Dasar-Dasar Osilasi Neural
Roshini Randeniya
Diperbarui pada
22 Mei 2024
Dasar-Dasar Osilasi Neural
Roshini Randeniya
Diperbarui pada
22 Mei 2024
Dasar-Dasar Osilasi Neural
Roshini Randeniya
Diperbarui pada
22 Mei 2024
1. Pendahuluan
Selamat datang! Dalam tutorial ini kita akan mempelajari tentang gelombang otak dan bagaimana kita dapat menggunakannya untuk memahami otak dan perilaku.
Hans Berger menciptakan istilah elektroensefalogram pada tahun 1929, ketika ia mendeskripsikan perubahan potensi listrik yang direkam menggunakan sensor yang diletakkan di kepala seseorang. Ia mengidentifikasi dua jenis gelombang otak, yang ia sebut sebagai gelombang alfa dan beta hanya berdasarkan urutan perekamannya. Gelombang seperti itu telah direkam pada mamalia lain tetapi Berger telah mendeskripsikannya pada manusia untuk pertama kalinya!
Sejak saat itu, metode elektroensefalografi telah menjadi alat utama dalam ilmu saraf dan telah membantu mengembangkan pemahaman kita tentang gelombang otak (yang oleh para peneliti disebut osilasi saraf) serta membantu mengkarakterisasi kondisi otak seperti kelelahan dan kewaspadaan.
Dalam tutorial singkat ini kita akan membahas hal-alih berikut:
Apa itu osilasi saraf?
Bagaimana cara kita mengukur osilasi saraf?
Apa yang bisa kita lakukan dengan osilasi saraf?
Aplikasi praktis menggunakan perangkat dan perangkat lunak Emotiv.
2. Apa itu EEG?
Elektroensefalografi (EEG) adalah metode non-invasif dan pasif untuk mengukur aktivitas listrik otak kita. Elektroda/sensor/saluran ditempatkan di kulit kepala untuk merekam aktivitas listrik yang dihasilkan oleh kelompok sel otak, yang disebut neuron.
Gbr. 1 – Neuron menghasilkan aktivitas listrik yang dapat dideteksi dengan perangkat EEG [Siuly, et al. (2016)].
2.1. Sistem EEG
Ada banyak perangkat EEG di pasaran yang dapat digunakan untuk merekam EEG. Perangkat EEG dapat berkisar dari yang memiliki:
Satu sensor atau hingga 256 elektroda – Lebih banyak elektroda akan menghasilkan resolusi spasial informasi yang lebih tinggi di atas kulit kepala.
Elektroda basah atau kering – Elektroda basah menggunakan gel elektrolitik atau larutan saline untuk meningkatkan konduktansi antara kulit kepala dan sensor. Elektroda kering dapat berupa logam atau polimer konduktif yang memerlukan kontak langsung dengan kulit kepala.
Elektroda aktif atau pasif – Sistem elektroda pasif hanya menghantarkan sinyal ke perangkat tempat sinyal tersebut diperkuat. Sistem elektroda aktif memperkuat sinyal di setiap elektroda sebelum mencapai perangkat untuk diperkuat. Ini mengurangi kebisingan listrik lingkungan dalam sinyal.
Perangkat berkabel atau nirkabel yang mengirimkan data via Bluetooth.
Gbr. 2 – Sistem EEG nirkabel dengan kepadatan rendah.
Gbr. 3 – Sistem EEG elektroda berkabel dengan kepadatan tinggi.
2.2. Kapan harus menggunakan EEG?
Setiap metode neuroimaging dapat membantu menjawab pertanyaan penelitian yang berbeda.
Kekuatan terbesar EEG adalah dapat mengukur aktivitas saraf dalam skala milidetik, yang dapat mengukur proses pra-sadar.
Gbr. 4 – Resolusi spasial vs temporal dari berbagai alat neuroimaging.
Metode ini paling cocok untuk pertanyaan seperti "bagian mana dari video saya yang paling diperhatikan oleh peserta?"
EEG merekam aktivitas terutama dari lapisan luar otak (yaitu memiliki resolusi spasial yang rendah). Dengan satu sensor saja, mustahil untuk mengidentifikasi sumber aktivitas tersebut. Perekaman dengan jumlah saluran yang besar memungkinkan untuk merekonstruksi sumber secara matematis, tetapi masih terbatas dalam mengidentifikasi sumber yang dalam. Pencitraan resonansi magnetik fungsional (fMRI) lebih cocok untuk menjawab pertanyaan seperti "Bagian otak mana yang terkait dengan perubahan perhatian?"
2.3. Dari Sensor ke EEG Mentah?
Setelah perangkat EEG dipasang di kepala, aktivitas otak diukur pada satu sensor sebagai perbedaan amplitudo antara sensor tersebut dan sensor referensi. Pada sebagian besar sistem EEG, ini disebut elektroda common mode sense (CMS). Sensor tambahan, driven right leg (DRL), membantu mengurangi gangguan apa pun pada CMS.
Gbr. 5 – Diagram blok transmisi sinyal EEG yang disederhanakan.
Pada sistem dengan elektroda aktif dan pasif, sinyal kemudian diperkuat dan difilter lolos rendah (low-pass filtered). Filter lolos rendah adalah langkah yang akan menghilangkan kemungkinan interferensi listrik dari lingkungan pada sinyal Anda, misalnya daya listrik utama.
