עיבוד אותות

מהו עיבוד אותות?

תחום עיבוד האותות מקיף את השינוי, הניתוח והפרשנות של אירועים פיזיקליים כנתונים מדידים. על ידי יישום מסגרות מתמטיות ללכידת מחרוזות נתונים, חוקרים יכולים לסנן ביעילות הפרעות סביבתיות ולהתמקד בפרמטרים בעלי עניין ראשוני.

מתודולוגיה זו מרכזית עבור מחקר מדעי מודרני בתחומים מגוונים, כולל חקר תפקודים ביולוגיים אנושיים מורכבים.

כיצד להגדיר עיבוד אותות ספרתי

עיבוד אותות ספרתי מייצג יישום של חישובים בזמן בדיד על אותות שהומרו ממצבם האנלוגי המקורי.

שכלול זה מתרחש באמצעות שימוש באלגוריתמים ומעבדים ספציפיים שנועדו לנהל עומסי חישוב ביעילות. מדענים משתמשים בגישה זו כדי לבודד אותות ביולוגיים, מה שחיוני לתחומים הכוללים את מדעי ה-neuroscience שבהם שלמות הנתונים היא בעלת חשיבות עליונה לדיוק המחקר.

היעד המרכזי של עיבוד אותות

בשיא התועלת שלו, עיבוד אותות שואף להפיק את כמות המידע המשמעותי המרבית מנתונים מדידים תוך מזעור השפעת הרעש. על ידי אופטימיזציה של יחס האות לרעש, חוקרים משחזרים נקודות נתונים אמינות שאלמלא כן היו מטושטשות.

יעד זה מניע פיתוח של כלי אבחון מתוחכמים המשמשים בפרקטיקת EEG מודרנית.

סוגים של עיבוד אותות

עיבוד אותות מסווג באופן רחב בהתבסס על אופי אות הקלט והמתודולוגיה המיושמת לצורך מניפולציה שלו. העולם הפיזי קיים במצב רציף, בעוד שמכשירים אלקטרוניים מסתמכים לעיתים קרובות על מקטעי נתונים מכומתים לביצוע פעולות.

הבחנה בין קטגוריות אלו היא בסיסית לבחירת העדשה המתמטית המתאימה לכל מערך ניסיוני נתון.

עיבוד אותות אנלוגי לעומת ספרתי

מערכות אנלוגיות מבצעות מניפולציות על גלי חשמל רציפים ישירות דרך רכיבי מעגל, ובכך שומרות על רמת נאמנות גבוהה ללא המעמסה של קוונטיזציה (כימות). בעוד שמערכות אנלוגיות מציעות תגובות מיידיות, חסרות להן הגמישות והיכולת לתכנות המאפיינות ארכיטקטורות ספרתיות.

ככל שפרוטוקולי מערכת 10-20 הסטנדרטיים עברו שינוי, עיבוד ספרתי הפך לתקן העיקרי לשמירה על נתונים ברי-השוואה בין סביבות מחקר שונות.

מהו עיבוד אותות ספרתי? מערכות ליניאריות לעומת מערכות לא-ליניאריות

עיבוד אותות ספרתי משתמש באלגוריתמים כדי לזקק נתונים לפורמטים המתאימים למדול חישובי, ומציע סביבה מבוקרת להתאמת אותות.

הבנת השאלה האם מערכת מתנהגת בצורה ליניארית היא קריטית לניבוי כיצד הפלט יגיב לקלטים משתנים, שכן עקרון הסופרפוזיציה תקף רק לפעולות ליניאריות. מערכות לא-ליניאריות, לעומת זאת, מציגות טרנספורמציות מורכבות שיכולות ללכוד דינמיקות עדינות שלעיתים קרובות זוכות להתעלמות מצד מודלים פשוטים יותר.

על ידי אפיון התנהגויות אלו, טכנאים מבטיחים כי המודל המתמטי משקף במדויק את הדינמיקה בפועל של אות הקלט לפני יישום מסנני אבחון.

