Jednym z najpowszechniej stosowanych punktów odniesienia w badaniach EEG jest wspólny przeciętny punkt odniesienia, czyli CAR (common average reference), który ponownie oblicza wartość każdego kanału w stosunku do średniej ze wszystkich kanałów na skórze głowy.
CAR cieszy się opinią domyślnego rozwiązania służącego do oczyszczania szumów. Pojawia się niemal automatycznie w potokach przetwarzania BCI, publikacjach naukowych i zestawach narzędzi open-source. Jednak bliższe przyjrzenie się dostępnym badaniom pokazuje obraz, który jest bardziej zróżnicowany, niż sugeruje to jego reputacja.
Ten artykuł omawia matematykę stojącą za CAR, założenia, od których zależy ta metoda, oraz warunki, w których te założenia przestają obowiązywać.
Czym jest wspólne odniesienie średnie (CAR) w EEG?
Każda elektroda na skórze głowy mierzy napięcie w odniesieniu do pewnego kanału referencyjnego lub małego zestawu kanałów referencyjnych, wybranych w momencie rejestracji. Typowe wybory obejmują pojedynczą elektrodę na płatku ucha, połączone wyrostki sutkowate za uszami lub punkt na skórze głowy, taki jak Cz.
Problem z referencją jednopunktową polega na tym, że nigdy nie jest ona naprawdę „cicha”. Jeśli sama elektroda referencyjna odbiera zakłócenia lub aktywność mózgu, to zanieczyszczenie jest odejmowane od każdego innego kanału, ponieważ sygnał każdego kanału jest definiowany w odniesieniu do niej.
CAR omija ten problem, stosując inny rodzaj referencji, w którym rejestrowane jest średnie napięcie na całej matrycy elektrod w każdym momencie. Zamiast odejmować wartość jednej elektrody od wszystkich pozostałych, CAR odejmuje średnią wszystkich elektrod od każdej poszczególnej elektrody.
Teoretycznie ta średnia działa jako bardziej stabilny, „cichszy” punkt odniesienia niż jakakolwiek pojedyncza fizyczna elektroda, ponieważ opiera się na informacjach z całej skóry głowy, a nie z jednego miejsca.
CAR w badaniach nad BCI
Właśnie dlatego CAR pojawia się tak często w badaniach nad interfejsami mózg-komputer. Na przykład badanie opublikowane w International Journal of Engineering and Technology przetestowało CAR jako jedną z dwunastu metod ponownego odniesienia (re-referencing) dla systemu P300 speller – systemu, który wykrywa określoną reakcję mózgu, gdy użytkownik skupia się na docelowej literze lub symbolu – i wykazało, że CAR jest najlepiej dostosowaną techniką spośród testowanych.
Co więcej, badanie z 2025 roku zastosowało CAR jako standardowy krok wstępnego przetwarzania w procesie klasyfikacji wyobrażeń ruchowych, opisując jego cel jako zwiększenie stosunku sygnału do szumu.
Jak obliczyć wzór CAR
Mechanika CAR to prosta algebra, a nie model statystyczny, który wymaga danych, aby udowodnić swoje działanie matematycznie. Dla matrycy składającej się z N elektrod, z których każda rejestruje napięcie w czasie t, zapisane jako V₁(t), V₂(t), aż do Vₙ(t), wartość przekształcona przez CAR dla dowolnej pojedynczej elektrody i wynosi:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
Mówiąc najprościej, aby znaleźć CAR dla określonej elektrody, należy wziąć jej oryginalny odczyt w danej milisekundzie i odjąć średni odczyt wszystkich elektrod na skórze głowy w tej samej milisekundzie.
Zastosowania wspólnego odniesienia średniego w EEG
Wybór właściwego podejścia referencyjnego decyduje o sukcesie ocen diagnostycznych i złożonych badań naukowych.
Placówki kliniczne często stawiają na jasność i spójność, zapewniając, że neurolodzy mogą identyfikować markery bez zakłóceń powodowanych przez artefakty wywołane przez referencję. Badacze preferują to globalne podejście podczas mapowania wpływu interwencji na aktywność neuronową, co wykazano w wynikach badań nad oscylacjami modulowanymi oddechem, gdzie neutralna linia bazowa jest niezbędna do odizolowania efektów powiązanych z oddychaniem od lokalnych rytmów neuronowych.
Zarówno w warunkach klinicznych, jak i w neuronauce eksperymentalnej, badacze opierają się na spójnej interpretacji danych, która minimalizuje sztuczne zniekształcenia. Metoda ta pomaga zachować przejrzystość przy porównywaniu nagrań pacjentów z różnych sesji lub placówek.
