ทำไมการประมวลผลข้อมูลขั้นต้น (Preprocessing) จึงมีความสำคัญ

EEG มีความไวสูงอย่างยิ่งต่อทั้งกิจกรรมทางไฟฟ้าของระบบประสาทและที่ไม่ใช่ระบบประสาท แม้ว่าการออกแบบการทดลองและการเก็บรวบรวมข้อมูลอย่างระมัดระวังจะช่วยลดแหล่งที่มาของสัญญาณรบกวนได้หลายอย่าง แต่การปนเปื้อนของสิ่งแปลกปลอม (Artifact) ในระดับหนึ่งก็เป็นสิ่งที่หลีกเลี่ยงไม่ได้ การประมวลผลข้อมูลขั้นต้นช่วยให้นักวิจัยสามารถแยกแยะกิจกรรมของสมองที่มีความหมายออกจากสัญญาณที่ไม่ต้องการได้ ในขณะเดียวกันก็ช่วยปรับปรุงความสอดคล้องของการวิเคราะห์ในขั้นตอนถัดไป[1]

สิ่งสำคัญคือ ไม่ควรมองว่าการประมวลผลข้อมูลขั้นต้นเป็นวิธีแก้ไขข้อมูลบันทึกที่มีคุณภาพต่ำ แต่เป็นกระบวนการที่มีโครงสร้างเพื่อปรับแต่งข้อมูลคุณภาพสูงที่รวบรวมผ่านขั้นตอนการปฏิบัติการทดลองที่ดี การตัดสินใจในระหว่างการประมวลผลข้อมูลขั้นต้นจะส่งผลต่อการวิเคราะห์ในทุกขั้นตอนต่อๆ ไป ความโปร่งใสและความสม่ำเสมอจึงเป็นสิ่งจำเป็นอย่างยิ่ง

การสร้างท่อส่งข้อมูลการประมวลผลขั้นต้น (Preprocessing Pipeline)

การประมวลผลข้อมูลขั้นต้นมักดำเนินการเป็นลำดับขั้นตอนต่อเนื่องกัน แทนที่จะเป็นขั้นตอนที่แยกจากกันโดยสิ้นเชิง แม้ว่าขั้นตอนการทำงานของแต่ละบุคคลจะแตกต่างกันไปตามคำถามวิจัยและวิธีการวิเคราะห์ แต่การจัดตั้งท่อส่งข้อมูลที่สม่ำเสมอจะช่วยให้มั่นใจได้ว่าข้อมูลของผู้เข้าร่วมทุกคนจะได้รับการประมวลผลในรูปแบบเดียวกัน

นักวิจัยควรกำหนดกลยุทธ์การประมวลผลข้อมูลขั้นต้นก่อนที่จะเริ่มการวิเคราะห์อย่างเป็นทางการทุกครั้งที่เป็นไปได้ การกำหนดขั้นตอนการทำงานล่วงหน้าจะช่วยลดความเสี่ยงในการเกิดอคติ (Bias) จากการตัดสินใจประมวลผลข้อมูลหลังจากที่ได้เห็นผลลัพธ์แล้ว[1]

เนื่องจากไม่มีท่อส่งข้อมูลการประมวลผลขั้นต้นแบบใดแบบหนึ่งที่เหมาะสมสำหรับทุกการศึกษา ขั้นตอนการทำงานจึงควรได้รับการชี้นำโดยวรรณกรรมที่เป็นที่ยอมรับ การออกแบบการทดลอง วิธีการบันทึกข้อมูล และวัตถุประวัติตัวชี้วัดทางวิทยาศาสตร์

การกรองสัญญาณ EEG (Filtering)

การกรองสัญญาณมักเป็นขั้นตอนแรกๆ ของการประมวลผลข้อมูลขั้นต้น ตัวกรองจะช่วยลดส่วนประกอบความถี่ที่ไม่ต้องการในขณะที่ยังคงรักษากิจกรรมของระบบประสาทที่เกี่ยวข้องกับคำถามวิจัยไว้

