

พื้นฐานของศักย์ไฟฟ้าที่เกี่ยวข้องกับเหตุการณ์
โรชินี รันเดนิยา
อัปเดตเมื่อ
20 ก.พ. 2567

พื้นฐานของศักย์ไฟฟ้าที่เกี่ยวข้องกับเหตุการณ์
โรชินี รันเดนิยา
อัปเดตเมื่อ
20 ก.พ. 2567

พื้นฐานของศักย์ไฟฟ้าที่เกี่ยวข้องกับเหตุการณ์
โรชินี รันเดนิยา
อัปเดตเมื่อ
20 ก.พ. 2567
1. บทนำ
ยินดีต้อนรับ! ในบทเรียนที่สองนี้ เราจะเรียนรู้วิธีระบุการตอบสนองของสมองต่อสิ่งเร้า
เราจะได้เรียนรู้:
ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) คืออะไร?
ยอดคลื่นและองค์ประกอบของ ERP คืออะไร?
ขั้นตอนทั่วไปในการได้มาซึ่ง ERP
การประยุกต์ใช้งานจริงโดยใช้เครื่องมือและซอฟต์แวร์ Emotiv EPOC
2. ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) คืออะไร?
ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) หรือที่เรียกอีกอย่างว่า evoked potential คือการตอบสนองของสมองต่อเหตุการณ์หรือสิ่งเร้า (เช่น การได้ยินเสียงโทนดัง) โดยเฉพาะอย่างยิ่ง มันคือการเปลี่ยนแปลงของแอมพลิจูดของแรงดันไฟฟ้าที่เห็นใน EEG อันเป็นผลจากเหตุการณ์ทางประสาทสัมผัสหรือการรับรู้
เราสามารถสังเกต ‘องค์ประกอบของ ERP’ ซึ่งเป็นยอดคลื่นที่คงที่และเกิดขึ้นหลังจากสิ่งเร้าเริ่มต้น ERP หนึ่งรายการอาจมียอดคลื่นบวกหรือลบหลายจุด แต่ไม่ใช่ทุกจุดที่จะเป็นองค์ประกอบ ERP ที่ระบุได้ชัดเจน เช่น องค์ประกอบ N100 หรือ P300
อย่าลืมดูทิศทางของแกนเมื่อคุณเห็น EEG ในโดเมนเวลา บางครั้งคุณจะเห็นเครื่องหมาย – อยู่ด้านบนและ + อยู่ด้านล่างของแกน โดยเฉพาะใน EEG ทางคลินิก
หมายเหตุ: ERP สามารถแสดงจากเหตุการณ์เดี่ยวหรือโดยการเฉลี่ยแอมพลิจูดจากหลายรอบทดลองของเหตุการณ์นั้น โดยทั่วไป ERP ที่เรียบและมีองค์ประกอบที่แยกชัดเจนเช่นในภาพจะได้มาจากการเฉลี่ยข้ามการทดลองหลายร้อยครั้งเท่านั้น
รูปที่ 1 – องค์ประกอบ ERP ทางการได้ยินทั่วไป
องค์ประกอบทั่วไปมีลักษณะตามขั้วสัญญาณ (คือ บวก (P) หรือ ลบ (N)) และเวลาที่เกิดขึ้น (เช่น องค์ประกอบลบลำดับที่ 1 N1) นอกจากนี้ องค์ประกอบ N1 เดียวกันยังสามารถระบุได้จากเวลาที่เกิดขึ้น (เช่น 100ms นับจากเริ่มต้นเสียง) – N100
3. ขั้นตอนในการได้มาซึ่ง ERP
ระยะการทดลอง:
เราออกแบบการทดลองเพื่อให้ได้ ERP เฉพาะที่ต้องการ
ตัวอย่างเช่น เราอาจเก็บข้อมูล EEG ขณะที่ผู้เข้าร่วมฟังเสียงโทน
เพื่อทำความเข้าใจข้อมูล EEG เราต้องทำเครื่องหมายเวลาที่ผู้เข้าร่วมได้ยินเสียงโทนใน EEG สิ่งเหล่านี้เรียกว่าเครื่องหมายเหตุการณ์ (เส้นสีแดงแนวตั้งในรูปที่ 2)
รูปที่ 2 – เครื่องหมายเหตุการณ์ (เส้นสีแดง) ที่แสดงบน EEG ดิบ
การทำให้เวลาของเครื่องหมายเหตุการณ์สอดคล้องกับจุดเริ่มต้นของเสียงอย่างแม่นยำเป็นสิ่งสำคัญมากต่อการที่เราจะมองเห็น ERP! ดังนั้นจึงสำคัญที่จะเลือกฮาร์ดแวร์และซอฟต์แวร์ที่เหมาะสมเพื่อช่วยให้เราได้ค่าประทับเวลาอย่างแม่นยำ
