สัญญาณรบกวนในคลื่นสมอง (EEG Artifacts)

สองหมวดหมู่พื้นฐานของสิ่งแปลกปนในสัญญาณ EEG

ทุกความผันผวนที่ไม่พึงประสงค์ในการบันทึก EEG ล้วนมีที่มาจากสองแหล่ง แหล่งแรกคือ สิ่งแปลกปนที่เกี่ยวข้องกับผู้รับการทดสอบ หรือสิ่งแปลกปนทางสรีรวิทยา ซึ่งเกิดขึ้นจากร่างกายของผู้รับการทดสอบเอง สิ่งเหล่านี้รวมถึงการกะพริบตา ความตึงของกล้ามเนื้อ การเต้นของหัวใจ และการทำงานของต่อมเหงื่อ ซึ่งทั้งหมดนี้สร้างสนามไฟฟ้าที่อิเล็กโทรดบนหนังศีรษะตรวจจับได้ควบคู่ไปกับการทำงานของสมองที่แท้จริง

แหล่งที่สองคือ สิ่งแปลกปนทางเทคนิค หรือสิ่งแปลกปนที่ไม่เกี่ยวข้องกับสรีรวิทยา ซึ่งเกิดจากอุปกรณ์บันทึกและสภาพแวดล้อม อิเล็กโทรดหลวม สายเคเบิลแกว่ง การอิ่มตัวของเครื่องขยายสัญญาณ และสัญญาณรบกวนจากกระแสไฟฟ้าหลัก ล้วนจัดอยู่ในกลุ่มที่สองนี้

การแยกแยะระหว่างสองหมวดหมู่นี้เป็นทักษะแรกที่ต้องเชี่ยวชาญ เนื่องจากกลยุทธ์ในการป้องกันและการกำจัดมีความแตกต่างกันโดยพื้นฐาน สัญญาณกล้ามเนื้อกระตุกจากการกัดฟันจำเป็นต้องใช้วิธีจัดการที่ต่างจากเสียงฮัม 60 เฮิรตซ์ที่เกิดขึ้นเป็นระยะซึ่งเล็ดลอดเข้ามาทางสายเคเบิลที่มีการป้องกันสัญญาณรบกวนไม่ดีพอ

วิธีสังเกตสิ่งแปลกปนที่เกี่ยวข้องกับผู้รับการทดสอบ

การกะพริบตา

ดวงตามีพฤติกรรมคล้ายกับแบตเตอรี่ไฟฟ้าขนาดเล็ก กระจกตามีประจุบวกเมื่อเทียบกับเรตินา ทำให้เกิด ขั้วคู่กระจกตา-เรตินา (corneo‑retinal dipole) เมื่อผู้รับการทดสอบกะพริบตา เปลือกตาจะกวาดผ่านขั้วคู่นี้และดึงสนามไฟฟ้าบวกขึ้นไปด้านบน ทำให้เกิดการเบี่ยงเบนของแรงดันไฟฟ้าบวกขนาดใหญ่ที่อิเล็กโทรดบริเวณหน้าผากซึ่งอยู่ใกล้ดวงตามากที่สุด

ในกราฟที่แสดงตามขอบเขตเวลา (time-domain trace) การกะพริบตาจะปรากฏเป็นคลื่นช้าที่มีแอมพลิจูดสูง ซึ่งมีค่าสูงสุดที่ช่องสัญญาณบริเวณขั้วหน้าผาก เช่น Fp1 และ Fp2 จากนั้นจะลดทอนลงอย่างรวดเร็วเมื่อมองไปยังจุดต่อสัญญาณบริเวณส่วนกลางหรือส่วนหลัง เนื่องจากรูปคลื่นมีรูปแบบเฉพาะตัวที่ชัดเจน ผู้ที่มีความชำนาญจึงสามารถสังเกตเห็นได้เกือบจะในทันที

การเคลื่อนไหวของดวงตาและสัญญาณสไปก์จากการกลอกตาอย่างรวดเร็ว (Saccadic Spikes)

