Artifak EEG

Dua Kategori Mendasar Artefak EEG

Setiap fluktuasi yang tidak diinginkan dalam perekaman EEG timbul dari salah satu dari dua asal-usul. Artefak yang terkait dengan subjek, atau fisiologis, dihasilkan oleh tubuh peserta itu sendiri. Ini termasuk kedipan mata, ketegangan otot, denyut 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 dan lingkungan perekaman. Elektroda yang longgar, goyangan kabel, saturasi penguat, dan gangguan listrik jala-jala termasuk dalam kelompok kedua ini.

Membedakan antara kedua kategori tersebut adalah keterampilan pertama yang harus dikuasai karena strategi pencegahan dan penghilangannya berbeda secara mendasar. Semburan otot dari rahang yang terkatup memerlukan intervensi yang berbeda daripada dengung 60 hertz periodik yang masuk melalui kabel yang kurang terlindungi.

Cara Mengenali Artefak Terkait Subjek

Kedipan Mata

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

Dalam pelacakan domain waktu, kedipan muncul sebagai gelombang lambat dengan amplitudo tinggi yang mencapai maksimumnya pada saluran frontopolar seperti Fp1 dan Fp2, kemudian melemah secara tajam saat Anda melihat ke arah derivasi sentral atau posterior. Karena bentuk gelombangnya sangat khas, mata yang terlatih dapat melihatnya secara instan.

Gerakan Mata dan Lonjakan Saccadic

Ketika mata bergerak secara lateral tanpa berkedip, dipol korneo-retinal berputar alih-alih tertutup. Ini menghasilkan pergeseran seperti tangga dalam sinyal elektro-okulogram yang dapat merembes ke saluran EEG yang berdekatan.

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

Mengenali mereka mencegah kesan klinis yang salah dan menghindari penolakan yang tidak perlu terhadap data saraf yang sebenarnya bersih. Singkatnya lonjakan tersebut, korelasinya dengan gerakan mata horizontal atau vertikal, dan ketiadaan gelombang lambat yang mengikuti membantu membedakannya dari pelepasan kortikal yang sebenarnya.

Aktivitas Otot

Otot kulit kepala, wajah, dan leher adalah penghasil bising listrik frekuensi tinggi yang produktif. Ketika seorang peserta mengatupkan rahang mereka, mengernyitkan dahi, atau bahkan menahan ketegangan di leher, potensial aksi unit motorik menyala secara asinkron dan menjumlahkan menjadi pola gangguan yang tidak teratur dan berduri.

Dalam domain waktu, artefak otot terlihat seperti semburan cepat defleksi tajam dengan amplitudo rendah yang menunggangi di atas EEG, seringkali paling menonjol di atas elektroda temporal atau frontal. Kandungan frekuensinya sebagian besar berada di atas 20 Hz, jauh ke dalam pita beta dan gamma di mana banyak ukuran kognitif berada, membuatnya sangat merepotkan untuk pemantauan kondisi mental dan aplikasi antarmuka otak-komputer.

Pengaturan EEG dengan kepadatan tinggi dengan elektroda yang ditempatkan rapat dapat membantu melokalisasi sumber otot, tetapi garis pertahanan pertama adalah menginstruksikan peserta untuk rileks dan memberikan dukungan fisik untuk kepala.

Keringat dan Pergeseran Elektrodermal

Perubahan konduktansi kulit karena aktivitas kelenjar keringat mengubah antarmuka elektroda-kulit. Ini memperkenalkan penyimpangan garis dasar tegangan yang sangat lambat dan mulus, sering kali di bawah 1 Hz, yang dapat berkelana selama beberapa detik.

Artefak ini tidak muncul sebagai lonjakan atau dengung ritmis, melainkan sebagai gulungan lembut seperti gelombang dari seluruh pelacakan. Ini paling umum terjadi selama perekaman yang lama, di lingkungan yang hangat, atau dengan peserta yang cemas. Gangguan frekuensi rendah ini dapat dikelola dengan menjaga suhu ruangan yang stabil dan memastikan kontak elektroda yang baik.

Sinyal Jantung

Medan listrik jantung cukup kuat untuk mencapai kulit kepala, terutama ketika impedansi elektroda tinggi atau ketika 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. Ini sering merembes ke banyak saluran secara bersamaan dengan jeda waktu yang konsisten, dan pengklasifikasi yang dilatih pada fitur artefak spektrum luas dapat mendeteksinya bersama kontaminan lainnya.