מושגי מפתח וטכניקות בעיבוד אותות

שליטה טכנית בתחום זה דורשת הבנה עמוקה של הכנת נתונים ותרגום מתמטי. כל שלב בתהליך העיבוד מפחית או משפר במכוון רכיבי אות ספציפיים כדי להכין את הפלט הסופי לפרשנות אנושית או לאלגוריתמים של למידת מכונה.

דגימה וקוונטיזציה (כימות)

דגימה כוללת לכידה של נקודות נתונים במרווחי זמן ספציפיים, המהווה את הבסיס לייצוג בדיד. קוונטיזציה מגיעה בעקבות שלב זה, וממפה את אותן נקודות זמן בדידות לערכים מספריים ספציפיים המייצגים את אמפליטודת (עוצמת) האות.

אם שלבים אלה אינם מכוילים בדיוק, עלול להתרחש תופעת קיפול תדרים (aliasing), המובילה לעיוותים משמעותיים בצורות הגל המנותחות.

סינון

הסינון ממלא תפקיד קריטי בהסרת רכיבי תדר לא רצויים שאינם שייכים לאות המיועד. בהתאם לדרישות מעבר הפס (band-pass), מסננים עשויים להסיר באופן כירורגי רעש שרירים בתדר גבוה או סחיפת תדר נמוך.

תהליך זה למעשה מבודד את הפעילות העצבית בעלת העניין מהפרעות הרקע הסביבתי הרחב יותר, מה שמביא לסימון חזותי נקי יותר.

טרנספורמציות (למשל, התמרת פורייה)

טרנספורמציות מעבירות נתונים בין תחומים שונים כדי לחשוף מבנים מחזוריים הנסתרים בתוך רעש טמפורלי. שיטות נפוצות המיושמות בתהליך זה כוללות:

• התמרות פורייה לפירוק אותות לרכיבי התדר המרכיבים אותם.

• ניתוח גלונים (Wavelet) ללוקליזציה של אירועים חולפים הן בזמן והן בתדר בו-זמנית.

• התמרת הילברט לקביעת המעטפת המיידית והתדר של אותות מורכבים.

• התמרות Z לחקר מערכות בזמן בדיד ויציבותם.

מפות מתמטיות אלו מאפשרות למהנדסים לדמיין נתונים מנקודות מבט המזהות פתולוגיות או דפוסים ספציפיים שנותרים בלתי נראים לחלוטין בייצוג הסטנדרטי בתחום הזמן.

מהו תהליך עיבוד מקדים (Pipeline) ב-EEG?

תהליך עיבוד מקדים הוא פשוט רצף סטנדרטי של פעולות המיושמות על נתוני EEG גולמיים ורציפים לפני שמתחיל ניתוח כלשהו. בעוד שהסדר המדויק והשיטות הספציפיות משתנים בין מעבדות וחבילות תוכנה, רוב התהליכים חולקים מבנה בסיסי משותף:

1. סינון תדרים לא רצויים

2. ייחוס מחדש (Re-referencing) של האות לקו בסיס חשמלי ניטרלי

3. זיהוי וטיפול בארטיפקטים (הפרעות)

4. חיתוך ההקלטה הרציפה למקטעים קצרים הקשורים לאירועים ספציפיים, תהליך הנקרא epoching

הסדר חשוב פחות מהעובדה שכל החלטה בודדת בשרשרת זו יכולה לשנות את התוצאה הסופית. מחקר השוואתי (benchmark) משנת 2020 בהובלת Robbins וחב' מצא שאפילו מחקרים שטענו כי הם פועלים לפי הנחיות מבוססות של שיטות עבודה מומלצות הראו שונות ניכרת באופנים שבהם הנחיות אלו יושמו בפועל בקוד.

באופן דומה, מחקר משנת 2021 של Bertazzoli וחב' הדגים כי במחקר של גירוי מגנטי מוחי בשילוב עם EEG‏ (TMS-EEG), לבחירת תהליך העיבוד המקדים הייתה השפעה ניכרת על צורות גלי התגובה המוחית שהתקבלו, ואף שינתה את מידת האמינות של תוצאות אלו כאשר אותם נבדקים נבדקו פעמיים.

סינון: כיצד לבודד אותות מוחיים אמיתיים

EEG גולמי מכיל שתי קטגוריות רחבות של תוכן תדרים לא רצוי.