ตัวกรองผ่านความถี่สูง (High-pass filter) อาจช่วยลดการเลื่อนลอยของสัญญาณที่ช้าลง ในขณะที่ตัวกรองผ่านความถี่ต่ำ (Low-pass filter) ช่วยลดสัญญาณรบกวนความถี่สูง บางการศึกษายังใช้ตัวกรองแบบบาก (Notch filter) เพื่อลดสัญญาณรบกวนทางไฟฟ้าจากระบบไฟฟ้ากำลังเมื่อเหมาะสมด้วย[1],[5]

การเลือกใช้ตัวกรองควรดำเนินการอย่างระมัดระวัง การกรองที่มากเกินไปอาจทำให้สัญญาณประสาทบิดเบือน หรือเปลี่ยนแปลงจังหวะเวลาและแอมพลิจูดของการตอบสนองที่สัมพันธ์กับเหตุการณ์ (Event-related responses) นักวิจัยควรเลือกการตั้งค่าตัวกรองที่สนับสนุนการวิเคราะห์ที่ตั้งใจไว้ ในขณะเดียวกันก็หลีกเลี่ยงการดัดแปลงสัญญาณที่ไม่จำเป็น

การระบุและการจัดการสิ่งแปลกปลอม (Artifacts)

แม้หลังจากรวบรวมข้อมูลอย่างระมัดระวังแล้ว ข้อมูลที่บันทึกไว้บางส่วนก็ยังคงมีสิ่งแปลกปลอมที่ต้องจัดการในระหว่างการประมวลผลข้อมูลขั้นต้น

โดยทั่วไปนักวิจัยจะเริ่มต้นด้วยการตรวจสอบข้อมูลที่บันทึกไว้ด้วยสายตา เพื่อระบุช่วงเวลาที่มีสัญญาณรบกวนมากเกินไป ช่องสัญญาณที่ไม่เสถียร หรือการหยุดชะงักของการบันทึก เครื่องมือประเมินคุณภาพอัตโนมัติอาจช่วยในการตรวจจับสิ่งแปลกปลอมได้ แต่การตรวจสอบด้วยตนเองยังคงเป็นองค์ประกอบสำคัญของขั้นตอนการทำงานประมวลผลข้อมูลขั้นต้นจำนวนมาก[3]

ขึ้นอยู่กับลักษณะของการปนเปื้อน นักวิจัยอาจลบการทดสอบ (Trial) แต่ละรายการ ปฏิเสธช่องสัญญาณที่มีสัญญาณรบกวน ประมาณค่าพารามิเตอร์ของอิเล็กโทรดที่แยกตัว (Interpolate) หรือใช้เทคนิคการแก้ไขสิ่งแปลกปลอม การตัดสินใจเหล่านี้ควรเป็นไปตามเกณฑ์คุณภาพที่กำหนดไว้ล่วงหน้าก่อนที่การวิเคราะห์จะเริ่มขึ้น

การวิเคราะห์องค์ประกอบอิสระ (Independent Component Analysis)

การวิเคราะห์องค์ประกอบอิสระ (ICA) เป็นหนึ่งในเทคนิคที่ใช้กันอย่างแพร่หลายที่สุดในการแยกสัญญาณไฟฟ้าที่ผสมกันออกเป็นองค์ประกอบที่เป็นอิสระจากกันในทางสถิติ ด้วยการแยกสัญญาณ EEG ที่บันทึกไว้ออกเป็นแหล่งที่มาของสัญญาณเบื้องหลัง ICA สามารถช่วยให้นักวิจัยระบุองค์ประกอบที่เกี่ยวข้องกับการกระพริบตา การเคลื่อนไหวของดวงตา กิจกรรมของกล้ามเนื้อ หรือสิ่งแปลกปลอมอื่นๆ ที่ไม่ใช่ระบบประสาทได้[4]

เมื่อระบุได้แล้ว องค์ประกอบที่เกี่ยวข้องกับสิ่งแปลกปลอมอาจถูกลบออกก่อนที่จะสร้างสัญญาณ EEG ขึ้นมาใหม่ แม้ว่า ICA จะสามารถปรับปรุงคุณภาพข้อมูลได้อย่างมาก แต่การนำไปใช้ให้ประสบความสำเร็จนั้นขึ้นอยู่กับการประมวลผลข้อมูลขั้นต้นที่เหมาะสม คุณภาพข้อมูลที่เพียงพอ และการตีความองค์ประกอบที่ได้มาอย่างระมัดระวัง

