Elektroensefalogram menangkap aktivitas listrik yang dihasilkan oleh neuron melalui elektroda yang ditempatkan di kulit kepala. Namun sinyal yang benar-benar mencapai elektroda tersebut jarang sekali bersih.
Di balik semua kebisingan tersebut, sinyal saraf sebenarnya yang dipedulikan oleh para peneliti sering kali kecil dan mudah terkubur. Pemrosesan sinyal adalah disiplin ilmu penting yang memungkinkan penerjemahan data fisik ke dalam format yang dapat ditafsirkan untuk analisis dan teknologi modern.
Apa itu Pemrosesan Sinyal?
Disiplin pemrosesan sinyal mencakup transformasi, analisis, dan interpretasi peristiwa fisik sebagai data yang dapat diukur. Dengan menerapkan kerangka kerja matematika untuk menangkap deretan data, peneliti dapat secara efektif menyaring gangguan lingkungan dan fokus pada parameter yang paling diminati.
Metodologi ini sangat penting bagi penyelidikan ilmiah modern di berbagai bidang, termasuk studi tentang fungsi biologis manusia yang kompleks.
Cara Mendefinisikan Pemrosesan Sinyal Digital
Pemrosesan sinyal digital mewakili penerapan komputasi waktu diskrit pada sinyal yang telah dikonversi dari kondisi analog aslinya.
Penyempurnaan ini terjadi melalui penggunaan algoritma dan prosesor khusus yang dirancang untuk mengelola beban komputasi secara efisien. Para ilmuwan menggunakan pendekatan ini untuk mengisolasi sinyal biologis, yang sangat penting untuk bidang-bidang yang melibatkan neurosains di mana integritas data sangat penting untuk akurasi penelitian.
Tujuan Utama Pemrosesan Sinyal
Pada puncak kegunaannya, pemrosesan sinyal berupaya mengekstrak informasi bermakna dalam jumlah maksimum dari data yang diukur sekaligus meminimalkan dampak noise. Dengan mengoptimalkan rasio sinyal-terhadap-noise, peneliti memulihkan titik data tepercaya yang jika tidak dilakukan akan menjadi kabur.
Tujuan ini mendorong pengembangan alat diagnostik canggih yang digunakan dalam praktik EEG modern.
Jenis-Jenis Pemrosesan Sinyal
Pemrosesan sinyal dikategorikan secara luas berdasarkan sifat sinyal input dan metodologi yang diterapkan untuk manipulasinya. Dunia fisik eksis dalam kondisi yang berkelanjutan, sementara perangkat elektronik sering kali mengandalkan potongan data yang dikuantisasi untuk melakukan operasi.
Membedakan kategori-kategori ini sangat mendasar untuk memilih lensa matematika yang tepat bagi setiap pengaturan eksperimental yang diberikan.
Pemrosesan Sinyal Analog vs. Digital
Sistem analog memanipulasi bentuk gelombang listrik yang berkelanjutan secara langsung melalui komponen sirkuit, mempertahankan tingkat fidelitas yang tinggi tanpa beban kuantisasi. Meskipun sistem analog menawarkan respons instan, sistem tersebut tidak memiliki fleksibilitas dan karakteristik kemampuan pemrograman dari arsitektur digital.
Seiring dengan transisi protokol sistem 10-20 standar, pemrosesan digital telah menjadi standar utama untuk mempertahankan data yang sebanding di berbagai pengaturan penelitian.
Apa Itu Pemrosesan Sinyal Digital? Sistem Linear vs. Non-Linear
Pemrosesan sinyal digital menggunakan algoritma untuk menyempurnakan data ke dalam format yang sesuai untuk pemodelan komputasi, menawarkan lingkungan terkendali untuk penyesuaian sinyal.
Memahami apakah suatu sistem berperilaku secara linear sangat penting untuk memprediksi bagaimana output akan merespons input yang bervariasi, karena prinsip superposisi hanya berlaku untuk operasi linear. Sebaliknya, sistem non-linear memperkenalkan transformasi kompleks yang dapat menangkap dinamika halus yang sering diabaikan oleh model yang lebih sederhana.
