脳波（脳電図）は、頭皮上に配置された電極を通じてニューロンから生成される電気活動を捉えます。しかし、実際にそれらの電極に到達する信号がクリーンであることは滅多にありません。
その膨大なノイズの下にある、研究者が重要視する実際の神経信号は、往々にして微小であり、容易に埋もれてしまいます。信号処理は、物理データを現代の分析や技術に役立つ解釈可能な形式へと変換することを可能にする、不可欠な科学的分野です。
信号処理とは？
信号処理学は、物理的な事象を測定可能なデータとして変換、分析、解釈することを含みます。データストリングを取得するための数学的枠組みを適用することで、研究者は周囲の干渉を効果的にフィルタリングし、主な関心のあるパラメータに焦点を当てることができます。
この手法は、複雑な人間の生物学的機能の研究を含む、多様な分野における現代の科学的研究の中心となっています。
デジタル信号処理の定義方法
デジタル信号処理は、元の不連続なアナログ状態から変換された信号に対して離散時間計算を適用することを表します。
この改良は、計算負荷を効率的に管理するように設計された特定のアルゴリズムとプロセッサを使用することによって行われます。科学者はこのアプローチを利用して生物学的信号を分離します。これは、データの完全性が研究の正確性にとって最も重要である神経科学を含む分野において極めて重要です。
信号処理の核心的な目標
信号処理の有用性の頂点においては、ノイズの影響を最小限に抑えながら、測定されたデータから最大限の有意義な情報を抽出することを目指します。信号対雑音比を最適化することにより、研究者は、最適化しなければ隠れてしまうような信頼性の高いデータポイントを回収します。
この目的が、現代のEEGの実践で使用される高度な診断ツールの開発を推進しています。
信号処理の種類
信号処理は、入力信号の性質と、その操作に適用される方法論に基づいて広く分類されます。物理世界は連続した状態で存在しますが、電子機器は演算を実行するために量子化されたデータの塊に依存することがよくあります。
これらのカテゴリを区別することは、特定の実験セットアップに適した数学的な視点を選択するために不可欠です。
アナログ信号処理 vs. デジタル信号処理
アナログシステムは、回路コンポーネントを通じて連続的な電気波形を直接操作し、量子化のオーバーヘッドなしに高い忠実度を維持します。アナログシステムは瞬時の応答を提供しますが、デジタルアーキテクチャの特徴である柔軟性やプログラミング可能性を欠いています。
標準的な10-20法プロトコルが移行するにつれて、さまざまな研究環境で比較可能なデータを維持するための主要な基準として、デジタル処理が主流になりました。
デジタル信号処理とは？線形システム vs. 非線形システム
デジタル信号処理は、計算モデリングに適した形式にデータを洗練するためのアルゴリズムを採用し、信号調整のための制御された環境を提供します。
出力が変化する入力に対してどのように応答するかを予測するためには、重ね合わせの原理が線形演算にのみ当てはまるため、システムが線形に動作するかどうかを理解することが重要です。逆に、非線形システムは、より単純なモデルでは無視されがちな微妙なダイナミクスを捉えることができる複雑な変換を導入します。
システムタイプ | 入出力関係 | 主な特徴 |
|---|---|---|
線形 | 一定の比例関係 | 重ね合わせの原理が適用される |
非線形 | 可変なダイナミクス | 高次の高調波発生 |
時不変 | 固定された構造的応答 | パラメータの時間的安定性 |
これらの動作を特徴付けることにより、技術者は診断フィルターを適用する前に、数学モデルが入力量の実際のダイナミクスを正確に反映していることを確認します。
信号処理における主要な概念と技術
この分野における技術的な習熟には、データの準備と数学的な変換に関する深い理解が必要です。処理パイプラインの各ステップは、人間の解釈や機械学習アルゴリズムのための最終出力を準備するために、特定の信号コンポーネントを意図的に減衰または強化します。
サンプリングと量子化
サンプリングとは、特定の時間間隔でデータポイントをキャプチャし、離散的な表現の基礎を形成することです。量子化はこのステップに続き、それらの離散的な時間ポイントを、信号の振幅を表す特定の数値にマッピングします。
これらのステップが正確に調整されていないと、エイリアシングが発生し、分析された波形に重大な歪みが生じる可能性があります。
