دانلود کرده و یافته‌ها را بازتولید کند، و به این ترتیب داده خام را به کل زنجیره تکرارپذیری جامعه علمی متصل سازد.

ویژگی

EDF

BrainVision

ساختار فایل

یک محفظه واحد

سه فایل مرتبط

اطلاعات سرآیند

داخل فایل

فایل متنی vhdr.

نشانگرهای رویداد

جداگانه نیست

فایل vmrk.

داده‌های خام

در همان فایل

فایل باینری eeg.

اقدامات ضروری: نقشه‌های کانال و متاداده‌های نمونه‌برداری

یک فایل خام EEG تنها زمانی از نظر علمی قابل استفاده می‌شود که توصیف کامل و دقیقی از ساختار فضایی و زمانی خود به همراه داشته باشد. این بدان معناست که هر کانال باید دارای یک برچسب استاندارد (مانند Fz، C3، O2 و غیره) به همراه مختصات سه‌بعدی خود روی پوست سر باشد. این مختصات امکان هرگونه تحلیل بعدی شامل روابط فضایی را فراهم می‌کند، مانند درون‌یابی یک کانال خراب از روی همسایگانش یا تصویر کردن سیگنال بر روی یک مدل منبع قشری.

مطالعه Fraschini و همکاران برای طبقه‌بندی مؤلفه‌های ICA به فعالیت مغزی یا آرتیفکت به ویژگی‌های فضایی، طیفی و زمانی تکیه داشت؛ توپوگرافی فضایی یک مؤلفه بدون دانستن موقعیت فیزیکی هر الکترودی که در آن مشارکت داشته است بی‌معنی است.

به همین ترتیب، Delorme دریافت که درون‌یابی کانال خراب با استفاده از مقادیر الکترودهای مجاور، یکی از معدود اصلاحاتی بود که به‌طور قابل اعتمادی اثرات تجربی را حفظ می‌کرد. یک درون‌یاب تنها در صورتی می‌تواند این تخمین فضایی را انجام دهد که نقشه کانال مجموعه داده صحیح باشد.

سرآیند فایل همچنین باید نرخ دقیق نمونه‌برداری، تاریخ ثبت و برچسب‌های بدون ابهام برای هر کانال کمکی مانند الکترواوکولوگرام (حرکات چشم) یا الکترومیوگرام (فعالیت عضلانی) را ذخیره کند. حتی اگر این کانال‌ها در طول بررسی اولیه داده‌ها بدون استفاده بمانند، حضور آن‌ها باید مشخص باشد. عدم تطابق بین نرخ نمونه‌برداری ذخیره‌شده و ساعت واقعی ADC می‌تواند زمان‌بندی را به‌طور جبران‌ناپذیری تحریف کند و هم‌تراز کردن بعدی آن با نشانگرهای محرک را غیرممکن سازد.

داده‌های EEG در محیط‌های بالینی در مقایسه با پژوهشی

ثبت‌های بالینی و پژوهشی اصول پایه‌ای مشترکی دارند اما اهداف بی‌واسطه متفاوتی را دنبال می‌کنند. EEG بالینی برای پشتیبانی از ارزیابی، پایش یا تشخیص بیمار تحت رویه‌های حرفه‌ای و سازمانی مشخص جمع‌آوری می‌شود. EEG پژوهشی معمولاً برای آزمایش یک فرضیه مشخص، مقایسه شرایط یا توسعه یک روش تحلیلی، همراه با پروتکل‌ها و مستندات ویژه مطالعه گردآوری می‌شود.

کار بالینی تأکید زیادی بر بازبینی به‌موقع، مونتاژهای معنادار از نظر بالینی، تفسیر معتبر و ثبت دائمی در سیستم درمانی مربوطه دارد. پژوهش بیشتر بر شرایط کنترل‌شده، پیامدهای از پیش تعیین‌شده، تکرارپذیری و مدیریت شفاف موارد حذف‌شده تأکید می‌کند. یک نتیجه پژوهشی لزوماً یک یافته بالینی نیست و یک مشاهده بالینی نیز لزوماً یک معیار پژوهشی معتبر به شمار نمی‌آید.