Jenis Sistem | Hubungan Input-Output | Karakteristik Utama |
|---|---|---|
Linear | Proporsionalitas Konstan | Prinsip superposisi berlaku |
Non-Linear | Dinamika Variabel | Generasi harmonik orde tinggi |
Invarian-Waktu | Respons Struktural Tetap | Stabilitas temporal dari parameter |
Dengan mengarakterisasi perilaku ini, teknisi memastikan bahwa model matematika secara akurat mencerminkan dinamika aktual dari sinyal input sebelum menerapkan filter diagnostik.
Konsep dan Teknik Utama dalam Pemrosesan Sinyal
Penguasaan teknis di bidang ini memerlukan pemahaman mendalam tentang persiapan data dan penerjemahan matematika. Setiap langkah dalam saluran pemrosesan secara sengaja menurunkan atau meningkatkan komponen sinyal tertentu untuk mempersiapkan output akhir bagi interpretasi manusia atau algoritma pembelajaran mesin.
Penyampelan dan Kuantisasi
Penyampelan melibatkan penangkapan titik data pada interval tertentu yang membentuk dasar untuk representasi diskrit. Kuantisasi mengikuti langkah ini, memetakan titik-titik waktu diskrit tersebut ke nilai numerik spesifik yang mewakili amplitudo sinyal.
Jika langkah-langkah ini tidak dikalibrasi secara tepat, aliasing dapat terjadi, yang menyebabkan distorsi signifikan pada bentuk gelombang yang dianalisis.
Penyaringan (Filtering)
Penyaringan memainkan peran penting dalam menghilangkan komponen frekuensi yang tidak diinginkan yang bukan milik sinyal yang dituju. Tergantung pada persyaratan band-pass, filter dapat menghilangkan noise otot frekuensi tinggi atau hanyutan frekuensi rendah secara bedah.
Proses ini pada dasarnya mengisolasi aktivitas saraf yang diminati dari gangguan latar belakang lingkungan yang lebih luas, menghasilkan pelacakan visual yang lebih bersih.
Transformasi (misalnya, Transformasi Fourier)
Transformasi menggeser data di antara domain yang berbeda untuk mengungkap struktur periodik yang tersembunyi di dalam noise temporal. Metode umum yang digunakan dalam proses ini meliputi:
Transformasi Fourier untuk mengurai sinyal menjadi komponen frekuensi penyusunnya.
Analisis Wavelet untuk melokalisasi peristiwa transien dalam waktu dan frekuensi secara bersamaan.
Transformasi Hilbert untuk menentukan amplop instan dan frekuensi sinyal kompleks.
Transformasi-Z untuk mempelajari sistem waktu diskrit dan stabilitas.
Peta matematika ini memungkinkan para insinyur untuk memvisualisasikan data dari perspektif yang mengidentifikasi patologi atau pola tertentu yang tetap tidak terlihat sama sekali dalam representasi domain waktu standar.
Apa Itu Alur Pemrosesan Awal EEG?
Alur pemrosesan awal (preprocessing pipeline) hanyalah urutan standar operasi yang diterapkan pada data EEG mentah yang berkelanjutan sebelum analisis dimulai. Meskipun urutan pasti dan metode spesifik bervariasi antara laboratorium dan paket perangkat lunak, sebagian besar alur berbagi inti yang sama:
Menyaring frekuensi yang tidak diinginkan
Mereferensikan kembali sinyal ke garis dasar listrik yang netral
Mengidentifikasi dan menangani artefak
Mengiris rekaman berkelanjutan menjadi segmen-segmen pendek yang terkait dengan peristiwa tertentu, sebuah proses yang disebut epoching
Urusannya kurang penting dibandingkan kenyataan bahwa setiap keputusan tunggal dalam rangkaian ini dapat mengubah hasil akhir. Sebuah studi tolok ukur tahun 2020 yang dipimpin oleh Robbins dkk. menemukan bahwa bahkan studi yang mengeklaim mengikuti pedoman praktik terbaik yang mapan menunjukkan variasi substansial dalam bagaimana pedoman tersebut benar-benar diterapkan dalam kode.
