พื้นฐานของการสั่นของเซลล์ประสาท

1. บทนำ

ยินดีต้อนรับ! ในบทเรียนนี้เรากำลังเรียนรู้เกี่ยวกับคลื่นสมองและวิธีที่เราสามารถใช้มันเพื่อทำความเข้าใจสมองและพฤติกรรม

ฮันส์ เบอร์เกอร์ ได้ร่วมคิดค้นคำว่า electroencephalogram ในปี 1929 เมื่อเขาได้อธิบายถึงการเปลี่ยนแปลงของศักย์ไฟฟ้าที่ถูกบันทึกโดยใช้เซ็นเซอร์ที่วางบนหัวของมนุษย์ เขาได้ระบุชนิดของคลื่นสมองสองชนิด ซึ่งเขาให้ชื่อว่า คลื่นอัลฟ่าและเบต้า เนื่องจากลำดับการบันทึกของเขา คลื่นเหล่านี้เคยถูกบันทึกในสัตว์กินนมอื่นๆ แต่เบอร์เกอร์ได้อธิบายในมนุษย์เป็นครั้งแรก!

ตั้งแต่นั้นมา วิธี electroencephalography ได้กลายเป็นเครื่องมือสำคัญในทางประสาทวิทยาและได้ช่วยพัฒนาเราในการทำความเข้าใจเกี่ยวกับคลื่นสมอง (ที่นักวิจัยเรียกว่า oscillation ทางประสาท) และได้ช่วยกำหนดลักษณะสภาพในสมองเช่น ความเหนื่อยล้าและความตื่นตัว

ในบทเรียนสั้น ๆ นี้เราจะครอบคลุมเรื่องต่อไปนี้:

• oscillation ทางประสาทคืออะไร?

• เราจะสามารถวัด oscillation ทางประสาทได้อย่างไร?

• เราสามารถทำอะไรได้บ้างกับ oscillation ทางประสาท?

• การนำไปใช้ในเชิงปฏิบัติด้วยอุปกรณ์และซอฟต์แวร์ของ Emotiv

2. EEG คืออะไร?

Electroencephalography (EEG) เป็นวิธีการที่ไม่รุกรานและเชิงรับในการวัดกิจกรรมไฟฟ้าของสมองของเรา อิเล็กโทรด/เซ็นเซอร์/ช่องทางถูกวางบนหนังศีรษะเพื่อบันทึกกิจกรรมไฟฟ้าที่สร้างโดยกลุ่มเซลล์สมองเรียกว่า neuron

Fig. 1 – neuron ผลิตกิจกรรมไฟฟ้าที่สามารถตรวจจับได้ด้วยอุปกรณ์ EEG [Siuly, et al. (2016)]

2.1. ระบบ EEG

มีอุปกรณ์ EEG มากมายในตลาดที่สามารถใช้ในการบันทึก EEG อุปกรณ์ EEG สามารถมีได้:

• เซ็นเซอร์เดี่ยวหรือสูงสุดถึง 256 อิเล็กโทรด – จำนวนอิเล็กโทรดที่มากขึ้นจะให้ข้อมูลที่มีความละเอียดเชิงพื้นที่สูงขึ้นบนหนังศีรษะ

• อิเล็กโทรดเปียกหรือแห้ง – อิเล็กโทรดเปียกใช้อิเล็กโทรไลต์เจลหรือสารละลายเกลือเพื่อปรับปรุงการนำไฟฟ้าระหว่างหนังศีรษะและเซ็นเซอร์ อิเล็กโทรดแห้งอาจทำจากโลหะหรือพอลิเมอร์ที่เป็นสื่อนำไฟฟ้าที่ต้องสัมผัสโดยตรงกับหนังศีรษะ

• อิเล็กโทรดเชิงรุกหรือเชิงรับ – ระบบอิเล็กโทรดเชิงรับเพียงแค่ส่งสัญญาณไปยังอุปกรณ์ที่ถูกขยายสัญญาณ ระบบอิเล็กโทรดเชิงรุกขยายสัญญาณที่แต่ละอิเล็กโทรดก่อนที่มันจะไปถึงอุปกรณ์เพื่อขยายสัญญาณอีกครั้ง สิ่งนี้ลดเสียงรบกวนทางไฟฟ้าจากสิ่งแวดล้อมในสัญญาณ

• อุปกรณ์ต่อสายหรือไร้สายที่ส่งข้อมูลผ่านบลูทูธ

Fig. 2 – ระบบ EEG ความหนาแน่นต่ำแบบไร้สาย

Fig. 3 – ระบบ EEG ความหนาแน่นสูงแบบมีสาย

2.2. เมื่อไหร่ควรใช้ EEG?