การเลือกรีเฟอเรนซ์
อย่าลืมว่ากิจกรรมทางไฟฟ้าจะถูกวัดระหว่างสองจุดเสมอ ในอุปกรณ์ EEG ค่าศักย์ไฟฟ้าที่เซ็นเซอร์แต่ละตัวจะถูกวัดเทียบกับเซ็นเซอร์อ้างอิง (DRL + CMS)
ในอุปกรณ์ Emotiv EPOC มีตัวเลือกสองแบบสำหรับเซ็นเซอร์อ้างอิง

รูปที่ 3 – ตัวเลือกรีเฟอเรนซ์ในอุปกรณ์ประเภท Emotiv EPOC
เฮดเซ็ตประเภท EPOC มีสองตัวเลือกในการอ้างอิง:
รีเฟอเรนซ์มาสตอยด์ – หากต้องการใช้ Mastoid เป็นเซ็นเซอร์อ้างอิง เราจะใส่จุกยางบนเซ็นเซอร์ P3/P4 และใส่แผ่นสักหลาดชุบบนเซ็นเซอร์มาสตอยด์
รีเฟอเรนซ์ P3/P4 – หากต้องการใช้ P3/P4 เป็นเซ็นเซอร์อ้างอิง เราจะใส่จุกยางบนเซ็นเซอร์มาสตอยด์ M1/M2 และใส่แผ่นสักหลาดชุบบนเซ็นเซอร์ P3/P4
โดยทั่วไปมักใช้การอ้างอิงแบบ Mastoid สำหรับการทดลอง ERP แต่คุณสามารถใช้การอ้างอิงแบบ P3/P4 ได้ เพราะภายหลังคุณสามารถอ้างอิงข้อมูลใหม่แบบออนไลน์ได้เสมอเมื่อทำการ pre-processing ข้อมูลก่อนวิเคราะห์ เป็นเรื่องปกติที่จะอ้างอิงข้อมูลใหม่ให้เทียบกับค่าเฉลี่ยของเซ็นเซอร์ทั้งหมดก่อนวิเคราะห์ข้อมูล
สำหรับการทดลองของเรา เราจะเก็บข้อมูลโดยใช้การอ้างอิงแบบ Mastoid สมมติฐานที่มักใช้กันคือกระดูกมาสตอยด์จะส่งผ่านข้อมูล EEG น้อยกว่าบริเวณอื่นบนศีรษะ ดังนั้นจึงเป็นจุดอ้างอิงที่ดี
การประมวลผลเบื้องต้น:
เราไม่สามารถเห็น ERP ได้ทันทีใน EEG ดิบ เพราะมันเป็นผลที่เล็กมาก (~ ±5uV) เมื่อเทียบกับทุกอย่างที่กำลังเกิดขึ้นทั้งภายในและรอบ ๆ สมองของเรา (~ ±40uV)!
ดังนั้นเพื่อให้เห็นผลของสมองที่เฉพาะกับเสียงโทน เราจำเป็นต้องทำความสะอาดข้อมูลเพื่อลบสัญญาณรบกวนหรือสิ่งรบกวน จากนั้นเราจะ ‘epoch’ ข้อมูล ซึ่งเป็นคำที่ใช้เรียกการแบ่งการตอบสนองของสมองออกเป็นช่วงเวลาที่เรากำหนด (เช่น การตอบสนองของสมองตั้งแต่ 50ms ก่อนเสียงโทนจนถึง 400ms หลังเสียงโทน) จากนั้นเราจึงนำข้อมูล EEG ที่ epoch แล้วทั้งหมด (กล่าวคือ การตอบสนองของสมองต่อเสียงโทนทั้งหมด) มาเฉลี่ยเพื่อให้ได้ ERP ที่ชัดเจน
ด้านล่างคือขั้นตอนพื้นฐานใน pipeline ของ ERP ทั่วไป นักวิจัยจะเลือกขั้นตอนต่าง ๆ ตามข้อมูลและวัตถุประสงค์ของตน
รูปที่ 4 – pipeline การประมวลผล ERP ทั่วไป
4. มาสร้าง ERP ของเราเองกัน
เริ่มจากการตั้งค่าซอฟต์แวร์
ดาวน์โหลด PsychoPy เวอร์ชันล่าสุด – https://www.psychopy.org/ เราจะใช้ PsychoPy เพื่อแสดงเสียงโทนให้ผู้เข้าร่วม
ติดตั้งแอป Emotiv Launcher และ EmotivPRO เพื่อบันทึกและดู EEG
เชื่อมต่อ PsychoPy กับซอฟต์แวร์ Emotiv ของคุณเพื่อให้ทั้งสองโปรแกรมสื่อสารกันได้
ทำตามขั้นตอนในวิดีโอ:
สร้างการทดลอง EEG ของ Emotiv ด้วย PsychoPy
ERP ที่เรียบสามารถได้มาจากการนำสิ่งเร้าใด ๆ มาใช้ซ้ำหลายครั้ง (เช่น ภาพหรือเสียงโทน) ที่นี่เราจะนำเสนอเสียงโทนเดิมยาว 50ms ให้ผู้เข้าร่วมฟัง ทุก ๆ 4 วินาที ประมาณ 150 ครั้ง!

