Dlaczego wstępne przetwarzanie danych (preprocessing) jest ważne

EEG wykazuje wysoką wrażliwość na aktywność elektryczną pochodzenia zarówno neuronalnego, jak i nieneuronalnego. Choć staranne zaplanowanie eksperymentu i gromadzenie danych minimalizują wiele źródeł zakłóceń, pewien stopień zanieczyszczenia artefaktami jest nieunikniony. Preprocessing pomaga badaczom odróżnić istotną aktywność mózgu od niepożądanych sygnałów, poprawiając jednocześnie spójność kolejnych analiz.[1]

Co ważne, preprocessingu nie należy traktować jako sposobu na naprawę nagrań o słabej jakości. Zamiast tego jest to ustrukturyzowany proces udoskonalania wysokiej jakości danych zebranych w wyniku rzetelnych praktyk eksperymentalnych. Decyzje podejmowane podczas preprocessingu wpływają na każdy kolejny etap analizy, co sprawia, że przejrzystość i spójność są kluczowe.

Budowanie ścieżki przetwarzania danych (preprocessing pipeline)

Preprocessing jest zazwyczaj wykonywany jako sekwencja kroków, a nie jako pojedyncze, odizolowane procedury. Chociaż poszczególne etapy pracy różnią się w zależności od pytania badawczego i metod analitycznych, ustanowienie spójnego schematu postępowania pomaga zapewnić, że dane każdego uczestnika są przetwarzane w ten sam sposób.

Badacze powinni określić swoją strategię preprocessingu przed rozpoczęciem formalnej analizy, gdy tylko jest to możliwe. Zdefiniowanie przepływu pracy z wyprzedzeniem zmniejsza ryzyko wprowadzenia błędu systematycznego (biasu) poprzez podejmowanie decyzji o sposobie przetwarzania po zapoznaniu się z wynikami.[1]

Ponieważ żadna pojedyncza ścieżka preprocessingu nie jest odpowiednia dla każdego badania, przepływ pracy powinien opierać się na uznanej literaturze, projekcie eksperymentu, metodologii rejestracji oraz celach naukowych.

Filtrowanie sygnału EEG

Filtrowanie jest często jednym z najwcześniejszych etapów preprocessingu. Filtry redukują niepożądane składowe częstotliwości, zachowując jednocześnie aktywność neuronalną istotną dla pytania badawczego.

Filtry górnoprzepustowe mogą redukować powolny dryf sygnału, podczas gdy filtry dolnoprzepustowe pomagają tłumić zakłócenia o wysokiej częstotliwości. W niektórych badaniach stosuje się również filtry zaporowe (notch), aby w razie potrzeby ograniczyć zakłócenia elektryczne pochodzące z sieci zasilającej.[1],[5]

Do wyboru filtrów należy podchodzić ostrożnie. Nadmierne filtrowanie może zniekształcić sygnały neuronalne lub zmienić czas i amplitudę odpowiedzi związanych z wydarzeniami. Badacze powinni wybrać takie ustawienia filtrów, które wspierają planowaną analizę, unikając jednocześnie niepotrzebnej modyfikacji sygnału.

Identyfikacja i zarządzanie artefaktami

Nawet przy starannym gromadzeniu danych, niektóre nagrania będą zawierać artefakty wymagające uwagi podczas preprocessingu.

Badacze zazwyczaj zaczynają od wizualnej inspekcji nagrań w celu zidentyfikowania okresów nadmiernego szumu, niestabilnych kanałów lub przerw w rejestracji. Zautomatyzowane narzędzia do oceny jakości mogą pomagać w wykrywaniu artefaktów, jednak ocena manualna pozostaje ważnym elementem wielu schematów preprocessingu.[3]

W zależności od charakteru zakłóceń, badacze mogą usunąć poszczególne próby, odrzucić zaszumione kanały, interpolować odizolowane elektrody lub zastosować techniki korekcji artefaktów. Decyzje te powinny być zgodne z predefiniowanymi kryteriami jakości ustalonymi przed rozpoczęciem analizy.

Analiza składowych niezależnych (ICA)

Analiza składowych niezależnych (ICA) jest jedną z najpowszechniej stosowanych technik rozdzielania zmieszanych sygnałów elektrycznych na statystycznie niezależne komponenty. Poprzez dekompozycję zarejestrowanego EEG na leżące u jego podstaw źródła sygnału, ICA może pomóc badaczom zidentyfikować składowe powiązane z mruganiem powiek, ruchami oczu, aktywnością mięśni lub innymi artefaktami nieneuronalnymi.[4]

Po zidentyfikowaniu, komponenty powiązane z artefaktami mogą zostać usunięte przed rekonstrukcją sygnału EEG. Choć ICA może znacząco poprawić jakość danych, jej pomyślne zastosowanie zależy od odpowiedniego preprocessingu, wystarczającej jakości danych oraz starannej interpretacji powstałych składowych.

Badacze powinni dokumentować sposób przeprowadzenia ICA oraz to, które składowe zostały usunięte, aby wspierać przejrzystość i powtarzalność badań.