แต่ละวิธีการถ่ายภาพสมองสามารถช่วยตอบคำถามวิจัยที่แตกต่างกัน

จุดแข็งที่สุดของ EEG คือมันสามารถวัดกิจกรรมทางประสาทในช่วงเวลาเป็นมิลลิวินาที ซึ่งสามารถวัดกระบวนการที่เกิดขึ้นก่อนการรับรู้ได้

Fig. 4 – ความละเอียดเชิงพื้นที่ vs ความละเอียดเชิงเวลาของเครื่องมือถ่ายภาพสมองต่าง ๆ

มันเหมาะสมที่สุดสำหรับคำถามเช่น “ส่วนใดของวีดีโอนี้ที่เข้าร่วมกิจกรรมที่ได้รับความสนใจที่สุด?”

EEG บันทึกกิจกรรมส่วนใหญ่จากชั้นนอกของสมอง (คือมีความละเอียดเชิงพื้นที่ต่ำ) ด้วยเซ็นเซอร์เดี่ยวมันเป็นไปไม่ได้ที่จะระบุแหล่งที่มาของกิจกรรม การบันทึกด้วยช่องจำนวนมากสามารถช่วยสร้างแบบจำลองคณิตศาสตร์แหล่งกำเนิดได้ แต่ยังจำกัดในการระบุแหล่งกำเนิดลึก ภาพสแกนสมองแบบทำงาน (fMRI) เหมาะสมกว่าสำหรับคำถามเช่น “ส่วนใดของสมองเกี่ยวข้องกับการเปลี่ยนแปลงในความสนใจ?”

2.3. เซ็นเซอร์ถึง EEG ดิบ?

เมื่ออุปกรณ์ EEG ถูกวางบนศีรษะ กิจกรรมสมองจะถูกวัดที่เซ็นเซอร์เดียวเป็นความแตกต่างของความแอมพลิจูดระหว่างเซ็นเซอร์นั้นและเซ็นเซอร์อ้างอิง ในระบบ EEG ส่วนใหญ่สิ่งนี้เรียกว่าอิเล็กโทรด common mode sense (CMS) ตัวเซ็นเซอร์เพิ่มเติม driven right leg (DRL) ช่วยลดการรบกวนใดๆที่ CMS

Fig. 5 – แผนผังบล็อกการส่งสัญญาณ EEG อย่างง่าย

ในระบบที่มีทั้งอิเล็กโทรดเชิงรุกและเชิงรับ สัญญาณจะถูกขยายและผ่านการกรองความถี่ต่ำ การกรองความถี่ต่ำคือขั้นตอนที่ช่วยลบการรบกวนไฟฟ้าที่เป็นไปได้จากสิ่งแวดล้อมในสัญญาณของคุณ เช่น เส้นพลังงานหลัก

ขั้นตอนเหล่านี้เกิดขึ้นในตัวอุปกรณ์เองก่อนที่สัญญาณ EEG ดิบจะสามารถดูได้บนหน้าจอคอมพิวเตอร์ของคุณ

2.4. คำศัพท์พื้นฐานบางประการ

มาตรฐานการตั้งชื่อ 10-20

เซ็นเซอร์ด้านซ้ายมักจะมีหมายเลขคี่และเซ็นเซอร์ด้านขวามักจะมีหมายเลขคู่

หมายเหตุ 1: นี่เป็นเพียงมาตรฐานการตั้งชื่อและแหล่งที่มาของตำแหน่งเซ็นเซอร์ EEG ไม่ได้เป็นตัวบ่งชี้ของแหล่งกำเนิดของกิจกรรม

หมายเหตุ 2: ขั้นตอนเพิ่มเติมเช่นการสร้างแบบจำลองคณิตศาสตร์แหล่งที่มาจำเป็นต้องดำเนินการเพื่อกำหนดแหล่งกำเนิดของกิจกรรมในแต่ละช่องทาง