フィルタリング
フィルタリングは、目的の信号に属さない不要な周波数成分を除去するという重要な役割を果たします。バンドパスの要件に応じて、フィルターは高周波の筋肉ノイズや低周波のドリフトを外科的に除去する場合があります。
このプロセスは、基本的には広範な環境背景の干渉から関心のある神経活動を分離し、よりクリアな視覚的トレースをもたらします。
変換（例：フーリエ変換）
変換は、データを異なるドメイン間でシフトさせ、時間的なノイズの中に隠された周期的な構造を明らかにします。このプロセスで採用される一般的な方法には、以下のものがあります。
信号をその構成周波数成分に分解するためのフーリエ変換。
時間と周波数の両方で同時に一時的なイベントをローカライズするためのウェーブレット解析。
複雑な信号の瞬時エンベロープと周波数を決定するためのヒルベルト変換。
離散時間システムと安定性を研究するためのZ変換。
これらの数学的な写像により、技術者は、標準的な時間領域の表現では完全に不可視のままである特定の病理やパターンを特定する観点からデータを視覚化できます。
EEG前処理パイプラインとは何か？
前処理パイプラインとは、分析を開始する前に、連続する生のEEGデータに適用される一連の標準化された操作手順にすぎません。正確な順序と特定の方法は研究室やソフトウェアパッケージによって異なりますが、ほとんどのパイプラインは共通のバックボーンを共有しています。
不要な周波数のフィルタリング
信号をニュートラルな電気的基準値に再参照する
アーティファクトの特定と処理
エポック化と呼ばれる、連続した記録を特定のイベントに紐づいた短いセグメントにスライスするプロセス
この連鎖における個々の決定が出発点から最終結果を変え得るという事実に比べれば、順序の重要性は低くなります。Robbinsらによる2020年のベンチマーク研究では、確立されたベストプラクティスのガイドラインに従っていると主張する研究であっても、それらのガイドラインが実際にコード内でどのように実装されているかにはかなりのばらつきがあることがわかりました。
同様に、Bertazzoliらによる2021年の研究では、経頭蓋磁気刺激とEEGの結合（TMS-EEG）研究において、前処理パイプラインの選択が結果として得られる脳反応波形に顕著な影響を与え、同じ被験者を2回テストした際のそれらの結果の信頼性さえも変化させることが示されました。
フィルタリング：本物の脳信号を分離する方法
生のEEGには、不要な周波数コンテンツの2つの広範なカテゴリが含まれています。
低周波側では、電極の下に溜まった汗や、電極自体が頭皮に対してわずかにずれることによって、電圧のドリフトが信号に入り込みます。高周波側では、筋肉の緊張や骨格筋、近くの機器からの電気的干渉により、ニューロンの発火とは無関係な高周波ノイズが導入されます。
フィルタリングは、これらの周波数帯域を除去し、本物の脳由来の信号が最も強い帯域のみを維持することによって機能します。
最も基本的かつ広く適用されているステップは、約0.5〜1 Hz未満の緩やかなドリフトを除去するハイパスフィルタリングです。分析のタイプに応じて、研究者はローパスフィルターを適用するか、または両方を組み合わせてバンドパスフィルターにし、特定の刺激に対する脳の特徴的な電圧応答であるイベント関連電位（ERP）を研究する際、一般的にデータを1〜40 Hzの範囲に制限します。
フィルタリングが特に注目に値するのは、それがどれほど一貫して役立つかという点です。2023年、Arnoud Delormeは幅広い自動前処理補正をテストし、そのほとんどが測定可能な効果をもたらさないか、あるいは積極的にデータ品質を低下させることを発見しました。ハイパスフィルタリングは、全面的に結果を確実に改善したわずか2つのステップのうちの1つでした。
ハーバード大学の研究者も同様に、高アーティファクト発達データ向けのHAPPEパイプラインの基礎的で妥協のない構成要素としてフィルタリングを扱っています。要するに、フィルタリングは安全なデフォルトに近いものです。それに続くすべてのステップについて同じことが言えるわけではありません。
再参照：電気的ゼロ点の設定
EEGは絶対電圧を測定することはありません。それは活動電極と参照点の2点間の差を測定します。
