Artefakty EEG

Dwie podstawowe kategorie artefaktów EEG

Każde niepożądane wahanie w zapisie EEG wynika z jednego z dwóch źródeł. Artefakty zależne od badanego (fizjologiczne) są generowane przez własne ciało uczestnika. Obejmują one mrugnięcia oczu, napięcie mięśniowe, bicie serca i aktywność gruczołów potowych, z których wszystkie wytwarzają pola elektryczne, które elektrody na skórze głowy wychwytują wraz z rzeczywistą aktywnością mózgu.

Artefakty techniczne (niefizjologiczne) pochodzą ze sprzętu rejestrującego i otoczenia. Luźne elektrody, kołysanie kabli, nasycenie wzmacniacza i zakłócenia sieci elektrycznej należą do tej drugiej grupy.

Odróżnienie tych dwóch kategorii to pierwsza umiejętność do opanowania, ponieważ strategie zapobiegania i usuwania zasadniczo się różnią. Skurcz mięśnia spowodowany zaciśniętą szczęką wymaga innej interwencji niż okresowy szum o częstotliwości 60 herców wchodzący przez słabo ekranowany kabel.

Jak rozpoznać artefakty zależne od badanego

Mrugnięcia oczu

Oko zachowuje się jak mała bateria elektryczna. Rogówka posiada ładunek dodatni w stosunku do siatkówki, tworząc dipol rogówkowo-siatkówkowy. Gdy uczestnik mruga, powieka przesuwa się po tym dipolu i przeciąga pole dodatnie w górę, generując duże, dodatnie odchylenie napięcia na elektrodach czołowych znajdujących się najbliżej oczu.

W przebiegu w dziedzinie czasu mrugnięcie pojawia się jako fala powolna o wysokiej amplitudzie, która osiąga swoje maksimum na kanałach czołowo-biegunowych, takich jak Fp1 i Fp2, a następnie gwałtownie słabnie w miarę przesuwania wzroku w kierunku odprowadzeń centralnych lub tylnych. Ponieważ przebieg ten jest bardzo stereotypowy, wprawne oko może go zauważyć niemal natychmiast.

Ruchy oczu i iglice sakkadowe

Gdy oczy poruszają się w bok bez mrugania, dipol rogówkowo-siatkówkowy obraca się, zamiast być zakrytym. Powoduje to schodkowe przesunięcie sygnału elektrookulograficznego, które może przenikać do sąsiednich kanałów EEG.

Dodatkowo, szybkie skurcze mięśni zewnątrzgałkowych podczas sakkady tworzą krótki, ostry stan przejściowy o charakterze elektrycznym, znany jako potencjał iglicy sakkadowej. Na surowym przebiegu iglice te mogą wyglądać łudząco podobnie do aktywności napadowej. Zazwyczaj ograniczają się one do elektrod czołowych i skroniowych i zbiegają się ze zmianą kierunku spojrzenia.

Ich rozpoznanie pozwala uniknąć błędnego wrażenia klinicznego i niepotrzebnego odrzucenia poza tym czystych danych neuronalnych. Krótkotrwałość iglicy, jej korelacja z poziomym lub pionowym ruchem oka oraz brak następczej fali powolnej pomagają odróżnić ją od prawdziwego wyładowania korowego.

Aktywność mięśniowa

Mięśnie skóry głowy, twarzy i szyi są płodnymi generatorami szumu elektrycznego o wysokiej częstotliwości. Kiedy uczestnik zaciska szczękę, marszczy brwi lub nawet napina szyję, potencjały czynnościowe jednostek motorycznych wyładowują się asynchronicznie i sumują w kolczasty, nieregularny wzorzec zakłóceń.

W dziedzinie czasu artefakt mięśniowy wygląda jak szybka seria ostrych odchyleń o niskiej amplitudzie, nakładających się na EEG, często najbardziej widocznych na elektrodach skroniowych lub czołowych. Jego zawartość częstotliwościowa plasuje się głównie powyżej 20 Hz, czyli w pasmach beta i gamma, w których znajduje się wiele miar poznawczych, co czyni go szczególnie kłopotliwym w monitorowaniu stanu psychicznego i zastosowaniach interfejsów mózg-komputer.

