Artifak EEG

Dua Kategori Mendasar Artefak EEG

Setiap fluktuasi yang tidak diinginkan dalam perekaman EEG berasal dari salah satu dari dua sumber. Artefak terkait subjek, atau fisiologis, dihasilkan oleh tubuh partisipan itu sendiri. Ini mencakup kedipan mata, ketegangan otot, detak jantung, dan aktivitas kelenjar keringat, yang semuanya menghasilkan medan listrik yang ditangkap oleh elektroda kulit kepala bersamaan dengan aktivitas otak yang sebenarnya.

Artefak teknis, atau non-fisiologis, berasal dari peralatan perekaman dan lingkungan. Elektroda yang longgar, goyangan kabel, saturasi penguat (amplifier), dan interferensi listrik jala-jala (mains) termasuk dalam kelompok kedua ini.

Membedakan antara kedua kategori tersebut adalah keterampilan pertama yang harus dikuasai karena strategi pencegahan dan penghapusannya berbeda secara mendasar. Semburan otot dari rahang yang terkatup membutuhkan intervensi yang berbeda dibandingkan dengungan periodik 60-hertz yang masuk melalui kabel dengan pelindung yang buruk.

Cara Mengenali Artefak Terkait Subjek

Kedipan Mata

Mata bertindak seperti baterai listrik kecil. Kornea membawa muatan positif relatif terhadap retina, membentuk sebuah dipol korneo-retina. Ketika seorang partisipan berkedip, kelopak mata menyapu dipol ini dan menyeret medan positif ke atas, menghasilkan defleksi tegangan positif yang besar pada elektroda frontal yang paling dekat dengan mata.

Dalam jejak domain waktu, kedipan tampak sebagai gelombang lambat bervoltase tinggi yang mencapai titik maksimum pada saluran frontopolar seperti Fp1 dan Fp2, lalu melemah tajam saat Anda melihat ke arah derivasi sentral atau posterior. Karena bentuk gelombangnya yang sangat stereotipik, mata yang terlatih dapat melihatnya hampir secara instan.

Gerakan Mata dan Lonjakan Sakadik

Ketika mata bergerak ke samping tanpa berkedip, dipol korneo-retina berotasi alih-alih tertutupi. Hal ini menghasilkan pergeseran seperti tangga pada sinyal elektro-okulogram yang dapat merembes ke saluran EEG di dekatnya.

Selain itu, kontraksi cepat otot ekstraokular selama gerakan sakadik menciptakan transien listrik singkat dan tajam yang dikenal sebagai potensial lonjakan sakadik. Pada jejak mentah, lonjakan ini dapat terlihat menipu karena mirip dengan aktivitas epileptiform. Lonjakan ini biasanya terbatas pada elektroda frontal dan temporal serta bertepatan dengan perubahan pandangan mata.

Mengenalinya dapat mencegah kesan klinis yang keliru dan menghindari penolakan data saraf bersih yang sebenarnya tidak perlu dibuang. Singkatnya durasi lonjakan, korelasinya dengan gerakan mata horizontal atau vertikal, dan ketiadaan gelombang lambat yang mengikutinya membantu membedakannya dari lepasan kortikal yang sebenarnya.

Aktivitas Otot

Otot kulit kepala, wajah, dan leher merupakan penghasil gangguan listrik frekuensi tinggi yang produktif. Ketika seorang partisipan mengatupkan rahangnya, mengerutkan dahi, atau bahkan menahan ketegangan di leher, potensial aksi unit motorik terpicu secara asinkron dan terakumulasi menjadi pola interferensi yang runcing dan tidak teratur.

Dalam domain waktu, artefak otot tampak seperti semburan cepat defleksi tajam beramplitudo rendah yang menunggangi sinyal EEG, sering kali paling menonjol di atas elektroda temporal atau frontal. Kandungan frekuensinya terutama berada di atas 20 Hz, jauh ke dalam pita beta dan gamma tempat banyak pengukuran kognitif berada, menjadikannya sangat mengganggu untuk pemantauan kondisi mental dan aplikasi antarmuka otak-komputer.

