داده‌های EEG

داده‌های EEG چیست؟

EEG داده‌ها یک رکورد دیجیتالی از تفاوت‌های ولتاژی هستند که توسط الکترودهای قرار گرفته روی یا نزدیک پوست سر اندازه‌گیری می‌شوند. الکتروانسفالوگرافی غیرتهاجمی است و وضوح زمانی بالایی را ارائه می‌دهد که به محققان و بالینگران اجازه می‌دهد تغییرات در فعالیت مغز را در بازه میلی‌ثانیه بررسی کنند. سیگنال حاصل معمولاً به عنوان یک یا چند سری زمانی مداوم ذخیره می‌شود، که در آن هر کانال نشان‌دهنده یک اندازه‌گیری نسبت به یک مرجع است.

سیگنال بازتابی از ترکیبی از منابع است. فعالیت عصبی به ثبت کمک می‌کند، اما آرتیفکت‌هایی مانند حرکات چشم، انقباضات عضلانی، حرکت الکترود، تداخل محیطی و تغییرات در تماس نیز می‌توانند در ثبت ظاهر شوند.

به همین دلیل، داده‌های EEG خوانش مستقیم یک فرآیند مغزی منفرد نیستند. این یک مشاهده است که نیاز به زمینه، بررسی‌های کیفیت و یک روش تحلیلی صریح دارد.

تعداد کانال‌ها، نرخ نمونه‌برداری، مرجع، موقعیت الکترودها، نشانگرهای رویداد و اطلاعات شرکت‌کننده همگی نحوه تفسیر داده‌ها را شکل می‌دهند. در عمل، زمانی ثبت بیشترین اطلاعات را ارائه می‌دهد که سیگنال در کنار کار، حالت، زمان‌بندی و شرایطی که در آن جمع‌آوری شده است، در نظر گرفته شود.

چگونه سلول‌های مغزی سیگنال EEG را تولید می‌کنند

انحرافات ولتاژی که یک الکترود EEG تشخیص می‌دهد، نه از پتانسیل‌های عمل تیز و همه یا هیچ که نورون‌ها برای ارتباطات راه دور استفاده می‌کنند، بلکه از پتانسیل‌های پس‌سیناپسی درجه‌بندی‌شده و کندتری منشا می‌گیرد که در سراسر دندریت‌های سلول‌های هرمی قشر مغز پخش می‌شوند.

هنگامی که هزاران نورون از این دست در همزمانی تقریبی فعال می‌شوند، جریان‌های خارج سلولی کوچک آن‌ها از طریق محیط رسانای مغز، مایع مغزی‌نخاعی، جمجمه و پوست سر جمع می‌شوند؛ فرآیندی که هدایت حجمی نامیده می‌شود. ولتاژی که در نهایت به سنسور ثبت می‌رسد، بازتابی تار اما واقعی از آن همزمانی عصبی در مقیاس بزرگ است.

نحوه کارکرد ثبت داده‌های EEG

در طول فرآیند ثبت، الکترودها نوسانات کوچک ولتاژ را تشخیص می‌دهند و یک سیستم ثبت آن‌ها را به نمونه‌های دیجیتال تبدیل می‌کند. این سیستم معمولاً چندین کانال را به طور همزمان ثبت می‌کند، در حالی که یک مرجع و اتصال زمین، زمینه الکتریکی لازم برای محاسبه مقادیر کانال را فراهم می‌کنند. نرخ نمونه‌برداری تعیین می‌کند که سیگنال چقدر فرکانس اندازه‌گیری می‌شود و بنابراین کدام تغییرات می‌توانند به درستی نشان داده شوند.

قبل از ثبت، تکنسین‌ها یا محققان الکترودها را بر اساس یک مونتاژ تعریف‌شده قرار می‌دهند و کیفیت تماس را بررسی می‌کنند. چارچوب قرارگیری الکترود EEG یک رویکرد استاندارد را توصیف می‌کند که از مقایسه بین جلسات و آزمایشگاه‌ها پشتیبانی می‌کند. نشانگرهای رویداد ممکن است زمانی که یک محرک ظاهر می‌شود، شرکت‌کننده پاسخ می‌دهد، یا یک رویداد بالینی رخ می‌دهد اضافه شوند، و خط زمانی ایجاد کنند که بعداً بتواند با سیگنال‌های ثبت‌شده هماهنگ شود.

