1. Pendahuluan

Selamat datang! Dalam tutorial ini kita mempelajari gelombang otak dan bagaimana kita dapat menggunakannya untuk memahami otak dan perilaku.

Hans Berger mencetuskan istilah elektroensefalogram pada tahun 1929, ketika ia menjelaskan perubahan potensial listrik yang direkam menggunakan sensor yang dipasang di kepala seseorang. Ia mengidentifikasi dua jenis gelombang otak, yang ia sebut gelombang alfa dan beta hanya karena urutan ia merekamnya. Gelombang seperti itu telah direkam pada mamalia lain, tetapi Berger mendeskripsikannya pada manusia untuk pertama kalinya!

Sejak itu, metode elektroensefalografi telah menjadi alat utama dalam ilmu saraf dan telah membantu mengembangkan pemahaman kita tentang gelombang otak (yang oleh peneliti disebut osilasi neural) serta membantu mengkarakterisasi keadaan di otak seperti kelelahan dan kewaspadaan.

Dalam tutorial singkat ini, kita akan membahas hal-hal berikut:

• Apa itu osilasi neural?

• Bagaimana kita dapat mengukur osilasi neural?

• Apa yang dapat kita lakukan dengan osilasi neural?

• 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/kanal ditempatkan di kulit kepala untuk merekam aktivitas listrik yang dihasilkan oleh populasi sel otak, yang disebut neuron.

Gbr. 1 – Neuron menghasilkan aktivitas listrik yang dapat dideteksi dengan perangkat EEG [Siuly, dkk. (2016)].

2.1. Sistem EEG

Ada banyak perangkat EEG di pasaran yang dapat digunakan untuk merekam EEG. Perangkat EEG dapat memiliki berbagai bentuk:

• Satu sensor atau hingga 256 elektroda – Semakin banyak elektroda akan menghasilkan resolusi spasial informasi yang lebih tinggi di seluruh kulit kepala.

• Elektroda basah atau kering – Elektroda basah menggunakan gel elektrolit 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 penguatan. Ini mengurangi derau listrik lingkungan dalam sinyal.

• Perangkat berkabel atau nirkabel yang mengirimkan data melalui Bluetooth.

Gbr. 2 – Sistem EEG nirkabel dengan kepadatan rendah.

Gbr. 3 – Sistem EEG elektroda berkabel dengan kepadatan tinggi.

2.2. Kapan menggunakan EEG?

Setiap metode neuroimaging dapat membantu menjawab pertanyaan penelitian yang berbeda.

Kekuatan terbesar EEG adalah kemampuannya mengukur aktivitas neural 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 banyak diperhatikan oleh peserta?”

EEG merekam aktivitas terutama dari lapisan luar otak (yaitu memiliki resolusi spasial rendah). Dengan satu sensor, sumber aktivitas tidak dapat diidentifikasi. Perekaman dengan jumlah kanal yang besar dapat memungkinkan rekonstruksi 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. Dalam 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 sederhana transmisi sinyal EEG.

Pada sistem dengan elektroda aktif dan pasif, sinyal kemudian diperkuat dan difilter lolos-rendah. Penyaringan lolos-rendah adalah langkah yang akan menghilangkan kemungkinan gangguan listrik dari lingkungan dalam sinyal Anda, misalnya daya listrik jaringan.

Langkah-langkah ini terjadi di perangkat keras itu sendiri sebelum sinyal EEG mentah dapat dilihat di layar komputer Anda.

2.4. Beberapa Istilah 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 tambahan seperti rekonstruksi matematis sumber perlu dilakukan untuk menentukan sumber aktivitas pada satu kanal.

3. Apa itu Osilasi Neural?

Gelombang otak, yang sering disebut osilasi neural, adalah pola ritmis yang dihasilkan oleh satu neuron atau sekelompok neuron.

Belum jelas mengapa otak menghasilkan berbagai jenis osilasi ini, meskipun ada banyak teori. Peneliti menggunakan berbagai tugas untuk mengkarakterisasi aktivitas osilatori ini dan bertujuan memahami misteri otak menggunakan pola ritmis tersebut.

3.1. Beberapa sifat osilasi

Gambar ini menunjukkan pengukuran sinyal listrik yang teratur:

Gbr. 6 – Resolusi spasial vs temporal dari berbagai alat neuroimaging.

Di sisi kiri (sumbu y) kita dapat memplot amplitudo perekaman listrik dan pada sumbu horizontal (sumbu x) waktunya. Amplitudo sinyal akan bervariasi dalam besaran secara teratur terhadap titik pusat. Satu siklus juga disebut sebagai 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 otak kita melihat gelombang dengan frekuensi mulai 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 dapat direkam di otak.

Berbagai jenis osilasi otak dikarakterisasi berdasarkan frekuensinya. Ini dikenal sebagai pita frekuensi dan dapat dikaitkan dengan keadaan otak yang berbeda:

Gbr. 7 – Gelombang otak dalam EEG tipikal.

3.2. Mengapa berbagai pita frekuensi penting?

1. Mengidentifikasi pola otak normal vs abnormal
   Osilasi neural penting untuk mendeteksi kejang dan mendiagnosis epilepsi dalam neurologi.

   
   
   

2. Antarmuka otak-komputer (BCI)
   Jumlah osilasi beta, gamma, dan mu sering digunakan untuk melatih perangkat jarak jauh (misalnya menggerakkan kursi roda dengan pikiran).

   
   
   

3. Neurofeedback
   Ini adalah bentuk pelatihan otak di mana Anda dapat melihat gelombang otak Anda (misalnya osilasi gamma) dan melakukan tugas kognitif untuk meningkatkan jumlah osilasi gamma di otak Anda.

