Artefatos são sinais indesejados não gerados pelo cérebro que podem distorcer a interpretação visual de um eletroencefalograma e corromper as análises algorítmicas que impulsionam as interfaces cérebro-computador ou o monitoramento do estado mental.
Quer você esteja lendo um traçado de EEG bruto para marcadores de epilepsia ou alimentando dados em um pipeline de aprendizado de máquina, artefatos não detectados podem se passar por formas de onda patológicas ou introduzir variâncias que degradam o desempenho do modelo.
Este guia prático de campo orienta você pelas duas grandes categorias de artefatos de EEG, explica como reconhecer suas assinaturas distintas no domínio do tempo e apresenta as etapas de limpeza manual que continuam essenciais antes de qualquer processamento computacional.
As Duas Categorias Fundamentais de Artefatos de EEG
Cada flutuação indesejada em um registro de EEG surge de uma de duas origens. Os artefatos fisiológicos, ou relacionados ao sujeito, são gerados pelo próprio corpo do participante. Estes incluem piscadas de olhos, tensão muscular, batimentos cardíacos e atividade das glândulas sudoríparas, todos produzindo campos elétricos que os eletrodos do couro cabeludo captam juntamente com a atividade cerebral genuína.
Os artefatos técnicos, ou não fisiológicos, originam-se do equipamento de registro e do ambiente. Eletrodos soltos, oscilação de cabos, saturação do amplificador e interferência elétrica da rede se enquadram neste segundo grupo.
Distinguir entre as duas categorias é a primeira habilidade a ser dominada, pois as estratégias de prevenção e remoção diferem fundamentalmente. Uma explosão muscular de uma mandíbula contraída requer uma intervenção diferente de um zumbido periódico de 60 hertz que entra por um cabo mal blindado.
Como Reconhecer Artefatos Relacionados ao Sujeito
Piscadas de Olhos
O olho se comporta como uma pequena bateria elétrica. A córnea carrega uma carga positiva em relação à retina, formando um dipolo córneo-retiniano. Quando um participante pisca, a pálpebra desliza sobre este dipolo e arrasta o campo positivo para cima, gerando uma grande deflexão de voltagem positiva nos eletrodos frontais mais próximos dos olhos.
No traçado do domínio do tempo, uma piscada aparece como uma onda lenta de alta amplitude que atinge seu máximo nos canais frontopolares, como Fp1 e Fp2, e depois atenua-se acentuadamente conforme se olha para as derivações centrais ou posteriores. Como a forma de onda é muito estereotipada, um olho treinado pode identificá-la quase instantaneamente.
Movimentos Oculares e Espículas Sacádicas
Quando os olhos se movem lateralmente sem piscar, o dipolo córneo-retiniano gira em vez de ser coberto. Isso produz uma mudança em degrau no sinal do eletro-oculograma que pode se espalhar para os canais de EEG adjacentes.
Além disso, a rápida contração dos músculos extraoculares durante uma sacada cria um transiente elétrico breve e agudo conhecido como potencial de espícula sacádica. Em um traçado bruto, essas espículas podem parecer enganosamente semelhantes à atividade epileptiforme. Elas são normalmente confinadas aos eletrodos frontais e temporais e coincidem com uma mudança no olhar.
Reconhecê-las evita uma falsa impressão clínica e evita a rejeição desnecessária de dados neurais de outra forma limpos. A brevidade da espícula, sua correlação com um movimento ocular horizontal ou vertical e a ausência de uma onda lenta subsequente ajudam a diferenciá-la de uma descarga cortical genuína.
Atividade Muscular
Os músculos do couro cabeludo, da face e do pescoço são geradores prolíficos de ruído elétrico de alta frequência. Quando um participante range os dentes, franze a testa ou até mesmo mantém tensão no pescoço, os potenciais de ação das unidades motoras disparam de forma assíncrona e se somam em um padrão de interferência irregular e pontiagudo.
No domínio do tempo, o artefato muscular parece uma rápida explosão de deflexões agudas e de baixa amplitude sobrepostas ao EEG, muitas vezes mais proeminentes nos eletrodos temporais ou frontais. Seu conteúdo de frequência situa-se principalmente acima de 20 Hz, bem dentro das bandas beta e gama onde residem muitas medidas cognitivas, tornando-o particularmente problemático para o monitoramento do estado mental e aplicações de interface cérebro-computador.
Configurações de EEG de alta densidade com eletrodos espaçados de forma próxima podem ajudar a localizar a fonte muscular, mas a primeira linha de defesa é instruir o participante a relaxar e fornecer suporte físico para a cabeça.
