Common Average Reference dalam EEG

Apa itu Common Average Reference dalam EEG?

Setiap elektrode kulit kepala mengukur voltase relatif terhadap beberapa saluran referensi, atau sekumpulan kecil saluran referensi, yang dipilih pada saat perekaman. Pilihan umum meliputi elektrode tunggal pada daun telinga, tautan mastoid di belakang telinga, atau lokasi kulit kepala seperti Cz.

Masalah dengan referensi lokasi tunggal adalah referensi tersebut tidak pernah benar-benar "tenang." Jika elektrode referensi itu sendiri menangkap kebisingan atau aktivitas otak, kontaminasi tersebut akan mengurangi setiap saluran lainnya, karena sinyal setiap saluran ditentukan relatif terhadapnya.

CAR menghindari masalah tersebut dengan menggunakan jenis referensi berbeda di mana voltase rata-rata direkam di seluruh susunan elektrode pada setiap saat. Alih-alih mengurangi nilai satu elektrode dari semua elektrode lainnya, CAR mengurangi rata-rata semua elektrode dari setiap elektrode individu.

Secara teori, rata-rata ini bertindak sebagai titik referensi yang lebih stabil dan "lebih tenang" daripada yang dapat disediakan oleh satu elektrode fisik mana pun, karena rata-rata ini memanfaatkan informasi dari seluruh kulit kepala daripada satu lokasi sistem.

CAR dalam Penelitian BCI

Inilah mengapa CAR sering muncul dalam penelitian antarmuka otak-komputer. Sebagai contoh, sebuah studi yang diterbitkan dalam International Journal of Engineering and Technology menguji CAR sebagai salah satu dari dua belas metode referensi ulang untuk speller P300, sebuah sistem yang mendeteksi respons otak spesifik saat pengguna fokus pada huruf atau simbol target, dan melaporkan CAR sebagai teknik yang paling cocok di antara teknik yang diuji.

Selain itu, sebuah studi tahun 2025 menerapkan CAR sebagai langkah pra-pemrosesan standar dalam alur klasifikasi pencitraan motorik, yang menggambarkan tujuannya untuk meningkatkan rasio sinyal terhadap bising.

Cara Menghitung Rumus CAR

Mekanisme CAR adalah aljabar sederhana, bukan model statistik yang memerlukan data untuk membuktikan cara kerjanya secara matematis. Untuk susunan N elektrode, masing-masing merekam voltase pada waktu t, yang ditulis sebagai V₁(t), V₂(t), hingga Vₙ(t), nilai transformasi CAR untuk setiap elektrode tunggal i adalah:

V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N

Sederhananya, untuk menemukan CAR untuk elektrode tertentu, ambil pembacaan aslinya pada milidetik tertentu, dan kurangi pembacaan rata-rata dari semua elektrode kulit kepala pada milidetik yang sama persis.

Penerapan Common Average Reference EEG

Memilih pendekatan referensi yang tepat menentukan keberhasilan penilaian diagnostik dan studi penelitian yang kompleks.

Pengaturan klinis sering kali memprioritaskan kejelasan dan konsistensi, memastikan bahwa ahli saraf dapat mengidentifikasi penanda tanpa gangguan dari artefak yang disebabkan oleh referensi. Para peneliti menyukai pendekatan global ini ketika memetakan bagaimana intervensi dapat memengaruhi aktivitas saraf, sebagaimana ditunjukkan dalam temuan tentang osilasi modulasi pernapasan, di mana garis dasar netral diperlukan untuk mengisolasi efek yang terkait dengan pernapasan dari ritme saraf lokal.

Baik di lingkungan klinis maupun ilmu saraf eksperimental, para peneliti mengandalkan interpretasi data yang konsisten yang meminimalkan distorsi buatan. Metode ini membantu menjaga transparansi saat membandingkan rekaman pasien di berbagai sesi atau fasilitas.

Dengan menggunakan referensi standar, analis memastikan bahwa perubahan amplitudo yang diamati mencerminkan pergeseran biologis daripada pergeseran teknis dalam garis dasar. Sikap objektif ini mendukung pelaporan diagnostik yang lebih jelas dan hasil yang valid dalam berbagai aplikasi pengukuran gelombang otak.