เมื่อดวงตามีการเคลื่อนไหวไปด้านข้างโดยไม่มีการกะพริบตา ขั้วคู่กระจกตา-เรตินาจะหมุนแทนที่จะถูกบดบัง สิ่งนี้ทำให้เกิดการเลื่อนระดับสัญญาณแบบขั้นบันไดในสัญญาณไฟฟ้าของดวงตา (electro-oculogram) ซึ่งอาจรั่วไหลเข้าไปในช่องสัญญาณ EEG ที่อยู่ติดกันได้

นอกจากนี้ การหดตัวอย่างรวดเร็วของกล้ามเนื้อกลอกตานอกลูกตาในระหว่างการกลอกตาอย่างรวดเร็ว (saccade) จะสร้างสัญญาณไฟฟ้าชั่วคราวที่สั้นและคมชัด ซึ่งเรียกว่าศักย์ไฟฟ้าสไปก์จากการกลอกตาอย่างรวดเร็ว (saccadic spike potential) ในกราฟสัญญาณดิบ สไปก์เหล่านี้อาจดูคล้ายกับคลื่นไฟฟ้าสมองที่แสดงภาวะลมชักจนทำให้เข้าใจผิดได้ โดยทั่วไปแล้วสัญญาณเหล่านี้จะจำกัดอยู่เฉพาะที่อิเล็กโทรดส่วนหน้าผากและขมับ และเกิดขึ้นพร้อมกันกับการเปลี่ยนทิศทางการมอง

การจำแนกสัญญาณเหล่านี้ได้จะช่วยป้องกันการประเมินทางคลินิกที่ผิดพลาด และหลีกเลี่ยงการตัดข้อมูลการทำงานของระบบประสาทที่ปกติทิ้งไปโดยไม่จำเป็น ความสั้นของสัญญาณสไปก์ ความสัมพันธ์กับการเคลื่อนไหวของดวงตาในแนวนอนหรือแนวตั้ง และการไม่มีคลื่นช้าตามหลัง ล้วนช่วยแยกแยะสัญญาณนี้ออกจากการปลดปล่อยสัญญาณที่แท้จริงของเปลือกสมอง

การทำงานของกล้ามเนื้อ

กล้ามเนื้อหนังศีรษะ ใบหน้า และลำคอเป็นแหล่งกำเนิดสัญญาณรบกวนทางไฟฟ้าความถี่สูงจำนวนมาก เมื่อผู้รับการทดสอบขบกราม ขมวดคิ้ว หรือแม้กระทั่งเกร็งกล้ามเนื้อคอ ศักย์ทำงานของหน่วยยนต์จะส่งสัญญาณอย่างไม่พร้อมเพรียงกันและรวมตัวกันเป็นรูปแบบสัญญาณรบกวนที่แหลมคมและไม่สม่ำเสมอ

ในขอบเขตเวลา สิ่งแปลกปนจากกล้ามเนื้อจะดูเหมือนการปะทุอย่างรวดเร็วของการเบี่ยงเบนของสัญญาณที่คมชัดและมีแอมพลิจูดต่ำซึ่งซ้อนทับอยู่บนคลื่นสัญญาณ EEG โดยมักจะเด่นชัดที่สุดบริเวณอิเล็กโทรดส่วนขมับหรือหน้าผาก ส่วนประกอบความถี่ของสัญญาณนี้ส่วนใหญ่อยู่เหนือ 20 Hz ซึ่งเข้าไปอยู่ในย่านความถี่เบตาและแกมมาที่มีการวัดค่าทางพุทธิปัญญาจำนวนมาก ทำให้เป็นปัญหาอย่างยิ่งสำหรับการติดตามสภาวะจิตใจและการประยุกต์ใช้ส่วนต่อประสานสมองกับคอมพิวเตอร์

