EEG-artefacten

De twee fundamentele categorieën van EEG-artefacten

Elke ongewenste fluctuatie in een EEG-registratie komt voort uit een van twee oorsprongen. Proefpersoon-gerelateerde of fysiologische artefacten worden gegenereerd door het eigen lichaam van de deelnemer. Deze omvatten oogknipperen, spierspanning, hartslag en zweetklieractiviteit, die allemaal elektrische velden produceren die de hoofdhuid-elektroden samen met de werkelijke hersenactiviteit oppikken.

Technische of niet-fysiologische artefacten zijn afkomstig van de registratieapparatuur en de omgeving. Losse elektroden, kabelbewegingen, verzadiging van de versterker en netstroominterferentie vallen in deze tweede groep.

Het onderscheiden van de twee categorieën is de eerste vaardigheid die u onder de knie moet krijgen, omdat de preventie- en verwijderingsstrategieën fundamenteel verschillen. Een spieruitbarsting van een opeengeklemde kaak vereist een andere interventie dan een periodieke brom van 60 hertz die via een slecht afgeschermde kabel binnenkomt.

Hoe herkent u proefpersoon-gerelateerde artefacten

Oogknipperen

Het oog gedraagt zich als een kleine elektrische batterij. Het hoornvlies draagt een positieve lading ten opzichte van het netvlies en vormt een corneo‑retinale dipool. Wanneer een deelnemer knippert, veegt het ooglid over deze dipool en trekt het positieve veld omhoog, wat een grote, positieve spanningsafwijking genereert bij de frontale elektroden die zich het dichtst bij de ogen bevinden.

In het tijddomeinsignaal verschijnt een knippering als een langzame golf met een hoge amplitude die zijn maximum bereikt op frontopolaire kanalen zoals Fp1 and Fp2, en vervolgens sterk afneemt naarmate u naar centrale of posterieure afleidingen kijkt. Omdat de golfvorm zo stereotiep is, kan een getraind oog deze vrijwel direct herkennen.

Oogbewegingen en saccadische pieken

Wanneer de ogen zijdelings bewegen zonder te knipperen, roteert de corneo‑retinale dipool in plaats van te worden bedekt. Dit produceert een stapsgewijze verschuiving in het elektro-oculogram-signaal dat kan doorlekken naar aangrenzende EEG-kanalen.

Bovendien creëert de snelle samentrekking van de extraoculaire spieren tijdens een saccade een korte, scherpe elektrische overgang die bekend staat als de saccadische piekpotentiaal. Op een ruw signaal kunnen deze pieken bedrieglijk veel lijken op epileptiforme activiteit. Ze zijn doorgaans beperkt tot frontale en temporale elektroden en vallen samen met een verandering in de blikrichting.

Het herkennen hiervan voorkomt een valse klinische indruk en vermijdt de onnodige afwijzing van overigens schone neurale gegevens. De kortstondigheid van de piek, de correlatie met een horizontale of verticale oogbeweging en het ontbreken van een daaropvolgende langzame golf helpen om deze te onderscheiden van een echte corticale ontlading.

Spieractiviteit

Hoofdhuid-, gezichts- en nekspieren zijn productieve generatoren van hoogfrequente elektrische ruis. Wanneer een deelnemer zijn kaken op elkaar klemt, zijn wenkbrauwen fronst of zelfs spanning in de nek vasthoudt, vuren de actiepotentialen van de motoreenheden asynchroon en sommeren ze tot een piekerig, onregelmatig interferentiepatroon.

In het tijddomein ziet een spierartefact eruit als een snelle uitbarsting van scherpe afwijkingen met een lage amplitude die bovenop het EEG liggen, vaak het meest prominent over temporale of frontale elektroden. De frequentie-inhoud ligt voornamelijk boven 20 Hz, tot ver in de bèta- en gammabanden waar veel cognitieve metingen zich bevinden, wat het bijzonder problematisch maakt voor het monitoren van de mentale toestand en voor brain‑computer interface applications.