ثبت داده‌ها همچنین توسط پروتکل شکل می‌گیرد. ثبت‌های حالت استراحت، مطالعات خواب، وظایف شناختی و مانیتورینگ تشنج از مدت‌زمان‌ها، دستورالعمل‌ها و سنسورهای کمکی متفاوتی استفاده می‌کنند. بنابراین، یک مجموعه داده کامل شامل چیزی بیش از رکوردهای ولتاژ است: ممکن است حاوی برچسب‌های کانال، موقعیت‌های الکترود، تنظیمات دستگاه، کدهای رویداد، یادداشت‌ها و رکوردی از وقفه‌ها یا شرایط غیرعادی باشد.

بهترین روش‌ها برای جمع‌آوری داده‌های EEG

یک جمع‌آوری خوب با پروتکلی شروع می‌شود که سوال تحقیق، مدت‌زمان ثبت، پیکربندی کانال، نرخ نمونه‌برداری، مرجع و فرآیند نشانه‌گذاری رویداد را قبل از آزمایش شرکت‌کنندگان تعریف می‌کند. سازگاری، تغییرات ناخواسته بین جلسات را کاهش می‌دهد و مقایسه‌های بعدی را قابل دفاع‌تر می‌سازد. پروتکل همچنین باید توضیح دهد که وقتی یک کانال نویزی است، یک شرکت‌کننده حرکت می‌کند، یا یک نشانگر رویداد از دست می‌رود چه اتفاقی می‌افتد.

آماده‌سازی فیزیکی نیز بسیار مهم است زیرا کیفیت سیگنال می‌تواند از طریق حرکت معمولی و تماس ضعیف الکترود کاهش یابد. به همین دلیل است که اپراتورها معمولاً امپدانس یا نشانگرهای تماس معادل را بررسی می‌کنند، کار را به وضوح توضیح می‌دهند و تغییرات مربوطه در وضعیت شرکت‌کننده را ثبت می‌کنند. این مراحل هر آرتیفکتی را حذف نمی‌کنند، اما شناسایی منبع آن را آسان‌تر کرده و از اشتباه گرفتن مشکلات قابل پیشگیری با یافته‌های عصبی جلوگیری می‌کنند.

یک چک‌لیست کوتاه جمع‌آوری می‌تواند جزئیات عملیاتی را بدون جایگزینی قضاوت علمی، نمایان نگه دارد:

• برچسب‌های کانال، موقعیت الکترودها، مرجع و زمین را تایید کنید.

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

• محرک‌ها، پاسخ‌ها، مکث‌ها و رویدادهای مرتبط بالینی را به طور سازگار علامت‌گذاری کنید.

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

پس از جمع‌آوری، چک‌لیست باید با بازرسی ثبت خام و متادیتای آن همراه شود. سوابق ثبت واضح به تحلیلگران اجازه می‌دهد تا یک ویژگی سیگنال واقعی را از تغییری که توسط سخت‌افزار، راه‌اندازی یا انحراف پروتکل ایجاد شده است، تشخیص دهند.

الکترودهای مرطوب در مقابل خشک و کیفیت تماس با پوست

همه ثبت‌های EEG با یک سنسور فیزیکی روی پوست شروع می‌شوند و آن سنسور در یکی از دو خانواده بزرگ قرار می‌گیرد.

الکترودهای مرطوب از یک ژل یا خمیر رسانا برای پل زدن بین فلز و پوست سر و کاهش امپدانس استفاده می‌کنند. الکترودهای خشک ژل را حذف کرده و برای حفظ وفاداری سیگنال به مواد پیشرفته و پیش‌تقویت‌کننده داخلی متکی هستند.

برخی از الکترودها فعال هستند، به این معنی که حاوی مدار تبدیل امپدانس به طور مستقیم در محل ثبت هستند؛ الکترودهای غیرفعال فاقد این الکترونیک داخلی هستند. صرف نظر از نوع، کیفیت رابط الکترود-پوست سر تعیین می‌کند که چه مقدار سیگنال بیولوژیکی قبل از رسیدن به تقویت‌کننده باقی می‌ماند.

تماس ضعیف باعث جذب نویزهای محیطی و آرتیفکتهای حرکتی می‌شود که می‌توانند فعالیت ضعیف مغز را تحت‌الشعاع قرار دهند. وینکلر و همکاران این چالش را زمانی که با مشکل جهانی مولفه‌های منبع آرتیفکتی با ساخت یک طبقه‌بند مستقل از سوژه برای مولفه‌های تحلیل مولفه‌های مستقل (ICA) مقابله کردند، آشکار ساختند.

