אחת מבחירות הייחוס הנפוצות ביותר במחקר EEG היא ייחוס הממוצע המשותף, או CAR, המחשב מחדש את הערך של כל ערוץ ביחס לממוצע של כל הערוצים על הקרקפת.
ל-CAR יש מוניטין של ברירת מחדל לניקוי רעשים. הוא מופיע בצינורות עיבוד של BCI, במאמרים מדעיים ובארגזי כלים בקוד פתוח כמעט באופן אוטומטי. אך מבט מקרוב על המחקר הקיים מציג תמונה מורכבת יותר ממה שהמוניטין מרמז.
חלק זה עובר על המתמטיקה שמאחורי CAR, הנחות היסוד שבהן הוא תלוי, והתנאים שבהם הנחות אלו קורסות.
מהו ייחוס ממוצע משותף (CAR) ב-EEG?
כל אלקטרודת קרקפת מודדת מתח יחסי לערוץ ייחוס מסוים, או לקבוצה קטנה של ערוצי ייחוס, שנבחרים בזמן ההקלטה. הבחירות הנפוצות כוללות אלקטרודה בודדת על תנוך האוזן, מסטואידים מקושרים מאחורי האוזניים, או מיקום בקרקפת כמו Cz.
הבעיה בייחוס בעל מיקום בודד היא שהוא לעולם אינו באמת "שקט". אם אלקטרודת הייחוס עצמה קולטת רעש או פעילות מוחית, זיהום זה מופחת מכל ערוץ אחר, מכיוון שאות כל ערוץ מוגדר ביחס אליה.
חברת CAR עוקפת את הבעיה הזו על ידי שימוש בסוג אחר של ייחוס שבו נמדד מתח ממוצע על פני מערך האלקטרודות כולו בכל רגע נתון. במקום להפחית ערך של אלקטרודה אחת מכל האחרות, CAR מפחית את הממוצע של כל האלקטרודות מכל אלקטרודה בודדת.
בתיאוריה, ממוצע זה משמש כנקודת ייחוס יציבה ו"שקטה" יותר ממה שכל אלקטרודה פיזית בודדת יכולה לספק, כיוון שהוא מסתמך על מידע מהקרקפת כולה ולא ממיקום אחד בלבד.
CAR במחקרי BCI
זו הסיבה ששיטת CAR מופיעה לעיתים קרובות כל כך במחקרי ממשק מוח-מחשב. לדוגמה, מחקר שפורסם ב-International Journal of Engineering and Technology בחן את ה-CAR כאחת משתים עשרה שיטות ייחוס מחדש עבור מאיית P300, מערכת המזהה תגובה מוחית ספציפית כאשר המשתמש מתמקד באות או בסמל מטרה, ודיווח על ה-CAR כטכניקה המתאימה ביותר מבין אלו שנבחנו.
יתרה מכך, מחקר משנת 2025 יישם את ה-CAR כשלב קדם-עיבוד סטנדרטי בצינור סיווג של דימות מוטורי, ותיאר את מטרתו כהגדלת יחס האות לרעש.
כיצד מחשבים את נוסחת ה-CAR
המכניקה של CAR היא אלגברה פשוטה, ולא מודל סטטיסטי הדורש נתונים כדי להוכיח שהוא עובד מתמטית. עבור מערך של N אלקטרודות, שכל אחת מהן מודדת מתח בזמן t, הנכתב כ-V₁(t), V₂(t), ועד Vₙ(t), הערך המותמר של CAR עבור כל אלקטרודה בודדת i הוא:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
במילים פשוטות, כדי למצוא את ה-CAR עבור אלקטרודה ספציפית, קח את הקריאה המקורית שלה במילישנייה נתונה, והפחת ממנה את הקריאה הממוצעת של כל אלקטרודות הקרקפת בדיוק באותה מילישנייה.
יישומים של EEG עם ייחוס ממוצע משותף
בחירת גישת הייחוס הנכונה קובעת את הצלחתן של הערכות אבחוניות ומחקרי מחקר מורכבים.