Konfiguracje EEG o wysokiej gęstości z gęsto rozmieszczonymi elektrodami mogą pomóc w zlokalizowaniu źródła mięśniowego, ale pierwszą linią obrony jest instruowanie uczestnika, aby się rozluźnił, oraz zapewnienie fizycznego podparcia głowy.

Pot i przesunięcia elektrodermalne

Zmiany przewodnictwa skóry spowodowane aktywnością gruczołów potowych zmieniają interfejs elektroda-skóra. Wprowadza to bardzo powolny, płynny dryf napięcia linii bazowej, często poniżej 1 Hz, który może wędrować przez kilka sekund.

Artefakt ten nie pojawia się jako iglica czy rytmiczny szum, lecz jako łagodne, faliste kołysanie całego przebiegu. Najczęściej występuje podczas długich rejestracji, w ciepłym otoczeniu lub u niespokojnych uczestników. Ten zakłócający czynnik o niskiej częstotliwości można opanować, utrzymując stabilną temperaturę w pomieszczeniu i zapewniając dobry kontakt elektrod.

Sygnały sercowe

Pole elektryczne serca jest wystarczająco silne, aby dotrzeć do skóry głowy, szczególnie gdy impedancje elektrod są wysokie lub gdy elektroda referencyjna znajduje się w pobliżu naczynia krwionośnego nad wyrostkiem sutkowatym lub płatkiem ucha.

Powstały w ten sposób artefakt elektrokardiograficzny objawia się jako regularny, ostry zespół QRS powtarzający się w rytmie serca — mniej więcej raz na sekundę. Często przenika on do wielu kanałów jednocześnie ze spójnym przesunięciem czasowym, a klasyfikatory trenowane na szerokim spektrum cech artefaktów mogą go wykryć wraz z innymi zanieczyszczeniami.

Jeśli przebieg sercowy jest widoczny, ale nie przytłaczający, często można go odjąć, rejestrując dedykowany kanał EKG; w przeciwnym razie dotknięte segmenty mogą wymagać ręcznego odrzucenia.

Rozpoznawanie artefaktów technicznych w przebiegu

Trzaski elektrod i iglice związane z ruchem

Nagła zmiana impedancji spowodowana wyschniętym mostkiem żelowym, pociągniętym kablem lub przesunięciem elektrody generuje nagły, stromy stan przejściowy, często nazywany trzaskiem (pop). Wpada to w kategorię „ogólnych nieciągłości”, do których oznaczania przeznaczone są zautomatyzowane algorytmy, takie jak ADJUST.

W dziedzinie czasu trzask elektrody zazwyczaj wygląda jak izolowana iglica o ekstremalnej amplitudzie, która może nasycić wzmacniacz, powodując chwilowe spłaszczenie sygnału przed powolnym powrotem do normy. W przeciwieństwie do iglicy biologicznej, nie towarzyszy mu trwająca aktywność fizjologiczna i zazwyczaj pojawia się na jednym kanale, co ułatwia jego identyfikację podczas inspekcji wizualnej.

Badanie neonatalnego EEG przeprowadzone przez Hagmanna i współpracowników podobnie udokumentowało częste zakłócenia ruchowe, które zmieniały zintegrowany amplitudowo zapis, podkreślając, że nawet krótkie fizyczne zakłócenia powodują mierzalne zanieczyszczenie.

Zakłócenia sieciowe

Sprzężenie pojemnościowe sieci elektrycznej z układem rejestrującym wywołuje ciągły, rytmiczny „szum” o częstotliwości sieciowej — 50 Hz w Europie i większości świata, 60 Hz w Ameryce Północnej.

Na surowym zapisie EEG to zakłócenie pojawia się jako gruba sinusoida nałożona na każdy kanał, często ze stałą amplitudą. Nawet niewielka ilość szumu sieciowego może maskować niskonapięciowe rytmy mózgowe, a jego obecność sygnalizuje problem z impedancją elektrody, ekranowaniem lub uziemieniem.

Jest to niezmiennie artefakt techniczny, a nie oscylacja neuronalna, a jego stała częstotliwość ułatwia identyfikację go gołym okiem lub za pomocą prostego wykresu widmowego.

Luźne elektrody i ruch kabli

Gdy elektroda nie jest bezpiecznie przymocowana do skóry głowy lub jej kabel kołysze się w trakcie rejestracji, zakłócenie mechaniczne wprowadza nieregularne wahania o niskiej częstotliwości. Mogą one wyglądać jak powolny, nieregularny dryf lub seria nieregularnych fal o wysokiej amplitudzie na jednym kanale.

