Uma das escolhas de referência mais amplamente utilizadas na pesquisa de EEG é a referência média comum, ou CAR, que recalcula o valor de cada canal em relação à média de todos os canais no couro cabeludo.
A CAR tem a reputação de ser um padrão de limpeza de ruído. Ela aparece em pipelines de BCI, artigos publicados e caixas de ferramentas de código aberto quase automaticamente. Mas uma análise mais detalhada da pesquisa disponível mostra um cenário que é mais misto do que a reputação sugere.
Este artigo aborda a matemática por trás da CAR, as premissas das quais ela depende e as condições sob as quais essas premissas falham.
O que é a Referência de Média Comum no EEG?
Cada eletrodo no escalpo mede uma voltagem em relação a algum canal de referência, ou a um pequeno conjunto de canais de referência, escolhidos no momento do registro. Escolhas comuns incluem um único eletrodo no lóbulo da orelha, mastoides interligadas atrás das orelhas, ou um local do escalpo como o Cz.
O problema com uma referência de local único é que ela nunca é verdadeiramente “silenciosa”. Se o eletrodo de referência em si captar ruído ou atividade cerebral, essa contaminação será subtraída de todos os outros canais, já que o sinal de cada canal é definido em relação a ele.
A CAR (Common Average Reference - Referência de Média Comum) contorna esse problema utilizando um tipo diferente de referência, no qual a voltagem média é registrada em toda a matriz de eletrodos em cada momento do tempo. Em vez de subtrair o valor de um eletrodo de todos os outros, a CAR subtrai a média de todos os eletrodos de cada eletrodo individual.
Em teoria, essa média funciona como um ponto de referência mais estável e “mais silencioso” do que qualquer eletrodo físico individual poderia fornecer, porque ela se baseia em informações de todo o escalpo, em vez de uma única localização.
A CAR na Pesquisa com BCI
É por isso que a CAR aparece com tanta frequência nas pesquisas de interface cérebro-computador. Por exemplo, um estudo publicado no International Journal of Engineering and Technology testou a CAR como um dos doze métodos de nova referência para um soletrador P300, um sistema que detecta uma resposta cerebral específica quando o usuário se foca em uma letra ou símbolo alvo, e indicou a CAR como a técnica mais adequada entre as testadas.
Além disso, um estudo de 2025 aplicou a CAR como uma etapa padrão de pré-processamento em um pipeline de classificação de imagética motora, descrevendo seu objetivo como o aumento da relação sinal-ruído.
Como Calcular a Fórmula da CAR
A mecânica da CAR baseia-se em álgebra simples, não em um modelo estatístico que exija dados para provar seu funcionamento matemático. Para uma matriz de N eletrodos, cada um registrando uma voltagem no tempo t, representada como V₁(t), V₂(t), até Vₙ(t), o valor transformado por CAR para qualquer eletrodo individual i é:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
Em termos simples, para encontrar a CAR de um eletrodo específico, pegue sua leitura original em um determinado milissegundo e subtraia a leitura média de todos os eletrodos do escalpo no exato mesmo milissegundo.
Aplicações da Referência de Média Comum no EEG
Selecionar a abordagem de referência correta determina o sucesso de avaliações diagnósticas e estudos de pesquisa complexos.
Os ambientes clínicos frequentemente priorizam clareza e consistência, garantindo que os neurologistas possam identificar marcadores sem interferências de artefatos induzidos pelas referências. Os pesquisadores favorecem essa abordagem global ao mapear como intervenções podem influenciar a atividade neural, conforme demonstrado em descobertas sobre oscilações moduladas pela respiração, onde uma linha de base neutra é necessária para isolar efeitos associados à respiração de ritmos neurais locais.
Tanto em contextos clínicos quanto na neurociência experimental, os pesquisadores dependem de uma interpretação consistente dos dados que minimize distorções artificiais. Este método ajuda a manter a transparência ao comparar registros de pacientes entre diferentes sessões ou instalações.
Ao utilizar o referenciamento padrão, os analistas garantem que as mudanças observadas na amplitude reflitam mudanças biológicas e não alterações técnicas na linha de base. Essa postura objetiva apoia relatórios diagnósticos mais claros e resultados válidos em amplas aplicações de medição de ondas cerebrais.
Como a CAR Reduz o Ruído de Modo Comum
O argumento a favor da CAR baseia-se em um conceito chamado ruído de modo comum. Isso se refere à interferência que aparece em quase todos os eletrodos com aproximadamente a mesma intensidade, em vez de um ruído específico de uma localização.
Exemplos clássicos incluem ruído de linha elétrica de 50/60 Hz de fontes de energia próximas, atividade muscular que se espalha pelo escalpo através da condução tecidual e desvios lentos causados pelo deslocamento sutil de um eletrodo contra a pele.