ทำตามวิดีโอเพื่อสร้างการทดลองทางการได้ยินแบบง่ายที่มีเสียงโทนเดียว:
มาเก็บข้อมูลกัน
ตอนนี้คุณได้เลือกรีเฟอเรนซ์แล้ว คุณสามารถดูวิดีโอเพื่อเรียนรู้วิธีตั้งค่าเฮดเซ็ตของคุณให้ได้ EEG คุณภาพดีที่สุด:

pipeline ของ ERP ด้วย EmotivPRO Analyzer
ดูวิดีโอและทำตามขั้นตอนเพื่อสร้าง ERP ของคุณเอง:
ทำความเข้าใจผลลัพธ์ ERP จาก Analyzer
สำหรับแต่ละช่องสัญญาณ คุณจะเห็นกราฟคลื่นที่ได้จากการเฉลี่ย ERP ที่เรียบทั่วไปที่มียอดคลื่นลบที่ 100ms สามารถเห็นได้ด้านล่าง เส้นทึบแสดงค่าแอมพลิจูดเฉลี่ย และบริเวณเงาที่จางกว่าจะแสดงค่า standard error of the mean:
นี่คือกราฟคลื่นที่มีสัญญาณรบกวนและไม่มีองค์ประกอบ ERP ที่ชัดเจน ซึ่งอาจเกิดจากจำนวนการทดลองที่น้อย:
สิ่งที่ควรพิจารณา
เมื่อเปรียบเทียบ ERP ระหว่างผู้เข้าร่วม โดยทั่วไปแล้วการเปรียบเทียบผลต่างจะดีกว่า
เช่น เราสามารถดู ERP ที่เฉลี่ยแล้วของเสียงโทนที่เกิดบ่อยกว่า (standard) เปรียบเทียบกับเสียงโทนที่เกิดน้อยกว่า (deviant/oddball) ในรูปแบบหนึ่ง ๆ เราสามารถได้ waveform ผลต่างได้โดยการลบแอมพลิจูดของคลื่นหนึ่งออกจากอีกคลื่นหนึ่งโดยตรง ดังที่แสดงในรูปที่ 5 เราจึงสามารถสังเกตองค์ประกอบ ERP ที่มักเรียกว่า Mismatch Negativity (MMN) ซึ่งเป็นหัวข้อที่ศึกษากันบ่อยในการวิจัย ERP
รูปที่ 5 – สามารถสังเกตองค์ประกอบ mismatch negativity ได้ใน ERP เมื่อมีการละเมิดรูปแบบบางอย่างในสภาพแวดล้อม
5. การประยุกต์ใช้ ERP
การระบุไบโอมาร์กเกอร์ :
หนึ่งในการประยุกต์ใช้ ERP ที่พบบ่อยที่สุดคือในการวิจัยทางคลินิกเพื่อหาวิธีที่ดีกว่าในการวินิจฉัยความผิดปกติทางจิตเวช เช่น Schizophrenia ผู้ที่เป็นโรค schizophrenia อาจแยกแยะจากกลุ่มควบคุมสุขภาพดีได้จากการตอบสนองแบบ Mismatch Negativity
รูปที่ 6 – แอมพลิจูดของ mismatch negativity สูงกว่ากลุ่มโรคจิตเภทเรื้อรัง กลุ่มเริ่มมีอาการล่าสุด ตลอดจนผู้ที่มีความเสี่ยงจะพัฒนาเป็นโรคนี้อย่างมีนัยสำคัญ (Jashan 2012)
ERP – BCI (ส่วนต่อประสานสมองกับคอมพิวเตอร์)
ERP ที่ตอบสนองต่อคำสั่งทางความคิดหรือสิ่งเร้าทางภาพที่แตกต่างกัน (เช่น ตัวอักษรบนคีย์บอร์ด) สามารถนำไปใช้ในการเคลื่อนย้ายรถเข็นหรือขับเคลื่อนระบบสะกดคำแบบ BCI ได้
6. แหล่งข้อมูล
คู่มือ Emotiv
เอกสารอ่านเพิ่มเติมที่แนะนำ
Luck, S.J., 2005. กฎง่าย ๆ สิบข้อสำหรับการออกแบบและตีความการทดลอง ERP. ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์: คู่มือวิธีการ, 4.
1. บทนำ
ยินดีต้อนรับ! ในบทเรียนที่สองนี้ เราจะเรียนรู้วิธีระบุการตอบสนองของสมองต่อสิ่งเร้า
เราจะได้เรียนรู้:
ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) คืออะไร?
ยอดคลื่นและองค์ประกอบของ ERP คืออะไร?
ขั้นตอนทั่วไปในการได้มาซึ่ง ERP
การประยุกต์ใช้งานจริงโดยใช้เครื่องมือและซอฟต์แวร์ Emotiv EPOC
2. ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) คืออะไร?
ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) หรือที่เรียกอีกอย่างว่า evoked potential คือการตอบสนองของสมองต่อเหตุการณ์หรือสิ่งเร้า (เช่น การได้ยินเสียงโทนดัง) โดยเฉพาะอย่างยิ่ง มันคือการเปลี่ยนแปลงของแอมพลิจูดของแรงดันไฟฟ้าที่เห็นใน EEG อันเป็นผลจากเหตุการณ์ทางประสาทสัมผัสหรือการรับรู้
เราสามารถสังเกต ‘องค์ประกอบของ ERP’ ซึ่งเป็นยอดคลื่นที่คงที่และเกิดขึ้นหลังจากสิ่งเร้าเริ่มต้น ERP หนึ่งรายการอาจมียอดคลื่นบวกหรือลบหลายจุด แต่ไม่ใช่ทุกจุดที่จะเป็นองค์ประกอบ ERP ที่ระบุได้ชัดเจน เช่น องค์ประกอบ N100 หรือ P300
อย่าลืมดูทิศทางของแกนเมื่อคุณเห็น EEG ในโดเมนเวลา บางครั้งคุณจะเห็นเครื่องหมาย – อยู่ด้านบนและ + อยู่ด้านล่างของแกน โดยเฉพาะใน EEG ทางคลินิก
หมายเหตุ: ERP สามารถแสดงจากเหตุการณ์เดี่ยวหรือโดยการเฉลี่ยแอมพลิจูดจากหลายรอบทดลองของเหตุการณ์นั้น โดยทั่วไป ERP ที่เรียบและมีองค์ประกอบที่แยกชัดเจนเช่นในภาพจะได้มาจากการเฉลี่ยข้ามการทดลองหลายร้อยครั้งเท่านั้น
รูปที่ 1 – องค์ประกอบ ERP ทางการได้ยินทั่วไป
องค์ประกอบทั่วไปมีลักษณะตามขั้วสัญญาณ (คือ บวก (P) หรือ ลบ (N)) และเวลาที่เกิดขึ้น (เช่น องค์ประกอบลบลำดับที่ 1 N1) นอกจากนี้ องค์ประกอบ N1 เดียวกันยังสามารถระบุได้จากเวลาที่เกิดขึ้น (เช่น 100ms นับจากเริ่มต้นเสียง) – N100
3. ขั้นตอนในการได้มาซึ่ง ERP
ระยะการทดลอง:
เราออกแบบการทดลองเพื่อให้ได้ ERP เฉพาะที่ต้องการ
ตัวอย่างเช่น เราอาจเก็บข้อมูล EEG ขณะที่ผู้เข้าร่วมฟังเสียงโทน
เพื่อทำความเข้าใจข้อมูล EEG เราต้องทำเครื่องหมายเวลาที่ผู้เข้าร่วมได้ยินเสียงโทนใน EEG สิ่งเหล่านี้เรียกว่าเครื่องหมายเหตุการณ์ (เส้นสีแดงแนวตั้งในรูปที่ 2)
รูปที่ 2 – เครื่องหมายเหตุการณ์ (เส้นสีแดง) ที่แสดงบน EEG ดิบ
การทำให้เวลาของเครื่องหมายเหตุการณ์สอดคล้องกับจุดเริ่มต้นของเสียงอย่างแม่นยำเป็นสิ่งสำคัญมากต่อการที่เราจะมองเห็น ERP! ดังนั้นจึงสำคัญที่จะเลือกฮาร์ดแวร์และซอฟต์แวร์ที่เหมาะสมเพื่อช่วยให้เราได้ค่าประทับเวลาอย่างแม่นยำ
การเลือกรีเฟอเรนซ์
อย่าลืมว่ากิจกรรมทางไฟฟ้าจะถูกวัดระหว่างสองจุดเสมอ ในอุปกรณ์ EEG ค่าศักย์ไฟฟ้าที่เซ็นเซอร์แต่ละตัวจะถูกวัดเทียบกับเซ็นเซอร์อ้างอิง (DRL + CMS)
ในอุปกรณ์ Emotiv EPOC มีตัวเลือกสองแบบสำหรับเซ็นเซอร์อ้างอิง

รูปที่ 3 – ตัวเลือกรีเฟอเรนซ์ในอุปกรณ์ประเภท Emotiv EPOC
เฮดเซ็ตประเภท EPOC มีสองตัวเลือกในการอ้างอิง:
รีเฟอเรนซ์มาสตอยด์ – หากต้องการใช้ Mastoid เป็นเซ็นเซอร์อ้างอิง เราจะใส่จุกยางบนเซ็นเซอร์ P3/P4 และใส่แผ่นสักหลาดชุบบนเซ็นเซอร์มาสตอยด์
รีเฟอเรนซ์ P3/P4 – หากต้องการใช้ P3/P4 เป็นเซ็นเซอร์อ้างอิง เราจะใส่จุกยางบนเซ็นเซอร์มาสตอยด์ M1/M2 และใส่แผ่นสักหลาดชุบบนเซ็นเซอร์ P3/P4
โดยทั่วไปมักใช้การอ้างอิงแบบ Mastoid สำหรับการทดลอง ERP แต่คุณสามารถใช้การอ้างอิงแบบ P3/P4 ได้ เพราะภายหลังคุณสามารถอ้างอิงข้อมูลใหม่แบบออนไลน์ได้เสมอเมื่อทำการ pre-processing ข้อมูลก่อนวิเคราะห์ เป็นเรื่องปกติที่จะอ้างอิงข้อมูลใหม่ให้เทียบกับค่าเฉลี่ยของเซ็นเซอร์ทั้งหมดก่อนวิเคราะห์ข้อมูล
สำหรับการทดลองของเรา เราจะเก็บข้อมูลโดยใช้การอ้างอิงแบบ Mastoid สมมติฐานที่มักใช้กันคือกระดูกมาสตอยด์จะส่งผ่านข้อมูล EEG น้อยกว่าบริเวณอื่นบนศีรษะ ดังนั้นจึงเป็นจุดอ้างอิงที่ดี
การประมวลผลเบื้องต้น:
เราไม่สามารถเห็น ERP ได้ทันทีใน EEG ดิบ เพราะมันเป็นผลที่เล็กมาก (~ ±5uV) เมื่อเทียบกับทุกอย่างที่กำลังเกิดขึ้นทั้งภายในและรอบ ๆ สมองของเรา (~ ±40uV)!