Langkah-langkah ini terjadi di perangkat keras itu sendiri sebelum sinyal EEG mentah dapat dilihat di layar komputer Anda.
2.4. Beberapa Terminologi Dasar
Konvensi penamaan standar 10-20
Sensor kiri biasanya bernomor ganjil dan sensor kanan biasanya bernomor genap.
Catatan 1: ini hanyalah konvensi penamaan dan sumber lokasi sensor EEG bukanlah indikator sumber aktivitas.
Catatan 2: langkah-langkah tambahan seperti rekonstruksi matematis dari sumber perlu dilakukan untuk menentukan sumber aktivitas pada satu saluran.
3. Apa itu Osilasi Saraf?
Gelombang otak, sering kali disebut sebagai osilasi saraf, adalah pola ritmis yang dihasilkan oleh satu atau sekelompok neuron.
Belum jelas mengapa otak menghasilkan berbagai jenis osilasi ini, meskipun ada banyak teori. Para peneliti menggunakan tugas-tugas yang berbeda untuk mengkarakterisasi aktivitas osilasi ini dan bertujuan untuk memahami misteri otak menggunakan pola-pola ritmis ini.
3.1. Beberapa sifat dari osilasi
Gambar ini menunjukkan pengukuran sinyal listrik biasa:
Gbr. 6 – Resolusi spasial vs temporal dari berbagai alat neuroimaging.
Di sebelah kiri (sumbu-y) kita dapat memplot amplitudo rekaman listrik dan pada sumbu horizontal (sumbu-x) waktu. Amplitudo sinyal akan bervariasi dalam magnitudo secara teratur di sekitar titik pusat. Satu siklus juga disebut sebagai satu osilasi.
Jumlah siklus per detik disebut frekuensi gelombang dan satuannya adalah Hertz (Hz). Jadi, 1 siklus per detik = 1 Hz. Amplitudo biasanya diukur dalam mikrovolt (µV).
Di dalam otak kita melihat gelombang dengan frekuensi berkisar dari 0.2 Hz (gelombang sangat lambat) hingga 80 Hz atau lebih (gelombang sangat cepat). Aktivitas frekuensi tinggi hingga 500 Hz yang terkait dengan kejang juga telah terekam di dalam otak.
Berbagai jenis osilasi otak dikarakterisasi berdasarkan frekuensinya. Ini dikenal sebagai pita frekuensi (frequency bands) dan dapat dikaitkan dengan kondisi otak yang berbeda:
Gbr. 7 – Gelombang otak dalam EEG tipikal.
3.2. Mengapa pita frekuensi yang berbeda itu penting?
Mengidentifikasi pola otak normal vs tidak normal
Osilasi saraf penting untuk mendeteksi kejang dan mendiagnosis Epilepsi dalam Neurologi.Antarmuka otak komputer (BCI)
Jumlah osilasi beta, gamma, dan mu sering digunakan untuk melatih perangkat jarak jauh (misalnya menggerakkan kursi roda dengan pikiran).Neurofeedback
Ini adalah bentuk pelatihan otak di mana Anda dapat melihat gelombang otak Anda (misal osilasi gamma) dan terlibat dalam tugas-tugas kognitif untuk meningkatkan jumlah osilasi gamma di otak Anda.Neuromarketing
Pita frekuensi alfa dan beta dapat digunakan untuk menentukan bagian mana dari suatu iklan yang lebih atau kurang menarik.
3.3. Jenis analisis data EEG
Paling umum para peneliti melakukan analisis baik dalam domain waktu atau domain frekuensi.
Analisis domain waktu
Biasanya mengukur amplitudo tegangan pada titik waktu yang diinginkan setelah munculnya stimulus. Ini disebut potensi terkait peristiwa (ERP).
Analisis domain frekuensi
Biasanya mengukur jumlah osilasi saraf dalam pita frekuensi yang berbeda dalam jendela waktu yang ditentukan atau terkait dengan munculnya suatu peristiwa.
Selanjutnya kami memberikan gambaran umum tentang analisis domain frekuensi.
3.4. Pemrosesan
Setelah Anda melakukan rekaman EEG, Anda biasanya membersihkan data sebelum memahami osilasi.
Pemfilteran
Teknik untuk menghilangkan kebisingan lingkungan frekuensi tinggi dan rendah dalam data.Penghapusan Artefak
Gerakan fisik, kedipan mata semua dapat menyebabkan artefak besar (puncak > 50 µV dalam EEG). Ini dapat dihapus agar tidak memengaruhi hasil kita. Beberapa peneliti menggunakan metode canggih untuk mengoreksi artefak ini guna mempertahankan data.
Setelah data diproses, sinyal sekarang dapat dikonversi ke domain frekuensi sehingga kita dapat mengukur jumlah setiap jenis gelombang otak.
Gbr. 8 – Artefak kedipan mata dalam EEG mentah.
3.5. Fast Fourier Transform (FFT)
Transformasi Fourier adalah konversi matematis dari sinyal EEG dari 'domain waktu' (gambar A) ke 'domain frekuensi' (gambar B).
Dalam domain frekuensi, kita dapat mengukur berapa banyak dari setiap jenis osilasi yang ada dalam rekaman kita. Ini biasanya merupakan 'daya' (power) dari pita frekuensi dan dapat ditampilkan sebagai spektrum daya (Gambar B).