3. Neural Oscillations คืออะไร?

คลื่นสมองที่มักเรียกว่า neural oscillations เป็นรูปแบบการสั่นที่เกิดขึ้นตามจังหวะโดย neuron หรือกลุ่ม neuron หนึ่ง

ยังไม่ชัดเจนว่าทำไมสมองถึงผลิต oscillations ชนิดต่างๆ เหล่านี้ แต่ก็มีทฤษฎีมากมาย นักวิจัยใช้กิจกรรมต่างๆ ในการกำหนดลักษณะกิจกรรมการสั่นเหล่านี้และมุ่งหมายทำความเข้าใจความลึกลับของสมองผ่านรูปแบบเชิงจังหวะนี้

3.1. สมบัติบางประการของ oscillation

ภาพนี้แสดงการวัดสัญญาณไฟฟ้าปกติ:

Fig. 6 – ความละเอียดเชิงพื้นที่ vs ความละเอียดเชิงเวลาของเครื่องมือถ่ายภาพสมองต่าง ๆ

ทางซ้าย (แกน y) สามารถพล็อตแอมพลิจูดของการบันทึกไฟฟ้าและบนแกนแนวนอน (แกน x) คือเวลา แอมพลิจูดของสัญญาณจะเปลี่ยนแปลงในขนาดเดียวกันเกี่ยวกับจุดศูนย์กลาง รอบหนึ่งยังเรียกว่า oscillation

จำนวนรอบต่อวินาทีเรียกว่าความถี่ของคลื่นและหน่วยวัดคือ เฮิรตซ์ (Hz) ดังนั้น 1 รอบต่อวินาที = 1 Hz โดยทั่วไปแอมพลิจูดจะถูกวัดในหน่วย microvolt (µV)

ในสมองเราจะเห็นคลื่นบ่อยที่สุดที่มีความถี่ตั้งแต่ 0.2 Hz (คลื่นช้ามาก) ถึง 80 Hz หรือมากกว่า (คลื่นเร็วมาก) กิจกรรมความถี่สูงถึง 500 Hz ที่เกี่ยวข้องกับการชักก็สามารถบันทึกได้ในสมอง

ประเภทต่างๆ ของ oscillations ของสมองถูกกำหนดลักษณะโดยขึ้นอยู่กับความถี่ของพวกมัน สิ่งเหล่านี้เรียกว่า frequency band และสามารถเกี่ยวข้องกับสถานะต่างๆ ของสมองได้:

Fig. 7 – คลื่นสมองใน EEG ทั่วไป

3.2. ทำไม frequency band ต่างๆ ถึงสำคัญ?

1. การระบุรูปแบบสมองปกติกับผิดปกติ
   oscillations ทางประสาทมีความสำคัญต่อการตรวจจับภาวะชักและการวินิจฉัยโรคลมชักในคณะแพทยศาสตร์

   
   
   

2. อินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ (BCI)
   จำนวน oscillations เบต้า, แกมมา, และมูได้รับการใช้ฝึกอบรมอุปกรณ์ระยะไกล (เช่น การเคลื่อนย้ายรถเข็นด้วยความคิด)

   
   
   

3. นิวโรฟีดแบ็ค
   นี่คือรูปแบบของการฝึกอบรมสมองซึ่งคุณสามารถดูคลื่นสมองของคุณเอง (เช่น oscillations แกมมา) และทำกิจกรรมเชิงคิดเพื่อปรับปรุงปริมาณ oscillations แกมมาในสมองของคุณ

   
   
   

4. การตลาดด้วยวิทยาศาสตร์สมอง
   frequency band อัลฟ่าและเบต้าสามารถใช้ในการกำหนดว่าส่วนใดของโฆษณาที่มีความน่าสนใจมากหรือน้อยกว่า

3.3. ประเภทของการวิเคราะห์ข้อมูล EEG

นักวิจัยมักทำการวิเคราะห์ในทั้งแบบเวลาและแบบความถี่

1. การวิเคราะห์แบบเวลา

   โดยทั่วไปจะวัดค่าแอมพลิจูดแรงดันไฟฟ้าที่จุดเวลาที่สนใจหลังจากเริ่มต้นของสิ่งกระตุ้น สิ่งเหล่านี้เรียกว่า event-related potential (ERP)

