1. บทนำ

ยินดีต้อนรับ! ในบทเรียนนี้เรากำลังเรียนรู้เกี่ยวกับคลื่นสมองและวิธีที่เราสามารถใช้มันเพื่อทำความเข้าใจสมองและพฤติกรรม

Hans Berger บัญญัติคำว่าอิเล็กโทรเอนเซฟาโลแกรมในปี 1929 เมื่อเขาอธิบายการเปลี่ยนแปลงของศักย์ไฟฟ้าที่บันทึกได้โดยใช้เซนเซอร์ที่วางไว้บนศีรษะของคนคนหนึ่ง เขาระบุคลื่นสมองสองประเภท ซึ่งเขาเรียกว่าอัลฟาและเบตา เพียงเพราะลำดับที่เขาบันทึกมันไว้ คลื่นเหล่านี้ถูกบันทึกไว้ในสัตว์เลี้ยงลูกด้วยนมชนิดอื่นมาก่อนแล้ว แต่ Berger เป็นคนอธิบายมันในมนุษย์เป็นครั้งแรก!

ตั้งแต่นั้นมา วิธีการอิเล็กโทรเอนเซฟาโลกราฟีได้กลายเป็นเครื่องมือสำคัญในประสาทวิทยาศาสตร์ และช่วยพัฒนาความเข้าใจของเราเกี่ยวกับคลื่นสมอง (ซึ่งนักวิจัยเรียกว่า neural oscillations) รวมทั้งช่วยอธิบายสภาวะต่าง ๆ ในสมอง เช่น ความเหนื่อยล้าและภาวะตื่นตัว

ในบทเรียนสั้น ๆ นี้ เราจะครอบคลุมเรื่องต่อไปนี้:

• neural oscillations คืออะไร?

• เราจะวัด neural oscillations ได้อย่างไร?

• เราทำอะไรได้บ้างกับ neural oscillations?

• การประยุกต์ใช้งานจริงโดยใช้อุปกรณ์และซอฟต์แวร์ Emotiv

2. EEG คืออะไร?

อิเล็กโทรเอนเซฟาโลกราฟี (EEG) เป็นวิธีการแบบไม่รุกรานและแบบพาสซีฟในการวัดกิจกรรมไฟฟ้าของสมองของเรา อิเล็กโทรด/เซนเซอร์/ช่องสัญญาณถูกวางไว้บนหนังศีรษะเพื่อบันทึกกิจกรรมไฟฟ้าที่สร้างโดยกลุ่มเซลล์สมองที่เรียกว่า นิวรอน

รูปที่ 1 – นิวรอนสร้างกิจกรรมไฟฟ้าซึ่งสามารถตรวจจับได้ด้วยอุปกรณ์ EEG [Siuly, et al. (2016)].

2.1. ระบบ EEG

มีอุปกรณ์ EEG มากมายในตลาดที่สามารถใช้บันทึก EEG ได้ อุปกรณ์ EEG มีตั้งแต่:

• เซนเซอร์เดี่ยวไปจนถึงอิเล็กโทรด 256 จุด – อิเล็กโทรดที่มากขึ้นจะให้ความละเอียดเชิงพื้นที่ของข้อมูลเหนือหนังศีรษะสูงขึ้น

• อิเล็กโทรดแบบเปียกหรือแบบแห้ง – อิเล็กโทรดแบบเปียกใช้น้ำยาเจลอิเล็กโทรไลต์หรือสารละลายน้ำเกลือเพื่อเพิ่มการนำไฟฟ้าระหว่างหนังศีรษะกับเซนเซอร์ อิเล็กโทรดแบบแห้งอาจทำจากโลหะหรือพอลิเมอร์นำไฟฟ้าซึ่งต้องสัมผัสกับหนังศีรษะโดยตรง

• อิเล็กโทรดแบบแอกทีฟหรือแบบพาสซีฟ – ระบบอิเล็กโทรดแบบพาสซีฟเพียงนำสัญญาณไปยังอุปกรณ์ซึ่งจะทำการขยายสัญญาณ ระบบอิเล็กโทรดแบบแอกทีฟจะขยายสัญญาณที่แต่ละอิเล็กโทรดก่อนที่มันจะไปถึงอุปกรณ์เพื่อขยายสัญญาณ ซึ่งช่วยลดสัญญาณรบกวนทางไฟฟ้าจากสภาพแวดล้อมในสัญญาณ

• อุปกรณ์แบบมีสายหรือไร้สายซึ่งส่งข้อมูลผ่าน Bluetooth

รูปที่ 2 – ระบบ EEG แบบไร้สายความหนาแน่นต่ำ

รูปที่ 3 – ระบบ EEG แบบมีสายที่ใช้อิเล็กโทรดความหนาแน่นสูง

2.2. ควรใช้ EEG เมื่อใด?