Pengaturan EEG densitas tinggi dengan elektroda yang rapat dapat membantu melokalisasi sumber otot, namun garis pertahanan pertama adalah menginstruksikan partisipan untuk rileks dan memberikan penyangga fisik untuk kepala.

Keringat dan Pergeseran Elektrodermal

Perubahan konduktansi kulit akibat aktivitas kelenjar keringat mengubah antarmuka elektroda-kulit. Hal ini menyebabkan hanyutan (drift) voltase baseline yang sangat lambat dan halus, sering kali di bawah 1 Hz, yang dapat berlangsung selama beberapa detik.

Artefak ini tidak muncul sebagai lonjakan atau dengungan ritmis, melainkan sebagai gelombang lembut bergulir di sepanjang jejak sinyal. Ini paling umum terjadi selama perekaman yang panjang, di lingkungan yang hangat, atau pada partisipan yang cemas. Kerancuan frekuensi rendah ini dapat diatasi dengan menjaga suhu ruangan tetap stabil dan memastikan kontak elektroda yang baik.

Sinyal Jantung

Medan listrik jantung cukup kuat untuk mencapai kulit kepala, terutama saat impedansi elektroda tinggi atau saat elektroda referensi berada di dekat pembuluh darah di atas mastoid atau cuping telinga.

Artefak elektrokardiogram yang dihasilkan muncul sebagai kompleks QRS yang tajam dan teratur yang berulang sesuai detak jantung—kira-kira sekali per detik. Sinyal ini sering kali merembes ke banyak saluran secara bersamaan dengan selisih waktu yang konsisten, dan pengklasifikasi yang dilatih dengan fitur artefak spektrum luas dapat mendeteksinya bersama kontaminan lainnya.

Jika bentuk gelombang jantung terlihat tetapi tidak terlalu dominan, gelombang tersebut sering kali dapat dikurangkan dengan merekam saluran EKG khusus; jika tidak, segmen yang terpengaruh mungkin perlu dibuang secara manual.

Mengenali Artefak Teknis dalam Jejak Sinyal

Pop Elektroda dan Lonjakan Terkait Gerakan

Perubahan impedansi mendadak yang disebabkan oleh gel yang mengering, kabel yang tertarik, atau pergeseran elektroda menghasilkan transien yang tiba-tiba dan curam yang sering disebut pop. Ini termasuk dalam kategori "diskontinuitas generik" yang dirancang untuk ditandai oleh algoritma otomatis seperti ADJUST.

Dalam domain waktu, pop elektroda biasanya tampak seperti lonjakan terisolasi dengan amplitudo ekstrem yang dapat menjenuhkan amplifier, membuat sinyal mendatar sesaat sebelum pemulihan lambat. Tidak seperti lonjakan biologis, lonjakan ini tidak dikelilingi oleh aktivitas fisiologis yang sedang berlangsung dan biasanya muncul pada satu saluran saja, sehingga mudah diidentifikasi selama inspeksi visual.

Sebuah studi EEG neonatal oleh Hagmann dkk. juga mendokumentasikan interferensi gerakan yang sering terjadi yang mengubah jejak integrasi amplitudo, menegaskan bahwa gangguan fisik singkat sekalipun dapat menciptakan kontaminasi yang terukur.

Interferensi Jala-Jala Listrik

Kopling kapasitif dari suplai listrik ke dalam pengaturan perekaman menghasilkan "dengungan" ritmis yang kontinu pada frekuensi jala-jala listrik—50 Hz di Eropa dan sebagian besar dunia, 60 Hz di Amerika Utara.

Pada jejak EEG mentah, interferensi ini tampak sebagai gelombang sinus tebal yang menimpa setiap saluran, sering kali dengan amplitudo yang konsisten. Kebisingan saluran listrik dalam jumlah kecil sekalipun dapat menutupi ritme serebral bertegangan rendah, dan keberadaannya menandakan masalah pada impedansi elektroda, pelindung kabel (shielding), atau pentanahan (grounding).