מערכים קליניים מתעדפים לעיתים קרובות בהירות ועקביות, ומבטיחים שנוירולוגים יוכלו לזהות סמנים ללא הפרעה מארטיפקטים הנגרמים על ידי ייחוס. חוקרים מעדיפים גישה גלובלית זו בעת מיפוי האופן שבו התערבויות עשויות להשפיע על פעילות עצבית, כפי שהודגם בממצאים על תנודות המווסתות על ידי נשימה, שבהן נדרש קו בסיס ניטרלי לצורך בידוד השפעות הקשורות לנשימה מקצבים עצביים מקומיים.
הן במסגרות קליניות והן במדעי המוח הניסויים, חוקרים מסתמכים על פרשנות נתונים עקבית הממזערת עיוותים מלאכותיים. שיטה זו מסייעת לשמור על שקיפות בעת השוואת הקלטות מטופלים בין הפעלות או מתקנים שונים.
על ידי שימוש בייחוס סטנדרטי, האנליסטים מבטיחים שהשינויים הנצפים באמפליטודה משקפים שינויים ביולוגיים ולא שינויים טכניים בקו הבסיס. עמדה אובייקטיבית זו תומכת בדיווח אבחוני ברור יותר ובתוצאות תקפות ביישומי מדידת גלי מוח רחבים.
כיצד ה-CAR מפחית רעש במצב משותף (Common-Mode Noise)
הטיעון לטובת CAR נשען על מושג הנקרא רעש במצב משותף. זה מתייחס להפרעה המופיעה כמעט בכל אלקטרודה בעוצמה דומה בקירוב, ולא לרעש הספציפי למיקום אחד.
דוגמאות קלאסיות כוללות רעש קו מתח חשמלי של 50/60 הרץ ממקורות כוח סמוכים, פעילות שרירים המתפשטת על פני הקרקפת באמצעות הולכת רקמות, וסחיפות איטיות הנגרמות כתוצאה מתזוזה קלה של אלקטרודה על העור.
מכיוון שסוג זה של רעש משותף באופן נרחב לכל המערך, מיצוע של כל הערוצים יחד אמור, בתיאוריה, להפיק הערכה סבירה של אותו רכיב רעש משותף. הפחתת הממוצע מכל ערוץ מסירה לאחר מכן את מרבית אותה הפרעה משותפת, תוך שמירה על הבדלים בין הערוצים, אשר בסבירות גבוהה יותר משקפים פעילות מוחית בפועל, שלמה במידה רבה.
הנחות היסוד שמאחורי CAR
לוגיקת הפחתת הרעש של CAR מחזיקה מעמד רק אם מספר תנאים מתקיימים לגבי הנתונים. הנחות אלו מתוארות בעקביות בספרי לימוד ומדריכים של EEG, אם כי האימות שלהן בעולם האמיתי הוא דל במסגרת הראיות הזמינות.
הנחת ממוצע אפס. בכל רגע, הממוצע של כל המתחים על פני הראש אמור להיות קרוב לאפס, כלומר פעילות חיובית ושלילית מאזנות זו את זו בקירוב על פני הקרקפת.
כיסוי אלקטרודות צפוף ואחיד. המערך אמור לכסות את הראש בצורה יסודית מספיק כדי שהממוצע יתקרב למה שנקודת ייחוס רחוקה לאין שיעור מהראש, ולכן ניטרלית מבחינה חשמלית, הייתה מקליטה. כיסוי דליל או לא אחיד מחליש הערכה זו.
אין מקור דומיננטי יחיד. אף אלקטרודה אחת, ערוץ פגום או ארטיפקט גדול (כגון מצמוץ עין חזק) אינם צריכים להיות גדולים מספיק כדי להטות את הממוצע בעצמם.
כאשר שלושת התנאים הללו מתקיימים, הממוצע מתנהג כמו נקודת ייחוס ניטרלית באמת. כאשר הם אינם מתקיימים, הממוצע עצמו מתעוות, והפחתת ממוצע מעוות מציגה בעיות חדשות במקום להסיר ישנות.
