EEG-gegevens

Wat zijn EEG-gegevens?

EEG-gegevens zijn een digitale registratie van spanningsverschillen gemeten door elektroden die op of nabij de hoofdhuid zijn geplaatst. Elektro-encefalografie is niet-invasief en biedt een hoge temporele resolutie, waardoor onderzoekers en clinici veranderingen in de hersenactiviteit in milliseconden kunnen onderzoeken. Het resulterende signaal wordt meestal opgeslagen als een of meer continue tijdreeksen, waarbij elk kanaal een meting vertegenwoordigt ten opzichte van een referentie.

Het signaal weerspiegelt een mix van bronnen. Neurale activiteit draagt bij aan de registratie, maar artefacten zoals oogbewegingen, spiercontracties, elektrodebewegingen, omgevingsinterferentie en veranderingen in het contact kunnen ook in het signaal verschijnen.

Om die reden zijn EEG-gegevens geen directe weergave van een enkel hersenproces. Het is een observatie die context, kwaliteitscontroles en een expliciete analytische methode vereist.

Het aantal kanalen, de bemonsteringsfrequentie, de referentie, de elektrodelocaties, de eventmarkers en de informatie over de deelnemer bepalen allemaal hoe de gegevens kunnen worden geïnterpreteerd. In de praktijk is de registratie het meest informatief wanneer het signaal wordt beschouwd in samenhang met de taak, de toestand, de timing en de omstandigheden waaronder het werd verzameld.

Hoe hersencellen het EEG-signaal genereren

De spanningsafwijkingen die een EEG-elektrode detecteert, zijn niet afkomstig van de scherpe, alles-of-niets actiepotentialen die neuronen gebruiken voor communicatie over lange afstand, maar van de tragere, gegradeerde postsynaptische potentialen die zich verspreiden over de dendrieten van corticale piramidecellen.

Wanneer duizenden van deze neuronen in nagenoeg synchroon tempo actief worden, tellen hun minuscule extracellulaire stromen op via het geleidende medium van de hersenen, het hersenvocht, de schedel en de hoofdhuid, een proces dat volumegeleiding wordt genoemd. De spanning die uiteindelijk de registratiesensor bereikt, is een vage maar reële weerspiegeling van die grootschalige neurale synchroniciteit.

Hoe EEG-gegevensverwerving werkt

Tijdens de registratie detecteren elektroden kleine spanningsschommelingen en zet een registratiesysteem deze om in digitale samples. Het systeem registreert doorgaans meerdere kanalen tegelijkertijd, terwijl een referentie en aarde de elektrische context bieden die nodig is om de kanaalwaarden te berekenen. De bemonsteringsfrequentie bepaalt hoe vaak het signaal wordt gemeten en dus welke veranderingen getrouw kunnen worden weergegeven.

Vóór de registratie positioneren technici of onderzoekers de elektroden volgens een gedefinieerde montage en controleren ze de contactkwaliteit. Het EEG-elektrodeplaatsing-framework beschrijft een gestandaardiseerde aanpak die vergelijking tussen sessies en laboratoria ondersteunt. Eventmarkers kunnen worden toegevoegd wanneer een stimulus verschijnt, een deelnemer reageert of een klinische gebeurtenis plaatsvindt, waardoor een tijdlijn ontstaat die later kan worden uitgelijnd met de geregistreerde signalen.

De registratie wordt ook gevormd door het protocol. Rusttoestandregistraties, slaapstudies, cognitieve taken en monitoring van epileptische aanvallen gebruiken verschillende duur, instructies en hulpsensoren. Een volledige dataset bevat daarom meer dan alleen spanningssignalen: deze kan kanaallabels, elektrodeposities, apparaatinstellingen, eventcodes, annotaties en een registratie van onderbrekingen of ongebruikelijke omstandigheden bevatten.

Best practices voor het verzamelen van EEG-gegevens

Een goede verzameling begint met een protocol dat de onderzoeksvraag, de registratieduur, de kanaalconfiguratie, de bemonsteringsfrequentie, de referentie en de eventmarkeringsprocedure definieert voordat deelnemers worden getest. Consistentie vermindert ongewenste variatie tussen sessies en maakt latere vergelijkingen beter verdedigbaar. Het protocol moet ook beschrijven wat er gebeurt als een kanaal ruis vertoont, een deelnemer beweegt of een eventmarker wordt gemist.