การจัดวาง EEG ความหนาแน่นสูงที่มีอิเล็กโทรดเว้นระยะห่างชิดกันสามารถช่วยระบุตำแหน่งแหล่งกำเนิดของกล้ามเนื้อได้ แต่แนวทางป้องกันขั้นแรกคือการแนะนำให้ผู้รับการทดสอบผ่อนคลายและจัดเตรียมที่รองรับศีรษะให้อยู่ในท่าทางที่สบาย

เหงื่อและการเปลี่ยนแปลงทางสภาพนำไฟฟ้าของผิวหนัง

การเปลี่ยนแปลงในการนำไฟฟ้าของผิวหนังอันเนื่องมาจากการทำงานของต่อมเหงื่อจะส่งผลต่อรอยต่อระหว่างอิเล็กโทรดกับผิวหนัง สิ่งนี้นำไปสู่การลอยเลื่อน (drift) ของแรงดันไฟฟ้าเส้นฐานอย่างราบเรียบและช้ามาก โดยมักจะต่ำกว่า 1 Hz ซึ่งอาจกินเวลาเลื่อนไหลไปหลายวินาที

สิ่งแปลกปนนี้จะไม่ปรากฏเป็นสไปก์หรือเสียงฮัมที่มีจังหวะสม่ำเสมอ แต่จะปรากฏเป็นคลื่นกระเพื่อมเบาๆ ตลอดทั้งกราฟสัญญาณ มักพบได้บ่อยที่สุดในระหว่างการบันทึกข้อมูลระยะยาว ในสภาพแวดล้อมที่อบอุ่น หรือกับผู้รับการทดสอบที่มีความวิตกกังวล ปัจจัยรบกวนความถี่ต่ำนี้สามารถจัดการได้โดยการรักษาอุณหภูมิห้องให้คงที่และตรวจสอบให้แน่ใจว่าอิเล็กโทรดสัมผัสกับผิวหนังได้ดี

สัญญาณจากหัวใจ

สนามไฟฟ้าของหัวใจมีพลังแรงพอที่จะแผ่ไปถึงหนังศีรษะได้ โดยเฉพาะอย่างยิ่งเมื่ออิมพีแดนซ์ของอิเล็กโทรดอยู่ในระดับสูง หรือเมื่ออิเล็กโทรดอ้างอิงวางอยู่ใกล้หลอดเลือดเหนือกระดูกกกหูหรือติ่งหู

สิ่งแปลกปนจากคลื่นไฟฟ้าหัวใจที่เกิดขึ้นจะแสดงเป็น QRS-complex ที่คมชัดและสม่ำเสมอ โดยเกิดซ้ำตามอัตราการเต้นของหัวใจ—ประมาณหนึ่งครั้งต่อวินาที มักจะรั่วไหลเข้าไปในหลายช่องสัญญาณพร้อมๆ กันโดยมีช่วงเวลาที่เหลื่อมกันอย่างคงที่ และตัวจำแนกประเภทที่ได้รับการฝึกฝนด้วยคุณลักษณะของสิ่งแปลกปนแบบครอบคลุมทุกย่านความถี่จะสามารถตรวจจับสัญญาณนี้ควบคู่ไปกับสิ่งแปลกปนอื่นๆ ได้

หากมองเห็นรูปคลื่นหัวใจแต่ไม่ถึงกับรบกวนมากเกินไป บ่อยครั้งสามารถหักลบออกได้โดยการบันทึกช่องสัญญาณ ECG โดยเฉพาะ มิฉะนั้น อาจจำเป็นต้องคัดแยกส่วนของสัญญาณที่ได้รับผลกระทบออกด้วยตนเอง

การระบุสิ่งแปลกปนทางเทคนิคในกราฟสัญญาณ

การกระโดดของอิเล็กโทรด (Electrode Pops) และสไปก์ที่เกี่ยวข้องกับการเคลื่อนไหว

การเปลี่ยนแปลงอย่างกะทันหันของค่าอิมพีแดนซ์ที่เกิดจากสะพานเจลแห้ง สายเคเบิลถูกดึง หรืออิเล็กโทรดเลื่อนตำแหน่ง จะสร้างสัญญาณชั่วคราวที่พุ่งชันและฉับพลันซึ่งมักเรียกว่า pop สิ่งนี้จัดอยู่ในหมวดหมู่ "ความไม่ต่อเนื่องทั่วไป (generic discontinuities)" ที่อัลกอริทึมอัตโนมัติเช่น ADJUST ได้รับการออกแบบมาเพื่อตรวจจับและแจ้งเตือน

