1. Wprowadzenie

Witaj! W tym samouczku uczymy się o falach mózgowych i o tym, jak możemy ich używać, aby lepiej zrozumieć mózg i zachowanie.

Hans Berger ukuł termin elektroencefalogram w 1929 roku, kiedy opisał zmiany potencjałów elektrycznych rejestrowanych za pomocą czujników umieszczonych na głowie człowieka. Zidentyfikował dwa typy fal mózgowych, które nazwał falami alfa i beta jedynie ze względu na kolejność, w jakiej je rejestrował. Takie fale były już rejestrowane u innych ssaków, ale Berger opisał je u ludzi po raz pierwszy!

Od tamtej pory metoda elektroencefalografii stała się kluczowym narzędziem w neuronauce i przyczyniła się do rozwoju naszego rozumienia fal mózgowych (które badacze nazywają oscylacjami neuronowymi) oraz do scharakteryzowania stanów w mózgu, takich jak zmęczenie i czuwanie.

W tym krótkim samouczku omówimy następujące zagadnienia:

• Czym są oscylacje neuronowe?

• Jak możemy mierzyć oscylacje neuronowe?

• Co możemy robić z oscylacjami neuronowymi?

• Praktyczne zastosowanie z użyciem urządzeń i oprogramowania Emotiv.

2. Czym jest EEG?

Elektroencefalografia (EEG) jest nieinwazyjną i pasywną metodą pomiaru aktywności elektrycznej naszego mózgu. Elektrody/czujniki/kanały są umieszczane na skórze głowy, aby rejestrować aktywność elektryczną generowaną przez populacje komórek mózgowych zwanych neuronami.

Rys. 1 – Neurony wytwarzają aktywność elektryczną, którą można wykryć za pomocą urządzenia EEG [Siuly, et al. (2016)].

2.1. Systemy EEG

Na rynku dostępnych jest wiele urządzeń EEG, których można używać do rejestrowania EEG. Urządzenia EEG mogą mieć:

• Jeden czujnik lub nawet do 256 elektrod – większa liczba elektrod zapewniałaby wyższą rozdzielczość przestrzenną informacji na skórze głowy.

• Elektrody mokre lub suche – elektrody mokre wykorzystują żel elektrolityczny lub roztwór soli fizjologicznej, aby poprawić przewodnictwo między skórą głowy a czujnikiem. Elektrody suche mogą być metalowe lub z materiałów polimerowych przewodzących, które wymagają bezpośredniego kontaktu ze skórą głowy.

• Elektroda aktywna lub pasywna – systemy z elektrodami pasywnymi po prostu przewodzą sygnał do urządzenia, gdzie jest on wzmacniany. Systemy z elektrodami aktywnymi wzmacniają sygnał przy każdej elektrodzie, zanim dotrze on do urządzenia w celu dalszego wzmocnienia. To ogranicza zakłócenia elektryczne pochodzące ze środowiska w sygnale.

• Urządzenia przewodowe lub bezprzewodowe, które transmitują dane przez Bluetooth.

Rys. 2 – Bezprzewodowy system EEG o niskiej gęstości.

Rys. 3 – Przewodowy system EEG z elektrodami o wysokiej gęstości.

2.2. Kiedy używać EEG?

Każda metoda neuroobrazowania może pomóc odpowiedzieć na różne pytania badawcze.

Największą zaletą EEG jest to, że może mierzyć aktywność neuronalną w skali milisekund, co pozwala mierzyć procesy przedświadome.

Rys. 4 – Rozdzielczość przestrzenna a czasowa różnych narzędzi neuroobrazowania.

Najlepiej nadaje się do pytań takich jak „na które fragmenty mojego wideo uczestnicy zwracali największą uwagę?”

EEG rejestruje aktywność głównie z zewnętrznych warstw mózgu (czyli ma niską rozdzielczość przestrzenną). Przy pojedynczym czujniku nie da się zidentyfikować źródła aktywności. Rejestracja z użyciem dużej liczby kanałów może umożliwić matematyczną rekonstrukcję źródła, ale nadal ma ograniczenia w identyfikacji głębokich źródeł. Funkcjonalny rezonans magnetyczny (fMRI) lepiej nadaje się do odpowiedzi na pytania takie jak „która część mózgu jest związana ze zmianami uwagi?”

2.3. Od czujnika do surowego EEG?

Gdy urządzenie EEG zostanie założone na głowę, aktywność mózgu jest mierzona na pojedynczym czujniku jako różnica amplitudy między tym czujnikiem a czujnikiem referencyjnym. W większości systemów EEG nazywa się to elektrodą common mode sense (CMS). Dodatkowy czujnik, driven right leg (DRL), pomaga zmniejszyć wszelkie zakłócenia w CMS.

Rys. 5 – Uproszczony schemat blokowy transmisji sygnału EEG.

W systemach z elektrodami aktywnymi i pasywnymi sygnał jest następnie wzmacniany i filtrowany dolnoprzepustowo. Filtrowanie dolnoprzepustowe to etap, który usuwa możliwe zakłócenia elektryczne ze środowiska z sygnału, np. zasilanie sieciowe.