Hal ini selalu merupakan artefak teknis, bukan osilasi saraf, dan frekuensinya yang tetap membuatnya mudah diidentifikasi secara visual atau dengan plot spektral sederhana.

Elektroda Longgar dan Gerakan Kabel

Ketika elektroda tidak terpasang dengan kuat pada kulit kepala atau kabelnya bergoyang di tengah perekaman, gangguan mekanis ini menimbulkan fluktuasi frekuensi rendah yang tidak teratur. Ini dapat terlihat seperti hanyutan lambat dan tak beraturan atau semburan gelombang tak beraturan beramplitudo tinggi pada satu saluran.

Sifatnya yang sporadis dan terbatas pada satu elektroda secara langsung membedakan artefak ini dari peristiwa fisiologis yang meluas seperti kedipan mata atau ketegangan otot. Mencatat momen-momen tersebut secara waktu nyata (real-time) menghemat banyak tenaga nantinya dengan mempersempit pencarian segmen data yang buruk.

Mencegah dan Mendokumentasikan Artefak Selama Perekaman

Strategi pengelolaan artefak yang paling efektif dimulai jauh sebelum titik data pertama disimpan.

Partisipan yang rileks menghasilkan artefak otot dan gerakan mata yang jauh lebih sedikit. Oleh karena itu, luangkan waktu untuk menjelaskan sesi perekaman, sediakan kursi yang nyaman dengan penyangga kepala, dan beri mata titik fiksasi yang stabil untuk mengurangi kedipan spontan dan gerakan sakadik. Langkah-langkah ini begitu mendasar sehingga jarang dijabarkan dalam makalah penelitian, namun setiap penelitian yang melaporkan data bersih secara implisit mengandalkannya.

Pemasangan elektroda adalah garis pertahanan berikutnya. Persiapan kulit yang cermat, gel konduktif yang memadai, dan perutean kabel yang rapi meminimalkan penangkapan derau lingkungan dan pop akibat gerakan.

Studi EEG bayi yang disebutkan sebelumnya menemukan bahwa interferensi listrik dan gerakan terjadi dengan frekuensi serupa, menegaskan bahwa tidak ada lingkungan perekaman yang secara inheren kebal terhadap masalah teknis. Memeriksa impedansi sebelum dan sesudah sesi serta mengamankan kabel ke pakaian atau kursi akan meniadakan sebagian besar artefak yang dapat dicegah.

Terakhir, buatlah catatan berkelanjutan mengenai artefak yang terlihat selama perekaman. Catat waktu terjadinya setiap gerakan kasar, batuk, atau penyesuaian elektroda. Jenis anotasi manual ini mencerminkan pelabelan ahli yang digunakan untuk melatih pengklasifikasi otomatis, di mana penilai manusia menandai segmen untuk dijadikan sebagai ground truth bagi algoritma pembelajaran mesin.

Tanda waktu sederhana yang ditulis tangan atau penanda peristiwa (event marker) dalam perangkat lunak akuisisi mengubah tebakan menjadi dokumentasi yang dapat direproduksi.

Penolakan Manual dan Interpolasi: Pembersihan Sebelum Komputasi

Inspeksi Visual Jejak Kontinu

Sebelum mendelegasikan penghapusan artefak ke algoritma pemrosesan sinyal apa pun, telusuri data mentah dan gunakan bentuk khas gelombang yang dijelaskan di atas untuk mengidentifikasi interval yang terkontaminasi.

Sering kali disarankan untuk mencari gelombang lambat frontal yang khas dari kedipan mata, desisan frekuensi tinggi dari aktivitas otot, lonjakan pop yang terisolasi, atau gelombang sinus persisten dari derau jala-jala listrik. Langkah ini melatih mata Anda untuk membedakan artefak dari aktivitas otak yang sebenarnya dan mencegah penolakan otomatis terhadap peristiwa saraf beramplitudo tinggi yang langka yang secara dangkal mungkin menyerupai artefak.