Suor e Mudanças Eletrodérmicas
Alterações na condutância da pele devido à atividade das glândulas sudoríparas alteram a interface eletrodo-pele. Isso introduz uma deriva muito lenta e suave da voltagem da linha de base, frequentemente abaixo de 1 Hz, que pode oscilar ao longo de vários segundos.
O artefato não aparece como uma espícula ou um zumbido rítmico, mas sim como um rolamento suave e em forma de onda de todo o traçado. É mais comum durante gravações longas, em ambientes quentes ou com participantes ansiosos. Essa distorção de baixa frequência pode ser gerenciada mantendo-se uma temperatura ambiente estável e garantindo um bom contato do eletrodo.
Sinais Cardíacos
O campo elétrico do coração é poderoso o suficiente para atingir o couro cabeludo, especialmente quando as impedâncias dos eletrodos estão altas ou quando um eletrodo de referência está situado perto de um vaso sanguíneo sobre o mastoide ou lóbulo da orelha.
O artefato de eletrocardiograma resultante aparece como um complexo QRS regular e agudo que se repete no ritmo cardíaco — aproximadamente uma vez por segundo. Ele frequentemente se espalha para muitos canais simultaneamente com um atraso de tempo consistente, e classificadores treinados em recursos de artefatos de amplo espectro podem detectá-lo juntamente com outros contaminantes.
Se a forma de onda cardíaca estiver visível, mas não for avassaladora, ela pode frequentemente ser subtraída registrando-se um canal de ECG dedicado; caso contrário, os segmentos afetados podem precisar de rejeição manual.
Artefato | Assinatura |
|---|---|
Piscada de olho | Onda lenta frontal |
Movimento ocular | Mudança em degrau |
Músculo | Espículas de alta frequência |
Suor | Deriva lenta da linha de base |
Cardíaco | Complexo QRS agudo |
Reconhecendo Artefatos Técnicos no Traçado
Pops de Eletrodo e Espículas Relacionadas ao Movimento
Uma mudança repentina na impedância causada por uma ponte de gel seca, um cabo puxado ou um eletrodo em movimento gera um transiente abrupto e íngreme, frequentemente chamado de pop. Isso se enquadra na categoria de "descontinuidades genéricas" que algoritmos automatizados como o ADJUST são projetados para sinalizar.
No domínio do tempo, um pop de eletrodo normalmente se parece com uma espícula isolada de amplitude extrema que pode saturar o amplificador, achatando o sinal por um momento antes de uma recuperação lenta. Ao contrário de uma espícula biológica, ela não é cercada por atividade fisiológica contínua e geralmente aparece em um único canal, facilitando sua identificação durante a inspeção visual.
Um estudo de EEG neonatal realizado por Hagmann et al. documentou de forma semelhante a interferência frequente de movimentos que alteravam o traçado integrado em amplitude, enfatizando que mesmo perturbações físicas breves criam contaminações mensuráveis.
Interferência da Rede Elétrica
O acoplamento capacitivo da rede elétrica na configuração de registro produz um zumbido contínuo e rítmico na frequência da rede — 50 Hz na Europa e em grande parte do mundo, 60 Hz na América do Norte.
Em um traçado de EEG bruto, essa interferência aparece como uma onda senoidal espessa sobreposta a cada canais, frequentemente com uma amplitude consistente. Mesmo uma pequena quantidade de ruído de linha pode mascarar ritmos cerebrais de baixa voltagem, e sua presença sinaliza um problema com a impedância do eletrodo, blindagem ou aterramento.
Trata-se invariavelvelmente de um artefato técnico, não de uma oscilação neural, e sua frequência fixa torna-o simples de identificar visualmente ou com um simples gráfico espectral.
Eletrodos Soltos e Movimento de Cabos
Quando um eletrodo não está fixado de forma segura ao couro cabeludo ou o seu cabo oscila no meio do registro, a perturbação mecânica introduz flutuações irregulares de baixa frequência. Estas podem parecer uma deriva lenta e errática ou uma explosão de ondas irregulares de alta amplitude em um único canal.
A natureza esporádica e o confinamento a apenas um eletrodo distinguem imediatamente esse artefato de eventos fisiológicos generalizados, como uma piscada ou uma tensão muscular. Anotar esses momentos em tempo real poupa um esforço considerável mais tarde, estreitando a busca por segmentos de dados ruins.
Prevenindo e Documentando Artefatos Durante um Registro
A estratégia mais eficaz de gerenciamento de artefatos começa muito antes de o primeiro ponto de dados ser salvo.