ในขอบเขตเวลา สัญญาณอิเล็กโทรด pop มักจะดูเหมือนสไปก์เดี่ยวๆ ที่มีแอมพลิจูดสูงมาก ซึ่งอาจทำให้เครื่องขยายสัญญาณอิ่มตัว ส่งผลให้สัญญาณกลายเป็นเส้นตรงไประยะหนึ่งก่อนที่จะค่อยๆ ฟื้นตัวกลับมา ซึ่งแตกต่างจากสไปก์ทางชีววิทยาตรงที่มันไม่ได้ถูกห้อมล้อมด้วยการทำงานทางสรีรวิทยาที่เกิดขึ้นอย่างต่อเนื่อง และมักจะปรากฏในช่องสัญญาณเดียว ทำให้ง่ายต่อการระบุระหว่างการตรวจสอบด้วยสายตา

การศึกษา EEG ในทารกแรกเกิด โดย Hagmann และคณะ ได้บันทึกข้อมูลในทำนองเดียวกันเกี่ยวกับสัญญาณรบกวนจากการเคลื่อนไหวที่เกิดขึ้นบ่อยครั้งซึ่งส่งผลกระทบต่อกราฟสัญญาณแบบผสานรวมแอมพลิจูด (amplitude-integrated trace) โดยเน้นย้ำว่าแม้แต่การรบกวนทางกายภาพเพียงเล็กน้อยก็สามารถสร้างการปนเปื้อนที่วัดค่าได้

สัญญาณรบกวนจากกระแสไฟฟ้าหลัก

การเชื่อมต่อทางประจุไฟฟ้า (capacitive coupling) ของแหล่งจ่ายไฟฟ้าเข้าสู่ระบบบันทึกสัญญาณจะทำให้เกิดเสียง "ฮัม" ต่อเนื่องเป็นจังหวะที่ความถี่ของกระแสไฟฟ้าหลัก—50 Hz ในยุโรปและพื้นที่ส่วนใหญ่ของโลก และ 60 Hz ในอเมริกาเหนือ

ในกราฟสัญญาณ EEG ดิบ สัญญาณรบกวนนี้จะปรากฏเป็นคลื่นไซน์ที่มีเส้นหนาซ้อนทับอยู่ในทุกช่องสัญญาณ โดยมักจะมีแอมพลิจูดที่คงที่ แม้แต่สัญญาณรบกวนจากสายส่งไฟฟ้าเพียงเล็กน้อยก็สามารถบดบังจังหวะการทำงานของสมองที่มีแรงดันไฟฟ้าต่ำได้ และการปรากฏของมันเป็นสัญญาณบ่งชี้ถึงปัญหาเกี่ยวกับอิมพีแดนซ์ของอิเล็กโทรด การป้องกันสัญญาณรบกวน หรือการต่อสายดิน

สิ่งนี้จัดเป็นสิ่งแปลกปนทางเทคนิคอย่างแน่นอน ไม่ใช่การแกว่งตัวของสัญญาณประสาท และความถี่ที่คงที่ของมันทำให้ง่ายต่อการระบุด้วยสายตาหรือด้วยกราฟสเปกตรัมแบบง่ายๆ

อิเล็กโทรดหลวมและการเคลื่อนไหวของสายเคเบิล

เมื่ออิเล็กโทรดไม่ได้ติดแน่นกับหนังศีรษะหรือสายเคเบิลเกิดการแกว่งไประหว่างการบันทึก การรบกวนทางกลจะนำไปสู่ความผันผวนความถี่ต่ำที่ไม่สม่ำเสมอ สิ่งเหล่านี้อาจดูเหมือนการลอยเลื่อนที่ช้าและเอาแน่เอานอนไม่ได้ หรือเป็นการปะทุของคลื่นที่ไม่สม่ำเสมอซึ่งมีแอมพลิจูดสูงในช่องสัญญาณเดียว