• Gelombang lambat frontal: mengindikasikan kedipan mata

• Desisan frekuensi tinggi: mengindikasikan aktivitas otot

• Lonjakan terisolasi dengan amplitudo ekstrem: mengindikasikan pop elektroda

• Gelombang sinus persisten: mengindikasikan interferensi jala-jala listrik

Menandai dan Mengecualikan Segmen Waktu yang Buruk

Setelah Anda mengidentifikasi rentang data yang penuh artefak, tandai untuk dikecualikan. Ini dapat melibatkan pencatatan waktu mulai dan berakhir atau menggunakan alat penanda yang terpasang di dalam perangkat lunak analisis EEG.

Penghapusan manual terhadap segmen yang paling terkontaminasi merupakan standar rujukan bagi metode otomatis tercanggih sekalipun. Dalam penelitian yang menghasilkan algoritma ADJUST, misalnya, para ahli secara manual melabeli 640 komponen untuk membuat set pelatihan, dan kinerja pengklasifikasi kemudian diukur terhadap ground truth yang ditentukan secara manual ini.

Menghapus artefak yang paling mencolok secara manual akan mengurangi beban algoritma tahap berikutnya dan mencegahnya menyebarkan derau ke saluran tetangga selama langkah pemfilteran spasial.

Menginterpolasi Saluran yang Terus-menerus Berderau

Ketika satu elektroda tidak dapat diandalkan selama seluruh perekaman karena kontak yang longgar, gel yang mengering, atau ketidakstabilan mekanis, menghapus saluran tersebut dan merekonstruksi datanya dari elektroda bersih di sekitarnya akan mempertahankan dimensionalitas data secara keseluruhan.

Interpolasi menggunakan distribusi tegangan spasial di seluruh kulit kepala untuk memperkirakan apa yang seharusnya direkam oleh saluran yang buruk, secara efektif menggantikan artefak dengan sinyal netral yang masuk akal. Langkah ini menjaga keutuhan dataset untuk analisis topografi dan menghindari hilangnya data yang akan terjadi jika saluran tersebut dibuang sama sekali.

Mengapa Pembersihan Manual Tetap Penting

Bahkan pengklasifikasi otomatis yang paling canggih sekalipun mendapat manfaat dari dataset yang telah dibersihkan terlebih dahulu dari artefak kasar. Temuan studi neonatal bahwa artefak menyumbang 12% dari waktu perekaman dan memengaruhi interpretasi klinis menggambarkan betapa mudahnya kontaminasi yang tidak dihilangkan dapat mendistorsi kesimpulan.

Oleh karena itu, inspeksi manual memastikan bahwa artefak terbesar dan paling jelas telah dihilangkan sebelum data masuk ke jalur komputasi yang efektif, di mana artefak tersebut bisa mendominasi varians dan menyesatkan penguraian (dekomposisi). Hal ini juga membangun keakraban mendalam dengan dataset yang tidak dapat ditiru oleh algoritma apa pun.

Bagaimana Penghapusan Otomatis Mendukung Pekerjaan Manual

Analisis Komponen Independen sebagai Alat Diseksi

Setelah segmen terburuk dihapus secara manual, ICA dapat menguraikan sisa EEG menjadi komponen-komponen sumber yang independen secara statistik. Teknik ini memisahkan campuran sinyal otak dan artefak yang ditangkap oleh elektroda kulit kepala, memisahkan gerakan mata, kedipan, dan aktivitas otot ke dalam komponen-komponen diskret berdasarkan pola spasial dan temporalnya yang unik.

Komponen dengan proyeksi frontal dan bentuk gelombang yang sangat cocok dengan sinyal kedipan kemudian dapat diidentifikasi dan dikurangkan, sehingga sisa data tetap utuh secara neurofisiologis. Kekuatan ICA terletak pada kemampuannya untuk menangani berbagai sumber artefak yang terjadi secara bersamaan, suatu tugas yang koreksi berbasis regresi sederhananya sering kali menghasilkan koreksi berlebih (over-correction) atau kurang (under-correction).