Um participante relaxado produz dramaticamente menos artefatos musculares e de movimentos oculares. Portanto, reserve um tempo para explicar a sessão, forneça uma cadeira confortável com suporte para a cabeça e dê aos olhos um ponto de fixação estável para reduzir piscadas espontâneas e sacadas. Esses passos são tão fundamentais que raramente são detalhados em artigos de pesquisa, embora todos os estudos que relatam dados limpos dependam implicitamente deles.
A aplicação dos eletrodos é a próxima linha de defesa. Uma preparação meticulosa da pele, gel condutor adequado e o roteamento cuidadoso dos cabos minimizam tanto a captação ambiental quanto os pops relacionados ao movimento.
O estudo de EEG em lactentes mencionado anteriormente constatou que as interferências elétricas e de movimento ocorriam com frequência semelhante, confirmando que nenhum ambiente de registro é inerentemente imune a problemas técnicos. Verificar as impedâncias antes e depois da sessão e fixar os cabos à roupa ou à cadeira remove uma grande fração dos artefatos evitáveis.
Por fim, mantenha um registro contínuo dos artefatos visíveis durante a gravação. Anote o momento de qualquer movimento brusco, tosse ou ajuste de eletrodo. Esse tipo de anotação manual reflete a rotulagem especializada usada para treinar classificadores automáticos, onde avaliadores humanos marcam segmentos para servir como base de verdade para algoritmos de aprendizado de máquina.
Um registro de data/hora manuscrito simples ou um marcador de evento no software de aquisição transforma a adivinhação em documentação reproduzível.
Rejeição Manual e Interpolação: Limpeza Antes da Computação
Inspeção Visual do Traçado Contínuo
Antes de delegar a remoção de artefatos a qualquer algoritmo de processamento de sinais, percorra os dados brutos e use as assinaturas das formas de onda descritas acima para identificar intervalos contaminados.
Frequentemente, recomenda-se procurar a onda lenta frontal característica de uma piscada, o chiado de alta frequência da atividade muscular, a espícula isolada de um pop ou a onda senoidal persistente do ruído da rede elétrica. Essa etapa treina seu olho para distinguir artefatos de atividade cerebral genuína e evita a rejeição automática de eventos neurais raros e de alta amplitude que poderiam superficialmente se assemelhar a artefatos.
Onda lenta frontal: indica uma piscada de olho
Chiado de alta frequência: indica atividade muscular
Espícula isolada de amplitude extrema: indica um pop de eletrodo
Onda senoidal persistente: indica interferência da rede elétrica
Marcando e Excluindo Segmentos de Tempo Ruins
Uma vez identificado um trecho de dados repleto de artefatos, marque-o para exclusão. Isso pode envolver o registro dos horários de início e término ou o uso de ferramentas de marcação integradas no software de análise de EEG.
A remoção manual dos segmentos mais contaminados é o padrão sobre o qual até mesmo os métodos automatizados mais avançados são construídos. No trabalho que gerou o algoritmo ADJUST, por exemplo, especialistas rotularam manualmente 640 componentes para criar um conjunto de treinamento, e o desempenho do classificador foi então medido em relação a essa verdade terrestre definida manualmente.
A remoção manual dos artefatos mais gritantes reduz a carga sobre os algoritmos subsequentes e evita que eles espalhem ruído para canais vizinhos durante as etapas de filtragem espacial.
Interpolando um Canal Consistentemente Ruidoso
Quando um único eletrodo não é confiável durante todo o registro devido a um contato frouxo, gel seco ou instabilidade mecânica, remover esse canal e reconstruir seus dados a partir de eletrodos limpos vizinhos preserva a dimensionalidade geral dos dados.
A interpolação usa a distribuição espacial de voltagem no couro cabeludo para estimar o que o canal ruim teria registrado, substituindo efetivamente o artefato por um sinal neutro e plausível. Essa etapa mantém o conjunto de dados intacto para análises topográficas e evita a perda de dados que ocorreria com o descarte total do canal.
Por que a Limpeza Manual Continua Sendo Essencial
Até mesmo os classificadores automáticos mais sofisticados se beneficiam de um conjunto de dados que foi previamente limpo de artefatos grosseiros. A constatação do estudo neonatal de que os artefatos ocupavam 12% do tempo de registro e influenciavam a interpretação clínica ilustra a facilidade com que a contaminação não removida pode distorcer as conclusões.
Portanto, a inspeção manual garante que os maiores e mais óbvios artefatos desapareçam antes que os dados entrem em um pipeline computacional eficaz, onde, de outra forma, poderiam dominar a variância e induzir a decomposição a erros. Também constrói uma familiaridade íntima com o conjunto de dados que nenhum algoritmo pode replicar.