ดังนั้นเพื่อให้เห็นผลของสมองที่เฉพาะกับเสียงโทน เราจำเป็นต้องทำความสะอาดข้อมูลเพื่อลบสัญญาณรบกวนหรือสิ่งรบกวน จากนั้นเราจะ ‘epoch’ ข้อมูล ซึ่งเป็นคำที่ใช้เรียกการแบ่งการตอบสนองของสมองออกเป็นช่วงเวลาที่เรากำหนด (เช่น การตอบสนองของสมองตั้งแต่ 50ms ก่อนเสียงโทนจนถึง 400ms หลังเสียงโทน) จากนั้นเราจึงนำข้อมูล EEG ที่ epoch แล้วทั้งหมด (กล่าวคือ การตอบสนองของสมองต่อเสียงโทนทั้งหมด) มาเฉลี่ยเพื่อให้ได้ ERP ที่ชัดเจน
ด้านล่างคือขั้นตอนพื้นฐานใน pipeline ของ ERP ทั่วไป นักวิจัยจะเลือกขั้นตอนต่าง ๆ ตามข้อมูลและวัตถุประสงค์ของตน
รูปที่ 4 – pipeline การประมวลผล ERP ทั่วไป
4. มาสร้าง ERP ของเราเองกัน
เริ่มจากการตั้งค่าซอฟต์แวร์
ดาวน์โหลด PsychoPy เวอร์ชันล่าสุด – https://www.psychopy.org/ เราจะใช้ PsychoPy เพื่อแสดงเสียงโทนให้ผู้เข้าร่วม
ติดตั้งแอป Emotiv Launcher และ EmotivPRO เพื่อบันทึกและดู EEG
เชื่อมต่อ PsychoPy กับซอฟต์แวร์ Emotiv ของคุณเพื่อให้ทั้งสองโปรแกรมสื่อสารกันได้
ทำตามขั้นตอนในวิดีโอ:
สร้างการทดลอง EEG ของ Emotiv ด้วย PsychoPy
ERP ที่เรียบสามารถได้มาจากการนำสิ่งเร้าใด ๆ มาใช้ซ้ำหลายครั้ง (เช่น ภาพหรือเสียงโทน) ที่นี่เราจะนำเสนอเสียงโทนเดิมยาว 50ms ให้ผู้เข้าร่วมฟัง ทุก ๆ 4 วินาที ประมาณ 150 ครั้ง!

ทำตามวิดีโอเพื่อสร้างการทดลองทางการได้ยินแบบง่ายที่มีเสียงโทนเดียว:
มาเก็บข้อมูลกัน
ตอนนี้คุณได้เลือกรีเฟอเรนซ์แล้ว คุณสามารถดูวิดีโอเพื่อเรียนรู้วิธีตั้งค่าเฮดเซ็ตของคุณให้ได้ EEG คุณภาพดีที่สุด:

pipeline ของ ERP ด้วย EmotivPRO Analyzer
ดูวิดีโอและทำตามขั้นตอนเพื่อสร้าง ERP ของคุณเอง:
ทำความเข้าใจผลลัพธ์ ERP จาก Analyzer
สำหรับแต่ละช่องสัญญาณ คุณจะเห็นกราฟคลื่นที่ได้จากการเฉลี่ย ERP ที่เรียบทั่วไปที่มียอดคลื่นลบที่ 100ms สามารถเห็นได้ด้านล่าง เส้นทึบแสดงค่าแอมพลิจูดเฉลี่ย และบริเวณเงาที่จางกว่าจะแสดงค่า standard error of the mean:
นี่คือกราฟคลื่นที่มีสัญญาณรบกวนและไม่มีองค์ประกอบ ERP ที่ชัดเจน ซึ่งอาจเกิดจากจำนวนการทดลองที่น้อย:
สิ่งที่ควรพิจารณา
เมื่อเปรียบเทียบ ERP ระหว่างผู้เข้าร่วม โดยทั่วไปแล้วการเปรียบเทียบผลต่างจะดีกว่า
เช่น เราสามารถดู ERP ที่เฉลี่ยแล้วของเสียงโทนที่เกิดบ่อยกว่า (standard) เปรียบเทียบกับเสียงโทนที่เกิดน้อยกว่า (deviant/oddball) ในรูปแบบหนึ่ง ๆ เราสามารถได้ waveform ผลต่างได้โดยการลบแอมพลิจูดของคลื่นหนึ่งออกจากอีกคลื่นหนึ่งโดยตรง ดังที่แสดงในรูปที่ 5 เราจึงสามารถสังเกตองค์ประกอบ ERP ที่มักเรียกว่า Mismatch Negativity (MMN) ซึ่งเป็นหัวข้อที่ศึกษากันบ่อยในการวิจัย ERP
รูปที่ 5 – สามารถสังเกตองค์ประกอบ mismatch negativity ได้ใน ERP เมื่อมีการละเมิดรูปแบบบางอย่างในสภาพแวดล้อม
5. การประยุกต์ใช้ ERP
การระบุไบโอมาร์กเกอร์ :
หนึ่งในการประยุกต์ใช้ ERP ที่พบบ่อยที่สุดคือในการวิจัยทางคลินิกเพื่อหาวิธีที่ดีกว่าในการวินิจฉัยความผิดปกติทางจิตเวช เช่น Schizophrenia ผู้ที่เป็นโรค schizophrenia อาจแยกแยะจากกลุ่มควบคุมสุขภาพดีได้จากการตอบสนองแบบ Mismatch Negativity