Sporadyczny charakter i ograniczenie do jednej elektrody natychmiast odróżniają ten artefakt od rozległych zdarzeń fizjologicznych, takich jak mrugnięcie czy napięcie mięśniowe. Adnotowanie takich momentów w czasie rzeczywistym oszczędza sporo wysiłku na późniejszym etapie poprzez zawężenie poszukiwań uszkodzonych segmentów danych.

Zapobieganie i dokumentowanie artefaktów podczas rejestracji

Najskuteczniejsza strategia zarządzania artefaktami zaczyna się na długo przed zapisaniem pierwszego punktu danych.

Zrelaksowany uczestnik generuje dramatycznie mniej artefaktów mięśniowych i związanych z ruchami oczu. Dlatego poświęć czas na wyjaśnienie przebiegu sesji, zapewnij wygodne krzesło z oparciem dla głowy i daj oczom stabilny punkt fiksacji, aby ograniczyć spontaniczne mrugnięcia i sakkady. Kroki te są tak fundamentalne, że rzadko opisuje się je szczegółowo w pracach badawczych, niemniej jednak każde badanie wykazujące czyste dane opiera się na nich w sposób domyślny.

Nałożenie elektrod to kolejna linia obrony. Skrupulatne przygotowanie skóry, odpowiednia ilość żelu przewodzącego i staranne poprowadzenie kabli minimalizują zarówno zakłócenia z otoczenia, jak i trzaski związane z ruchem.

Wspomniane wcześniej badanie EEG u niemowląt wykazało, że zakłócenia elektryczne i ruchowe występowały z podobną częstotliwością, potwierdzając, że żadne środowisko rejestracji nie jest z natury odporne na problemy techniczne. Sprawdzenie impedancji przed i po sesji oraz przymocowanie kabli do ubrania lub krzesła eliminuje dużą część możliwych do uniknięcia artefaktów.

Na koniec prowadź na bieżąco dziennik widocznych artefaktów podczas rejestracji. Odnotuj czas każdego gwałtownego ruchu, kaszlu czy poprawy elektrody. Tego typu ręczna adnotacja odzwierciedla eksperckie etykietowanie stosowane do trenowania automatycznych klasyfikatorów, gdzie ludzcy oceniający zaznaczają segmenty służące jako wzorzec (ground truth) dla algorytmów uczenia maszynowego.

Prosty, odręczny znacznik czasu lub znacznik zdarzenia w oprogramowaniu akwizycyjnym zamienia domysły w odtwarzalną dokumentację.

Ręczne odrzucanie i interpolacja: czyszczenie przed obliczeniami

Wizualna inspekcja ciągłego przebiegu

Przed powierzeniem usuwania artefaktów jakiemukolwiek algorytmowi przetwarzania sygnałów, przewiń surowe dane i użyj opisanych wyżej sygnatur przebiegów do zidentyfikowania zanieczyszczonych przedziałów.

Często zaleca się poszukiwanie charakterystycznej czołowej fali powolnej mrugnięcia, wysokoczęstotliwościowego szumu aktywności mięśniowej, izolowanej iglicy trzasku lub uporczywej sinusoidy szumu sieciowego. Krok ten trenuje oko w odróżnianiu artefaktów od prawdziwej aktywności mózgu i zapobiega automatycznemu odrzucaniu rzadkich zjawisk neuronalnych o wysokiej amplitudzie, które powierzchownie mogą przypominać artefakty.

• Czołowa fala powolna: wskazuje na mrugnięcie oka

• Szum o wysokiej częstotliwości: wskazuje na aktywność mięśniową

• Izolowana iglica o ekstremalnej amplitudzie: wskazuje na trzask elektrody

• Uporczywa sinusoida: wskazuje na zakłócenia sieciowe

Zaznaczanie i wykluczanie wadliwych segmentów czasowych

Po zidentyfikowaniu fragmentu danych obciążonego artefaktami, zaznacz go do wykluczenia. Może to obejmować zapisanie czasu rozpoczęcia i zakończenia lub skorzystanie z narzędzi do zaznaczania wbudowanych w oprogramowanie do analizy EEG.