High‑density EEG setups met dicht op elkaar geplaatste elektroden kunnen helpen om de spierbron te lokaliseren, maar de eerste verdedigingslinie is het instrueren van de deelnemer om te ontspannen en het bieden van fysieke ondersteuning voor het hoofd.

Zweet en elektrodermale verschuivingen

Veranderingen in de huidgeleidbaarheid als gevolg van zweetklieractiviteit veranderen de overgang tussen elektrode en huid. Dit introduceert een zeer langzame, vloeiende drift van de basislijnspanning, vaak onder 1 Hz, die over meerdere seconden kan afdwalen.

Het artefact verschijnt niet als een piek of ritmisch gezoem, maar als een zachte, golfachtige beweging van het hele signaal. Het komt het meest voor tijdens lange registraties, in warme omgevingen of bij angstige deelnemers. Deze laagfrequente stoorfactor kan worden beheerst door een stabiele kamertemperatuur te handhaven en te zorgen voor een goed elektrodecontact.

Cardiale signalen

Het elektrische veld van het hart is krachtig genoeg om de hoofdhuid te bereiken, vooral wanneer de elektrode-impedanties hoog zijn of wanneer een reference electrode zich dicht bij een bloedvat over de mastoïde of de oorlel bevindt.

Het resulterende elektrocardiogram-artefact verschijnt als een regelmatig, scherp QRS-complex dat zich herhaalt in het ritme van de hartslag — ongeveer eenmaal per seconde. Het lekt vaak tegelijkertijd door naar veel kanalen met een consistente tijdsverschuiving, en classificatiesystemen die zijn getraind op breedspectrum-artefactkenmerken kunnen dit samen met andere verontreinigingen detecteren.

Als de cardiale golfvorm zichtbaar is maar niet overweldigend, kan deze vaak worden afgetrokken door een speciaal ECG-kanaal te registreren; anders moeten de getroffen segmenten mogelijk handmatig worden uitgesloten.

Technische artefacten herkennen in het signaal

Elektrodepops en bewegingsgerelateerde pieken

Een plotselinge verandering in impedantie veroorzaakt door een uitgedroogde gelbrug, een getrokken kabel of een verschuivende elektrode genereert een abrupte, steile overgang die vaak een 'pop' wordt genoemd. Dit valt onder de categorie 'generieke discontinuïteiten' die geautomatiseerde algoritmen zoals ADJUST moeten signaleren.

In het tijddomein ziet een elektrodepop er doorgaans uit als een geïsoleerde piek met een extreme amplitude die de versterker kan verzadigen, waardoor het signaal even vlak wordt voordat er een langzaam herstel optreedt. In tegenstelling naar een biologische piek, is deze niet omgeven door voortdurende fysiologische activiteit en verschijnt deze meestal op een enkel kanaal, waardoor deze tijdens visuele inspectie gemakkelijk te identificeren is.

Een neonatal EEG-studie door Hagmann et al. documenteerde op vergelijkbare wijze frequente bewegingsinterferentie die het amplitude-geïntegreerde signaal veranderde, wat benadrukt dat zelfs korte fysieke verstoringen meetbare verontreiniging veroorzaken.

Netstroominterferentie

Capacitieve koppeling van de elektrische voeding met de registratieopstelling produceert een continu, ritmisch gezoem op de netfrequentie — 50 Hz in Europa en het grootste deel van de wereld, 60 Hz in Noord-Amerika.

Op een ruw EEG-signaal verschijnt deze interferentie als een dikke sinusgolf die over elk kanaal heen ligt, vaak met een consistente amplitude. Zelfs een kleine hoeveelheid lijnruis kan cerebrale ritmes met een lage spanning maskeren, en de aanwezigheid ervan duidt op een probleem met de elektrode-impedantie, afscherming of aarding.

Het is onveranderlijk een technisch artefact, geen neurale oscillatie, en de vaste frequentie maakt het eenvoudig om dit met het oog of met een eenvoudige spectral plot te identificeren.

