หนึ่งในตัวเลือกสำหรับการอ้างอิงที่ใช้กันอย่างแพร่หลายที่สุดในการวิจัย EEG คือ Common Average Reference หรือ CAR ซึ่งจะคำนวณค่าของทุกช่องสัญญาณใหม่โดยเทียบกับค่าเฉลี่ยของทุกช่องสัญญาณบนหนังศีรษะ
CAR มีชื่อเสียงในฐานะค่าเริ่มต้นสำหรับการกำจัดสัญญาณรบกวน ซึ่งปรากฏขึ้นในกระบวนการทำงานของ BCI, งานวิจัยที่ได้รับการตีพิมพ์ และกล่องเครื่องมือแบบโอเพนซอร์สโดยอัตโนมัติเกือบตลอดเวลา แต่การพิจารณางานวิจัยที่มีอยู่อย่างใกล้ชิดยิ่งขึ้นแสดงให้เห็นภาพที่มีความหลากหลายมากกว่าที่ชื่อเสียงของมันได้บ่งบอกไว้
บทความนี้จะอธิบายเกี่ยวกับคณิตศาสตร์ที่อยู่เบื้องหลัง CAR, สมมติฐานที่มันต้องพึ่งพา และเงื่อนไขที่สมมติฐานเหล่านั้นไม่สามารถใช้ได้ผลอีกต่อไป
Common Average Reference ใน EEG คืออะไร?
อิเล็กโทรดบนหนังศีรษะแต่ละตัวจะวัดแรงดันไฟฟ้าเทียบกับช่องอ้างอิงบางช่อง หรือชุดช่องอ้างอิงขนาดเล็กที่เลือกไว้ ณ เวลาที่บันทึก ตัวเลือกทั่วไปรวมถึงอิเล็กโทรดเดี่ยวที่ติ่งหู, mastoid ที่เชื่อมต่อกันด้านหลังใบหู, หรือตำแหน่งบนหนังศีรษะ เช่น Cz
ปัญหาของการอ้างอิงแบบตำแหน่งเดียวคือมันไม่เคย "เงียบ" อย่างแท้จริง หากอิเล็กโทรดอ้างอิงตรวจจับเสียงรบกวนหรือการทำงานของสมองด้วยตัวเอง สิ่งปนเปื้อนนั้นจะถูกหักลบออกจากทุกช่องสัญญาณ เนื่องจากสัญญาณของทุกช่องสัญญาณถูกกำหนดขึ้นเทียบกับตัวมันเอง
CAR หลบเลี่ยงปัญหานั้นโดยใช้การอ้างอิงประเภทอื่นที่บันทึกแรงดันไฟฟ้าเฉลี่ยทั่วทั้งอาร์เรย์อิเล็กโทรดทั้งหมดในแต่ละช่วงเวลา แทนที่จะหักลบค่าของอิเล็กโทรดตัวหนึ่งออกจากตัวอื่นทั้งหมด CAR จะหักลบค่าเฉลี่ยของอิเล็กโทรดทั้งหมดออกจากอิเล็กโทรดแต่ละตัว
ในทางทฤษฎี ค่าเฉลี่ยนี้ทำหน้าที่เป็นจุดอ้างอิงที่เสถียรกว่าและ "เงียบ" กว่าที่อิเล็กโทรดทางกายภาพเดี่ยวจะสามารถให้ได้ เนื่องจากดึงข้อมูลจากหนังศีรษะทั้งหมดแทนที่จะเป็นตำแหน่งเดียว
CAR ในการวิจัย BCI
นี่คือเหตุผลที่ CAR ปรากฏบ่อยมากในการวิจัยอินเตอร์เฟซสมองกับคอมพิวเตอร์ ตัวอย่างเช่น การศึกษาที่ตีพิมพ์ใน International Journal of Engineering and Technology ได้ทดสอบ CAR เป็นหนึ่งในสิบสองวิธีเปลี่ยนการอ้างอิงสำหรับเครื่องพิมพ์สะกดคำ P300 ซึ่งเป็นระบบที่ตรวจจับการตอบสนองเฉพาะของสมองเมื่อผู้ใช้โฟกัสไปที่ตัวอักษรหรือสัญลักษณ์เป้าหมาย และรายงานว่า CAR เป็นเทคนิคที่เหมาะสมที่สุดในบรรดาวิธีที่ทดสอบ
นอกจากนี้ การศึกษาในปี 2025 ได้ประยุกต์ใช้ CAR เป็นขั้นตอนมาตรฐานก่อนการประมวลผลในขั้นตอนการจัดหมวดหมู่ภาพการเคลื่อนไหว (motor imagery) โดยอธิบายวัตถุประสงค์ของมันเพื่อเพิ่มอัตราส่วนสัญญาณต่อสัญญาณรบกวน
วิธีการคำนวณสูตร CAR
