Mengapa Preprocessing Penting

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

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

Membangun Alur Kerja Preprocessing

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

Peneliti harus menentukan strategi preprocessing 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 satu pun alur kerja preprocessing yang sesuai untuk setiap penelitian, alur kerja harus dipandu oleh literatur yang mapan, desain eksperimen, metodologi perekaman, dan tujuan ilmiah.

Memfilter Sinyal EEG

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

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

Pemilihan filter harus dilakukan 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 preprocessing.

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

Tergantung pada sifat kontaminasi, peneliti dapat menghapus uji coba individu, 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

Independent Component Analysis (ICA) adalah salah satu teknik yang paling banyak digunakan untuk memisahkan sinyal listrik campuran menjadi komponen yang independen secara statistik. Dengan mengurai EEG yang direkam menjadi sumber sinyal yang mendasarinya, 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 preprocessing 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.

Melakukan Epoching pada Data Berkelanjutan

Banyak analisis EEG berfokus pada respons saraf yang terjadi di sekitar peristiwa eksperimen tertentu. Untuk memfasilitasi analisis ini, rekaman EEG berkelanjutan sering 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 dasar bagi banyak analisis potensi terkait peristiwa (ERP).[2],[6]

Oleh karena itu, pengaturan 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 eksperimen dengan periode referensi yang segera mendahului peristiwa yang diminati.

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

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

Kontrol Kualitas dan Dokumentasi

Preprocessing 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 preprocessing. Pelaporan yang transparan juga membuat perbandingan di masa mendatang antara berbagai penelitian menjadi lebih bermakna.[1]

Mempertahankan protokol preprocessing yang konsisten di semua peserta akan mengurangi variabilitas lebih lanjut dan memperkuat kepercayaan pada analisis yang dihasilkan.

Memilih Perangkat Lunak untuk Preprocessing EEG

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

Lingkungan preprocessing yang umum meliputi EEGLAB, MNE-Python, dan FieldTrip, bersama dengan perangkat lunak akuisisi komersial yang mendukung sinkronisasi peristiwa, visualisasi data, dan ekspor ke format analisis umum.[4],[5] Memilih alat yang dapat beroperasi bersama (interoperable) dapat menyederhanakan kolaborasi sekaligus mendukung praktik penelitian yang transparan dan dapat direproduksi.

Poin-Poin Kunci

Preprocessing mempersiapkan rekaman EEG mentah untuk analisis ilmiah dengan mengurangi noise, mengelola artefak, dan mengatur data dengan tetap menjaga sinyal saraf yang bermakna.

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

Alur kerja preprocessing yang dirancang dengan baik harus konsisten, transparan, dan sesuai dengan 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 eksperimen 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.