生の記録は通常、収集時に物理的に使用された参照電極（多くの場合、耳の後ろの乳様突起や頭頂部のCz電極など、電極配置を標準化するために使用される10-20法で定義された単一の部位）に対して相対的に保存されます。その元の参照点はやや恣意的なものであるため、再参照は、すべての電極の平均値や両方の乳様突起からの結合信号など、新しく理論的により中立な点に対して各チャネルの電圧を数学的に再計算します。
再参照の重要性は、脳の電気活動が周囲の組織や液体を介して拡散する体積伝導に起因しており、それにより単一の神経イベントがほぼすべての頭皮電極にわたって記録されるようになります。この広がりのため、参照点を変更すると、測定された活動の見かけの形状、振幅、さらには統計的有意性までも変化する可能性があります。基礎となる脳活動自体には何も変化がないにもかかわらずです。
これは、一般平均参照（Common Average Reference）や参照モンタージュ（Referential Montage）などのアプローチを含む、EEGモンタージュの設計選択の根底にある核心的な概念であり、それぞれが同じ基礎となる脳信号を異なる形で捉えます。
不良チャネルの検出と補間
マルチ電極記録においては、いくつかのチャネルが必然的に不十分な信号を生成します。接触不良によりフラットなチャネルが発生したり、頭皮との接触が不十分なために過度にノイズが多くなったりすることがあります。修正されずに放置されると、これらの不良チャネルは頭皮全体の信号パターンの比較に依存する分析を歪める可能性があります。
標準的な修正方法は、これらの問題チャネルを特定し、データセットから一時的にそれらを除去した上で、補間（基本的には隣接する正常な電極の活動に基づいてその電極が記録したであろう内容を推定する）を通じて不足しているデータを再構築することです。これにより、汚染されたチャネルが結果を歪めることなく、その後の分析ステップのために完全な頭皮マップが復元されます。
これは、Arnaud Delormeの研究者が一貫して有益であると特定した2番目のステップです。ハイパスフィルタリングと並んで、不良チャネルの補間は、テストされた修正の中でデータ品質を低下させなかった数少ない修正の1つでした。
フィルタリングと組み合わせることで、それはその研究において単純なフィルタリング単体を上回る唯一のパイプライン構成を形成しました。評価された多くの自動補正の中で、このペアリングは比較的安全で有用な手順として際立っています。
生のEEGにおけるアーティファクトの問題
電極レベルの問題を超えて、EEG記録は被験者自身の体によって生成される生物学的アーティファクトによって汚染されます。
瞬きは正面の電極で大きな振れを発生させます
眼球運動はステップ状の電圧シフトを生み出します
顎や額の筋肉の活動は高周波ノイズを導入します
突然の動きは突発的なマルチチャネル電圧オフセットを引き起こします
汚染されたセグメントに対する従来の対応は、不要なものを単に捨て、アーティファクトが発生した試行や時間窓を排除することでした。これは被験者が静止しており、アーティファクトがまれである場合には十分に機能します。しかし、アーティファクトが例外ではなく当たり前である集団においては、はるかに実現困難になります。
Happeは、EEG研究が高密度電極アレイや長時間の記録へ移行するにつれ、不良セグメントを手作業で検査して排除することは持続不可能になり、手動による判断は固有の主観性を導入すると強調しています。
Leachらは、関与する利害の具体的な例を指摘しています。幼児は運動や瞬きのアーティファクトが非常に頻繁に発生するため、小児EEG記録では日常的に大量の利用可能なデータが失われています。データがこのように貴重である場合、1回の瞬きのために試行全体を捨てることはコストのかかる解決策です。
アーティファクト除去のための独立成分分析（ICA）
独立成分分析（ICA）は、全面的な破棄に代わる、より外科的な選択肢を提供します。
概念的に、ICAはブラインド信号源分離技術です。これは各頭皮電極で記録された混合信号を受け取り、統計的に独立したコンポーネントのセットに数学的に展開します。
これらのコンポーネントの一部は、瞬きの特徴や筋肉の緊張など、認識可能なアーティファクトのパターンに対応します。他は脳活動のパターンに対応します。アーティファクトに関連するコンポーネントが特定されたら、それらを除去し、残りのクリーンなコンポーネントをチャネルデータに再投影することができ、汚染を破棄しつつ本物の脳信号を維持するのが理想的です。
