מדוע קדם-עיבוד (Preprocessing) חשוב

EEG רגיש מאוד הן לפעילות חשמלית עצבית (נוירונלית) והן לפעילות חשמלית שאינה עצבית. למרות שתכנון ניסויי קפדני ואיסוף נתונים נכון ממזערים מקורות רעש רבים, מידה מסוימת של זיהום על ידי ארטיפקטים (הפרעות) היא בלתי נמנעת. קדם-עיבוד עוזר לחוקרים להבחין בין פעילות מוחית משמעותית לבין אותות לא רצויים, ובמקביל משפר את העקביות של הניתוחים הבאים.[1]

חשוב לציין כי אין לראות בקדם-עיבוד דרך לתקן הקלטות באיכות ירודה. במקום זאת, מדובר בתהליך מובנה לזיקוק נתונים באיכות גבוהה שנאספו באמצעות שיטות ניסוי מבוססות. החלטות המתקבלות במהלך קדם-העיבוד משפיעות על כל שלב שלאחר מכן בניתוח, מה שהופך את השקיפות והעקביות לחיוניות.

בניית צינור קדם-עיבוד (Preprocessing Pipeline)

קדם-עיבוד מבוצע בדרך כלל כסדרה של שלבים עוקבים ולא כפרוצדורות מבודדות. למרות שזרימות עבודה אינדיבידואליות משתנות בהתאם לשאלת המחקר ולשיטות הניתוח, קביעת צינור עבודה עקבי מסייעת להבטיח שהנתונים של כל משתתף יעובדו באותו אופן.

על החוקרים לקבוע את אסטרטגיית קדם-העיבוד שלהם לפני תחילת הניתוח הפורמלי במידת האפשר. הגדרת זרימת העבודה מראש מפחיתה את הסיכון להטיה הנגרמת מקבלת החלטות עיבוד לאחר צפייה בתוצאות.[1]

מכיוון שאין צינור קדם-עיבוד יחיד המתאים לכל מחקר, זרימות העבודה צריכות להיות מונחות על ידי ספרות מדעית מבוססת, עיצוב הניסוי, מתודולוגיית ההקלטה והמטרות המדעיות.

סינון אות ה-EEG

סינון הוא לעיתים קרובות אחד משלבי קדם-העיבוד המוקדמים ביותר. מסננים מפחיתים רכיבי תדר לא רצויים תוך שמירה על הפעילות העצבית הרלוונטית לשאלת המחקר.

מסנני High-pass עשויים להפחית סחיפה (drift) איטית של האות, בעוד שמסנני Low-pass עוזרים לדכא רעש בתדר גבוה. מחקרים מסוימים מיישמים גם מסנני Notch כדי להפחית הפרעות חשמליות ממערכות חשמל במידת הצורך.[1],[5]

יש לגשת לבחירת המסננים בזהירות. סינון מוגזם עלול לעוות אותות עצביים או לשנות את התזמון והאמפליטודה של תגובות תלויות-אירוע (event-related). על החוקרים לבחור הגדרות סינון התומכות בניתוח המיועד תוך הימנעות משינוי אותות מיותר.

זיהוי וניהול ארטיפקטים (הפרעות)

גם לאחר איסוף נתונים קפדני, חלק מההקלטות יכילו ארטיפקטים הדורשים התייחסות במהלך קדם-העיבוד.

חוקרים מתחילים בדרך כלל בבדיקה ויזואלית של ההקלטות כדי לזהות פרק זמן של רעש מוגזם, ערוצים לא יציבים או הפרעות בהקלטה. כלים אוטומטיים להערכת איכות עשויים לסייע בזיהוי ארטיפקטים, אך סקירה ידנית נותרה מרכיב חשוב בזרימות עבודה רבות של קדם-עיבוד.[3]

בהתאם לאופי הזיהום, חוקרים עשויים להסיר ניסויים (trials) בודדים, לפסול ערוצים רועשים, לבצע אינטרפולציה של אלקטרודות מבודדות, או להחיל טכניקות לתיקון ארטיפקטים. החלטות אלו צריכות להתקבל על פי קריטריוני איכות מוגדרים מראש שנקבעו לפני תחילת הניתוח.

ניתוח רכיבים עצמאיים (ICA)

ניתוח רכיבים עצמאיים (Independent Component Analysis - ICA) הוא אחת הטכניקות הנפוצות ביותר להפרדת אותות חשמליים מעורבים לרכיבים בלתי תלויים סטטיסטית. על ידי פירוק ה-EEG המוקלט למקורות אות בסיסיים, ICA יכול לעזור לחוקרים לזהות רכיבים הקשורים למצמוצי עיניים, תנועות עיניים, פעילות שרירים או ארטיפקטים לא עצביים אחרים.[4]

לאחר זיהויים, ניתן להסיר רכיבים הקשורים לארטיפקטים לפני שחזור אות ה-EEG. בעוד ש-ICA יכול לשפר באופן משמעותי את איכות הנתונים, יישום מוצלח תלוי בקדם-עיבוד מתאים, איכות נתונים מספקת ופרשנות קפדנית של הרכיבים המתקבלים.

