پردازش سیگنال

پردازش سیگنال چیست؟

رشته پردازش سیگنال شامل تبدیل، تجزیه و تحلیل، و تفسیر رویدادهای فیزیکی به عنوان داده‌های قابل اندازه‌گیری است. با اعمال چارچوب‌های ریاضی برای ثبت رشته‌های داده، محققان می‌توانند به طور موثری تداخل‌های محیطی را فیلتر کرده و بر پارامترهای مورد نظر اولیه تمرکز کنند.

این روش در کانون تحقیقات علمی مدرن در رشته‌های مختلف، از جمله مطالعه عملکردهای بیولوژیکی پیچیده انسان قرار دارد.

چگونگی تعریف پردازش سیگنال دیجیتال

پردازش سیگنال دیجیتال نشان‌دهنده اعمال محاسبات زمان‌گسسته بر روی سیگنال‌هایی است که از حالت‌های آنالوگ اولیه خود تبدیل شده‌اند.

این بهبود از طریق استفاده از الگوریتم‌ها و پردازنده‌های خاصی رخ می‌دهد که برای مدیریت کارآمد بارهای محاسباتی طراحی شده‌اند. دانشمندان از این رویکرد برای جداسازی سیگنال‌های بیولوژیکی استفاده می‌کنند که این امر برای حوزه‌های مرتبط با علوم اعصاب که در آن‌ها یکپارچگی داده‌ها برای دقت تحقیقات بسیار حیاتی است، اهمیت اساسی دارد.

هدف اصلی پردازش سیگنال

در اوج کارایی خود، پردازش سیگنال تلاش می‌کند تا حداکثر اطلاعات معنایی را از داده‌های اندازه‌گیری شده استخراج کند و در عین حال تاثیر نویز را به حداقل برساند. با بهینه‌سازی نسبت سیگنال به نویز، محققان نقاط داده قابل اعتمادی را بازیابی می‌کنند که در غیر این صورت مبهم می‌ماندند.

این هدف باعث توسعه ابزارهای تشخیصی پیشرفته‌ای می‌شود که در فعالیت‌های EEG مدرن استفاده می‌شوند.

انواع پردازش سیگنال

پردازش سیگنال به طور کلی بر اساس ماهیت سیگنال ورودی و روش اعمال شده برای دستکاری آن دسته‌بندی می‌شود. جهان فیزیکی در یک حالت مداوم وجود دارد، در حالی که دستگاه‌های الکترونیکی فرکانس‌ها را برای انجام عملیات به بخش‌های کوانتیزه‌شده داده متکی می‌کنند.

تمایز بین این دسته‌ها برای انتخاب دیدگاه ریاضی مناسب جهت هرگونه راه‌اندازی آزمایشی، بنیادی است.

پردازش سیگنال آنالوگ در مقابل دیجیتال

سیستم‌های آنالوگ شکل موج‌های الکتریکی مداوم را مستقیماً از طریق قطعات مدار دستکاری می‌کنند و درجه بالایی از وفاداری را بدون بار اضافی کوانتش حفظ می‌کنند. اگرچه سیستم‌های آنالوگ پاسخ‌های آنی ارائه می‌دهند، اما فاقد انعطاف‌پذیری و قابلیت برنامه‌نویسی مشخصه معماری‌های دیجیتال هستند.

با گذشت زمان و تغییر پروتکل‌های استاندارد سیستم ۱۰-۲۰، پردازش دیجیتال به استاندارد اصلی برای حفظ داده‌های قابل مقایسه در محیط‌های تحقیقاتی مختلف تبدیل شده است.

پردازش سیگنال دیجیتال چیست؟ سیستم‌های خطی در مقابل غیرخطی

پردازش سیگنال دیجیتال از الگوریتم‌هایی برای اصلاح داده‌ها به قالب‌های مناسب برای مدل‌سازی محاسباتی استفاده می‌کند و محیطی کنترل‌شده را برای تنظیم سیگنال فراهم می‌سازد.

درک اینکه آیا یک سیستم به صورت خطی رفتار می‌کند برای پیش‌بینی چگونگی پاسخ خروجی به ورودی‌های متغیر حیاتی است، زیرا اصل برهم‌نهی فقط برای عملیات خطی صادق است. در مقابل، سیستم‌های غیرخطی تبدیل‌های پیچیده‌ای را معرفی می‌کنند که می‌توانند پویایی‌های ظریفی را که اغلب توسط مدل‌های ساده‌تر نادیده گرفته می‌شوند، ثبت کنند.

با مشخص کردن این رفتارها، تکنسین‌ها اطمینان حاصل می‌کنند که مدل ریاضی قبل از اعمال فیلترهای تشخیصی، پویایی واقعی سیگنال ورودی را به درستی منعکس می‌کند.