Bagaimana CAR Mengurangi Kebisingan Modus Bersama (Common-Mode Noise)

Argumen untuk CAR bertumpu pada konsep yang disebut kebisingan modus bersama. Ini merujuk pada gangguan yang muncul di hampir setiap elektrode dengan kekuatan yang kira-kira sama, bukan kebisingan yang spesifik untuk satu lokasi.

Contoh klasiknya meliputi kebisingan saluran listrik 50/60 Hz dari sumber daya terdekat, aktivitas otot yang menyebar ke seluruh kulit kepala melalui konduksi jaringan, dan pergeseran lambat yang disebabkan oleh elektrode yang bergeser sedikit terhadap kulit.

Karena jenis kebisingan ini dibagikan secara luas di seluruh susunan, merata-ratakan semua saluran bersama-sama, secara teori, akan menghasilkan perkiraan yang wajar dari komponen kebisingan bersama tersebut. Mengurangi rata-rata dari masing-masing saluran kemudian menghilangkan sebagian besar gangguan bersama tersebut sambil membiarkan perbedaan antar-saluran, yang lebih cenderung mencerminkan aktivitas otak yang sebenarnya, sebagian besar tetap utuh.

Asumsi Inti di Balik CAR

Logika pengurangan kebisingan CAR hanya berlaku jika beberapa kondisi data terpenuhi. Asumsi-asumsi ini dijelaskan secara konsisten di seluruh buku teks dan tutorial EEG, meskipun validasi dunia nyatanya tipis dalam bukti yang tersedia.

• Asumsi rata-rata nol (zero-mean). Pada setiap saat, rata-rata semua voltase di seluruh kepala dianggap mendekati nol, yang berarti aktivitas positif dan negatif kira-kira seimbang di seluruh kulit kepala.

• Cakupan elektrode yang padat dan merata. Susunan tersebut dianggap menutupi kepala dengan cukup menyeluruh sehingga rata-ratanya mendekati apa yang akan dicatat oleh titik referensi yang sangat jauh dari kepala, dan oleh karena itu netral secara elektrik. Cakupan yang jarang atau tidak merata memperlemah perkiraan ini.

• Tidak ada sumber dominan tunggal. Tidak boleh ada satu elektrode pun, saluran yang rusak, atau artefak besar (seperti kedipan mata yang kuat) yang cukup besar untuk memengaruhi rata-rata itu sendiri.

Ketika ketiga kondisi ini terpenuhi, rata-rata berperilaku seperti titik referensi yang benar-benar netral. Ketika tidak terpenuhi, rata-rata itu sendiri menjadi terdistorsi, dan mengurangi rata-rata yang terdistorsi memunculkan masalah baru daripada menghilangkan masalah lama.

Menguji Asumsi CAR Dengan Data EEG Nyata

Mengambil rekaman EEG kondisi istirahat (resting-state) yang tersedia untuk umum, misalnya dataset 64-saluran standar, dan menghitung bentuk gelombang rata-rata global sebelum menerapkan CAR sering kali mengungkapkan nilai yang menyimpang dari nol, terkadang dengan margin yang terlihat jelas. Penyimpangan ini adalah bukti langsung dari konten modus bersama yang berada dalam sinyal mentah, yang merupakan persis apa yang dirancang untuk dihilangkan oleh CAR. Setelah CAR diterapkan, rata-rata global yang sama dipaksa menjadi tepat nol pada setiap titik waktu, sesuai definisi rumus.

Uji coba yang lebih membuktikan melibatkan pengamatan pada epok yang mengandung artefak kedipan mata yang besar.

Kedipan mata menghasilkan ayunan voltase besar yang paling kuat di elektrode frontal tetapi merembes ke sebagian besar susunan. Selama epok ini, rata-rata global sebelum CAR sering kali bergeser tajam menjauh dari nol, karena kedipan tidak terdistribusi secara merata melainkan terkonsentrasi di satu bagian kepala. Ketika CAR kemudian diterapkan, artefak terkonsentrasi ini dimasukkan ke dalam rata-rata dan didistribusikan kembali, dalam jumlah yang lebih kecil, ke setiap saluran tunggal, termasuk saluran yang jauh dari mata yang awalnya bersih.