Gbr. 9A – EEG Mentah dalam domain waktu.
Gbr. 9B – Spektrum daya setelah FFT (domain frekuensi).
3.6. Band Power
Daya dari pita frekuensi (misalnya pita Alfa) yang diperoleh dari transformasi fourier memberi tahu kita seberapa banyak masing-masing pita frekuensi tersebut ada. Satuan band power biasanya dalam µV2/Hz. Paling sering, amplitudo atau spektrum daya dari FFT ditunjukkan dalam unit logaritmik desibel (dB). Desibel adalah unit rasio antara daya terukur (P) dan daya referensi (Pr) sebagai berikut:
Setelah unit pengukuran ini diperoleh untuk peristiwa yang diinginkan, band power dapat dibandingkan untuk memahami efek eksperimental pada gelombang otak.
4. Dari Teori ke Praktik
Selanjutnya, kita akan melihat efek supresi alfa.
Ini adalah fenomena yang pertama kali dilaporkan oleh Hans Berger, di mana kita melihat penurunan signifikan dalam jumlah osilasi alfa (daya alfa) ketika mata seseorang terbuka dibandingkan dengan ketika mata mereka tertutup.
Gbr. 10 – Peningkatan osilasi alfa dapat dilihat ketika mata terbuka.
Pertama, menggunakan EmotivPRO Builder kami membangun eksperimen sederhana. Dalam eksperimen ini, seorang peserta hanya diminta untuk membuka mata mereka selama 2 menit sambil fokus pada layar, dan kemudian menutup mata selama 2 menit. Mereka akan mendengar bunyi bel di akhir 2 menit tersebut untuk memberi isyarat agar membuka mata.
Anda dapat mengikuti video di bawah ini untuk membuat eksperimen supresi alfa Anda sendiri atau Anda dapat menjalankan eksperimen kami dari tautan di sini:
4.1. Pemasangan Perangkat dan Kualitas EEG
Baca selengkapnya tentang cara kerja EQ gate kami di sini. Temukan informasi selengkapnya tentang pemasangan perangkat khusus untuk headset Anda di sini:
Tipe EPOC
Tipe Insight
4.2. Memproses dan mentransformasikan data EEG
Sekarang setelah Anda memiliki data, Anda dapat mentransformasikannya ke domain frekuensi menggunakan Emotiv Analyzer. Ikuti langkah-langkah dalam video.
4.3. Menginterpretasikan data
Setelah Analyzer selesai, unduh file zip. Untuk setiap rekaman Anda akan memiliki file csv dengan band power dan file gambar yang dapat Anda gunakan untuk menjalankan analisis statistik Anda sendiri.
Gbr. 11 – Bandpowers.
Dalam hasil kami, kita dapat melihat peningkatan daya Alfa saat mata tertutup (oranye) dibandingkan saat mata terbuka (biru).
Ini adalah akhir dari tutorial kita! Anda sekarang telah dibekali dengan dasar-dasarnya 🙂
Anda dapat menemukan beberapa tautan untuk bacaan lebih lanjut yang lebih mendalam di bagian sumber daya.
5. Sumber Daya
BACAAN LANJUTAN
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
GLOSARIUM TERMINOLOGI EEG
Kane et al. 2017 (di sini)
KODE SUMBER TERBUKA (OPEN SOURCE)
Jika Anda terbiasa dengan pengkodean python, kami telah menyediakan skrip python yang dapat Anda gunakan untuk mendapatkan nilai daya alfa, yang diberi label segmen mata-terbuka dan mata-tertutup. Temukan kode dan file contoh data Supresi Alfa di sini: https://osf.io/9bvgh/
PANDUAN Emotiv
Panduan EmotivPRO Builder
Panduan EmotivPRO
Panduan EmotivPRO Analyzer
7. Referensi
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Pendahuluan
Selamat datang! Dalam tutorial ini kita akan mempelajari tentang gelombang otak dan bagaimana kita dapat menggunakannya untuk memahami otak dan perilaku.
Hans Berger menciptakan istilah elektroensefalogram pada tahun 1929, ketika ia mendeskripsikan perubahan potensi listrik yang direkam menggunakan sensor yang diletakkan di kepala seseorang. Ia mengidentifikasi dua jenis gelombang otak, yang ia sebut sebagai gelombang alfa dan beta hanya berdasarkan urutan perekamannya. Gelombang seperti itu telah direkam pada mamalia lain tetapi Berger telah mendeskripsikannya pada manusia untuk pertama kalinya!
Sejak saat itu, metode elektroensefalografi telah menjadi alat utama dalam ilmu saraf dan telah membantu mengembangkan pemahaman kita tentang gelombang otak (yang oleh para peneliti disebut osilasi saraf) serta membantu mengkarakterisasi kondisi otak seperti kelelahan dan kewaspadaan.
Dalam tutorial singkat ini kita akan membahas hal-alih berikut:
Apa itu osilasi saraf?
Bagaimana cara kita mengukur osilasi saraf?
Apa yang bisa kita lakukan dengan osilasi saraf?
Aplikasi praktis menggunakan perangkat dan perangkat lunak Emotiv.
2. Apa itu EEG?
Elektroensefalografi (EEG) adalah metode non-invasif dan pasif untuk mengukur aktivitas listrik otak kita. Elektroda/sensor/saluran ditempatkan di kulit kepala untuk merekam aktivitas listrik yang dihasilkan oleh kelompok sel otak, yang disebut neuron.
