Dlaczego wstępne przetwarzanie ma znaczenie

EEG jest wysoce wrażliwe zarówno na neuronalną, jak i nieneuronalną aktywność elektryczną. Chociaż staranny projekt eksperymentu i gromadzenie danych minimalizują wiele źródeł szumu, pewien stopień zanieczyszczenia artefaktami jest nieunikniony. Wstępne przetwarzanie pomaga badaczom odróżnić istotną aktywność mózgu od niepożądanych sygnałów, poprawiając jednocześnie spójność kolejnych analiz.[1]

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

Budowanie ścieżki wstępnego przetwarzania

Wstępne przetwarzanie jest zazwyczaj wykonywane jako sekwencja kroków, a nie jako izolowane procedury. Chociaż poszczególne przepływy pracy różnią się w zależności od pytania badawczego i metod analitycznych, ustanowienie spójnej ścieżki pomaga zapewnić, że dane każdego uczestnika są przetwarzane w ten sam sposób.

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

Ponieważ żadna pojedyncza ścieżka wstępnego przetwarzania nie jest odpowiednia dla każdego badania, przepływy pracy powinny opierać się na ustalonej literaturze, projekcie eksperymentalnym, metodologii rejestracji i celach naukowych.

Filtrowanie sygnału EEG

Filtrowanie jest często jednym z najwcześniejszych etapów wstępnego przetwarzania. 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 szumy o wysokiej częstotliwości. W niektórych badaniach stosuje się również filtry środkowozaporowe (notch) w celu zmniejszenia zakłóceń elektrycznych z sieci zasilających, gdy jest to właściwe.[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 niepotrzebnych modyfikacji sygnału.

Identyfikacja i zarządzanie artefaktami

Nawet po starannym zebraniu danych niektóre nagrania będą zawierać artefakty wymagające uwagi podczas wstępnego przetwarzania.

Badacze zazwyczaj zaczynają od wizualnej inspekcji nagrań w celu zidentyfikowania okresów nadmiernego szumu, niestabilnych kanałów lub przerw w rejestracji. Automatyczne narzędzia do oceny jakości mogą pomagać w wykrywaniu artefaktów, ale ręczny przegląd pozostaje ważnym elementem wielu przepływów pracy wstępnego przetwarzania.[3]

W zależności od charakteru zanieczyszczenia badacze mogą usuwać poszczególne próby, odrzucać zaszumione kanały, interpolować pojedyncze elektrody lub stosować techniki korekcji artefaktów. Decyzje te powinny być zgodne z predefiniowanymi kryteriami jakości ustalonymi przed rozpoczęciem analizy.

Analiza składowych niezależnych

Analiza składowych niezależnych (ICA) to jedna z najczęściej stosowanych technik separacji zmieszanych sygnałów elektrycznych na statystycznie niezależne składowe. 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 nieneuronalnymi artefaktami.[4]

Po zidentyfikowaniu składowe powiązane z artefaktami mogą zostać usunięte przed rekonstrukcją sygnału EEG. Choć ICA może znacznie poprawić jakość danych, pomyślne zastosowanie zależy od odpowiedniego wstępnego przetwarzania, wystarczającej jakości danych i starannej interpretacji powstałych składowych.

Badacze powinni dokumentować, w jaki sposób przeprowadzono ICA i 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 zdarzenie podczas eksperymentu. Taka segmentacja pozwala badaczom porównywać aktywność neuronalną w powtarzających się warunkach eksperymentalnych i stanowi podstawę dla wielu analiz potencjałów wywołanych (ERP).[2],[6]

Dokładny czas zdarzeń jest zatem kluczowy przed rozpoczęciem epokowania.

Korekcja linii bazowej

Aktywność neuronalna stale się zmienia, nawet gdy uczestnicy są w stanie spoczynku. Korekcja linii bazowej pomaga uwzględnić te ciągłe 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 ze zdarzeniem eksperymentalnym, zmniejszając jednocześnie zmienność wprowadzaną przez niepowiązaną aktywność tła.[2]

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

Kontrola jakości i dokumentacja

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

Szczegółowa dokumentacja wspiera powtarzalność badań, pozwalając innym badaczom zrozumieć, ocenić i zreplikować ścieżkę wstępnego przetwarzania. Przejrzyste raportowanie sprawia również, że przyszłe porównania między badaniami są bardziej znaczące.[1]

Utrzymanie spójnego protokołu wstępnego przetwarzania u wszystkich uczestników dodatkowo zmniejsza zmienność i wzmacnia zaufanie do uzyskanych analiz.

Wybór oprogramowania do wstępnego przetwarzania EEG

Kilka platform oprogramowania wspiera wstępne przetwarzanie i analizę EEG, z których każda oferuje inne przepływy pracy i możliwości analityczne. Badacze powinni wybierać narzędzia, które są zgodne z ich projektem eksperymentalnym, wiedzą techniczną i wymogami dotyczącymi raportowania.

Typowe środowiska wstępnego przetwarzania obejmują EEGLAB, MNE-Python oraz FieldTrip, obok komercyjnego oprogramowania do akwizycji danych, które wspiera synchronizację zdarzeń, wizualizację danych i eksport do popularnych formatów analitycznych.[4],[5] Wybór interoperacyjnych narzędzi może uprościć współpracę, wspierając jednocześnie przejrzyste i powtarzalne praktyki badawcze.

Kluczowe wnioski

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

Filtrowanie, zarządzanie artefaktami, analiza składowych niezależnych, epokowanie, korekcja linii bazowej i kontrola jakości – wszystko to przyczynia się do poprawy jakości sygnału przy jednoczesnym zachowaniu integralności danych.

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

Kontynuuj budowanie swojego badania EEG

Po przygotowaniu danych EEG do analizy badacze mogą zacząć badać, w jaki sposób różne lokalizacje elektrod przyczyniają się do zrozumienia aktywności mózgu.

W kolejnym poradniku, Wybór elektrod i montaży EEG, przyjrzymy się systemom rozmieszczenia elektrod, doborowi kanałów oraz temu, jak lokalizacje 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] S. J. Luck i E. S. Kappenman, red., The Oxford Handbook of Event-Related Potential Components. New York, 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, identyfikator 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.