مفاهیم و تکنیک‌های کلیدی در پردازش سیگنال

تسلط فنی در این زمینه نیازمند درک عمیقی از آماده‌سازی داده‌ها و ترجمه ریاضی است. هر مرحله در فرآیند پردازش، به طور هدفمند اجزای خاصی از سیگنال را کاهش یا افزایش می‌دهد تا خروجی نهایی را برای تفسیر انسانی یا الگوریتم‌های یادگیری ماشین آماده کند.

نمونه‌برداری و کوانتش

نمونه‌برداری شامل ثبت نقاط داده در فواصل زمانی مشخص است که اساس نمایش گسسته را تشکیل می‌دهد. کوانتش پس از این مرحله می‌آید و آن نقاط زمانی گسسته را به مقادیر عددی خاصی که نشان‌دهنده دامنه سیگنال هستند، نگاشت می‌کند.

اگر این مراحل به دقت کالیبره نشوند، پدیده هم‌پوشانی (aliasing) ممکن است رخ دهد و منجر به اعوجاج‌های شدیدی در شکل موج‌های آنالیز شده شود.

فیلترینگ

فیلترینگ نقش حیاتی حذف اجزای فرکانسی ناخواسته را که به سیگنال مورد نظر تعلق ندارند، ایفا می‌کند. بسته به نیازهای عبور باند، فیلترها ممکن است نویز عضلانی با فرکانس بالا یا انحراف فرکانس پایین را با دقت جراحی حذف کنند.

این فرآیند اساساً فعالیت عصبی مورد نظر را از تداخل‌های پس‌زمینه محیطی گسترده‌تر ایزوله می‌کند و در نتیجه یک ردیابی بصری تمیزتر ارائه می‌دهد.

تبدیل‌ها (مانند تبدیل فوریه)

تبدیل‌ها داده‌ها را بین دامنه‌های مختلف جابجا می‌کنند تا ساختارهای تناوبی پنهان در نویزهای زمانی را آشکار سازند. روش‌های رایج به‌کار رفته در این فرآیند عبارتند از:

• تبدیل‌های فوریه برای تجزیه سیگنال‌ها به اجزای فرکانسی تشکیل‌دهنده‌شان.

• آنالیز موجک برای بومی‌سازی همزمان رویدادهای گذرا در زمان و فرکانس.

• تبدیل‌های هیلبرت برای تعیین پوش و فرکانس آنی سیگنال‌های پیچیده.

• تبدیل‌های Z برای مطالعه سیستم‌های زمان‌گسسته و پایداری.

این نقشه‌های ریاضی به مهندسان اجازه می‌دهد تا داده‌ها را از زوایایی تجسم کنند که آسیب‌شناسی‌ها یا الگوهای خاصی را شناسایی کنند که در نمایش استاندارد حوزه زمان کاملاً نامرئی می‌مانند.

خط لوله پیش‌پردازش EEG چیست؟

یک خط لوله پیش‌پردازش به سادگی یک توالی استاندارد از عملیات است که قبل از شروع هرگونه آنالیز، بر روی داده‌های خام و مداوم EEG اعمال می‌شود. اگرچه ترتیب دقیق و روش‌های خاص بین آزمایشگاه‌ها و بسته‌های نرم‌افزاری متفاوت است، اما اکثر خطوط لوله یک ساختار مشترک دارند:

1. فیلتر کردن فرکانس‌های ناخواسته

2. ارجاع مجدد سیگنال به یک خط مبنای الکتریکی خنثی

3. شناسایی و مدیریت آرتیفکت‌ها

4. تقسیم ضبط مداوم به بخش‌های کوتاه مرتبط با رویدادهای خاص، فرآیندی که اپوچینگ (epoching) نامیده می‌شود

ترتیب مراحل اهمیت کمتری نسبت به این واقعیت دارد که تک‌تک تصمیم‌ها در این زنجیره می‌توانند نتیجه نهایی را تغییر دهند. یک مطالعه معیار در سال ۲۰۲۰ به رهبری رابینز و همکاران نشان داد که حتی مطالعاتی که ادعا می‌کنند دستورالعمل‌هایEstablished بهترین عملکرد را دنبال می‌کنند، تفاوت‌های قابل توجهی در نحوه پیاده‌سازی واقعی آن دستورالعمل‌ها در کد نشان دادند.

به طور مشابه، یک مطالعه در سال ۲۰۲۱ توسط برتازولی و همکاران نشان داد که در تحقیقات تحریک مغناطیسی ترانس کرانیال همراه با EEG (TMS-EEG)، انتخاب خط لوله پیش‌پردازش تاثیر چشمگیری بر شکل موج‌های پاسخ مغزی حاصل داشت و حتی میزان قابل اعتماد بودن آن نتایج را در هنگام آزمایش مجدد همان آزمودنی‌ها تغییر داد.