Gbr. 1 – Neuron menghasilkan aktivitas listrik yang dapat dideteksi dengan perangkat EEG [Siuly, et al. (2016)].
2.1. Sistem EEG
Ada banyak perangkat EEG di pasaran yang dapat digunakan untuk merekam EEG. Perangkat EEG dapat berkisar dari yang memiliki:
Satu sensor atau hingga 256 elektroda – Lebih banyak elektroda akan menghasilkan resolusi spasial informasi yang lebih tinggi di atas kulit kepala.
Elektroda basah atau kering – Elektroda basah menggunakan gel elektrolitik atau larutan saline untuk meningkatkan konduktansi antara kulit kepala dan sensor. Elektroda kering dapat berupa logam atau polimer konduktif yang memerlukan kontak langsung dengan kulit kepala.
Elektroda aktif atau pasif – Sistem elektroda pasif hanya menghantarkan sinyal ke perangkat tempat sinyal tersebut diperkuat. Sistem elektroda aktif memperkuat sinyal di setiap elektroda sebelum mencapai perangkat untuk diperkuat. Ini mengurangi kebisingan listrik lingkungan dalam sinyal.
Perangkat berkabel atau nirkabel yang mengirimkan data via Bluetooth.
Gbr. 2 – Sistem EEG nirkabel dengan kepadatan rendah.
Gbr. 3 – Sistem EEG elektroda berkabel dengan kepadatan tinggi.
2.2. Kapan harus menggunakan EEG?
Setiap metode neuroimaging dapat membantu menjawab pertanyaan penelitian yang berbeda.
Kekuatan terbesar EEG adalah dapat mengukur aktivitas saraf dalam skala milidetik, yang dapat mengukur proses pra-sadar.
Gbr. 4 – Resolusi spasial vs temporal dari berbagai alat neuroimaging.
Metode ini paling cocok untuk pertanyaan seperti "bagian mana dari video saya yang paling diperhatikan oleh peserta?"
EEG merekam aktivitas terutama dari lapisan luar otak (yaitu memiliki resolusi spasial yang rendah). Dengan satu sensor saja, mustahil untuk mengidentifikasi sumber aktivitas tersebut. Perekaman dengan jumlah saluran yang besar memungkinkan untuk merekonstruksi sumber secara matematis, tetapi masih terbatas dalam mengidentifikasi sumber yang dalam. Pencitraan resonansi magnetik fungsional (fMRI) lebih cocok untuk menjawab pertanyaan seperti "Bagian otak mana yang terkait dengan perubahan perhatian?"
2.3. Dari Sensor ke EEG Mentah?
Setelah perangkat EEG dipasang di kepala, aktivitas otak diukur pada satu sensor sebagai perbedaan amplitudo antara sensor tersebut dan sensor referensi. Pada sebagian besar sistem EEG, ini disebut elektroda common mode sense (CMS). Sensor tambahan, driven right leg (DRL), membantu mengurangi gangguan apa pun pada CMS.
Gbr. 5 – Diagram blok transmisi sinyal EEG yang disederhanakan.
Pada sistem dengan elektroda aktif dan pasif, sinyal kemudian diperkuat dan difilter lolos rendah (low-pass filtered). Filter lolos rendah adalah langkah yang akan menghilangkan kemungkinan interferensi listrik dari lingkungan pada sinyal Anda, misalnya daya listrik utama.
Langkah-langkah ini terjadi di perangkat keras itu sendiri sebelum sinyal EEG mentah dapat dilihat di layar komputer Anda.
2.4. Beberapa Terminologi Dasar
Konvensi penamaan standar 10-20
Sensor kiri biasanya bernomor ganjil dan sensor kanan biasanya bernomor genap.
Catatan 1: ini hanyalah konvensi penamaan dan sumber lokasi sensor EEG bukanlah indikator sumber aktivitas.
Catatan 2: langkah-langkah tambahan seperti rekonstruksi matematis dari sumber perlu dilakukan untuk menentukan sumber aktivitas pada satu saluran.
3. Apa itu Osilasi Saraf?
Gelombang otak, sering kali disebut sebagai osilasi saraf, adalah pola ritmis yang dihasilkan oleh satu atau sekelompok neuron.
Belum jelas mengapa otak menghasilkan berbagai jenis osilasi ini, meskipun ada banyak teori. Para peneliti menggunakan tugas-tugas yang berbeda untuk mengkarakterisasi aktivitas osilasi ini dan bertujuan untuk memahami misteri otak menggunakan pola-pola ritmis ini.
3.1. Beberapa sifat dari osilasi
Gambar ini menunjukkan pengukuran sinyal listrik biasa:
Gbr. 6 – Resolusi spasial vs temporal dari berbagai alat neuroimaging.
Di sebelah kiri (sumbu-y) kita dapat memplot amplitudo rekaman listrik dan pada sumbu horizontal (sumbu-x) waktu. Amplitudo sinyal akan bervariasi dalam magnitudo secara teratur di sekitar titik pusat. Satu siklus juga disebut sebagai satu osilasi.
Jumlah siklus per detik disebut frekuensi gelombang dan satuannya adalah Hertz (Hz). Jadi, 1 siklus per detik = 1 Hz. Amplitudo biasanya diukur dalam mikrovolt (µV).