Fysieke voorbereiding is ook cruciaal omdat de signaalkwaliteit kan verslechteren door normale beweging en slecht elektrodecontact. Daarom controleren operators doorgaans de impedantie of gelijkwaardige contactindicatoren, leggen ze de taak duidelijk uit en registreren ze relevante veranderingen in de toestand van de deelnemer. Deze stappen nemen niet elk artefact weg, maar ze maken de bron ervan gemakkelijker te identificeren en voorkomen dat vermijdbare problemen worden aangezien voor neurale bevindingen.

Een korte checklist voor de verzameling kan operationele details in het vizier houden zonder het wetenschappelijke oordeel te vervangen:

• Bevestig kanaallabels, elektrodelocaties, referentie en aarde.

• Registreer de bemonsteringsinstellingen, filterinstellingen en apparaatconfiguratie.

• Markeer stimuli, reacties, pauzes en klinisch relevante gebeurtenissen consistent.

• Documenteer onderbrekingen, bewegingen, elektrodetransformaties en ongebruikelijke toestanden van deelnemers.

Na het verzamelen moet de checklist worden gecombineerd met een inspectie van de ruwe registratie en de bijbehorende metadata. Duidelijke registratiegegevens stellen analisten in staat een echt signaalkenmerk te onderscheiden van een verandering die wordt veroorzaakt door hardware, configuratie of afwijking van het protocol.

Natte vs. droge elektroden en de kwaliteit van het huidcontact

Alle EEG-registraties beginnen met een fysieke sensor tegen de huid, en die sensor behoort tot een van de twee grote families.

Natte elektroden gebruiken een geleidende gel of pasta om de kloof tussen metaal en hoofdhuid te overbruggen, waardoor de impedantie wordt verlaagd. Droge elektroden maken de gel overbodig en vertrouwen op geavanceerde materialen en ingebouwde voorversterking om de getrouwheid van het signaal te behouden.

Sommige elektroden zijn actief, wat betekent dat ze direct op de registratieplaats elektronische impedantie-conversiecircuits bevatten; passieve elektroden missen deze ingebouwde elektronica. Ongeacht het type bepaalt de kwaliteit van het grensvlak tussen elektrode en hoofdhuid hoeveel biologisch signaal overleeft voordat het überhaupt de versterker bereikt.

Slecht contact nodigt uit tot omgevingsruis en bewegingsartefacten die de zwakke hersenactiviteit kunnen overstemmen. Winkler et al. maakten deze uitdaging expliciet toen ze het universele probleem van artefactbroncomponenten aanpakten door een proefpersoononafhankelijke classifier te bouwen voor componenten van de onafhankelijke componentenanalyse (ICA).

Het feit dat deze inspanning überhaupt bestaat, onderstreept dat artefactvervuiling een aanhoudend probleem is bij EEG-registraties, en het eerste aanbrengen van de elektroden — het reinigen van de huid, het correct plaatsen van de sensor en het verifiëren van een stabiele verbinding — is de eerste en meest directe manier om de artefactbelasting te verlichten waarmee de latere verwerking te maken krijgt.

Montage-ontwerp en het standaard 10–20-systeem

Omdat hoofdhuidpotentialen geen inherent ruimtelijk label hebben, heeft het vakgebied lang geleden een coördinatenraster aangenomen. Het internationale 10–20-systeem definieert elektrodeposities proportioneel tussen vier anatomische referentiepunten: de nasion (neusbrug), de inion (knobbel achter op het hoofd) en de linker- en rechter pre-auriculaire punten net voor de oren. Deze standaardisatie betekent dat een kanaal met het label 'Cz' in elk lab verwijst naar dezelfde centrale vertexlocatie, waardoor datasets direct vergelijkbaar zijn.

