Een van de meest gebruikte referentiekeuzes in EEG-onderzoek is de gemiddelde referentie (common average reference, of CAR), die de waarde van elk kanaal opnieuw berekent ten opzichte van het gemiddelde van alle kanalen op de hoofdhuid.
CAR heeft een reputatie als een standaardoptie voor ruisonderdrukking. Het verschijnt vrijwel automatisch in BCI-pipelines, gepubliceerde artikelen en open-source toolboxes. Maar een nadere blik op het beschikbare onderzoek laat een beeld zien dat wisselvalliger is dan de reputatie doet vermoeden.
Dit artikel doorloopt de wiskunde achter CAR, de aannames waarvan het afhankelijk is en de omstandigheden waaronder die aannames niet standhouden.
Wat is de Common Average Reference in EEG?
Elke hoofdhuid-elektrode meet een voltage ten opzichte van een referentiekanaal, of een kleine set referentiekanalen, gekozen op het moment van de opname. Veelvoorkomende keuzes zijn een enkele elektrode op de oorlel, gekoppelde mastoïden achter de oren, of een locatie op de hoofdhuid zoals Cz.
Het probleem met een referentie op één enkele locatie is dat deze nooit echt "stil" is. Als de referentie-elektrode zelf ruis of hersenactiviteit oppikt, wordt die vervuiling afgetrokken van elk ander kanaal, aangezien het signaal van elk kanaal ten opzichte daarvan gedefinieerd is.
CAR omzeilt dat probleem door een ander type referentie te gebruiken, waarbij het gemiddelde voltage over de gehele elektrodenmatrix op elk moment in de tijd wordt geregistreerd. In plaats van de waarde van één elektrode van alle andere af te trekken, trekt CAR het gemiddelde van alle elektroden af van elke individuele elektrode.
In theorie fungeert dit gemiddelde als een stabieler, "stiller" referentiepunt dan welke afzonderlijke fysieke elektrode dan ook zou kunnen bieden, omdat het gebruikmaakt van informatie van de hele hoofdhuid in plaats van één locatie.
CAR in BCI-onderzoek
Dit is de reden waarom CAR zo vaak voorkomt in onderzoek naar brain-computer interfaces. Een studie gepubliceerd in het International Journal of Engineering and Technology testte bijvoorbeeld CAR als een van de twaalf re-referencing-methoden voor een P300 speller (een systeem dat een specifieke hersenreactie detecteert wanneer een gebruiker zich richt op een doelletter of -symbool) en rapporteerde CAR als de best geschikte techniek van de geteste methoden.
Bovendien paste een studie uit 2025 CAR toe als een standaard voorverwerkingsstap in een classificatie-pipeline voor motor imagery, waarbij het doel werd omschreven als het verhogen van de signaal-ruisverhouding.
Hoe u de CAR-formule berekent
De mechanica van CAR is eenvoudige algebra, geen statistisch model dat gegevens nodig heeft om te bewijzen dat het wiskundig werkt. Voor een matrix van N elektroden, die elk een voltage registreren op tijdstip t, geschreven als V₁(t), V₂(t), tot en met Vₙ(t), is de door CAR getransformeerde waarde voor elke afzonderlijke elektrode i:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
In gewone bewoordingen: om de CAR voor een specifieke elektrode te vinden, neemt u de oorspronkelijke meting op een bepaalde milliseconde en trekt u daar de gemiddelde meting van alle hoofdhuid-elektroden op exact diezelfde milliseconde van af.
Toepassingen van Common Average Reference EEG
Het selecteren van de juiste referentiebenadering bepaalt het succes van diagnostische beoordelingen en complexe onderzoeken.
Klinische opstellingen geven vaak prioriteit aan helderheid en consistentie, zodat neurologen markers kunnen identificeren zonder interferentie van door referentie veroorzaakte artefacten. Onderzoekers geven de voorkeur aan deze globale benadering bij het in kaart brengen van hoe interventies de neurale activiteit kunnen beïnvloeden, zoals aangetoond in bevindingen over ademhalingsgemoduleerde oscillaties, waarbij een neutrale baseline noodzakelijk is om ademhalingsgerelateerde effecten te scheiden van lokale neurale ritmes.
Zowel in klinische settings als in de experimentele neurowetenschap vertrouwen onderzoekers op consistente gegevensinterpretatie die kunstmatige vervormingen minimaliseert. Deze methode helpt de transparantie te behouden bij het vergelijken van patiëntopnamen over verschillende sessies of faciliteiten heen.