فیلترینگ: چگونه سیگنال‌های واقعی مغز را ایزوله کنیم

EEG خام شامل دو دسته گسترده از محتوای فرکانسی ناخواسته است.

در انتهای کند، انحرافات ولتاژ به دلیل تجمع عرق در زیر الکترود یا جابجایی جزئی خود الکترود روی پوست سر به سیگنال نفوذ می‌کند. در انتهای تند، کشش عضلانی و تداخل الکتریکی تجهیزات نزدیک، نویز فرکانس بالایی را معرفی می‌کنند که هیچ ارتباطی با شلیک نورون‌ها ندارد.

فیلتر کردن با حذف این محدوده‌های فرکانسی کار می‌کند و تنها باندی را نگه می‌دارد که سیگنال‌های واقعی تولید شده توسط مغز در آن قوی‌ترین هستند.

ابتدایی‌ترین و پرکاربردترین مرحله، فیلتر بالاگذر است که انحرافات کند زیر تقریباً ۰.۵ تا ۱ هرتز را حذف می‌کند. بسته به نوع آنالیز، محققان ممکن است یک فیلتر پایین‌گذر نیز اعمال کنند یا هر دو را در یک فیلتر میان‌گذر ترکیب کنند، که معمولاً هنگام مطالعه پتانسیل‌های وابسته به رویداد (ERPs) -پاسخ‌های ولتاژ مشخصه مغز به محرک‌های خاص- داده‌ها را به محدوده ۱ تا ۴۰ هرتز محدود می‌کند.

آنچه فیلترینگ را به خصوص قابل توجه می‌کند میزان کمک مداوم آن است. در سال ۲۰۲۳، آرنو دلورم طیف وسیعی از اصلاحات پیش‌پردازش خودکار را آزمایش کرد و دریافت که اکثر آن‌ها یا تأثیر قابل اندازه‌گیری نداشتند یا فعالانه کیفیت داده‌ها را کاهش دادند. فیلتر بالاگذر یکی از تنها دو مرحله‌ای بود که به طور قابل اعتمادی نتایج را در کل بورد بهبود بخشید.

محققان هاروارد نیز به طور مشابه با فیلترینگ به عنوان یک مؤلفه اساسی و غیرقابل مذاکره در خط لوله HAPPE خود برای داده‌های رشدی با آرتیفکت بالا رفتار می‌کنند. به طور خلاصه، فیلترینگ به یک پیش‌فرض ایمن نزدیک است. همین را نمی‌توان برای هر مرحله‌ای که پس از آن می‌آید بیان کرد.

ارجاع مجدد: تعیین نقطه صفر الکتریکی

EEG هرگز یک ولتاژ مطلق را اندازه‌گیری نمی‌کند. تفاوت بین دو نقطه، یعنی یک الکترود فعال و یک نقطه مرجع را اندازه‌گیری می‌کند.

ضبط‌های خام معمولاً نسبت به هر الکترود مرجعی که به طور فیزیکی در طول جمع‌آوری استفاده شده است ذخیره می‌شوند، اغلب یک نقطه واحد مانند استخوان ماستوئید پشت گوش یا الکترود Cz در بالای سر، موقعیت‌هایی که توسط سیستم ۱۰-۲۰ مورد استفاده برای استانداردسازی قرارگیری الکترود تعریف شده‌اند. آن نقطه مرجع اولیه تا حدودی دلخواه است، بنابراین ارجاع مجدد به طور ریاضی ولتاژ هر کانال را نسبت به یک نقطه جدید و از نظر تئوری خنثی‌تر، مانند میانگین تمام الکترودها یا سیگنال ترکیبی از هر دو ماستوئید، مجدداً محاسبه می‌کند.

اهمیت ارجاع مجدد ناشی از هدایت حجمی است که باعث می‌شود فعالیت الکتریکی مغز در بافت و مایع اطراف پخش شود و این اطمینان را می‌دهد که یک رویداد عصبی واحد در تقریباً هر الکترود پوست سر ثبت می‌شود. به دلیل این انتشار، تغییر نقطه مرجع می‌تواند شکل ظاهری، دامنه و حتی اهمیت آماری فعالیت ثبت شده را تغییر دهد، حتی اگر هیچ چیز در مورد فعالیت مغزی زمینه‌ای تغییر نکرده باشد.

این یک مفهوم اصلی است که زیربنای انتخاب‌های طراحی در مونتاژهای EEG، از جمله رویکردهایی مانند مرجع میانگین مشترک یا یک مونتاژ مرجع است که هر کدام همان سیگنال مغزی پایه را به شکلی متفاوت قاب‌بندی می‌کنند.