Como esse tipo de ruído é amplamente compartilhado por toda a matriz de eletrodos, calcular a média de todos os canais juntos deve, em teoria, gerar uma estimativa razoável dessa parcela de ruído compartilhado. A subtração da média de cada canal remove grande parte dessa interferência compartilhada, enquanto deixa quase intactas as diferenças entre os canais, que têm maior probabilidade de refletir a atividade cerebral real.
As Premissas Fundamentais por Trás da CAR
A lógica de redução de ruído da CAR só se sustenta se várias condições forem verdadeiras em relação aos dados. Essas suposições são descritas de forma consistente nos livros didáticos e tutoriais de EEG, embora a validação em ambiente real seja limitada dentro das evidências disponíveis.
A premissa da média zero. Em qualquer instante, presume-se que a média de todas as voltagens na cabeça esteja próxima de zero, o que significa que a atividade positiva e negativa se equilibra aproximadamente em todo o escalpo.
Cobertura densa e uniforme de eletrodos. Presume-se que a matriz cubra a cabeça de forma suficientemente completa para que a média se aproxime do que um ponto de referência infinitamente distante da cabeça — e, portanto, eletricamente neutro — registraria. Uma cobertura esparsa ou irregular enfraquece essa aproximação.
Ausência de uma única fonte dominante. Nenhum eletrodo individual, canal ruim ou grande artefato (como um piscar de olhos forte) deve ser grande o suficiente para distorcer a média por si só.
Quando essas três condições são atendidas, a média se comporta como um ponto de referência genuinamente neutro. Quando não são, a própria média torna-se distorcida, e subtrair uma média distorcida introduz novos problemas em vez de remover os antigos.
Testando as Premissas da CAR com Dados Reais de EEG
Ao analisar um registro de EEG em estado de repouso publicamente disponível, por exemplo, um conjunto de dados padrão de 64 canais, e calcular a forma de onda média global antes de aplicar a CAR, frequentemente revelam-se valores que se desviam do zero, às vezes por uma margem perceptível. Esse desvio é evidência direta de conteúdo de modo comum presente no sinal bruto, que é exatamente o que a CAR foi projetada para remover. Após a aplicação da CAR, essa mesma média global é forçada exatamente a zero em cada ponto temporal, por definição da fórmula.
Um teste mais revelador envolve analisar épocas contendo grandes artefatos de piscadas de olhos.
As piscadas geram grandes variações de voltagem que são mais fortes nos eletrodos frontais, mas que se espalham por boa parte da matriz de eletrodos. Durante essas épocas, a média global antes da CAR frequentemente se desloca de forma abrupta para longe do zero, porque a piscada não está distribuída uniformemente, mas concentrada em uma parte da cabeça. Quando a CAR é aplicada, esse artefato concentrado é incorporado à média e redistribuído, em menor escala, por cada canal individual, incluindo aqueles distantes dos olhos que estavam originalmente limpos.
O que diz a Pesquisa: Evidências Mistas de Estudos sobre BCI
O estudo mencionado anteriormente comparou doze técnicas de nova referência em três conjuntos de dados de soletradores P300, em condições de teste off-line e on-line, e concluiu que a CAR era a técnica mais adequada entre as doze. No entanto, embora o estudo forneça comparações gráficas de precisão de classificação e tabelas detalhando as taxas de bits máximas médias com desvios padrão, ele não reporta tamanhos de efeito ou testes formais de significância estatística entre os métodos, o que limita o grau de confiança nessa classificação.
Enquanto isso, um estudo de 2017 adotou uma abordagem diferente com uma tarefa de imagética motora e intenção de movimento. Onze indivíduos realizaram e imaginaram movimentos do punho direito enquanto o EEG era registrado a partir de 28 eletrodos. O sinal foi processado usando tanto a CAR quanto a referência Laplaciana, um método de filtragem espacial que enfatiza a diferença entre um eletrodo central e seus vizinhos imediatos, em vez da média de todo o escalpo.
A precisão de classificação usando a referência Laplaciana variou de 63.33% a 100% para movimento imaginado e de 60% a 96.67% para movimento real, com classificadores k-vizinhos mais próximos superando a análise discriminante quadrática. A referência Laplaciana superou a CAR no geral, embora o estudo não reporte os números exatos de precisão da CAR para comparação direta. Esse resultado sugere que a CAR pode ser menos adequada para tarefas que envolvem atividade cerebral motora focalizada e localizada.
