ทำไมการประมวลผลข้อมูลขั้นต้น (Preprocessing) จึงมีความสำคัญ

EEG มีความอ่อนไหวสูงมากต่อทั้งกิจกรรมทางไฟฟ้าของระบบประสาทและกิจกรรมทางไฟฟ้าที่ไม่ได้มาจากระบบประสาท แม้ว่าการออกแบบการทดลองและการเก็บข้อมูลอย่างรอบคอบจะช่วยลดแหล่งที่มาของสัญญาณรบกวนได้หลายอย่าง แต่การปนเปื้อนของสิ่งแปลกปน (artifact) ในระดับหนึ่งก็เป็นสิ่งที่หลีกเลี่ยงไม่ได้ การประมวลผลข้อมูลขั้นต้นช่วยให้นักวิจัยสามารถแยกแยะกิจกรรมของสมองที่มีความหมายออกจากสัญญาณที่ไม่พึงประสงค์ ควบคู่ไปกับการปรับปรุงความสอดคล้องของการวิเคราะห์ในขั้นตอนถัดไป[1]

สิ่งที่สำคัญคือ ไม่ควรระลึกถึงการประมวลผลข้อมูลขั้นต้นว่าเป็นวิธีแก้ไขการบันทึกข้อมูลที่มีคุณภาพต่ำ แต่เป็นกระบวนการที่มีโครงสร้างเพื่อปรับแต่งข้อมูลคุณภาพสูงที่รวบรวมผ่านขั้นตอนปฏิบัติการทดลองที่รัดกุม การตัดสินใจในระหว่างการประมวลผลข้อมูลขั้นต้นจะส่งผลกระทบต่อการวิเคราะห์ในทุกขั้นตอนถัดไป ความโปร่งใสและความสอดคล้องจึงเป็นสิ่งจำเป็นอย่างยิ่ง

การสร้างท่อส่งการประมวลผลข้อมูลขั้นต้น (Preprocessing Pipeline)

การประมวลผลข้อมูลขั้นต้นมักดำเนินการเป็นลำดับขั้นตอนต่อเนื่องกันมากกว่าจะเป็นขั้นตอนที่แยกจากกัน แม้ว่าเวิร์กโฟลว์ของแต่ละบุคคลจะแตกต่างกันไปตามคำถามวิจัยและวิธีการวิเคราะห์ แต่การจัดตั้งท่อส่งข้อมูลที่สอดคล้องกันจะช่วยให้มั่นใจได้ว่าข้อมูลของผู้เข้าร่วมทุกคนจะได้รับการประมวลผลในลักษณะเดียวกัน

นักวิจัยควรกำหนดกลยุทธ์การประมวลผลข้อมูลขั้นต้นก่อนที่จะเริ่มการวิเคราะห์อย่างเป็นทางการทุกครั้งที่เป็นไปได้ การกำหนดเวิร์กโฟลว์ล่วงหน้าจะช่วยลดความเสี่ยงในการเกิดอคติจากการตัดสินใจเลือกวิธีประมวลผลหลังจากได้เห็นผลลัพธ์แล้ว[1]

เนื่องจากไม่มีท่อส่งการประมวลผลข้อมูลขั้นต้นแบบใดแบบหนึ่งที่เหมาะสมกับทุกการศึกษา เวิร์กโฟลว์จึงควรได้รับการชี้นำโดยวรรณกรรมที่เป็นที่ยอมรับ การออกแบบการทดลอง วิธีการบันทึกข้อมูล และวัตถุประสงค์ทางวิทยาศาสตร์

การกรองสัญญาณ EEG

การกรอง (Filtering) มักเป็นหนึ่งในขั้นตอนแรกๆ ของการประมวลผลข้อมูลขั้นต้น ตัวกรองจะช่วยลดส่วนประกอบความถี่ที่ไม่พึงประสงค์ในขณะที่ยังคงรักษากิจกรรมของประสาทที่เกี่ยวข้องกับคำถามวิจัยเอาไว้

