Por que o pré-processamento é importante

O EEG é altamente sensível à atividade elétrica neural e não neural. Embora um design experimental cuidadoso e a coleta de dados minimizem muitas fontes de ruído, algum nível de contaminação por artefatos é inevitável. O pré-processamento ajuda os pesquisadores a distinguir a atividade cerebral significativa de sinais indesejados, melhorando a consistência das análises subsequentes.[1]

Importante ressaltar que o pré-processamento não deve ser visto como uma forma de reparar gravações de baixa qualidade. Em vez disso, é um processo estruturado para refinar dados de alta qualidade coletados por meio de práticas experimentais sólidas. As decisões tomadas durante o pré-processamento influenciam todas as etapas subsequentes da análise, tornando a transparência e a consistência essenciais.

Construindo um fluxo de trabalho de pré-processamento

O pré-processamento é normalmente executado como uma sequência de etapas, em vez de procedimentos isolados. Embora os fluxos de trabalho individuais variem dependendo da questão de pesquisa e dos métodos analíticos, estabelecer um fluxo consistente ajuda a garantir que os dados de cada participante sejam processados da mesma maneira.

Os pesquisadores devem determinar sua estratégia de pré-processamento antes de iniciar a análise formal, sempre que possível. Definir o fluxo de trabalho com antecedência reduz o risco de introduzir vieses ao tomar decisões de processamento após a revisão dos resultados.[1]

Como nenhum fluxo de trabalho de pré-processamento individual é adequado para todos os estudos, os fluxos devem ser orientados pela literatura estabelecida, pelo design experimental, pela metodologia de registro e pelos objetivos científicos.

Filtrando o sinal de EEG

A filtragem é frequentemente uma das primeiras etapas de pré-processamento. Os filtros reduzem componentes de frequência indesejados, preservando a atividade neural relevante para a questão de pesquisa.

Filtros passa-alta podem reduzir o desvio lento do sinal, enquanto filtros passa-baixa ajudam a suprimir ruídos de alta frequência. Alguns estudos também aplicam filtros rejeita-faixa (notch) para reduzir a interferência elétrica dos sistemas de energia, quando apropriado.[1],[5]

A seleção do filtro deve ser abordada com cuidado. A filtragem excessiva pode distorcer os sinais neurais ou alterar o tempo e a amplitude das respostas relacionadas a eventos. Os pesquisadores devem selecionar configurações de filtro que apoiem a análise pretendida, evitando modificações desnecessárias do sinal.

Identificando e gerenciando artefatos

Mesmo após uma coleta de dados cuidadosa, algumas gravações conterão artefatos que exigem atenção durante o pré-processamento.

Os pesquisadores normalmente começam inspecionando visualmente as gravações para identificar períodos de ruído excessivo, canais instáveis ou interrupções na gravação. Ferramentas automatizadas de avaliação de qualidade podem auxiliar na detecção de artefatos, mas a revisão manual continua sendo um componente importante de muitos fluxos de trabalho de pré-processamento.[3]

Dependendo da natureza da contaminação, os pesquisadores podem remover ensaios individuais, rejeitar canais ruidosos, interpolar eletrodos isolados ou aplicar técnicas de correção de artefatos. Essas decisões devem seguir critérios de qualidade predefinidos estabelecidos antes do início da análise.

Análise de Componentes Independentes

A Análise de Componentes Independentes (ICA) é uma das técnicas mais amplamente utilizadas para separar sinais elétricos mistos em componentes estatisticamente independentes. Ao decompor o EEG registrado em fontes de sinal subjacentes, a ICA pode ajudar os pesquisadores a identificar componentes associados a piscadas oculares, movimentos oculares, atividade muscular ou outros artefatos não neurais.[4]

Uma vez identificados, os componentes relacionados a artefatos podem ser removidos antes de reconstruir o sinal de EEG. Embora a ICA possa melhorar substancialmente a qualidade dos dados, a aplicação bem-sucedida depende de um pré-processamento apropriado, de qualidade de dados suficiente e de uma interpretação cuidadosa dos componentes resultantes.

Os pesquisadores devem documentar como a ICA foi realizada e quais componentes foram removidos para apoiar a transparência e a reprodutibilidade.