Ręczne usuwanie najsilniej zanieczyszczonych segmentów jest standardem, na którym opierają się nawet najnowocześniejsze metody automatyczne. Na przykład w pracy, w której opracowano algorytm ADJUST, eksperci ręcznie oznaczyli 640 komponentów w celu stworzenia zbioru treningowego, a skuteczność klasyfikatora była następnie mierzona w odniesieniu do tego ręcznie zdefiniowanego wzorca.

Ręczne usunięcie najbardziej rażących artefaktów zmniejsza obciążenie kolejnych algorytmów i zapobiega rozprzestrzenianiu się szumu na sąsiednie kanały podczas etapów filtracji przestrzennej.

Interpolacja stale szumiącego kanału

Gdy pojedyncza elektroda jest niewiarygodna przez całą rejestrację z powodu luźnego kontaktu, wyschniętego żelu lub niestabilności mechanicznej, usunięcie tego kanału i zrekonstruowanie jego danych na podstawie sąsiednich, czystych elektrod pozwala zachować ogólną wymiarowość danych.

Interpolacja wykorzystuje przestrzenny rozkład napięcia na skórze głowy do oszacowania tego, co zarejestrowałby uszkodzony kanał, skutecznie zastępując artefakt wiarygodnym, neutralnym sygnałem. Krok ten pozwala zachować nienaruszony zbiór danych do analiz topograficznych i pozwala uniknąć utraty danych, która wynikałaby z całkowitego odrzucenia kanału.

Dlaczego ręczne czyszczenie pozostaje kluczowe

Nawet najbardziej wyrafinowane automatyczne klasyfikatory odnoszą korzyści z zestawu danych, który został wstępnie oczyszczony z rażących artefaktów. Wynik badania noworodków wykazujący, że artefakty zajmowały 12% czasu rejestracji i wpływały na interpretację kliniczną, ilustruje, jak łatwo nieusunięte zanieczyszczenia mogą zniekształcić wnioski.

Dlatego też inspekcja wizualna gwarantuje, że największe i najbardziej oczywiste artefakty zostaną usunięte, zanim dane trafią do efektywnego potoku obliczeniowego, gdzie w przeciwnym razie mogłyby zdominować wariancję i wprowadzić w błąd proces dekompozycji. Buduje to również głęboką znajomość zbioru danych, której żaden algorytm nie jest w stanie zastąpić.

Jak automatyczne usuwanie wspiera pracę ręczną

Analiza składowych niezależnych jako narzędzie sekcyjne

Po ręcznym usunięciu najgorszych segmentów, ICA może rozłożyć pozostałe EEG na statystycznie niezależne składowe źródłowe. Technika ta rozdziela mieszaninę sygnałów mózgowych i artefaktów wychwytywanych przez elektrody na skórze głowy, wydzielając ruchy oczu, mrugnięcia i aktywność mięśniową do osobnych komponentów na podstawie ich unikalnych wzorców przestrzennych i czasowych.

Komponent o projekcji czołowej i przebiegu ściśle odpowiadającym sygnałowi mrugnięcia może zostać zidentyfikowany i odjęty, pozostawiając resztę danych nienaruszoną pod względem neurofizjologicznym. Siła ICA tkwi w zdolności do radzenia sobie z wieloma źródłami artefaktów występującymi jednocześnie — z zadaniem tym prostsza korekcja oparta na regresji często radzi sobie zbyt słabo lub zbyt agresywnie.

Niezawodność współczesnych klasyfikatorów

Metody automatyczne osiągnęły obecnie poziom skuteczności, który ściśle odpowiada eksperckiej ocenie człowieka.

Jeden z klasyfikatorów liniowych niezależnych od badanego, wytrenowany na sześciu cechach pochodzących z dziedzin częstotliwości, przestrzeni i czasu, osiągnął średni błąd kwadratowy poniżej 10% na zbiorze danych dotyczącym czasu reakcji, co mieści się w granicach rozbieżności między dwoma ludzkimi ekspertami.

Co więcej, algorytm ADJUST, łączący przestrzenne i czasowe cechy specyficzne dla artefaktów, był zgodny z ręcznym oznaczaniem ekspertów w 95.2% wariancji danych podczas testów na całkowicie niezależnym zbiorze danych, a usunięcie przez niego składowych zawierających artefakty doprowadziło do czystej rekonstrukcji potencjałów wywołanych.