รูปที่ 6 – แอมพลิจูดของ mismatch negativity สูงกว่ากลุ่มโรคจิตเภทเรื้อรัง กลุ่มเริ่มมีอาการล่าสุด ตลอดจนผู้ที่มีความเสี่ยงจะพัฒนาเป็นโรคนี้อย่างมีนัยสำคัญ (Jashan 2012)
ERP – BCI (ส่วนต่อประสานสมองกับคอมพิวเตอร์)
ERP ที่ตอบสนองต่อคำสั่งทางความคิดหรือสิ่งเร้าทางภาพที่แตกต่างกัน (เช่น ตัวอักษรบนคีย์บอร์ด) สามารถนำไปใช้ในการเคลื่อนย้ายรถเข็นหรือขับเคลื่อนระบบสะกดคำแบบ BCI ได้
6. แหล่งข้อมูล
คู่มือ Emotiv
เอกสารอ่านเพิ่มเติมที่แนะนำ
Luck, S.J., 2005. กฎง่าย ๆ สิบข้อสำหรับการออกแบบและตีความการทดลอง ERP. ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์: คู่มือวิธีการ, 4.
1. บทนำ
ยินดีต้อนรับ! ในบทเรียนที่สองนี้ เราจะเรียนรู้วิธีระบุการตอบสนองของสมองต่อสิ่งเร้า
เราจะได้เรียนรู้:
ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) คืออะไร?
ยอดคลื่นและองค์ประกอบของ ERP คืออะไร?
ขั้นตอนทั่วไปในการได้มาซึ่ง ERP
การประยุกต์ใช้งานจริงโดยใช้เครื่องมือและซอฟต์แวร์ Emotiv EPOC
2. ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) คืออะไร?
ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (ERP) หรือที่เรียกอีกอย่างว่า evoked potential คือการตอบสนองของสมองต่อเหตุการณ์หรือสิ่งเร้า (เช่น การได้ยินเสียงโทนดัง) โดยเฉพาะอย่างยิ่ง มันคือการเปลี่ยนแปลงของแอมพลิจูดของแรงดันไฟฟ้าที่เห็นใน EEG อันเป็นผลจากเหตุการณ์ทางประสาทสัมผัสหรือการรับรู้
เราสามารถสังเกต ‘องค์ประกอบของ ERP’ ซึ่งเป็นยอดคลื่นที่คงที่และเกิดขึ้นหลังจากสิ่งเร้าเริ่มต้น ERP หนึ่งรายการอาจมียอดคลื่นบวกหรือลบหลายจุด แต่ไม่ใช่ทุกจุดที่จะเป็นองค์ประกอบ ERP ที่ระบุได้ชัดเจน เช่น องค์ประกอบ N100 หรือ P300
อย่าลืมดูทิศทางของแกนเมื่อคุณเห็น EEG ในโดเมนเวลา บางครั้งคุณจะเห็นเครื่องหมาย – อยู่ด้านบนและ + อยู่ด้านล่างของแกน โดยเฉพาะใน EEG ทางคลินิก
หมายเหตุ: ERP สามารถแสดงจากเหตุการณ์เดี่ยวหรือโดยการเฉลี่ยแอมพลิจูดจากหลายรอบทดลองของเหตุการณ์นั้น โดยทั่วไป ERP ที่เรียบและมีองค์ประกอบที่แยกชัดเจนเช่นในภาพจะได้มาจากการเฉลี่ยข้ามการทดลองหลายร้อยครั้งเท่านั้น
รูปที่ 1 – องค์ประกอบ ERP ทางการได้ยินทั่วไป
องค์ประกอบทั่วไปมีลักษณะตามขั้วสัญญาณ (คือ บวก (P) หรือ ลบ (N)) และเวลาที่เกิดขึ้น (เช่น องค์ประกอบลบลำดับที่ 1 N1) นอกจากนี้ องค์ประกอบ N1 เดียวกันยังสามารถระบุได้จากเวลาที่เกิดขึ้น (เช่น 100ms นับจากเริ่มต้นเสียง) – N100
3. ขั้นตอนในการได้มาซึ่ง ERP
ระยะการทดลอง:
เราออกแบบการทดลองเพื่อให้ได้ ERP เฉพาะที่ต้องการ
ตัวอย่างเช่น เราอาจเก็บข้อมูล EEG ขณะที่ผู้เข้าร่วมฟังเสียงโทน
เพื่อทำความเข้าใจข้อมูล EEG เราต้องทำเครื่องหมายเวลาที่ผู้เข้าร่วมได้ยินเสียงโทนใน EEG สิ่งเหล่านี้เรียกว่าเครื่องหมายเหตุการณ์ (เส้นสีแดงแนวตั้งในรูปที่ 2)
รูปที่ 2 – เครื่องหมายเหตุการณ์ (เส้นสีแดง) ที่แสดงบน EEG ดิบ