בחינת הנחות ה-CAR באמצעות נתוני EEG אמיתיים
אם ניקח הקלטת EEG במצב מנוחה הזמינה לציבור, למשל מערך נתונים סטנדרטי של 64 ערוצים, ונחשב את צורת גל הממוצע הגלובלי לפני יישום CAR, נגלה לעיתים קרובות ערכים החורגים מאפס, לפעמים בהפרש ניכר. חריגה זו היא הוכחה ישירה לתוכן של מצב משותף היושב באות הגולמי, שהוא בדיוק מה ש-CAR נועד להסיר. לאחר החלת CAR, אותו ממוצע גלובלי נאלץ להיות בדיוק אפס בכל נקודת זמן, מעצם הגדרת הנוסחה.
מבחן חושפני יותר כולל התבוננות בתקופות המכילות ארטיפקטים גדולים של מצמוצי עיניים.
מצמוצי עיניים יוצרים תנודות מתח גדולות שהן החזקות ביותר באלקטרודות הפרונטליות אך זולגות לחלק גדול מהמערך. במהלך תקופות אלה, הממוצע הגלובלי לפני CAR משתנה לעיתים קרובות בחדות הרחק מאפס, מכיוון שהמצמוץ אינו מפוזר באופן אחיד אלא מרוכז בחלק אחד של הראש. כאשר ה-CAR מיושם לאחר מכן, ארטיפקט מרוכז זה מתקפל לתוך הממוצע ומבוזר מחדש, בכמויות קטנות יותר, על פני כל ערוץ וערוץ, כולל אלה המרוחקים מהעיניים שהיו נקיים במקור.
מה אומר המחקר: ראיות מעורבות ממחקרי BCI
המחקר שהוזכר לעיל השווה שתים עשרה טכניקות ייחוס מחדש על פני שלושה מערכי נתונים של מאייתי P300, הן בתנאי בדיקה לא מקוונים והן בתנאי בדיקה מקוונים, והגיע למסקנה כי ה-CAR היה הטכניקה המתאימה ביותר מבין כל השתים עשרה. עם זאת, בעוד שהמחקר מספק השוואות גרפיות של דיוק הסיווג וטבלאות המפרטות קצבי סיביות מקסימליים ממוצעים עם סטיות תקן, הוא אינו מדווח על גדלי השפעה או מבחני מובהקות סטטיסטיים רשמיים בין השיטות, מה שמגביל את מידת הביטחון שניתן לייחס לדירוג זה.
בינתיים, מחקר משנת 2017 נקט בגישה שונה עם משימת דימות מוטורי וכוונת תנועה. אחד עשר נבדקים ביצעו ודמיינו תנועות של כף יד ימין בזמן שה-EEG הוקלט מ-28 אלקטרודות. האות עובד באמצעות CAR וכן באמצעות ייחוס לפלסיאן (Laplacian), שיטת סינון מרחבית המדגישה את ההבדל בין אלקטרודה מרכזית לשכנותיה הקרובות ולא את ממוצע הקרקפת כולו.
דיוק הסיווג באמצעות ייחוס לפלסיאן נע בין 63.33% ל-100% עבור תנועה מדומיינת ובין 60% ל-96.67% עבור תנועה בפועל, כאשר מסווגי k-השכנים הקרובים ביותר עלו בביצועיהם על ניתוח המבחין הריבועי. ייחוס לפלסיאן עלה בביצועיו על CAR באופן כללי, על אף שהמחקר אינו מדווח על נתוני הדיוק המדויקים של CAR לצורך השוואה ישירה. תוצאה זו מצביעה על כך ש-CAR עשוי להתאים פחות למשימות הכרוכות בפעילות מוחית מוטורית ממוקדת ומקומית.