Een montage gedefinieerd als de specificatie van hoe de spanning van elke elektrode wordt gemeten ten opzichte van een referentie en hoe die bipolaire of referentiële afleidingen worden weergegeven of opgeslagen, bevindt zich boven op die fysieke lay-out. De studie van Arnaud Delorme illustreert duidelijk waarom nauwkeurige montage-informatie downstream belangrijk is; hij stelde vast dat interpolatie van slechte kanalen, een van de weinige voorverwerkingsstappen die consistent de statistische power van event-related potentials verbeterde, afhankelijk is van de exacte kennis van de ruimtelijke buren van elke elektrode. Zonder een correcte kanaalkaart kan dergelijke interpolatie niet betrouwbaar functioneren.

Hij voegt daaraan toe dat de artefact-classifier is ontworpen om te generaliseren naar gegevens die verschillende kanaalconfiguraties gebruiken, wat bevestigt dat de ruimtelijke kenmerken van de classifier uitgaan van een goed gedocumenteerde indeling. Een gestandaardiseerde, getrouw genoteerde montage wordt zo de onzichtbare steunpilaar die zowel menselijke interpretatie als algoritmisch hergebruik ondersteunt.

Kiezen en documenteren van de online referentie

Elke EEG-versterker registreert het spanningsverschil tussen twee punten. Tijdens de online registratie is een van die punten een fysieke referentie-elektrode die door de hardware als een vaste basislijn wordt behandeld.

Veelvoorkomende keuzes zijn de vertex (Cz), gekoppelde oorlellen of mastoïden, of een gemiddelde van alle hoofdhuidkanalen. Omdat het ruwe gegevensbestand spanningen opslaat met betrekking tot die oorspronkelijke referentie, laat de keuze een permanent spoor achter op de getallen, zelfs als een onderzoeker het signaal later wiskundig opnieuw refereert naar een ander gemeenschappelijk punt.

In het eerder genoemde onderzoek van Delorme, waarin geautomatiseerde voorverwerkingspipelines werden getest op drie openbare EEG-verzamelingen, ontdekte hij dat refereren en geavanceerde methoden voor het verwijderen van de basislijn aanzienlijk nadelig waren voor de prestaties, waardoor het percentage kanalen dat een significant experimenteel effect vertoonde, afnam.

Die bevinding betekent niet dat men nooit opnieuw moet refereren, maar het betekent wel dat de initiële online referentie moet worden vastgelegd in de bestandsheader. Alleen met die aantekening kan een toekomstige analist begrijpen welke basislijn oorspronkelijk werd afgetrokken en beoordelen of een eventuele daaropvolgende transformatie de echte hersenrespons kan vervormen.

Analoog-naar-digitaal-omzetting en bemonsteringsfrequentie

De continue spanning die van elke elektrode vloeit, wordt door een analoog-naar-digitaalomzetter (ADC) omgezet in een stroom van discrete getallen. De snelheid waarmee de ADC bemonstert, bepaalt de temporele korrel van de resulterende tijdreeks.

Een bemonsteringsfrequentie van 500 Hz betekent bijvoorbeeld dat de elektrische toestand van de hersenen elke 2 milliseconden eenmaal wordt vastgelegd. Volgens de stelling van Nyquist is de hoogste frequentie die getrouw kan worden weergegeven in het gedigitaliseerde signaal minder dan de helft van de bemonsteringsfrequentie, dus een registratie van 500 Hz kan frequenties tot iets minder dan 250 Hz herstellen. EEG van wetenschappelijke kwaliteit werkt doorgaans tussen 250 Hz and 1000 Hz, afhankelijk van de frequentiebanden die van belang zijn.

Wat de bemonsteringsfrequentie bijzonder belangrijk maakt als metadata, is dat deze stilletjes de analytische keuzes beperkt die veel verder stroomafwaarts worden gemaakt. Fraschini et al. onderzochten precies dit rimpeleffect door te testen hoe de epochlengte — het tijdvenster van de gegevens die zijn geëxtraheerd voor connectiviteitsanalyse — de resultaten verschuift.