ตัวกรองความถี่สูงผ่าน (High-pass filters) อาจช่วยลดการเลื่อนลอยที่ช้าของสัญญาณ ในขณะที่ตัวกรองความถี่ต่ำผ่าน (Low-pass filters) จะช่วยลดสัญญาณรบกวนความถี่สูง บางการศึกษายังใช้ตัวกรองเฉพาะช่วงความถี่ (Notch filters) เพื่อลดสัญญาณรบกวนทางไฟฟ้าจากระบบพลังงานไฟฟ้าตามความเหมาะสม[1],[5]

การเลือกตัวกรองควรทำด้วยความระมัดระวัง การกรองที่มากเกินไปอาจทำให้สัญญาณประสาทบิดเบือน หรือเปลี่ยนเวลาและแอมพลิจูดของการตอบสนองต่อเหตุการณ์ (event-related responses) นักวิจัยควรเลือกการตั้งค่าตัวกรองที่สนับสนุนการวิเคราะห์ที่ตั้งใจไว้ พร้อมกับหลีกเลี่ยงการปรับแต่งสัญญาณโดยไม่จำเป็น

การระบุและการจัดการสิ่งแปลกปน

แม้จะมีการเก็บข้อมูลอย่างระมัดระวังแล้ว แต่การบันทึกข้อมูลบางส่วนก็ยังคงมีสิ่งแปลกปน (artifacts) ที่ต้องจัดการในระหว่างการประมวลผลข้อมูลขั้นต้น

นักวิจัยมักเริ่มต้นด้วยการตรวจสอบการบันทึกข้อมูลด้วยสายตาเพื่อระบุช่วงเวลาที่มีสัญญาณรบกวนมากเกินไป ช่องสัญญาณที่ไม่เสถียร หรือการหยุดชะงักของการบันทึก เครื่องมือประเมินคุณภาพอัตโนมัติอาจช่วยในการตรวจจับสิ่งแปลกปนได้ แต่การตรวจสอบด้วยตนเองยังคงเป็นองค์ประกอบสำคัญของเวิร์กโฟลว์การประมวลผลข้อมูลขั้นต้นจำนวนมาก[3]

ขึ้นอยู่กับลักษณะของการปนเปื้อน นักวิจัยอาจลบข้อมูลการทดสอบย่อย (individual trials) ปฏิเสธช่องสัญญาณที่มีสัญญาณรบกวนสูง ประมาณค่าขั้วไฟฟ้าที่แยกตัว (interpolate isolated electrodes) หรือใช้เทคนิคการแก้ไขสิ่งแปลกปน การตัดสินใจเหล่านี้ควรเป็นไปตามเกณฑ์คุณภาพที่กำหนดไว้ล่วงหน้าก่อนที่การวิเคราะห์จะเริ่มต้นขึ้น

การวิเคราะห์องค์ประกอบที่เป็นอิสระต่อกัน (Independent Component Analysis)

การวิเคราะห์องค์ประกอบที่เป็นอิสระต่อกัน (ICA) เป็นหนึ่งในเทคนิคที่ใช้กันอย่างแพร่หลายที่สุดในการแยกสัญญาณไฟฟ้าที่ผสมกันออกเป็นองค์ประกอบที่เป็นอิสระต่อกันทางสถิติ ด้วยการแยกย่อย EEG ที่บันทึกไว้ให้กลายเป็นแหล่งสัญญาณพื้นฐาน ICA สามารถช่วยให้นักวิจัยระบุองค์ประกอบที่เกี่ยวข้องกับการกะพริบตา การเคลื่อนไหวของดวงตา กิจกรรมของกล้ามเนื้อ หรือสิ่งแปลกปนอื่นๆ ที่ไม่ได้มาจากระบบประสาท[4]

เมื่อระบุได้แล้ว องค์ประกอบที่เกี่ยวข้องกับสิ่งแปลกปนอาจถูกนำออกก่อนที่จะสร้างสัญญาณ EEG ขึ้นใหม่ แม้ว่า ICA จะสามารถปรับปรุงคุณภาพของข้อมูลได้อย่างมาก แต่การนำไปใช้ให้ประสบความสำเร็จนั้นขึ้นอยู่กับการประมวลผลข้อมูลขั้นต้นที่เหมาะสม คุณภาพข้อมูลที่เพียงพอ และการตีความองค์ประกอบที่ได้มาอย่างรอบคอบ