על החוקרים לתעד כיצד בוצע ה-ICA ואילו רכיבים הוסרו כדי לתמוך בשקיפות ויכולת שחזור (reproducibility).

חלוקה לתקופות (Epoching) של נתונים רציפים

ניתוחי EEG רבים מתמקדים בתגובות עצביות המתרחשות סביב אירועים ניסויים ספציפיים. כדי להקל על ניתוחים אלה, הקלטות EEG רציפות מחולקות לעיתים קרובות למקטעי זמן קצרים יותר המכונים epochs.

כל epoch מיושר עם סמן אירוע (event marker) המייצג הצגת גירוי, תגובת משתתף או אירוע משמעותי אחר במהלך הניסוי. חלוקה זו מאפשרת לחוקרים להשוות פעילות עצבית בתנאי ניסוי חוזרים ונשנים ומהווה את הבסיס לניתוחי פוטנציאלים קשורי-אירוע (ERP) רבים.[2],[6]

לפיכך, תזמון מדויק של אירועים חיוני לפני תחילת שלב ה-epoching.

תיקון קו בסיס (Baseline Correction)

הפעילות העצבית משתנה ללא הרף, אפילו כאשר המשתתפים נמצאים במנוחה. תיקון קו בסיס מסייע להתחשב בתנודות מתמשכות אלו על ידי השוואה של כל epoch ניסויי לתקופת ייחוס הקודמת מיד לאירוע המעניין.

חיסור קו בסיס זה מהתגובה העצבית שלאחר מכן מאפשר לחוקרים לבודד טוב יותר את הפעילות הקשורה לאירוע הניסויי תוך הפחתת השונות הנגרמת על ידי פעילות רקע לא קשורה.[2]

בחירת קו הבסיס צריכה להישאר עקבית לאורך כל המחקר ולשקף שיטות עבודה מקובלות עבור פרדיגמת הניסוי שנבחרה.

בקרת איכות ותיעוד

קדם-עיבוד אינו מסתיים כאשר הנתונים נראים נקיים יותר. על החוקרים לתעד בקפידה כל שלב עיבוד, כולל פרמטרים של סינון, קריטריונים לדחיית ארטיפקטים, תהליכי אינטרפולציה, גרסאות תוכנה והגדרות ניתוח.

תיעוד מפורט תומך ביכולת השחזור בכך שהוא מאפשר לחוקרים אחרים להבין, להעריך ולשחזר את זרימת העבודה של קדם-העיבוד. דיווח שקוף הופך גם השוואות עתידיות בין מחקרים למשמעותיות יותר.[1]

שמירה על פרוטוקול קדם-עיבוד עקבי בקרב כל המשתתפים מפחיתה עוד יותר את השונות ומחזקת את הביטחון בניתוחים המתקבלים.

בחירת תוכנה לקדם-עיבוד EEG

מספר פלטפורמות תוכנה תומכות בקדם-עיבוד וניתוח EEG, כאשר כל אחת מציעה זרימות עבודה ויכולות ניתוח שונות. על החוקרים לבחור כלים המתאימים לתכנון הניסוי שלהם, למומחיות הטכנית ולדרישות הדיווח.

סביבות קדם-עיבוד נפוצות כוללות את EEGLAB, MNE-Python ו-FieldTrip, לצד תוכנות רכישה מסחריות התומכות בסנכרון אירועים, ויזואליזציה של נתונים וייצוא לפורמטי ניתוח נפוצים.[4],[5] בחירת כלים בעלי תאימות הדדית (interoperable) יכולה לפשט את שיתוף הפעולה ובמקביל לתמוך בשיטות מחקר שקופות וניתנות לשחזור.

נקודות מפתח

קדם-עיבוד מכין הקלטות EEG גולמיות לניתוח מדעי על ידי הפחתת רעש, ניהול ארטיפקטים וארגון הנתונים תוך שמירה על אותות עצביים משמעותיים.

סינון, ניהול ארטיפקטים, ניתוח רכיבים עצמאיים (ICA), חלוקה ל-epochs, תיקון קו בסיס ובקרת איכות כולם תורמים לשיפור איכות האות תוך שמירה על שלמות הנתונים.

צינור קדם-עיבוד מעוצב היטב הוא עקבי, שקוף ומתאים לשאלת המחקר. על ידי תיעוד של כל שלב עיבוד ויישום נהלים סטנדרטיים בקרב כל המשתתפים, חוקרים מחזקים את האמינות ואת יכולת השחזור של ממצאיהם.

המשך בניית מחקר ה-EEG שלך

לאחר שהוכנו נתוני ה-EEG לניתוח, חוקרים יכולים להתחיל לחקור כיצד מיקומי אלקטרודות שונים תורמים להבנת פעילות המוח.

במדריך הבא, בחירת אלקטרודות EEG ומונטאז'ים (Montages), נבחן מערכות מיקום אלקטרודות, בחירת ערוצים וכיצד מיקומי ההקלטה משפיעים על תכנון הניסוי ועל פירוש הנתונים.

מקורות

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.