Demikian pula, sebuah studi tahun 2021 oleh Bertazzoli dkk. menunjukkan bahwa dalam penelitian stimulasi magnetik transkranial yang digabungkan dengan EEG (TMS-EEG), pilihan alur pemrosesan awal memiliki efek nyata pada bentuk gelombang respons otak yang dihasilkan, dan bahkan mengubah seberapa andal hasil tersebut ketika subjek yang sama diuji dua kali.
Penyaringan: Cara Mengisolasi Sinyal Otak yang Sebenarnya
EEG mentah mengandung dua kategori luas konten frekuensi yang tidak diinginkan.
Pada ujung yang lambat, hanyutan tegangan merayap ke dalam sinyal akibat penumpukan keringat di bawah elektroda atau dari elektroda itu sendiri yang sedikit bergeser terhadap kulit kepala. Pada ujung yang cepat, ketegangan otot dan gangguan listrik dari peralatan terdekat memperkenalkan noise frekuensi tinggi yang tidak ada hubungannya dengan penembakan neuron.
Penyaringan bekerja dengan menghilangkan rentang frekuensi ini, hanya mempertahankan pita di mana sinyal asli yang dihasilkan otak paling kuat.
Langkah paling dasar dan paling banyak diterapkan adalah penyaringan high-pass, yang menghilangkan hanyutan lambat di bawah kira-kira 0.5 hingga 1 Hz. Tergantung pada jenis analisis, peneliti juga dapat menerapkan filter low-pass atau menggabungkan keduanya menjadi filter band-pass, yang biasanya membatasi data pada rentang 1 hingga 40 Hz saat mempelajari potensi terkait peristiwa (ERP), respons tegangan karakteristik otak terhadap rangsangan tertentu.
Apa yang membuat penyaringan sangat menonjol adalah konsistensi bantuannya. Pada tahun 2023, Arnoud Delorme menguji berbagai koreksi pemrosesan awal otomatis dan menemukan bahwa sebagian besar tidak memiliki efek terukur atau secara aktif menurunkan kualitas data. Penyaringan high-pass adalah satu dari hanya dua langkah yang secara andal meningkatkan hasil secara keseluruhan.
Para peneliti dari Harvard juga memperlakukan penyaringan sebagai komponen dasar yang tidak dapat ditawar dalam alur HAPPE mereka untuk data perkembangan dengan artefak tinggi. Singkatnya, penyaringan mendekati pilihan standar yang aman. Hal yang sama tidak dapat dikatakan untuk setiap langkah berikutnya.
Re-referencing: Menetapkan Titik Nol Listrik
EEG tidak pernah mengukur tegangan absolut. Ini mengukur perbedaan antara dua titik, yaitu elektroda aktif dan titik referensi.
Rekaman mentah biasanya disimpan relatif terhadap elektroda referensi apa pun yang secara fisik digunakan selama pengumpulan, sering kali berupa situs tunggal seperti tulang mastoid di belakang telinga atau elektroda Cz di bagian atas kepala, posisi yang ditentukan oleh Sistem 10-20 yang digunakan untuk menstandarisasi penempatan elektroda. Titik referensi asli tersebut agak sewenang-wenang, sehingga re-referencing menghitung ulang tegangan setiap saluran secara matematis relatif terhadap titik baru yang secara teoritis lebih netral, seperti rata-rata dari semua elektroda atau sinyal gabungan dari kedua mastoid.
Pentingnya re-referencing berasal dari konduksi volume, yang menyebabkan aktivitas listrik otak menyebar melalui jaringan dan cairan di sekitarnya, memastikan bahwa satu peristiwa saraf terdaftar di hampir setiap elektroda kulit kepala. Karena penyebaran ini, mengubah titik referensi dapat mengubah bentuk semu, amplitudo, dan bahkan signifikansi statistik dari aktivitas yang direkam, meskipun tidak ada aktivitas otak yang mendasarinya yang berubah.
