Mengapa Pra-pemrosesan Penting

EEG sangat sensitif terhadap aktivitas listrik saraf maupun non-saraf. Meskipun desain eksperimental yang cermat dan pengumpulan data meminimalkan banyak sumber gangguan, beberapa tingkat kontaminasi artefak tidak dapat dihindari. Pra-pemrosesan membantu peneliti membedakan aktivitas otak yang bermakna dari sinyal yang tidak diinginkan sekaligus meningkatkan konsistensi analisis berikutnya.[1]

Yang terpenting, pra-pemrosesan tidak boleh dipandang sebagai cara untuk memperbaiki rekaman berkualitas buruk. Sebaliknya, ini adalah proses terstruktur untuk menyempurnakan data berkualitas tinggi yang dikumpulkan melalui praktik eksperimental yang baik. Keputusan yang dibuat selama pra-pemrosesan memengaruhi setiap tahap analisis berikutnya, sehingga transparansi dan konsistensi menjadi sangat penting.

Membangun Pipeline Pra-pemrosesan

Pra-pemrosesan biasanya dilakukan sebagai rangkaian langkah, bukan sebagai prosedur yang terisolasi. Meskipun alur kerja individu bervariasi tergantung pada pertanyaan penelitian dan metode analisis, menetapkan pipeline yang konsisten membantu memastikan bahwa data setiap peserta diproses dengan cara yang sama.

Peneliti harus menentukan strategi pra-pemrosesan mereka sebelum memulai analisis formal kapan pun memungkinkan. Menentukan alur kerja terlebih dahulu mengurangi risiko timbulnya bias akibat pengambilan keputusan pemrosesan setelah meninjau hasilnya.[1]

Karena tidak ada pipeline pra-pemrosesan tunggal yang sesuai untuk setiap penelitian, alur kerja harus dipandu oleh literatur yang mapan, desain eksperimental, metodologi perekaman, dan tujuan ilmiah.

Memfilter Sinyal EEG

Pemfilteran sering kali merupakan salah satu langkah pra-pemrosesan paling awal. Filter mengurangi komponen frekuensi yang tidak diinginkan sambil mempertahankan aktivitas saraf yang relevan dengan pertanyaan penelitian.

Filter high-pass dapat mengurangi hanyutan sinyal yang lambat, sementara filter low-pass membantu meredam derau frekuensi tinggi. Beberapa penelitian juga menerapkan filter notch untuk mengurangi gangguan listrik dari sistem daya jika diperlukan.[1],[5]

Pemilihan filter harus didekati dengan hati-hati. Pemfilteran yang berlebihan dapat mendistorsi sinyal saraf atau mengubah waktu dan amplitudo respons terkait peristiwa. Peneliti harus memilih pengaturan filter yang mendukung analisis yang ditargetkan sambil menghindari modifikasi sinyal yang tidak perlu.

Mengidentifikasi dan Mengelola Artefak

Bahkan setelah pengumpulan data yang cermat, beberapa rekaman akan mengandung artefak yang memerlukan perhatian selama pra-pemrosesan.

Peneliti biasanya memulai dengan memeriksa rekaman secara visual untuk mengidentifikasi periode derau yang berlebihan, saluran yang tidak stabil, atau gangguan perekaman. Alat penilaian kualitas otomatis dapat membantu deteksi artefak, tetapi peninjauan manual tetap merupakan komponen penting dari banyak alur kerja pra-pemrosesan.[3]

Tergantung pada sifat kontaminasinya, peneliti dapat menghapus uji coba individual, menolak saluran yang berisik, menginterpolasi elektroda yang terisolasi, atau menerapkan teknik koreksi artefak. Keputusan ini harus mengikuti kriteria kualitas yang telah ditentukan sebelum analisis dimulai.

Analisis Komponen Independen

Analisis Komponen Independen (ICA) adalah salah satu teknik yang paling banyak digunakan untuk memisahkan sinyal listrik campuran menjadi komponen-komponen yang independen secara statistik. Dengan mengurai EEG yang direkam menjadi sumber sinyal dasar, ICA dapat membantu peneliti mengidentifikasi komponen yang terkait dengan kedipan mata, gerakan mata, aktivitas otot, atau artefak non-saraf lainnya.[4]

Setelah diidentifikasi, komponen terkait artefak dapat dihapus sebelum merekonstruksi sinyal EEG. Meskipun ICA dapat meningkatkan kualitas data secara substansial, keberhasilan penerapan bergantung pada pra-pemrosesan yang tepat, kualitas data yang memadai, dan interpretasi yang cermat terhadap komponen yang dihasilkan.

Peneliti harus mendokumentasikan bagaimana ICA dilakukan dan komponen mana yang dihapus untuk mendukung transparansi dan reproduksibilitas.