กลไกของ CAR เป็นเพียงพีชคณิตธรรมดา ไม่ใช่แบบจำลองทางสถิติที่ต้องใช้ข้อมูลเพื่อพิสูจน์ว่ามันทำงานได้ในทางคณิตศาสตร์ สำหรับอาร์เรย์ของอิเล็กโทรด N ตัว ซึ่งแต่ละตัวบันทึกแรงดันไฟฟ้าที่เวลา t เขียนแทนด้วย V₁(t), V₂(t), ไปจนถึง Vₙ(t) ค่าที่แปลงด้วย CAR สำหรับอิเล็กโทรด i ใดๆ คือ:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
พูดง่ายๆ เพื่อหา CAR สำหรับอิเล็กโทรดเฉพาะ ให้ใช้ค่าที่อ่านได้ดั้งเดิมที่มิลลิวินาทีที่กำหนด แล้วลบด้วยค่าเฉลี่ยที่อ่านได้ของอิเล็กโทรดหนังศีรษะทั้งหมด ณ มิลลิวินาทีเดียวกันนั้น
การประยุกต์ใช้ Common Average Reference ใน EEG
การเลือกวิธีอ้างอิงที่ถูกต้องเป็นตัวกำหนดความสำเร็จของการประเมินทางคลินิกและการวิจัยที่ซับซ้อน
การจัดเตรียมการตั้งค่าทางคลินิกมักจะให้ความสำคัญกับความชัดเจนและความสม่ำเสมอ เพื่อให้แน่ใจว่านักประสาทวิทยาสามารถระบุเครื่องบ่งชี้ชีวภาพได้โดยปราศจากการรบกวนจากสิ่งแปลกปลอมที่เกิดจากการอ้างอิง นักวิจัยชื่นชอบแนวทางระดับโลกนี้เมื่อทำการจำลองแผนผังว่าการแทรกแซงอาจส่งผลต่อการทำงานของระบบประสาทอย่างไร ดังที่แสดงในผลการวิจัยเกี่ยวกับการแกว่งที่แปรผันตามการหายใจ ซึ่งจำเป็นต้องมีเส้นฐานที่เป็นกลางเพื่อแยกแยะผลกระทบที่เชื่อมโยงกับระบบทางเดินหายใจออกจากจังหวะประสาทเฉพาะที่
ทั้งในสภาพแวดล้อมทางคลินิกและประสาทวิทยาเชิงทดลอง นักวิจัยพึ่งพาการตีความข้อมูลที่สม่ำเสมอซึ่งลดการบิดเบือนที่ไม่ได้เกิดขึ้นจริง วิธีนี้ช่วยรักษาความโปร่งใสเมื่อเปรียบเทียบการบันทึกของคนไข้ในการสอบเซสชันหรือสิ่งอำนวยความสะดวกที่แตกต่างกัน
การใช้การอ้างอิงมาตรฐานช่วยให้นักวิเคราะห์มั่นใจได้ว่าการเปลี่ยนแปลงที่สังเกตได้ในแอมพลิจูดนั้นสะท้อนถึงการเปลี่ยนแปลงทางชีววิทยามากกว่าการเปลี่ยนแปลงทางเทคนิคในเส้นฐาน จุดยืนที่เป็นกลางนี้สนับสนุนการรายงานการวินิจฉัยที่ชัดเจนยิ่งขึ้นและผลลัพธ์ที่ถูกต้องในการประยุกต์ใช้การวัดคลื่นสมองในวงกว้าง
CAR ลดสัญญาณรบกวนในโหมดยอดนิยมอย่างไร
ข้อโต้แย้งสำหรับ CAR ขึ้นอยู่กับแนวคิดที่เรียกว่า สัญญาณรบกวนโหมดร่วม สิ่งนี้หมายถึงการรบกวนที่ปรากฏในอิเล็กโทรดเกือบทุกตัวที่มีความแรงพอๆ กัน แทนที่จะเป็นสัญญาณรบกวนเฉพาะตำแหน่งใดตำแหน่งหนึ่ง
ตัวอย่างคลาสสิก ได้แก่ สัญญาณรบกวนของสายส่งไฟฟ้า 50/60 Hz จากแหล่งพลังงานในบริเวณใกล้เคียง การทำงานของกล้ามเนื้อที่แพร่กระจายไปทั่วหนังศีรษะผ่านการนำไฟฟ้าของเนื้อเยื่อ และการเลื่อนลอยช้าๆ ที่เกิดจากอิเล็กโทรดที่ขยับเล็กน้อยบนผิวหนัง