این تمایز بر حاکمیت داده‌ها نیز تأثیر می‌گذارد. داده‌های بالینی ممکن است تحت نظارت الزامات پرونده پزشکی و مراقبت مستقیم باشند، در حالی که مجموعه‌های داده پژوهشی توسط زبان رضایت‌نامه، بازبینی سازمانی، برنامه‌های اشتراک‌گذاری داده‌ها و اهداف پایانی مطالعه شکل می‌گیرند. در هر دو محیط، تفسیر توسط افراد آموزش‌دیده و مستندسازی دقیق ضروری است زیرا الگوهای EEG به بافتار وابسته‌اند و نه به مقادیر عددی مجزا.

ملاحظات حریم خصوصی و اخلاقی برای داده‌های EEG

ثبت‌های EEG می‌توانند از طریق شناسه‌ها، اطلاعات جلسه، زمینه بالینی یا ترکیبی از متاداده‌ها به یک شخص متصل شوند. حتی زمانی که تفسیر شکل موج به‌خودی‌خود خارج از یک محیط تخصصی دشوار است، چنانچه به یک شرکت‌کننده قابل شناسایی مرتبط باشد باید به‌عنوان داده‌های حساس مربوط به آزمودنی‌های انسانی با آن رفتار شود. جمع‌آوری و استفاده مجدد باید با پروتکل تأییدشده و الزامات حریم خصوصی قابل اعمال هماهنگ باشد.

رضایت‌نامه باید هدف از ثبت، انواع تحلیل‌های مورد انتظار، مدت نگهداری، احتمال اشتراک‌گذاری و امکان استفاده‌های آتی را توضیح دهد. پژوهشگران باید از القای این باور که EEG می‌تواند بیش از آنچه مطالعه برای اندازه‌گیری آن طراحی شده را آشکار کند، خودداری نمایند. برقراری ارتباط شفاف به‌ویژه زمانی مهم است که شرکت‌کنندگان ممکن است تصور کنند یک ثبت پژوهشی به منزله تشخیص یا ارزیابی فردی است.

رویکرد اخلاقی پس از جمع‌آوری داده‌ها نیز ادامه دارد. حذف اطلاعات هویتی، دسترسی کنترل‌شده، محدودیت‌های نگهداری، ردگیری بازرسی‌ها و انتشار محتاطانه متاداده‌ها به کاهش ریسک کمک می‌کنند، اما هیچ روشی خطر را به‌طور کامل از بین نمی‌برد. یافته‌ها باید بدون بزرگ‌نمایی در معنای پیش‌بینانه یا تشخیصی گزارش شوند و طبقه‌بندی‌های خودکار باید به‌عنوان خروجی‌های تحلیلی نیازمند اعتبارسنجی مناسب تلقی گردند، نه به‌عنوان احکام قطعی درباره یک فرد.

چرا کیفیت ثبت خام، پایه و اساس تحلیل قابل اعتماد EEG است

یک جلسه EEG لحظه‌ای است که ساختار الکتریکی مغز در قالبی پایدار ثبت می‌شود و پیچیدگی آن سیگنال خام، از پیش بازتاب‌دهنده شبکه‌های عصبی زیر پوست سر است. مطالعات مبتنی بر علوم اعصاب که در اینجا به آن‌ها اشاره شد پیامی یکپارچه دارند: سیگنال مورد نظر در خود داده خام قرار دارد، به شرطی که مرحله دریافت با دقت مدیریت شود. کیفیت تماس الکترود، نقشه‌برداری دقیق کانال، مراجع و نرخ نمونه‌برداری مستند، و فرمت‌های ذخیره‌سازی باز، همگی تعیین می‌کنند که آیا این سیگنال در طول سال‌ها و در آزمایشگاه‌های مختلف در دسترس باقی می‌ماند یا خیر.

در نهایت، احتیاط و پرهیز از دستکاری معمولاً بهتر از پردازش‌های سنگین عمل می‌کند؛ همان‌طور که پژوهشگرانی که داده‌های خام را تا حد زیادی دست‌نخورده باقی گذاشتند، نسبت به کسانی که اصلاحات تهاجمی اعمال کردند، پاسخ‌های واقعی مغز را بهتر حفظ نمودند. ثبت دقیق، متاداده‌های صادقانه و حداقل دستکاری، اصولی هستند که سیگنال علمی را دست‌نخورده نگه می‌دارند.