בקצה האיטי, סחיפות מתח זוחלות לתוך האות עקב הצטברות זיעה מתחת לאלקטרודה או כתוצאה מתזוזה קלה של האלקטרודה עצמה על הקרקפת. בקצה המהיר, מתח שרירים והפרעות חשמליות מציוד סמוך מציגים רעש בתדר גבוה שאין לו שום קשר לפעילות נוירונים.

סינון פועל על ידי הסרת טווחי תדרים אלו, תוך שמירה על הפס שבו אותות אמיתיים המופקים מהמוח הם החזקים ביותר.

השלב הבסיסי והמיושם ביותר הוא סינון מעבר גבוה (high-pass filtering), שמסיר את הסחיפות האיטיות מתחת לערך של כ-0.5 עד 1 הרץ. בהתאם לסוג הניתוח, חוקרים עשויים ליישם גם מסנן מעבר נמוך (low-pass filter) או לשלב את שניהם למסנן מעבר פס (band-pass filter), אשר לרוב מגביל את הנתונים לטווח של 1 עד 40 הרץ כאשר חוקרים פוטנציאלים קשורים לאירוע (ERPs), שהם תגובות המתח האופייניות של המוח לגירויים ספציפיים.

מה שהופך את הסינון לראוי לציון במיוחד הוא מידת העקביות שבה הוא עוזר. בשנת 2023, ארנו דלורם (Arnoud Delorme) בחן מגוון רחב של תיקוני עיבוד מקדים אוטומטיים ומצא שלרובם לא הייתה השפעה מדידה או שהם פגעו באופן פעיל באיכות הנתונים. סינון מעבר גבוה היה אחד משני השלבים היחידים ששיפרו את התוצאות באופן אמין באופן גורף.

חוקרים מהרווארד מתייחסים באופן דומה לסינון כרכיב בסיסי שאינו נתון למשא ומתן בתהליך ה-HAPPE שלהם עבור נתוני התפתחות המאופיינים בארטיפקטים רבים. בקיצור, סינון הוא כמעט תמיד בחירת ברירת מחדל בטוחה. לא ניתן לומר את אותו הדבר על כל שלב שבא אחריו.

ייחוס מחדש (Re-Referencing): קביעת נקודת האפס החשמלית

EEG מעולם לא מודד מתח מוחלט. הוא מודד הפרש בין שתי נקודות, אלקטרודה פעילה ונקודת ייחוס (reference).

הקלטות גולמיות נשמרות בדרך כלל ביחס לאלקטרודת הייחוס שבה נעשה שימוש פיזי במהלך האיסוף, לעיתים קרובות מיקום יחיד כמו עצם המסטואיד מאחורי האוזן או אלקטרודת ה-Cz בחלק העליון של הראש, מיקומים המוגדרים על ידי מערכת 10-20 המשמשת לסטנדרטיזציה של מיקום אלקטרודות. נקודת הייחוס המקורית הזו היא שרירותית במידת מה, ולכן ייחוס מחדש מחשב מתמטית מחדש את המתח של כל ערוץ ביחס לנקודה חדשה, ניטרלית יותר תיאורטית, כמו התוצאה הממוצעת של כל האלקטרודות או האות המשולב משני המסטואידים.

החשיבות של ייחוס מחדש נובעת מהולכת נפח (volume conduction), הגורמת לפעילות החשמלית של המוח להתפזר דרך רקמות ונוזלים סובבים, מה שמבטיח שאירוע עצבי בודד יירשם כמעט בכל אלקטרודת קרקפת. בשל התפשטות זו, שינוי נקודת הייחוס יכול לשנות את הצורה הנראית לעין, את האמפליטודה ואף את המובהקות הסטטיסטית של הפעילות המוקלטת, למרות ששום דבר בפעילות המוחית הבסיסית לא השתנה.

זהו מושג ליבה העומד בבסיס בחירות העיצוב של מונטאז'ים של EEG, כולל גישות כמו Common Average Reference או Referential Montage, שכל אחת מהן ממסגרת את אותו אות מוחי בסיסי באופן שונה.