เนื่องจากสัญญาณรบกวนประเภทนี้ถูกแชร์เป็นวงกว้างในอาร์เรย์ การเฉลี่ยสัญญาณของทุกช่องทางเข้าด้วยกัน ในทางทฤษฎีแล้วควรให้ค่าประมาณที่สมเหตุสมผลขององค์ประกอบสัญญาณรบกวนร่วมนั้น การลบค่าเฉลี่ยออกจากแต่ละช่องช่องสัญญาณจะเป็นการกำจัดการรบกวนร่วมนั้นได้มาก ในขณะที่ยังคงรักษาระดับความแตกต่างระหว่างช่องสัญญาณไว้ ซึ่งส่วนใหญ่มักจะสะท้อนความเคื่อนไหวของสมองจริง
ข้อสันนิษฐานหลักเบื้องหลัง CAR
ตรรกะการลดสัญญาณรบกวนของ CAR จะใช้ได้ตราบเท่าที่มีเงื่อนไขหลายประการเป็นจริงกับข้อมูล ข้อสันนิษฐานเหล่านี้มีการอธิบายอย่างสม่ำเสมอในตำราและบทแนะนำเกี่ยวกับ EEG แม้ว่าการลงลึกเพื่อตรวจสอบกับโลกความเป็นจริงยังคงเบาบางในข้อมูลหลักฐานที่มีอยู่
ข้อสันนิษฐานค่าเฉลี่ยเป็นศูนย์ ในจังหวะเวลาใดเวลาหนึ่ง ค่าเฉลี่ยของแรงดันไฟฟ้าทั้งหมดทั่วทั้งศีรษะจะถือว่าเกือบเป็นศูนย์ ซึ่งหมายความว่าการไหลของประจุบวกและประจุลบจะรักษาสมดุลเข้าใกล้ศูนย์อย่างคร่าวๆ บนหนังศีรษะ
การครอบคลุมของอิเล็กโทรดที่หนาแน่นและสม่ำเสมอ มีความเชื่อว่าอาร์เรย์ครอบคลุมศีรษะอย่างถี่ถ้วนพอที่จะประมาณผลลัพธ์ของจุดอ้างอิงที่อยู่ไกลสายตาจากศีรษะเป็นอนันต์ (ซึ่งในทางไฟฟ้าคือเป็นกลาง) ค่าครอบคลุมที่เบาบางหรือบกพร่องจะทำให้ประมาณค่าส่วนนี้ด้อยลง
ไม่มีจุดกำเนิดสัญญาณเดี่ยวที่มีอิทธิพลสูง ไม่มีอิเล็กโทรดเดี่ยว ช่องสัญญาณเสีย หรือสิ่งแปลกปลอมขนาดใหญ่ (เช่น การกะพริบตาแรงๆ) ที่จะมีอิทธิพลมากพอที่จะทำให้ค่าเฉลี่ยบิดเบือนไปด้วยตัวมันเอง
เมื่อเงื่อนไขทั้งสามประการนี้เป็นจริง ค่าเฉลี่ยจะทำงานเหมือนเป็นจุดอ้างอิงที่เป็นกลางอย่างแท้จริง เมื่อไม่เป็นเช่นนั้น ค่าเฉลี่ยนั้นจะเริ่มบิดเบือน และการหักลบค่าเฉลี่ยที่บิดเบือนจะนำพาปัญหาใหม่มาทดแทน แทนที่จะเป็นการกำจัดปัญหาเดิม
การทดสอบข้อสันนิษฐานของ CAR ด้วยข้อมูล EEG จริง
ตัวอย่างเช่น การบันทึก EEG ในสภาวะพักผ่อนที่เปิดเป็นสาธารณะ ชุดข้อมูล 64 ช่องสัญญาณมาตรฐาน และการคำนวณรูปแบบคลื่นเฉลี่ยภาพรวมก่อนประยุกต์ใช้ CAR มักจะเผยให้เห็นค่าที่เบี่ยงเบนไปจากศูนย์ บางครั้งพบค่าห่างออกอย่างเห็นได้ชัด ความเบี่ยงเบนนี้เป็นหลักฐานโดยตรงของเนื้อหาสัญญาณโหมดร่วมที่อยู่ในสัญญาณดิบ ซึ่งเป็นสิ่งที่ CAR ได้รับการออกแบบมาเพื่อกำจัด หลังจากนำ CAR ไปใช้ ค่าเฉลี่ยภาพรวมเดียวกันนั้นจะถูกบังคับให้เป็นศูนย์พอดีในทุกจุดเวลาตามสูตรคำนวณ
การทดสอบที่เปิดเผยข้อมูลได้มากขึ้นคือการมองไปที่ช่วงเวลาที่มีสิ่งแปลกปลอมจากการกะพริบตาขนาดใหญ่
การกะพริบตาสร้างแปรปรวนของแรงดันไฟฟ้าขนาดใหญ่ ซึ่งจะรุนแรงที่สุดที่อิเล็กโทรดบริเวณหน้าผาก แต่จะแผ่ซ่านไปยังพื้นที่ส่วนใหญ่ของอาร์เรย์ ในช่วงเวลาเหล่านั้น ค่าเฉลี่ยภาพรวมก่อนประยุกต์ใช้ CAR มักจะเปลี่ยนทิศทางออกจากศูนย์อย่างรุนแรง เนื่องจากผลของการกะพริบตาไม่ได้กระจายอย่างสม่ำเสมอ แต่กระจุกตัวอยู่ในส่วนเดียวของศีรษะ เมื่อประยุกต์ใช้ CAR สิ่งแปลกปลอมที่กระจุกตัวนี้จะถูกพับเข้าไปในค่าเฉลี่ยและกระจายซ้ำในจำนวนที่น้อยลงไปยังทุกๆ ช่องสัญญาณ รวมถึงช่องสัญญาณที่อยู่ห่างจากตาที่เดิมทีสะอาดดีอยู่แล้ว