การทำให้เวลาของเครื่องหมายเหตุการณ์สอดคล้องกับจุดเริ่มต้นของเสียงอย่างแม่นยำเป็นสิ่งสำคัญมากต่อการที่เราจะมองเห็น ERP! ดังนั้นจึงสำคัญที่จะเลือกฮาร์ดแวร์และซอฟต์แวร์ที่เหมาะสมเพื่อช่วยให้เราได้ค่าประทับเวลาอย่างแม่นยำ
การเลือกรีเฟอเรนซ์
อย่าลืมว่ากิจกรรมทางไฟฟ้าจะถูกวัดระหว่างสองจุดเสมอ ในอุปกรณ์ EEG ค่าศักย์ไฟฟ้าที่เซ็นเซอร์แต่ละตัวจะถูกวัดเทียบกับเซ็นเซอร์อ้างอิง (DRL + CMS)
ในอุปกรณ์ Emotiv EPOC มีตัวเลือกสองแบบสำหรับเซ็นเซอร์อ้างอิง

รูปที่ 3 – ตัวเลือกรีเฟอเรนซ์ในอุปกรณ์ประเภท Emotiv EPOC
เฮดเซ็ตประเภท EPOC มีสองตัวเลือกในการอ้างอิง:
รีเฟอเรนซ์มาสตอยด์ – หากต้องการใช้ Mastoid เป็นเซ็นเซอร์อ้างอิง เราจะใส่จุกยางบนเซ็นเซอร์ P3/P4 และใส่แผ่นสักหลาดชุบบนเซ็นเซอร์มาสตอยด์
รีเฟอเรนซ์ P3/P4 – หากต้องการใช้ P3/P4 เป็นเซ็นเซอร์อ้างอิง เราจะใส่จุกยางบนเซ็นเซอร์มาสตอยด์ M1/M2 และใส่แผ่นสักหลาดชุบบนเซ็นเซอร์ P3/P4
โดยทั่วไปมักใช้การอ้างอิงแบบ Mastoid สำหรับการทดลอง ERP แต่คุณสามารถใช้การอ้างอิงแบบ P3/P4 ได้ เพราะภายหลังคุณสามารถอ้างอิงข้อมูลใหม่แบบออนไลน์ได้เสมอเมื่อทำการ pre-processing ข้อมูลก่อนวิเคราะห์ เป็นเรื่องปกติที่จะอ้างอิงข้อมูลใหม่ให้เทียบกับค่าเฉลี่ยของเซ็นเซอร์ทั้งหมดก่อนวิเคราะห์ข้อมูล
สำหรับการทดลองของเรา เราจะเก็บข้อมูลโดยใช้การอ้างอิงแบบ Mastoid สมมติฐานที่มักใช้กันคือกระดูกมาสตอยด์จะส่งผ่านข้อมูล EEG น้อยกว่าบริเวณอื่นบนศีรษะ ดังนั้นจึงเป็นจุดอ้างอิงที่ดี
การประมวลผลเบื้องต้น:
เราไม่สามารถเห็น ERP ได้ทันทีใน EEG ดิบ เพราะมันเป็นผลที่เล็กมาก (~ ±5uV) เมื่อเทียบกับทุกอย่างที่กำลังเกิดขึ้นทั้งภายในและรอบ ๆ สมองของเรา (~ ±40uV)!
ดังนั้นเพื่อให้เห็นผลของสมองที่เฉพาะกับเสียงโทน เราจำเป็นต้องทำความสะอาดข้อมูลเพื่อลบสัญญาณรบกวนหรือสิ่งรบกวน จากนั้นเราจะ ‘epoch’ ข้อมูล ซึ่งเป็นคำที่ใช้เรียกการแบ่งการตอบสนองของสมองออกเป็นช่วงเวลาที่เรากำหนด (เช่น การตอบสนองของสมองตั้งแต่ 50ms ก่อนเสียงโทนจนถึง 400ms หลังเสียงโทน) จากนั้นเราจึงนำข้อมูล EEG ที่ epoch แล้วทั้งหมด (กล่าวคือ การตอบสนองของสมองต่อเสียงโทนทั้งหมด) มาเฉลี่ยเพื่อให้ได้ ERP ที่ชัดเจน
ด้านล่างคือขั้นตอนพื้นฐานใน pipeline ของ ERP ทั่วไป นักวิจัยจะเลือกขั้นตอนต่าง ๆ ตามข้อมูลและวัตถุประสงค์ของตน
รูปที่ 4 – pipeline การประมวลผล ERP ทั่วไป
4. มาสร้าง ERP ของเราเองกัน
เริ่มจากการตั้งค่าซอฟต์แวร์
ดาวน์โหลด PsychoPy เวอร์ชันล่าสุด – https://www.psychopy.org/ เราจะใช้ PsychoPy เพื่อแสดงเสียงโทนให้ผู้เข้าร่วม
ติดตั้งแอป Emotiv Launcher และ EmotivPRO เพื่อบันทึกและดู EEG
เชื่อมต่อ PsychoPy กับซอฟต์แวร์ Emotiv ของคุณเพื่อให้ทั้งสองโปรแกรมสื่อสารกันได้
ทำตามขั้นตอนในวิดีโอ:
สร้างการทดลอง EEG ของ Emotiv ด้วย PsychoPy
ERP ที่เรียบสามารถได้มาจากการนำสิ่งเร้าใด ๆ มาใช้ซ้ำหลายครั้ง (เช่น ภาพหรือเสียงโทน) ที่นี่เราจะนำเสนอเสียงโทนเดิมยาว 50ms ให้ผู้เข้าร่วมฟัง ทุก ๆ 4 วินาที ประมาณ 150 ครั้ง!