Epokowanie danych ciągłych

Wiele analiz EEG skupia się na odpowiedziach neuronalnych występujących wokół określonych zdarzeń eksperymentalnych. Aby ułatwić te analizy, ciągłe nagrania EEG są często dzielone na krótsze odcinki czasowe zwane epokami.

Każda epoka jest dopasowana do znacznika zdarzenia reprezentującego prezentację bodźca, reakcję uczestnika lub inne znaczące wydarzenie podczas eksperymentu. Ta segmentacja pozwala badaczom porównywać aktywność neuronalną w powtarzających się warunkach eksperymentalnych i stanowi podstawę dla wielu analiz potencjałów wywołanych (ERP).[2],[6]

Dokładna synchronizacja zdarzeń w czasie jest zatem kluczowa przed rozpoczęciem epokowania.

Korekcja linii bazowej

Aktywność neuronalna stale się zmienia, nawet gdy uczestnicy są w stanie spoczynku. Korekcja linii bazowej pomaga uwzględnić te bieżące wahania poprzez porównanie każdej epoki eksperymentalnej z okresem referencyjnym bezpośrednio poprzedzającym interesujące zdarzenie.

Odjęcie tej linii bazowej od późniejszej odpowiedzi neuronalnej pozwala badaczom lepiej wyizolować aktywność związaną z wydarzeniem eksperymentalnym, przy jednoczesnym zmniejszeniu zmienności wprowadzanej przez niepowiązaną aktywność tła.[2]

Wybór linii bazowej powinien pozostać spójny w całym badaniu i odzwierciedlać przyjęte praktyki dla wybranego paradygmatu eksperymentalnego.

Kontrola jakości i dokumentacja

Preprocessing nie kończy się, gdy dane wydają się czystsze. Badacze powinni starannie dokumentować każdy etap przetwarzania, w tym parametry filtrowania, kryteria odrzucania artefaktów, procedury interpolacji, wersje oprogramowania i ustawienia analizy.

Szczegółowa dokumentacja wspiera powtarzalność badań, umożliwiając innym naukowcom zrozumienie, ocenę i odtworzenie ścieżki preprocessingu. Przejrzyste raportowanie sprawia również, że przyszłe porównania między badaniami stają się bardziej znaczące.[1]

Utrzymanie spójnego protokołu preprocessingu u wszystkich uczestników dodatkowo zmniejsza zmienność i wzmacnia wiarygodność uzyskanych wyników analiz.

Wybór oprogramowania do preprocessingu EEG

Kilka platform oprogramowania wspiera preprocessing i analizę EEG, z których każda oferuje inne przepływy pracy i możliwości analityczne. Badacze powinni wybierać narzędzia dostosowane do ich projektu eksperymentalnego, wiedzy technicznej i wymogów raportowania.

Do powszechnych środowisk preprocessingu należą EEGLAB, MNE-Python oraz FieldTrip, obok komercyjnego oprogramowania do akwizycji danych, które wspiera synchronizację zdarzeń, wizualizację danych oraz eksport do popularnych formatów analizy.[4],[5] Wybór kompatybilnych narzędzi może uprościć współpracę, wspierając jednocześnie przejrzyste i powtarzalne praktyki badawcze.

Kluczowe wnioski

Preprocessing przygotowuje surowe nagrania EEG do analizy naukowej poprzez redukcję szumów, zarządzanie artefaktami i organizowanie danych przy jednoczesnym zachowaniu istotnych sygnałów neuronalnych.

Filtrowanie, zarządzanie artefaktami, analiza składowych niezależnych, epokowanie, korekcja linii bazowej oraz kontrola jakości przyczyniają się do poprawy jakości sygnału przy zachowaniu integralności danych.

Dobrze zaprojektowana ścieżka preprocessingu jest spójna, przejrzysta i dostosowana do pytania badawczego. Dokumentując każdy etap przetwarzania i stosując standaryzowane procedury u wszystkich uczestników, badacze zwiększają wiarygodność i powtarzalność swoich odkryć.

Kontynuuj budowanie swojego badania EEG

Gdy dane EEG zostaną przygotowane do analizy, badacze mogą zacząć badać, w jaki sposób różne lokalizacje elektrod przyczyniają się do zrozumienia aktywności mózgu.

W kolejnym przewodniku, Wybór elektrod i montaży EEG, przyjrzymy się systemom rozmieszczenia elektrod, doborowi kanałów oraz temu, jak miejsca rejestracji wpływają na projekt eksperymentu i interpretację danych.

Bibliografia

[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, wyd. 2. Cambridge, MA, USA: MIT Press, 2014.

[3] Red. S. J. Luck i E. S. Kappenman, The Oxford Handbook of Event-Related Potential Components. Nowy Jork, NY, USA: Oxford University Press, 2012.

[4] A. Delorme i S. Makeig, „EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis”, Journal of Neuroscience Methods, t. 134, nr 1, s. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris i J. M. Schoffelen, „FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data”, Computational Intelligence and Neuroscience, t. 2011, nr artykułu 156869, 2011.

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