   
   
   

2. การวิเคราะห์แบบความถี่

   โดยทั่วไปจะวัดจำนวนของ oscillations ทางประสาทใน frequency band ต่าง ๆ ในช่วงเวลาที่กำหนดหรือที่เกี่ยวข้องกับการเกิดเหตุการณ์

ถัดไปเราจะให้ภาพรวมของการวิเคราะห์แบบความถี่

3.4. การประมวลผล

เมื่อคุณทำการบันทึก EEG คุณจะทำการทำความสะอาดข้อมูลก่อนที่จะตีความ oscillations

1. การกรอง
   เทคนิคที่ใช้ลบสัญญาณรบกวนความถี่สูงและต่ำจากสิ่งแวดล้อมในข้อมูล

2. การกำจัดสัญญาณรบกวน
   การเคลื่อนไหวทางกายภาพ กระพริบตาทุกคนสามารถก่อให้เกิดสัญญาณรบกวนขนาดใหญ่ (> 50 µV พีคใน EEG) ซึ่งสามารถกำจัดได้เพื่อไม่ให้มีผลกระทบต่อผลลัพธ์ของเรา นักวิจัยบางคนใช้วิธีที่ซับซ้อนในการแก้ไขสัญญาณรบกวนเหล่านี้เพื่อรักษาข้อมูล

หลังจากที่ข้อมูลได้ถูกประมวลผล สัญญาณสามารถถูกแปลงเป็น domain ความถี่ เพื่อควบคุมปริมาณ oscillation แต่ละชนิดของคลื่นสมอง

Fig. 8 – สัญญาณรบกวนจากการกระพริบตาใน EEG ดิบ

3.5. ฟาสต์ฟูริเยร์ทรานส์ฟอร์ม (FFT)

การแปลงฟูริเยร์เป็นการแปลงทางคณิตศาสตร์ของสัญญาณ EEG จาก 'domain เวลา' (ภาพ A) เป็น 'domain ความถี่ (ภาพ B)'

ใน domain ความถี่ เราสามารถควบคุมปริมาณของ oscillation ชนิดต่าง ๆ ที่มีอยู่ในบันทึกของเราได้ ซึ่งมักเป็น 'กำลัง' ของ frequency band และสามารถแสดงเป็นสเปกตรัมพลังงาน (ภาพ B)

Fig. 9A – EEG ดิบใน domain เวลา

Fig. 9B – สเปกตรัมพลังงานหลังจาก FFT (domain ความถี่)

3.6. พลังงานของ Band

พลังงานของ frequency band (เช่น band อัลฟ่า) ที่ได้รับจากการแปลงฟูริเยร์บอกให้เราทราบปริมาณ frequency band แต่ละชนิดที่มีอยู่ หน่วยพลังงานของ band มักอยู่ใน µV2/Hz โดยบ่อยครั้ง แอมพลิจูดหรือ spectra พลังงานจาก FFT จะแสดงในหน่วยเชิงลอการิธมิจูด (dB) เดซิเบลเป็นหน่วยของอัตราส่วนระหว่างกำลังที่วัดได้ (P) และกำลังอ้างอิง (Pr) ตามนี้:

เมื่อหน่วยวัดนี้ได้รับการสำหรับเหตุการณ์ที่สนใจสามารถเปรียบเทียบพลังงานของ band เพื่อทำความเข้าใจผลกระทบการทดลองที่มีต่อคลื่นสมอง

4. จากทฤษฎีสู่การปฏิบัติ

ต่อไปเราจะดูที่ผลการกดอัลฟ่าซึ่งเป็นปรากฏการณ์ที่รายงานครั้งแรกโดยฮันส์ เบอร์เกอร์ ซึ่งเราจะเห็นการลดลงในปริมาณ oscillation อัลฟ่า (กำลังอัลฟ่า) อย่างมากเมื่อตาของคนเปิดเทียบกับเมื่อปิด