بنابراین، هر تحلیل قابل اعتماد نه با الگوریتم‌های پیچیده، بلکه با عمل ساده ثبت یک رد دقیق و مستند آغاز می‌شود.

مدیریت آرتیفکت‌ها و بهبود کیفیت سیگنال در داده‌های EEG

طبقه‌بندی کارآمد آرتیفکت‌ها بر پایه CNN

آلودگی به آرتیفکت‌ها همچنان یک چالش محوری در تحلیل داده‌های EEG است و شناسایی خودکار می‌تواند پیش‌پردازش را تسریع بخشد. یک مطالعه، معماری طبقه‌بندی آرتیفکت مبتنی بر CNN را پیشنهاد کرد که نیازی به استخراج دستی ویژگی‌ها ندارد. پژوهشگران پنج مدل شبکه عصبی پیچشی طراحی کرده و آن‌ها را از نظر کارایی پارامترها و محاسبات بهینه‌سازی نمودند.

بهترین شبکه آن‌ها در میان ۱۷ شرکت‌کننده و ۹ کلاس آرتیفکت به دقت طبقه‌بندی ۹۴.۱۷٪ رسید. این مدل هنگامی که بر روی یک مجموعه داده مجزا که با یک headset مدل Emotiv Epoc X دارای ۱۴ کانال جمع‌آوری شده بود آزمایش شد، آرتیفکت‌های پلک زدن را با دقت ۹۳.۵٪ شناسایی کرد، که نشان می‌دهد شبکه‌های سبک و مناسب برای موبایل می‌توانند به‌طور قابل اعتمادی آلاینده‌های رایج را در ثبت‌های پیوسته چندکاناله شناسایی کنند.

یک مجموعه داده عمومی EEG مربوط به آرتیفکت‌های حرکتی

دستگاه‌های EEG پوشیدنی به‌ویژه در برابر آرتیفکت‌های حرکتی آسیب‌پذیر هستند، با این حال مجموعه‌های داده باز که این اختلالات را ثبت کنند اندک‌اند. برای پر کردن این شکاف، محققان یک مجموعه داده EEG آرتیفکت حرکتی را منتشر کردند که با یک headset مدل Emotiv Epoc X و نرم‌افزار EmotivPRO ثبت شده بود.

یک شرکت‌کننده سالم مجرد، توالی‌هایی از حرکات بالاتنه، پایین‌تنه و کل بدن—شامل پلک زدن، تکان دادن سر، صحبت کردن، راه رفتن و نشستن—را انجام داد در حالی که ۱۴ کانال EEG و ۹ سیگنال حسگر حرکتی ذخیره می‌شدند. نویسندگان داده‌ها را در فرمت‌های CSV و MATLAB ارائه می‌دهند و منبعی برای آزمایش الگوریتم‌های حذف نویز در شرایط متحرک و واقعی فراهم می‌آورند.

استخراج ریتم‌های جمعی از EEG چندکاناله

فراتر از حذف آرتیفکت، بهبود نسبت سیگنال به نویز یک ریتم مغزی مشترک در چندین کانال می‌تواند تحلیل‌های بعدی را دقیق‌تر کند. مطالعه‌ای با استفاده از headset مدل Emotiv Epoc X، تحلیل مؤلفه‌های اصلی (PCA) را با یک روش استخراج ریتم جمعی بر اساس پیچش کوسامبی-هیلبرت (KHT) مقایسه کرد.

رویکرد KHT تأخیرهای فاز بین کانال‌ها را در نظر گرفته و بر یک باند فرکانسی خاص تمرکز می‌کند. در ثبت‌های با چشمان بسته و در طول تماشای صفحه نمایش چشمک‌زن ۱۵ هرتز، KHT نسبت سیگنال به نویز بالاتری را برای سیگنال جمعی نسبت به PCA به دست آورد، به‌ویژه هنگامی که جابه‌جایی‌های زمانی تصادفی در کانال‌ها اعمال شد. این یافته ارزش روش‌های همگام‌سازی فاز را برای جداسازی فعالیت نوسانی مشترک در داده‌های EEG رده مصرف‌کننده نشان می‌دهد.