Met behulp van rusttoestand-EEG van gezonde volwassenen toonde de studie aan dat zowel de gemiddelde fase-lag index als de amplitude-envelope correlatiewaarden daalden naarmate de epochs langer werden, en pas stabiliseerden na respectievelijk ongeveer 12 seconden en 6 seconden. Zelfs de topologie van grafentheoretische netwerken die uit de gegevens werden gereconstrueerd, varieerde met de duur van de epoch, hoewel parameters van de minimum spanning tree op bronniveau robuuster bleken.

De essentiële conclusie voor de documentatie van ruwe gegevens is dat het aantal samples per seconde een absolute ondergrens stelt aan hoe timing kan worden opgesplitst. Als de bemonsteringsfrequentie onjuist wordt geregistreerd, erft elke volgende eventmarker, epochgrens en connectiviteitsschatting die fout over. Daarom is het noteren van de exacte ADC-frequentie in de bestandsheader een ononderhandelbaar onderdeel van de administratie.

Standaard formaten voor gegevensopslag: EDF en BrainVision

Eenmaal gedigitaliseerd, moeten de tijdreeks en de bijbehorende metadata worden opgeslagen in een bestandsformaat dat andere software en andere laboratoria zonder ambiguïteit kunnen openen.

Twee open formaten domineren het veld. Het European Data Format (EDF) is een compact, breed geaccepteerd containerbestand dat veel wordt gebruikt in slaaponderzoek en klinische settings, en dat meerdere kanalen opslaat samen met een header die de bemonsteringsfrequentie, kanaallabels en fysieke dimensies specificeert.

BrainVision, een formaat ontwikkeld door Brain Products, verspreidt dezelfde informatie over drie gekoppelde bestanden: een tekstheader (.vhdr) die kanaalnamen, de bemonsteringsfrequentie en de oorspronkelijke referentie vermeldt; een markerbestand (.vmrk) dat eventcodes en hun latenties registreert; and een binair gegevensbestand (.eeg) dat de ruwe spanningssamples bevat.

De waarde van deze gestandaardiseerde formaten wordt duidelijk wanneer grote datasets openbaar worden gedeeld. In een studie uit 2019 gaven onderzoekers bijvoorbeeld een multi-paradigma brein-computerinterface (BCI) dataset vrij die betrekking had op motorische verbeelding, event-related potentials en steady-state visueel opgewekte potentialen van 54 deelnemers. Het distribueren van zo'n bron met open-source analysescripts zou zinloos zijn als de gegevens opgesloten zaten in een eigen, gesloten formaat.

Of de bestanden uiteindelijk worden gearchiveerd in EDF of BrainVision, de keuze garandeert dat elke onderzoeker de registratie kan downloaden en de bevindingen kan reproduceren, waardoor het ruwe signaal wordt gekoppeld aan de reproduceerbaarheidsketen van de hele gemeenschap.

Essentiële administratie: kanaalkaarten en bemonsteringsmetadata

Een ruw EEG-bestand wordt wetenschappelijk pas bruikbaar als het een volledige, nauwkeurige beschrijving bevat van zijn ruimtelijke en temporele structuur. Dit betekent dat elk kanaal een standaardlabel moet hebben (bijv. Fz, C3, O2, enzovoort) samen met zijn driedimensionale coördinaten op de hoofdhuid. Die coördinaten maken elke latere analyse mogelijk die te maken heeft met ruimtelijke relaties, zoals het interpoleren van een slecht kanaal op basis van de buren of het projecteren van het signaal op een corticaal bronmodel.

De studie van Fraschini et al. vertrouwde op ruimtelijke, spectrale en temporele kenmerken om ICA-componenten te classificeren als hersenactiviteit of artefact; de ruimtelijke topologie van een component is betekenisloos zonder de fysieke locatie te kennen van elke elektrode die eraan heeft bijgedragen.

Evenzo ontdekte Delorme dat de interpolatie van slechte kanalen, die de waarden van aangrenzende elektroden gebruikt, een van de weinige correcties was die experimentele effecten betrouwbaar in stand hielden. Een interpolator kan die ruimtelijke schatting alleen uitvoeren als de kanaalkaart van de dataset correct is.