شناسایی و درون‌یابی کانال‌های خراب

در هر ثبت چند الکترودی، ناگزیر چند کانال سیگنال ضعیفی تولید خواهند کرد. یک کانال ممکن است به دلیل شل بودن اتصال صاف شود، یا ممکن است به دلیل تماس ضعیف با پوست سر بیش از حد نویزدار شود. در صورت عدم اصلاح، این کانال‌های خراب می‌توانند آنالیزهایی را که به مقایسه الگوهای سیگنال در کل پوست سر بستگی دارند، مخدوش کنند.

راه حل استاندارد شامل شناسایی این کانال‌های مشکل‌دار، حذف موقت آن‌ها از مجموعه داده و سپس بازسازی داده‌های از دست رفته آن‌ها از طریق درون‌یابی است، یعنی اساساً تخمین آنچه آن الکترود احتمالاً بر اساس فعالیت همسایگان سالم خود ثبت می‌کرد. این کار یک نقشه کامل پوست سر را برای مراحل آنالیز بعدی بازیابی می‌کند بدون اینکه اجازه دهد کانال آلوده نتایج را منحرف کند.

این دومین مرحله‌ای است که آرنو دلورم در تحقیقات خود به عنوان مزیتی همیشگی شناسایی کرد. در کنار فیلتر بالاگذر، درون‌یابی کانال‌های خراب یکی از تنها اصلاحات آزمایش شده بود که کیفیت داده‌ها را کاهش نداد.

در ترکیب با فیلترینگ، این کار تنها پیکربندی خط لوله‌ای را در آن مطالعه تشکیل داد که عملکرد بهتری نسبت به فیلترینگ ساده به تنهایی داشت. در میان بسیاری از اصلاحات خودکار ارزیابی شده، این جفت شدن به عنوان یک فرآیند نسبتاً ایمن و مفید برجسته است.

مشکل آرتیفکت در EEG خام

فراتر از مشکلات سطح الکترود، ضبط‌های EEG با آرتیفکت‌های بیولوژیکی تولید شده توسط بدن خود شرکت‌کننده آلوده می‌شوند:

• پلک زدن‌ها انحرافات بزرگی را در الکترودهای پیشانی ایجاد می‌کنند

• حرکات چشم تغییرات ولتاژ پله‌مانند ایجاد می‌کنند

• فعالیت عضلات فک و پیشانی نویز فرکانس بالا را معرفی می‌کند

• حرکات ناگهانی باعث آفست‌های ولتاژ ناگهانی و چند کاناله می‌شوند

پاسخ سنتی به بخش‌های آلوده شده، صرفاً دور ریختن آن‌ها بوده است، یعنی رد کردن هرگونه آزمایش یا پنجره زمانی که در آن آرتیفکت ظاهر می‌شود. این کار زمانی که شرکت‌کننده بی‌حرکت می‌نشیند و آرتیفکت‌ها نادر هستند، به خوبی پاسخگوست. اما در جمعیت‌هایی که آرتیفکت‌ها به جای استثنا، یک قاعده هستند، بسیار کمتر کاربردی می‌شود.

پروژه Happe تاکید می‌کند که با حرکت مطالعات EEG به سمت آرایه‌های الکترودی با چگالی بالاتر و ضبط‌های طولانی‌تر، بازرسی دستی و رد کردن بخش‌های خراب با دست غیرقابل تحمل می‌شود و قضاوت‌های دستی ذهنیت خاص خود را وارد کار می‌کنند.

لیچ و همکاران یک تصویر عینی از ریسک‌های موجود ارائه می‌دهند: ضبط‌های EEG کودکان به طور معمول مقادیر زیادی از داده‌های قابل استفاده را صرفاً به دلیل فراوانی بالای آرتیفکت‌های حرکتی و پلک زدن در کودکان خردسال از دست می‌دهند. وقتی داده‌ها تا این حد ارزشمند هستند، دور ریختن یک آزمایش کامل به دلیل یک پلک زدن، راه‌حل پرهزینه‌ای است.

آنالیز مؤلفه‌های مستقل (ICA) برای حذف آرتیفکت

آنالیز مؤلفه‌های مستقل یا ICA، جایگزین دقیق‌تری برای رد کردن کل داده‌ها ارائه می‌دهد.

از نظر مفهومی، ICA یک تکنیک جداسازی کور منابع است. این روش سیگنال مخلوط ثبت شده در هر الکترود پوست سر را می‌گیرد و آن را به طور ریاضی به مجموعه‌ای از مؤلفه‌های مستقل از نظر آماری باز می‌کند.