ผลจากการวิจัย: หลักฐานที่หลากหลายจากการศึกษา BCI
การศึกษาที่กล่าวถึงข้างต้นเปรียบเทียบเทคนิคการเปลี่ยนการอ้างอิงสิบสองแบบในชุดข้อมูลเครื่องพิมพ์สะกดคำ P300 สามชุด ทั้งในเงื่อนไขการทดสอบแบบออฟไลน์และออนไลน์ และสรุปว่า CAR เป็นเทคนิคที่เหมาะสมที่สุดในบรรดาสิบสองแบบ อย่างไรก็ตาม ในขณะที่การวิจัยแสดงการเปรียบเทียบเชิงกราฟิกของความแม่นยำในการจัดประเภทและตารางรายละเอียดอัตราบิตสูงสุดเฉลี่ยที่มีค่าเบี่ยงเบนมาตรฐาน แต่ก็ไม่ได้รายงานขนาดของอิทธิพล (effect size) หรือการทดสอบนัยสำคัญทางสถิติอย่างเป็นทางการระหว่างวิธีการต่างๆ ซึ่งจำกัดความมั่นใจในการจัดอันดับนั้น
ในขณะเดียวกัน การศึกษาในปี 2017 ได้ใช้วิธีที่แตกต่างออกไปด้วยกิจกรรมความตั้งใจในการจินตภาพการเคลื่อนไหวและการเคลื่อนไหวจริง ผู้เข้ารับการทดสอบสิบเอ็ดคนทำการเคลื่อนไหวข้อมือขวาจริงและจินตนาการถึงมันในขณะที่ทำการบันทึก EEG จากอิเล็กโทรด 28 ตัว สัญญาณของข้อมูลได้รับการประมวลผลโดยใช้ทั้ง CAR และ การอ้างอิงแบบลัปลาเซียน ซึ่งเป็นวิธีการกรองเชิงพื้นที่ที่เน้นความแตกต่างระหว่างอิเล็กโทรดส่วนกลางและอิเล็กโทรดข้างเคียงโดยรอบมากกว่าค่าเฉลี่ยของหนังศีรษะทั้งหมด
ความแม่นยำในการระบุหมวดหมู่โดยทำการอ้างอิงแบบลัปลาเซียน มีความคาดเคลื่อนตั้งแต่ 63.33% ถึง 100% สำหรับการจินตนาการการเคลื่อนไหว และ 60% ถึง 96.67% สำหรับการเคลื่อนไหวจริง โดยโมเดลจำแนก k-nearest neighbor มีประสิทธิภาพเหนือกว่าโมเดลวิเคราะห์จำแนกกำลังสอง (quadratic discriminant analysis) สรุปคือการอ้างอิงแบบลัปลาเซียนให้ประสิทธิภาพดีกว่า CAR โดยภาพรวม ถึงแม้ว่าจากการศึกษาจะไม่มีรายละเอียดตัวเลขความถูกต้องที่ชัดเจนของ CAR เพื่อเปรียบเทียบโดยตรง ผลลัพธ์นี้แสดงให้เห็นว่า CAR อาจมีความเหมาะสมน้อยกว่าสำหรับกิจกรรมการกระตุ้นการทำงานของสมองเฉพาะจุดที่มีการเคลื่อนไหว
สุดท้าย การศึกษาในปี 2025 ที่ส่งเสริมข้างต้นได้บรรจุ CAR เป็นหนึ่งในขั้นตอนประมวลผลล่วงหน้าระดับแรกๆ ในโครงข่ายประสาทเทียมแบบคอนโวลูชันที่มีขนาดใหญ่ขึ้นสำหรับการจำแนกภาพการเคลื่อนไหว ซึ่งประกอบด้วย sliding time windows, การแปลงสเปกตรัม, และการสกัดย่านความถี่ด้วย ความถูกต้องที่เต็มระบบทำได้ถึง 91.75% จากชุดข้อมูลเปรียบเทียบมาตรฐานการแข่งขัน นี่เป็นผลลัพธ์ที่ดีมาก แต่เนื่องจาก CAR เป็นเพียงขั้นตอนหนึ่งในการประมวลผลหลายขั้นตอน การศึกษาจึงไม่สามารถชี้วัดได้ชัดว่าความแม่นยำนั้นเป็นผลมาจากตัว CAR เองมากน้อยเพียงใด เทียบกับสถาปัตยกรรม CNN, เทคนิค windowing หรือการเลือกย่านความถี่