وجود همین تلاش نشان می‌دهد که آلودگی به آرتیفکت یک مسئله همیشگی در ثبت‌های EEG است و اعمال اولیه الکترودها—تمیز کردن پوست، قرار دادن صحیح سنسور و تأیید اتصال پایدار—اولین و مستقیم‌ترین راه برای سبک کردن بار آرتیفکتی است که پردازش‌های بعدی باید با آن مقابله کنند.

طراحی مونتاژ و سیستم استاندارد ۱۰-۲۰

از آنجا که پتانسیل‌های پوست سر هیچ برچسب فضایی ذاتی ندارند، این حوزه مدت‌ها پیش یک شبکه مختصات را اتخاذ کرد. سیستم بین‌المللی ۱۰-۲۰ موقعیت‌های الکترود را به طور متناسب بین چهار نقطه عطف آناتومیک تعریف می‌کند: نازیون (پل بینی)، اینیون (برجستگی استخوانی در پشت سر)، و نقاط پیش‌گوشی چپ و راست درست در جلوی گوش‌ها. این استانداردسازی به این معنی است که کانالی با برچسب "Cz" به همان مکان راس مرکزی در هر آزمایشگاهی اشاره دارد، که مجموعه‌های داده را مستقیماً قابل مقایسه می‌کند.

یک مونتاژ که به عنوان مشخصات نحوه اندازه‌گیری ولتاژ هر الکترود نسبت به یک مرجع و نحوه نمایش یا ذخیره آن مشتقات دوقطبی یا مرجع تعریف می‌شود، در بالای آن چیدمان فیزیکی قرار می‌گیرد. مطالعه آرنو دلورم نمونه بارزی از این است که چرا اطلاعات دقیق مونتاژ در مراحل بعدی اهمیت دارد؛ او دریافت که درون‌یابی کانال‌های خراب، یکی از معدود مراحل پیش‌پردازش که به طور مداوم قدرت آماری پتانسیل‌های وابسته به رویداد را بهبود می‌بخشد، به دانستن همسایگان فضایی دقیق هر الکترود بستگی دارد. بدون نقشه کانال صحیح، چنین درون‌یابی نمی‌تواند به طور قابل اعتمادی عمل کند.

او سپس اضافه می‌کند که طبقه‌بند آرتیفکت به گونه‌ای طراحی شده است که به داده‌هایی که از تنظیمات کانال متفاوتی استفاده می‌کنند تعمیم یابد، و این امر تایید می‌کند که ویژگی‌های فضایی طبقه‌بند، یک آرایش مستند را فرض می‌کنند. بنابراین، یک مونتاژ استاندارد شده و با دقت ثبت شده، به داربست نامرئی تبدیل می‌شود که هم از تفسیر انسانی و هم از استفاده مجدد الگوریتمی پشتیبانی می‌کند.

انتخاب و مستندسازی مرجع آنلاین

هر تقویت‌کننده EEG تفاوت ولتاژ بین دو نقطه را ثبت می‌کند. در طول ثبت آنلاین، یکی از آن نقاط یک الکترود مرجع فیزیکی است که سخت‌افزار با آن به عنوان یک خط پایه ثابت رفتار می‌کند.

گزینه‌های رایج عبارتند از راس (Cz)، لاله‌های گوش یا زائده‌های ماستوئید متصل به هم، یا میانگین تمام کانال‌های پوست سر. از آنجا که فایل داده‌های خام ولتاژها را نسبت به آن مرجع اولیه ذخیره می‌کند، این انتخاب اثری دائمی روی اعداد می‌گذارد، حتی اگر محقق بعداً به طور ریاضی سیگنال را به نقطه مشترک دیگری باز-مرجع‌دهی کند.

در مطالعه فوق‌الذکر توسط دلورم، که خطوط لوله پیش‌پردازش خودکار را روی سه مجموعه عمومی EEG آزمایش کرد، او دریافت که مرجع‌دهی مجدد و روش‌های پیشرفته حذف خط پایه به طور قابل توجهی برای عملکرد مضر بودند و درصد کانال‌هایی را که اثر تجربی معناداری نشان می‌دادند کاهش دادند.

