למה עיבוד מקדים (Preprocessing) חשוב

EEG רגיש מאוד לפעילות חשמלית עצבית ולא-עצבית כאחד. למרות שתכנון ניסוי קפדני ואיסוף נתונים נכון ממזערים מקורות רעש רבים, מידה מסוימת של זיהום ארטיפקטים היא בלתי נמנעת. עיבוד מקדים מסייע לחוקרים להבחין בין פעילות מוחית משמעותית לבין אותות לא רצויים, ובמקביל משפר את העקביות של הניתוחים הבאים.[1]

חשוב לציין כי אין לראות בעיבוד מקדים דרך לתיקון הקלטות באיכות ירודה. במקום זאת, מדובר בתהליך מובנה לסינון ושיפור נתונים באיכות גבוהה שנאספו באמצעות שיטות ניסוי מבוססות. החלטות המתקבלות במהלך העיבוד המקדים משפיעות על כל שלב בניתוח הבא, מה שהופך את השקיפות והעקביות לחיוניות.

בניית צינור עיבוד מקדים (Preprocessing Pipeline)

עיבוד מקדים מבוצע בדרך כלל כרצף של שלבים ולא כפרוצדורות מבודדות. למרות שתהליכי העבודה האישיים משתנים בהתאם לשאלת המחקר ולשיטות הניתוח, קביעת צינור עבודה עקבי מסייעת להבטיח שהנתונים של כל משתתף יעובדו באותו אופן.

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

מכיוון שאין צינור עיבוד מקדים יחיד שמתאים לכל מחקר, זרימת העבודה צריכה להיות מונחית על ידי ספרות מבוססת, תכנון הניסוי, מתודולוגיית ההקלטה והמטרות המדעיות.

סינון אות ה-EEG

סינון הוא לרוב אחד משלבי העיבוד המקדים הראשונים. מסננים מפחיתים רכיבי תדר לא רצויים תוך שמירה על הפעילות העצבית הרלוונטית לשאלת המחקר.

מסנני High-pass עשויים להפחית סחיפה איטית של האות, בעוד מסנני Low-pass מסייעים בדיכוי רעש בתדר גבוה. מחקרים מסוימים מיישמים גם מסנני Notch כדי להפחית הפרעות חשמליות מרשת החשמל 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

גם לאחר איסוף נתונים קפדני, חלק מההקלטות יכילו ארטיפקטים הדורשים תשומת לב במהלך העיבוד המקדים.

חוקרים מתחילים בדרך כלל בבדיקה חזותית של ההקלטות כדי לזהות תקופות של רעש מוגזם, ערוצים לא יציבים או הפרעות בהקלטה. כלים אוטומטיים להערכת איכות עשויים לסייע בזיהוי ארטיפקטים, אך סקירה ידנית נותרה מרכיב חשוב בתהליכי עבודה רבים של עיבוד מקדים.[3]

בהתאם לאופי הזיהום, חוקרים עשויים להסיר ניסיונות (trials) בודדים, לדחות ערוצים רועשים, לבצע אינטרפולציה של אלקטרודות מבודדות, או להחיל טכניקות לתיקון ארטיפקטים. החלטות אלו צריכות להתקבל על פי קריטריונים של איכות שהוגדרו מראש לפני תחילת הניתוח.

ניתוח רכיבים עצמאיים (ICA)

ניתוח רכיבים עצמאיים (ICA) הוא אחת הטכניקות הנפוצות ביותר להפרדת אותות חשמליים מעורבים לרכיבים בלתי תלויים סטטיסטית. על ידי פירוק ה-EEG המוקלט למקורות האות הבסיסיים שלו, ICA יכול לסייע 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 בעיבוד מקדים מתאים, איכות נתונים מספקת ופרשנות זהירה של הרכיבים המתקבלים.

על החוקרים לתעד כיצד בוצע ה-ICA ואילו רכיבים הוסרו כדי לתמוך בשקיפות וביכולת השחזור.

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 (תקופות).

כל epoch מיושר עם סמן אירוע המייצג הצגת גירוי, תגובת משתתף או אירוע משמעותי אחר במהלך הניסוי. פילוח זה מאפשר לחוקרים להשוות פעילות עצבית בתנאי ניסוי חוזרים ונשנים ומהווה את הבסיס לניתוחי פוטנציאל קשור-אירוע (ERP) רבים.[2],[6]

תזמון אירועים מדויק הוא לפיכך חיוני לפני שתהליך ה-epoching מתחיל.

תיקון קו בסיס (Baseline Correction)

הפעילות העצבית משתנה ללא הרף, גם כאשר המשתתפים נמצאים במנוחה. תיקון קו בסיס עוזר לקחת בחשבון את התנודות המתמשכות הללו על ידי השוואת כל epoch ניסויי לתקופת ייחוס הקודמת מיד לאירוע המעניין.

חיסור קו בסיס זה מהתגובה העצבית הבאה מאפשר לחוקרים לבודד טוב יותר את הפעילות הקשורה לאירוע הניסויי, תוך הפחתת השונות הנגרמת מפעילות רקע שאינה קשורה.[2]

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

בקרת איכות ותיעוד

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

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

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

בחירת תוכנה לעיבוד מקדים של EEG

מספר פלטפורמות תוכנה תומכות בעיבוד מקדים ובניתוח של EEG, כאשר כל אחת מציעה תהליכי עבודה ויכולות ניתוח שונות. על החוקרים לבחור כלים המתאימים לתכנון הניסוי שלהם, למומחיות הטכנית ולדרישות הדיווח שלהם.

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

נקודות מפתח

עיבוד מקדים 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 לתקופות (epoching), תיקון קו בסיס ובקרת איכות, כולם תורמים לשיפור איכות האות תוך שמירה על שלמות הנתונים.

צינור עיבוד מקדים מתוכנן היטב הוא עקבי, שקוף ומתאים לשאלת המחקר. על ידי תיעוד של כל שלב עיבוד ויישום פרוצדורות סטנדרטיות בקרב המשתתפים, חוקרים מחזקים את האמינות ואת יכולת השחזור של ממצאיהם.

המשך בבניית מחקר ה-EEG שלך

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

במדריך הבא, בחירת אלקטרודות ומונטאז'ים של EEG, נבחן מערכות מיקום אלקטרודות, בחירת ערוצים וכיצד מיקומי ההקלטה משפיעים על תכנון הניסוי ופרשנות 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.