แต่ละวิธีการถ่ายภาพประสาทสามารถช่วยตอบคำถามวิจัยที่แตกต่างกันได้

จุดแข็งที่ใหญ่ที่สุดของ EEG คือสามารถวัดกิจกรรมของระบบประสาทในระดับมิลลิวินาที ซึ่งสามารถวัดกระบวนการก่อนรู้ตัวได้

รูปที่ 4 – ความละเอียดเชิงพื้นที่เทียบกับเชิงเวลาของเครื่องมือถ่ายภาพประสาทชนิดต่าง ๆ

เหมาะที่สุดสำหรับคำถามเช่น “ส่วนใดของวิดีโอของฉันที่ผู้เข้าร่วมให้ความสนใจมากที่สุด?”

EEG บันทึกกิจกรรมส่วนใหญ่มาจากชั้นนอกของสมอง (กล่าวคือมีความละเอียดเชิงพื้นที่ต่ำ) เมื่อใช้เซนเซอร์เพียงตัวเดียวจะไม่สามารถระบุแหล่งกำเนิดของกิจกรรมนั้นได้ การบันทึกด้วยจำนวนช่องสัญญาณจำนวนมากอาจช่วยให้สามารถสร้างแหล่งกำเนิดขึ้นใหม่ด้วยคณิตศาสตร์ได้ แต่ก็ยังมีข้อจำกัดในการระบุแหล่งกำเนิดที่อยู่ลึก การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าเชิงหน้าที่ (fMRI) เหมาะกว่าในการตอบคำถามเช่น “ส่วนใดของสมองที่เกี่ยวข้องกับการเปลี่ยนแปลงของความสนใจ?”

2.3. จากเซนเซอร์สู่ EEG ดิบ?

เมื่อสวมอุปกรณ์ EEG บนศีรษะแล้ว กิจกรรมของสมองจะถูกวัดที่เซนเซอร์เดียวในรูปของความแตกต่างของแอมพลิจูดระหว่างเซนเซอร์นั้นกับเซนเซอร์อ้างอิง ในระบบ EEG ส่วนใหญ่สิ่งนี้เรียกว่าอิเล็กโทรด common mode sense (CMS) เซนเซอร์เพิ่มเติมที่เรียกว่า driven right leg (DRL) ช่วยลดสัญญาณรบกวนใด ๆ ที่ CMS

รูปที่ 5 – แผนภาพบล็อกแบบย่อของการส่งสัญญาณ EEG

ในระบบที่มีทั้งอิเล็กโทรดแบบแอกทีฟและแบบพาสซีฟ สัญญาณจะถูกขยายและกรองความถี่ต่ำต่อไป การกรองความถี่ต่ำเป็นขั้นตอนที่จะกำจัดสัญญาณรบกวนทางไฟฟ้าที่อาจมาจากสภาพแวดล้อมในสัญญาณของคุณ เช่น ไฟบ้าน

ขั้นตอนเหล่านี้เกิดขึ้นในฮาร์ดแวร์เองก่อนที่สัญญาณ EEG ดิบจะสามารถดูได้บนหน้าจอคอมพิวเตอร์ของคุณ

2.4. คำศัพท์พื้นฐานบางอย่าง

รูปแบบการตั้งชื่อมาตรฐาน 10-20

เซนเซอร์ด้านซ้ายมักจะเป็นเลขคี่ และเซนเซอร์ด้านขวามักจะเป็นเลขคู่

หมายเหตุ 1: สิ่งเหล่านี้เป็นเพียงรูปแบบการตั้งชื่อ และตำแหน่งของเซนเซอร์ EEG ไม่ได้บ่งชี้ถึงแหล่งกำเนิดของกิจกรรมนั้น

หมายเหตุ 2: ต้องมีขั้นตอนเพิ่มเติม เช่น การสร้างแหล่งกำเนิดขึ้นใหม่ด้วยคณิตศาสตร์ เพื่อระบุแหล่งกำเนิดของกิจกรรมในแต่ละช่องสัญญาณ

3. การสั่นของระบบประสาทคืออะไร?