این یافته به این معنی نیست که هرگز نباید دوباره مرجع‌دهی کرد، بلکه به این معنی است که مرجع آنلاین اولیه باید در هدر فایل ثبت شود. تنها با این یادداشت است که یک تحلیلگر در آینده می‌تواند بفهمد چه خط پایه‌ای در ابتدا کسر شده است و ارزیابی کند که آیا هرگونه تبدیل بعدی ممکن است پاسخ واقعی مغز را مخدوش کند یا خیر.

تبدیل آنالوگ به دیجیتال و نرخ نمونه‌برداری

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

برای مثال، نرخ نمونه‌برداری ۵۰۰ هرتز به این معنی است که وضعیت الکتریکی مغز هر ۲ میلی‌ثانیه یک بار ثبت می‌شود. بر اساس قضیه نایکوئیست، بالاترین فرکانسی که می‌تواند به درستی در سیگنال دیجیتالی نشان داده شود، کمتر از نصف نرخ نمونه‌برداری است، بنابراین یک ثبت ۵۰۰ هرتز می‌تواند فرکانس‌های تا کمتر از ۲۵۰ هرتز را بازیابی کند. EEG با گرید تحقیقاتی معمولاً بین ۲۵۰ تا ۱۰۰۰ هرتز کار می‌کند، که بستگی به باندهای فرکانسی مورد نظر دارد.

چیستی نرخ نمونه‌برداری به عنوان متادیتا را بسیار مهم می‌کند این است که بی‌سروصدا انتخاب‌های تحلیلی را که در مراحل بعدی انجام می‌شوند محدود می‌کند. فراسکینی و همکاران دقیقاً این اثر موجی را با آزمایش چگونگی تغییر نتایج بر اساس طول اپوک (پنجره زمانی داده‌های استخراج‌شده برای تحلیل همبستگی) بررسی کردند.

با استفاده از EEG حالت استراحت بزرگسالان سالم، این مطالعه نشان داد که مقادیر شاخص تاخیر فاز متوسط و همبستگی پوش دامنه هر دو با طولانی‌تر شدن اپوک‌ها کاهش یافته و به ترتیب تنها پس از تقریباً ۱۲ ثانیه و ۶ ثانیه به ثبات رسیدند. حتی توپولوژی شبکه‌های تئوری گراف بازسازی‌شده از داده‌ها با مدت‌زمان اپوک تغییر کرد، اگرچه پارامترهای درخت پوشای کمینه در سطح منبع قوی‌تر بودند.

نتیجه‌گیری اساسی برای مستندسازی داده‌های خام این است که تعداد نمونه‌ها در ثانیه یک کف مطلق برای چگونگی تقسیم زمان‌بندی تعیین می‌کند. اگر نرخ نمونه‌برداری به اشتباه ثبت شود، هر نشانگر رویداد بعدی، مرز اپوک و تخمین همبستگی آن خطا را به ارث می‌برند. بنابراین، ثبت نرخ دقیق ADC در هدر فایل یک کار اداری غیرقابل مذاکره است.

فرمت‌های استاندارد ذخیره‌سازی داده‌ها: EDF و BrainVision

پس از دیجیتالی شدن، سری زمانی و متادیتای همراه آن باید در یک فرمت فایل قرار گیرند که سایر نرم‌افزارها و سایر آزمایشگاه‌ها بتوانند بدون ابهام آن را باز کنند.

دو فرمت متن‌باز در این زمینه غالب هستند. فرمت داده‌های اروپایی (EDF) یک کانتینر فشرده و به طور گسترده پذیرفته شده است که در تحقیقات خواب و محیط‌های بالینی رایج است و چندین کانال را در کنار یک هدر که نرخ نمونه‌برداری، برچسب‌های کانال و ابعاد فیزیکی را مشخص می‌کند، ذخیره می‌کند.

BrainVision، فرمتی که توسط Brain Products توسعه یافته است، همان اطلاعات را در سه فایل مرتبط پخش می‌کند: یک هدر متنی (.vhdr) که نام کانال‌ها، نرخ نمونه‌برداری و مرجع اصلی را لیست می‌کند؛ یک فایل نشانگر (.vmrk) که کدهای رویداد و تاخیرهای آن‌ها را ثبت می‌کند؛ و یک فایل داده باینری (.eeg) که نمونه‌های ولتاژ خام را نگه می‌دارد.