זיהוי ערוצים פגומים ואינטרפולציה

במהלך כל הקלטה רב-אלקטרודית, מספר ערוצים יפיקו באופן בלתי נמנע אות גרוע. ערוץ עשוי להפוך לשטוח (ללא אות) עקב חיבור רופף, או שהוא עלול להפוך לרעשני מדי בשל מגע גרוע עם הקרקפת. ללא תיקון, ערוצים פגומים אלה עלולים לעוות ניתוחים המסתמכים על השוואת דפוסי אותות על פני כל הקרקפת.

התיקון הסטנדרטי כולל זיהוי ערוצים בעייתיים אלה, הסרתם הזמנית מסט הנתונים, ולאחר מכן שחזור הנתונים החסרים שלהם באמצעות אינטרפולציה, כלומר הערכת מה שהיה סביר להניח שהאלקטרודה הזו תקליט בהתבסס על הפעילות של השכנות התקינות שלה. פעולה זו משחזרת מפת קרקפת מלאה לשלבי הניתוח הבאים מבלי לאפשר לערוץ המזוהם להטות את התוצאות.

זהו השלב השני שהחוקר ארנו דלורם זיהה כיוצר תועלת עקבית. לצד סינון מעבר גבוה, אינטרפולציה של ערוצים פגומים הייתה אחד התיקונים היחידים שנבחנו שלא הפחיתו את איכות הנתונים.

בשילוב עם סינון, זה יצר את קונפיגורציית תהליך העיבוד היחידה באותו מחקר שהשיגה ביצועים טובים יותר מאשר סינון פשוט לבדו. מבין התיקונים האוטומטיים הרבים שהוערכו, שילוב זה בולט כהליך בטוח ושימושי יחסית.

בעיית הארטיפקטים ב-EEG גולמי

מעבר לבעיות ברמת האלקטרודה, הקלטות EEG מזוהמות בארטיפקטים ביולוגיים המיוצרים על ידי גופו של המשתתף עצמו:

• מצמוצי עיניים מייצרים סטיות גדולות באלקטרודות הפרונטליות (קדמיות)

• תנועות עיניים יוצרות שינויי מתח דמויי מדרגה

• פעילות שרירי הלסת והמצח מציגה רעש בתדר גבוה

• תנועות פתאומיות גורמות להפרשי מתח חדים ורב-ערוציים

התגובה המסורתית למקטעים המזוהמים הייתה פשוט להשליך אותם, ולדחות כל החלטה או חלון זמן שבהם מופיע ארטיפקט. שיטה זו עובדת בצורה סבירה כאשר המשתתף יושב ללא תנועה והארטיפקטים נדירים. היא הופכת להרבה פחות ישימה באוכלוסיות שבהן ארטיפקטים הם הנורמה ולא יוצא הדופן.

ה-HAPPE מדגיש שככל שמחקרי EEG נעים לעבר מערכי אלקטרודות בעלי צפיפות גבוהה יותר והקלטות ארוכות יותר, בדיקה ידנית ופסילה של מקטעים פגומים הופכת לבלתי נסבלת, והחלטות שיפוט ידניות מציגות סובייקטיביות משלהן.

Leach וחב' מוסיפים המחשה מוחשית להשלכות הכרוכות בכך: הקלטות EEG בילדים מאבדות באופן קבוע כמויות גדולות של נתונים שמישים פשוט מכיוון שארטיפקטים של תנועה ומצמוץ כה נפוצים בקרב ילדים צעירים. כאשר הנתונים יקרי ערך כל כך, השלכת ניסוי שלם בגלל מצמוץ אחד היא פתרון יקר.

ניתוח רכיבים עצמאיים (ICA) להסרת ארטיפקטים

ניתוח רכיבים עצמאיים, או ICA, מציע חלופה כירורגית וממוקדת יותר לפסילה כוללת של הנתונים.

מבחינה מושגית, ICA היא טכניקה להפרדת מקורות עיוורת. היא לוקחת את האות המעורב שהוקלט בכל אלקטרודת קרקפת ומפרקת אותו מתמטית לסט של רכיבים עצמאיים מבחינה סטטיסטית.