障害となるのは、各コンポーネントを手作業で検査してそれが瞬きを反映しているのか皮質の一部を反映しているのかを判断するのは遅く、本質的に主観的であるという点です。これにより、ADJUST、ICLabel、MARAなどの自動分類器が開発され、その判断をアルゴリズム的かつ一貫して行えるように設計されました。
これがどれほど効果的に機能するかに関するエビデンスは、一様に肯定的というよりは賛否両論です。
Arnaud Delormeは、自動ICAベースの眼球および筋肉コンポーネントの除去がERPデータにおいて統計的に有意なチャネルの割合を確実に増加させることに失敗したことを発見しました。つまり、明確で信頼性の高い改善をもたらさなかったということです。
Robbinsらは、17件の研究にわたって2つのICAベースのアプローチ（LARGおよびMARA）を比較し、結果の全体的な構造は同様に見えるものの、特に低周波スペクトル特徴やクリーニングされたデータに残された瞬き関連の残留物の量において、依然として重大な差異が生じることを発見しました。
より励みになる点として、Leachのチームは、小児用ジオデシックネット記録用に特別に調整されたADJUSTアルゴリズムの修正版が、オリジナルのADJUSTアルゴリズムやICA補正なしの場合と比較して分類精度を向上させ、より多くの使用可能な試行を維持したことを示し、いくつかの指標では特に小児データにおいてICLabelを上回りました。
総合的に考えると、ICAはアーティファクトを分離して除去するために真に有用なツールになり得ますが、そのパフォーマンスは保証されません。 分類アルゴリズムがどのように調整されているか、および研究対象の集団に大きく依存します。
代替手段としてのアーティファクトサブスペース再構築（ASR）
アーティファクトサブスペース再構築（ASR）は、完全に異なるアプローチを取ります。信号を独立したコンポーネントに分解するのではなく、ASRは入力データをクリーンな基準期間から描かれた統計値と比較し、そのクリーンな基準値から逸脱しすぎている信号の部分を自動的にフラグ付けして再構築することによって機能します。
Robbinsのチームは、同じ17件の研究セットにわたって、ASRの2つのバリエーションをICAベースのパイプラインと直接比較しました。大まかな結論はICAの比較を反映していました。全体的な結果の構造はメソッド間で同様に見えましたが、低周波スペクトル特徴に集中して、依然として意味のある差異が現れました。
したがって、ASRはICAに対する厳密に優れた代替品というよりは、妥当な代替手段であり、このパイプライン内の他の場所と同様にここでも同じ原則が適用されます。選択された特定のメソッドが、得られる具体的な成果を形作ります。
不良なEEGセグメントを排除すべきか？
生じる統計的パワーの損失がノイズ除去のメリットを上回ることが多いため、セグメント全体を破棄することは避けるべきです。
単純な閾値処理は、使用可能なデータを不釣り合いに破棄してしまう粗いツールです。そのため、専門家は補間やコンポーネントベースの補正のような、より外科的な手法を好みます。
エポック化：関心のあるイベントへの焦点化
ERPを測定するにせよ、時間周波数パターンを測定するにせよ、ほとんどのEEG分析は特定の時点（刺激の提示や被験者のそれに対する反応）に固定されています。エポック化は、これらの各イベントを取り囲む、通常は「ベースライン」として知られるイベント前の一瞬の期間を含む、連続した長い記録を同じ長さの短い時間窓にカットするステップです。
そのイベント前のベースライン期間は補正的な役割を果たし、そうでなければ刺激に対する本物の応答と誤認される可能性のある緩やかな電圧シフトを考慮するのに役立ちます。しかし、この補正ステップも、再参照に適用されるのと同じ慎重さと無縁ではありません。
前述のArnaud Delormeによる研究では、高度なベースライン除去手法がERPの有意性の観点からパフォーマンスを有意に低下させることが分かりました。この根拠に基づくと、より安全なアプローチは、より精緻な補正スキームに手を伸ばすよりも、一般的に事前に設定された窓の間で測定された平均電圧を単に差し引く、より単純なベースライン補正です。
パイプラインの選択が結果を変える理由
ここでレビューした比較研究を並べて見ると、ある一点が紛れもなく明確になります。前処理パイプラインは、それらが同じ一般的なメソッドのツールキットから引き出されている場合であっても、互換性はありません。