Ini adalah konsep inti yang mendasari pilihan desain di balik montase EEG, termasuk pendekatan seperti Referensi Rata-Rata Umum (Common Average Reference) atau Montase Referensial, yang masing-masing membingkai sinyal otak mendasar yang sama secara berbeda.
Deteksi dan Interpolasi Saluran Buruk
Di seluruh rekaman multi-elektroda, beberapa saluran pasti akan menghasilkan sinyal yang buruk. Saluran mungkin menjadi datar karena koneksi yang longgar, atau mungkin menjadi sangat bising karena kontak kulit kepala yang buruk. Jika dibiarkan tanpa koreksi, saluran-saluran buruk ini dapat mendistorsi analisis yang bergantung pada pembandingan pola sinyal di seluruh kulit kepala.
Perbaikan standar melibatkan pengidentifikasian saluran-saluran bermasalah ini, menghapusnya untuk sementara dari kumpulan data, dan kemudian merekonstruksi data mereka yang hilang melalui interpolasi, pada dasarnya memperkirakan apa yang kemungkinan direkam oleh elektroda tersebut berdasarkan aktivitas dari tetangga-tetangganya yang sehat. Ini memulihkan peta kulit kepala yang lengkap untuk langkah analisis selanjutnya tanpa membiarkan saluran yang terkontaminasi membelokkan hasil.
Ini adalah langkah kedua yang diidentifikasi oleh peneliti Arnaud Delorme sebagai langkah yang konsisten bermanfaat. Di samping penyaringan high-pass, interpolasi saluran buruk adalah salah satu dari satu-satunya koreksi yang diuji yang tidak menurunkan kualitas data.
Dikombinasikan dengan penyaringan, langkah ini membentuk satu konfigurasi alur dalam studi tersebut yang mengungguli penyaringan sederhana saja. Di antara banyak koreksi otomatis yang dievaluasi, pasangan ini menonjol sebagai prosedur yang relatif aman dan berguna.
Masalah Artefak pada EEG Mentah
Di luar masalah tingkat elektroda, rekaman EEG terkontaminasi oleh artefak biologis yang dihasilkan oleh tubuh partisipan itu sendiri:
Kedipan mata menghasilkan deviasi besar pada elektroda frontal
Gerakan mata menciptakan pergeseran tegangan seperti tangga
Aktivitas otot rahang dan dahi memperkenalkan noise frekuensi tinggi
Gerakan tiba-tiba menyebabkan offset tegangan multi-saluran yang mendadak
Tanggapan tradisional terhadap segmen yang terkontaminasi adalah dengan membuangnya begitu saja, menolak uji coba atau jendela waktu apa pun di mana artefak muncul. Ini bekerja cukup baik ketika partisipan duduk diam dan artefak jarang terjadi. Ini menjadi jauh kurang layak pada populasi di mana artefak adalah hal yang biasa daripada pengecualian.
HAPPE menekankan bahwa seiring studi EEG bergerak menuju array elektroda dengan densitas lebih tinggi dan rekaman yang lebih lama, memeriksa dan menolak segmen buruk secara manual dengan tangan menjadi tidak berkelanjutan, dan keputusan penilaian manual memperkenalkan subjektivitasnya sendiri.
Leach dkk. menambahkan ilustrasi konkret tentang taruhan yang terlibat: rekaman EEG pediatrik secara rutin kehilangan banyak data yang dapat digunakan hanya karena artefak gerakan dan kedipan sangat sering terjadi pada anak kecil. Ketika data ini sangat berharga, membuang seluruh uji coba karena satu kedipan adalah solusi yang mahal.
Analisis Komponen Independen (ICA) untuk Penghapusan Artefak
Analisis Komponen Independen, atau ICA, menawarkan alternatif yang lebih bedah daripada penolakan menyeluruh.
Secara konseptual, ICA adalah teknik pemisahan sumber buta. Teknik ini mengambil sinyal campuran yang direkam pada setiap elektroda kulit kepala dan secara matematis mengurainya menjadi masi-masing komponen yang independen secara statistik.