Di dalam otak kita melihat gelombang dengan frekuensi berkisar dari 0.2 Hz (gelombang sangat lambat) hingga 80 Hz atau lebih (gelombang sangat cepat). Aktivitas frekuensi tinggi hingga 500 Hz yang terkait dengan kejang juga telah terekam di dalam otak.
Berbagai jenis osilasi otak dikarakterisasi berdasarkan frekuensinya. Ini dikenal sebagai pita frekuensi (frequency bands) dan dapat dikaitkan dengan kondisi otak yang berbeda:
Gbr. 7 – Gelombang otak dalam EEG tipikal.
3.2. Mengapa pita frekuensi yang berbeda itu penting?
Mengidentifikasi pola otak normal vs tidak normal
Osilasi saraf penting untuk mendeteksi kejang dan mendiagnosis Epilepsi dalam Neurologi.Antarmuka otak komputer (BCI)
Jumlah osilasi beta, gamma, dan mu sering digunakan untuk melatih perangkat jarak jauh (misalnya menggerakkan kursi roda dengan pikiran).Neurofeedback
Ini adalah bentuk pelatihan otak di mana Anda dapat melihat gelombang otak Anda (misal osilasi gamma) dan terlibat dalam tugas-tugas kognitif untuk meningkatkan jumlah osilasi gamma di otak Anda.Neuromarketing
Pita frekuensi alfa dan beta dapat digunakan untuk menentukan bagian mana dari suatu iklan yang lebih atau kurang menarik.
3.3. Jenis analisis data EEG
Paling umum para peneliti melakukan analisis baik dalam domain waktu atau domain frekuensi.
Analisis domain waktu
Biasanya mengukur amplitudo tegangan pada titik waktu yang diinginkan setelah munculnya stimulus. Ini disebut potensi terkait peristiwa (ERP).
Analisis domain frekuensi
Biasanya mengukur jumlah osilasi saraf dalam pita frekuensi yang berbeda dalam jendela waktu yang ditentukan atau terkait dengan munculnya suatu peristiwa.
Selanjutnya kami memberikan gambaran umum tentang analisis domain frekuensi.
3.4. Pemrosesan
Setelah Anda melakukan rekaman EEG, Anda biasanya membersihkan data sebelum memahami osilasi.
Pemfilteran
Teknik untuk menghilangkan kebisingan lingkungan frekuensi tinggi dan rendah dalam data.Penghapusan Artefak
Gerakan fisik, kedipan mata semua dapat menyebabkan artefak besar (puncak > 50 µV dalam EEG). Ini dapat dihapus agar tidak memengaruhi hasil kita. Beberapa peneliti menggunakan metode canggih untuk mengoreksi artefak ini guna mempertahankan data.
Setelah data diproses, sinyal sekarang dapat dikonversi ke domain frekuensi sehingga kita dapat mengukur jumlah setiap jenis gelombang otak.
Gbr. 8 – Artefak kedipan mata dalam EEG mentah.
3.5. Fast Fourier Transform (FFT)
Transformasi Fourier adalah konversi matematis dari sinyal EEG dari 'domain waktu' (gambar A) ke 'domain frekuensi' (gambar B).
Dalam domain frekuensi, kita dapat mengukur berapa banyak dari setiap jenis osilasi yang ada dalam rekaman kita. Ini biasanya merupakan 'daya' (power) dari pita frekuensi dan dapat ditampilkan sebagai spektrum daya (Gambar B).
Gbr. 9A – EEG Mentah dalam domain waktu.
Gbr. 9B – Spektrum daya setelah FFT (domain frekuensi).
3.6. Band Power
Daya dari pita frekuensi (misalnya pita Alfa) yang diperoleh dari transformasi fourier memberi tahu kita seberapa banyak masing-masing pita frekuensi tersebut ada. Satuan band power biasanya dalam µV2/Hz. Paling sering, amplitudo atau spektrum daya dari FFT ditunjukkan dalam unit logaritmik desibel (dB). Desibel adalah unit rasio antara daya terukur (P) dan daya referensi (Pr) sebagai berikut:
Setelah unit pengukuran ini diperoleh untuk peristiwa yang diinginkan, band power dapat dibandingkan untuk memahami efek eksperimental pada gelombang otak.
4. Dari Teori ke Praktik
Selanjutnya, kita akan melihat efek supresi alfa.
Ini adalah fenomena yang pertama kali dilaporkan oleh Hans Berger, di mana kita melihat penurunan signifikan dalam jumlah osilasi alfa (daya alfa) ketika mata seseorang terbuka dibandingkan dengan ketika mata mereka tertutup.
Gbr. 10 – Peningkatan osilasi alfa dapat dilihat ketika mata terbuka.
Pertama, menggunakan EmotivPRO Builder kami membangun eksperimen sederhana. Dalam eksperimen ini, seorang peserta hanya diminta untuk membuka mata mereka selama 2 menit sambil fokus pada layar, dan kemudian menutup mata selama 2 menit. Mereka akan mendengar bunyi bel di akhir 2 menit tersebut untuk memberi isyarat agar membuka mata.