Stosując standardowe odniesienie, analitycy upewniają się, że obserwowane zmiany amplitudy odzwierciedlają przesunięcia biologiczne, a nie techniczne przesunięcia linii bazowej. To obiektywne stanowisko wspiera wyraźniejsze raportowanie diagnostyczne i wiarygodne wyniki w szerokich zastosowaniach pomiaru fal mózgowych.
Jak CAR redukuje szum wspólny
Argument za CAR opiera się na koncepcji zwanej szumem wspólnym (common-mode noise). Odnosi się to do zakłóceń, które pojawiają się na niemal każdej elektrodzie z mniej więcej tą samą siłą, a nie do szumu specyficznego dla jednej lokalizacji.
Klasyczne przykłady obejmują zakłócenia linii zasilającej 50/60 Hz z pobliskich źródeł energii, aktywność mięśniową rozprzestrzeniającą się po skórze głowy poprzez przewodnictwo tkankowe oraz wolne dryfty spowodowane lekkim przesuwaniem się elektrody po skórze.
Ponieważ tego rodzaju szum jest szeroko współdzielony przez całą matrycę, uśrednienie wszystkich kanałów powinno teoretycznie dać rozsądne oszacowanie tego wspólnego komponentu szumu. Odjęcie średniej od każdego kanału usuwa wówczas większość tych wspólnych zakłóceń, pozostawiając różnice między kanałami, które z większym prawdopodobieństwem odzwierciedlają rzeczywistą aktywność mózgu, w dużej mierze nienaruszone.
Kluczowe założenia CAR
Logika redukcji szumów CAR sprawdza się tylko wtedy, gdy dane spełniają kilka warunków. Założenia te są spójnie opisywane w podręcznikach i samouczkach EEG, chociaż ich weryfikacja w świecie rzeczywistym w ramach dostępnych dowodów jest ograniczona.
Założenie zerowej średniej. W każdym momencie przyjmuje się, kadłub średniej wszystkich napięć na głowie jest bliski zeru, co oznacza, że aktywność dodatnia i ujemna w przybliżeniu równoważą się na skórze głowy.
Gęste, równomierne pokrycie elektrodami. Przyjmuje się, że matryca pokrywa głowę na tyle dokładnie, że średnia przybliża to, co zarejestrowałby punkt odniesienia nieskończenie odległy od głowy, a zatem elektrycznie neutralny. Rzadkie lub nierównomierne pokrycie osłabia to przybliżenie.
Brak jednego dominującego źródła. Żadna pojedyncza elektroda, uszkodzony kanał ani duży artefakt (taki jak silne mrugnięcie okiem) nie powinny być na tyle duże, aby samodzielnie zniekształcić średnią.
Gdy te trzy warunki są spełnione, średnia zachowuje się jak prawdziwie neutralny punkt odniesienia. Gdy tak nie jest, sama średnia ulega zniekształceniu, a odjęcie zniekształconej średniej wprowadza nowe problemy, zamiast usuwać stare.
Testowanie założeń CAR na rzeczywistych danych EEG
Wzięcie publicznie dostępnego nagrania EEG w stanie spoczynku, na przykład standardowego zbioru danych z 64 kanałów, i obliczenie przebiegu średniej globalnej przed zastosowaniem CAR często ujawnia wartości odbiegające od zera, czasem o zauważalny margines. Odchylenie to jest bezpośrednim dowodem na obecność składowej wspólnej w surowym sygnale, czyli dokładnie tego, do usuwania czego CAR został zaprojektowany. Po zastosowaniu CAR ta sama średnia globalna jest sprowadzana do dokładnie zera w każdym punkcie czasowym, zgodnie z definicją wzoru.
Bardziej pouczający test polega na przyjrzeniu się epokom zawierającym duże artefakty mrugania oczami.
Mrugnięcia oczami generują duże wahania napięcia, które są najsilniejsze na elektrodach czołowych, ale przenikają do większości matrycy. Podczas tych epok średnia globalna przed CAR często gwałtownie przesuwa się od zera, ponieważ mrugnięcie nie jest rozłożone równomiernie, lecz skoncentrowane w jednej części głowy. Po zastosowaniu CAR ten skoncentrowany artefakt zostaje włączony do średniej i redystrybuowany, w mniejszych ilościach, na każdy pojedynczy kanał, w tym te oddalone od oczu, które pierwotnie były czyste.