ارزش این فرمت‌های استاندارد شده زمانی آشکار می‌شود که مجموعه‌های داده بزرگ به صورت عمومی به اشتراک گذاشته می‌شوند. به عنوان مثال، در یک مطالعه در سال ۲۰۱۹، محققان یک مجموعه داده چند پارادایمی رابط مغز و رایانه (BCI) را منتشر کردند که شامل تصویرسازی حرکتی، پتانسیل‌های وابسته به رویداد و پتانسیل‌های برانگیخته بصری حالت پایدار از ۵۴ شرکت‌کننده بود. توزیع چنین منبعی با اسکریپت‌های تحلیل متن‌باز بی‌معنی خواهد بود اگر داده‌ها در یک قالب اختصاصی قفل شده بودند.

چه فایل‌ها در نهایت در EDF یا BrainVision آرشیو شوند، این انتخاب تضمین می‌کند که هر محققی می‌تواند ثبت را دانلود کرده و یافته‌ها را بازتولید کند، و ثبت خام را به زنجیره بازتولیدپذیری کل جامعه متصل کند.

کارهای اداری ضروری: نقشه‌های کانال و متادیتای نمونه‌برداری

یک فایل خام EEG تنها زمانی از نظر علمی قابل استفاده می‌شود که توصیف کامل و دقیقی از داربست فضایی و زمانی خود داشته باشد. این بدان معنی است که هر کانال باید یک برچسب استاندارد (یعنی Fz، C3، O2 و غیره) همراه با مختصات سه‌بعدی خود روی پوست سر داشته باشد. آن مختصات به هر تحلیل بعدی که شامل روابط فضایی است، مانند درون‌یابی یک کانال خراب از همسایگانش یا تصویر کردن سیگنال روی یک مدل منبع قشری، اجازه انجام می‌دهد.

مطالعه توسط فراسکینی و همکاران بر ویژگی‌های فضایی، طیفی و زمانی برای طبقه‌بندی مولفه‌های ICA به عنوان مغز یا آرتیفکت متکی بود؛ توپولوژی فضایی یک مولفه بدون دانستن موقعیت فیزیکی هر الکترودی که به آن کمک کرده است، بی‌معنی است.

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

هدر فایل همچنین باید نرخ نمونه‌برداری دقیق، تاریخ ثبت و برچسب‌های بدون ابهام را برای هر کانال کمکی مانند الکترو-اکولوگرام (حرکات چشم) یا الکترومیوگرام (فعالیت عضلانی) ذخیره کند. حتی اگر آن کانال‌ها در طول کاوش اولیه داده‌ها بدون استفاده بمانند، حضور آن‌ها باید شفاف باشد. عدم تطابق بین نرخ نمونه‌برداری ذخیره شده و کلاک واقعی ADC می‌تواند زمان‌بندی را به طور برگشت‌ناپذیری تغییر دهد و همترازی با نشانگرهای محرک را در آینده غیرممکن سازد.

داده‌های EEG در محیط‌های بالینی در مقابل تحقیقاتی

ثبت‌های بالینی و تحقیقاتی اصول مشترکی دارند اما اهداف فوری متفاوتی را دنبال می‌کنند. EEG بالینی برای پشتیبانی از ارزیابی بیمار، مانیتورینگ یا تشخیص تحت روش‌های حرفه‌ای و سازمانی مستقر تهیه می‌شود. EEG تحقیقاتی معمولاً برای آزمایش یک فرضیه تعریف‌شده، مقایسه شرایط یا توسعه یک روش تحلیلی، با پروتکل‌ها و مستندات خاص مطالعه جمع‌آوری می‌شود.

کار بالینی تاکید شدیدی بر بررسی به موقع، مونتاژهای بالینی معنادار، تفسیر معتبر و یک سابقه دائمی در سیستم مراقبت مربوطه دارد. تحقیقات تاکید بیشتری بر شرایط کنترل‌شده، نتایج پیش‌تعیین‌شده، بازتولیدپذیری و مدیریت شفاف موارد حذف‌شده دارند. یک نتیجه تحقیقاتی به طور خودکار یک یافته بالینی نیست، و یک مشاهده بالینی به طور خودکار یک معیار تحقیقاتی معتبر نیست.

