Waarom voorbewerking belangrijk is

EEG is zeer gevoelig voor zowel neurale als niet-neurale elektrische activiteit. Hoewel een zorgvuldig experimenteel ontwerp en gegevensverzameling veel bronnen van ruis minimaliseren, is een zekere mate van artefactverontreiniging onvermijdelijk. Voorbewerking helpt onderzoekers betekenisvolle hersenactiviteit te onderscheiden van ongewenste signalen, terwijl de consistentie van daaropvolgende analyses wordt verbeterd.[1]

Belangrijk is dat voorbewerking niet moet worden gezien als een manier om opnames van slechte kwaliteit te herstellen. In plaats daarvan is het een gestructureerd proces voor het verfijnen van gegevens van hoge kwaliteit die zijn verzameld via degelijke experimentele praktijken. Beslissingen die tijdens de voorbewerking worden genomen, beïnvloeden elke volgende fase van de analyse, waardoor transparantie en consistentie essentieel zijn.

Een voorbewerkingspipeline opbouwen

Voorbewerking wordt doorgaans uitgevoerd als een reeks stappen in plaats van als geïsoleerde procedures. Hoewel individuele workflows variëren afhankelijk van de onderzoeksvraag en analytische methoden, helpt het opzetten van een consistente pipeline ervoor te zorgen dat de gegevens van elke deelnemer op dezelfde manier worden verwerkt.

Onderzoekers moeten hun voorbewerkingsstrategie indien mogelijk bepalen voordat ze met de formele analyse beginnen. Het vooraf definiëren van de workflow vermindert het risico op het introduceren van bias door verwerkingsbeslissingen te nemen na het bekijken van de resultaten.[1]

Omdat geen enkele voorbewerkingspipeline geschikt is voor elk onderzoek, moeten workflows worden geleid door gevestigde literatuur, het experimentele ontwerp, de opnamemethodologie en de wetenschappelijke doelstellingen.

Het EEG-signaal filteren

Filteren is vaak een van de vroegste voorbewerkingsstappen. Filters verminderen ongewenste frequentiecomponenten terwijl ze de neurale activiteit behouden die relevant is voor de onderzoeksvraag.

Hoogdoorlaatfilters kunnen langzame signaaldrift verminderen, terwijl laagdoorlaatfilters helpen om hoogfrequente ruis te onderdrukken. Sommige onderzoeken passen ook notch-filters toe om elektrische interferentie van elektriciteitsnetten te verminderen wanneer dat nodig is.[1],[5]

De filterselectie moet zorgvuldig worden benaderd. Overmatig filteren kan neurale signalen vervormen of de timing en amplitude van gebeurtenisgerelateerde reacties veranderen. Onderzoekers moeten filterinstellingen selecteren die de beoogde analyse ondersteunen en tegelijkertijd onnodige signaalmodificatie vermijden.

Identificeren en beheren van artefacten

Zelfs na een zorgvuldige gegevensverzameling zullen sommige opnames artefacten bevatten die aandacht vereisen tijdens de voorbewerking.

Onderzoekers beginnen doorgaans met het visueel inspecteren van opnames om perioden van overmatige ruis, onstabiele kanalen of opname-onderbrekingen te identificeren. Geautomatiseerde hulpmiddelen voor kwaliteitsbeoordeling kunnen helpen bij de detectie van artefacten, maar handmatige beoordeling blijft een belangrijk onderdeel van veel voorbewerkingsworkflows.[3]

Afhankelijk van de aard van de verontreiniging kunnen onderzoekers individuele metingen (trials) verwijderen, ruisende kanalen verwerpen, geïsoleerde elektroden interpoleren of technieken voor artefactcorrectie toepassen. Deze beslissingen moeten vooraf gedefinieerde kwaliteitscriteria volgen die zijn vastgesteld voordat de analyse begint.

Onafhankelijke Componentenanalyse

Onafhankelijke Componentenanalyse (ICA) is een van de meest gebruikte technieken om gemengde elektrische signalen te scheiden in statistisch onafhankelijke componenten. Door het opgenomen EEG te ontleden in onderliggende signaalbronnen, kan ICA onderzoekers helpen componenten te identificeren die verband houden met oogknipperen, oogbewegingen, spieractiviteit of andere niet-neurale artefacten.[4]

Eenmaal geïdentificeerd, kunnen artefactgerelateerde componenten worden verwijderd voordat het EEG-signaal wordt gereconstrueerd. Hoewel ICA de gegevenskwaliteit aanzienlijk kan verbeteren, hangt een succesvolle toepassing af van een geschikte voorbewerking, voldoende gegevenskwaliteit en een zorgvuldige interpretatie van de resulterende componenten.