Co mówią badania: niejednoznaczne dowody z badań nad BCI
Wspomniane badanie porównało dwanaście technik ponownego odniesienia na trzech zbiorach danych P300 speller, zarówno w warunkach testowych offline, jak i online, i wykazało, że CAR była najlepiej dostosowaną techniką spośród wszystkich dwunastu. Jednakże, chociaż badanie zawiera graficzne porównania dokładności klasyfikacji oraz tabele szczegółowo opisujące średnie maksymalne przepływności (bitrates) wraz z odchyleniami standardowymi, nie podaje ono wielkości efektu ani formalnych testów istotności statystycznej między metodami, co ogranicza poziom zaufania do tego rankingu.
Tymczasem w badaniu z 2017 roku przyjęto inne podejście, wykorzystując zadanie wyobrażenia ruchu i intencji ruchu. Jedenastu uczestników wykonywało i wyobrażało sobie ruchy prawego nadgarstka, podczas gdy EEG było rejestrowane z 28 elektrod. Sygnał przetworzono przy użyciu zarówno CAR, jak i referencji Laplacian – metody filtracji przestrzennej, która podkreśla różnicę między elektrodą centralną a jej bezpośrednimi sąsiadami, a nie średnią z całej skóry głowy.
Dokładność klasyfikacji przy użyciu referencji Laplacian wahała się od 63.33% do 100% dla wyobrażonego ruchu oraz od 60% to 96.67% dla rzeczywistego ruchu, przy czym klasyfikatory k-najbliższych sąsiadów osiągały lepsze wyniki niż kwadratowa analiza dyskryminacyjna. Referencja Laplacian ogólnie wypadła lepiej niż CAR, choć badanie nie podaje dokładnych wyników dokładności dla CAR do bezpośredniego porównania. Wynik ten sugeruje, że CAR może być mniej odpowiedni do zadań obejmujących ogniskową, zlokalizowaną aktywność mózgu związaną z motoryką.
Wreszcie, wspomniane badanie z 2025 roku włączyło CAR jako wczesny krok przetwarzania wstępnego w ramach większego systemu konwolucyjnej sieci neuronowej (CNN) do klasyfikacji wyobrażeń ruchowych, który obejmował również przesuwne okna czasowe, transformację widmową i ekstrakcję pasm częstotliwości. Pełny proces uzyskał dokładność 91.75% na zbiorze benchmarkowym zawodów. To doskonały wynik, ale ponieważ CAR był tylko jednym z kilku kroków przetwarzania, badanie nie pozwala nam określić, w jakim stopniu ta dokładność wynika z samego CAR, a w jakim z architektury CNN, techniki okienkowania czy wyboru pasma częstotliwości.
Podsumowując, te trzy badania nie prowadzą do jednego wniosku. CAR sprawdził się dobrze w kontekście P300, gorzej niż alternatywne rozwiązanie w kontekście wyobrażeń ruchowych oraz był obecny, ale nie wyizolowany, w kontekście głębokiego uczenia o wysokiej dokładności. Zatem omawiane dowody sugerują, że samodzielne korzyści z zastosowania CAR pozostają niejasne i wydają się silnie zależeć od rodzaju mierzonego sygnału mózgowego.
Kiedy CAR zawodzi: artefakty, rzadkie matryce i źródła ogniskowe
Wnioski z tych badań pokrywają się z trzema trybami błędów, które są szeroko omawiane w metodologii EEG, choć są tylko częściowo poparte bezpośrednimi dowodami w dostępnych badaniach.
Duże artefakty. Pojedyncze zdarzenie o wysokiej amplitudzie, takie jak silne mrugnięcie okiem lub skurcz mięśnia, może zdominować obliczenia średniej, jeśli jest wystarczająco duże w stosunku do reszty matrycy. Kiedy tak się dzieje, CAR nie usuwa artefaktu; rozprzestrzenia jego zniekształconą wersję na każdy kanał, w tym te, które pierwotnie były wolne od artefaktów. Jest to bezpośrednia konsekwencja wzoru CAR, a nie osobno przetestowane odkrycie, ale wynika logicznie z demonstracji opisanej wcześniej w tym artykule.
Rzadkie matryce. CAR zależy od tego, czy średnia przybliża neutralny punkt odniesienia, co wymaga w miarę gęstego i równomiernego pokrycia skóry głowy. Przy zaledwie kilku elektrodach, na przykład od ośmiu do szesnastu kanałów, średnia jest znacznie słabszym oszacowaniem tego neutralnego punktu, a założenie o pokryciu leżące u podstaw CAR zostaje bezpośrednio naruszone.