   
   
   

4. Neuromarketing
   Pita frekuensi alfa dan beta dapat digunakan untuk menentukan bagian mana dari iklan yang lebih atau kurang menarik.

3.3. Jenis analisis data EEG

Paling umum, peneliti melakukan analisis baik dalam domain waktu atau domain frekuensi.

1. Analisis domain waktu

   Biasanya mengukur amplitudo tegangan pada titik waktu yang diminati setelah onset suatu stimulus. Ini disebut potensial terkait kejadian (ERP).

   
   
   

2. Analisis domain frekuensi

   Biasanya mengukur jumlah osilasi neural dalam berbagai pita frekuensi dalam jendela waktu yang ditentukan atau yang terkait dengan onset suatu peristiwa.

Berikutnya kami memberikan gambaran umum tentang analisis domain frekuensi.

3.4. Pemrosesan

Setelah Anda membuat perekaman EEG, biasanya data dibersihkan terlebih dahulu sebelum memahami osilasi.

1. Penyaringan
   Teknik untuk menghapus derau lingkungan berfrekuensi tinggi dan rendah dalam data.

2. Penghapusan artefak
   Gerakan fisik, kedipan mata, semuanya 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 kini dapat diubah ke domain frekuensi sehingga kita dapat mengukur jumlah masing-masing jenis gelombang otak.

Gbr. 8 – Artefak kedipan mata pada EEG mentah.

3.5. Transformasi Fourier Cepat (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 seberapa besar masing-masing jenis osilasi dalam rekaman kita. Ini biasanya adalah ‘daya’ 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. Daya Pita

Daya suatu pita frekuensi (misalnya pita Alpha) yang diperoleh dari transformasi Fourier memberi tahu kita seberapa besar masing-masing pita frekuensi tersebut. Satuan daya pita biasanya dalam µV2/Hz. Paling sering, spektrum amplitudo atau daya dari FFT ditampilkan dalam satuan logaritmik desibel (dB). Desibel adalah satuan rasio antara daya yang diukur (P) dan daya referensi (Pr) sebagai berikut:

Setelah satuan pengukuran ini diperoleh untuk peristiwa yang diminati, daya pita dapat dibandingkan untuk memahami efek eksperimental pada gelombang otak.

4. Dari Teori ke Praktik

Selanjutnya, kita akan melihat efek penekanan alpha.

Ini adalah fenomena yang pertama kali dilaporkan oleh Hans Berger, di mana kita melihat penurunan signifikan dalam jumlah osilasi alpha (daya alpha) ketika mata seseorang terbuka dibandingkan ketika tertutup.

Gbr. 10 – Peningkatan osilasi alpha dapat terlihat ketika mata terbuka.

Pertama, menggunakan EmotivPRO Builder kami membangun eksperimen sederhana. Dalam eksperimen ini, peserta hanya diminta untuk menjaga mata terbuka selama 2 menit sambil fokus pada layar, lalu menutupnya selama 2 menit. Mereka akan mendengar bel di akhir 2 menit sebagai sinyal untuk membuka mata.

Anda dapat mengikuti video di bawah ini untuk membuat eksperimen penekanan alpha Anda sendiri atau Anda dapat menjalankan eksperimen kami dari tautan di sini:

4.1. Pemasangan Perangkat dan Kualitas EEG

Baca selengkapnya tentang cara kerja gerbang EQ kami di sini. Temukan info lebih lanjut tentang pemasangan perangkat yang spesifik untuk headset Anda di sini:

• Tipe EPOC

• Tipe Insight

4.2. Memproses dan mengubah data EEG

Sekarang setelah Anda memiliki data, Anda dapat mengubahnya ke domain frekuensi menggunakan Emotiv Analyzer. Ikuti langkah-langkah dalam video.

4.3. Menafsirkan data

Setelah Analyzer selesai, unduh file zip. Untuk setiap rekaman Anda akan memiliki file csv dengan daya pita dan file gambar yang dapat Anda gunakan untuk menjalankan analisis statistik Anda sendiri.

Gbr. 11 – Daya pita.

Dalam keluaran kami, kita dapat melihat peningkatan daya Alpha ketika mata tertutup (oranye) dibandingkan saat terbuka (biru).

Ini adalah akhir dari tutorial kami! Sekarang Anda sudah dibekali dengan dasar-dasarnya 🙂

Anda dapat menemukan beberapa tautan untuk bacaan yang lebih lanjut di bagian sumber daya.

5. Sumber Daya

BACAAN LANJUTAN

Donoghue dkk. 2022 Pertimbangan metodologis untuk mempelajari osilasi neural

GLOSARIUM ISTILAH EEG

Kane dkk. 2017 (di sini)

KODE SUMBER TERBUKA

Jika Anda nyaman dengan pemrograman python, kami telah menyediakan skrip python yang dapat Anda gunakan untuk memperoleh nilai daya alpha, yang diberi label menurut segmen mata terbuka dan mata tertutup. Temukan kode dan file data Alpha Suppression contoh di sini: https://osf.io/9bvgh/

MANUAL EMOTIV

Manual EmotivPRO Builder
Manual EmotivPRO
Manual EmotivPRO Analyzer

7. Referensi

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Pertimbangan metodologis untuk mempelajari osilasi neural. European journal of neuroscience, 55(11-12), hlm.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. Glosarium istilah yang direvisi yang paling umum digunakan oleh klinisi elektroensefalograf dan usulan yang diperbarui untuk format laporan temuan EEG. Revisi 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Elektroensefalogram (EEG) dan Latar Belakangnya. Dalam: Analisis dan Klasifikasi Sinyal EEG. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1