Apa Kata Penelitian: Bukti Campuran Dari Studi BCI

Studi tersebut di atas membandingkan dua belas teknik referensi ulang di tiga dataset speller P300, baik dalam kondisi pengujian offline maupun online, dan menyimpulkan bahwa CAR adalah teknik yang paling cocok di antara kedua belas teknik tersebut. Namun, meskipun studi ini memberikan perbandingan grafis dari akurasi klasifikasi dan tabel yang memerinci rata-rata bitrate maksimum dengan standar deviasi, studi tersebut tidak melaporkan ukuran efek atau uji signifikansi statistik formal antara metode-metode tersebut, yang membatasi seberapa besar kepercayaan yang dapat ditempatkan pada peringkat tersebut.

Sementara itu, sebuah studi tahun 2017 mengambil pendekatan berbeda dengan tugas pencitraan motorik dan niat gerakan. Sebelas subjek melakukan dan membayangkan gerakan pergelangan tangan kanan sementara EEG direkam dari 28 elektrode. Sinyal diproses menggunakan CAR dan referensi Laplacian, metode pemfilteran spasial yang menekankan perbedaan antara elektrode pusat dan tetangga terdekatnya daripada rata-rata seluruh kulit kepala.

Akurasi klasifikasi menggunakan referensi Laplacian berkisar antara 63.33% hingga 100% untuk gerakan yang dibayangkan dan 60% hingga 96.67% untuk gerakan aktual, dengan pengklasifikasi k-nearest neighbor mengungguli analisis diskriminan kuadrat. Referensi Laplacian mengungguli CAR secara keseluruhan, meskipun studi tersebut tidak melaporkan angka akurasi persis CAR untuk perbandingan langsung. Hasil ini menunjukkan CAR mungkin kurang cocok untuk tugas-tugas yang melibatkan aktivitas otak terkait motorik yang terfokus dan terlokalisasi.

Terakhir, studi tahun 2025 yang disebutkan di atas menyematkan CAR sebagai langkah pra-pemrosesan awal di dalam alur jaringan saraf konvolusional (CNN) yang lebih besar untuk klasifikasi pencitraan motorik, yang juga mencakup jendela waktu geser, transformasi spektral, dan ekstraksi pita frekuensi. Alur penuh mencapai akurasi 91.75% pada dataset tolok ukur kompetisi. Ini adalah hasil yang kuat, tetapi karena CAR hanya merupakan salah satu dari beberapa langkah pemrosesan, studi tersebut tidak dapat memberi tahu kita seberapa besar akurasi tersebut disebabkan oleh CAR itu sendiri versus arsitektur CNN, teknik pembuatan jendela, atau pemilihan pita frekuensi.

Jika digabungkan, ketiga studi ini tidak mengerucut pada satu kesimpulan tunggal. CAR berkinerja baik dalam konteks P300, berkinerja lebih buruk daripada alternatif dalam konteks pencitraan motorik, dan hadir tetapi tidak diisolasi dalam konteks pembelajaran mendalam dengan akurasi tinggi. Dengan demikian, bukti yang dibahas menunjukkan bahwa manfaat mandiri CAR masih belum jelas dan tampaknya sangat bergantung pada jenis sinyal otak yang diukur.

Saat CAR Gagal: Artefak, Susunan Jarang, dan Sumber Fokus

Pola di seluruh studi ini sejalan dengan tiga mode kegagalan yang dibahas secara luas dalam metodologi EEG tetapi hanya didukung sebagian oleh bukti langsung dalam penelitian yang tersedia.

1. Artefak besar. Acara amplitudo tinggi tunggal, seperti kedipan mata yang kuat atau lonjakan otot, dapat mendominasi perhitungan rata-rata jika cukup besar relatif terhadap sisa susunan. Ketika ini terjadi, CAR tidak menghilangkan artefak; melainkan menyebarkan versi terdistorsi dari artefak tersebut ke setiap saluran, termasuk saluran yang awalnya bebas artefak. Ini adalah konsekuensi langsung dari rumus CAR daripada temuan yang diuji secara terpisah, tetapi ini mengikuti secara logis dari demonstrasi yang dijelaskan sebelumnya dalam artikel ini.

2. Susunan jarang (sparse arrays). CAR bergantung pada rata-rata yang mendekati titik referensi netral, yang membutuhkan cakupan kulit kepala yang cukup padat dan merata. Dengan hanya sedikit elektrode, misalnya delapan hingga enam belas saluran, rata-rata merupakan perkiraan yang jauh lebih lemah dari titik netral tersebut, dan asumsi cakupan di balik CAR secara langsung dilanggar.