Como a Remoção Automatizada Apoia o Trabalho Manual
Análise de Componentes Independentes como Ferramenta de Dissecação
Uma vez removidos manualmente os piores segmentos, a ICA pode decompor o EEG restante em componentes de fontes estatisticamente independentes. Essa técnica desmistura a mistura de sinais cerebrais e de artefatos captados pelos eletrodos do couro cabeludo, separando movimentos oculares, piscadas e atividade muscular em componentes discretos com base em seus padrões espaciais e temporais únicos.
Um componente com projeção frontal e uma forma de onda que corresponda de perto ao sinal da piscada pode então ser identificado e subtraído, mantendo o restante dos dados neurofisiologicamente intacto. A força da ICA reside na sua capacidade de lidar com múltiplas fontes de artefatos que ocorrem simultaneamente, uma tarefa que a correção simples baseada em regressão frequentemente corrige de forma excessiva ou insuficiente.
A Confiabilidade dos Classificadores Modernos
Os métodos automatizados atingiram agora um nível de desempenho que se aproxima bastante do julgamento humano especializado.
Um classificador linear independente do sujeito, treinado em seis características extraídas dos domínios de frequência, espacial e temporal, alcançou um erro quadrático médio inferior a 10% em um conjunto de dados de tempo de reação, o que está dentro da faixa de desacordo entre dois especialistas humanos.
Além disso, o algoritmo ADJUST, que combina características espaciais e temporais específicas de artefatos, concordou com a rotulagem manual de especialistas em 95.2% da variância dos dados quando testado em um conjunto de dados completamente independente, e a sua remoção de componentes com artefatos levou a uma reconstrução limpa de potenciais relacionados a eventos.
Uma abordagem diferente, usando modelos autorregressivos combinados com uma máquina de vetores de suporte, classificou vários tipos de artefatos gerados pelo sujeito entre indivíduos com aproximadamente 94% de precisão.
Especificamente para artefatos oculares, um algoritmo que incorporou informações de rastreador ocular para identificar objetivamente os componentes relevantes teve um desempenho quase duas vezes mais eficaz do que especialistas humanos que precisavam confiar apenas nas topografias dos componentes, alcançando uma área sob a curva característica de operação do receptor maior que 0.99.
Esses números não substituem a limpeza manual, mas demonstram que o campo conta agora com assistentes computacionais confiáveis que podem lidar com a identificação repetitiva e de alto volume que antes era feita inteiramente à mão.
Equilibrando a Remoção de Artefatos e a Preservação do Sinal
A rejeição agressiva de artefatos pode, inadvertidamente, eliminar informações neurais genuínas. Em um paradigma de interface cérebro-computador de imaginação motora, pesquisadores descobriram que podiam remover com segurança até 60% dos componentes de ICA mais cheios de artefatos, mantendo ainda as informações discriminantes que o sistema BCI usava para decodificar a intenção do usuário.
Essa descoberta reforça o princípio crucial de que nem todo componente que carrega alguma variância de artefato é desprovido de sinal neural. A revisão manual dos componentes selecionados por um classificador automático continua sendo recomendável para confirmar se o limite de rejeição não invade o território da atividade cerebral útil.
Por que a Consciência de Artefatos Determina a Qualidade dos Dados
Os artefatos influenciam diretamente tanto a interpretação visual quanto as medições quantitativas. Seja o objetivo um diagnóstico clínico, uma descoberta em neurociência ou uma aplicação de bem-estar do consumidor, o caminho para resultados confiáveis passa por uma compreensão clara de onde os artefatos vêm, como aparecem no traçado bruto e pelo processo disciplinado de preveni-los, documentá-los e removê-los manualmente.
A automação baseada em ICA pode acelerar o fluxo de trabalho de limpeza, mas opera de forma mais eficaz em dados que já foram inspecionados por um olho humano treinado. Uma taxa de contaminação de 12% pode não parecer alta, mas quando essa fração pode alterar uma decisão médica ou ocultar um biomarcador cognitivo sutil, o investimento no gerenciamento de artefatos torna-se inseparável da integridade científica do registro.
Referências
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
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
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
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
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
Perguntas Frequentes
Quais são as duas principais categorias de artefatos de EEG e como elas se diferenciam?