De bestandsheader moet ook de exacte bemonsteringsfrequentie, de datum van de registratie en eenduidige labels voor eventuele hulpkanalen zoals het elektro-oculogram (oogbewegingen) of het elektromyogram (spieractiviteit) opslaan. Zelfs als die kanalen tijdens de eerste gegevensverkenning ongebruikt blijven, moet hun aanwezigheid transparant zijn. Een mismatch tussen de opgeslagen bemonsteringsfrequentie en de werkelijke ADC-klok kan de timing onomkeerbaar vervormen, waardoor het later onmogelijk wordt om deze uit te lijnen met stimulusmarkers.

EEG-gegevens in klinische vs. onderzoeksomgevingen

Klinische en onderzoeksregistraties delen kernprincipes, maar dienen verschillende directe doelen. Een klinisch EEG wordt verkregen om de beoordeling, monitoring of diagnose van patiënten te ondersteunen onder gevestigde professionele en institutionele procedures. Een onderzoeks-EEG wordt meestal verzameld om een gedefinieerde hypothese te testen, omstandigheden te vergelijken of een analytische methode te ontwikkelen, met studiespecifieke protocollen en documentatie.

Klinisch werk legt sterke nadruk op een tijdige beoordeling, klinisch zinvolle montages, gevalideerde interpretatie en een permanent dossier binnen het toepasselijke zorgsysteem. Onderzoek legt meer nadruk op gecontroleerde omstandigheden, vooraf gespecificeerde resultaten, reproduceerbaarheid en transparante omgang met uitsluitingen. Een onderzoeksresultaat is niet automatisch een klinische bevinding, en een klinische observatie is niet automatisch een gevalideerde onderzoeksmaatstaf.

Het onderscheid heeft ook invloed op de governance van gegevens. Klinische gegevens kunnen vallen onder medische dossierverplichtingen en directe zorgvereisten, terwijl onderzoeksdatasets worden gevormd door de formulering van de toestemmingsverklaring, institutionele toetsing, plannen voor het delen van gegevens en eindpunten van de studie. In beide settings zijn getrainde interpretatie en zorgvuldige documentatie noodzakelijk omdat EEG-patronen afhankelijk zijn van de context en niet van geïsoleerde numerieke waarden.

Privacy en ethische overwegingen voor EEG-gegevens

EEG-registraties kunnen aan een persoon worden gekoppeld via identificatiemiddelen, sessie-informatie, klinische context of combinaties van metadata. Zelfs wanneer de golfvorm zelf moeilijk te interpreteren is buiten een specialistische omgeving, moet deze worden behandeld als gevoelige gegevens over menselijke proefpersonen wanneer deze is gekoppeld aan een identificeerbare deelnemer. Verzameling en hergebruik moeten in overeenstemming zijn met het goedgekeurde protocol en de toepasselijke privacyvereisten.

Toestemming moet het doel van de registratie, de verwachte soorten analyses, de opslagduur, eventuele deling en of toekomstig gebruik is toegestaan uitleggen. Onderzoekers moeten vermijden te suggereren dat EEG meer kan onthullen dan de studie is ontworpen om te meten. Duidelijke communicatie is vooral belangrijk wanneer deelnemers er wellicht van uitgaan dat een onderzoeksregistratie een diagnose of geïndividualiseerde beoordeling oplevert.

Ethisch handelen houdt niet op na de verzameling. De-identificatie, gecontroleerde toegang, bewaartermijnen, audit trails en zorgvuldige vrijgave van metadata helpen het risico te verkleinen, maar geen enkele methode sluit het volledig uit. Bevindingen moeten worden gerapporteerd zonder de voorspellende of diagnostische betekenis te overdrijven, en geautomatiseerde classificaties moeten worden behandeld als analytische outputs die passende validatie vereisen in plaats van als onbetwistbare oordelen over een persoon.