לבסוף, המחקר שהוזכר לעיל משנת 2025 הטמיע את ה-CAR כשלב קדם-עיבוד מוקדם בתוך צינור רשת עצבית קונבולוציונית (CNN) גדול יותר עבור סיווג דימות מוטורי, שכלל גם חלונות זמן זזים, התמרה ספקטרלית וחילוץ תחומי תדרים. הצינור המלא השיג דיוק של 91.75% במערך נתונים של מדד תחרותי. זוהי תוצאה חזקה, אך מכיוון ש-CAR היה רק אחד מכמה שלבי עיבוד, המחקר אינו יכול לומר לנו כמה מאותו דיוק מיוחס ל-CAR עצמו לעומת ארכיטקטורת ה-CNN, טכניקת החלונות או בחירת תחומי התדרים.
במבט כולל, שלושת המחקרים הללו אינם מתכנסים למסקנה אחת. ה-CAR תפקד היטב בהקשר של P300, תפקד פחות טוב מחלופה בהקשר של דימות מוטורי, והיה נוכח אך לא מבודד בהקשר של למידה עמוקה בדיוק גבוה. על כן, הראיות שנדונו מצביעות על כך שהתועלת העצמאית של CAR נותרה לא ברורה ונראה שהיא תלויה במידה רבה בסוג האות המוחי הנמדד.
כאשר CAR נכשל: ארטיפקטים, מערכים דלילים ומקורות ממוקדים
הדפוס המשתקף במחקרים אלה תואם שלושה מצבי כשל הנדונים בהרחבה במתודולוגיית EEG אך נתמכים רק באופן חלקי על ידי ראיות ישירות במחקר הזמין.
ארטיפקטים גדולים. אירוע יחיד בעל אמפליטודה גבוהה, כגון מצמוץ עין חזק או ספייק שרירי, יכול להשתלט על חישוב הממוצע אם הוא גדול מספיק ביחס לשאר המערך. כאשר זה קורה, CAR אינו מסיר את הארטיפקט; הוא מפיץ גרסה מעוותת שלו לכל ערוץ, כולל אלה שהיו נקיים מארטיפקטים במקור. זוהי תוצאה ישירה של נוסחת ה-CAR ולא ממצא שנבדק בנפרד, אך היא נובעת לוגית מההדגמה שתוארה קודם לכן במאמר זה.
מערכים דלילים. CAR תלוי בכך שהממוצע יתקרב לנקודת ייחוס ניטרלית, מה שדורש כיסוי צפוף ואחיד באופן סביר של הקרקפת. עם מספר אלקטרודות קטן בלבד, למשל שמונה עד שישה-עשר ערוצים, הממוצע הוא הערכה חלשה בהרבה של אותה נקודה ניטרלית, והנחת הכיסוי שמאחורי CAR מופרת ישירות.
מקורות ממוקדים (Focal). פעילות מוחית שמקורה באזור קטן וממוקד, במקום להתפשט באופן נרחב על פני הקרקפת, יכולה להתנהג בדומה לאות "מקומי" שמיצוע המערך המלא של CAR אינו מתוכנן לשמר. מכיוון ש-CAR מפחית ממוצע גלובלי, הוא יכול לבטל בחלקו אותות שהם מרוכזים ולא מפושטים.
מצב כשל | בעיית מפתח |
|---|---|
ארטיפקטים | ארטיפקט גדול מטה את הממוצע |
מערכים דלילים | מעט מדי אלקטרודות, ייחוס חלש |
מקורות ממוקדים | אותות מקומיים עלולים להיחלש |
כיצד להפחית את חולשות ה-CAR
מספר התאמות מומלצות בדרך כלל בפרקטיקה של EEG כדי לטפל בנקודות תורפה אלו:
כאשר ארטיפקטים גדולים מהווים מקור לדאגה, זהה ובצע אינטרפולציה או הסר ערוצים פגומים או מקטעים עתירי ארטיפקטים לפני חישוב ה-CAR.
בעבודה עם מערך דליל (למשל, 8–16 ערוצים), הימנע מ-CAR והשתמש בייחוס פיזי קבוע כגון מסטואידים מקושרים.
עבור משימות המיועדות לפעילות מוחית ממוקדת ומקומית, שקול להשתמש בייחוס לפלסיאן או בשיטות מרחב-מקור המדגישות גרדיאנטים מקומיים במקום ממוצע גלובלי.