ลักษณะที่เกิดขึ้นประปรายและจำกัดอยู่เพียงอิเล็กโทรดเดียวทำให้สามารถแยกสิ่งแปลกปนนี้ออกจากเหตุการณ์ทางสรีรวิทยาที่เกิดขึ้นเป็นวงกว้าง เช่น การกะพริบตาหรือการเกร็งของกล้ามเนื้อได้อย่างรวดเร็ว การบันทึกช่วยจำช่วงเวลาดังกล่าวแบบเรียลไทม์จะช่วยประหยัดเวลาและแรงงานในภายหลังได้อย่างมาก โดยช่วยจำกัดขอบเขตการค้นหาส่วนของข้อมูลที่ไม่ดีให้แคบลง

การป้องกันและการบันทึกข้อมูลสิ่งแปลกปนในระหว่างการบันทึกสัญญาณ

กลยุทธ์การจัดการสิ่งแปลกปนที่มีประสิทธิภาพมากที่สุดเริ่มต้นขึ้นก่อนที่จะมีการบันทึกจุดข้อมูลแรกเป็นเวลานาน

ผู้รับการทดสอบที่ผ่อนคลายจะทำให้เกิดสิ่งแปลกปนจากกล้ามเนื้อและการเคลื่อนไหวของดวงตาน้อยลงอย่างเห็นได้ชัด ดังนั้น ควรให้เวลาในการอธิบายขั้นตอนการทดสอบ จัดเตรียมเก้าอี้ที่นั่งสบายพร้อมที่รองรับศีรษะ และกำหนดจุดโฟกัสสายตาที่นิ่งเพื่อให้ดวงตาลดการกะพริบและการกลอกตาอย่างรวดเร็วที่เกิดขึ้นเอง ขั้นตอนเหล่านี้เป็นพื้นฐานสำคัญมากจนแทบไม่มีการระบุไว้ในรายงานวิจัย แต่ทุกการศึกษาที่รายงานข้อมูลที่สะอาดปราศจากสิ่งรบกวนต่างอาศัยขั้นตอนเหล่านี้โดยนัยทั้งสิ้น

การติดอิเล็กโทรดคือแนวทางป้องกันถัดมา การเตรียมผิวหนังอย่างพิถีพิถัน การใช้เจลนำไฟฟ้าในปริมาณที่เพียงพอ และการจัดระเบียบสายเคเบิลอย่างระมัดระวัง จะช่วยลดทั้งสัญญาณรบกวนจากสภาพแวดล้อมและเสียง pop ที่เกิดจากการเคลื่อนไหว

การศึกษา EEG ในทารกที่กล่าวถึงข้างต้นพบว่าสัญญาณรบกวนทางไฟฟ้าและจากการเคลื่อนไหวเกิดขึ้นด้วยความถี่ใกล้เคียงกัน ซึ่งยืนยันว่าไม่มีสภาพแวดล้อมในการบันทึกใดที่จะรอดพ้นจากปัญหาทางเทคนิคได้อย่างแท้จริง การตรวจสอบค่าอิมพีแดนซ์ทั้งก่อนและหลังการทดสอบ รวมถึงการยึดสายเคเบิลเข้ากับเสื้อผ้าหรือเก้าอี้ จะช่วยขจัดสิ่งแปลกปนที่ป้องกันได้ออกไปได้เป็นจำนวนมาก