Jika bentuk gelombang jantung terlihat tetapi tidak terlalu dominan, sering kali dapat dikurangi dengan merekam saluran ECG khusus; jika tidak, segmen yang terpengaruh mungkin memerlukan penolakan manual.

Mengenali Artefak Teknis dalam Pelacakan

Pop Elektroda dan Lonjakan Terkait Gerakan

Perubahan mendadak dalam impedansi yang disebabkan oleh jembatan gel yang mengering, kabel yang tertari, atau elektroda yang bergeser menghasilkan transien curam yang tiba-tiba 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 terlihat seperti lonjakan terisolasi dengan amplitudo ekstrem yang dapat menjenuhkan penguat, membuat sinyal mendatar sejenak sebelum pemulihan yang lambat. Berbeda dengan lonjakan biologis, lonjakan ini tidak dikelilingi oleh aktivitas fisiologis yang sedang berlangsung dan biasanya muncul pada satu saluran saja, membuatnya mudah diidentifikasi selama inspeksi visual.

Sebuah studi EEG neonatal oleh Hagmann et al. juga mendokumentasikan gangguan gerakan yang sering terjadi yang mengubah pelacakan terintegrasi amplitudo, menekankan bahwa gangguan fisik yang singkat sekalipun menciptakan kontaminasi yang terukur.

Gangguan Jala-Jala Listrik

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

Pada pelacakan EEG mentah, gangguan ini muncul sebagai gelombang sinus tebal yang ditumpangkan pada setiap saluran, seringkali dengan amplitudo yang konsisten. Bahkan sejumlah kecil derau saluran dapat menyamarkan ritme serebral tegangan rendah, dan kehadirannya menandakan masalah dengan impedansi elektroda, pelindung, atau grounding.

Ini selalu merupakan artefak teknis, bukan osilasi saraf, dan frekuensinya yang tetap membuatnya mudah diidentifikasi dengan mata atau dengan plot spektral sederhana.

Elektroda Longgar dan Gerakan Kabel

Ketika elektroda tidak terpasang dengan aman pada kulit kepala atau kabelnya bergoyang di tengah perekaman, gangguan mekanis tersebut menimbulkan fluktuasi frekuensi rendah yang tidak teratur. Ini bisa terlihat seperti penyimpangan lambat yang tidak menentu atau semburan gelombang tidak teratur dengan amplitudo tinggi pada satu saluran.

Sifatnya yang sporadis dan terbatas pada satu elektroda segera membedakan artefak ini dari peristiwa fisiologis yang meluas seperti kedipan atau ketegangan otot. Membuat anotasi momen-momen seperti itu secara real-time menghemat banyak upaya di kemudian hari dengan mempersempit pencarian segmen data yang buruk.

Mencegah dan Mendokumentasikan Artefak Selama Perekaman

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

Peserta yang rileks menghasilkan artefak otot dan gerakan mata yang jauh lebih sedikit. Oleh karena itu, luangkan waktu untuk menjelaskan sesi tersebut, sediakan kursi yang nyaman dengan penyangga kepala, dan berikan mata titik fiksasi yang stabil untuk mengurangi kedipan spontan dan gerakan sakadik. Langkah-langkah ini sangat mendasar sehingga jarang dijelaskan secara rinci dalam makalah penelitian, namun setiap studi 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 hati-hati meminimalkan tangkapan lingkungan dan pop terkait gerakan.

Studi EEG bayi yang disebutkan di atas menemukan bahwa gangguan listrik dan gerakan terjadi dengan frekuensi yang sama, memastikan 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 menghilangkan sebagian besar artefak yang dapat dicegah.

Terakhir, buat log berjalan dari artefak yang terlihat selama perekaman. Catat waktu 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 berfungsi sebagai kebenaran dasar (ground truth) bagi algoritma pembelajaran mesin.

Stempel waktu tulisan tangan yang sederhana atau penanda peristiwa dalam perangkat lunak akuisisi mengubah tebakan menjadi dokumentasi yang dapat direproduksi.

Penolakan Manual dan Interpolasi: Pembersihan Sebelum Komputasi

Inspeksi Visual dari Pelacakan Berkelanjutan

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

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

• Gelombang lambat frontal: menunjukkan kedipan mata

• Desis frekuensi tinggi: menunjukkan aktivitas otot

• Lonjakan terisolasi dengan amplitudo ekstrem: menunjukkan pop elektroda

• Gelombang sinus persisten: menunjukkan gangguan jala-jala listrik

Menandai dan Mengecualikan Segmen Waktu yang Buruk

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

Penghapusan manual dari segmen yang paling terkontaminasi adalah standar yang bahkan menjadi dasar bagi metode otomatis tercanggih. Dalam pekerjaan yang menghasilkan algoritma ADJUST, misalnya, para ahli secara manual melabeli 640 komponen untuk membuat set pelatihan, dan kinerja pengklasifikasi kemudian diukur terhadap kebenaran dasar yang ditentukan secara manual ini.