Door gebruik te maken van standaardreferenties zorgen analisten ervoor dat waargenomen veranderingen in amplitude biologische verschuivingen weerspiegelen in plaats van technische verschuivingen in de baseline. Dit objectieve standpunt ondersteunt duidelijkere diagnostische rapportage en valide resultaten in brede toepassingen voor hersengolfmeting.
Hoe CAR Common-Mode Noise vermindert
Het argument voor CAR berust op een concept dat common-mode noise wordt genoemd. Dit verwijst naar interferentie die op vrijwel elke elektrode in ongeveer dezelfde sterkte verschijnt, in plaats van ruis die specifiek is voor één locatie.
Klassieke voorbeelden zijn 50/60 Hz elektrische netruis van nabijgelegen stroombronnen, spieractiviteit die zich via weefselgeleiding over de hoofdhuid verspreidt, en langzame driften veroorzaakt door een elektrode die licht verschuift ten opzichte van de huid.
Omdat dit soort ruis breed over de matrix wordt gedeeld, zou het middelen van alle kanalen samen in theorie een redelijke schatting moeten opleveren van die gedeelde ruiscomponent. Het aftrekken van het gemiddelde van elk kanaal verwijdert vervolgens een groot deel van die gedeelde interferentie, terwijl kanaal-tot-kanaalverschillen, die waarschijnlijk de werkelijke hersenactiviteit weerspiegelen, grotendeels intact blijven.
De kernassumpties achter CAR
De ruisonderdrukkingslogica van CAR houdt alleen stand als aan verschillende voorwaarden in de data wordt voldaan. Deze aannames worden consistent beschreven in EEG-leerboeken en handleidingen, hoewel hun validatie in de praktijk binnen het beschikbare bewijsmateriaal beperkt is.
De nul-gemiddelde-aanname. Op elk moment wordt verondersteld dat het gemiddelde van alle voltages over het hoofd dicht bij nul ligt, wat betekent dat positieve en negatieve activiteit elkaar op de hoofdhuid ruwweg in evenwicht houden.
Dichte, gelijkmatige elektrodedekking. De matrix wordt verondersteld het hoofd grondig genoeg te bedekken, zodat het gemiddelde een benadering is van wat een referentiepunt dat oneindig ver van het hoofd ligt (en dus elektrisch neutraal is) zou registreren. Dunne of ongelijkmatige dekking verzwakt deze benadering.
Geen enkele dominante bron. Geen enkele elektrode, slecht kanaal of groot artefact (zoals een krachtige oogknippering) mag groot genoeg zijn om het gemiddelde op zichzelf te vertekenen.
Wanneer aan deze drie voorwaarden is voldaan, gedraagt het gemiddelde zich als een werkelijk neutraal referentiepunt. Wanneer dat niet het geval is, raakt het gemiddelde zelf vervormd, en introduceert het aftrekken van een vervormd gemiddelde nieuwe problemen in plaats van oude op te lossen.
CAR-aannames testen met echte EEG-data
Het nemen van een publiek beschikbare resting-state EEG-opname, bijvoorbeeld een standaard 64-kanaals dataset, en het berekenen van de globale gemiddelde golfvorm vóór het toepassen van CAR onthult vaak waarden die afwijken van nul, soms met een aanzienlijke marge. Deze afwijking is direct bewijs van common-mode content in het ruwe signaal, wat precies is wat CAR moet verwijderen. Nadat CAR is toegepast, wordt datzelfde globale gemiddelde op elk tijdstip geforceerd tot exact nul, per definitie van de formule.
Een meer onthullende test omvat het kijken naar tijdvakken (epochs) die grote oogknipartifacten bevatten.
Oogknipperingen genereren grote voltage-schommelingen die het sterkst zijn bij frontale elektroden, maar doorbloeden naar een groot deel van de matrix. Tijdens deze epochs verschuift het globale gemiddelde vóór CAR vaak scherp weg van nul, omdat de knippering niet gelijkmatig is verdeeld, maar geconcentreerd is in één deel van het hoofd. Wanneer CAR vervolgens wordt toegepast, wordt dit geconcentreerde artefact in het gemiddelde gevouwen en in kleinere hoeveelheden herverdeeld over elk afzonderlijk kanaal, inclusief kanalen die ver van de ogen liggen en oorspronkelijk schoon waren.