Losse elektroden en kabelbewegingen

Wanneer een elektrode niet stevig aan de hoofdhuid is bevestigd of de kabel ervan halverwege de registratie zwaait, introduceert de mechanische verstoring onregelmatige laagfrequente fluctuaties. Deze kunnen eruitzien als een langzame, grillige drift of een uitbarsting van onregelmatige golven met een hoge amplitude op een enkel kanaal.

Het sporadische karakter en de beperking tot één elektrode onderscheiden dit artefact onmiddellijk van wijdverbreide fysiologische gebeurtenissen zoals knipperen of het aanspannen van een spier. Het annoteren van dergelijke momenten in real-time bespaart achteraf veel moeite door de zoektocht naar slechte gegevenssegmenten te vergemakkelijken.

Artefacten voorkomen en documenteren tijdens een registratie

De meest effectieve strategie voor het beheer van artefacten begint lang voordat het eerste datapunt wordt opgeslagen.

Een ontspannen deelnemer produceert aanzienlijk minder spier- en oogbewegingsartefacten. Neem daarom de tijd om de sessie uit te leggen, zorg voor een comfortabele stoel met hoofdondersteuning en geef de ogen een stabiel fixatiepunt om spontane knipperingen en saccades te verminderen. Deze stappen zijn zo fundamenteel dat ze zelden expliciet worden beschreven in onderzoeksartikelen, maar elke studie die schone gegevens rapporteert, vertrouwt hier impliciet op.

Het aanbrengen van de elektroden is de volgende verdedigingslinie. Een nauwkeurige huidvoorbereiding, voldoende geleidende gel en een zorgvuldige kabelgeleiding minimaliseren zowel omgevingsruis als bewegingsgerelateerde 'pops'.

De eerder genoemde EEG-studie bij baby's toonde aan dat elektrische en bewegingsinterferenties met een vergelijkbare frequentie optraden, wat bevestigt dat geen enkele registratieomgeving inherent immuun is voor technische problemen. Het controleren van de impedanties voor en na de sessie en het vastmaken van kabels aan de kleding of stoel elimineert een groot deel van de vermijdbare artefacten.

Houd ten slotte een actueel logboek bij van zichtbare artefacten tijdens de registratie. Noteer het tijdstip van grote bewegingen, hoesten of het aanpassen van de elektroden. Dit type handmatige annotatie weerspiegelt de deskundige labeling die wordt gebruikt om automatische classificatiesystemen te trainen, waarbij menselijke beoordelaars segmenten markeren die dienen als referentiekader voor machine-learning-algoritmen.

Een eenvoudige handgeschreven tijdstempel of een gebeurtenismarkering in de acquisitiesoftware verandert giswerk in reproduceerbare documentatie.

Handmatige uitsluiting en interpolatie: opschonen voor berekening

Visuele inspectie van het continue signaal

Voordat u de verwijdering van artefacten delegeert aan een signal processing-algoritme, bladert u door de ruwe gegevens en gebruikt u de hierboven beschreven golfvormkenmerken om verontreinigde intervallen te identificeren.

Het wordt vaak aanbevolen om te zoeken naar de karakteristieke frontale langzame golf van een knippering, de hoogfrequente ruis van spieractiviteit, de geïsoleerde piek van een 'pop' of de aanhoudende sinusgolf van netstroomruis. Deze stap traint uw oog om artefacten te onderscheiden van echte hersenactiviteit en voorkomt de automatische afwijzing van zeldzame neurale gebeurtenissen met een hoge amplitude die oppervlakkig op artefacten lijken.

• Frontale langzame golf: duidt op oogknipperen

• Hoogfrequente ruis: duidt op spieractiviteit

• Geïsoleerde piek met extreme amplitude: duidt op een elektrodepop

• Aanhoudende sinusgolf: duidt op netstroominterferentie

Slechte tijdssegmenten markeren en uitsluiten

Zodra u een traject met veel artefacten hebt geïdentificeerd, markeert u dit voor uitsluiting. Dit kan inhouden dat u de begin- en eindtijden logt of de markeringstools gebruikt die in de EEG analysis software zijn ingebouwd.