חלק מהרכיבים הללו תואמים לדפוסי ארטיפקטים מוכרים, כגון חתימה של מצמוץ עין או מתח שרירים. אחרים תואמים לדפוסים של פעילות מוחית. ברגע שהרכיבים הקשורים לארטיפקט מזוהים, ניתן להסיר אותם ולהשליך את הרכיבים הנקיים שנותרו בחזרה לנתוני הערוץ, באופן אידיאלי תוך שמירה על אותות מוחיים אמיתיים והשלכת הזיהום.

המכשול הוא שבדיקה ידנית של כל רכיב כדי להחליט אם הוא משקף מצמוץ עין או חלק מקליפת המוח היא איטית וסובייקטיבית מטבעה. הדבר הוביל להופעתם של מסווגים אוטומטיים כגון ADJUST, ICLabel ו-MARA, המיועדים לקבל החלטה זו באופן אלגוריתמי ועקבי.

הראיות לגבי מידת היעילות של שיטה זו הן מעורבות ולא חיוביות באופן אחיד.

ארנו דלורם מצא שדחייה מבוססת ICA אוטומטית של רכיבי עיניים ושרירים נכשלה בשיפור אמין של אחוז הערוצים המובהקים סטטיסטית בנתוני ERP, מה שאומר שהיא לא סיפקה שיפור ברור ובטוח.

Robbins וחב' השוו שתי גישות מבוססות ICA,‏ LARG ו-MARA, על פני 17 מחקרים ומצאו שבעוד שהמבנה הכללי של התוצאות נראה דומה, עדיין הופיעו הבדלים משמעותיים, במיוחד במאפיינים ספקטרליים בתדר נמוך ובכמות השאריות הקשורות למצמוץ שנותרו בנתונים שעברו ניקוי.

בצד המעודד יותר, הצוות של Leach הראה שגרסה מותאמת של אלגוריתם ה-ADJUST, שכויל במיוחד עבור הקלטות רשת גיאודזיות בילדים, שיפרה את דיוק הסיווג ושמרה על יותר ניסויים שמישים בהשוואה לאלגוריתם ה-ADJUST המקורי או ללא תיקון ICA כלל, ובחלק מהמדדים עלתה בביצועיה על ICLabel במיוחד עבור נתוני ילדים.

בסיכומו של דבר, ICA יכול להיות כלי שימושי באמת לבידוד והסרה של ארטיפקטים, אך הביצועים שלו אינם מובטחים. הוא תלוי במידה רבה באופן שבו אלגוריתם הסיווג מכויל ובאוכלוסייה הנחקרת.

שחזור מרחב תת-רכיבים של ארטיפקטים (ASR) כחלופה

שחזור מרחב תת-רכיבים של ארטיפקטים, או ASR, פועל בדרך שונה לחלוטין. במקום לפרק את האות לרכיבים עצמאיים, ASR פועל על ידי השוואת הנתונים הנכנסים אל מול נתונים סטטיסטיים המופקים מתקופת ייחוס נקייה, ומסמן ומשחזר אוטומטית חלקים מהאות הסוטים רחוק מדי מאותו קו בסיס נקי.

הצוות של Robbins השווה ישירות שתי וריאציות של ASR אל מול תהליכי עיבוד מבוססי ICA על פני אותו סט של 17 מחקרים. המסקנה הכללית הדהדה את ההשוואה של ICA: מבני התוצאות הכוללים נראו דומים בשיטות השונות, אך עדיין הופיעו הבדלים משמעותיים, שוב מרוכזים במאפיינים ספקטרליים בתדר נמוך.

לפיכך, ASR הוא חלופה לגיטימית ל-ICA ולא תחליף עדיף לחלוטין, ואותו עיקרון חל כאן כמו בכל מקום אחר בתהליך זה: השיטה הספציפית שנבחרת מעצבת את התוצאה הספציפית שמתקבלת.

האם כדאי לפסול מקטעי EEG פגומים?

עליך להימנע מפסילת מקטעים שלמים, שכן ראיות מצביעות על כך שאובדן העוצמה הסטטיסטית הנובע מכך לרוב עולה על היתרונות של הסרת רעשים.