Wat het onderzoek zegt: gemengd bewijs uit BCI-studies
De eerder genoemde studie vergeleek twaalf re-referencing-technieken over drie P300 speller-datasets, in zowel offline als online testomstandigheden, en concludeerde dat de CAR de best geschikte techniek was van alle twaalf. Hoewel de studie grafische vergelijkingen van classificatienauwkeurigheid en tabellen met gemiddelde maximale bitrates met standaarddeviaties biedt, rapporteert het echter geen effectgroottes of formele statistische significantietests tussen de methoden, wat de mate van vertrouwen in die rangschikking beperkt.
Ondertussen koos een studie uit 2017 een andere benadering met een motor imagery- en bewegingsintentietoak. Elf proefpersonen voerden en verbeeldden rechterpolsbewegingen terwijl EEG werd geregistreerd via 28 elektroden. Het signaal werd verwerkt met behulp van zowel CAR als Laplacian-referencing, een spectrale filtermethode die de nadruk legt op het verschil tussen een centrale elektrode en zijn directe buren in plaats van het gemiddelde van de gehele hoofdhuid.
De classificatienauwkeurigheid met behulp van Laplacian-referencing varieerde van 63,33% tot 100% voor ingebeelde beweging en 60% tot 96,67% voor feitelijke beweging, waarbij k-nearest neighbor-classifiers beter presteerden dan kwadratische discriminantanalyse. Laplacian-referencing presteerde over het algemeen beter dan CAR, hoewel de studie de exacte nauwkeurigheidscijfers van CAR niet direct rapporteert ter vergelijking. Dit resultaat suggereert dat CAR mogelijk minder geschikt is voor taken met focale, gelokaliseerde motorgerelateerde hersenactiviteit.
Ten slotte integreerde de eerder genoemde studie uit 2025 CAR als een vroege voorverwerkingsstap in een grotere convolutional neural network-pipeline voor motor imagery-classificatie, die ook schuiframen (sliding windows), spectrale transformatie en frequentiebandextractie omvatte. De volledige pipeline behaalde een nauwkeurigheid van 91,75% op een benchmarkdataset van een competitie. Dit is een sterk resultaat, maar omdat CAR slechts een van de vele verwerkingsstappen was, kan de studie ons niet vertellen hoeveel van die nauwkeurigheid kan worden toegeschreven aan CAR zelf in vergelijking met de CNN-architectuur, de windowing-techniek of de selectie van de frequentieband.
Bij elkaar genomen convergeren deze drie studies niet tot één enkele conclusie. CAR presteerde goed in een P300-context, presteerde slechter dan een alternatief in een motor imagery-context, en was aanwezig maar niet geïsoleerd in een diep-lerende context met een hoge nauwkeurigheid. De besproken bewijzen suggereren dan ook dat het op zichzelf staande voordeel van CAR onduidelijk blijft en sterk lijkt af te hangen van het type hersensignaal dat wordt gemeten.
Wanneer CAR faalt: artefacten, dunne matrices en focale bronnen
Het patroon in deze studies komt overeen met drie faalmodi die breed worden besproken in de EEG-methodologie, maar slechts gedeeltelijk worden ondersteund door direct bewijs in het beschikbare onderzoek.
Grote artefacten. Een enkele gebeurtenis met een hoge amplitude, zoals een sterke oogknippering of een spierpiek, kan de berekening van het gemiddelde domineren als deze groot genoeg is ten opzichte van de rest van de matrix. Wanneer dit gebeurt, verwijdert CAR het artefact niet; het verspreidt er een vervormde versie van naar elk kanaal, inclusief kanalen die oorspronkelijk vrij van artefacten waren. Dit is een direct gevolg van de CAR-formule in plaats van een afzonderlijk geteste bevinding, maar het volgt logisch uit de demonstratie die eerder in dit artikel is beschreven.
Dunne matrices. CAR hangt af van het gemiddelde dat een neutraal referentiepunt benadert, wat een redelijk dichte en gelijkmatige dekking van de hoofdhuid vereist. Met slechts een handvol elektroden, bijvoorbeeld acht tot zestien kanalen, is het gemiddelde een veel zwakkere schatting van dat neutrale punt, en wordt de dekking-aanname achter CAR rechtstreeks geschonden.