Źródła ogniskowe. Aktywność mózgu, która pochodzi z małego, zlokalizowanego obszaru, zamiast rozprzestrzeniać się szeroko po skórze głowy, może zachowywać się podobnie do sygnału „lokalnego”, do którego zachowania uśrednianie z całej matrycy w CAR nie zostało zaprojektowane. Ponieważ CAR odejmuje średnią globalną, może częściowo wygasić sygnały, które są skoncentrowane, a nie rozproszone.
Tryb błędu | Kluczowy problem |
|---|---|
Artefakty | Duży artefakt zniekształca średnią |
Rzadkie matryce | Zbyt mało elektrod, słaba referencja |
Źródła ogniskowe | Sygnały lokalne mogą zostać osłabione |
Jak złagodzić słabe punkty CAR
W praktyce EEG zaleca się powszechnie kilka modyfikacji, aby zaradzić tym słabym punktom:
Gdy problemem są duże artefakty, zidentyfikuj i zinterpoluj lub usuń uszkodzone kanały bądź segmenty silnie obciążone artefaktami przed obliczeniem CAR.
Podczas pracy z rzadką matrycą (np. 8–16 kanałów) unikaj CAR i używaj stałej referencji fizycznej, takiej jak połączone wyrostki sutkowate.
W przypadku zadań ukierunkowanych na ogniskową, zlokalizowaną aktywność mózgu, rozważ referencję Laplacian lub metody przestrzeni źródłowej, które kładą nacisk na lokalne gradienty, a nie na średnią globalną.
Czy CAR to właściwy wybór referencji dla Twojej konfiguracji EEG?
CAR pozostaje szeroko stosowaną metodą referencyjną o jasnych i spójnych podstawach matematycznych. Sprowadza ona średni sygnał z matrycy do zera, co w teorii pozwala usunąć szum pojawiający się szeroko i równomiernie na skórze głowy. Ta teoretyczna atrakcyjność wyjaśnia, dlaczego pojawia się ona tak często jako domyślny krok w procesach przetwarzania EEG i BCI.
Każdy, kto stosuje CAR do własnych danych, powinien traktować go jako rozsądną opcję domyślną, a nie gwarantowane ulepszenie. Warto sprawdzić jego założenia – w przybliżeniu zerowy sygnał średni, gęste i równomierne pokrycie elektrodami oraz brak dominującego artefaktu – w odniesieniu do konkretnej konfiguracji rejestracji i wykonywanego zadania, zamiast przyjmować je automatycznie.
W sytuacjach, w których te założenia mogą nie zostać spełnione, szczególnie w przypadku rzadkich matryc lub zadań skoncentrowanych na ogniskowych, zlokalizowanych źródłach mózgowych, alternatywy takie jak referencja Laplacian zasługują na poważne rozważenie.
Dlaczego sprawdzanie założeń referencji EEG przewyższa ustawienia domyślne
Wspólne odniesienie średnie opiera się na prostej matematycznej koncepcji odjęcia średniej z całej skóry głowy w celu usunięcia szumu współdzielonego przez elektrody. Na papierze działa to pięknie, ale rzeczywiste nagrania z mózgu rzadko współpracują idealnie. Algorytm zawsze wymusza zerową średnią elektrod, ale ta wymuszona równowaga nie gwarantuje czystszego obrazu aktywności mózgu – zapewnia jedynie, że liczby się zgadzają.
To, co ma większe znaczenie niż sam montaż EEG, to czy konfiguracja rejestracji spełnia podstawowe założenia. Gęste, równomierne pokrycie elektrodami i brak przytłaczających artefaktów, takich jak mrugnięcia oczami, mogą zmienić CAR z ryzykownego skrótu w użyteczne narzędzie. W przypadku rzadkich matryc lub zadań wymagających uchwycenia małych, skoncentrowanych sygnałów mózgowych, ten sam krok może rozprzestrzenić zanieczyszczenia i rozmyć dokładnie tę aktywność, którą badacz ma nadzieję wykryć.
Wniosek z badań nie jest taki, że CAR jest dobry lub zły, ale że jego stosowanie wymaga świadomego sprawdzenia warunków danych, a nie ślepego zaufania do popularnych ustawień domyślnych.
Bibliografia
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, grudzień). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
Najczęściej zadawane pytania (FAQ)
Co to jest wspólne odniesienie średnie (CAR) w EEG?
CAR to metoda ponownej referencji (re-referencing), która odejmuje średnie napięcie wszystkich elektrod na skórze głowy od każdej poszczególnej elektrody w każdym punkcie czasowym. Zastępuje to pojedynczą fizyczną referencję średnią z całej skóry głowy, mając na celu stworzenie bardziej stabilnego punktu odniesienia do zapisu.