เมื่อพิจารณาในภาพรวม การศึกษาสามโปรเจกต์นี้ไม่สามารถสรุปไปในทิศทางเดียวกันได้ CAR ทำงานได้ดีในบริบท P300 แต่ให้ผลแย่กว่าแนวทางทางเลือกในบริบทจินตภาพการเคลื่อนไหว และเข้ามามีส่วนร่วมแต่ไม่สามารถแยกแยะวิเคราะห์แบบเดี่ยวๆ ได้ในบริบทโครงข่ายการเรียนรู้เชิงลึกที่แม่นยำสูง ดังนั้น หลักฐานที่อภิปรายกันแนะว่าข้อดีที่ชัดเจนของการใช้ CAR เพียงตัวเดียวในการเก็บข้อมูลยังคงไม่ชัดเจน และขึ้นอยู่กับประเภทสัญญาณสมองที่ถูกนำมาวัดเป็นสำคัญ
เมื่อ CAR ล้มเหลว: สิ่งแปลกปลอม, อาร์เรย์ที่เบาบาง และจุดกำเนิดเฉพาะถิ่น
รูปแบบจากการศึกษาเหล่านั้นสอดคล้องกับกรณีความล้มเหลวสามกรณีที่มีการอภิปรายอย่างกว้างขวางในระเบียบวิธีวิจัย EEG แต่ได้รับการสนับสนุนบางส่วนจากหลักฐานเชิงประจักษ์โดยตรงในการวิจัยที่มีอยู่
สิ่งแปลกปลอมขนาดใหญ่ สัญญาณที่มีแอมพลิจูดสูงเพียงครั้งเดียว เช่น การกะพริบตาอย่างแรงหรือการกระตุกของกล้ามเนื้อ สามารถส่งผลครอบงำในผลลัพธ์คำนวณค่าเฉลี่ยได้หากข้อมูลชิ้นนั้นใหญ่เกินไปเมื่อเทียบกับส่วนที่เหลือของอาร์เรย์ เมื่อเกิดเหตุการณ์นี้ CAR จะไม่ลดสิ่งแปลกปลอมลง แต่มันจะส่งผลบิดเบือนสัญญาณที่กระจายไปในทุกช่องสัญญาณรวมถึงช่องทางเดิมที่สะอาดไม่มีสัญญาณปนเปื้อน ผลลัพธ์นี้เป้นส่วนเกิดขึ้นโดยตรงจากสูตรการสร้าง CAR มากกว่าเป็นการทดสอบแยกส่วนกัน แต่มีนัยที่สมเหตุสมผลตามผลการประเมินที่ระบุไว้ก่อนหน้านี้ในบทความนี้
อาร์เรย์ที่เบาบาง CAR ขึ้นอยู่กับความใกล้เคียงของค่าเฉลี่ยในการประมาณพื้นที่อ้างอิงเป็นกลาง ซึ่งต้องการการครอบคลุมที่หนาแน่นและสม่ำเสมอเพียงพอของหนังศีรษะ ด้วยการใช้อิเล็กโทรดเพียงไม่กี่ชิ้น เช่น แปดถึงสิบหกช่องสัญญาณ ค่าเฉลี่ยที่ได้จะเป็นค่าประมาณของความเป็นกลางที่อ่อนมาก และจะละเมิดหลักการข้อสันนิษฐานความครอบคลุมเพื่อใช้ CAR โดยตรง
จุดกำเนิดเฉพาะถิ่น กิจกรรมของสมองที่มีต้นกำเนิดมาจากขอบเขตพื้นที่จำกัดที่เล็กและจำเพาะเจาะจง แทนที่จะเป็นการพาดผ่านกว้างๆ บนหนังศีรษะ อาจแสดงพฤติกรรมในลักษณะเดียวกับสัญญาณ "ท้องถิ่น" ซึ่งการทำเฉลี่ยรอบอาร์เรย์ของ CAR ไม่ได้ออกแบบมาเพื่อรักษาสิ่งนี้ไว้ เพราะ CAR หักลบค่าเฉลี่ยภาพรวมออกไป มันจึงอาจหักล้างสัญญาณที่มีการกระจุกตัวป้อนกลับมามากกว่าการแผ่ออกอย่างกว้างขวาง
รูปแบบความล้มเหลว | ประเด็นสำคัญ |
|---|---|
สิ่งแปลกปลอม (Artifacts) | สิ่งแปลกปลอมขนาดใหญ่บิดเบือนค่าเฉลี่ย |
อาร์เรย์ที่เบาบาง (Sparse Arrays) | มีจำนวนอิเล็กโทรดน้อยเกินไป จุดอ้างอิงอ่อน |
จุดกำเนิดเฉพาะถิ่น (Focal Sources) | สัญญาณเฉพาะที่อาจถูกลดทอนลง |