คลื่นสมอง ซึ่งมักเรียกว่า neural oscillations เป็นรูปแบบจังหวะที่สร้างโดยนิวรอนหนึ่งตัวหรือกลุ่มของนิวรอน

ยังไม่เป็นที่ชัดเจนว่าสมองสร้างการสั่นประเภทต่าง ๆ เหล่านี้ขึ้นมาทำไม แม้ว่าจะมีทฤษฎีอยู่มากมายก็ตาม นักวิจัยใช้ภารกิจที่แตกต่างกันเพื่อจำแนกลักษณะกิจกรรมแบบสั่นเหล่านี้ และมุ่งทำความเข้าใจความลึกลับของสมองโดยใช้รูปแบบเป็นจังหวะเหล่านี้

3.1. คุณสมบัติบางประการของการสั่น

ภาพนี้แสดงการวัดสัญญาณไฟฟ้าที่สม่ำเสมอ:

รูปที่ 6 – ความละเอียดเชิงพื้นที่เทียบกับเชิงเวลาของเครื่องมือถ่ายภาพประสาทชนิดต่าง ๆ

ทางซ้าย (แกน y) เราสามารถพล็อตแอมพลิจูดของการบันทึกไฟฟ้า และบนแกนนอน (แกน x) คือเวลา แอมพลิจูดของสัญญาณจะเปลี่ยนแปลงในเชิงขนาดอย่างสม่ำเสมอรอบจุดศูนย์กลาง หนึ่งรอบยังถูกเรียกว่าเป็นการสั่น

จำนวนรอบต่อวินาทีเรียกว่าความถี่ของคลื่น และหน่วยคือเฮิรตซ์ (Hz) ดังนั้น 1 รอบต่อวินาที = 1 Hz แอมพลิจูดมักวัดเป็นไมโครโวลต์ (µV)

ในสมองเราจะเห็นคลื่นที่มีความถี่ตั้งแต่ 0.2 Hz (คลื่นช้ามาก) ไปจนถึง 80 Hz หรือมากกว่า (คลื่นที่เร็วมาก) กิจกรรมความถี่สูงถึง 500 Hz ที่สัมพันธ์กับอาการชักก็สามารถบันทึกได้ในสมองเช่นกัน

การสั่นของสมองประเภทต่าง ๆ ถูกจำแนกตามความถี่ของมัน ซึ่งเรียกว่าย่านความถี่ และสามารถสัมพันธ์กับสภาวะสมองที่แตกต่างกันได้:

รูปที่ 7 – คลื่นสมองใน EEG ทั่วไป

3.2. เหตุใดย่านความถี่ที่แตกต่างกันจึงสำคัญ?

1. การระบุรูปแบบสมองปกติกับผิดปกติ
   การสั่นของระบบประสาทมีความสำคัญต่อการตรวจจับอาการชักและการวินิจฉัยโรคลมชักในสาขาประสาทวิทยา

   
   
   

2. อินเทอร์เฟซสมองกับคอมพิวเตอร์ (BCI)
   ปริมาณการสั่นเบตา แกมมา และมิว มักถูกใช้เพื่อฝึกอุปกรณ์ระยะไกล (เช่น สั่งรถเข็นให้เคลื่อนที่ด้วยความคิด)

   
   
   

3. นิวโรฟีดแบ็ก
   นี่คือรูปแบบหนึ่งของการฝึกสมองที่คุณสามารถดูคลื่นสมองของคุณ (เช่น การสั่นแกมมา) และทำภารกิจทางความคิดเพื่อเพิ่มปริมาณการสั่นแกมมาในสมองของคุณ

   
   
   

4. นิวโรมาร์เก็ตติ้ง
   ย่านความถี่อัลฟาและเบตาสามารถใช้เพื่อระบุว่าส่วนใดของโฆษณามีความน่าสนใจมากหรือน้อยเพียงใด

3.3. ประเภทของการวิเคราะห์ข้อมูล EEG

โดยทั่วไปนักวิจัยจะทำการวิเคราะห์ในโดเมนเวลาหรือโดเมนความถี่

1. การวิเคราะห์โดเมนเวลา

   โดยทั่วไปจะวัดแอมพลิจูดของแรงดันไฟฟ้าที่จุดเวลาที่สนใจหลังจากการเริ่มต้นของสิ่งเร้า สิ่งเหล่านี้เรียกว่า event-related potentials (ERPs)