Fig. 10 – สามารถเห็นการเพิ่มขึ้นของ oscillation อัลฟ่าเมื่อเวลาปิดตา

ขั้นแรกโดยใช้ EmotivPRO Builder เราสร้างการทดลองง่ายๆ ในการทดลองนี้ ผู้เข้าร่วมถูกถามเพียงให้เปิดตาสำหรับ 2 นาทีในขณะที่มุ่งเน้นไปที่หน้าจอ จากนั้นปิดตาเป็นเวลา 2 นาที พวกเขาจะได้ยินเสียงกระดิ่งเมื่อเสร็จสิ้น 2 นาทีเพื่อบอกให้เปิดตา

คุณสามารถทำตามวิดีโอต่อไปนี้เพื่อสร้างการทดลองการกดอัลฟ่าเองหรือลองรันการทดลองของเราจากลิงค์ที่นี่:

4.1. การติดตั้งอุปกรณ์และคุณภาพ EEG

อ่านเพิ่มเติมเกี่ยวกับวิธีที่ EQ gate ของเราทำงานได้ที่นี่ ค้นหาข้อมูลเพิ่มเติมเกี่ยวกับการติดตั้งอุปกรณ์เฉพาะสำหรับหูฟังของคุณได้ที่นี่:

• ประเภท EPOC

• ประเภท Insight

4.2. การประมวลผลและการแปลงข้อมูล EEG

เมื่อคุณมีข้อมูลแล้วคุณสามารถแปลงเป็น domain ความถี่ได้โดยใช้ Emotiv Analyzer ทำตามขั้นตอนในวิดีโอ

4.3. การตีความข้อมูล

เมื่อการวิเคราะห์เสร็จสิ้น ดาวน์โหลดไฟล์ zip สำหรับการบันทึกแต่ละครั้งจะมีไฟล์ csv ที่มีพลังงาน band และไฟล์ภาพที่คุณสามารถใช้เพื่อรันการวิเคราะห์ทางสถิติของคุณเอง

Fig. 11 – พลังงาน band

ใน output ของเราจะเห็นการเพิ่มขึ้นของกำลังอัลฟ่าเมื่อเวลาปิดตา (สีส้ม) เทียบกับเมื่อเปิด (สีฟ้า)

นี่คือจุดสิ้นสุดของการเรียนการสอนของเรา! ตอนนี้คุณมีความสามารถในการพื้นฐานแล้ว 🙂

คุณสามารถหาลิงก์เพื่อเข้าถึงการอ่านเพิ่มเติมในส่วนทรัพยากรได้

5. ทรัพยากร

การอ่านขั้นสูง

Donoghue et al. 2022 ข้อควรพิจารณาเกี่ยวกับระเบียบวิธีในการศึกษา oscillation ทางประสาท

พจนานุกรมของคำศัพท์ EEG

Kane et al. 2017 (ที่นี่)

รหัสโอเพนซอร์ส

ถ้าคุณมีความสะดวกในการเขียนโค้ด python เราได้ทำให้สคริปต์ python ใช้ได้ ซึ่งคุณสามารถใช้เพื่อรับค่ากำลังอัลฟ่า ติดป้ายบิตตามช่วงเวลาที่มีตาเปิดและปิด ดูโค้ดและไฟล์ข้อมูลตัวอย่าง Alpha Suppression ที่นี่: https://osf.io/9bvgh/

คู่มือ EMOTIV

คู่มือ EmotivPRO Builder
คู่มือ EmotivPRO
คู่มือ EmotivPRO Analyzer

7. การอ้างอิง

Donoghue, T., Schaworonkow, N. และ Voytek, B., 2022. ข้อควรพิจารณาด้านระเบียบวิธีในการศึกษา oscillation ทางประสาท วารสารยุโรปของประสาท, 55(11-12), หน้า.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. และ van Putten, M.J., 2017. การปรับปรุงพจนานุกรมคำศัพท์ที่ใช้กันมากที่สุดโดยนักวิเคราะห์คลินิก EEG และข้อเสนอการอัปเดตสำหรับรูปแบบการรายงานผลลัพธ์ EEG ฉบับปี 2017 ปฏิบัติการทางระบบประสาททางคลินิก, 2, หน้า 170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) และภูมิหลัง ใน: EEG Signal Analysis and Classification. วิทยาศาสตร์ข้อมูลสุขภาพ Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1