Inne podejście, wykorzystujące modele autoregresyjne połączone z maszyną wektorów nośnych, klasyfikowało kilka typów artefaktów generowanych przez badanych u różnych osób z dokładnością około 94%.

W przypadku samych artefaktów ocznych algorytm uwzględniający dane z eyetrackera w celu obiektywnej identyfikacji odpowiednich składowych działał niemal dwukrotnie skuteczniej niż ludzcy eksperci, którzy musieli polegać wyłącznie na topografii składowych, osiągając obszar pod krzywą ROC (AUC) powyżej 0.99.

Liczby te nie zastępują ręcznego czyszczenia, ale dowodzą, że w tej dziedzinie dysponujemy obecnie niezawodnymi asystentami obliczeniowymi, którzy mogą zająć się powtarzalną identyfikacją o dużej skali, wykonywaną niegdyś w całości ręcznie.

Balansowanie między usuwaniem artefaktów a zachowaniem sygnału

Agresywne odrzucanie artefaktów może niechcący usunąć prawdziwe informacje neuronalne. W paradygmacie interfejsu mózg-komputer opartego na wyobrażeniach ruchowych badacze stwierdzili, że mogą bezpiecznie usunąć do 60% składowych ICA najbardziej obciążonych artefaktami, zachowując jednocześnie informacje dyskryminacyjne używane przez system BCI do dekodowania intencji użytkownika.

To odkrycie podkreśla kluczową zasadę, że nie każda składowa niosąca pewną wariancję artefaktu jest pozbawiona sygnału neuronalnego. Ręczna weryfikacja składowych wybranych przez automatyczny klasyfikator pozostaje zalecana, aby potwierdzić, że próg odrzucenia nie wkracza w obszar użytecznej aktywności mózgu.

Dlaczego świadomość artefaktów decyduje o jakości danych

Artefakty bezpośrednio wpływają zarówno na interpretację wizualną, jak i na pomiary ilościowe. Niezależnie od tego, czy celem jest diagnoza kliniczna, odkrycie w dziedzinie neuronauki, czy konsumencka aplikacja wellness, droga do wiarygodnych wyników wiedzie przez jasne zrozumienie, skąd biorą się artefakty, jak wyglądają na surowym przebiegu oraz przez zdyscyplinowany proces zapobiegania, dokumentowania i ręcznego ich usuwania.

Automatyzacja oparta na ICA może przyspieszyć proces czyszczenia, ale działa najefektywniej na danych, które zostały już sprawdzone przez przeszkolone ludzkie oko. Poziom zanieczyszczenia wynoszący 12% może nie brzmieć imponująco, ale gdy ten ułamek może zmienić decyzję medyczną lub przesłonić subtelny biomarker poznawczy, inwestycja w zarządzanie artefaktami staje się nierozerwalnie związana z naukową rzetelnością rejestracji.

Bibliografia

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. 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

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

Najczęściej zadawane pytania

Jakie są dwie główne kategorie artefaktów EEG i czym się różnią?

Artefakty EEG dzielą się na dwie kategorie: zależne od badanego (fizjologiczne), generowane przez ciało uczestnika — takie jak mrugnięcia oczu, napięcie mięśniowe, bicie serca i pot — oraz techniczne (niefizjologiczne), wynikające ze sprzętu lub otoczenia, jak luźne elektrody, kołysanie kabli i zakłócenia sieciowe. Rozróżnienie to jest istotne, ponieważ każda kategoria wymaga innych strategii zapobiegania i usuwania; na przykład skurcz mięśnia wymaga innej interwencji niż szum sieciowy o częstotliwości 60 Hz.

Jak rozpoznać artefakt mrugnięcia oka w zapisie EEG?

Mrugnięcie oka pojawia się jako duża, dodatnia, powolna fala, która jest najsilniejsza na elektrodach czołowych, takich jak Fp1 i Fp2, i szybko zanika w kierunku kanałów centralnych lub tylnych. Ponieważ rogówka posiada ładunek dodatni względem siatkówki, powieka przesuwająca się po tym dipolu tworzy stereotypowe odchylenie o wysokiej amplitudzie, które łatwo zauważyć przy odpowiednim przeszkoleniu.

Dlaczego aktywność mięśniowa może być szczególnie problematyczna dla interfejsów mózg-komputer?