Focale bronnen. Hersenactiviteit die afkomstig is uit een klein, gelokaliseerd gebied, in plaats van zich breed over de hoofdhuid te verspreiden, kan zich op een vergelijkbare manier gedragen als een "lokaal" signaal dat de gemiddelde berekening van CAR over de hele matrix niet is ontworpen te behouden. Doordat CAR een globaal gemiddelde aftrekt, kan het signalen die geconcentreerd in plaats van wijdverspreid zijn, gedeeltelijk annuleren.
Faalmodus | Belangrijkste probleem |
|---|---|
Artefacten | Groot artefact vertekent gemiddelde |
Dunne matrices | Te weinig elektroden, zwakke referentie |
Focale bronnen | Lokale signalen kunnen worden verzwakt |
De zwakke punten van CAR verzachten
Er worden in de EEG-praktijk algemeen verschillende aanpassingen aanbevolen om deze foutpunten aan te pakken:
Wanneer grote artefacten een probleem vormen, identificeer en interpoleer of verwijder dan slechte kanalen of segmenten met veel artefacten voordat u CAR berekent.
Als u met een dunne matrix werkt (bijv. 8-16 kanalen), vermijd dan CAR en gebruik een vaste fysieke referentie zoals gekoppelde mastoïden.
Overweeg voor taken die gericht zijn op focale, gelokaliseerde hersenactiviteit Laplacian-referencing of bron-ruimtemethoden die de nadruk leggen op lokale gradiënten in plaats van een globaal gemiddelde.
Is CAR de juiste referentiekeuze voor uw EEG-opstelling?
CAR blijft een veelgebruikte referentiemethode met een duidelijke en coherente wiskundige basis. Het dwingt het gemiddelde signaal over de matrix tot nul, en dit kan in principe ruis wegnemen die breed en gelijkmatig over de hoofdhuid verschijnt. Die theoretische aantrekkingskracht verklaart waarom het zo vaak als standaardstap verschijnt in EEG- en BCI-pipelines.
Iedereen die CAR toepast op zijn eigen data, moet het als een redelijke standaard beschouwen in plaats van een gegarandeerde verbetering. Het is de moeite waard om de aannames ervan (een signaal van ruwweg nul-gemiddelde, een dichte en gelijkmatige elektrodedekking en de afwezigheid van een dominant artefact) te controleren aan de hand van de specifieke opnameopstelling en de taak in kwestie, in plaats van er automatisch van uit te gaan.
Wanneer deze aannames onwaarschijnlijk zijn, met name bij dunne matrices of taken die gericht zijn op focale, gelokaliseerde hersenbronnen, verdienen alternatieven zoals Laplacian-referencing serieuze overweging.
Waarom het controleren van uw EEG-referentie-aannames belangrijker is dan standaardinstellingen
De common average reference is gebouwd op het eenvoudige wiskundige idee om het gemiddelde van de hele hoofdhuid af te trekken om zo ruis te verwijderen die over elektroden wordt gedeeld. Dit werkt prachtig op papier, maar echte hersenopnames werken zelden perfect mee. Het algoritme dwingt het gemiddelde van de elektroden altijd tot nul, maar dat gedwongen evenwicht garandeert geen schonere blik op de hersenactiviteit — alleen dat de cijfers kloppen.
Wat belangrijker is dan de EEG-montage zelf, is of de opnameopstelling voldoet aan de onderliggende aannames. Een dichte, gelijkmatige elektrodedekking en de afwezigheid van overweldigende artefacten zoals oogknipperingen kunnen CAR veranderen van een riskante kortere weg in een nuttig hulpmiddel. Bij dunne matrices of taken waarbij kleine, gerichte hersensignalen moeten worden opgevangen, kan dezelfde stap vervuiling verspreiden en de activiteit die een onderzoeker hoopt te detecteren vervagen.
De conclusie uit het onderzoek is niet dat CAR goed of slecht is, maar dat het gebruik ervan een bewuste controle van de datacondities vereist, en niet een blind vertrouwen in een populaire vooraf gedefinieerde instelling.
Referenties
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, december). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
Veelgestelde vragen
Wat is de common average reference (CAR) in EEG?
CAR is een methode van re-referencing waarbij het gemiddelde voltage van alle hoofdhuid-elektroden op elk tijdstip van elke individuele elektrode wordt afgetrokken. Dit vervangt een enkele fysieke referentie door het gemiddelde van de gehele hoofdhuid, met als doel een stabieler referentiepunt te creëren voor de opname.