วิธีการบรรเทาจุดอ่อนของ CAR
วิธีการแนะนำเพื่อแก้ไขจุดบกพร่องตามขั้นตอนการทำงาน การปฏิบัติด้าน EEG ทั่วไปมีดังนี้:
เมื่อมีข้อกังวลเรื่องสิ่งแปลกปลอมขนาดใหญ่ ให้ตรวจสอบและตัดแต่งค่าแทรกสอดช่องสัญญาณที่เสีย หรือระบุกลุ่มสัญญาณที่มีสิ่งแปลกปลอมหนาแน่นออกก่อนคำนวณค่า CAR
เมื่อทำงานร่วมกับอุปกรณ์ที่อาร์เรย์ที่เบาบาง (เช่น 8–16 ช่องสัญญาณ) ควรหลีกเลี่ยง CAR และใช้การระบุอ้างอิงแบบกายภาพที่แน่นอน เช่น mastoids ที่เชื่อมต่อกัน
สำหรับกิจกรรมทางสมองที่เป็นจุดศูนย์กลางจำเพาะเจาะจง ให้พิจารณาใช้วิธีอ้างอิงแบบลัปลาเซียน หรือวิธีการพื้นที่ตามแหล่งกำเนิดที่เน้นความชันในพื้นที่มากกว่าภาพรวมทั่วไปเฉลี่ย
CAR เป็นตัวเลือกระบบอ้างอิงที่เหมาะสมสำหรับรูปแบบ EEG ของคุณหรือไม่?
CAR ยังคงเป็นรูปแบบการตั้งค่าอ้างอิงที่ได้รับความนิยมใช้อย่างกว้างขวาง ด้วยหลักการทางคณิตศาสตร์ที่ชัดเจนและสมเหตุสมผล มันช่วยบังคับให้ค่าเฉลี่ยสัญญาณของอาร์เรย์เข้าใกล้ศูนย์ และโดยหลักการทั่วไปแล้ว จะลบสัญญาณรบกวนที่แสดงผลเป็นมุมกว้างและสม่ำเสมอออกจากหนังศีรษะ ความน่าสนใจทางทฤษฎีอธิบายได้ดีว่าทำไมมันได้รับเลือกเป็นขั้นตอนพื้นฐานแรกเริ่มในการวิจัยเรื่องระบบ EEG และ BCI (สมองและการเชื่อมต่อคอมพิวเตอร์)
ผู้ใช้ที่นำ CAR ไปปฏิบัติกับข้อมูลส่วนตัวควรถือว่ามันเป็นทางเลือกเริ่มต้นที่เหมาะสม มากกว่าการมองว่ามันจะยกระดับความแม่นยำได้แน่นอน ข้อสันนิษฐานเรื่องสัญญาณที่เข้าใกล้ศูนย์ การวางตำแหน่งอุปกรณ์อิเล็กโทรดที่แน่นและสมบูรณ์แบบ ตลอดจนการไร้เสียงแทรกซ้อนขนาดใหญ่ เป็นกระบวนการที่ควรค่าต่อการตรวจสอบเทียบกับการตั้งค่าเก็บข้อมูลและการจัดเก็บกิจกรรมนั้นๆ แทนการด่วนคล้อยตามสรุปผลลัพธ์ล่วงหน้า
หากพบสถานการณ์ที่ข้อสันนิษฐานเหล่านั้นไม่น่าจะเป็นจริง โดยเฉพาะการทำงานกับการวางตำแหน่งแบบอาร์เรย์เบาบาง หรือกิจกรรมที่มีขอบเขตเฉพาะเจาะจงในจุดประสาทของสมอง ตัวเลือกอื่นๆ เช่น การเปรียบเทียบแบบลัปลาเซียน จำเป็นต้องถูกนำมาพิจารณาอย่างจริงจัง
ทำไมการทดสอบข้อสมมติในการอ้างอิง EEG จึงสำคัญกว่าการตั้งค่าเริ่มต้น
ระบบการ อ้างอิงเฉลี่ยร่วม สร้างบนแนวคิดทางคณิตศาสตร์แบบเรียบง่ายในการหักลบค่าเฉลี่ยของหนังศีรษะทั้งหมดเพื่อลดเสียงรบกวนของช่องสัญญาณร่วม สิ่งนี้ทำงานได้อย่างยอดเยี่ยมในเบื้องต้น แต่ผลการบันทึกภาพจริงจากสมองไม่ค่อยจะตอบรับอย่างสมบูรณ์แบบเสมอไป อัลกอริทึมจะคอยควบคุมการคำนวณค่าเฉลี่ยอิเล็กโทรดให้เข้าใกล้ศูนย์ แต่ข้อกำหนดเพื่อความสมดุลนี้ไม่ได้ให้หลักประกันใดๆ ว่ามุมมองการแสดงสัญญาณของสมองจะสมบูรณ์ไร้รอยต่อขึ้น แต่อำนวยความสะดวกในส่วนตัวฐานตัวเลขรวมให้ลงตัวเท่านั้น