این مطالعات در کنار یکدیگر جهت‌گیری‌های کاربردی را برای مدیریت آرتیفکت‌ها و بهبود کیفیت سیگنال در داده‌های EEG نشان می‌دهند. آن‌ها نشان می‌دهند که مدل‌های کارآمد یادگیری عمیق می‌توانند آلاینده‌های رایج را طبقه‌بندی کنند، مجموعه‌های داده هدف‌مند می‌توانند از توسعه الگوریتم‌ها برای ثبت‌های آلوده به حرکت پشتیبانی نمایند و پردازش سیگنال آگاه از فاز می‌تواند ریتم‌های جمعی را تقویت کند. این پژوهش‌ها بر روی نمونه‌های کوچک و در شرایط کنترل‌شده انجام شده است، بنابراین دقت‌ها و بهبودهای گزارش‌شده باید امیدبخش تلقی شوند اما هنوز قابل تعمیم به تمام جمعیت‌ها یا محیط‌های ثبت نیستند.

منابع

  1. 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

  2. Delorme, A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

  3. Fraschini, M., Demuru, M., Crobe, A., Marrosu, F., Stam, C. J., & Hillebrand, A. (2016). The effect of epoch length on estimated EEG functional connectivity and brain network organisation. Journal of neural engineering, 13(3), 036015.

  4. Lee, M. H., Kwon, O. Y., Kim, Y. J., Kim, H. K., Lee, Y. E., Williamson, J., ... & Lee, S. W. (2019). EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience, 8(5), giz002. https://doi.org/10.1093/gigascience/giz002

پرسش‌های متداول

یک ثبت EEG دقیقاً چه چیزی را ضبط می‌کند و چرا بازتابی از فعالیت مغز محسوب می‌شود؟

ثبت EEG نوسانات ریز ولتاژ را در پوست سر که ناشی از فعالیت همگام گروه‌های بزرگی از نورون‌های قشر مغز است، ثبت می‌کند. این نوسانات در درجه اول از پتانسیل‌های پس‌سیناپسی درجه‌بندی‌شده در سلول‌های هرمی ناشی می‌شوند که از طریق هدایت حجمی جمع شده و معیاری مبهم اما واقعی از همگامی عصبی در مقیاس بزرگ ایجاد می‌کنند.

چرا سیگنال‌های EEG از پتانسیل‌های پس‌سیناپسی نشأت می‌گیرند و نه از پتانسیل‌های عمل؟

پتانسیل‌های عمل رویدادهایی کوتاه و «همه یا هیچ» هستند که سهم کمی در ولتاژ پوست سر دارند، در حالی که پتانسیل‌های پس‌سیناپسی درجه‌بندی‌شده و آهسته‌تر، روی دندریت‌ها پخش شده و در میان هزاران نورون جمع می‌شوند. این تجمیع باعث ایجاد تغییرات ولتاژ قابل شناسایی در پوست سر می‌شود و پتانسیل‌های پس‌سیناپسی را به منبع اصلی سیگنال EEG تبدیل می‌کند.

تفاوت بین الکترودهای مرطوب و خشک چیست و کیفیت تماس الکترود چگونه بر ثبت تأثیر می‌گذارد؟

الکترودهای مرطوب از یک ژل رسانا برای کاهش امپدانس و بهبود انتقال سیگنال استفاده می‌کنند، در حالی که الکترودهای خشک برای حفظ وفاداری سیگنال بدون ژل، به مواد پیشرفته و پیش‌تقویت‌کننده‌های داخلی متکی هستند. کیفیت تماس بین الکترود و پوست بسیار مهم است زیرا تماس ضعیف موجب ورود نویز محیطی و آرتیفکت‌های حرکتی می‌شود که می‌توانند سیگنال ضعیف مغز را بپوشانند.