Beberapa dari komponen ini sesuai dengan pola artefak yang dapat dikenali, seperti tanda tanda kedipan mata atau ketegangan otot. Komponen lainnya sesuai dengan pola aktivitas otak. Setelah komponen terkait artefak diidentifikasi, komponen tersebut dapat dihapus dan komponen bersih yang tersisa diproyeksikan kembali ke data saluran, secara ideal mempertahankan sinyal otak asli sekaligus membuang kontaminasi.
Hambatannya adalah memeriksa setiap komponen secara manual untuk memutuskan apakah komponen tersebut mencerminkan kedipan mata atau bagian dari korteks adalah hal yang lambat dan pada dasarnya subjektif. Hal ini memicu munculnya pengklasifikasi otomatis seperti ADJUST, ICLabel, dan MARA, yang dirancang untuk membuat keputusan penilaian tersebut secara algoritmis dan konsisten.
Bukti tentang seberapa baik ini bekerja sangat bervariasi, tidak sepenuhnya positif.
Arnaud Delorme menemukan bahwa penolakan otomatis berbasis ICA terhadap komponen mata dan otot gagal meningkatkan persentase saluran yang signifikan secara statistik dalam data ERP secara andal, yang berarti tidak memberikan peningkatan yang jelas dan dapat diandalkan.
Robbins dkk. membandingkan dua pendekatan berbasis ICA, LARG dan MARA, di 17 studi dan menemukan bahwa meskipun struktur hasil secara keseluruhan terlihat serupa, perbedaan signifikan tetap muncul, terutama dalam fitur spektral frekuensi rendah dan seberapa banyak residu terkait kedipan yang tersisa dalam data yang telah dibersihkan.
Di sisi yang lebih menggembirakan, tim Leach menunjukkan bahwa versi modifikasi dari algoritma ADJUST, yang disetel khusus untuk rekaman jaringan geodesik pediatrik, meningkatkan akurasi klasifikasi dan mempertahankan uji coba yang dapat digunakan lebih banyak dibandingkan dengan algoritma ADJUST asli atau tanpa koreksi ICA sama sekali, dan dalam beberapa ukuran mengungguli ICLabel khusus untuk data pediatrik.
Secara keseluruhan, ICA dapat menjadi alat yang sangat berguna untuk mengisolasi dan menghilangkan artefak, tetapi kinerjanya tidak dijamin. Ini sangat bergantung pada bagaimana algoritma klasifikasi disetel dan pada populasi yang sedang dipelajari.
Rekonstruksi Subruang Artefak (ASR) sebagai Alternatif
Rekonstruksi Subruang Artefak (Artifact Subspace Reconstruction), atau ASR, mengambil rute yang sama sekali berbeda. Alih-alih menguraikan sinyal menjadi komponen independen, ASR bekerja dengan membandingkan data yang masuk terhadap statistik yang diambil dari periode referensi yang bersih, secara otomatis menandai dan merekonstruksi bagian sinyal yang menyimpang terlalu jauh dari garis dasar bersih tersebut.
Tim Robbins membandingkan secara langsung dua variasi ASR terhadap alur berbasis ICA di set 17 studi yang sama. Kesimpulan luasnya menggemakan perbandingan ICA: struktur hasil secara keseluruhan terlihat serupa di berbagai metode, tetapi perbedaan yang berarti tetap muncul, sekali lagi terkonsentrasi pada fitur spektral frekuensi rendah.
Oleh karena itu, ASR adalah alternatif yang sah untuk ICA, alih-alih menjadi pengganti yang sepenuhnya lebih unggul, dan prinsip yang sama berlaku di sini seperti di tempat lain dalam alur ini: metode spesifik yang dipilih membentuk hasil spesifik yang diperoleh.
Haruskah Anda Menolak Segmen EEG yang Buruk?
Anda harus menghindari penolakan seluruh segmen, karena bukti menunjukkan bahwa hilangnya kekuatan statistik yang dihasilkan sering kali lebih besar daripada manfaat penghapusan noise.