برخی از این مؤلفه‌ها با الگوهای آرتیفکت شناخته شده مطابقت دارند، مانند ویژگی‌های یک پلک زدن یا کشش عضلانی. برخی دیگر با الگوهای فعالیت مغز مطابقت دارند. هنگامی که مؤلفه‌های مرتبط با آرتیفکت شناسایی شدند، می‌توان آن‌ها را حذف کرد و مؤلفه‌های تمیز باقی‌مانده را دوباره به داده‌های کانال تصویر کرد، که در حالت ایده‌آل سیگنال‌های واقعی مغز حفظ شده و آلودگی‌ها دور ریخته می‌شوند.

مانع موجود این است که بازرسی دستی هر مؤلفه برای تصمیم‌گیری در مورد اینکه آیا نشان‌دهنده یک پلک زدن است یا بخشی از قشر مغز، کند و ذاتاً ذهنی است. این امر باعث ایجاد طبقه‌بندی‌کننده‌های خودکار مانند ADJUST، ICLabel و MARA شد که برای اتخاذ این تصمیم به صورت الگوریتمی و منسجم طراحی شده‌اند.

شواهد در مورد اینکه این روش چقدر خوب کار می‌کند، به جای اینکه کاملاً مثبت باشد، مخلوط است.

آرنو دلورم دریافت که رد خودکار مؤلفه‌های چشم و عضله مبتنی بر ICA نتوانست درصد کانال‌های از نظر آماری معنی‌دار را در داده‌های ERP به طور قابل اعتمادی افزایش دهد، به این معنی که بهبود واضح و قابل اعتمادی ارائه نکرد.

رابینز و همکاران دو رویکرد مبتنی بر ICA، یعنی LARG و MARA را در ۱۷ مطالعه مقایسه کردند و دریافتند که اگرچه ساختار کلی نتایج مشابه به نظر می‌رسید، اما تفاوت‌های معنی‌داری به ویژه در ویژگی‌های طیفی فرکانس پایین و میزان باقی‌مانده‌های مربوط به پلک زدن در داده‌های تمیز شده ظاهر شد.

در جنبه امیدوارکننده‌تر، تیم لیچ نشان داد که نسخه اصلاح‌شده الگوریتم ADJUST که مخصوصاً برای ضبط‌های توری ژئودزیک کودکان تنظیم شده بود، دقت طبقه‌بندی را بهبود بخشید و آزمایش‌های قابل استفاده بیشتری را در مقایسه با الگوریتم اصلی ADJUST یا عدم اصلاح ICA حفظ کرد و در برخی معیارها عملکرد بهتری نسبت به ICLabel مخصوصاً برای داده‌های کودکان داشت.

در مجموع، ICA می‌تواند ابزار واقعاً مفیدی برای جداسازی و حذف آرتیفکت‌ها باشد، اما عملکرد آن تضمین شده نیست. این موضوع به شدت به نحوه تنظیم الگوریتم طبقه‌بندی و جامعه مورد مطالعه بستگی دارد.

بازسازی فضای فرعی آرتیفکت (ASR) به عنوان یک جایگزین

بازسازی فضای فرعی آرتیفکت، یا ASR، مسیر کاملاً متفاوتی را در پیش می‌گیرد. ASR به جای تجزیه سیگنال به مؤلفه‌های مستقل، با مقایسه داده‌های ورودی با آمارهای به‌دست‌آمده از یک دوره مرجع تمیز کار می‌کند و به طور خودکار بخش‌هایی از سیگنال را که بیش از حد از آن خط مبنای تمیز منحرف شده‌اند، پرچم‌گذاری و بازسازی می‌کند.

تیم رابینز مستقیماً دو نسخه پورت از ASR را با خطوط لوله مبتنی بر ICA در همان مجموعه ۱۷ مطالعه مقایسه کرد. نتیجه‌گیری کلی بازتابی از مقایسه ICA بود: ساختارهای کلی نتیجه در میان روش‌ها مشابه به نظر می‌رسید، اما تفاوت‌های معناداری همچنان ظاهر شد که باز هم در ویژگی‌های طیفی فرکانس پایین متمرکز بود.

بنابراین، ASR یک جایگزین قانونی برای ICA است نه یک جایگزین کاملاً برتر، و همان اصل در اینجا نیز مانند هر جای دیگری در این خط لوله صدق می‌کند: روش خاص انتخاب شده، نتیجه خاص به‌دست‌آمده را شکل می‌دهد.

آیا باید بخش‌های خراب EEG را رد کنید؟

شما باید از رد کردن کامل بخش‌ها خودداری کنید، زیرا شواهد نشان می‌دهد که از دست رفتن توان آماری حاصل از آن اغلب بر مزایای حذف نویز سنگینی می‌کند.