Por fim, o estudo de 2025 mencionado anteriormente incorporou a CAR como uma etapa inicial de pré-processamento dentro de uma estrutura maior de rede neural convolucional para classificação de imagética motora, que também incluía janelas de tempo deslizantes, transformação espectral e extração de bandas de frequência. O pipeline completo alcançou 91.75% de precisão no conjunto de dados de referência de uma competição. Este é um resultado forte, mas como a CAR foi apenas uma de várias etapas de processamento, o estudo não pode nos dizer o quanto dessa precisão é atribuível à CAR em si em oposição à arquitetura CNN, à técnica de janelamento ou à seleção de bandas de frequência.
Tomados em conjunto, esses três estudos não convergem para uma única conclusão. A CAR teve um bom desempenho no contexto de P300, teve um desempenho inferior a uma alternativa no contexto de imagética motora e esteve presente, mas não isolada, em um contexto de aprendizado profundo de alta precisão. Portanto, as evidências discutidas sugerem que o benefício isolado da CAR permanece incerto e parece depender fortemente do tipo de sinal cerebral medido.
Quando a CAR Falha: Artefatos, Matrizes Esparsas e Fontes Focais
O padrão observado nestes estudos se alinha a três modos de falha amplamente discutidos na metodologia de EEG, mas apenas parcialmente fundamentados por evidências diretas na pesquisa disponível.
Grandes artefatos. Um único evento de alta amplitude, como uma piscada forte ou um pico muscular, pode dominar o cálculo da média se for grande o suficiente em relação ao restante da matriz de eletrodos. Quando isso acontece, a CAR não remove o artefato; ela espalha uma versão distorcida dele por todos os canais, incluindo aqueles que estavam originalmente livres de artefatos. Esta é uma consequência direta da fórmula da CAR, em vez de uma descoberta testada isoladamente, mas decorre logicamente da demonstração descrita anteriormente neste artigo.
Matrizes esparsas. A CAR depende de uma média que se aproxime de um ponto de referência neutro, o que requer uma cobertura razoavelmente densa e uniforme do escalpo. Com apenas alguns eletrodos, por exemplo, de oito a dezesseis canais, a média é uma estimativa muito mais fraca desse ponto neutro, e a premissa de cobertura por trás da CAR é diretamente violada.
Fontes focais. A atividade cerebral que se origina de uma região pequena e localizada, em vez de se propagar amplamente pelo escalpo, pode se comportar de forma semelhante a um sinal “local”, o qual o cálculo da média de toda a matriz da CAR não foi projetado para preservar. Como a CAR subtrai uma média global, ela pode cancelar parcialmente sinais que são concentrados, em vez de amplamente distribuídos.
Modo de Falha | Problema Principal |
|---|---|
Artefatos | Grande artefato distorce a média |
Matrizes Esparsas | Poucos eletrodos, referência fraca |
Fontes Focais | Sinais locais podem ser atenuados |
Como Mitigar as Fraquezas da CAR
Vários ajustes são comumente recomendados na prática do EEG para abordar esses pontos de falha:
Quando grandes artefatos forem uma preocupação, identifique e interpole ou remova canais ruins ou segmentos com muitos artefatos antes de calcular a CAR.
Ao trabalhar com uma matriz esparsa (por exemplo, 8–16 canais), evite a CAR e utilize uma referência física fixa, como mastoides interligadas.
Para tarefas focadas em atividade cerebral localizada e focal, considere a referência Laplaciana ou métodos de espaço de origem que enfatizem gradientes locais, em vez de uma média global.
A CAR é a Escolha de Referência Certa para a Sua Configuração de EEG?
A CAR continua sendo um método de referência amplamente utilizado, com uma base matemática clara e coerente. Ela força o sinal médio em toda a matriz a zero e isso pode, em princípio, eliminar o ruído que surge de modo amplo e uniforme em todo o escalpo. Esse apelo teórico explica por que ela aparece com tanta frequência como uma etapa padrão nas estruturas de EEG e canais de BCI.
Qualquer pessoa que aplique a CAR aos seus próprios dados deve tratá-la como um padrão razoável, em vez de uma melhoria garantida. Suas premissas — um sinal com média próxima de zero, cobertura de eletrodos densa e uniforme e a ausência de um artefato dominante — devem ser verificadas em relação à configuração de registro específica e à tarefa em questão, em vez de serem presumidas automaticamente.
Nos casos em que seja improvável que essas premissas se sustentem, particularmente com matrizes esparsas ou tarefas focadas em fontes cerebrais focais e localizadas, alternativas como a referência Laplaciana merecem séria consideração.
Por que Verificar Suas Premissas de Referência de EEG Supera as Configurações Padrão
A referência de média comum baseia-se na ideia matemática simples de subtrair a média de todo o escalpo para remover ruídos compartilhados entre os eletrodos. Isso funciona perfeitamente no papel, mas os registros cerebrais reais raramente cooperam por completo. O algoritmo sempre força a média dos eletrodos a zero, mas esse equilíbrio forçado não garante uma visão mais limpa da atividade cerebral — garante apenas que os números coincidam.