Epocando dados contínuos

Muitas análises de EEG focam em respostas neurais que ocorrem em torno de eventos experimentais específicos. Para facilitar essas análises, as gravações contínuas de EEG são frequentemente divididas em segmentos de tempo mais curtos, conhecidos como épocas.

Cada época é alinhada com um marcador de evento que representa a apresentação de um estímulo, a resposta do participante ou outro evento significativo durante o experimento. Essa segmentação permite que os pesquisadores comparem a atividade neural em condições experimentais repetidas e forma a base para muitas análises de potenciais relacionados a eventos (ERP).[2],[6]

Portanto, o tempo preciso do evento é essencial antes do início da criação de épocas.

Correção de linha de base

A atividade neural está mudando continuamente, mesmo quando os participantes estão em repouso. A correção de linha de base ajuda a explicar essas flutuações contínuas, comparando cada época experimental com um período de referência imediatamente anterior ao evento de interesse.

Subtrair essa linha de base da resposta neural subsequente permite que os pesquisadores isolem melhor a atividade associada ao evento experimental, reduzindo a variabilidade introduzida por atividades de fundo não relacionadas.[2]

A seleção da linha de base deve permanecer consistente ao longo do estudo e deve refletir as práticas estabelecidas para o paradigma experimental escolhido.

Controle de qualidade e documentação

O pré-processamento não termina quando os dados parecem mais limpos. Os pesquisadores devem documentar cuidadosamente cada etapa do processamento, incluindo parâmetros de filtragem, critérios de rejeição de artefatos, procedimentos de interpolação, versões de software e configurações de análise.

A documentação detalhada apoia a reprodutibilidade, permitindo que outros pesquisadores compreendam, avaliem e repliquem o fluxo de trabalho de pré-processamento. Relatórios transparentes também tornam as comparações futuras entre estudos mais significativas.[1]

Manter um protocolo de pré-processamento consistente para todos os participantes reduz ainda mais a variabilidade e fortalece a confiança nas análises resultantes.

Escolhendo softwares para o pré-processamento de EEG

Diversas plataformas de software suportam o pré-processamento e a análise de EEG, cada uma oferecendo diferentes fluxos de trabalho e capacidades analíticas. Os pesquisadores devem selecionar ferramentas que se alinhem com seu design experimental, conhecimento técnico e requisitos de relatório.

Ambientes comuns de pré-processamento incluem o EEGLAB, o MNE-Python e o FieldTrip, além de softwares comerciais de aquisição que suportam sincronização de eventos, visualização de dados e exportação para formatos de análise comuns.[4],[5] Selecionar ferramentas interoperáveis pode simplificar a colaboração, ao mesmo tempo em que apoia práticas de pesquisa transparentes e reprodutíveis.

Principais conclusões

O pré-processamento prepara gravações brutas de EEG para análise científica, reduzindo o ruído, gerenciando artefatos e organizando os dados, ao mesmo tempo em que preserva sinais neurais significativos.

Filtragem, gerenciamento de artefatos, Análise de Componentes Independentes, criação de épocas, correção de linha de base e controle de qualidade contribuem para melhorar a qualidade do sinal, mantendo a integridade dos dados.

Um fluxo de trabalho de pré-processamento bem desenhado é consistente, transparente e apropriado para a questão de pesquisa. Ao documentar cada etapa de processamento e aplicar procedimentos padronizados entre os participantes, os pesquisadores fortalecem a confiabilidade e a reprodutibilidade de suas descobertas.

Continue construindo seu estudo de EEG

Uma vez que os dados de EEG tenham sido preparados para análise, os pesquisadores podem começar a explorar como diferentes localizações de eletrodos contribuem para a compreensão da atividade cerebral.

No próximo guia, Escolhendo eletrodos e montagens de EEG, examinaremos os sistemas de posicionamento de eletrodos, a seleção de canais e como os locais de registro influenciam o design experimental e a interpretação dos dados.

Referências

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, EUA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2ª ed. Cambridge, MA, EUA: MIT Press, 2014.

[3] S. J. Luck e E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. Nova York, NY, EUA: Oxford University Press, 2012.

[4] A. Delorme e S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, nº 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris e J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Artigo ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex Saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.