این تمایز بر حاکمیت داده‌ها نیز تاثیر می‌گذارد. داده‌های بالینی ممکن است توسط تعهدات پرونده پزشکی و الزامات مراقبت مستقیم مدیریت شوند، در حالی که مجموعه‌های داده تحقیقاتی توسط زبان رضایت‌نامه، بررسی سازمانی، برنامه‌های به اشتراک‌گذاری داده‌ها و اهداف نهایی مطالعه شکل می‌گیرند. در هر دو محیط، تفسیر آموزش‌دیده و مستندسازی دقیق ضروری است زیرا الگوهای EEG به جای مقادیر عددی ایزوله، به زمینه بستگی دارند.

ملاحظات حریم خصوصی و اخلاقی برای داده‌های EEG

ثبت‌های EEG می‌توانند از طریق شناسه، اطلاعات جلسه، زمینه بالینی یا ترکیبی از متادیتا به یک فرد مرتبط شوند. حتی زمانی که خود شکل موج خارج از یک محیط تخصصی به سختی قابل تفسیر است، باید به عنوان داده‌های حساس انسانی در زمانی که به یک شرکت‌کننده قابل شناسایی متصل است، با آن برخورد شود. جمع‌آوری و استفاده مجدد باید با پروتکل تایید شده و الزامات حریم خصوصی قابل اجرا مطابقت داشته باشد.

رضایت‌نامه باید هدف ثبت، انواع تحلیل‌های پیش‌بینی شده، مدت ذخیره‌سازی، اشتراک‌گذاری احتمالی و مجاز بودن استفاده‌های بعدی را توضیح دهد. محققان باید از القای این موضوع که EEG می‌تواند بیش از آنچه مطالعه برای اندازه‌گیری آن طراحی شده است را فاش کند، خودداری کنند. ارتباط واضح به ویژه زمانی مهم است که شرکت‌کنندگان ممکن است تصور کنند یک ثبت تحقیقاتی یک تشخیص یا ارزیابی فردی را ارائه می‌دهد.

عمل اخلاقی پس از جمع‌آوری نیز ادامه دارد. بی‌نام‌سازی، دسترسی کنترل‌شده، محدودیت‌های نگهداری، مسیرهای حسابرسی و انتشار دقیق متادیتا به کاهش ریسک کمک می‌کنند، اما هیچ روشی آن را به طور کامل حذف نمی‌کند. یافته‌ها باید بدون بزرگ‌نمایی معنای پیش‌بینی‌کننده یا تشخیصی گزارش شوند و طبقه‌بندی‌های خودکار باید به عنوان خروجی‌های تحلیلی که نیاز به اعتبار‌سنجی مناسب دارند در نظر گرفته شوند، نه به عنوان قضاوت‌های غیرقابل تردید درباره یک شخص.

چرا کیفیت ثبت خام پایه و اساس تحلیل قابل اعتماد EEG را ایجاد می‌کند

یک جلسه EEG منفرد لحظه‌ای است که معماری الکتریکی مغز به شکل دائمی ثبت می‌شود و پیچیدگی آن ثبت خام از قبل بازتابی از شبکه‌های عصبی زیر پوست سر است. مطالعات مبتنی بر علوم اعصاب که در اینجا برجسته شده‌اند حامل یک پیام واحد هستند: سیگنال مورد نظر در خود داده‌های خام زندگی می‌کند، مشروط بر اینکه مرحله ثبت با دقت انجام شود. کیفیت تماس الکترود، نقشه‌برداری دقیق کانال، مراجع و نرخ‌های نمونه‌برداری مستند شده و فرمت‌های ذخیره‌سازی باز، همگی تعیین می‌کنند که آیا آن سیگنال در طول آزمایشگاه‌ها و سال‌ها قابل دسترسی باقی می‌ماند یا خیر.

در نهایت، خویشتن‌داری اغلب از پردازش‌های سنگین بهتر عمل می‌کند زیرا محققانی که داده‌های خام را تا حد زیادی دست‌نخورده باقی گذاشتند، پاسخ‌های واقعی مغز را بهتر از کسانی که اصلاحات تهاجمی اعمال کردند، حفظ نمودند. ثبت دقیق، متادیتای صادقانه و حداقل مداخله، رشته‌ای را تشکیل می‌دهند که سیگنال علمی را دست‌نخورده نگه می‌دارد.

بنابراین، هر تحلیل قابل اعتمادی نه با الگوریتم‌های پیچیده بلکه با عمل ساده ثبت یک اثر وفادار و خوب مستند شده آغاز می‌شود.