   
   
   

2. การวิเคราะห์โดเมนความถี่

   โดยทั่วไปจะวัดปริมาณการสั่นของระบบประสาทในย่านความถี่ต่าง ๆ ภายในช่วงเวลาที่กำหนดหรือที่สัมพันธ์กับการเริ่มต้นของเหตุการณ์

ต่อไปเราจะให้ภาพรวมของการวิเคราะห์โดเมนความถี่

3.4. การประมวลผล

เมื่อคุณบันทึก EEG แล้ว โดยทั่วไปคุณจะทำความสะอาดข้อมูลก่อนจะตีความการสั่น

1. การกรอง
   เทคนิคในการกำจัดสัญญาณรบกวนจากสภาพแวดล้อมที่มีความถี่สูงและต่ำในข้อมูล

2. การกำจัดอาร์ติแฟกต์
   การเคลื่อนไหวทางกาย การกระพริบตา ล้วนสามารถทำให้เกิดอาร์ติแฟกต์ขนาดใหญ่ได้ (> จุดสูงสุด 50 µV ใน EEG) สิ่งเหล่านี้สามารถลบออกได้เพื่อไม่ให้มีอิทธิพลต่อผลลัพธ์ของเรา นักวิจัยบางคนใช้วิธีการที่ซับซ้อนเพื่อแก้ไขอาร์ติแฟกต์เหล่านี้เพื่อรักษาข้อมูลไว้

หลังจากประมวลผลข้อมูลแล้ว สัญญาณสามารถแปลงเป็นโดเมนความถี่ได้ เพื่อให้เราวัดปริมาณคลื่นสมองแต่ละประเภท

รูปที่ 8 – อาร์ติแฟกต์จากการกระพริบตาใน EEG ดิบ

3.5. การแปลงฟูริเยร์แบบเร็ว (FFT)

การแปลงฟูริเยร์คือการแปลงสัญญาณ EEG ทางคณิตศาสตร์จาก ‘โดเมนเวลา’ (ภาพ A) ไปเป็น ‘โดเมนความถี่ (ภาพ B)’

ในโดเมนความถี่ เราสามารถหาปริมาณได้ว่าในการบันทึกของเรามีการสั่นแต่ละประเภทมากแค่ไหน โดยทั่วไปนี่คือ ‘กำลัง’ ของย่านความถี่ และสามารถแสดงเป็นสเปกตรัมกำลัง (ภาพ B)

รูปที่ 9A – EEG ดิบในโดเมนเวลา

รูปที่ 9B – สเปกตรัมกำลังหลังจาก FFT (โดเมนความถี่)

3.6. กำลังของย่านความถี่

กำลังของย่านความถี่ (เช่น ย่านอัลฟา) ที่ได้จากการแปลงฟูริเยร์บอกเราว่าในแต่ละย่านความถี่มีมากแค่ไหน หน่วยของ band power โดยทั่วไปคือ µV2/Hz ส่วนใหญ่มักจะแสดงแอมพลิจูดหรือสเปกตรัมกำลังจาก FFT ในหน่วยลอการิทึมเป็นเดซิเบล (dB) เดซิเบลเป็นหน่วยของอัตราส่วนระหว่างกำลังที่วัดได้ (P) และกำลังอ้างอิง (Pr) ดังนี้:

เมื่อได้หน่วยวัดนี้สำหรับเหตุการณ์ที่สนใจแล้ว ก็สามารถเปรียบเทียบ band powers เพื่อทำความเข้าใจผลกระทบเชิงการทดลองต่อคลื่นสมองได้

4. จากทฤษฎีสู่การปฏิบัติ

ต่อไปเราจะมาดูปรากฏการณ์การกดทับอัลฟา

นี่เป็นปรากฏการณ์ที่ Hans Berger รายงานไว้เป็นครั้งแรก ซึ่งเราจะเห็นการลดลงอย่างมีนัยสำคัญของปริมาณการสั่นอัลฟา (พลังอัลฟา) เมื่อดวงตาของบุคคลนั้นเปิดอยู่ เมื่อเทียบกับตอนที่ปิดอยู่