Keandalan Pengklasifikasi Modern

Metode otomatis kini telah mencapai tingkat kinerja yang sangat mendekati penilaian manusia ahli.

Satu pengklasifikasi linier independen subjek, yang dilatih menggunakan enam fitur yang diambil dari domain frekuensi, spasial, dan temporal, mencapai kesalahan kuadrat rata-rata di bawah 10% pada dataset waktu reaksi, yang berada dalam rentang perselisihan antara dua ahli manusia.

Lebih jauh lagi, algoritma ADJUST, yang menggabungkan fitur spesifik artefak spasial dan temporal, sesuai dengan pelabelan ahli manual pada 95,2% varians data saat diuji pada dataset yang benar-benar independen, dan penghapusan komponen artefak oleh algoritma ini menghasilkan rekonstruksi potensial terkait peristiwa (ERP) yang bersih.

Pendekatan berbeda menggunakan model autoregresif yang dikombinasikan dengan support vector machine mengklasifikasikan beberapa jenis artefak yang dihasilkan subjek di berbagai individu dengan akurasi sekitar 94%.

Khusus untuk artefak mata, algoritma yang menyertakan informasi pelacak mata untuk mengidentifikasi komponen relevan secara objektif berkinerja hampir dua kali lebih efektif daripada para ahli manusia yang hanya mengandalkan topografi komponen saja, mencapai area di bawah kurva karakteristik operasi penerima (ROC-AUC) lebih dari 0,99.

Angka-angka ini tidak menggantikan pembersihan manual, melainkan menunjukkan bahwa bidang ini sekarang memiliki asisten komputasi andal yang dapat menangani identifikasi berulang dalam jumlah besar yang dulunya dilakukan sepenuhnya dengan tangan.

Menyeimbangkan Penghapusan Artefak dan Preservasi Sinyal

Penolakan artefak yang terlalu agresif dapat secara tidak sengaja menghilangkan informasi saraf yang asli. Dalam paradigma antarmuka otak-komputer untuk pencitraan motorik, para peneliti menemukan bahwa mereka dapat dengan aman menghapus hingga 60% komponen ICA yang paling banyak mengandung artefak sambil tetap mempertahankan informasi diskriminan yang digunakan sistem BCI untuk memecahkan kode niat pengguna.

Temuan ini menegaskan prinsip krusial bahwa tidak semua komponen yang mengandung varians artefak benar-benar hampa dari sinyal saraf. Peninjauan manual terhadap komponen yang dipilih oleh pengklasifikasi otomatis tetap dianjurkan untuk memastikan bahwa ambang penolakan tidak merambah ke wilayah aktivitas otak yang bermanfaat.

Identifikasi Artefak EEG Otomatis dengan Jaringan Saraf Konvolusional

Pendekatan otomatis untuk identifikasi artefak EEG telah berkembang pesat, menawarkan pelengkap bagi teknik pengenalan manual yang dijelaskan di atas. Salah satu bidang penelitian berfokus pada jaringan saraf konvolusional (CNN) yang dapat mendeteksi dan mengklasifikasikan artefak tanpa memerlukan ekstraksi fitur oleh ahli atau prapemrosesan sinyal mentah.

Sebuah studi oleh para peneliti yang memeriksa data EEG multi-saluran kontinu mengusulkan arsitektur CNN untuk deteksi biner artefak EEG, kemudian memperluasnya untuk mengklasifikasikan berbagai jenis artefak. Para penulis melaporkan bahwa jaringan teroptimasi mereka mencapai akurasi klasifikasi 94,17% yang dirata-ratakan pada 17 pasien dan 9 kelas artefak. Dibandingkan dengan arsitektur berbasis CNN asli, versi teroptimasi ini memiliki parameter 4,2x lebih sedikit dan komputasi 2,7x lebih sedikit, di samping akurasi yang 17,5% lebih tinggi. Para peneliti juga mengevaluasi model mereka pada dataset yang dikumpulkan di laboratorium mereka menggunakan headset Emotiv Epoc X 14 saluran, di mana model tersebut mencapai akurasi 93,5% dalam mendeteksi artefak kedipan mata.