De handmatige verwijdering van de ergst verontreinigde segmenten is de standaard waarop zelfs de modernste geautomatiseerde methoden zijn gebaseerd. In het werk dat leidde tot het ADJUST-algoritme hebben experts bijvoorbeeld handmatig 640 componenten gelabeld om een trainingset te maken, waarna de prestaties van het classificatiesysteem werden gemeten aan de hand van deze handmatig gedefinieerde referentie.

Het handmatig verwijderen van de meest flagrante artefacten vermindert de belasting van downstream-algoritmen en voorkomt dat ze ruis verspreiden naar naburige kanalen tijdens ruimtelijke filterstappen.

Een consistent ruisend kanaal interpoleren

Wanneer een enkele elektrode gedurende de hele registratie onbetrouwbaar is vanwege een los contact, opgedroogde gel of mechanische instabiliteit, blijft de algehele dimensionaliteit van de gegevens behouden door dat kanaal te verwijderen en de gegevens ervan te reconstrueren op basis van naburige schone elektroden.

Interpolatie maakt gebruik van de ruimtelijke spanningsverdeling over de hoofdhuid om te schatten wat het slechte kanaal zou hebben geregistreerd, waardoor het artefact effectief wordt vervangen door een aannemelijk, neutraal signaal. Deze stap houdt de dataset intact voor topografische analyses en voorkomt het gegevensverlies dat zou optreden als het kanaal volledig zou worden weggegooid.

Waarom handmatig opschonen essentieel blijft

Zelfs de meest geavanceerde automatische classificatiesystemen profiteren van een dataset die vooraf is ontdaan van grove artefacten. De bevinding van de neonatale studie dat artefacten 12% van de registratietijd in beslag namen en de klinische interpretatie beïnvloedden, illustreert hoe gemakkelijk niet-verwijderde verontreiniging conclusies kan verstoren.

Daarom zorgt handmatige inspectie ervoor dat de grootste en meest voor de hand liggende artefacten zijn verdwenen voordat de gegevens in een effective computational pipeline terechtkomen, waar ze anders de variantie zouden kunnen domineren en de decompositie zouden kunnen misleiden. Het zorgt ook voor een grondige vertrouwdheid met de dataset die geen enkel algoritme kan repliceren.

Hoe geautomatiseerde verwijdering handmatig werk ondersteunt

Onafhankelijke componentenanalyse als ontleedinstrument

Zodra de ergste segmenten handmatig zijn verwijderd, kan ICA het resterende EEG ontleden in statistisch onafhankelijke broncomponenten. Deze techniek ontmengt de mix van hersen- en artefactsignalen die door de hoofdhuid-elektroden worden opgevangen, waardoor oogbewegingen, knipperingen en spieractiviteit worden gescheiden in discrete componenten op basis van hun unieke ruimtelijke en temporele patronen.

Een component met een frontale projectie en een golfvorm die nauw aansluit bij het knippersignaal kan vervolgens worden geïdentificeerd en afgetrokken, waardoor de rest van de gegevens neurofysiologisch intact blijft. De kracht van ICA ligt in het vermogen om meerdere artefactbronnen die gelijktijdig optreden te verwerken, een taak die door eenvoudigere, op regressie gebaseerde correctie vaak overmatig of onvoldoende wordt gecorrigeerd.

De betrouwbaarheid van moderne classificatiesystemen

Geautomatiseerde methoden hebben inmiddels een prestatieniveau bereikt dat nauw aansluit bij het oordeel van menselijke experts.

Een subject‑independent linear classifier, getraind op zes kenmerken uit de frequentie-, ruimtelijke en temporele domeinen, behaalde een gemiddelde kwadratische fout van minder dan 10% op een reactietijd-dataset, wat binnen het bereik van meningsverschillen tussen twee menselijke experts ligt.

Bovendien stemde het ADJUST-algoritme, dat ruimtelijke en temporele artefactspecifieke kenmerken combineert, voor 95.2% van de gegevensvariantie overeen met handmatige expertlabels bij het testen op een volledig onafhankelijke dataset, en de verwijdering van componenten met artefacten leidde tot een schone reconstructie van gebeurtenisgerelateerde potentialen.