Epoching Data Berkelanjutan

Banyak analisis EEG berfokus pada respons saraf yang terjadi di sekitar peristiwa eksperimental tertentu. Untuk memfasilitasi analisis ini, rekaman EEG berkelanjutan sering kali dibagi menjadi segmen waktu yang lebih pendek yang dikenal sebagai epoch.

Setiap epoch diselaraskan dengan penanda peristiwa yang mewakili presentasi stimulus, respons peserta, atau peristiwa bermakna lainnya selama eksperimen. Segmentasi ini memungkinkan peneliti untuk membandingkan aktivitas saraf di berbagai kondisi eksperimen yang berulang dan membentuk landasan bagi banyak analisis potensi terkait peristiwa (ERP).[2],[6]

Oleh karena itu, penentuan waktu peristiwa yang akurat sangat penting sebelum epoching dimulai.

Koreksi Baseline

Aktivitas saraf terus berubah, bahkan saat peserta sedang beristirahat. Koreksi baseline membantu memperhitungkan fluktuasi yang sedang berlangsung ini dengan membandingkan setiap epoch eksperimental dengan periode referensi yang tepat mendahului peristiwa yang diminati.

Mengurangi baseline ini dari respons saraf berikutnya memungkinkan peneliti untuk mengisolasi aktivitas yang terkait dengan peristiwa eksperimental dengan lebih baik sekaligus mengurangi variabilitas yang disebabkan oleh aktivitas latar belakang yang tidak terkait.[2]

Pemilihan baseline harus tetap konsisten di sepanjang penelitian dan harus mencerminkan praktik yang mapan untuk paradigma eksperimental yang dipilih.

Kontrol Kualitas dan Dokumentasi

Pra-pemrosesan tidak berakhir ketika data tampak lebih bersih. Peneliti harus mendokumentasikan dengan cermat setiap langkah pemrosesan, termasuk parameter pemfilteran, kriteria penolakan artefak, prosedur interpolasi, versi perangkat lunak, dan pengaturan analisis.

Dokumentasi terperinci mendukung reproduksibilitas dengan memungkinkan peneliti lain memahami, mengevaluasi, dan mereplikasi alur kerja pra-pemrosesan. Pelaporan yang transparan juga membuat perbandingan di masa mendatang antar penelitian menjadi lebih bermakna.[1]

Mempertahankan protokol pra-pemrosesan yang konsisten di semua peserta akan lebih mengurangi variabilitas dan memperkuat keyakinan pada analisis yang dihasilkan.

Memilih Perangkat Lunak untuk Pra-pemrosesan EEG

Beberapa platform perangkat lunak mendukung pra-pemrosesan dan analisis EEG, masing-masing menawarkan alur kerja dan kemampuan analisis yang berbeda. Peneliti harus memilih alat yang selaras dengan desain eksperimental, keahlian teknis, dan persyaratan pelaporan mereka.

Lingkungan pra-pemrosesan yang umum meliputi EEGLAB, MNE-Python, dan FieldTrip, di samping perangkat lunak akuisisi komersial yang mendukung sinkronisasi peristiwa, visualisasi data, dan ekspor ke format analisis umum.[4],[5] Memilih alat yang dapat dioperasikan bersama dapat menyederhanakan kolaborasi sekaligus mendukung praktik penelitian yang transparan dan dapat direproduksi.

Poin-poin Penting

Pra-pemrosesan mempersiapkan rekaman EEG mentah untuk analisis ilmiah dengan mengurangi derau, mengelola artefak, dan mengatur data sekaligus mempertahankan sinyal saraf yang bermakna.

Pemfilteran, manajemen artefak, Analisis Komponen Independen, epoching, koreksi baseline, dan kontrol kualitas semuanya berkontribusi untuk meningkatkan kualitas sinyal sekaligus menjaga integritas data.

Pipeline pra-pemrosesan yang dirancang dengan baik adalah konsisten, transparan, dan sesuai untuk pertanyaan penelitian. Dengan mendokumentasikan setiap langkah pemrosesan dan menerapkan prosedur standar di seluruh peserta, peneliti memperkuat keandalan dan reproduksibilitas temuan mereka.

Lanjutkan Membangun Studi EEG Anda

Setelah data EEG disiapkan untuk analisis, peneliti dapat mulai mengeksplorasi bagaimana lokasi elektroda yang berbeda berkontribusi pada pemahaman aktivitas otak.

Dalam panduan berikutnya, Memilih Elektroda dan Montage EEG, kita akan memeriksa sistem penempatan elektroda, pemilihan saluran, dan bagaimana lokasi perekaman memengaruhi desain eksperimental dan interpretasi data.

Referensi

[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.