Onderzoekers moeten documenteren hoe ICA is uitgevoerd en welke componenten zijn verwijderd om de transparantie en reproduceerbaarheid te ondersteunen.

Epocheren van continue gegevens

Veel EEG-analyses richten sich op neurale reacties die optreden rond specifieke experimentele gebeurtenissen. Om deze analyses te vergemakkelijken, worden continue EEG-opnames vaak opgedeeld in kortere tijdssegmenten die bekendstaan als epochs.

Elk epoch is uitgelijnd met een gebeurtenismarkering die een stimuluspresentatie, reactie van de deelnemer of een andere betekenisvolle gebeurtenis tijdens het experiment vertegenwoordigt. Deze segmentatie stelt onderzoekers in staat om neurale activiteit te vergelijken over herhaalde experimentele condities en vormt de basis voor veel analyses van event-related potentials (ERP).[2],[6]

Een nauwkeurige timing van gebeurtenissen is daarom essentieel voordat het epocheren begint.

Baseline-correctie

Neurale activiteit verandert voortdurend, zelfs wanneer deelnemers in rust zijn. Baseline-correctie helpt om rekening te houden met deze voortdurende schommelingen door elk experimenteel epoch te vergelijken met een referentieperiode die direct voorafgaat aan de desbetreffende gebeurtenis.

Door deze baseline af te trekken van de daaropvolgende neurale reactie, kunnen onderzoekers activiteit die verband houdt met de experimentele gebeurtenis beter isoleren, terwijl de variabiliteit die wordt geïntroduceerd door niet-gerelateerde achtergrondactiviteit wordt verminderd.[2]

De selectie van de baseline moet consistent blijven gedurende het hele onderzoek en moet een weerspiegeling zijn van de gevestigde praktijken voor het gekozen experimentele paradigma.

Kwaliteitscontrole en documentatie

Voorbewerking eindigt niet wanneer de gegevens er schoner uitzien. Onderzoekers moeten elke verwerkingsstap zorgvuldig documenteren, inclusief filterparameters, criteria voor het verwerpen van artefacten, interpolatieprocedures, softwareversies en analyse-instellingen.

Gedetailleerde documentatie ondersteunt de reproduceerbaarheid door andere onderzoekers in staat te stellen de voorbewerkingsworkflow te begrijpen, te evalueren en te repliceren. Transparante rapportage maakt toekomstige vergelijkingen tussen onderzoeken ook zinvoller.[1]

Het handhaven van een consistent voorbewerkingsprotocol voor alle deelnemers vermindert de variabiliteit verder en versterkt het vertrouwen in de resulterende analyses.

Software kiezen voor EEG-voorbewerking

Verschillende softwareplatforms ondersteunen EEG-voorbewerking en -analyse, die elk verschillende workflows en analytische mogelijkheden bieden. Onderzoekers moeten hulpmiddelen selecteren die aansluiten bij hun experimentele ontwerp, technische expertise en rapportage-eisen.

Veelvoorkomende voorbewerkingsomgevingen zijn onder andere EEGLAB, MNE-Python en FieldTrip, naast commerciële acquisitiesoftware die gebeurtenissynchronisatie, gegevensvisualisatie en export naar gangbare analyseformaten ondersteunt.[4],[5] Het selecteren van interoperabele tools kan de samenwerking vereenvoudigen en tevens transparante en reproduceerbare onderzoekspraktijken ondersteunen.

Belangrijkste inzichten

Voorbewerking bereidt ruwe EEG-opnames voor op wetenschappelijke analyse door ruis te verminderen, artefacten te beheren en de gegevens te organiseren met behoud van betekenisvolle neurale signalen.

Filtering, artefactbeheer, Onafhankelijke Componentenanalyse, epocheren, baseline-correctie en kwaliteitscontrole dragen allemaal bij aan het verbeteren van de signaalkwaliteit met behoud van de integriteit van de gegevens.

Een goed ontworpen voorbewerkingspipeline is consistent, transparant en geschikt voor de onderzoeksvraag. Door elke verwerkingsstap te documenteren en gestandaardiseerde procedures toe te passen op alle deelnemers, versterken onderzoekers de betrouwbaarheid en reproduceerbaarheid van hun bevindingen.

Ga verder met het opbouwen van uw EEG-onderzoek

Zodra de EEG-gegevens zijn voorbereid voor analyse, kunnen onderzoekers beginnen te onderzoeken hoe verschillende elektrodelocaties bijdragen aan het begrijpen van hersenactiviteit.

In de volgende gids, EEG-elektroden en montages kiezen, bespreken we systemen voor elektrodeplaatsing, kanaalselectie en hoe opnamelocaties het experimentele ontwerp en de gegevensinterpretatie beïnvloeden.

Referenties

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2de druk. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck en E. S. Kappenman, Redactie, The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme en S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, en J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Artikel-ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.