Een andere benadering met behulp van autoregressive models in combinatie met een support vector machine classificeerde verschillende soorten door de proefpersoon gegenereerde artefacten over individuen heen met een nauwkeurigheid van ongeveer 94%.

Specifiek voor oogartefacten presteerde een algoritme dat eye-tracker-informatie integreerde om de relevante componenten objectief te identificeren, bijna twee keer zo effectief als menselijke experts die alleen moesten vertrouwen op topografieën van componenten, met een oppervlakte onder de ROC-curve van meer dan 0.99.

Deze cijfers vervangen de handmatige reiniging niet, maar tonen aan dat het vakgebied nu beschikt over betrouwbare computationele assistenten die de repetitieve, grootschalige identificatie kunnen overnemen die voorheen volledig met de hand werd gedaan.

Balans tussen het verwijderen van artefacten en signaalbehoud

Een agressieve afwijzing van artefacten kan onbedoeld echte neurale informatie wegnemen. In een motor-imagery-brain-computer-interface-paradigma ontdekten onderzoekers dat ze tot 60% van de meest artefactrijke ICA-componenten veilig konden verwijderen met behoud van de discriminerende informatie die het BCI-systeem gebruikte om de intentie van de gebruiker te decoderen.

Deze bevinding onderstreept het cruciale principe dat niet elke component die enige artefactvariantie met zich meedraagt, vrij is van neuraal signaal. Een handmatige beoordeling van de componenten die door een automatische classificatie zijn geselecteerd, blijft raadzaam om te bevestigen dat de drempel voor uitsluiting de grens van nuttige hersenactiviteit niet overschrijdt.

Waarom bewustzijn van artefacten de datakwaliteit bepaalt

Artefacten beïnvloeden rechtstreeks zowel de visuele interpretatie als de kwantitatieve metingen. Of het doel nu een klinische diagnose is, een neuroscience-ontdekking of een consumer wellness application, de weg naar betrouwbare resultaten loopt via een duidelijk begrip van waar artefacten vandaan komen, hoe ze eruitzien op het ruwe signaal, en het gedisciplineerde proces van het voorkomen, documenteren en handmatig verwijderen ervan.

Op ICA gebaseerde automatisering kan de workflow voor het opschonen versnellen, maar werkt het meest effectief op gegevens die al door een getraind menselijk oog zijn geïnspecteerd. Een verontreinigingspercentage van 12% klinkt misschien niet hoog, maar wanneer dat deel een medische beslissing kan veranderen of een subtiele cognitive biomarker kan verhullen, is de investering in het beheer van artefacten onlosmakelijk verbonden met de wetenschappelijke integriteit van de registratie.

Referenties

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. 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: An automatic EEG artifact detector based on the joint use of spatial and temporal features. 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). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. 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). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

Veelgestelde vragen

Wat zijn de twee belangrijkste categorieën van EEG-artefacten en hoe verschillen ze?

EEG-artefacten vallen in twee categorieën: proefpersoon-gerelateerde (fysiologische) artefacten die door het lichaam van de deelnemer worden gegenereerd — zoals oogknipperen, spierspanning, hartslag en zweet — en technische (niet-fysiologische) artefacten die voortkomen uit de apparatuur of de omgeving, zoals losse elektroden, kabelbewegingen en netstroominterferentie. Het onderscheid is belangrijk omdat elke categorie verschillende preventie- en verwijderingsstrategieën vereist; een spieruitbarsting heeft bijvoorbeeld een andere interventie nodig dan een netstroombrom van 60 Hz.

Hoe herken je een oogknipperartefact op een EEG-signaal?

Een oogknippering verschijnt als een grote, positieve, langzame golf die het sterkst is op frontale elektroden zoals Fp1 en Fp2, en die snel vervaagt richting centrale of posterieure kanalen. Omdat het hoornvlies een positieve lading draagt ten opzichte van het netvlies, creëert het ooglid dat over deze dipool veegt een stereotiepe afwijking met een hoge amplitude die met enige training gemakkelijk te herkennen is.

Waarom kan spieractiviteit vooral problematisch zijn voor brain-computer interfaces?