آستانه‌گذاری ساده ابزار زمختی است که به طور نامتناسبی داده‌های قابل استفاده را دور می‌اندازد؛ بنابراین، متخصصان روش‌های جراحی‌مانند بیشتری مانند درون‌یابی و اصلاح مبتنی بر مؤلفه را ترجیح می‌دهند.

اپوچینگ: تمرکز بر رویدادهای مورد نظر

اکثر آنالیزهای EEG، چه اندازه‌گیری ERPها یا الگوهای زمان-فرکانس، به لحظات خاصی در زمان متصل هستند: ارائه یک محرک، یا پاسخ شرکت‌کننده به آن. اپوچینگ مرحله‌ای است که ضبط طولانی و مداوم را به پنجره‌های کوتاه و هم‌اندازه در اطراف هر یک از این رویدادها برش می‌دهد، که معمولاً شامل یک دوره کوتاه قبل از خود رویداد به نام خط مبنا است.

آن دوره خط مبنای قبل از رویداد نقشی اصلاح‌کننده ایفا می‌کند و به توجیه انحرافات کند ولتاژ که ممکن است در غیر این صورت با پاسخ واقعی به محرک اشتباه گرفته شوند، کمک می‌کند. اما این مرحله اصلاحی از همان هشداری که برای ارجاع مجدد اعمال می‌شود، مستثنی نیست.

مطالعه مذکور توسط آرنو دلورم نشان داد که روش‌های پیشرفته حذف خط مبنا به طور قابل توجهی عملکرد را از نظر معنی‌داری ERP کاهش دادند. رویکرد ایمن‌تر، بر اساس این شواهد، اصلاح خط مبنای ساده‌تر است، که معمولاً فقط کسر میانگین ولتاژ اندازه‌گیری شده در طول پنجره پیش از محرک است، به جای اینکه به طرح‌های اصلاحی پیچیده‌تر متوسل شویم.

چرا انتخاب خط لوله نتایج شما را تغییر می‌دهد

در کنار هم قرار دادن مطالعات مقایسه‌ای بررسی شده در اینجا، یک نکته را به وضوح مشخص می‌کند: خطوط لوله پیش‌پردازش قابل تعویض با یکدیگر نیستند، حتی زمانی که از یک جعبه ابزار کلی از روش‌ها استفاده می‌کنند.

به عنوان مثال، مطالعه دلورم نشان داد که از میان تمام تغییرات خط لوله آزمایش شده در پلتفرم‌های نرم‌افزاری پیشرو EEG، یعنی EEGLAB، FieldTrip، MNE و Brainstorm، تنها یک پیکربندی که فیلتر بالاگذر را با درون‌یابی کانال خراب ترکیب می‌کرد، عملکرد بهتری نسبت به فیلتر بالاگذر ساده به تنهایی نشان داد. بسیاری از مراحل رایج دیگر به طور فعال کیفیت داده‌ها را کاهش دادند تا اینکه آن را بهبود بخشند.

در این میان، تیم برتازولی دریافت که در تحقیقات TMS-EEG به طور خاص، دامنه شکل موج و قدرت میدان میانگین جهانی به طور قابل توجهی در چهار خط لوله مختلف اعمال شده بر روی یک مجموعه داده یکسان متفاوت بود. الگوهای توپوگرافی تنها در تاخیرهای فراتر از ۱۰۰ میلی‌ثانیه پس از محرک به شدت بین خطوط لوله همبستگی داشتند؛ در تاخیرهای اولیه، مقادیر همبستگی بسته به اینکه از کدام خط لوله استفاده شده است، به طور گسترده‌ای از ۰.۲ تا ۰.۹ متغیر بود. پایایی آزمون-بازآزمون خود به این بستگی داشت که کدام رویکرد پیش‌پردازش انتخاب شده بود.

در نهایت، مطالعه هاروارد الگوی امیدوارکننده‌تری را برای یک مورد خاص نشان داد: خطوط لوله خودکاری که برای داده‌های رشدی با آرتیفکت بالا ساخته شده‌اند، مانند HAPPE، از هفت رویکرد پردازش جایگزین پرکاربرد دیگر بهتر عمل کردند و محتوای آرتیفکت بیشتری را حذف کردند در حالی که همزمان مقادیر مساوی یا بیشتری از سیگنال واقعی EEG را در تقریباً هر مقایسه حفظ نمودند.

رشته مشترکی که در این مطالعات جریان دارد این است که هیچ پیکربندی خط لوله واحدی به طور جهانی در هر مجموعه داده، جمعیت یا سؤال تحقیقاتی بهینه نیست. درک استدلال پشت هر مرحله، به جای حفظ کردن یک دستورالعمل ثابت، چیزی است که به محقق اجازه می‌دهد تا انتخاب‌های آگاهانه و قابل دفاعی داشته باشد و تشخیص دهد که چه زمانی یک خط لوله ممکن است برای داده‌های خاص آن‌ها نامناسب باشد.