Anda dapat mengikuti video di bawah ini untuk membuat eksperimen supresi alfa Anda sendiri atau Anda dapat menjalankan eksperimen kami dari tautan di sini:
4.1. Pemasangan Perangkat dan Kualitas EEG
Baca selengkapnya tentang cara kerja EQ gate kami di sini. Temukan informasi selengkapnya tentang pemasangan perangkat khusus untuk headset Anda di sini:
Tipe EPOC
Tipe Insight
4.2. Memproses dan mentransformasikan data EEG
Sekarang setelah Anda memiliki data, Anda dapat mentransformasikannya ke domain frekuensi menggunakan Emotiv Analyzer. Ikuti langkah-langkah dalam video.
4.3. Menginterpretasikan data
Setelah Analyzer selesai, unduh file zip. Untuk setiap rekaman Anda akan memiliki file csv dengan band power dan file gambar yang dapat Anda gunakan untuk menjalankan analisis statistik Anda sendiri.
Gbr. 11 – Bandpowers.
Dalam hasil kami, kita dapat melihat peningkatan daya Alfa saat mata tertutup (oranye) dibandingkan saat mata terbuka (biru).
Ini adalah akhir dari tutorial kita! Anda sekarang telah dibekali dengan dasar-dasarnya 🙂
Anda dapat menemukan beberapa tautan untuk bacaan lebih lanjut yang lebih mendalam di bagian sumber daya.
5. Sumber Daya
BACAAN LANJUTAN
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
GLOSARIUM TERMINOLOGI EEG
Kane et al. 2017 (di sini)
KODE SUMBER TERBUKA (OPEN SOURCE)
Jika Anda terbiasa dengan pengkodean python, kami telah menyediakan skrip python yang dapat Anda gunakan untuk mendapatkan nilai daya alfa, yang diberi label segmen mata-terbuka dan mata-tertutup. Temukan kode dan file contoh data Supresi Alfa di sini: https://osf.io/9bvgh/
PANDUAN Emotiv
Panduan EmotivPRO Builder
Panduan EmotivPRO
Panduan EmotivPRO Analyzer
7. Referensi
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. Pendahuluan
Selamat datang! Dalam tutorial ini kita akan mempelajari tentang gelombang otak dan bagaimana kita dapat menggunakannya untuk memahami otak dan perilaku.
Hans Berger menciptakan istilah elektroensefalogram pada tahun 1929, ketika ia mendeskripsikan perubahan potensi listrik yang direkam menggunakan sensor yang diletakkan di kepala seseorang. Ia mengidentifikasi dua jenis gelombang otak, yang ia sebut sebagai gelombang alfa dan beta hanya berdasarkan urutan perekamannya. Gelombang seperti itu telah direkam pada mamalia lain tetapi Berger telah mendeskripsikannya pada manusia untuk pertama kalinya!
Sejak saat itu, metode elektroensefalografi telah menjadi alat utama dalam ilmu saraf dan telah membantu mengembangkan pemahaman kita tentang gelombang otak (yang oleh para peneliti disebut osilasi saraf) serta membantu mengkarakterisasi kondisi otak seperti kelelahan dan kewaspadaan.
Dalam tutorial singkat ini kita akan membahas hal-alih berikut:
Apa itu osilasi saraf?
Bagaimana cara kita mengukur osilasi saraf?
Apa yang bisa kita lakukan dengan osilasi saraf?
Aplikasi praktis menggunakan perangkat dan perangkat lunak Emotiv.
2. Apa itu EEG?
Elektroensefalografi (EEG) adalah metode non-invasif dan pasif untuk mengukur aktivitas listrik otak kita. Elektroda/sensor/saluran ditempatkan di kulit kepala untuk merekam aktivitas listrik yang dihasilkan oleh kelompok sel otak, yang disebut neuron.
Gbr. 1 – Neuron menghasilkan aktivitas listrik yang dapat dideteksi dengan perangkat EEG [Siuly, et al. (2016)].
2.1. Sistem EEG
Ada banyak perangkat EEG di pasaran yang dapat digunakan untuk merekam EEG. Perangkat EEG dapat berkisar dari yang memiliki:
Satu sensor atau hingga 256 elektroda – Lebih banyak elektroda akan menghasilkan resolusi spasial informasi yang lebih tinggi di atas kulit kepala.
Elektroda basah atau kering – Elektroda basah menggunakan gel elektrolitik atau larutan saline untuk meningkatkan konduktansi antara kulit kepala dan sensor. Elektroda kering dapat berupa logam atau polimer konduktif yang memerlukan kontak langsung dengan kulit kepala.
Elektroda aktif atau pasif – Sistem elektroda pasif hanya menghantarkan sinyal ke perangkat tempat sinyal tersebut diperkuat. Sistem elektroda aktif memperkuat sinyal di setiap elektroda sebelum mencapai perangkat untuk diperkuat. Ini mengurangi kebisingan listrik lingkungan dalam sinyal.
Perangkat berkabel atau nirkabel yang mengirimkan data via Bluetooth.
Gbr. 2 – Sistem EEG nirkabel dengan kepadatan rendah.
Gbr. 3 – Sistem EEG elektroda berkabel dengan kepadatan tinggi.
2.2. Kapan harus menggunakan EEG?
Setiap metode neuroimaging dapat membantu menjawab pertanyaan penelitian yang berbeda.
Kekuatan terbesar EEG adalah dapat mengukur aktivitas saraf dalam skala milidetik, yang dapat mengukur proses pra-sadar.
Gbr. 4 – Resolusi spasial vs temporal dari berbagai alat neuroimaging.