Waarom de kwaliteit van ruwe registraties de basis legt voor betrouwbare EEG-analyse

Een enkele EEG-sessie is het moment waarop de elektrische architectuur van de hersenen in permanente vorm wordt vastgelegd, en de complexiteit van dat ruwe signaal weerspiegelt al de neurale netwerken onder de hoofdhuid. De op neurowetenschap gebaseerde onderzoeken die hier worden belicht, dragen een eenduidige boodschap uit: het signaal waarin we geïnteresseerd zijn, bevindt zich in de ruwe gegevens zelf, mits de registratiestap met zorg wordt behandeld. De kwaliteit van het elektrodecontact, nauwkeurige kanaalkaarten, gedocumenteerde referenties en bemonsteringsfrequenties, en open opslagformaten bepalen allemaal of dat signaal over laboratoria en jaren heen toegankelijk blijft.

Ten slotte is terughoudendheid vaak beter dan zware verwerking, aangezien onderzoekers die ruwe gegevens grotendeels ongemoeid lieten, echte hersenresponsen beter behielden dan degenen die agressieve correcties toepasten. Zorgvuldige registratie, eerlijke metadata en minimale interferentie vormen een discipline die het wetenschappelijke signaal intact houdt.

Elke betrouwbare analyse begint daarom niet met geavanceerde algoritmen, maar met de simpele handeling van het vastleggen van een getrouw, goed gedocumenteerd signaal.

Referenties

1. 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

2. Delorme, A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

3. Fraschini, M., Demuru, M., Crobe, A., Marrosu, F., Stam, C. J., & Hillebrand, A. (2016). The effect of epoch length on estimated EEG functional connectivity and brain network organisation. Journal of neural engineering, 13(3), 036015.

4. Lee, M. H., Kwon, O. Y., Kim, Y. J., Kim, H. K., Lee, Y. E., Williamson, J., ... & Lee, S. W. (2019). EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience, 8(5), giz002. https://doi.org/10.1093/gigascience/giz002

Veelgestelde vragen

Wat legt een EEG-registratie precies vast, and waarom wordt het beschouwd als een weerspiegeling van hersenactiviteit?

Een EEG-registratie legt de minuscule spanningsschommelingen op de hoofdhuid vast die voortkomen uit de gesynchroniseerde activiteit van grote groepen corticale neuronen. Deze schommelingen zijn voornamelijk afkomstig van gegradeerde postsynaptische potentialen in piramidecellen, die optellen via volumegeleiding, waardoor een vage maar reële maatstaf voor grootschalige neurale synchroniciteit ontstaat.

Waarom zijn EEG-signalen afkomstig van postsynaptische potentialen in plaats van actiepotentialen?

Actiepotentialen zijn korte alles-of-niets-gebeurtenissen die weinig bijdragen aan de hoofdhuidspanning, terwijl tragere, gegradeerde postsynaptische potentialen zich verspreiden over dendrieten en optellen over duizenden neuronen. Deze optelling produceert detecteerbare spanningsafwijkingen op de hoofdhuid, waardoor postsynaptische potentialen de primaire bron van het EEG-signaal zijn.

Wat is het verschil tussen natte en droge elektroden, en welke invloed heeft de kwaliteit van het elektrodecontact op een registratie?

Natte elektroden gebruiken een geleidende gel om de impedantie te verlagen en de signaaloverdracht te verbeteren, terwijl droge elektroden vertrouwen op geavanceerde materialen en ingebouwde voorversterking om de getrouwheid zonder gel te behouden. De kwaliteit van het grensvlak tussen elektrode en huid is cruciaal omdat slecht contact omgevingsruis en bewegingsartefacten uitnodigt die het zwakke hersensignaal kunnen overweldigen.

Hoe standaardiseert het internationale 10–20-systeem de plaatsing van elektroden, en waarom is dit belangrijk?

Het 10–20-systeem definieert elektrodeposities proportioneel tussen vier anatomische referentiepunten — nasion, inion en de linker- en rechter pre-auriculaire punten — zodat een gelabeld kanaal zoals "Cz" in elk lab naar dezelfde locatie verwijst. Deze standaardisatie zorgt ervoor dat datasets direct vergelijkbaar zijn en maakt nauwkeurige ruimtelijke analyses mogelijk, zoals de interpolatie van slechte kanalen.