چرا تصمیمات پیش‌پردازش آنچه را که در داده‌های EEG می‌بینید شکل می‌دهند

ضبط‌های خام مغزی پر از پلک زدن، نویز عضلانی و هوم الکتریکی هستند که به راحتی می‌توانند سیگنال‌های آرام‌تری را که محققان می‌خواهند مطالعه کنند، مدفون سازند. تمیز کردن این داده‌ها یک مرحله تمیزکاری خنثی نیست—مسیر دقیقی که از فیلتر کردن تا اصلاح آرتیفکت دنبال می‌کنید می‌تواند به طور معناداری تصویر نهایی فعالیت مغز را تغییر دهد. شواهد نشان می‌دهد که تنها تعداد کمی از اقدامات، مانند فیلتر بالاگذر و ترمیم کانال‌های شکسته، به طور قابل اعتمادی الگوهای عصبی واضح‌تری را نشان می‌دهند، در حالی که بسیاری از مراحل رایج می‌توانند به طور غیرمنتظره‌ای نتایجی را که به دنبال آن هستید تضعیف کنند.

بنابراین، تماشای اینکه هر انتخاب پیش‌پردازش چه کاری انجام می‌دهد بسیار قدرتمندتر از پیروی از یک دستورالعمل یکسان برای همه است. از آنجایی که روش‌های منطقی مختلف می‌توانند مطالعات را به جهت‌های متفاوتی هدایت کنند، گزارش شفاف فرآیند شما به اندازه خود داده‌ها اهمیت پیدا می‌کند.

تنظیم رویکرد خود برای مطابقت با گروه خاصی که با آن‌ها کار می‌کنید، خواه یک بزرگسال نشسته باشد یا یک کودک در حال حرکت، اغلب بهتر از استفاده از یک ابزار عمومی بدون تنظیمات عمل می‌کند. ایجاد این نوع خط لوله متفکرانه و شفاف به شما امکان می‌دهد از اعتماد به پیش‌فرض‌های نرم‌افزار به درک واقعی آنچه سیگنال شما سعی دارد به شما بگوید، حرکت کنید.

منابع

1. Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223

2. Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272

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

4. Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097

5. Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566

سوالات متداول

تفاوت پردازش سیگنال با آنالیز استاندارد داده‌ها چیست؟

پردازش سیگنال به طور خاص بر پویایی‌های زمانی و فرکانسی ورودی‌های مداوم تمرکز دارد، در حالی که آنالیز عمومی داده‌ها اغلب با متغیرهای ایستا یا مستقل سروکار دارد.

آیا پردازش سیگنال می‌تواند تمام اشکال نویز را از یک سیگنال حذف کند؟

اگرچه فیلتر کردن می‌تواند وضوح سیگنال را به طور قابل توجهی بهبود بخشد، اما حذف کامل نویز معمولاً به دلیل هم‌پوشانی‌های غیرقابل پیش‌بینی بین سیگنال و تداخل محیطی غیرممکن است.

چرا نرخ نمونه‌برداری در سیستم‌های دیجیتال مهم است؟

نرخ نمونه‌برداری حداکثر فرکانسی را که سیستم می‌تواند به طور دقیق نشان دهد، تعیین می‌کند، که برای ثبت شاخص‌های عصبی با فرکانس بالا بدون اعوجاج ضروری است.

هدف از تبدیلی مانند تبدیل فوریه چیست؟

تبدیل‌ها برای تبدیل داده‌ها از حوزه زمان (جایی که توالی مهم است) به حوزه فرکانس (جایی که فرکانس‌های تک تک اجزا برجسته می‌شوند) استفاده می‌شوند.

سیستم‌های خطی و غیرخطی چگونه بر دقت خروجی تأثیر می‌گذارند؟

سیستم‌های خطی پاسخ‌های قابل پیش‌بینی و متناسبی ارائه می‌دهند، در حالی که سیستم‌های غیرخطی قابلیت‌های پیچیده‌ای را ارائه می‌دهند که پویایی‌های پنهان را به قیمت پیش‌بینی‌پذیری ساده‌تر آشکار می‌سازد.

چرا داده‌های خام EEG قبل از آنالیز به پیش‌پردازش نیاز دارند؟

ضبط‌های خام EEG نه تنها شامل فعالیت مغز بلکه شامل تداخل‌های ناشی از پلک زدن، کشش عضلانی، نویز الکتریکی و انحراف الکترود نیز می‌شود. پیش‌پردازش با حذف این آرتیفکت‌ها، سیگنال عصبی واقعی را ایزوله می‌کند و داده‌ها را برای بررسی‌های علمی قابل تفسیر و استفاده می‌سازد.