Metode ini paling cocok untuk pertanyaan seperti "bagian mana dari video saya yang paling diperhatikan oleh peserta?"
EEG merekam aktivitas terutama dari lapisan luar otak (yaitu memiliki resolusi spasial yang rendah). Dengan satu sensor saja, mustahil untuk mengidentifikasi sumber aktivitas tersebut. Perekaman dengan jumlah saluran yang besar memungkinkan untuk merekonstruksi sumber secara matematis, tetapi masih terbatas dalam mengidentifikasi sumber yang dalam. Pencitraan resonansi magnetik fungsional (fMRI) lebih cocok untuk menjawab pertanyaan seperti "Bagian otak mana yang terkait dengan perubahan perhatian?"
2.3. Dari Sensor ke EEG Mentah?
Setelah perangkat EEG dipasang di kepala, aktivitas otak diukur pada satu sensor sebagai perbedaan amplitudo antara sensor tersebut dan sensor referensi. Pada sebagian besar sistem EEG, ini disebut elektroda common mode sense (CMS). Sensor tambahan, driven right leg (DRL), membantu mengurangi gangguan apa pun pada CMS.
Gbr. 5 – Diagram blok transmisi sinyal EEG yang disederhanakan.
Pada sistem dengan elektroda aktif dan pasif, sinyal kemudian diperkuat dan difilter lolos rendah (low-pass filtered). Filter lolos rendah adalah langkah yang akan menghilangkan kemungkinan interferensi listrik dari lingkungan pada sinyal Anda, misalnya daya listrik utama.
Langkah-langkah ini terjadi di perangkat keras itu sendiri sebelum sinyal EEG mentah dapat dilihat di layar komputer Anda.
2.4. Beberapa Terminologi Dasar
Konvensi penamaan standar 10-20
Sensor kiri biasanya bernomor ganjil dan sensor kanan biasanya bernomor genap.
Catatan 1: ini hanyalah konvensi penamaan dan sumber lokasi sensor EEG bukanlah indikator sumber aktivitas.
Catatan 2: langkah-langkah tambahan seperti rekonstruksi matematis dari sumber perlu dilakukan untuk menentukan sumber aktivitas pada satu saluran.
3. Apa itu Osilasi Saraf?
Gelombang otak, sering kali disebut sebagai osilasi saraf, adalah pola ritmis yang dihasilkan oleh satu atau sekelompok neuron.
Belum jelas mengapa otak menghasilkan berbagai jenis osilasi ini, meskipun ada banyak teori. Para peneliti menggunakan tugas-tugas yang berbeda untuk mengkarakterisasi aktivitas osilasi ini dan bertujuan untuk memahami misteri otak menggunakan pola-pola ritmis ini.
3.1. Beberapa sifat dari osilasi
Gambar ini menunjukkan pengukuran sinyal listrik biasa:
Gbr. 6 – Resolusi spasial vs temporal dari berbagai alat neuroimaging.
Di sebelah kiri (sumbu-y) kita dapat memplot amplitudo rekaman listrik dan pada sumbu horizontal (sumbu-x) waktu. Amplitudo sinyal akan bervariasi dalam magnitudo secara teratur di sekitar titik pusat. Satu siklus juga disebut sebagai satu osilasi.
Jumlah siklus per detik disebut frekuensi gelombang dan satuannya adalah Hertz (Hz). Jadi, 1 siklus per detik = 1 Hz. Amplitudo biasanya diukur dalam mikrovolt (µV).
Di dalam otak kita melihat gelombang dengan frekuensi berkisar dari 0.2 Hz (gelombang sangat lambat) hingga 80 Hz atau lebih (gelombang sangat cepat). Aktivitas frekuensi tinggi hingga 500 Hz yang terkait dengan kejang juga telah terekam di dalam otak.
Berbagai jenis osilasi otak dikarakterisasi berdasarkan frekuensinya. Ini dikenal sebagai pita frekuensi (frequency bands) dan dapat dikaitkan dengan kondisi otak yang berbeda:
Gbr. 7 – Gelombang otak dalam EEG tipikal.
3.2. Mengapa pita frekuensi yang berbeda itu penting?
Mengidentifikasi pola otak normal vs tidak normal
Osilasi saraf penting untuk mendeteksi kejang dan mendiagnosis Epilepsi dalam Neurologi.Antarmuka otak komputer (BCI)
Jumlah osilasi beta, gamma, dan mu sering digunakan untuk melatih perangkat jarak jauh (misalnya menggerakkan kursi roda dengan pikiran).Neurofeedback
Ini adalah bentuk pelatihan otak di mana Anda dapat melihat gelombang otak Anda (misal osilasi gamma) dan terlibat dalam tugas-tugas kognitif untuk meningkatkan jumlah osilasi gamma di otak Anda.Neuromarketing
Pita frekuensi alfa dan beta dapat digunakan untuk menentukan bagian mana dari suatu iklan yang lebih atau kurang menarik.
3.3. Jenis analisis data EEG
Paling umum para peneliti melakukan analisis baik dalam domain waktu atau domain frekuensi.
Analisis domain waktu
Biasanya mengukur amplitudo tegangan pada titik waktu yang diinginkan setelah munculnya stimulus. Ini disebut potensi terkait peristiwa (ERP).