Artefakty mięśniowe powstałe w wyniku zaciskania szczęki, marszczenia brwi czy napięcia szyi wywołują kolczaste zakłócenia o wysokiej częstotliwości, które często nakładają się na pasma fal mózgowych beta i gamma, w których działają miary poznawcze i monitorowanie stanu psychicznego. Zanieczyszczenie to może zniekształcić analizy algorytmiczne i obniżyć wydajność modeli interfejsów mózg-komputer, czyniąc je jednymi z najbardziej kłopotliwych artefaktów fizjologicznych do opanowania.

Jak wygląda artefakt zakłóceń sieciowych i co go powoduje?

Zakłócenia sieciowe pojawiają się jako ciągły, rytmiczny sinusoidalny „szum” nałożony na każdy kanał EEG, zazwyczaj o częstotliwości 50 lub 60 Hz, w zależności od lokalnego zasilania elektrycznego. Wynikają one ze sprzężenia pojemnościowego źródła zasilania z układem rejestrującym z powodu słabej impedancji elektrod, nieadekwatnego ekranowania lub problemów z uziemieniem i są ewidentnie artefaktem technicznym, a nie sygnałem neuronalnym.

Dlaczego ręczna adnotacja artefaktów podczas rejestracji jest ważna?

Prowadzenie na bieżąco rejestru gwałtownych ruchów, kaszlu czy regulacji elektrod podczas sesji pomaga w późniejszym zawężeniu wadliwych segmentów danych i zamienia domysły w odtwarzalną dokumentację. Ta ręczna adnotacja odzwierciedla również eksperckie etykietowanie stosowane do trenowania automatycznych klasyfikatorów, zapewniając wzorzec (ground truth), który poprawia niezawodność zarówno ręcznego, jak i komputerowego czyszczenia.

Jaki jest cel interpolacji stale szumiącego kanału EEG?

Gdy pojedyncza elektroda jest niewiarygodna podczas całej rejestracji z powodu luźnego kontaktu lub wyschniętego żelu, interpolacja rekonstruuje dane tego kanału na podstawie sąsiednich, czystych elektrod przy użyciu przestrzennego rozkładu napięcia na skórze głowy. Pozwala to zachować ogólną wymiarowość zbioru danych do analiz topograficznych, unikając utraty danych, która nastąpiłaby w przypadku odrzucenia całego kanału.

W jaki sposób analiza składowych niezależnych (ICA) pomaga w usuwaniu artefaktów?

ICA rozkłada zmieszane sygnały EEG na statystycznie niezależne składowe źródłowe, oddzielając mrugnięcia oczu, aktywność mięśniową i inne artefakty na podstawie ich unikalnych wzorców przestrzennych i czasowych. Po zidentyfikowaniu składowa artefaktu — np. ta o projekcji czołowej odpowiadająca mrugnięciu — może zostać odjęta, pozostawiając leżące u podstaw sygnały neuronalne w dużej mierze nienaruszone i radząc sobie z wieloma jednoczesnymi źródłami artefaktów skuteczniej niż proste metody regresji.

Jakie ryzyko wiąże się ze zbyt agresywnym podejściem do automatycznego usuwania artefaktów?

Agresywne odrzucanie może niechcący usunąć prawdziwe informacje neuronalne, ponieważ niektóre składowe niosą zarówno wariancję artefaktu, jak i użyteczną aktywność mózgu. Nawet jeśli automatyczne klasyfikatory oznaczają wiele składowych, zaleca się ręczną weryfikację tego, które składowe należy usunąć, aby mieć pewność, że próg odrzucenia nie eliminuje sygnału niezbędnego do dekodowania intencji użytkownika lub wykrywania biomarkerów poznawczych.

Dlaczego świadomość artefaktów bezpośrednio wpływa na naukową rzetelność rejestracji EEG?

Artefakty mogą maskować się jako patologiczne przebiegi fal lub wprowadzać wariancję, która zniekształca zarówno interpretację wizualną, jak i analizy ilościowe, potencjalnie zmieniając klasyfikacje kliniczne lub przesłaniając subtelne sygnały poznawcze. Zdyscyplinowany proces zapobiegania, dokumentowania i ręcznego czyszczenia artefaktów jest niezbędny przed jakimkolwiek przetwarzaniem komputerowym, zapewniając, że wnioski wyciągnięte z danych są wiarygodne i wolne od zanieczyszczeń.