سیستم بین‌المللی ۲۰–۱۰ چگونه موقعیت‌دهی الکترود را استانداردسازی می‌کند و چرا این موضوع مهم است؟

سیستم ۲۰–۱۰ موقعیت الکترودها را به‌صورت متناسب بین چهار نشانه آناتومیکی—نازیون، اینیون و نقاط پیش‌گوشی چپ و راست—تعریف می‌کند، به‌طوری که کانالی با نام «Cz» در هر آزمایشگاهی به همان موقعیت اشاره دارد. این استانداردسازی تضمین می‌کند که مجموعه‌های داده مستقیماً قابل مقایسه باشند و تحلیل‌های فضایی دقیق، مانند درون‌یابی کانال خراب، امکان‌پذیر گردد.

چرا مستندسازی الکترود مرجع برخط استفاده‌شده در طول ثبت EEG ضروری است؟

فایل داده خام، ولتاژها را نسبت به مرجع برخط ذخیره می‌کند؛ بنابراین انتخاب مرجع (مانند Cz، لاله‌های گوش متصل یا میانگین) اثری همیشگی بر اعداد بر جای می‌گذارد، حتی اگر بعداً باز-مرجع‌دهی انجام شود. بدون ثبت مرجع اولیه، تحلیل‌گر در آینده نمی‌تواند خط پایه کسرشده را متوجه شود یا ارزیابی کند که آیا تبدیل‌های بعدی پاسخ‌های واقعی مغز را مخدوش می‌کنند یا خیر.

نرخ نمونه‌برداری چه نقشی در ثبت‌های EEG ایفا می‌کند و قضیه نایکویست چگونه اعمال می‌شود؟

نرخ نمونه‌برداری وضوح زمانی سیگنال دیجیتالی را تعیین می‌کند و قضیه نایکویست بیان می‌دارد که بالاترین فرکانسی که به‌درستی بازنمایی می‌شود کمتر از نیمی از نرخ نمونه‌برداری است. به‌عنوان مثال، نرخ نمونه‌برداری ۵۰۰ هرتز می‌تواند فرکانس‌هایی تا کمی کمتر از ۲۵۰ هرتز را بازیابی کند، و EEGهای پژوهشی معمولاً بین ۲۵۰ تا ۱۰۰۰ هرتز عمل می‌کنند. نرخ نمونه‌برداری دقیق بسیار حیاتی است زیرا تمام تحلیل‌های بعدی مرتبط با زمان را محدود می‌کند.

دو فرمت مسلط داده‌های باز برای EEG کدامند و چه چیزی را ذخیره می‌کنند؟

فرمت داده اروپایی (EDF) یک محفظه فشرده است که چندین کانال را به همراه یک سرآیند حاوی نرخ نمونه‌برداری، برچسب‌های کانال و ابعاد فیزیکی ذخیره می‌کند. BrainVision اطلاعات را در سه فایل مرتبط پخش می‌کند: یک سرآیند (vhdr.)، یک فایل نشانگر (vmrk.) و یک فایل داده باینری (eeg.)، که همگی اشتراک‌گذاری بدون ابهام و تکرارپذیری را تضمین می‌نمایند.

چرا نقشه کامل کانال‌ها و مختصات فضایی برای یک فایل خام EEG ضروری است؟

یک نقشه کانال همراه با برچسب‌های استاندارد و مختصات سه‌بعدی، امکان هرگونه تحلیل فضایی را فراهم می‌کند، مانند درون‌یابی کانال‌های خراب از روی همسایگان یا تصویر کردن سیگنال‌ها بر روی مدل‌های منبع قشری. به‌عنوان مثال، طبقه‌بندی‌کننده‌های آرتیفکت به توپوگرافی‌های فضایی تکیه دارند و درون‌یابی مستلزم دانستن مکان دقیق الکترودهاست؛ بدون این اطلاعات، چنین تحلیل‌هایی با شکست مواجه می‌شوند.

چه متاداده‌های ضروری باید در سرآیند فایل EEG ثبت شوند و چرا؟

سرآیند باید شامل نرخ دقیق نمونه‌برداری، تاریخ ثبت، برچسب‌های کانال با مختصات سه‌بعدی و برچسب‌های بدون ابهام برای کانال‌های کمکی مانند EOG یا EMG باشد. این اطلاعات بسیار حیاتی هستند زیرا نرخ نمونه‌برداری نادرست می‌تواند زمان‌بندی را به‌طور جبران‌ناپذیری تحریف کند و نقشه صحیح کانال برای درون‌یابی فضایی و مدل‌سازی منبع ضروری است.