האם CAR הוא בחירת הייחוס הנכונה עבור מערך ה-EEG שלך?
CAR נותרה שיטת ייחוס בשימוש נרחב עם בסיס מתמטי ברור ועקבי. היא מאלצת את האות הממוצע לאורך המערך להיות אפס, וזה יכול, עקרונית, להסיר רעש המופיע באופן נרחב ואחיד על פני הקרקפת. המשיכה התיאורטית הזו מסבירה מדוע היא מופיעה לעיתים קרובות כל כך כשלב ברירת מחדל בצינורות עיבוד של EEG ו-BCI.
כל מי שמחיל CAR על הנתונים שלו צריך להתייחס לזה כאל ברירת מחדל סבירה ולא כאל שיפור מובטח. את ההנחות שלה - אות ממוצע קרוב לאפס, כיסוי אלקטרודות צפוף ואחיד, והיעדר ארטיפקט דומיננטי - כדאי לבדוק מול מערך ההקלטה הספציפי והמשימה העומדת על הפרק, ולא להניח אותן באופן אוטומטי.
כאשר הנחות אלו אינן צפויות להתקיים, במיוחד עם מערכים דלילים או משימות המתמקדות במקורות מוחיים ממוקדים ומקומיים, חלופות כמו ייחוס לפלסיאן ראויות לשיקול דעת רציני.
מדוע בדיקת הנחות היסוד של ייחוס ה-EEG שלך עולה בחשיבותה על הגדרות ברירת המחדל
המושג של ייחוס ממוצע משותף בנוי על הרעיון המתמטי הפשוט של הפחתת ממוצע הקרקפת כולו כדי להסיר רעש המשותף לאלקטרודות. זה עובד בצורה נפלאה על הנייר, אך הבנות מוח אמיתיות ממעטות לשתף פעולה בצורה מושלמת. האלגוריתם תמיד מאלץ את ממוצע האלקטרודות להיות אפס, אך איזון כפוי זה אינו מבטיח תצוגה נקייה יותר של הפעילות המוחית - אלא רק שהמספרים מסתכמים בהתאם.
מה שחשוב יותר ממונטאז' ה-EEG עצמו הוא האם מערך ההקלטה עומד בהנחות היסוד. כיסוי אלקטרודות צפוף ואחיד והיעדר ארטיפקטים מכבידים כמו מצמוצי עיניים יכולים להפוך את ה-CAR מקיצור דרך מסוכן לכלי שימושי. עבור מערכים דלילים או משימות שצריכות ללכוד אותות מוחיים קטנים וממוקדים, אותו שלב יכול להפיץ זיהום ולטשטש בדיוק את הפעילות שהחוקר מקווה לזהות.
המסקנה מהמחקר אינה ש-CAR הוא טוב או רע, אלא שהשימוש בו דורש בדיקה מכוונת של תנאי הנתונים, ולא אמון עיוור בהגדרה מראש פופולרית.
מקורות
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
שאלות ותשובות נפוצות
מהו ייחוס ממוצע משותף (CAR) ב-EEG?
CAR היא שיטת ייחוס מחדש המפחיתה את המתח הממוצע של כל אלקטרודות הקרקפת מכל אלקטרודה בודדת בכל נקודת זמן. שיטה זו מחליפה ייחוס פיזי בודד בממוצע של הקרקפת כולה, במטרה ליצור נקודת ייחוס יציבה יותר להקלטה.
כיצד CAR מפחית רעש באותות EEG?
CAR מתמקד ברעש במצב משותף - הפרעה המופיעה באופן דומה על פני אלקטרודות רבות, כמו זמזום של קו חשמל או פעילות שרירים. על ידי מיצוע כל הערוצים והפחתת הממוצע הזה, הרעש המשותף מוסר ברובו בעוד שהבדלי הפעילות המוחית הספציפיים לכל ערוץ נשמרים.
מהן הנחות היסוד הנדרשות כדי ש-CAR יעבוד היטב?