นักวิจัยควรบันทึกข้อมูลวิธีการทำ ICA และองค์ประกอบใดบ้างที่ถูกนำออกไป เพื่อสนับสนุนความโปร่งใสและความสามารถในการทำซ้ำ (Reproducibility)

การแบ่งช่วงข้อมูลต่อเนื่อง (Epoching Continuous Data)

การวิเคราะห์ EEG จำนวนมากมุ่งเน้นไปที่การตอบสนองของระบบประสาทที่เกิดขึ้นรอบๆ เหตุการณ์การทดลองที่เฉพาะเจาะจง เพื่ออำนวยความสะดวกในการวิเคราะห์เหล่านี้ การบันทึก EEG แบบต่อเนื่องมักจะถูกแบ่งออกเป็นส่วนของเวลาที่สั้นลง ซึ่งเรียกว่า Epochs

แต่ละ Epoch จะถูกจัดตำแหน่งให้ตรงกับตัวทำเครื่องหมายเหตุการณ์ (Event marker) ที่แสดงถึงการนำเสนอสิ่งเร้า การตอบสนองของผู้เข้าร่วม หรือเหตุการณ์ที่มีความหมายอื่นในระหว่างการทดลอง การแบ่งส่วนนี้ช่วยให้นักวิจัยสามารถเปรียบเทียบกิจกรรมของสมองภายใต้เงื่อนไขการทดลองที่ซ้ำๆ กันได้ และเป็นพื้นฐานสำหรับการวิเคราะห์ศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (ERP) เป็นจำนวนมาก[2],[6]

ดังนั้น ความถูกต้องแม่นยำของเวลาในการเกิดเหตุการณ์จึงเป็นสิ่งสำคัญอย่างยิ่งก่อนที่การแบ่งช่วง Epoch จะเริ่มต้นขึ้น

การปรับแก้ค่าฐาน (Baseline Correction)

กิจกรรมของระบบประสาทมีการเปลี่ยนแปลงอย่างต่อเนื่อง แม้ในขณะที่ผู้เข้าร่วมกำลังพักผ่อน การปรับแก้ค่าฐานจะช่วยอธิบายความผันผวนที่เกิดขึ้นอย่างต่อเนื่องเหล่านี้ โดยการเปรียบเทียบแต่ละ Epoch ของการทดลองกับช่วงเวลาอ้างอิงที่เกิดขึ้นก่อนเหตุการณ์ที่สนใจทันที

การลบค่าฐานนี้ออกจากการตอบสนองของระบบประสาทที่ตามมา ช่วยให้นักวิจัยสามารถแยกกิจกรรมที่เกี่ยวข้องกับเหตุการณ์การทดลองได้ดีขึ้น ในขณะเดียวกันก็ช่วยลดความแปรปรวนที่เกิดจากกิจกรรมเบื้องหลังที่ไม่เกี่ยวข้อง[2]

การเลือกค่าฐานควรมีความสม่ำเสมอตลอดการศึกษา และสะท้อนถึงขั้นตอนการปฏิบัติที่เป็นที่ยอมรับสำหรับกรอบการทดลองที่เลือก

การควบคุมคุณภาพและการบันทึกข้อมูลเอกสาร

การประมวลผลข้อมูลขั้นต้นไม่ได้สิ้นสุดลงเมื่อข้อมูลดูสะอาดขึ้น นักวิจัยควรบันทึกข้อมูลทุกขั้นตอนการประมวลผลอย่างละเอียด รวมถึงพารามิเตอร์การกรอง เกณฑ์การปฏิเสธสิ่งแปลกปลอม ขั้นตอนการประมาณค่าพารามิเตอร์ช่องสัญญาณ (Interpolation) เวอร์ชันของซอฟต์แวร์ และการตั้งค่าการวิเคราะห์

การจัดทำเอกสารโดยละเอียดจะช่วยสนับสนุนความสามารถในการทำซ้ำ โดยช่วยให้นักวิจัยคนอื่นๆ เข้าใจ ประเมิน และลอกเลียนแบบขั้นตอนการทำงานของการประมวลผลข้อมูลขั้นต้นได้ การรายงานที่โปร่งใสยังช่วยให้การเปรียบเทียบระหว่างการศึกษาในอนาคตมีความหมายมากขึ้นด้วย[1]