例えば、Delormeの研究では、主要なEEGソフトウェアプラットフォーム（EEGLAB、FieldTrip、MNE、Brainstorm）でテストされたすべてのパイプラインバリエーションのうち、ハイパスフィルタリングと不良チャネルの補間を組み合わせた1つの構成のみが、単純なハイパスフィルタリング単体を大幅に上回ることがわかりました。他の多くの一般的に使用されているステップは、品質を向上させるどころか積極的にデータ品質を低下させました。
一方、Bertazzoliのチームは、特にTMS-EEG研究において、同一のデータセットに適用された4つの異なるパイプラインにわたって波形振幅と全地球平均視野パワーがかなり変動することを発見しました。地形図のパターンは、刺激後100ミリ秒を超えるレイテンシーでのみ、パイプライン間で強く相関していました。より早いレイテンシーでは、どのパイプラインを使用するかに応じて、相関値は0.2から0.9まで幅広く変動しました。テスト・再テストの信頼性自体が、どの前処理アプローチが選択されたかに依存していました。
最後に、ハーバード大学の研究は、高アーティファクト、発達データ（HAPPEなど）向けに構築された自動パイプラインが、広く使用されている7つの代替処理アプローチを上回り、ほぼすべての比較においてより多くのアーティファクトコンテンツを除去しつつ、同時により多くの本物のEEG信号を維持するという、特定のケースに対するより励みになるパターンを示しました。
これらの研究に通底する一貫したテーマは、あらゆるデータセット、母集団、または研究課題に対して普遍的に最適な単一のパイプライン構成は存在しないということです。固定されたレシピを暗記するのではなく、各ステージの背後にある理由を理解することが、研究者が意図的で擁護可能な選択を行い、特定のパイプラインが自分の具体的なデータに不適合である場合を認識できるようにするものです。
前処理の決定がEEGデータに見るものを形成する理由
生の脳の記録は、研究者が研究したい静かな信号を簡単に埋もれさせてしまう瞬き、筋肉ノイズ、電気的ハムで雑然とした状態で届きます。このデータをクリーニングすることは中立的なクリーンアップのステップではありません。フィルタリングからアーティファクト補正に至るまでにたどる正確な経路が、脳活動の最終的な全体像を大きく変える可能性があります。ハイパスフィルタリングや破損したチャネルの修復といったいくつかの動きだけが、より明確な神経パターンを一貫して明らかにする一方で、多くの一般的なステップが、追い求めている結果を予期せず低下させる可能性があることが証拠によって示されています。
したがって、画一的なレシピに従うよりも、個々の前処理の選択がどのような効果をもたらすかを観察する方がはるかに強力です。異なる合理的なメソッドが研究を異なる方向へ導く可能性があるため、プロセスをオープンに報告することはデータそれ自体と同等に重要になります。
静止している成人であれ、動いている子供であれ、協力している特定のグループに合わせてアプローチを調整することは、調整なしで汎用ツールを使用することを多くの場合において上回ります。そのような思慮深く透明性の高いパイプラインを構築することで、ソフトウェアのデフォルト設定を信頼することから、信号があなたに何を伝えようとしているのかを真に理解することへと移行できます。
参考文献
Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. 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). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272
Delorme A. (2023). EEG is better left alone. 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). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. 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). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566
よくある質問
信号処理は標準的なデータ分析とどのように異なりますか？
一般的なデータ分析が静的な変数や独立した変数を扱うことが多いのに対し、信号処理は特に連続的な入力の時間的・周波数的ダイナミクスに焦点を当てています。