קביעת סף פשוטה היא כלי גס שמשליך נתונים שמישים באופן לא פרופורציונלי; לפיכך, מומחים מעדיפים שיטות כירורגיות יותר כמו אינטרפולציה ותיקון מבוסס רכיבים.

Epoching: התמקדות באירועים בעלי עניין

רוב ניתוחי ה-EEG, בין אם מודדים ERPs או דפוסים של זמן-תדר, מעוגנים לרגעים ספציפיים בזמן: הצגת גירוי, או תגובת המשתתף אליו. Epoching הוא השלב שחותך את ההקלטה הארוכה והרציפה לחלונות קצרים ושווי-אורך המקיפים כל אחד מהאירועים הללו, ובדרך כלל כולל תקופה קצרה לפני האירוע עצמו המוכרת כקו הבסיס (baseline).

תקופת קו הבסיס שלפני האירוע ממלאת תפקיד מתקן, ומסייעת להסביר שינויי מתח איטיים שאלמלא כן עלולים היו להיחשב בטעות כתגובה אמיתית לגירוי. אך שלב תיקון זה אינו חסין מפני אותה זהירות החלה על ייחוס מחדש.

המחקר שהוזכר לעיל מאת ארנו דלורם מצא ששיטות מתקדמות להסרת קו בסיס הפחיתו משמעותית את הביצועים מבחינת מובהקות ה-ERP. הגישה הבטוחה יותר, המבוססת על ראיות אלו, היא תיקון קו בסיס פשוט יותר, לרוב רק הפחתת מתח הממוצע שנמדד במהלך חלון זמן שלפני הגירוי, במקום לפנות לתוכניות תיקון מורכבות יותר.

מדוע בחירת תהליך העיבוד משנה את התוצאות שלך

כשמעמידים אותם זה לצד זה, המחקרים ההשוואתיים הנסקרים כאן מבהירים נקודה אחת באופן חד-משמעי: תהליכי עיבוד מקדים אינם ניתנים להחלפה זה בזה, גם כאשר הם מתבססים על אותו ארגז כלים כללי של שיטות.

לדוגמה, המחקר של דלורם מצא שמכל וריאציות תהליכי העיבוד שנבחנו בפלטפורמות תוכנת ה-EEG המובילות, EEGLAB, FieldTrip, MNE ו-Brainstorm, רק קונפיגורציה אחת, המשלבת סינון מעבר גבוה עם אינטרפולציה של ערוצים פגומים, עלתה באופן משמעותי בביצועיה על סינון מעבר גבוה פשוט כשלעצמו. שלבים נפוצים רבים אחרים הפחיתו באופן פעיל את איכות הנתונים במקום לשפר אותה.

בינתיים, הצוות של Bertazzoli מצא שבמחקר של TMS-EEG במיוחד, אמפליטודת צורת הגל ועוצמת השדה הממוצעת הגלובלית השתנו במידה ניכרת בארבעה תהליכי עיבוד שונים שיושמו על אותו סט נתונים בדיוק. דפוסי טופוגרפיה היו במתאם חזק בין תהליכי העיבוד רק בהשהיות מעבר ל-100 מילי-שניות לאחר הגירוי; בהשהיות מוקדמות יותר, ערכי המתאם נעו בטווח רחב, מ-0.2 עד 0.9, תלוי באיזה תהליך עיבוד נעשה שימוש. האמינות של המבחן החוזר עצמו הייתה תלויה בגישת העיבוד המקדים שנבחרה.

לבסוף, המחקר של הרווארד הדגים דפוס מעודד יותר עבור מקרה ספציפי: תהליכי עיבוד אוטומטיים שנבנו עבור נתוני התפתחות בעלי ארטיפקטים רבים, כמו HAPPE, עלו בביצועיהם על שבע גישות עיבוד חלופיות הנמצאות בשימוש נרחב, תוך הסרת תוכן ארטיפקטים רב יותר ובו-זמנית שמירה על כמות שווה או גדולה יותר של אות EEG אמיתי כמעט בכל השוואה.