چرا EEG برای پژوهش مفید است؟

دستگاه EEG اطلاعات زمانی بسیار دقیقی ارائه می‌دهد و برای مطالعه پاسخ‌های وابسته به رویداد، ریتم‌های جاری، خواب، توجه، پردازش حسی و سایر پدیده‌های حساس به زمان مفید است. با این حال، تفسیر آن همچنان وابسته به طرح آزمایشی و کیفیت سیگنال است.

آرتیفکت‌های رایج EEG کدامند؟

آرتیفکت‌های رایج شامل پلک زدن، حرکات چشم، فعالیت عضلانی، حرکت الکترود، اتصال ضعیف، حرکت کابل و تداخل الکتریکی هستند. این موارد ممکن است یک یا چند کانال را تحت تأثیر قرار دهند و می‌توانند با فرکانس‌های مورد توجه علمی هم‌پوشانی داشته باشند.

پیش‌پردازش در تحلیل EEG چیست؟

پیش‌پردازش مجموعه مستندشده‌ای از عملیات است که برای آماده‌سازی ثبت‌ها جهت تحلیل استفاده می‌شود. این فرایند می‌تواند شامل فیلتر کردن، باز-مرجع‌دهی، مدیریت کانال‌های خراب، شناسایی آرتیفکت، بخش‌بندی (epoching)، تصحیح خط پایه و کنترل کیفیت باشد.

جدول زمانی الکتروانسفالوگرافی (EEG) تحلیلی خود را با آرایه‌های بی‌سیم با تراکم بالا و راه‌اندازی سریع که برای استقرار انعطاف‌پذیر در میدان بهینه‌سازی شده‌اند، شتاب بخشید.

جدول زمانی الکتروانسفالوگرافی (EEG) تحلیلی خود را با آرایه‌های بی‌سیم با تراکم بالا و راه‌اندازی سریع که برای استقرار انعطاف‌پذیر در میدان بهینه‌سازی شده‌اند، شتاب بخشید.

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

جدیدترین اخبار از ما

سازش در الکترودهای خشک EEG: سرعت و راحتی در برابر دقت سیگنال

الکتروانسفالوگرام (EEG) دهه‌هاست که یکی از ارکان اصلی علوم اعصاب به شمار می‌رود و فعالیت الکتریکی مغز را از طریق الکترودهای قرارگرفته روی پوست سر اندازه‌گیری می‌کند. الکترودهای سنتی «مرطوب» برای پر کردن شکاف میان پوست و حسگر به ژل رسانا نیاز دارند تا مقاومت الکتریکی (امپدانس) را که در غیر این صورت مانع این ولتاژهای بسیار ناچیز می‌شود، کاهش دهند. استفاده از این ژل کثیف‌کاری دارد، زمان‌بر است و اغلب برای شرکت‌کنندگان ناخوشایند است.

با خروج EEG از آزمایشگاه و ورود آن به خانه‌ها، کلینیک‌ها و محیط‌های سیار، تقاضا برای رابطی سریع‌تر و ساده‌تر افزایش یافته است. الکترودهای خشک که بدون ژل تماس مستقیم با پوست برقرار می‌کنند، دقیقاً همین وعده را می‌دهند: راه‌اندازی سریع و راحتی بیشتر.

اما این راحتی با بهایی فیزیکی همراه است. نبود ژل باعث افزایش امپدانس و ایجاد سیگنال نویزدارتر می‌شود و تعادلی همیشگی میان کارایی عملی و دقت داده‌ها به وجود می‌آورد. مجموعه‌ای از پژوهش‌های مستقل اخیر اکنون ابعاد دقیق این دادوستد را مشخص کرده و روشن می‌سازد که الکترودهای خشک در چه مواردی عملکردی تحسین‌برانگیز دارند و در کجا همچنان انتخاب دوم باقی می‌مانند.