Menghapus artefak yang paling parah secara manual mengurangi beban pada algoritma hilir dan mencegahnya menyebarkan derau ke saluran tetangga selama langkah penyaringan spasial.

Menginterpolasi Saluran yang Terus-Menerus Bising

Ketika satu elektroda tidak dapat diandalkan untuk seluruh perekaman karena kontak yang longgar, gel kering, atau ketidakstabilan mekanis, menghapus saluran tersebut dan merekonstruksi datanya dari elektroda bersih tetangga 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 mengganti artefak dengan sinyal netral yang masuk akal. Langkah ini menjaga dataset tetap utuh untuk analisis topografi dan menghindari hilangnya data yang akan terjadi jika saluran tersebut dibuang seluruhnya.

Mengapa Pembersihan Manual Tetap Esensial

Bahkan pengklasifikasi otomatis yang paling canggih sekalipun mendapat manfaat dari dataset yang telah dibersihkan sebelumnya dari artefak kasar. Temuan studi neonatal bahwa artefak menempati 12% dari waktu perekaman dan memengaruhi interpretasi klinis mengilustrasikan betapa mudahnya kontaminasi yang tidak dihilangkan dapat memutarbalikkan kesimpulan.

Oleh karena itu, inspeksi manual memastikan bahwa artefak terbesar dan paling jelas hilang sebelum data masuk ke alur komputasi yang efektif, di mana mereka mungkin mendominasi varians dan menyesatkan dekomposisi. Ini juga membangun keakraban yang mendalam dengan dataset yang tidak dapat direplikasi oleh algoritma apa pun.

Bagaimana Penghapusan Otomatis Mendukung Pekerjaan Manual

Analisis Komponen Independen sebagai Alat Diseksi

Setelah segmen terburuk dihapus secara manual, ICA dapat mendekomposisi EEG yang tersisa menjadi komponen sumber yang independen secara statistik. Teknik ini mengurai campuran sinyal otak dan artefak yang ditangkap oleh elektroda kulit kepala, memisahkan gerakan mata, kedipan, dan aktivitas otot menjadi komponen-komponen diskrit berdasarkan pola spasial dan temporal mereka yang unik.

Komponen dengan proyeksi frontal dan bentuk gelombang yang sangat cocok dengan sinyal kedipan kemudian dapat diidentifikasi dan dikurangi, membiarkan data lainnya tetap utuh secara neurofisiologis. Kekuatan ICA terletak pada kemampuannya untuk menangani beberapa sumber artefak yang terjadi secara bersamaan, tugas yang sering kali dikoreksi secara berlebihan atau kurang oleh koreksi berbasis regresi yang lebih sederhana.

Keandalan Pengklasifikasi Modern

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

Salah satu pengklasifikasi linier independen subjek, yang dilatih pada 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 ketidaksepakatan antara dua ahli manusia.

Selain itu, algoritma ADJUST, yang menggabungkan fitur khusus artefak spasial dan temporal, setuju dengan pelabelan ahli manual pada 95.2% varians data ketika diuji pada dataset yang sepenuhnya independen, dan penghapusan komponen berartefak menghasilkan rekonstruksi potensial terkait peristiwa yang bersih.

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

Khusus untuk artefak mata, algoritma yang menggabungkan informasi pelacak mata untuk secara objektif mengidentifikasi komponen yang relevan berkinerja hampir dua kali lebih efektif daripada ahli manusia yang harus mengandalkan topografi komponen saja, mencapai area karakteristik operasi penerima di bawah kurva yang lebih besar dari 0.99.

Angka-angka ini tidak menggantikan pembersihan manual tetapi menunjukkan bahwa bidang ini sekarang memiliki asisten komputasi yang andal yang dapat menangani identifikasi berulang bervolume tinggi yang dulunya dilakukan sepenuhnya dengan tangan.

Menyeimbangkan Penghapusan Artefak dan Preservasi Sinyal

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

Temuan ini menggarisbawahi prinsip penting bahwa tidak setiap komponen yang membawa beberapa varians artefak kehilangan sinyal saraf sepenuhnya. Tinjauan manual dari komponen yang dipilih oleh pengklasifikasi otomatis tetap disarankan untuk memastikan bahwa ambang penolakan tidak melintasi wilayah aktivitas otak yang berguna.