منابع

1. وینکلر، ای.، هاوف، اس.، و تانگرمن، ام. (۲۰۱۱). طبقه‌بندی خودکار مولفه‌های ICA آرتیفکتی برای حذف آرتیفکت در سیگنال‌های EEG. عملکرد رفتاری و مغزی، ۷(۱)، ۳۰. https://doi.org/10.1186/1744-9081-7-30

2. دلورم، ای. (۲۰۲۳). EEG بهتر است دست‌نخورده باقی بماند. گزارش‌های علمی، ۱۳(۱)، ۲۳۷۲. https://doi.org/10.1038/s41598-023-27528-0

3. فراسکینی، ام.، ده‌مورو، ام.، کروب، ای.، ماروسو، اف.، استام، سی. جی.، و هیلبراند، ای. (۲۰۱۶). تاثیر طول اپوک بر همبستگی عملکردی تخمینی EEG و سازماندهی شبکه مغز. مجله مهندسی عصبی، ۱۳(۳)، 036015.

4. لی، ام. اچ.، کوون، او. وای.، کیم، وای. جی.، کیم، اچ. کی.، لی، وای. ای.، ویلیامسون، جی.، ... و لی، اس. دبلیو. (۲۰۱۹). مجموعه داده‌های EEG و جعبه ابزار OpenBMI برای سه پارادایم BCI: تحقیقی در مورد بی‌سوادی BCI. گیگاساینس، ۸(۵)، giz002. https://doi.org/10.1093/gigascience/giz002

سوالات متداول

یک ثبت EEG دقیقاً چه چیزی را ثبت می‌کند و چرا بازتابی از فعالیت مغز در نظر گرفته می‌شود؟

یک ثبت EEG نوسانات کوچک ولتاژ در پوست سر را ثبت می‌کند که ناشی از فعالیت همزمان گروه‌های بزرگی از نورون‌های قشری است. این نوسانات در درجه اول از پتانسیل‌های پس‌سیناپسی درجه‌بندی‌شده در سلول‌های هرمی ناشی می‌شوند که از طریق هدایت حجمی جمع شده و معیاری تار اما واقعی از همزمانی عصبی در مقیاس بزرگ ایجاد می‌کنند.

چرا سیگنال‌های EEG به جای پتانسیل‌های عمل از پتانسیل‌های پس‌سیناپسی منشا می‌گیرند؟

پتانسیل‌های عمل رویدادهای کوتاه و همه یا هیچ هستند که سهم کمی در ولتاژ پوست سر دارند، در حالی که پتانسیل‌های پس‌سیناپسی درجه‌بندی‌شده و کندتر در سراسر دندریت‌ها پخش شده و در میان هزاران نورون جمع می‌شوند. این جمع پدیدآورنده انحرافات ولتاژی قابل تشخیص در پوست سر است 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 تاثیر می‌گذارد؟

الکترودهای مرطوب از یک ژل رسانا برای کاهش امپدانس و بهبود انتقال سیگنال استفاده می‌کنند، در حالی که الکترودهای خشک برای حفظ وفاداری بدون ژل به مواد پیشرفته و پیش‌تقویت‌کننده داخلی متکی هستند. کیفیت رابط الکترود-پوست بسیار مهم است زیرا تماس ضعیف باعث جذب نویز محیطی و آرتیفکت‌های حرکتی می‌شود که می‌توانند سیگنال ضعیف مغز را تحت‌الشعاع قرار دهند.

سیستم بین‌المللی ۱۰-۲۰ چگونه قرارگیری الکترود را استاندارد می‌کند و چرا مهم است؟

سیستم ۱۰-۲۰ موقعیت‌های الکترود را به طور متناسب بین چهار نقطه عطف آناتومیک—نازیون، اینیون، و نقاط پیش‌گوشی چپ و راست—تعریف می‌کند به طوری که یک کانال برچسب‌گذاری شده مانند "Cz" به همان مکان در هر آزمایشگاهی اشاره دارد. این استانداردسازی تضمین می‌کند که مجموعه‌های داده مستقیماً قابل مقایسه هستند و امکان تحلیل‌های فضایی دقیق مانند درون‌یابی کانال خراب را فراهم می‌کند.