Analisis domain frekuensi
Biasanya mengukur jumlah osilasi saraf dalam pita frekuensi yang berbeda dalam jendela waktu yang ditentukan atau terkait dengan munculnya suatu peristiwa.
Selanjutnya kami memberikan gambaran umum tentang analisis domain frekuensi.
3.4. Pemrosesan
Setelah Anda melakukan rekaman EEG, Anda biasanya membersihkan data sebelum memahami osilasi.
Pemfilteran
Teknik untuk menghilangkan kebisingan lingkungan frekuensi tinggi dan rendah dalam data.Penghapusan Artefak
Gerakan fisik, kedipan mata semua dapat menyebabkan artefak besar (puncak > 50 µV dalam EEG). Ini dapat dihapus agar tidak memengaruhi hasil kita. Beberapa peneliti menggunakan metode canggih untuk mengoreksi artefak ini guna mempertahankan data.
Setelah data diproses, sinyal sekarang dapat dikonversi ke domain frekuensi sehingga kita dapat mengukur jumlah setiap jenis gelombang otak.
Gbr. 8 – Artefak kedipan mata dalam EEG mentah.
3.5. Fast Fourier Transform (FFT)
Transformasi Fourier adalah konversi matematis dari sinyal EEG dari 'domain waktu' (gambar A) ke 'domain frekuensi' (gambar B).
Dalam domain frekuensi, kita dapat mengukur berapa banyak dari setiap jenis osilasi yang ada dalam rekaman kita. Ini biasanya merupakan 'daya' (power) dari pita frekuensi dan dapat ditampilkan sebagai spektrum daya (Gambar B).
Gbr. 9A – EEG Mentah dalam domain waktu.
Gbr. 9B – Spektrum daya setelah FFT (domain frekuensi).
3.6. Band Power
Daya dari pita frekuensi (misalnya pita Alfa) yang diperoleh dari transformasi fourier memberi tahu kita seberapa banyak masing-masing pita frekuensi tersebut ada. Satuan band power biasanya dalam µV2/Hz. Paling sering, amplitudo atau spektrum daya dari FFT ditunjukkan dalam unit logaritmik desibel (dB). Desibel adalah unit rasio antara daya terukur (P) dan daya referensi (Pr) sebagai berikut:
Setelah unit pengukuran ini diperoleh untuk peristiwa yang diinginkan, band power dapat dibandingkan untuk memahami efek eksperimental pada gelombang otak.
4. Dari Teori ke Praktik
Selanjutnya, kita akan melihat efek supresi alfa.
Ini adalah fenomena yang pertama kali dilaporkan oleh Hans Berger, di mana kita melihat penurunan signifikan dalam jumlah osilasi alfa (daya alfa) ketika mata seseorang terbuka dibandingkan dengan ketika mata mereka tertutup.
Gbr. 10 – Peningkatan osilasi alfa dapat dilihat ketika mata terbuka.
Pertama, menggunakan EmotivPRO Builder kami membangun eksperimen sederhana. Dalam eksperimen ini, seorang peserta hanya diminta untuk membuka mata mereka selama 2 menit sambil fokus pada layar, dan kemudian menutup mata selama 2 menit. Mereka akan mendengar bunyi bel di akhir 2 menit tersebut untuk memberi isyarat agar membuka mata.
Anda dapat mengikuti video di bawah ini untuk membuat eksperimen supresi alfa Anda sendiri atau Anda dapat menjalankan eksperimen kami dari tautan di sini:
4.1. Pemasangan Perangkat dan Kualitas EEG
Baca selengkapnya tentang cara kerja EQ gate kami di sini. Temukan informasi selengkapnya tentang pemasangan perangkat khusus untuk headset Anda di sini:
Tipe EPOC
Tipe Insight
4.2. Memproses dan mentransformasikan data EEG
Sekarang setelah Anda memiliki data, Anda dapat mentransformasikannya ke domain frekuensi menggunakan Emotiv Analyzer. Ikuti langkah-langkah dalam video.
4.3. Menginterpretasikan data
Setelah Analyzer selesai, unduh file zip. Untuk setiap rekaman Anda akan memiliki file csv dengan band power dan file gambar yang dapat Anda gunakan untuk menjalankan analisis statistik Anda sendiri.
Gbr. 11 – Bandpowers.
Dalam hasil kami, kita dapat melihat peningkatan daya Alfa saat mata tertutup (oranye) dibandingkan saat mata terbuka (biru).
Ini adalah akhir dari tutorial kita! Anda sekarang telah dibekali dengan dasar-dasarnya 🙂
Anda dapat menemukan beberapa tautan untuk bacaan lebih lanjut yang lebih mendalam di bagian sumber daya.
5. Sumber Daya
BACAAN LANJUTAN
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
GLOSARIUM TERMINOLOGI EEG
Kane et al. 2017 (di sini)
KODE SUMBER TERBUKA (OPEN SOURCE)
Jika Anda terbiasa dengan pengkodean python, kami telah menyediakan skrip python yang dapat Anda gunakan untuk mendapatkan nilai daya alfa, yang diberi label segmen mata-terbuka dan mata-tertutup. Temukan kode dan file contoh data Supresi Alfa di sini: https://osf.io/9bvgh/
PANDUAN Emotiv
Panduan EmotivPRO Builder
Panduan EmotivPRO
Panduan EmotivPRO Analyzer
7. Referensi
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
Lanjutkan membaca