3. Sumber fokus (focal sources). Aktivitas otak yang berasal dari wilayah kecil yang terlokalisasi, alih-alih menyebar luas di seluruh kulit kepala, dapat berperilaku serupa dengan sinyal "lokal" yang tidak dirancang untuk dipertahankan oleh rata-rata seluruh susunan CAR. Karena CAR mengurangi rata-rata global, CAR dapat membatalkan sebagian sinyal yang terkonsentrasi alih-alih menyebar luas.

Cara Memitigasi Kelemahan CAR

Beberapa penyesuaian umumnya disarankan dalam praktik EEG untuk mengatasi titik-titik kegagalan ini:

• Jika terjadi kekhawatiran terkait artefak besar, identifikasi dan interpolasi atau hapus saluran yang buruk atau segmen yang kaya artefak sebelum menghitung CAR.

• Saat bekerja dengan susunan yang jarang (misalnya, 8-16 saluran), hindari CAR dan gunakan referensi fisik tetap seperti tautan mastoid.

• Untuk tugas yang menargetkan aktivitas otak yang fokus dan terlokalisasi, pertimbangkan referensi Laplacian atau metode ruang sumber yang menekankan gradien lokal daripada rata-rata global.

Apakah CAR Pilihan Referensi yang Tepat untuk Pengaturan EEG Anda?

CAR tetap menjadi metode referensi yang digunakan secara luas dengan dasar matematika yang jelas dan koheren. Ini memaksa sinyal rata-rata di seluruh susunan menjadi nol, dan ini, secara prinsip, dapat menghilangkan kebisingan yang muncul secara luas dan merata di seluruh kulit kepala. Daya tarik teoretis tersebut menjelaskan mengapa ia sering muncul sebagai langkah default dalam alur BCI dan EEG.

Siapa pun yang menerapkan CAR pada data mereka sendiri harus memperlakukannya sebagai default yang wajar daripada peningkatan yang dijamin. Asumsi-asumsinya, sinyal yang mendekati rata-rata nol, cakupan elektrode yang padat dan merata, serta tidak adanya artefak yang mendominasi, layak untuk diperiksa terhadap pengaturan perekaman spesifik dan tugas yang dihadapi daripada diasumsikan secara otomatis.

Di mana asumsi-asumsi tersebut tidak mungkin terpenuhi, terutama dengan susunan yang jarang atau tugas yang berpusat pada sumber otak yang fokus dan terlokalisasi, alternatif seperti referensi Laplacian layak dipertimbangkan secara serius.

Mengapa Memeriksa Asumsi Referensi EEG Anda Lebih Penting daripada Pengaturan Default

Common average reference dibangun di atas ide matematis sederhana untuk mengurangi rata-rata seluruh kulit kepala untuk menghilangkan kebisingan yang dibagikan ke seluruh elektrode. Ini bekerja dengan sangat baik di atas kertas, tetapi rekaman otak yang sebenarnya jarang bekerja sama dengan sempurna. Algoritme selalu memaksa rata-rata elektrode menjadi nol, tetapi keseimbangan paksa itu tidak menjamin tampilan aktivitas otak yang lebih bersih—hanya bahwa angka-angkanya saja yang cocok.

Yang lebih penting daripada montase EEG itu sendiri adalah apakah pengaturan perekaman memenuhi asumsi yang mendasarinya. Cakupan elektrode yang padat dan merata serta tidak adanya artefak yang luar biasa seperti kedipan mata dapat mengubah CAR dari jalan pintas yang berisiko menjadi alat yang berguna. Untuk susunan yang jarang atau tugas yang perlu menangkap sinyal otak yang kecil dan terfokus, langkah yang sama dapat menyebarkan kontaminasi dan mengaburkan aktivitas yang ingin dideteksi oleh peneliti.

Pelajaran dari penelitian ini bukanlah bahwa CAR itu baik atau buruk, melainkan penggunaannya menuntut pemeriksaan kondisi data secara sengaja, bukan kepercayaan buta pada prasetel populer.

Referensi

1. Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.

2. Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001

3. Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028

Pertanyaan yang Sering Diajukan

Apa itu common average reference (CAR) dalam EEG?