החוט המקשר העקבי העובר במחקרים אלו הוא ששום קונפיגורציה יחידה של תהליך עיבוד אינה אופטימלית אוניברסלית לכל סט נתונים, אוכלוסייה או שאלת מחקר. הבנת ההיגיון שמאחורי כל שלב, במקום לשנן מתכון קבוע, היא שמאפשרת לחוקר לבצע בחירות מושכלות הניתנות להגנה ולזהות מתי תהליך עיבוד נתון עלול שלא להתאים לנתונים הספציפיים שלו.

מדוע החלטות עיבוד מקדים מעצבות את מה שרואים בנתוני EEG

הקלטות מוח גולמיות מגיעות רועשות ועמוסות במצמוצים, רעשי שרירים וזמזום חשמלי שיכולים בקלות לקבור את האותות השקטים יותר שחוקרים רוצים לחקור. ניקוי נתונים אלה אינו שלב ניטרלי של ניקיון פשוט – המסלול המדויק שבו תלך מסינון ועד תיקון ארטיפקטים יכול לשנות באופן משמעותי את התמונה הסופית של פעילות המוח. הראיות מראות שרק מספר מצומצם של מהלכים, כמו סינון מעבר גבוה ותיקון ערוצים שבורים, חושפים באופן אמין דפוסים עצביים ברורים יותר, בעוד ששלבים נפוצים רבים עלולים להחליש באופן בלתי צפוי את התוצאות שאתה מחפש.

לפיכך, מעקב אחר מה שכל בחירת עיבוד מקדים עושה הוא חזק בהרבה מאשר מעקב אחר מתכון אחיד המתאים לכולם. מכיוון ששיטות הגיוניות שונות יכולות לנווט מחקרים לכיוונים שונים, דיווח גלוי על התהליך שלך הופך לחשוב לא פחות מהנתונים עצמם.

התאמת הגישה שלך לקבוצה הספציפית שאיתה אתה עובד, בין אם מדובר במבוגר יושב או בילד בתנועה, משיגה לעיתים קרובות ביצועים טובים יותר מאשר שימוש בכלי לשימוש כללי ללא התאמה. בניית תהליך עבודה כזה, מתוך מחשבה ושקיפות, מאפשרת לך לעבור מהסתמכות על ברירות המחדל של התוכנה להבנה אמיתית של מה שהאות שלך מנסה לומר לך.

מקורות

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

שאלות נפוצות

במה שונה עיבוד אותות מניתוח נתונים סטנדרטי?

עיבוד אותות מתמקד ספציפית בדינמיקה של הזמן והתדר של קלטים רציפים, בעוד שניתוח נתונים כללי עוסק לעיתים קרובות במשתנים סטטיים או עצמאיים.

האם עיבוד אותות יכול להסיר את כל סוגי הרעשים מאות?

בעוד שסינון יכול לשפר משמעותית את בהירות האות, הסרת רעש מושלמת היא לרוב בלתי אפשרית בשל החפיפות הבלתי צפויות בין האות להפרעות הסביבתיות.

מדוע קצב הדגימה חשוב במערכות ספרתיות?

קצב הדגימה קובע את התדר המרבי שהמערכת יכולה לייצג במדויק, מה שחיוני ללכידת אינדיקטורים עצביים בתדר גבוה ללא עיוות.

מהי המטרה של טרנספורמציה כמו התמרת פורייה?

טרנספורמציות משמשות להמרת נתונים מתחום הזמן, שבו הסדר חשוב, לתחום התדר, שבו מודגשים תדרי הרכיבים הבודדים.

כיצד מערכות ליניאריות ולא-ליניאריות משפיעות על דיוק הפלט?

מערכות ליניאריות מציעות תגובות צפויות ויחסיות, בעוד שמערכות לא-ליניאריות מספקות יכולות מורכבות החושפות דינמיקות נסתרות במחיר של יכולת ניבוי פשוטה יותר.

מדוע נתוני EEG גולמיים דורשים עיבוד מקדים לפני הניתוח?

הקלטות EEG גולמיות מכילות לא רק פעילות מוחית אלא גם הפרעות ממצמוצי עיניים, מתח שרירים, רעש חשמלי וסחיפת אלקטרודות. עיבוד מקדים מבודד את האות העצבי האמיתי על ידי הסרת ארטיפקטים אלה, ובכך הופך את הנתונים לניתנים לפרשנות ולשימוש לצורך מחקר מדעי.