Te kroki zachodzą w samym sprzęcie, zanim surowy sygnał EEG będzie można wyświetlić na ekranie komputera.

2.4. Kilka podstawowych pojęć

Konwencja nazewnictwa standardu 10-20

Lewostronne czujniki są zwykle oznaczane liczbami nieparzystymi, a prawostronne zwykle parzystymi.

Uwaga 1: są to tylko konwencje nazewnictwa, a źródło położenia czujnika EEG nie wskazuje na źródło aktywności.

Uwaga 2: należy podjąć dodatkowe kroki, takie jak matematyczna rekonstrukcja źródła, aby określić źródło aktywności w pojedynczym kanale.

3. Czym są oscylacje neuronowe?

Fale mózgowe, często określane jako oscylacje neuronowe, są rytmicznymi wzorcami wytwarzanymi przez pojedynczy neuron lub skupisko neuronów.

Nadal nie jest jasne, dlaczego mózg wytwarza te różne rodzaje oscylacji, choć istnieje wiele teorii. Badacze wykorzystują różne zadania, aby scharakteryzować te aktywności oscylacyjne i dążą do zrozumienia tajemnic mózgu, korzystając z tych rytmicznych wzorców.

3.1. Niektóre właściwości oscylacji

Ten rysunek przedstawia pomiar regularnego sygnału elektrycznego:

Rys. 6 – Rozdzielczość przestrzenna a czasowa różnych narzędzi neuroobrazowania.

Po lewej (oś y) możemy nanieść amplitudę zapisu elektrycznego, a na osi poziomej (oś x) czas. Amplituda sygnału będzie zmieniać się regularnie wokół punktu centralnego. Jeden cykl jest również nazywany oscylacją.

Liczba cykli na sekundę nazywana jest częstotliwością fali, a jednostką jest herc (Hz). Zatem 1 cykl na sekundę = 1 Hz. Amplitudy zwykle mierzy się w mikrovoltach (µV).

W mózgu obserwujemy fale o częstotliwościach od 0,2 Hz (bardzo wolne fale) do 80 Hz lub więcej (bardzo szybkie fale). W mózgu można również rejestrować aktywność wysokoczęstotliwościową do 500 Hz związaną z napadami.

Różne rodzaje oscylacji mózgowych charakteryzuje się na podstawie ich częstotliwości. Są one znane jako pasma częstotliwości i mogą być powiązane z różnymi stanami mózgu:

Rys. 7 – Fale mózgowe w typowym EEG.

3.2. Dlaczego różne pasma częstotliwości są ważne?

1. Identyfikacja prawidłowych i nieprawidłowych wzorców mózgowych
   Oscylacje neuronowe są ważne w wykrywaniu napadów i diagnozowaniu epilepsji w neurologii.

   
   
   

2. Interfejsy mózg-komputer (BCI)
   Ilość oscylacji beta, gamma i mu jest często wykorzystywana do sterowania urządzeniami zdalnymi (np. poruszania wózkiem inwalidzkim za pomocą myśli).

   
   
   

3. Neurofeedback
   Jest to forma treningu mózgu, w której możesz obserwować swoje fale mózgowe (np. oscylacje gamma) i wykonywać zadania poznawcze, aby zwiększyć ilość oscylacji gamma w swoim mózgu.

   
   
   

4. Neuromarketing
   Pasma częstotliwości alfa i beta mogą być używane do określenia, która część reklamy jest bardziej lub mniej angażująca.

3.3. Rodzaje analizy danych EEG

Najczęściej badacze prowadzą analizę w dziedzinie czasu lub w dziedzinie częstotliwości.

1. Analiza w dziedzinie czasu

   Zwykle mierzy amplitudę napięcia w interesujących punktach czasowych po rozpoczęciu bodźca. Są one nazywane potencjałami związanymi ze zdarzeniem (ERP).

   
   
   

2. Analiza w dziedzinie częstotliwości

   Zwykle mierzy ilość oscylacji neuronowych w różnych pasmach częstotliwości w zdefiniowanym oknie czasowym lub związanych z początkiem zdarzenia.

Następnie przedstawiamy przegląd analizy w dziedzinie częstotliwości.

3.4. Przetwarzanie

Po wykonaniu zapisu EEG zwykle oczyszcza się dane, zanim wyciągnie się z oscylacji jakikolwiek sens.

1. Filtrowanie
   Technika usuwania wysokoczęstotliwościowego i niskoczęstotliwościowego szumu środowiskowego z danych.

2. Usuwanie artefaktów
   Ruch fizyczny, mruganie oczami mogą powodować duże artefakty (szczyty > 50 µV w EEG). Można je usunąć, aby nie wpływały na nasze wyniki. Niektórzy badacze stosują zaawansowane metody korekty tych artefaktów, aby zachować dane.

Po przetworzeniu danych sygnał można teraz przekształcić do dziedziny częstotliwości, abyśmy mogli określić ilość każdego rodzaju fal mózgowych.