นักวิจัยควรจัดทำเอกสารบันทึกว่าทำการวิเคราะห์ ICA อย่างไรและองค์ประกอบใดบ้างที่ถูกนำออกเพื่อสนับสนุนความโปร่งใสและความสามารถในการทำซ้ำได้

การแบ่งช่วงเวลาข้อมูลต่อเนื่อง (Epoching Continuous Data)

การวิเคราะห์ EEG จำนวนมากมุ่งเน้นไปที่การตอบสนองของประสาทที่เกิดขึ้นรอบๆ เหตุการณ์การทดลองที่เฉพาะเจาะจง เพื่ออำนวยความสะดวกในการวิเคราะห์เหล่านี้ การบันทึก EEG แบบต่อเนื่องมักจะถูกแบ่งออกเป็นส่วนของเวลาที่สั้นลงซึ่งเรียกว่า เอพ็อก (epochs)

แต่ละเอพ็อกจะสอดคล้องกับตัวทำเครื่องหมายเหตุการณ์ (event marker) ที่แสดงถึงการนำเสนอสิ่งเร้า การตอบสนองของผู้เข้าร่วม หรือเหตุการณ์ที่มีความหมายอื่นๆ ในระหว่างการทดลอง การแบ่งส่วนนี้ช่วยให้นักวิจัยสามารถเปรียบเทียบกิจกรรมของประสาทในเงื่อนไขการทดลองที่เกิดขึ้นซ้ำๆ ได้ และเป็นพื้นฐานสำหรับการวิเคราะห์ศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (ERP) เป็นจำนวนมาก[2],[6]

ดังนั้น จังหวะเวลาของเหตุการณ์ที่แม่นยำจึงเป็นสิ่งสำคัญอย่างยิ่งก่อนที่การแบ่งช่วงเวลา (epoching) จะเริ่มต้นขึ้น

การปรับแก้ค่าฐาน (Baseline Correction)

กิจกรรมของประสาทมีการเปลี่ยนแปลงอย่างต่อเนื่อง แม้ในขณะที่ผู้เข้าร่วมอยู่ในช่วงพัก การปรับแก้ค่าฐานช่วยอธิบายความผันผวนที่เกิดขึ้นอย่างต่อเนื่องเหล่านี้ โดยการเปรียบเทียบแต่ละเอพ็อกของการทดลองกับช่วงเวลาอ้างอิงที่เกิดขึ้นก่อนเหตุการณ์ที่สนใจทันที

การลบค่าฐานนี้ออกจากการตอบสนองของประสาทในเวลาต่อมาช่วยให้นักวิจัยสามารถแยกกิจกรรมที่เกี่ยวข้องกับเหตุการณ์ทดลองได้ดีขึ้น ขณะเดียวกันก็ช่วยลดความแปรปรวนที่เกิดจากกิจกรรมเบื้องหลังที่ไม่เกี่ยวข้อง[2]

การเลือกค่าฐานควรมีความสอดคล้องกันตลอดการศึกษาและควรสะท้อนถึงแนวปฏิบัติที่เป็นที่ยอมรับสำหรับกระบวนทัศน์การทดลองที่เลือก

การควบคุมคุณภาพและการจัดทำเอกสาร

การประมวลผลข้อมูลขั้นต้นไม่ได้สิ้นสุดลงเมื่อข้อมูลดูสะอาดขึ้น นักวิจัยควรจัดทำเอกสารอย่างละเอียดในทุกขั้นตอนของการประมวลผล รวมถึงพารามิเตอร์การกรอง เกณฑ์การปฏิเสธสิ่งแปลกปน ขั้นตอนการประมาณค่าช่วง (interpolation) เวอร์ชันของซอฟต์แวร์ และการตั้งค่าการวิเคราะห์

การบันทึกเอกสารอย่างละเอียดช่วยสนับสนุนความสามารถในการทำซ้ำได้ โดยช่วยให้นักวิจัยคนอื่นๆ สามารถทำความเข้าใจ ประเมิน และเลียนแบบเวิร์กโฟลว์การประมวลผลข้อมูลขั้นต้นได้ การรายงานที่โปร่งใสยังช่วยให้การเปรียบเทียบระหว่างการศึกษาต่างๆ ในอนาคตมีความหมายมากขึ้น[1]