چرا مستندسازی الکترود مرجع آنلاین استفاده شده در طول ثبت EEG ضروری است؟

فایل داده‌های خام ولتاژها را نسبت به مرجع آنلاین ذخیره می‌کند، بنابراین انتخاب مرجع (به عنوان مثال، Cz، لاله‌های گوش متصل، یا میانگین) به طور دائمی روی اعداد اثر می‌گذارد، حتی اگر بعداً باز-مرجع‌دهی شود. بدون مستندسازی مرجع اصلی، یک تحلیلگر در آینده نمی‌تواند خط پایه کسر شده را درک کند 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 نایکوئیست چگونه اعمال می‌شود؟

نرخ نمونه‌برداری وضوح زمانی سیگنال دیجیتالی را تعیین می‌کند و قضیه نایکوئیست بیان می‌کند که بالاترین فرکانسی که به درستی نشان داده می‌شود کمتر از نصف نرخ نمونه‌برداری است. به عنوان مثال، نرخ نمونه‌برداری ۵۰۰ هرتز می‌تواند فرکانس‌های تا کمتر از ۲۵۰ هرتز را بازیابی کند و EEG با گرید تحقیقاتی معمولاً بین ۲۵۰ تا ۱۰۰۰ هرتز کار می‌کند. نرخ نمونه‌برداری دقیق بسیار مهم است زیرا تمام تحلیل‌های مربوط به زمان‌بندی در مراحل بعدی را محدود می‌کند.

دو فرمت داده باز غالب برای EEG چیستند و چه چیزی را ذخیره می‌کنند؟

فرمت داده‌های اروپایی (EDF) یک کانتینر فشرده است که چندین کانال را با هدر مشخص‌کننده نرخ نمونه‌برداری، برچسب‌های کانال و ابعاد فیزیکی ذخیره می‌کند. BrainVision اطلاعات را در سه فایل مرتبط پخش می‌کند: یک هدر (.vhdr)، یک فایل نشانگر (.vmrk) و یک فایل داده باینری (.eeg)، که همگی به اشتراک‌گذاری بدون ابهام و بازتولیدپذیری را تضمین می‌کنند.

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

یک نقشه کانال با برچسب‌های استاندارد و مختصات سه‌بعدی امکان هرگونه تحلیل فضایی، مانند درون‌یابی کانال‌های خراب از همسایگان یا تصویر کردن سیگنال‌ها به مدل‌های منبع قشری را فراهم می‌کند. به عنوان مثال، طبقه‌بندهای آرتیفکت به توپولوژی‌های فضایی متکی هستند و درون‌یابی نیاز به دانستن مکان‌های دقیق الکترود دارد؛ بدون این، چنین تحلیل‌هایی با شکست مواجه می‌شوند.

چه متادیتای ضروری باید در هدر فایل EEG ثبت شود و چرا؟

هدر باید شامل نرخ نمونه‌برداری دقیق، تاریخ ثبت، برچسب‌های کانال با مختصات سه‌بعدی و برچسب‌های بدون ابهام برای کانال‌های کمکی مانند EOG یا EMG باشد. این اطلاعات بسیار مهم است زیرا یک نرخ نمونه‌برداری نادرست می‌تواند زمان‌بندی را به طور برگشت‌ناپذیری تغییر دهد و یک نقشه کانال صحیح برای درون‌یابی فضایی و مدل‌سازی منبع ضروری است.

چرا EEG برای تحقیقات مفید است؟

EEG اطلاعات زمانی بسیار دقیقی را ارائه می‌دهد و آن را برای مطالعه پاسخ‌های وابسته به رویداد، ریتم‌های مداوم، خواب، توجه، پردازش حسی و سایر پدیده‌های حساس به زمان مفید می‌سازد. تفسیر آن همچنان وابسته به طراحی آزمایش و کیفیت سیگنال است.

آرتیفکت‌های رایج EEG چیستند؟

آرتیفکت‌های رایج شامل پلک زدن، حرکات چشم، فعالیت عضلانی، حرکت الکترود، تماس ضعیف، حرکت کابل و تداخل الکتریکی هستند. آن‌ها ممکن است بر یک کانال یا بسیاری از کانال‌ها تاثیر بگذارند و می‌توانند با فرکانس‌های مورد علاقه علمی همپوشانی داشته باشند.

پیش‌پردازش در تحلیل EEG چیست؟

پیش‌پردازش مجموعه عملیات مستند شده‌ای است که برای آماده‌سازی ثبت‌ها جهت تحلیل استفاده می‌شود. این می‌تواند شامل فیلتر کردن، باز-مرجع‌دهی، مدیریت کانال خراب، شناسایی آرتیفکت، اپوک‌گذاری، اصلاح خط پایه و کنترل کیفیت باشد.