CAR מניח כי ממוצעי המתח על פני הקרקפת קרובים לאפס בכל רגע, שכיסוי האלקטרודות צפוף ואחיד וששום ארטיפקט או ערוץ בודד אינם דומיננטיים מספיק כדי להטות את הממוצע. אם אלה אינם מתקיימים, הממוצע המחושב מתעוות, והפחתתו גוררת שגיאות.
מתי CAR נכשל או מציג ארטיפקטים?
CAR עלול להיכשל עם ארטיפקטים גדולים וממוקדים כמו מצמוצי עיניים, אשר מטים את הממוצע ולאחר מכן מתפשטים על פני כל הערוצים. הוא גם מתקשה עם מערכי אלקטרודות דלילים או אותות מוחיים שהם ממוקדים מאוד, מכיוון שהממוצע הגלובלי אינו מייצג עוד נקודת ייחוס ניטרלית.
מה אומר המחקר הזמין על היעילות של CAR?
הראיות מעורבות. מחקר אחד מצא כי CAR עבד היטב עבור משימת מאיית P300, אך מחקר אחר הראה כי ייחוס לפלסיאן עלה בביצועיו על CAR עבור דימות מוטורי. מחקר שלישי השתמש ב-CAR בצינור למידה עמוקה מוצלח אך לא בידד את תרומתו הספציפית, כך שתועלתו העצמאית נותרת לא ברורה.
האם עליי להשתמש תמיד ב-CAR כייחוס ברירת המחדל שלי לניתוח EEG?
לא באופן עיוור. CAR הוא ברירת מחדל סבירה אם יש לך כיסוי אלקטרודות צפוף ואחיד והאות הוא בערך בעל ממוצע אפס ללא ארטיפקטים דומיננטיים. עבור מערכים דלילים או פעילות מוחית ממוקדת, חלופות כמו ייחוס פיזי קבוע או ייחוס לפלסיאן עשויות להיות מתאימות יותר.
מהו ייחוס לפלסיאן וכיצד הוא משתווה ל-CAR?
ייחוס לפלסיאן מדגיש את הפרש המתחים בין אלקטרודה מרכזית לשכנותיה המיידיות, ומדגיש פעילות מוחית מקומית. הוא עלה בביצועיו על CAR במחקר דימות מוטורי, מה שמצביע על כך שהוא מתאים יותר לזיהוי אותות ממוקדים מרחבית.
כיצד אוכל להפחית את חולשות ה-CAR כאשר אני רוצה להשתמש בו?
לפני חישוב ה-CAR, זהה והסר או בצע אינטרפולציה של ערוצים פגומים וארטיפקטים גדולים כמו מצמוצים. הדבר מונע מערוץ רועש או מאירוע בודד לעוות את ממוצע הקרקפת כולו ולזהם את כל הערוצים.
מה קורה כאשר מתרחש מצמוץ עין בהקלטה עם ייחוס CAR?
מצמוצי עיניים יוצרים שינויי מתח חזקים המרוכזים באלקטרודות הפרונטליות. כאשר מיושם CAR, השפעת המצמוץ נכללת בממוצע הגלובלי ואז מופחתת ממנו, מה שמפיץ גרסה קטנה אך מעוותת של המצמוץ לכל ערוץ, אפילו לאלה שהיו נקיים במקור.
האם CAR באמת הופך את הממוצע של כל הערוצים לאפס?
כן, מעצם ההגדרה התמרת ה-CAR מאלצת את סכום כל המתחים המיוחשים מחדש להיות אפס בכל נקודת זמן. עם זאת, תכונה מתמטית זו אינה מבטיחה שהאות המתקבל הוא ייצוג נקי יותר של הפעילות המוחית - היא פשוט אופפת תנאי שעשוי להתאים למציאות או שלא.
Emotiv היא מובילה בתחום הנוירוטכנולוגיה המסייעת לקדם מחקר במדעי המוח באמצעות כלי EEG נגישים וכלי נתוני מוח.
כריסטיאן בורגוס