O que importa mais do que a própria montagem do EEG é se a configuração do registro atende às premissas subjacentes. Uma cobertura de eletrodos densa e uniforme e a ausência de artefatos avassaladores como piscadas de olhos podem transformar a CAR de um atalho arriscado em uma ferramenta útil. Para matrizes esparsas ou tarefas que precisam capturar sinais cerebrais pequenos e focados, essa mesma etapa pode espalhar contaminação e ofuscar a própria atividade que o pesquisador espera detectar.
A lição da pesquisa não é que a CAR seja boa ou ruim, mas que seu uso exige uma verificação intencional das condições dos dados, e não uma confiança cega em uma configuração popular predefinida.
Referências
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, December). 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
Perguntas Frequentes
O que é a Referência de Média Comum (CAR) no EEG?
A CAR é um método de nova referência que subtrai a voltagem média de todos os eletrodos do escalpo de cada eletrodo individual em cada ponto temporal. Isso substitui uma única referência física pela média de todo o escalpo, visando criar um ponto de referência mais estável para o registro.
Como a CAR reduz o ruído nos sinais de EEG?
A CAR foca no ruído de modo comum — interferência que aparece de forma semelhante em muitos eletrodos, como zumbido de linha de transmissão ou atividade muscular. Ao calcular a média de todos os canais e subtrair essa média, o ruído compartilhado é amplamente removido, enquanto as diferenças de atividade cerebral específicas de cada canal são preservadas.
Quais são as premissas fundamentais necessárias para que a CAR funcione bem?
A CAR presume que a média da voltagem em todo o escalpo se aproxima de zero a cada instante, que a cobertura dos eletrodos é densa e uniforme, e que nenhum artefato ou canal individual domina a média. Se essas condições não forem atendidas, a média calculada torna-se distorcida e sua subtração introduz erros.
Quando a CAR falha ou introduz artefatos?
A CAR pode falhar com artefatos grandes e localizados, como piscadas de olhos, que distorcem a média e acabam sendo espalhados por todos os canais. Ela também apresenta dificuldades com matrizes de eletrodos esparsas ou sinais cerebrais muito focais, pois a média global perde a capacidade de representar uma referência neutra.
O que diz a pesquisa disponível sobre a eficácia da CAR?
As evidências são mistas. Um estudo constatou que a CAR funcionou bem para uma tarefa de soletrador P300, mas outro mostrou que a referência Laplaciana superou a CAR para imagética motora. Um terceiro estudo utilizou a CAR em um pipeline bem-sucedido de aprendizado profundo, mas não isolou sua contribuição específica, de modo que seu benefício isolado permanece incerto.
Devo sempre usar a CAR como referência padrão nas minhas análises de EEG?
Não de forma cega. A CAR é uma opção padrão viável se você possuir uma cobertura de eletrodos densa e uniforme e o sinal apresentar média próxima de zero, sem artefatos dominantes. Para matrizes esparsas ou atividade cerebral focal, alternativas como uma referência física fixa ou a referência Laplaciana podem ser mais apropriadas.
O que é referência Laplaciana e como ela se compara à CAR?
A referência Laplaciana enfatiza a diferença de voltagem entre um eletrodo central e seus vizinhos imediatos, destacando a atividade cerebral local. Ela superou a CAR em um estudo de imagética motora, sugerindo ser mais adequada para detectar sinais espacialmente concentrados.
Como posso mitigar as fraquezas da CAR quando decidir usá-la?
Antes de calcular a CAR, identifique e remova ou interpole canais ruins e grandes artefatos, como piscadas. Isso evita que um único canal barulhento ou evento distorça a média de todo o escalpo e contamine todos os canais.
O que acontece quando ocorre uma piscada de olhos em um registro referenciado por CAR?
As piscadas geram fortes variações de voltagem concentradas nos eletrodos frontais. Quando a CAR é aplicada, a influência da piscada é incluída na média global e depois subtraída, o que espalha uma versão menor, porém distorcida, da piscada por todos os canais, mesmo naqueles que estavam originalmente limpos.
A CAR realmente torna zero a média de todos os canais?
Sim, por definição, a transformação por CAR força a soma de todas as voltagens re-referenciadas a zero em cada ponto do tempo. No entanto, essa propriedade matemática não garante que o sinal resultante seja uma representação mais limpa da atividade cerebral — apenas impõe uma condição que pode ou não corresponder à realidade.
Emotiv é uma líder em neurotecnologia que ajuda a avançar a pesquisa em neurociência por meio de ferramentas acessíveis de EEG e dados cerebrais.
Christian Burgos