信号処理は信号からあらゆる形態のノイズを除去できますか？
フィルタリングによって信号の明瞭性を大幅に改善することはできますが、信号と周囲の干渉との間に予測不可能な重複が存在するため、完璧なノイズ除去は通常不可能です。
デジタルシステムにおいてサンプリングレートが重要なのはなぜですか？
サンプリングレートはシステムが正確に表現できる最大周波数を決定します。これは高周波の神経指標を歪みなく捉えるために不可欠です。
フーリエ変換のような変換の目的は何ですか？
変換は、順序が重要な時間領域から個々の構成周波数が強調される周波数領域へとデータを変換するために使用されます。
線形システムと非線形システムは出力の精度にどのように影響しますか？
線形システムは予測可能で比例した応答を提供しますが、非線形システムは単純な予測可能性を犠牲にして、隠れたダイナミクスを明らかにする複雑な機能を提供します。
生のEEGデータが分析の前に前処理を必要とするのはなぜですか？
生のEEG記録には脳活動だけでなく、瞬き、筋肉の緊張、電気的ノイズ、電極のドリフトからの干渉も含まれています。前処理はこれらのアーティファクトを取り除くことによって本物の神経信号を分離し、データを科学的研究に解釈可能かつ使用可能にします。
ほぼ常に役立つ前処理ステップは何ですか？
汗や電極の動きによる緩やかな電圧ドリフトを除去するハイパスフィルタリングは、一貫して有益な手法です。複数の研究にわたり、パイプラインの早い段階で適用された場合にデータの質を確実に向上させる数少ないステップの1つでした。
再参照はEEG信号に何をしますか？
再参照は、元の記録の参照電極の代わりに、すべての電極の平均値などの新しい中立点に相対的に各チャネルの電圧を数学的に再計算します。EEGは電位差を測定するため、この選択は脳の反応の見かけの振幅や統計的有意性さえも再形成する可能性があります。
不良チャネルが検出される理由とそれらが修復される方法は何ですか？
いくつかの電極は必然的に良好な接触を失うか、過度にノイズが多くなり、頭皮全体の分析を歪めます。これらの不良チャネルを特定した後、補間により周囲の健康な電極の活動に基づいて記録したであろう信号を推定し、データを再構築します。
EEGにおける独立成分分析（ICA）は何のために使用されますか？
ICAは、混合された信号を数学的に独立したコンポーネントに分離する技術であり、その一部は瞬きや筋肉のノイズなどのアーティファクトに対応しています。アーティファクトに関連するコンポーネントが特定されて除去されると、残りのクリーンなコンポーネントをチャネルデータに再投影して、本物の脳活動を維持できます。
アーティファクトサブスペース再構築（ASR）はICAとどのように異なりますか？
ASRは、入力データをクリーンな基準期間と比較することによってノイズの多いセグメントを特定して修正し、その基準線から大きく逸脱している部分を自動的に検出します。ICAとは異なり、信号をコンポーネントに分解するのではなく、クリーンなデータの統計情報に基づいて汚染されたセクションを再構築します。
ノイズが含まれるすべてのセグメントを単純に捨ててはいけないのはなぜですか？
ノイズの多い試行を大雑把に拒否すると大量の有用なデータが破棄され、統計的なパワーが低下し、潜在的に結果を損なう可能性があります。貴重なデータが失われるため、特に記録時間が限られている場合は、一般的に補間やコンポーネントベースの修正などの手法が好まれます。
エポック化とは何か、またなぜイベント前のベースラインが含まれているのですか？
エポック化は、脳の反応を分析するために刺激などの特定のイベントに整合した短い時間窓に連続記録をスライスすることです。イベント前のベースライン期間は基準電圧レベルを提供するため、緩やかなドリフトが刺激への応答と誤認されるのを防ぎます。
特定の前処理パイプラインは実際に最終結果を変化させますか？
はい、フィルタリング、参照スキーム、アーティファクト補正方法などの異なるパイプラインの選択により、波形形状、有意性、さらにはテスト・再テストの信頼性までも変化する可能性があります。すべての状況で最適に機能する単一のパイプラインは存在しないため、研究者はデフォルトのレシピに盲従するのではなく、各ステップの影響を理解する必要があります。
Emotivは、アクセスしやすいEEGおよび脳データツールを通じて神経科学研究の進展を支援するニューロテクノロジー分野のリーダーです。
クリスティアン・ブルゴス