รูปที่ 10 – สามารถเห็นการสั่นอัลฟาที่เพิ่มขึ้นเมื่อเปิดตา

ก่อนอื่นเราใช้ EmotivPRO Builder เพื่อสร้างการทดลองแบบง่าย ๆ ในการทดลองนี้ ผู้เข้าร่วมเพียงแค่ถูกขอให้ลืมตาไว้ 2 นาทีในขณะที่จดจ่ออยู่กับหน้าจอ จากนั้นจึงหลับตาเป็นเวลา 2 นาที พวกเขาจะได้ยินเสียงกระดิ่งเมื่อครบ 2 นาทีเพื่อเป็นสัญญาณให้ลืมตา

คุณสามารถทำตามวิดีโอด้านล่างเพื่อสร้างการทดลองการกดทับอัลฟาของคุณเอง หรือคุณสามารถรันการทดลองของเราจากลิงก์ ที่นี่:

4.1. การติดตั้งอุปกรณ์และคุณภาพ EEG

อ่านเพิ่มเติมเกี่ยวกับวิธีการทำงานของ EQ gate ของเรา ที่นี่ ดูข้อมูลเพิ่มเติมเกี่ยวกับการติดตั้งอุปกรณ์ที่เฉพาะกับเฮดเซ็ตของคุณได้ที่นี่:

• ประเภท EPOC

• ประเภท Insight

4.2. การประมวลผลและแปลงข้อมูล EEG

ตอนนี้คุณมีข้อมูลแล้ว คุณสามารถแปลงมันไปเป็นโดเมนความถี่โดยใช้ Emotiv Analyzer ให้ทำตามขั้นตอนในวิดีโอ

4.3. การตีความข้อมูล

เมื่อ Analyzer ทำงานเสร็จ ให้ดาวน์โหลดไฟล์ zip สำหรับแต่ละบันทึก คุณจะมีไฟล์ csv ที่มี band powers และไฟล์รูปภาพซึ่งคุณสามารถใช้ทำการวิเคราะห์ทางสถิติของคุณเองได้

รูปที่ 11 – bandpowers

ในผลลัพธ์ของเรา เราจะเห็นว่า Alpha power เพิ่มขึ้นเมื่อปิดตา (สีส้ม) เมื่อเทียบกับตอนเปิดตา (สีน้ำเงิน)

นี่คือจุดจบของบทเรียนของเรา! ตอนนี้คุณมีพื้นฐานพร้อมแล้ว 🙂

คุณสามารถดูลิงก์สำหรับการอ่านเพิ่มเติมในระดับสูงขึ้นได้ในส่วนแหล่งข้อมูล

5. แหล่งข้อมูล

การอ่านเพิ่มเติมระดับสูง

Donoghue et al. 2022 ข้อพิจารณาด้านระเบียบวิธีสำหรับการศึกษาการสั่นของระบบประสาท

อภิธานศัพท์ของคำศัพท์ EEG

Kane et al. 2017 (ที่นี่)

ซอร์สโค้ดแบบเปิด

หากคุณถนัดการเขียนโค้ด Python เราได้จัดเตรียมสคริปต์ Python ไว้ให้ ซึ่งคุณสามารถใช้เพื่อหาค่า alpha power ที่กำกับด้วยช่วงเปิดตาและปิดตา หาโค้ดและไฟล์ข้อมูลตัวอย่าง Alpha Suppression ได้ที่นี่: https://osf.io/9bvgh/

คู่มือ EMOTIV

คู่มือ EmotivPRO Builder
คู่มือ EmotivPRO
คู่มือ EmotivPRO Analyzer

7. เอกสารอ้างอิง

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. ข้อพิจารณาด้านระเบียบวิธีสำหรับการศึกษาการสั่นของระบบประสาท. European journal of neuroscience, 55(11-12), pp.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. and van Putten, M.J., 2017. อภิธานศัพท์ฉบับปรับปรุงของคำศัพท์ที่ใช้บ่อยที่สุดโดยผู้เชี่ยวชาญด้านอิเล็กโทรเอนเซฟาโลกราฟีทางคลินิก และข้อเสนอที่ปรับปรุงแล้วสำหรับรูปแบบรายงานผลการค้นพบ EEG. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). อิเล็กโทรเอนเซฟาโลแกรม (EEG) และภูมิหลังของมัน. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1