Spierartefacten door het klemmen van de kaken, het fronsen van de wenkbrauwen of nekspanning produceren hoogfrequente, piekerige interferentie die vaak overlapt met de bèta- en gammabanden van de hersengolven, waar cognitieve metingen en het monitoren van de mentale toestand plaatsvinden. Deze verontreiniging kan algoritmische analyses verstoren en de prestaties van brain-computer-interfacemodellen verslechteren, waardoor het een van de lastigste fysiologische artefacten is om te beheersen.

Hoe ziet netstroominterferentie eruit en wat is de oorzaak ervan?

Netstroominterferentie verschijnt als een continu, ritmisch sinusvormig "gezoem" dat over elk EEG-kanaal heen ligt, meestal op 50 of 60 Hz, afhankelijk van de stroomvoorziening in de regio. Het ontstaat door capacitieve koppeling van de stroombron met de registratieopstelling als gevolg van een slechte elektrode-impedantie, onvoldoende afscherming of aardingsproblemen, en het is duidelijk een technisch artefact in plaats van een neuraal signaal.

Waarom is handmatige annotatie van artefacten tijdens een registratie belangrijk?

Het bijhouden van een actueel logboek van grove bewegingen, hoesten of elektrode-aanpassingen tijdens de sessie helpt om slechte gegevenssegmenten later sneller te vinden en verandert giswerk in reproduceerbare documentatie. Deze handmatige annotatie weerspiegelt bovendien de deskundige labeling die wordt gebruikt om automatische classificatiesystemen te trainen, wat een referentiekader biedt dat de betrouwbaarheid van zowel handmatige als computationele reiniging verbetert.

Wat is het doel van het interpoleren van een consistent ruisend EEG-kanaal?

Wanneer een enkele elektrode gedurende de registratie onbetrouwbaar is door een los contact of droge gel, reconstrueert interpolatie de gegevens van dat kanaal op basis van naburige schone elektroden met behulp van de ruimtelijke spanningsverdeling over de hoofdhuid. Dit behoudt de algehele dimensionaliteit van de dataset voor topografische analyses, waardoor het gegevensverlies wordt voorkomen dat zou optreden als het hele kanaal zou worden weggegooid.

Hoe helpt onafhankelijke componentenanalyse (ICA) bij het verwijderen van artefacten?

ICA ontleedt de gemengde EEG-signalen in statistisch onafhankelijke broncomponenten, waardoor oogknipperingen, spieractiviteit en andere artefacten worden gescheiden op basis van hun unieke ruimtelijke en temporele patronen. Eenmaal geïdentificeerd, kan een artefactcomponent — zoals een component met een frontale projectie die overeenkomt met een knippering — worden afgetrokken, waardoor de onderliggende neurale signalen grotendeels intact blijven en meerdere gelijktijdige artefactbronnen effectiever worden aangepakt dan met eenvoudige regressiemethoden.

Wat is het risico als men te agressief te werk gaat met geautomatiseerde artefactverwijdering?

Agressieve uitsluiting kan onbedoeld echte neurale informatie wegnemen, aangezien sommige componenten zowel artefactvariantie als nuttige hersenactiviteit bevatten. Zelfs als automatische classificatiesystemen veel componenten markeren, is een handmatige controle van de te verwijderen componenten raadzaam om te zorgen dat de drempel voor uitsluiting geen signalen elimineert die essentieel zijn voor het decoderen van de intentie van de gebruiker of het detecteren van cognitieve biomarkers.

Waarom heeft bewustzijn van artefacten direct invloed op de wetenschappelijke integriteit van een EEG-registratie?

Artefacten kunnen zich voordoen als pathologische golfvormen of variantie introduceren die zowel de visuele interpretatie als de kwantitatieve analyses verstoort, wat klinische classificaties kan veranderen of subtiele cognitieve signalen kan verhullen. Een gedisciplineerd proces van het voorkomen, documenteren en handmatig opschonen van artefacten is essentieel voor elke computationele verwerking, om te garanderen dat conclusies uit de gegevens betrouwbaar zijn en niet worden gecorrumpeerd door verontreiniging.