Studi ini mengamati bahwa model yang diusulkan tidak memerlukan pengetahuan ahli untuk ekstraksi fitur atau prapemrosesan data EEG, dan arsitekturnya cukup efisien untuk dapat diimplementasikan pada perangkat seluler. Hal ini membuka peluang bagi deteksi artefak secara real-time dalam pengaturan praktis dengan sumber daya rendah.

Hal yang belum dibuktikan secara tuntas oleh penelitian ini adalah bagaimana performa pengklasifikasi otomatis tersebut di seluruh spektrum jenis artefak yang ditemui dalam perekaman dunia nyata, atau bagaimana perbandingannya dengan inspeksi manual pada populasi dan lingkungan perekaman yang beragam. Temuan ini menunjukkan bahwa identifikasi artefak EEG otomatis yang efisien dapat diterapkan, namun validasi lebih lanjut dalam kondisi yang lebih luas masih menjadi bidang kajian terbuka.

Mengapa Kesadaran akan Artefak Menentukan Kualitas Data

Artefak secara langsung memengaruhi interpretasi visual dan pengukuran kuantitatif. Baik tujuannya adalah diagnosis klinis, penemuan ilmu saraf, atau aplikasi kebugaran konsumen, jalan menuju hasil yang andal dicapai melalui pemahaman yang jelas tentang dari mana artefak berasal, bagaimana tampilannya pada jejak mentah, dan proses berdisiplin dalam mencegah, mendokumentasikan, dan membersihkannya secara manual.

Otomatisasi berbasis ICA dapat mempercepat alur kerja pembersihan, tetapi cara ini beroperasi paling efektif pada data yang telah diperiksa oleh mata manusia yang terlatih. Tingkat kontaminasi sebesar 12% mungkin tidak terdengar tinggi, tetapi ketika fraksi tersebut dapat mengubah keputusan medis atau mengaburkan biomarker kognitif yang halus, investasi dalam penanganan artefak menjadi hal yang tidak terpisahkan dari integritas ilmiah perekaman.

Referensi

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

Pertanyaan yang Sering Diajukan

Apa dua kategori utama artefak EEG, dan bagaimana perbedaannya?

Artefak EEG terbagi menjadi dua kategori: artefak terkait subjek (fisiologis) yang dihasilkan oleh tubuh partisipan—seperti kedipan mata, ketegangan otot, detak jantung, dan keringat—serta artefak teknis (non-fisiologis) yang berasal dari peralatan atau lingkungan, seperti elektroda longgar, goyangan kabel, dan interferensi listrik jala-jala. Perbedaan ini penting karena setiap kategori memerlukan strategi pencegahan dan penghapusan yang berbeda; misalnya, semburan otot memerlukan intervensi yang berbeda daripada dengungan jala-jala 60-Hz.

Bagaimana cara mengenali artefak kedipan mata pada jejak EEG?

Kedipan mata tampak sebagai gelombang lambat positif yang besar yang paling kuat berada di atas elektroda frontal seperti Fp1 dan Fp2, dan memudar dengan cepat ke arah saluran sentral atau posterior. Karena kornea membawa muatan positif relatif terhadap retina, kelopak mata yang menyapu dipol ini menciptakan defleksi beramplitudo tinggi yang stereotipik yang mudah dikenali melalui latihan.

Mengapa aktivitas otot sangat bermasalah bagi antarmuka otak-komputer?