CAR adalah metode referensi ulang yang mengurangi voltase rata-rata dari semua elektrode kulit kepala dari setiap elektrode individu pada setiap titik waktu. Ini menggantikan referensi fisik tunggal dengan rata-rata seluruh kulit kepala, yang bertujuan untuk menciptakan titik referensi yang lebih stabil untuk perekaman.

Bagaimana CAR mengurangi kebisingan dalam sinyal EEG?

CAR menargetkan kebisingan modus bersama—gangguan yang muncul serupa di banyak elektrode, seperti dengung saluran listrik atau aktivitas otot. Dengan merata-ratakan semua saluran dan mengurangi rata-rata tersebut, kebisingan bersama sebagian besar dihilangkan sementara perbedaan aktivitas otak spesifik saluran dipertahankan.

Apa asumsi inti yang diperlukan agar CAR berfungsi dengan baik?

CAR berasumsi bahwa rata-rata voltase di seluruh kulit kepala mendekati nol di setiap saat, bahwa cakupan elektrode padat dan merata, dan tidak ada artefak atau saluran tunggal yang mendominasi rata-rata. Jika ini tidak terpenuhi, rata-rata yang dihitung menjadi terdistorsi, dan menguranginya akan menimbulkan kesalahan.

Kapan CAR gagal atau menimbulkan artefak?

CAR dapat gagal dengan artefak besar yang terlokalisasi seperti kedipan mata, yang memengaruhi rata-rata dan kemudian menyebar ke semua saluran. Ini juga bermasalah dengan susunan elektrode yang jarang atau sinyal otak yang sangat terfokus, karena rata-rata global tidak lagi mewakili referensi netral.

Apa yang dikatakan penelitian yang tersedia tentang efektivitas CAR?

Buktinya beragam. Satu studi menemukan CAR bekerja dengan baik untuk tugas speller P300, tetapi studi lain menunjukkan referensi Laplacian mengungguli CAR untuk pencitraan motorik. Studi ketiga menggunakan CAR dalam alur pembelajaran mendalam yang sukses tetapi tidak mengisolasi kontribusi spesifiknya, sehingga manfaat mandirinya masih belum jelas.

Haruskah saya selalu menggunakan CAR sebagai referensi default untuk analisis EEG saya?

Tidak secara membabi buta. CAR adalah default yang wajar jika Anda memiliki cakupan elektrode yang padat dan merata serta sinyal yang kira-kira rata-rata nol tanpa artefak yang mendominasi. Untuk susunan yang jarang atau aktivitas otak yang terfokus, alternatif seperti referensi fisik tetap atau referensi Laplacian mungkin lebih sesuai.

Apa itu referensi Laplacian dan bagaimana perbandingannya dengan CAR?

Referensi Laplacian menekankan perbedaan voltase antara elektrode pusat dan tetangga terdekatnya, menyoroti aktivitas otak lokal. Ini mengungguli CAR dalam studi pencitraan motorik, menunjukkan bahwa metode ini lebih cocok untuk mendeteksi sinyal yang terfokus secara spasial.

Bagaimana saya dapat memitigasi kelemahan CAR ketika saya ingin menggunakannya?

Sebelum menghitung CAR, identifikasi dan hapus atau interpolasi saluran yang buruk dan artefak besar seperti kedipan mata. Ini mencegah saluran atau kejadian bising tunggal mendistorsi rata-rata seluruh kulit kepala dan mengontaminasi semua saluran.

Apa yang terjadi ketika kedipan mata terjadi dalam rekaman referensi CAR?

Kedipan mata menciptakan pergeseran voltase kuat yang terkonsentrasi di elektrode frontal. Ketika CAR diterapkan, pengaruh kedipan dimasukkan ke dalam rata-rata global dan kemudian dikurangi, yang menyebarkan versi kedipan yang lebih kecil tetapi terdistorsi ke setiap saluran, bahkan saluran yang awalnya bersih.

Apakah CAR benar-benar membuat rata-rata semua saluran menjadi nol?

Ya, secara definisi transformasi CAR memaksa jumlah dari semua voltase referensi ulang menjadi nol pada setiap titik waktu. Namun, properti matematis ini tidak menjamin bahwa sinyal yang dihasilkan adalah representasi aktivitas otak yang lebih bersih—ini hanya memaksakan suatu kondisi yang mungkin cocok atau tidak cocok dengan kenyataan.