مطالب را بخوانید

نوار مغزی (EEG) در خانه برای ثبت روزانه فعالیت مغز چگونه کار می‌کند؟

نوار مغزی در منزل (Home EEG) ثبت‌هایی هستند که توسط خود فرد و خارج از هرگونه محیط بالینی یا آزمایشگاهی انجام می‌شوند. این روش ژل الکترود، headset و نرم‌افزار ثبت را به دست یک کاربر آموزش‌ندیده می‌سپارد که اغلب چیزی بیش از یک برنامه تلفن همراه هوشمند برای راهنمایی در اختیار ندارد. این ایده شامل داشتن قابلیت‌های اندازه‌گیری فعالیت مغز است که با زندگی روزمره سازگار باشد و بدون بار لجستیکی مراجعه به بیمارستان، امکان ثبت ساختار خواب، تمرکز شناختی یا الگوهای تشنج را فراهم کند.

مطالب را بخوانید

دستگاه‌های نوروفیدبک به عنوان سیستم‌های یکپارچه

تصور کنید در حال انجام یک بازی ویدیویی هستید که دسته‌ی بازی در آن نامرئی است—شما تنها با امواج مغزی خود هدایت بازی را بر عهده دارید. این ایده در بطن نوروفیدبک قرار دارد؛ روشی که دریچه‌ای آنی و لحظه‌ای به فعالیت‌های مغزتان می‌گشاید و سپس به شما می‌آموزد که آن فعالیت‌ها را تغییر دهید.

یک دستگاه، سیگنال‌های تولیدشده توسط مغز شما را دریافت می‌کند؛ اغلب با استفاده از الکتروانسفالوگرام (EEG) که الگوهای الکتریکی روی پوست سر را شناسایی می‌کند، یا گاهی با حسگر طیف‌سنجی مادون قرمز نزدیک عملکردی (fNIRS) که جریان خون را ردیابی می‌نماید. این سیگنال‌های خام پردازش شده و به یک بازی ساده، صدا یا شکلی متحرک روی صفحه نمایش تبدیل می‌شوند. مغز شما از طریق آزمون و خطا می‌آموزد الگوهایی را تولید کند که بازخورد را به سمتی که می‌خواهید هدایت نمایند.

بسیاری از راهنماها روی اجزای مجزا تمرکز می‌کنند—الکترودهای EEG، سیم‌ها، نرم‌افزار—اما یک دستگاه تنها زمانی موفق عمل می‌کند که این قطعات یک کل منسجم را تشکیل دهند. این مقدمه به بررسی نوروفیدبک به‌عنوان یک سیستم یکپارچه می‌پردازد که در آن پردازش سیگنال، طراحی بازخورد و قابلیت استفاده‌ی روزمره در کنار یکدیگر مشخص می‌کنند که آیا چیزی واقعاً مؤثر و مفید است یا خیر.

مطالب را بخوانید

تسلط بر راه‌اندازی EEG: بهترین روش‌ها پیش از ثبت نوار مغزی

آنچه یک سیگنال عصبی شفاف و قابل تفسیر را از یک سیگنال مخدوش‌شده با آرتیفکت‌های عضلانی یا نویز خط برق تفکیک می‌کند، یک الگوریتم پس‌پردازش پیشرفته نیست، بلکه یک خط لوله سیستماتیک و متوالی از مراحل آماده‌سازی است. راه‌اندازی EEG در این بافت، صرفاً قرار دادن کلاه الکترود بر روی سر شرکت‌کننده نیست؛ بلکه توالی منظمی از فرآیندهای کالیبراسیون زیستی، محیطی و الکتریکی است که در مجموع، یک رابط پایدار و با نویز کم را بین مغز و تقویت‌کننده برقرار می‌سازند.

این مقاله جریان کاری پیش از ثبت را بررسی می‌کند و با تلفیق شواهد موجود نشان می‌دهد که توجیه دقیق شرکت‌کننده، آماده‌سازی پوست سر، شیلدینگ و محافظت محیطی، انتخاب مونتاژ مرجع و غربالگری اولیه آرتیفکت‌ها، زنجیره‌ای از وابستگی‌های غیرقابل‌مذاکره را تشکیل می‌دهند.

مطالب را بخوانید