Hoe vermindert CAR ruis in EEG-signalen?
CAR richt zich op common-mode noise: interferentie die op vergelijkbare wijze over veel elektroden verschijnt, zoals het brommen van elektriciteitskabels of spieractiviteit. Door alle kanalen te middelen en dat gemiddelde af te trekken, wordt de gedeelde ruis grotendeels verwijderd, terwijl kanaalspecifieke verschillen in hersenactiviteit behouden blijven.
Wat zijn de kernassumpties die nodig zijn om CAR goed te laten werken?
CAR veronderstelt dat de over de hoofdhuid gemeten voltages op elk moment gemiddeld rond nul liggen, dat de elektrodedekking dicht en gelijkmatig is, and dat geen enkel individueel artefact of kanaal het gemiddelde domineert. Als hier niet aan wordt voldaan, raakt het berekende gemiddelde vervormd en introduceert het aftrekken ervan fouten.
Wanneer faalt CAR of introduceert het artefacten?
CAR kan falen bij grote, gelokaliseerde artefacten zoals oogknipperingen, die het gemiddelde vertekenen en vervolgens over alle kanalen worden verspreid. Het heeft ook moeite met dunne elektrodenmatrices of hersensignalen die zeer focaal zijn, omdat het globale gemiddelde dan niet langer een neutrale referentie vormt.
Wat zegt het beschikbare onderzoek over de effectiviteit van CAR?
Het bewijs is gemengd. Één studie vond dat CAR goed werkte voor een P300 speller-taak, maar een andere toonde aan dat Laplacian-referencing beter presteerde dan CAR voor motor imagery. Een derde studie gebruikte CAR in een succesvolle deep-learning pipeline, maar isoleerde de specifieke bijdrage ervan niet, waardoor het op zichzelf staande voordeel onduidelijk blijft.
Moet ik CAR altijd gebruiken als standaardreferentie voor mijn EEG-analyse?
Niet blindelings. CAR is een redelijke standaard als u beschikt over een dichte, gelijkmatige elektrodedekking en het signaal ruwweg nul-gemiddelde is zonder dominerende artefacten. Voor dunne matrices of focale hersenactiviteit kunnen alternatieven zoals een vaste fysieke referentie of Laplacian-referencing geschikter zijn.
Wat is Laplacian-referencing en hoe verhoudt dit zich tot CAR?
Laplacian-referencing legt de nadruk op het spanningsverschil tussen een centrale elektrode en zijn directe buren, waardoor lokale hersenactiviteit wordt geaccentueerd. Het presteerde beter dan CAR in een motor imagery-studie, wat suggereert dat het beter geschikt is voor het detecteren van ruimtelijk gefocuste signalen.
Hoe kan ik de zwakke punten van CAR verzachten wanneer ik het toch wil gebruiken?
Voordat u CAR berekent, dient u slechte kanalen en grote artefacten zoals knipperingen te identificeren en te verwijderen of te interpoleren. Dit voorkomt dat een enkel luidruchtig kanaal of gebeurtenis het gemiddelde van de hele hoofdhuid vervormt en alle kanalen besmet.
Wat gebeurt er wanneer er een oogknippering optreedt in een opname met CAR-referentie?
Oogknipperingen veroorzaken sterke spanningsverschuivingen die geconcentreerd zijn bij de frontale elektroden. Wanneer CAR wordt toegepast, wordt de invloed van de knippering opgenomen in het globale gemiddelde en vervolgens afgetrokken, waardoor een kleinere maar vervormde versie van de knippering over elk kanaal wordt verspreid, zelfs op kanalen die oorspronkelijk schoon waren.
Maakt CAR het gemiddelde van alle kanalen daadwerkelijk nul?
Ja, per definitie dwingt de CAR-transformatie de som van alle opnieuw gerefereerde voltages op elk tijdstip naar nul. Deze wiskundige eigenschap garandeert echter niet dat het resulterende signaal een schonere weergave is van hersenactiviteit — het dwingt simpelweg een voorwaarde af die al dan niet overeenkomt met de werkelijkheid.
Emotiv is een leider in neurotechnologie die helpt om neurowetenschappelijk onderzoek vooruit te helpen met toegankelijke EEG- en hersendatatools.
Christian Burgos