สิ่งที่สำคัญกว่ารูปแบบ การจัดวางสาย EEG (montage) คือการตรวจสอบว่าองค์ประกอบของการตั้งค่าการบันทึกข้อมูลสอดรับกับข้อสันนิษฐานเบื้องต้นเหล่านั้นหรือไม่ การครอบคลุมของแนว อิเล็กโทรดที่หนาแน่นและสม่ำเสมอ และความสะอาดปราศจากสิ่งปนเปื้อนครั้งใหญ่ เช่น การกะพริบตากระทบสัญญาณ สามารถเปลี่ยนทิศทางของ CAR จากทางลัดที่อันตรายให้เป็นประโยชน์และคุ้มค่าอย่างมาก สำหรับการตั้งค่าอาร์เรย์เบาบางหรือกิจกรรมที่สมองต้องการจับต้องสัญญาณในบริเวณที่แคบและลึก ขั้นตอนเดียวกันนี้ก็อาจสร้างภัยต่อข้อมูลให้คืบคลานกระจายไปในวงกว้าง และบดบังการทำงานของระบบที่นักวิจัยมีความตั้งใจจะวิเคราะห์ให้หายไป
สิ่งที่ได้รับจากการวิจัยไม่ได้ระบุว่า CAR เป็นสิ่งที่ดีหรือร้าย แต่การหยิบนำไปใช้งานเรียกร้องการตรวจสอบวิเคราะห์ข้อมูลด้วยความใส่ใจและจงใจ ไม่ใช่การไว้วางใจในการตั้งค่าเริ่มต้นยอดนิยมแบบหลับหูหลับตา
เอกสารอ้างอิง
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
คำถามที่พบบ่อย
Common Average Reference (CAR) ใน EEG คืออะไร?
CAR เป็นวิธีการเปลี่ยนการอ้างอิงที่จะหักลบแรงดันไฟฟ้าเฉลี่ยของอิเล็กโทรดหนังศีรษะทั้งหมดออกจากอิเล็กโทรดแต่ละตัวในทุกช่วงเวลา วิธีนี้จะแทนที่การอ้างอิงทางกายภาพเดี่ยวด้วยค่าเฉลี่ยของหนังศีรษะทั้งหมด โดยมีวัตถุประสงค์เพื่อสร้างจุดอ้างอิงที่เสถียรยิ่งขึ้นสำหรับการบันทึก
CAR ลดสัญญาณรบกวนในสัญญาณ EEG ได้อย่างไร?
CAR มุ่งเป้าไปที่สัญญาณรบกวนโหมดร่วม—การรบกวนที่ปรากฏในลักษณะเดียวกันในอิเล็กโทรดหลายตัว เช่น เสียงพึมพำของสายส่งไฟฟ้าหรือการทำงานของกล้ามเนื้อ โดยการเฉลี่ยทุกช่องสัญญาณและลบค่าเฉลี่ยนั้นออก สัญญาณรบกวนร่วมจะถูกกำจัดออกไปเป็นส่วนใหญ่ในขณะที่ความแตกต่างของการทำงานของสมองเฉพาะช่องสัญญาณยังคงอยู่
ข้อสันนิษฐานหลักที่จำเป็นสำหรับการทำงานที่ดีของ CAR มีอะไรบ้าง?
CAR สันนิษฐานว่าแรงดันไฟฟ้าเฉลี่ยทั่วทั้งหนังศีรษะจะอยู่ใกล้ศูนย์ในแต่ละช่วงเวลา การครอบคลุมของอิเล็กโทรดมีความหนาแน่นและสม่ำเสมอ และไม่มีสิ่งแปลกปลอมหรือช่องสัญญาณเดียวที่มีอิทธิพลเหนือค่าเฉลี่ย หากเงื่อนไขเหล่านี้ไม่เป็นจริง ค่าเฉลี่ยที่คำนวณได้จะบิดเบือน และการหักลบค่าเฉลี่ยนั้นจะทำให้เกิดความผิดพลาดได้
เมื่อใดที่ CAR จะล้มเหลวหรือสร้างสิ่งแปลกปลอมปนเปื้อน?
CAR อาจล้มเหลวเมื่อมีสิ่งแปลกปลอมเฉพาะจุดขนาดใหญ่ เช่น การกะพริบตา ซึ่งจะทำให้ค่าเฉลี่ยบิดเบือนแล้วกระจายไปยังทุกช่องสัญญาณ นอกจากนี้ยังพบปัญหาเมื่อใช้อาร์เรย์อิเล็กโทรดที่เบาบางหรือสัญญาณสมองที่มีจุดสนใจเฉพาะถิ่นสูง เนื่องจากค่าเฉลี่ยภาพรวมไม่ได้เป็นตัวแทนของจุดอ้างอิงที่เป็นกลางอีกต่อไป
การวิจัยที่มีอยู่ระบุอย่างไรเกี่ยวกับประสิทธิภาพของ CAR?