Rys. 8 – Artefakt mrugnięcia oka w surowym EEG.

3.5. Szybka transformata Fouriera (FFT)

Transformata Fouriera to matematyczne przekształcenie sygnału EEG z „dziedziny czasu” (obraz A) do „dziedziny częstotliwości” (obraz B).

W dziedzinie częstotliwości możemy określić, ile każdego rodzaju oscylacji występowało w naszym zapisie. Zwykle jest to „moc” pasma częstotliwości i może być wyświetlana jako widmo mocy (obraz B).

Rys. 9A – Surowe EEG w dziedzinie czasu.

Rys. 9B – Widmo mocy po FFT (dziedzina częstotliwości).

3.6. Moc pasma

Moc pasma częstotliwości (np. pasma alfa) uzyskana z transformaty Fouriera mówi nam, ile danego pasma częstotliwości występuje. Jednostki mocy pasma są zwykle wyrażane w µV2/Hz. Najczęściej widma amplitudy lub mocy z FFT są przedstawiane w logarytmicznej jednostce decybelach (dB). Decybel jest jednostką stosunku między zmierzoną mocą (P) a mocą odniesienia (Pr) w następujący sposób:

Gdy ta jednostka miary zostanie uzyskana dla interesujących zdarzeń, moce pasm mogą być porównywane, aby zrozumieć wpływ eksperymentu na fale mózgowe.

4. Od teorii do praktyki

Następnie przyjrzymy się efektowi tłumienia alfy.

Jest to zjawisko po raz pierwszy opisane przez Hansa Bergera, w którym obserwujemy istotny spadek ilości oscylacji alfa (mocy alfa), gdy oczy są otwarte, w porównaniu z sytuacją, gdy są zamknięte.

Rys. 10 – Można zaobserwować wzrost oscylacji alfa, gdy oczy są otwarte.

Najpierw, używając EmotivPRO Builder, zbudowaliśmy prosty eksperyment. W tym eksperymencie uczestnik jest po prostu proszony o utrzymanie otwartych oczu przez 2 minuty, koncentrując się na ekranie, a następnie o zamknięcie oczu na 2 minuty. Na końcu 2 minut usłyszy dzwonek sygnalizujący, że ma otworzyć oczy.

Możesz skorzystać z poniższego filmu, aby stworzyć własny eksperyment tłumienia alfy, albo uruchomić nasz eksperyment z linku tutaj:

4.1. Zakładanie urządzenia i jakość EEG

Przeczytaj więcej o tym, jak działa nasz próg EQ tutaj. Znajdź więcej informacji o zakładaniu urządzenia właściwych dla Twojego zestawu słuchawkowego tutaj:

• typ EPOC

• typ Insight

4.2. Przetwarzanie i przekształcanie danych EEG

Teraz, gdy masz już swoje dane, możesz przekształcić je do dziedziny częstotliwości za pomocą Emotiv Analyzer. Postępuj zgodnie z krokami pokazanymi w filmie.

4.3. Interpretacja danych

Gdy Analyzer zakończy pracę, pobierz plik zip. Dla każdego zapisu będziesz mieć plik csv z mocami pasm oraz plik obrazu, którego możesz użyć do przeprowadzenia własnej analizy statystycznej.

Rys. 11 – Moce pasm.

W naszych wynikach możemy zobaczyć wzrost mocy alfa, gdy oczy były zamknięte (pomarańczowy), w porównaniu z sytuacją, gdy były otwarte (niebieski).

To koniec naszego samouczka! Teraz znasz już podstawy 🙂

W sekcji materiałów znajdziesz kilka linków do bardziej zaawansowanej lektury.

5. Zasoby

DALSZA LEKTURA

Donoghue et al. 2022 Metodologiczne aspekty badania oscylacji neuronowych

SŁOWNIK TERMINOLOGII EEG

Kane et al. 2017 (tutaj)

KOD ŹRÓDŁOWY OPEN SOURCE

Jeśli dobrze czujesz się w programowaniu w Pythonie, udostępniliśmy skrypty Pythona, których możesz użyć do uzyskania wartości mocy alfa, oznaczonych segmentami z otwartymi i zamkniętymi oczami. Kod i przykładowe pliki danych Alpha Suppression znajdziesz tutaj: https://osf.io/9bvgh/

INSTRUKCJE EMOTIV

Instrukcja EmotivPRO Builder
Instrukcja EmotivPRO
Instrukcja EmotivPRO Analyzer

7. Bibliografia

Donoghue, T., Schaworonkow, N. i Voytek, B., 2022. Metodologiczne aspekty badania oscylacji neuronowych. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. i van Putten, M.J., 2017. Zmieniony słownik terminów najczęściej używanych przez klinicznych elektroencefalografistów oraz zaktualizowana propozycja formatu raportowania wyników EEG. Wersja 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Elektroencefalogram (EEG) i jego tło. W: Analiza i klasyfikacja sygnału EEG. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1