Mengapa Kesadaran Artefak Menentukan Kualitas Data

Artefak secara langsung memengaruhi interpretasi visual dan pengukuran kuantitatif. Baik tujuannya adalah diagnosis klinis, penemuan sains saraf, atau aplikasi kesehatan konsumen, jalur menuju hasil yang andal melewati pemahaman yang jelas tentang dari mana artefak berasal, bagaimana tampilannya pada pelacakan mentah, dan proses disiplin dalam mencegah, mendokumentasikan, dan menghapusnya secara manual.

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

Referensi

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Menggabungkan EEG dan pelacakan mata: identifikasi, karakterisasi, dan koreksi artefak gerakan mata dalam data elektroensefalografi. 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: Detektor artefak EEG otomatis berdasarkan penggunaan bersama fitur spasial dan temporal. 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). Artefak pada elektroensefalogram dapat memengaruhi klasifikasi EEG terintegrasi amplitudo: analisis kualitatif pada ensefalopati neonatal. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Klasifikasi otomatis komponen ICA berartefak untuk penghapusan artefak dalam sinyal EEG. 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). Deteksi dan klasifikasi artefak yang dihasilkan subjek dalam sinyal EEG menggunakan model autoregresif. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

Pertanyaan yang Sering Diajukan

Apa saja dua kategori utama artefak EEG, dan bagaimana perbedaannya?

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

Bagaimana Anda bisa mengenali artefak kedipan mata pada pelacakan EEG?

Kedipan mata muncul sebagai gelombang lambat yang besar dan positif yang paling kuat 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 amplitudo tinggi yang khas yang mudah dikenali dengan latihan.

Mengapa aktivitas otot bisa sangat bermasalah bagi antarmuka otak-komputer?

Artefak otot dari rahang yang mengatup, dahi yang mengernyit, atau ketegangan leher menghasilkan gangguan spiky frekuensi tinggi yang sering kali tumpang tindih dengan pita gelombang otak beta dan gamma di mana ukuran 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 merepotkan untuk dikelola.

Seperti apa rupa artefak gangguan jala-jala listrik, dan apa penyebabnya?

Gangguan jala-jala listrik muncul sebagai "dengung" gelombang sinus yang berkelanjutan dan ritmis yang ditumpangkan pada setiap saluran EEG, biasanya pada 50 atau 60 Hz tergantung pada pasokan listrik wilayah tersebut. Ini timbul dari kopling kapasitif sumber daya ke dalam pengaturan perekaman karena impedansi elektroda yang buruk, pelindung yang tidak memadai, atau masalah grounding, dan ini jelas merupakan artefak teknis, bukan sinyal saraf.

Mengapa anotasi manual dari artefak selama perekaman itu penting?

Membuat log berjalan dari gerakan kasar, batuk, atau penyesuaian elektroda selama sesi membantu mempersempit segmen data yang buruk di kemudian hari dan mengubah tebakan menjadi dokumentasi yang dapat direproduksi. Anotasi manual ini juga mencerminkan pelabelan ahli yang digunakan untuk melatih pengklasifikasi otomatis, memberikan kebenaran dasar yang meningkatkan keandalan pembersihan manual dan komputasi.

Apa tujuan dari menginterpolasi saluran EEG yang terus-menerus bising?

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

Bagaimana analisis komponen independen (ICA) membantu penghapusan artefak?

ICA mendekomposisi sinyal EEG campuran menjadi komponen sumber yang independen secara statistik, memisahkan kedipan mata, aktivitas otot, dan artefak lainnya berdasarkan pola spasial dan temporal mereka yang unik. Setelah diidentifikasi, komponen artefak—seperti komponen dengan proyeksi frontal yang cocok dengan kedipan—dapat dikurangi, membiarkan sinyal saraf yang mendasarinya sebagian besar utuh dan menangani beberapa sumber artefak simultan secara lebih efektif daripada metode regresi sederhana.

Apa risiko bersikap terlalu agresif dengan penghapusan artefak otomatis?

Penolakan yang agresif dapat secara tidak sengaja menghilangkan informasi saraf yang sebenarnya, karena beberapa komponen membawa varians artefak sekaligus aktivitas otak yang berguna. Bahkan jika pengklasifikasi otomatis menandai banyak komponen, tinjauan manual tentang komponen mana yang akan dihapus sangat disarankan untuk memastikan bahwa ambang penolakan tidak menghilangkan sinyal yang esensial untuk memecahkan kode niat pengguna atau mendeteksi biomarker kognitif.

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

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