Artefak otot dari rahang yang terkatup, dahi yang berkerut, atau ketegangan leher menghasilkan interferensi tajam berfrekuensi tinggi yang sering kali tumpang tindih dengan pita gelombang otak beta dan gamma tempat pengukuran kognitif dan pemantauan kondisi mental beroperasi. Kontaminasi ini dapat merusak analisis algoritmik dan menurunkan kinerja model antarmuka otak-komputer, menjadikannya salah satu artefak fisiologis yang paling sulit untuk dikelola.

Seperti apa bentuk artefak interferensi jala-jala listrik, dan apa penyebabnya?

Interferensi jala-jala listrik tampak sebagai "dengungan" gelombang sinus ritmis yang kontinu dan menimpa setiap saluran EEG, biasanya pada frekuensi 50 atau 60 Hz tergantung pada pasokan listrik di wilayah tersebut. Ini timbul dari kopling kapasitif sumber daya ke dalam pengaturan perekaman karena impedansi elektroda yang buruk, pelindung kabel yang tidak memadai, atau masalah pentanahan, dan ini jelas merupakan artefak teknis dan bukan sinyal saraf.

Mengapa anotasi manual artefak selama perekaman itu penting?

Membuat catatan berkelanjutan tentang gerakan kasar, batuk, atau penyesuaian elektroda selama sesi membantu mempersempit segmen data yang buruk nantinya dan mengubah tebakan menjadi dokumentasi yang dapat direproduksi. Anotasi manual ini juga mencerminkan pelabelan ahli yang digunakan untuk melatih pengklasifikasi otomatis, menyediakan ground truth yang meningkatkan keandalan pembersihan manual maupun komputasi.

Apa tujuan menginterpolasi saluran EEG yang terus-menerus berderau?

Ketika satu elektroda tidak dapat diandalkan di sepanjang perekaman karena kontak yang longgar atau gel yang mengering, interpolasi merekonstruksi data saluran tersebut dari elektroda bersih di sekitarnya menggunakan distribusi tegangan spasial di seluruh kulit kepala. Ini mempertahankan dimensionalitas data secara keseluruhan untuk analisis topografi, menghindari hilangnya data yang akan terjadi jika seluruh saluran dibuang.

Bagaimana analisis komponen independen (ICA) membantu penghapusan artefak?

ICA menguraikan sinyal EEG campuran menjadi komponen sumber yang independen secara statistik, memisahkan kedipan mata, aktivitas otot, dan artefak lainnya berdasarkan pola spasial dan temporalnya yang unik. Setelah diidentifikasi, komponen artefak—seperti komponen dengan proyeksi frontal yang cocok dengan kedipan—dapat dikurangkan, sehingga sinyal saraf di bawahnya sebagian besar tetap utuh dan menangani berbagai sumber artefak simultan secara lebih efektif daripada metode regresi sederhana.

Apa risiko dari penghapusan artefak otomatis yang terlalu agresif?

Penolakan yang agresif dapat secara tidak sengaja menghilangkan informasi saraf yang asli, karena beberapa komponen membawa varians artefak sekaligus aktivitas otak yang bermanfaat. Meskipun pengklasifikasi otomatis menandai banyak komponen, peninjauan manual terhadap komponen mana yang akan dihapus tetap disarankan untuk memastikan bahwa ambang batas penolakan tidak melenyapkan sinyal yang penting untuk mendekode niat pengguna atau mendeteksi biomarker kognitif.

Mengapa kesadaran akan artefak memengaruhi langsung integritas ilmiah dari perekaman EEG?

Artefak dapat menyamar sebagai bentuk gelombang patologis atau memasukkan varians yang mendistorsi interpretasi visual dan analisis kuantitatif, berpotensi mengubah klasifikasi klinis atau mengaburkan sinyal kognitif yang halus. Proses berdisiplin dalam mencegah, mendokumentasikan, dan membersihkan artefak secara manual sangat penting sebelum pemrosesan komputasi apa pun, guna memastikan bahwa kesimpulan yang ditarik dari data dapat diandalkan dan tidak dirusak oleh kontaminasi.