W jaki sposób CAR redukuje szumy w sygnałach EEG?
CAR ukierunkowany jest na szum wspólny – zakłócenia, które pojawiają się podobnie na wielu elektrodach, takie jak przydźwięk sieci elektrycznej czy aktywność mięśniowa. Poprzez uśrednienie wszystkich kanałów i odjęcie tej średniej, współdzielony szum zostaje w dużej mierze usunięty, podczas gdy różnice w aktywności mózgu specyficzne dla danego kanału zostają zachowane.
Jakie są kluczowe założenia niezbędne do prawidłowego działania CAR?
CAR zakłada, że średnie napięcie na całej skórze głowy w każdym momencie jest bliskie zeru, że pokrycie elektrodami jest gęste i równomierne oraz że żaden pojedynczy artefakt ani kanał nie determinuje średniej. Jeśli warunki te nie są spełnione, obliczona średnia ulega zniekształceniu, a jej odjęcie wprowadza błędy.
Kiedy CAR zawodzi lub wprowadza artefakty?
CAR może zawieść w przypadku dużych, zlokalizowanych artefaktów, takich jak mrugnięcia oczami, które zniekształcają średnią, a następnie rozprzestrzeniają się na wszystkie kanały. Sprawia również trudności przy rzadkich matrycach elektrod lub sygnałach mózgowych, które są wysoce ogniskowe, ponieważ średnia globalna nie reprezentuje już wtedy neutralnej referencji.
Co mówią dostępne badania na temat skuteczności CAR?
Dowody są mieszane. Jedno z badań wykazało, że CAR działał dobrze w przypadku zadania P300 speller, ale inne pokazało, że referencja Laplacian przewyższała CAR w przypadku obrazowania ruchowego. Trzecie badanie wykorzystało CAR w skutecznym procesie głębokiego uczenia, ale nie wyizolowało jego specyficznego wkładu, więc korzyści z samego CAR wciąż nie są jasne.
Czy powinienem zawsze używać CAR jako domyślnej referencji w mojej analizie EEG?
Nie należy robić tego bezkrytycznie. CAR jest rozsądnym wyborem domyślnym, jeśli dysponujesz gęstym, równomiernym pokryciem elektrodami, a sygnał ma w przybliżeniu zerową średnią i brak dominujących artefaktów. Dla rzadkich matryc lub ogniskowej aktywności mózgu właściwsze mogą być alternatywy, takie jak stała referencja fizyczna lub referencja Laplacian.
Co to jest referencja Laplacian i jak wypada w porównaniu z CAR?
Referencja Laplacian podkreśla różnicę napięć między elektrodą centralną a jej najbliższymi sąsiadami, uwypuklając lokalną aktywność mózgu. W badaniu nad wyobrażeniami ruchowymi wypadła ona lepiej niż CAR, co sugeruje, że jest lepiej dostosowana do wykrywania sygnałów skupionych przestrzennie.
Jak mogę złagodzić słabe punkty CAR, jeśli chcę go użyć?
Przed obliczeniem CAR zidentyfikuj i usuń lub zinterpoluj uszkodzone kanały oraz duże artefakty, takie jak mrugnięcia. Zapobiega to sytuacji, w której pojedynczy zaszumiony kanał lub zdarzenie zniekształca średnią z całej skóry głowy i zanieczyszcza wszystkie kanały.
Co dzieje się, gdy w nagraniu z referencją CAR wystąpi mrugnięcie okiem?
Mrugnięcia oczami generują silne przesunięcia napięcia skoncentrowane na elektrodach czołowych. Po zastosowaniu CAR wpływ mrugnięcia zostaje uwzględniony w średniej globalnej, a następnie odjęty, co rozprzestrzenia mniejszą, ale zniekształconą wersję mrugnięcia na każdy kanał, nawet na te pierwotnie czyste.
Czy CAR rzeczywiście sprawia, że średnia wszystkich kanałów wynosi zero?
Tak, z definicji transformacja CAR wymusza, aby suma wszystkich napięć po ponownej referencji wynosiła zero w każdym punkcie czasowym. Jednak ta właściwość matematyczna nie gwarantuje, że powstały sygnał jest czystszym odzwierciedleniem aktywności mózgu – po prostu narzuca warunek, który może, ale nie musi, odpowiadać rzeczywistości.
Emotiv jest liderem w dziedzinie neurotechnologii, pomagającym rozwijać badania neuronaukowe dzięki dostępnym narzędziom EEG i danym o mózgu.
Christian Burgos