מהו שלב העיבוד המקדים האחד שכמעט תמיד עוזר?

סינון מעבר גבוה, המסיר סחיפות מתח איטיות מזיעה או מתנועת אלקטרודות, מועיל באופן עקבי. לאורך מספר מחקרים, זה היה אחד השלבים הבודדים ששיפרו באופן אמין את איכות הנתונים כאשר יושמו בשלב מוקדם של התהליך.

מה עושה ייחוס מחדש לאות ה-EEG?

ייחוס מחדש מחשב מתמטית מחדש את המתח של כל ערוץ ביחס לנקודה ניטרלית חדשה, כמו הממוצע של כל האלקטרודות, במקום ייחוס ההקלטה המקורי. מכיוון ש-EEG מודד הפרשי מתח, בחירה זו יכולה לעצב מחדש את האמפליטודה הנראית לעין ואפילו את המובהקות הסטטיסטית של התגובות המוחיות.

מדוע מזהים ערוצים פגומים וכיצד הם מתוקנים?

חלק מהאלקטרודות מאבדות בהכרח מגע טוב או הופכות לרעשניות מדי, מה שמעוות ניתוחים ברמת הקרקפת כולה. לאחר זיהוי ערוצים פגומים אלה, אינטרפולציה משחזרת את האות שלהם על ידי הערכת מה שהם היו עשויים להקליט בהתבסס על הפעילות של אלקטרודות בריאות סמוכות.

למה משמש ניתוח רכיבים עצמאיים (ICA) ב-EEG?

ICA היא טכניקה הממיינת מתמטית את האות המעורב לרכיבים עצמאיים, שחלקם תואמים לארטיפקטים כמו מצמוצי עיניים או רעש שרירים. ברגע שהרכיבים הקשורים לארטיפקט מזוהים ומוסרים, ניתן להשליך את הרכיבים הנקיים שנותרו בחזרה לנתוני הערוץ כדי לשמר פעילות מוחית אמיתית.

במה שונה שחזור מרחב תת-רכיבים של ארטיפקטים (ASR) מ-ICA?

ASR מזהה ומקשר מקטעים רועשים על ידי השוואת הנתונים הנכנסים לתקופת ייחוס נקייה, ומסמן אוטומטית חלקים שסוטים רחוק מדי מאותו קו בסיס. בניגוד ל-ICA, הוא אינו מפרק את האות לרכיבים אלא בונה מחדש מקטעים מזוהמים בהתבסס על הסטטיסטיקה של הנתונים הנקיים.

מדוע אין פשוט להשליך כל מקטע המכיל רעש?

פסילה גורפת של ניסויים רועשים משליכה לעיתים קרובות כמויות גדולות של נתונים שמישים, מפחיתה את העוצמה הסטטיסטית ועלולה להחליש את התוצאות. כיוון שנתונים יקרי ערך הולכים לאיבוד, שיטות כמו אינטרפולציה או תיקונים מבוססי רכיבים מועדפות בדרך כלל, במיוחד כאשר זמן ההקלטה מוגבל.

מהו epoching ומדוע הוא כולל קו בסיס שלפני האירוע?

Epoching חותך את ההקלטה הרציפה לחלונות זמן קצרים המיושרים לאירועים ספציפיים, כמו גירוי, כדי לנתח תגובות מוחיות. תקופת קו הבסיס שלפני האירוע מספקת רמת מתח של ייחוס, כך שסחיפות איטיות לא ייחשבו בטעות כתגובה לגירוי.

האם תהליך העיבוד המקדים הספציפי אכן משנה את התוצאות הסופיות?

כן, בחירות שונות של תהליכי עיבוד – כגון סינון, תוכנית ייחוס או שיטת תיקון ארטיפקטים – יכולות לשנות את צורות גלי הסימון, את המובהקות ואפילו את אמינות המבחן החוזר. שום תהליך עיבוד יחיד אינו פועל בצורה הטובה ביותר עבור כל המצבים, ולכן חוקרים חייבים להבין את ההשפעה של כל שלב במקום לעקוב בעיוורון אחר מתכון ברירת מחדל.