Waarom is het essentieel om de online referentie-elektrode te documenteren die tijdens een EEG-registratie is gebruikt?

Het ruwe gegevensbestand slaat spanningen op ten opzichte van de online referentie, dus de keuze van de referentie (bijv. Cz, gekoppelde oorlellen of gemiddelde) laat een permanent spoor achter op de getallen, zelfs als er later opnieuw wordt gerefereerd. Zonder documentatie van de oorspronkelijke referentie kan een toekomstige analist de afgetrokken basislijn niet begrijpen of beoordelen of latere transformaties echte hersenresponsen vervormen.

Welke rol speelt de bemonsteringsfrequentie bij EEG-registraties, en hoe is de stelling van Nyquist hierop van toepassing?

De bemonsteringsfrequentie bepaalt de temporele resolutie van het gedigitaliseerde signaal, waarbij de stelling van Nyquist stelt dat de hoogste getrouw weergegeven frequentie minder is dan de helft van de bemonsteringsfrequentie. Een bemonsteringsfrequentie van 500 Hz kan bijvoorbeeld frequenties tot iets onder 250 Hz herstellen, en EEG van wetenschappelijke kwaliteit werkt doorgaans tussen 250 en 1000 Hz. Een nauwkeurige bemonsteringsfrequentie is cruciaal omdat deze alle stroomafwaartse timinggerelateerde analyses beperkt.

Wat zijn de twee dominante open gegevensformaten voor EEG, en wat slaan ze op?

Het European Data Format (EDF) is een compact containerbestand dat meerdere kanalen opslaat met een header die de bemonsteringsfrequentie, kanaallabels en fysieke dimensies specificeert. BrainVision verspreidt informatie over drie gekoppelde bestanden: een header (.vhdr), een markerbestand (.vmrk) en een binair gegevensbestand (.eeg), die allemaal zorgen voor eenduidige deling en reproduceerbaarheid.

Waarom zijn een volledige kanaalkaart en ruimtelijke coördinaten noodzakelijk voor een ruw EEG-bestand?

Een kanaalkaart met standaardlabels en 3D-coördinaten maakt elke ruimtelijke analyse mogelijk, zoals het interpoleren van slechte kanalen op basis van buren of het projecteren van signalen op corticale bronmodellen. Artefact-classifiers vertrouwen bijvoorbeeld op ruimtelijke topologieën en interpolatie vereist kennis van de exacte elektrodelocaties; zonder dit falen dergelijke analyses.

Welke essentiële metadata moeten in een EEG-bestandsheader worden opgenomen, en waarom?

De header moet de exacte bemonsteringsfrequentie, registratiedatum, kanaallabels met 3D-coördinaten en eenduidige labels voor hulpkanalen zoals EOG of EMG bevatten. Deze informatie is cruciaal omdat een onjuiste bemonsteringsfrequentie de timing onomkeerbaar kan vervormen, en een correcte kanaalkaart noodzakelijk is voor ruimtelijke interpolatie en bronmodellering.

Waarom is EEG nuttig voor onderzoek?

EEG biedt zeer gedetailleerde temporele informatie, waardoor het nuttig is voor het bestuderen van event-related potentials, aanhoudende ritmes, slaap, aandacht, sensorische verwerking en andere tijdsgevoelige verschijnselen. De interpretatie ervan blijft afhankelijk van het experimentele ontwerp en de signaalkwaliteit.

Wat zijn veelvoorkomende EEG-artefacten?

Veelvoorkomende artefacten zijn onder meer knipperen met de ogen, oogbewegingen, spieractiviteit, elektrodebewegingen, slecht contact, kabelbeweging en elektrische interferentie. Ze kunnen invloed hebben op één kanaal of op veel kanalen en kunnen overlappen met frequenties die wetenschappelijk interessant zijn.

Wat is voorverwerking bij EEG-analyse?

Voorverwerking is de gedocumenteerde set bewerkingen die wordt gebruikt om registraties voor te bereiden op analyse. Het kan gaan om filteren, opnieuw refereren, het omgaan met slechte kanalen, artefactidentificatie, epoching, basislijncorrectie en kwaliteitscontrole.