ทำตามวิดีโอเพื่อสร้างการทดลองทางการได้ยินแบบง่ายที่มีเสียงโทนเดียว:
มาเก็บข้อมูลกัน
ตอนนี้คุณได้เลือกรีเฟอเรนซ์แล้ว คุณสามารถดูวิดีโอเพื่อเรียนรู้วิธีตั้งค่าเฮดเซ็ตของคุณให้ได้ EEG คุณภาพดีที่สุด:

pipeline ของ ERP ด้วย EmotivPRO Analyzer
ดูวิดีโอและทำตามขั้นตอนเพื่อสร้าง ERP ของคุณเอง:
ทำความเข้าใจผลลัพธ์ ERP จาก Analyzer
สำหรับแต่ละช่องสัญญาณ คุณจะเห็นกราฟคลื่นที่ได้จากการเฉลี่ย ERP ที่เรียบทั่วไปที่มียอดคลื่นลบที่ 100ms สามารถเห็นได้ด้านล่าง เส้นทึบแสดงค่าแอมพลิจูดเฉลี่ย และบริเวณเงาที่จางกว่าจะแสดงค่า standard error of the mean:
นี่คือกราฟคลื่นที่มีสัญญาณรบกวนและไม่มีองค์ประกอบ ERP ที่ชัดเจน ซึ่งอาจเกิดจากจำนวนการทดลองที่น้อย:
สิ่งที่ควรพิจารณา
เมื่อเปรียบเทียบ ERP ระหว่างผู้เข้าร่วม โดยทั่วไปแล้วการเปรียบเทียบผลต่างจะดีกว่า
เช่น เราสามารถดู ERP ที่เฉลี่ยแล้วของเสียงโทนที่เกิดบ่อยกว่า (standard) เปรียบเทียบกับเสียงโทนที่เกิดน้อยกว่า (deviant/oddball) ในรูปแบบหนึ่ง ๆ เราสามารถได้ waveform ผลต่างได้โดยการลบแอมพลิจูดของคลื่นหนึ่งออกจากอีกคลื่นหนึ่งโดยตรง ดังที่แสดงในรูปที่ 5 เราจึงสามารถสังเกตองค์ประกอบ ERP ที่มักเรียกว่า Mismatch Negativity (MMN) ซึ่งเป็นหัวข้อที่ศึกษากันบ่อยในการวิจัย ERP
รูปที่ 5 – สามารถสังเกตองค์ประกอบ mismatch negativity ได้ใน ERP เมื่อมีการละเมิดรูปแบบบางอย่างในสภาพแวดล้อม
5. การประยุกต์ใช้ ERP
การระบุไบโอมาร์กเกอร์ :
หนึ่งในการประยุกต์ใช้ ERP ที่พบบ่อยที่สุดคือในการวิจัยทางคลินิกเพื่อหาวิธีที่ดีกว่าในการวินิจฉัยความผิดปกติทางจิตเวช เช่น Schizophrenia ผู้ที่เป็นโรค schizophrenia อาจแยกแยะจากกลุ่มควบคุมสุขภาพดีได้จากการตอบสนองแบบ Mismatch Negativity
รูปที่ 6 – แอมพลิจูดของ mismatch negativity สูงกว่ากลุ่มโรคจิตเภทเรื้อรัง กลุ่มเริ่มมีอาการล่าสุด ตลอดจนผู้ที่มีความเสี่ยงจะพัฒนาเป็นโรคนี้อย่างมีนัยสำคัญ (Jashan 2012)
ERP – BCI (ส่วนต่อประสานสมองกับคอมพิวเตอร์)
ERP ที่ตอบสนองต่อคำสั่งทางความคิดหรือสิ่งเร้าทางภาพที่แตกต่างกัน (เช่น ตัวอักษรบนคีย์บอร์ด) สามารถนำไปใช้ในการเคลื่อนย้ายรถเข็นหรือขับเคลื่อนระบบสะกดคำแบบ BCI ได้
6. แหล่งข้อมูล
คู่มือ Emotiv
เอกสารอ่านเพิ่มเติมที่แนะนำ
Luck, S.J., 2005. กฎง่าย ๆ สิบข้อสำหรับการออกแบบและตีความการทดลอง ERP. ศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์: คู่มือวิธีการ, 4.