Pemberian ambang batas sederhana adalah alat yang tumpul yang secara tidak proporsional membuang data yang dapat digunakan; oleh karena itu, para ahli lebih memilih metode yang lebih bedah seperti interpolasi dan koreksi berbasis komponen.
Epoching: Berkelompok pada Peristiwa yang Diminati
Sebagian besar analisis EEG, baik mengukur ERP atau pola waktu-frekuensi, ditambatkan pada momen tertentu dalam waktu: presentasi stimulus, atau respons partisipan terhadapnya. Epoching adalah langkah yang memotong rekaman panjang dan berkelanjutan menjadi jendela pendek dengan panjang yang sama di sekitar masing-masing peristiwa ini, biasanya mencakup periode singkat sebelum peristiwa itu sendiri yang dikenal sebagai garis dasar (baseline).
Periode garis dasar pra-peristiwa tersebut memainkan peran koreksi, membantu memperhitungkan pergeseran tegangan lambat yang jika tidak dilakukan mungkin salah diartikan sebagai respons asli terhadap stimulus. Namun langkah koreksi ini tidak kebal terhadap kehati-hatian yang sama yang berlaku untuk re-referencing.
Studi yang disebutkan sebelumnya oleh Arnaud Delorme menemukan bahwa metode penghapusan garis dasar tingkat lanjut secara signifikan menurunkan kinerja dalam hal signifikansi ERP. Pendekatan yang lebih aman, berdasarkan bukti ini, adalah koreksi garis dasar yang lebih sederhana, biasanya hanya mengurangkan tegangan rata-rata yang diukur selama jendela pra-stimulus, daripada menggunakan skema koreksi yang lebih rumit.
Mengapa Pilihan Alur Mengubah Hasil Anda
Bila diletakkan berdampingan, studi komparatif yang ditinjau di sini membuat satu hal menjadi sangat jelas: alur pemrosesan awal tidak dapat dipertukarkan, bahkan ketika alur tersebut diambil dari toolkit metode umum yang sama.
Misalnya, studi Delorme menemukan bahwa dari semua variasi alur yang diuji di platform perangkat lunak EEG terkemuka, EEGLAB, FieldTrip, MNE, dan Brainstorm, hanya satu konfigurasi, yang menggabungkan penyaringan high-pass dengan interpolasi saluran buruk, yang secara signifikan mengungguli penyaringan high-pass sederhana itu sendiri. Banyak langkah umum lainnya yang digunakan secara aktif mengurangi kualitas data, alih-alih meningkatkannya.
Sementara itu, tim Bertazzoli menemukan bahwa dalam penelitian TMS-EEG secara spesifik, amplitudo bentuk gelombang dan daya medan rata-rata global sangat bervariasi di empat alur berbeda yang diterapkan pada kumpulan data yang identik. Pola topografi berkorelasi kuat di seluruh alur hanya pada latensi di luar 100 milidetik setelah stimulus; pada latensi yang lebih awal, nilai korelasi berkisar luas, dari 0.2 hingga 0.9, tergantung pada alur mana yang digunakan. Keandalan tes-retes itu sendiri bergantung pada pendekatan pemrosesan awal mana yang dipilih.
Terakhir, studi Harvard menunjukkan pola yang lebih menggembirakan untuk kasus tertentu: alur otomatis yang dibangun untuk data perkembangan dengan artefak tinggi, seperti HAPPE, mengungguli tujuh pendekatan pemrosesan alternatif yang digunakan secara luas, menghilangkan lebih banyak konten artefak sekaligus secara bersamaan mempertahankan jumlah sinyal EEG asli yang sama atau lebih besar di hampir setiap perbandingan.
Benang merah yang berjalan melalui studi-studi ini adalah bahwa tidak ada satu pun konfigurasi alur yang optimal secara universal di setiap kumpulan data, populasi, atau pertanyaan penelitian. Memahami alasan di balik setiap tahap, alih-alih menghafal resep yang tetap, adalah hal yang memungkinkan seorang peneliti membuat pilihan yang sengaja dan dapat dipertahankan, serta mengenali kapan suatu alur tertentu mungkin kurang cocok untuk data spesifik mereka.