Os artefatos de EEG dividem-se em duas categorias: artefatos relacionados ao sujeito (fisiológicos), gerados pelo próprio corpo do participante — como piscadas de olhos, tensão muscular, batimentos cardíacos e suor — e artefatos técnicos (não fisiológicos), originados do equipamento ou do ambiente, como eletrodos soltos, oscilação de cabos e interferência da rede elétrica. A distinção é importante porque cada categoria requer estratégias diferentes de prevenção e remoção; por exemplo, uma explosão muscular precisa de uma intervenção diferente de um zumbido de linha de 60 Hz.
Como é possível reconhecer um artefato de piscada de olho em um traçado de EEG?
Uma piscada de olho aparece como uma onda lenta, positiva e de grande amplitude que se apresenta mais forte nos eletrodos frontais, como Fp1 e Fp2, e desaparece rapidamente em direção aos canais centrais ou posteriores. Como a córnea carrega uma carga positiva em relação à retina, o movimento da pálpebra sobre este dipolo cria uma deflexão estereotipada de alta amplitude que é fácil de identificar com treinamento.
Por que a atividade muscular pode ser especialmente problemática para as interfaces cérebro-computador?
Os artefatos musculares decorrentes do tensionamento da mandíbula, franzimento da testa ou tensão no pescoço produzem uma interferência pontiaguda de alta frequência que muitas vezes se sobrepõe às bandas de ondas cerebrais beta e gama, onde operam as medidas cognitivas e o monitoramento do estado mental. Essa contaminação pode corromper as análises algorítmicas e degradar o desempenho dos modelos de interface cérebro-computador, tornando-se um dos artefatos fisiológicos mais difíceis de gerenciar.
Qual é a aparência de um artefato de interferência da rede elétrica e o que o causa?
A interferência da rede elétrica aparece como um zumbido contínuo e rítmico em forma de onda senoidal sobreposto a cada canal de EEG, geralmente a 50 ou 60 Hz, dependendo da rede elétrica da região. Ele surge do acoplamento capacitivo da fonte de energia na configuração de gravação devido a uma impedância inadequada do eletrodo, blindagem insuficiente ou problemas de aterramento, sendo claramente um artefato técnico e não um sinal neural.
Por que a anotação manual de artefatos durante um registro é importante?
Manter um registro contínuo de movimentos bruscos, tosses ou ajustes de eletrodos durante a sessão ajuda a limitar os segmentos de dados ruins posteriormente e transforma suposições em documentação reproduzível. Essa anotação manual também reflete a rotulagem de especialistas usada para treinar classificadores automatizados, fornecendo uma verdade de referência que melhora a confiabilidade tanto da limpeza manual quanto da computacional.
Qual é a finalidade de interpolar um canal de EEG consistentemente ruidoso?
Quando um único eletrodo apresenta-se instável durante toda a gravação devido a contato frouxo ou gel seco, a interpolação reconstrói os dados desse canal a partir de eletrodos limpos vizinhos, utilizando a distribuição espacial de voltagem pelo couro cabeludo. Isso preserva a dimensionalidade geral do conjunto de dados para análises topográficas, evitando a perda de dados que ocorreria se todo o canal fosse descartado.
Como a análise de componentes independentes (ICA) ajuda na remoção de artefatos?
A ICA decompõe os sinais mistos de EEG em componentes de fontes estatisticamente independentes, separando piscadas de olhos, atividade muscular e outros artefatos com base em seus padrões espaciais e temporais únicos. Uma vez identificado, um componente de artefato — como um com projeção frontal correspondente a uma piscada — pode ser subtraído, mantendo os sinais neurais subjacentes amplamente intactos e lidando com múltiplas fontes simultâneas de artefatos de forma mais eficaz do que os métodos simples de regressão.
Qual é o risco de ser excessivamente agressivo com a remoção automatizada de artefatos?
A rejeição agressiva pode, inadvertidamente, eliminar informações neurais genuínas, uma vez que alguns componentes carregam tanto a variância do artefato quanto a atividade cerebral útil. Mesmo que os classificadores automatizados sinalizem muitos componentes, a revisão manual para decidir quais componentes remover é aconselhável para garantir que o limite de rejeição não elimine sinais essenciais para decodificar a intenção do usuário ou detectar biomarcadores cognitivos.
Por que a percepção de artefatos afeta diretamente a integridade científica de um registro de EEG?
Os artefatos podem se passar por ondas patológicas ou introduzir uma variância que distorce tanto a interpretação visual quanto as análises quantitativas, podendo alterar classificações clínicas ou ocultar sinais cognitivos sutis. Um processo disciplinado de prevenção, documentação e limpeza manual de artefatos é essencial antes de qualquer processamento computacional, garantindo que as conclusões extraídas dos dados sejam confiáveis e não corrompidas por contaminação.
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