หลักฐานมีทั้งข้อดีและข้อเสีย การศึกษาหนึ่งรายงานว่า CAR ทำงานได้ดีสำหรับเครื่องพิมพ์สะกดคำ P300 แต่อีกการศึกษาหนึ่งแสดงให้เห็นว่าการอ้างอิงแบบลัปลาเซียนให้ประสิทธิภาพดีกว่า CAR สำหรับภาพการเคลื่อนไหว การศึกษาที่สามใช้ CAR ในโครงข่ายการเรียนรู้เชิงลึกที่ประสบความสำเร็จแต่ไม่ได้แยกวิเคราะห์การสนับสนุนเฉพาะทางของมัน ดังนั้นประโยชน์ที่เป็นเอกเทศของมันจึงยังคงไม่ชัดเจน
ควรเลือกใช้ CAR เป็นค่าอ้างอิงพื้นฐานสำหรับการวิเคราะห์ EEG ของฉันเสมอไปหรือไม่?
ไม่ควรใช้อย่างไม่พิจารณา CAR เป็นตัวเลือกเริ่มต้นที่สมเหตุสมผลหากคุณมีการครอบคลุมของอิเล็กโทรดที่หนาแน่นและสม่ำเสมอ และสัญญาณมีค่าเฉลี่ยเป็นศูนย์โดยประมาณโดยไม่มีสิ่งแปลกปลอมครอบงำ สำหรับการวางอาร์เรย์ที่เบาบางหรือกิจกรรมสมองเฉพาะจุด การเลือกใช้การอ้างอิงทางกายภาพที่คงที่หรือการอ้างอิงแบบลัปลาเซียนอาจมีความเหมาะสมมากกว่า
การอ้างอิงแบบลัปลาเซียนคืออะไร และเปรียบเทียบกับ CAR ได้อย่างไร?
การอ้างอิงแบบลัปลาเซียนเน้นความแตกต่างของแรงดันไฟฟ้าระหว่างอิเล็กโทรดส่วนกลางและอิเล็กโทรดข้างเคียงรอบตัว เพื่อเน้นการแสดงผลการทำงานของสมองเฉพาะถิ่น วิธีนี้ให้ประสิทธิภาพเหนือกว่า CAR ในการศึกษาภาพการเคลื่อนไหว ซึ่งบ่งชี้ว่ามันเหมาะสมที่สุดสำหรับตรวจจับสัญญาณที่มุ่งเน้นในมิติเชิงพื้นที่
ฉันจะสามารถบรรเทาจุดอ่อนของ CAR ได้อย่างไรเมื่อต้องการใช้งานมัน?
ก่อนการคำนวณ CAR ให้ค้นหาและลบหรือประมาณค่าทดแทนสำหรับช่องสัญญาณที่เสียและสิ่งแปลกปลอมขนาดใหญ่ เช่นการกะพริบตา วิธีนี้จะช่วยป้องกันช่องสัญญาณที่มีสัญญาณรบกวนหรือเหตุการณ์รบกวนเดี่ยวไม่ให้ไปบิดเบือนค่าเฉลี่ยของหนังศีรษะทั้งหมดและส่งผลปนเปื้อนไปยังทุกช่องสัญญาณ
เกิดอะไรขึ้นเมื่อมีการกะพริบตาเกิดขึ้นในบันทึกที่อ้างอิงด้วย CAR?
การกะพริบตาสร้างการเปลี่ยนแปลงของแรงดันไฟฟ้าที่เด่นชัดกระจุกตัวอยู่ที่อิเล็กโทรดส่วนหน้า เมื่อประยุกต์ใช้ CAR อิทธิพลของการกะพริบตานั้นจะถูกนำไปคิดรวมกับค่าเฉลี่ยภาพรวมแล้วหักลบออกไป ซึ่งส่งผลต่อการเปลี่ยนแปลงของสิ่งปนเปื้อนจากการกะพริบตาในปริมาณที่เล็กกว่าแต่ถูกบิดเบือนลงไปสู่ทุกช่องสัญญาณ แม้แต่ช่องสัญญาณที่ตอนแรกสะอาดสมบูรณ์
CAR บังคับให้ค่าเฉลี่ยของทุกช่องทางกลับกลายเป็นศูนย์จริงหรือไม่?
ใช่ ตามสูตรคำนวณ การแปลง CAR จะบังคับให้ผลรวมของแรงดันไฟฟ้าอ้างอิงกลับเป็นศูนย์ทั้งหมดในทุกๆ ลำดับเวลา อย่างไรก็ตาม คุณสมบัติทางคณิตศาสตร์นี้ไม่ได้การันตีว่าสัญญาณที่ได้จะเป็นตัวแทนของกิจกรรมสมองที่สะอาดบริสุทธิ์ยิ่งขึ้น—เป็น
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
คริสเตียน บูร์โกส