Mengapa Keputusan Pemrosesan Awal Membentuk Apa yang Anda Lihat dalam Data EEG
Rekaman otak mentah tiba dalam keadaan berantakan dengan kedipan, noise otot, dan dengungan listrik yang dapat dengan mudah mengubur sinyal yang lebih tenang yang ingin dipelajari oleh para peneliti. Membersihkan data ini bukanlah langkah pembersihan yang netral—jalur tepat yang Anda ikuti dari penyaringan hingga koreksi artefak dapat secara signifikan mengubah gambaran akhir aktivitas otak. Bukti menunjukkan bahwa hanya segelintir langkah, seperti penyaringan high-pass dan penambalan saluran yang rusak, yang secara andal mengungkapkan pola saraf yang lebih jelas, sementara banyak langkah umum dapat melemahkan hasil yang Anda kejar secara tidak terduga.
Oleh karena itu, memperhatikan apa yang dilakukan oleh setiap pilihan pemrosesan awal jauh lebih kuat daripada mengikuti resep satu ukuran untuk semua. Karena berbagai metode yang masuk akal dapat mengarahkan studi ke arah yang berbeda, melaporkan proses Anda secara terbuka menjadi sama pentingnya dengan data itu sendiri.
Menyetel pendekatan Anda agar sesuai dengan kelompok spesifik yang sedang Anda tangani, baik orang dewasa yang duduk diam atau anak yang bergerak, sering kali mengungguli penggunaan alat serbaguna tanpa penyesuaian. Membangun alur yang bijaksana dan transparan semacam itu memungkinkan Anda beralih dari memercayai standar perangkat lunak ke benar-benar memahami apa yang coba disampaikan oleh sinyal Anda kepada Anda.
Referensi
Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). Seberapa sensitif hasil EEG terhadap metode pemrosesan awal: studi tolok ukur. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223
Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). Dampak pendekatan penghapusan artefak pada sinyal TMS–EEG. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272
Delorme A. (2023). EEG lebih baik dibiarkan sendiri. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): perangkat lunak pemrosesan standar untuk data perkembangan dan ber-artefak tinggi. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097
Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Menyesuaikan ADJUST: Mengoptimalkan algoritma ADJUST untuk data pediatrik menggunakan jaringan geodesik. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566
Pertanyaan yang Sering Diajukan
Bagaimana pemrosesan sinyal berbeda dari analisis data standar?
Pemrosesan sinyal berfokus secara khusus pada dinamika temporal dan frekuensi dari input berkelanjutan, sedangkan analisis data umum sering kali berurusan dengan variabel statis atau independen.
Dapatkah pemrosesan sinyal menghilangkan semua bentuk noise dari sinyal?
Meskipun penyaringan dapat meningkatkan kejelasan sinyal secara signifikan, penghapusan noise yang sempurna biasanya tidak mungkin dilakukan karena tumpang tindih yang tidak terduga antara sinyal dan gangguan lingkungan.
Mengapa kecepatan penyampelan penting dalam sistem digital?
Kecepatan penyampelan menentukan frekuensi maksimum yang dapat direpresentasikan secara akurat oleh sistem, yang sangat penting untuk menangkap indikator saraf frekuensi tinggi tanpa distorsi.
Apa tujuan dari transformasi seperti Transformasi Fourier?
Transformasi digunakan untuk mengubah data dari domain waktu, di mana urutan itu penting, ke domain frekuensi, di mana frekuensi komponen individu ditekankan.
Bagaimana sistem linear dan non-linear memengaruhi presisi output?
Sistem linear menawarkan respons proporsional yang dapat diprediksi, sementara sistem non-linear memberikan kemampuan kompleks yang mengungkap dinamika tersembunyi dengan mengorbankan prediksi yang lebih sederhana.
Mengapa data EEG mentah memerlukan pemrosesan awal sebelum analisis?