การรักษาโปรโตคอลการประมวลผลข้อมูลขั้นต้นให้สอดคล้องกันในผู้เข้าร่วมทุกคนจะช่วยลดความแปรปรวนและเพิ่มความมั่นใจในผลลัพธ์การวิเคราะห์ที่ตามมา

การเลือกซอฟต์แวร์สำหรับการประมวลผลข้อมูล EEG ขั้นต้น

แพลตฟอร์มซอฟต์แวร์หลายตัวรองรับการประมวลผลและการวิเคราะห์ข้อมูล EEG ขั้นต้น โดยแต่ละแพลตฟอร์มมีขั้นตอนการทำงานและความสามารถในการวิเคราะห์ที่แตกต่างกัน นักวิจัยควรเลือกเครื่องมือที่สอดคล้องกับการออกแบบการทดลอง ความเชี่ยวชาญทางเทคนิค และข้อกำหนดในการรายงานผล

สภาพแวดล้อมการประมวลผลขั้นต้นทั่วไป ได้แก่ EEGLAB, MNE-Python และ FieldTrip ควบคู่ไปกับซอฟต์แวร์การรับข้อมูลเชิงพาณิชย์ที่รองรับการประสานเวลาของเหตุการณ์ (Event synchronization) การแสดงภาพข้อมูล และการส่งออกไปยังรูปแบบการวิเคราะห์ทั่วไป[4],[5] การเลือกเครื่องมือที่ทำงานร่วมกันได้สามารถช่วยลดความซับซ้อนในการทำงานร่วมกัน ในขณะที่สนับสนุนแนวปฏิบัติการวิจัยที่โปร่งใสและสามารถทำซ้ำได้

ประเด็นสำคัญที่ควรจำ

การประมวลผลข้อมูลขั้นต้นเป็นการเตรียมข้อมูลบันทึก EEG ดิบสำหรับการวิเคราะห์ทางวิทยาศาสตร์ โดยการลดสัญญาณรบกวน จัดการกับสิ่งแปลกปลอม และจัดระเบียบข้อมูล ในขณะที่ยังคงรักษาสัญญาณประสาทที่มีความหมายไว้

การกรอง, การจัดการสิ่งแปลกปลอม, การวิเคราะห์องค์ประกอบอิสระ, การแบ่งช่วง Epoch, การปรับแก้ค่าฐาน และการควบคุมคุณภาพ ล้วนมีส่วนช่วยปรับปรุงคุณภาพของสัญญาณในขณะที่รักษาความสมบูรณ์ของข้อมูลไว้

ท่อส่งข้อมูลการประมวลผลขั้นต้นที่ออกแบบมาอย่างดีจะมีความสอดคล้อง โปร่งใส และเหมาะสมกับคำถามวิจัย การบันทึกข้อมูลแต่ละขั้นตอนการประมวลผลและนำขั้นตอนที่เป็นมาตรฐานไปใช้กับผู้เข้าร่วมทุกคน จะช่วยให้นักวิจัยเพิ่มความน่าเชื่อถือและความสามารถในการทำซ้ำของผลการค้นพบได้

ดำเนินการสร้างการศึกษา EEG ของคุณต่อไป

เมื่อเตรียมข้อมูล EEG สำหรับการวิเคราะห์เรียบร้อยแล้ว นักวิจัยสามารถเริ่มสำรวจได้ว่าตำแหน่งของอิเล็กโทรดที่แตกต่างกันมีส่วนช่วยในการทำความเข้าใจการทำงานของสมองอย่างไร

ในคู่มือถัดไป การเลือกอิเล็กโทรด EEG และระบบการติดตั้ง (Montages) เราจะพิจารณาระบบการวางตำแหน่งอิเล็กโทรด การเลือกช่องสัญญาณ และอิทธิพลของตำแหน่งการบันทึกที่มีต่อการออกแบบการทดลองและการตีความข้อมูล

เอกสารอ้างอิง

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

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

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

[4] A. Delorme and 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, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article 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.