การรักษาโปรโตคอลการประมวลผลข้อมูลขั้นต้นที่สอดคล้องกันในผู้เข้าร่วมทุกคนจะช่วยลดความแปรปรวนลงไปอีก และช่วยเสริมสร้างความมั่นใจในการวิเคราะห์ที่ได้ตามมา

การเลือกซอฟต์แวร์สำหรับการประมวลผลข้อมูลขั้นต้นของ EEG

แพลตฟอร์มซอฟต์แวร์หลายแห่งสนับสนุนการประมวลผลข้อมูลขั้นต้นและการวิเคราะห์ EEG ซึ่งแต่ละแพลตฟอร์มก็มีเวิร์กโฟลว์และความสามารถในการวิเคราะห์ที่แตกต่างกัน นักวิจัยควรเลือกเครื่องมือที่สอดคล้องกับการออกแบบการทดลอง ความเชี่ยวชาญทางเทคนิค และข้อกำหนดในการรายงานผล

สภาพแวดล้อมการประมวลผลข้อมูลขั้นต้นทั่วไป ได้แก่ EEGLAB, MNE-Python และ FieldTrip ควบคู่ไปกับซอฟต์แวร์การจัดเก็บข้อมูลเชิงพาณิชย์ที่รองรับการซิงโครไนซ์เหตุการณ์ การแสดงผลข้อมูลด้วยภาพ และการส่งออกไปยังรูปแบบการวิเคราะห์ทั่วไป[4],[5] การเลือกเครื่องมือที่สามารถทำงานร่วมกันได้จะช่วยให้การทำงานร่วมกันง่ายขึ้นในขณะที่สนับสนุนแนวปฏิบัติการวิจัยที่โปร่งใสและสามารถทำซ้ำได้

ประเด็นสำคัญที่น่าสนใจ

การประมวลผลข้อมูลขั้นต้นเตรียมการบันทึก EEG ดิบสำหรับการวิเคราะห์ทางวิทยาศาสตร์ โดยการลดสัญญาณรบกวน การจัดการสิ่งแปลกปน และการจัดระเบียบข้อมูล ในขณะที่ยังคงรักษาสัญญาณประสาทที่มีความหมายไว้

การกรอง, การจัดการสิ่งแปลกปน, การวิเคราะห์องค์ประกอบที่เป็นอิสระต่อกัน, การแบ่งช่วงเวลาข้อมูล (epoching), การปรับแก้ค่าฐาน และการควบคุมคุณภาพ ล้วนมีส่วนช่วยปรับปรุงคุณภาพสัญญาณในขณะที่รักษาความสมบูรณ์ของข้อมูลไว้

ท่อส่งการประมวลผลข้อมูลขั้นต้นที่ได้รับการออกแบบมาเป็นอย่างดีจะมีความสอดคล้อง โปร่งใส และเหมาะสมกับคำถามวิจัย การบันทึกข้อมูลแต่ละขั้นตอนของการประมวลผลและการใช้ขั้นตอนที่เป็นมาตรฐานกับผู้เข้าร่วมทุกคน จะช่วยให้นักวิจัยสร้างความน่าเชื่อถือและความสามารถในการทำซ้ำได้ของผลลัพธ์ที่ค้นพบ

ดำเนินขั้นตอนการศึกษา EEG ของคุณต่อไป

เมื่อเตรียมข้อมูล EEG สำหรับการวิเคราะห์เสร็จเรียบร้อยแล้ว นักวิจัยสามารถเริ่มศึกษาได้ว่าตำแหน่งของขั้วไฟฟ้าที่แตกต่างกันมีส่วนช่วยในการทำความเข้าใจการทำงานของสมองอย่างไร

ในคู่มือถัดไป การเลือกขั้วไฟฟ้า EEG และการจัดวางระบบขั้วไฟฟ้า (Montages) เราจะตรวจสอบระบบการจัดวางขั้วไฟฟ้า การเลือกช่องสัญญาณ และวิธีที่ตำแหน่งบันทึกส่งผลต่อการออกแบบการทดลองและการตีความข้อมูล

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.