Rekaman EEG mentah tidak hanya berisi aktivitas otak tetapi juga gangguan dari kedipan mata, ketegangan otot, noise listrik, dan hanyutan elektroda. Pemrosesan awal mengisolasi sinyal saraf asli dengan menghilangkan artefak-artefak ini, membuat data dapat diinterpretasikan dan digunakan untuk studi ilmiah.
Apa satu langkah pemrosesan awal yang hampir selalu membantu?
Penyaringan high-pass, yang menghilangkan hanyutan tegangan lambat dari keringat atau gerakan elektroda, secara konsisten bermanfaat. Di berbagai studi, langkah ini adalah salah satu dari sedikit langkah yang secara andal meningkatkan kualitas data ketika diterapkan di awal alur.
Apa yang dilakukan re-referencing pada sinyal EEG?
Re-referencing menghitung ulang tegangan setiap saluran secara matematis relatif terhadap titik netral baru, seperti rata-rata dari semua elektroda, bukan referensi rekaman asli. Karena EEG mengukur perbedaan tegangan, pilihan ini dapat membentuk kembali amplitudo semu dan bahkan signifikansi statistik dari respons otak.
Mengapa saluran buruk dideteksi dan bagaimana cara memperbaikinya?
Beberapa elektroda pasti kehilangan kontak yang baik atau menjadi sangat bising, mendistorsi analisis di seluruh kulit kepala. Setelah mengidentifikasi saluran-saluran buruk ini, interpolasi merekonstruksi sinyal mereka dengan memperkirakan apa yang akan mereka rekam berdasarkan aktivitas elektroda sehat di sekitarnya.
Untuk apa Analisis Komponen Independen (ICA) digunakan dalam EEG?
ICA adalah teknik yang secara matematis menyortir sinyal campuran ke dalam komponen independen, beberapa di antaranya sesuai dengan artefak seperti kedipan mata atau noise otot. Setelah komponen terkait artefak diidentifikasi dan dihapus, komponen bersih yang tersisa dapat diproyeksikan kembali ke data saluran untuk mempertahankan aktivitas otak yang asli.
Bagaimana Rekonstruksi Subruang Artefak (ASR) berbeda dari ICA?
ASR mengidentifikasi dan mengoreksi segmen bising dengan membandingkan data yang masuk dengan periode referensi yang bersih, secara otomatis menandai bagian yang menyimpang terlalu jauh dari garis dasar tersebut. Tidak seperti ICA, metode ini tidak menguraikan sinyal menjadi komponen-komponen, melainkan membangun kembali bagian yang terkontaminasi berdasarkan statistik data yang bersih.
Mengapa Anda tidak boleh membuang begitu saja setiap segmen yang mengandung noise?
Menolak uji coba bising secara tumpul sering kali membuang sejumlah besar data yang dapat digunakan, mengurangi kekuatan statistik dan berpotensi melemahkan hasil. Karena data berharga hilang, metode seperti interpolasi atau koreksi berbasis komponen umumnya lebih disukai, terutama ketika waktu perekaman terbatas.
Apa itu epoching dan mengapa itu menyertakan garis dasar pra-peristiwa?
Epoching memotong rekaman berkelanjutan menjadi jendela waktu pendek yang diselaraskan dengan peristiwa tertentu, seperti stimulus, untuk menganalisis respons otak. Periode garis dasar pra-peristiwa memberikan tingkat tegangan referensi, sehingga hanyutan lambat tidak disalahartikan sebagai respons terhadap stimulus.
Apakah alur pemrosesan awal yang spesifik benar-benar mengubah hasil akhir?
Ya, pilihan alur yang berbeda—secara instan seperti penyaringan, skema referensi, atau metode koreksi artefak—dapat mengubah bentuk gelombang, signifikansi, dan bahkan keandalan tes-retes. Tidak ada satu pun alur yang berfungsi paling baik untuk semua situasi, sehingga peneliti harus memahami dampak setiap langkah daripada mengikuti resep default secara buta.
Emotiv adalah pemimpin neuroteknologi yang membantu memajukan penelitian neurosains melalui alat EEG dan data otak yang mudah diakses.
Christian Burgos