یک مرحله پیش‌پردازش که تقریباً همیشه کمک می‌کند چیست؟

فیلتر بالاگذر، که انحرافات کند ولتاژ ناشی از عرق یا حرکت الکترود را حذف می‌کند، به طور مداوم مفید است. در میان چندین مطالعه، این یکی از معدود مراحلی بود که وقتی در اوایل خط لوله اعمال شد، به طور قابل اعتمادی کیفیت داده‌ها را بهبود بخشید.

ارجاع مجدد چه تاتیری بر سیگنال EEG دارد؟

ارجاع مجدد به طور ریاضی ولتاژ هر کانال را نسبت به یک نقطه خنثی جدید، مانند میانگین تمام الکترودها، به جای مرجع ضبط اصلی بازنویسی می‌کند. از آنجا که EEG تفاوت‌های ولتاژ را اندازه‌گیری می‌کند، این انتخاب می‌تواند دامنه ظاهری و حتی اهمیت آماری پاسخ‌های مغزی را بازسازی کند.

چرا کانال‌های خراب شناسایی می‌شوند و چگونه رفع می‌گردند؟

برخی از الکترودها ناگزیر تماس خوب خود را از دست می‌دهند یا بیش از حد نویزدار می‌شوند و آنالیزهای کل پوست سر را مخدوش می‌کنند. پس از شناسایی این کانال‌های خراب، درون‌یابی سیگنال آن‌ها را با تخمین آنچه که بر اساس فعالیت الکترودهای سالم اطراف ثبت می‌کردند، بازسازی می‌کند.

آنالیز مؤلفه‌های مستقل (ICA) برای چه کاری در EEG استفاده می‌شود؟

ICA تکنیکی است که سیگنال مخلوط را به طور ریاضی به مؤلفه‌های مستقل دسته‌بندی می‌کند، که برخی از آن‌ها با آرتیفکت‌هایی مانند پلک زدن یا نویز عضلانی مطابقت دارند. هنگامی که مؤلفه‌های مرتبط با آرتیفکت شناسایی و حذف شدند، مؤلفه‌های تمیز باقی‌مانده می‌توانند برای حفظ فعالیت واقعی مغز به داده‌های کانال بازگردانده شوند.

تفاوت بازسازی فضای فرعی آرتیفکت (ASR) با ICA چیست؟

ASR بخش‌های نویزدار را با مقایسه داده‌های ورودی با یک دوره مرجع تمیز شناسایی و اصلاح می‌کند و به طور خودکار بخش‌هایی را که بیش از حد از آن خط مبنا منحرف می‌شوند، پرچم‌گذاری می‌کند. برخلاف ICA، سیگنال را به مؤلفه‌ها تجزیه نمی‌کند، بلکه بخش‌های آلوده را بر اساس آمار داده‌های تمیز بازسازی می‌کند.

چرا نباید به سادگی هر بخشی را که دارای نویز است دور انداخت؟

رد کردن بی‌پروای آزمایش‌های نویزدار اغلب مقدار زیادی از داده‌های قابل استفاده را دور می‌اندازد، توان آماری را کاهش می‌دهد و بالقوه نتایج را تضعیف می‌کند. از آنجایی که داده‌های گرانبها از دست می‌روند، روش‌هایی مانند درون‌یابی یا اصلاحات مبتنی بر مؤلفه عموماً ترجیح داده می‌شوند، به ویژه زمانی که زمان ضبط محدود باشد.

اپوچینگ چیست و چرا شامل یک خط مبنای قبل از رویداد است؟

اپوچینگ ضبط مداوم را به پنجره‌های زمانی کوتاه هم‌تراز با رویدادهای خاص، مانند یک محرک، برای آنالیز پاسخ‌های مغزی برش می‌دهد. دوره خط مبنای قبل از رویداد، سطح ولتاژ مرجعی را فراهم می‌کند تا انحرافات کند با پاسخ به محرک اشتباه گرفته نشوند.

آیا خط لوله پیش‌پردازش خاص واقعاً نتایج نهایی را تغییر می‌دهد؟

بله، گزینه‌های مختلف خط لوله—مانند فیلترینگ، طرح مرجع، یا روش اصلاح آرتیفکت—می‌توانند اشکال شکل موج، معنی‌داری و حتی پایایی آزمون-بازآزمون را تغییر دهند. هیچ خط لوله واحدی برای همه شرایط بهترین کارایی را ندارد، بنابراین محققان باید تاثیر هر مرحله را بفهمند، به جای اینکه کورکورانه از یک دستورالعمل پیش‌فرض پیروی کنند.