สุดท้ายนี้ ให้จดบันทึกสิ่งแปลกปนที่มองเห็นได้อย่างต่อเนื่องระหว่างการบันทึก โดยบันทึกเวลาที่มีการเคลื่อนไหวร่างกายอย่างชัดเจน การไอ หรือการปรับอิเล็กโทรด การบันทึกช่วยจำด้วยตนเองในลักษณะนี้สะท้อนถึงการติดป้ายกำกับโดยผู้เชี่ยวชาญที่ใช้ในการฝึกฝนตัวจำแนกประเภทอัตโนมัติ ซึ่งผู้ประเมินที่เป็นมนุษย์จะทำเครื่องหมายส่วนของสัญญาณไว้เพื่อใช้เป็นข้อมูลความจริงภาคสนาม (ground truth) สำหรับอัลกอริทึมการเรียนรู้ของเครื่อง

การระบุเวลาลงบนกระดาษอย่างง่ายๆ หรือการวางเครื่องหมายระบุเหตุการณ์ในซอฟต์แวร์เก็บข้อมูลจะเปลี่ยนการคาดเดาให้กลายเป็นการบันทึกเอกสารที่สามารถทำซ้ำได้

การคัดทิ้งและการประมาณค่าในช่วงด้วยตนเอง: การทำความสะอาดข้อมูลก่อนการคำนวณ

การตรวจสอบกราฟสัญญาณต่อเนื่องด้วยสายตา

ก่อนที่จะมอบหมายการกำจัดสิ่งแปลกปนให้กับอัลกอริทึมการประมวลผลสัญญาณใดๆ ให้เลื่อนดูกราฟข้อมูลดิบและใช้ลักษณะเฉพาะของรูปคลื่นที่อธิบายไว้ข้างต้นเพื่อระบุช่วงสัญญาณที่มีการปนเปื้อน

มักมีคำแนะนำให้มองหาคลื่นช้าบริเวณหน้าผากซึ่งเป็นลักษณะเฉพาะของการกะพริบตา คลื่นซ่าความถี่สูงของการทำงานของกล้ามเนื้อ สไปก์เดี่ยวๆ ของเสียง pop หรือคลื่นไซน์ต่อเนื่องของสัญญาณรบกวนจากกระแสไฟฟ้าหลัก ขั้นตอนนี้จะฝึกสายตาของคุณให้แยกแยะสิ่งแปลกปนออกจากการทำงานของสมองที่แท้จริง และป้องกันการคัดทิ้งเหตุการณ์ทางประสาทที่มีแอมพลิจูดสูงและเกิดขึ้นได้ยากโดยอัตโนมัติ ซึ่งอาจมีลักษณะผิวเผินคล้ายกับสิ่งแปลกปน

• คลื่นช้าบริเวณหน้าผาก: บ่งชี้ถึงการกะพริบตา

• คลื่นซ่าความถี่สูง: บ่งชี้ถึงการทำงานของกล้ามเนื้อ

• สไปก์เดี่ยวๆ ที่มีแอมพลิจูดสูงมาก: บ่งชี้ถึงการกระโดดของสัญญาณอิเล็กโทรด (electrode pop)

• คลื่นไซน์ต่อเนื่อง: บ่งชี้ถึงสัญญาณรบกวนจากกระแสไฟฟ้าหลัก

การทำเครื่องหมายและการคัดแยกช่วงเวลาที่มีสัญญาณรบกวนออก

เมื่อคุณระบุช่วงข้อมูลที่มีสิ่งแปลกปนปะปนอยู่ได้แล้ว ให้ทำเครื่องหมายเพื่อคัดออก ซึ่งอาจรวมถึงการบันทึกเวลาเริ่มต้นและเวลาสิ้นสุด หรือใช้เครื่องมือทำเครื่องหมายที่มีอยู่ในซอฟต์แวร์วิเคราะห์ EEG

การนำส่วนของสัญญาณที่มีการปนเปื้อนรุนแรงที่สุดออกด้วยตนเองถือเป็นมาตรฐานที่แม้แต่วิธีการอัตโนมัติที่ล้ำสมัยที่สุดก็ยังนำไปต่อยอด ตัวอย่างเช่น ในงานวิจัยที่พัฒนาอัลกอริทึม ADJUST ผู้เชี่ยวชาญได้ติดป้ายกำกับส่วนประกอบต่างๆ ด้วยตนเองถึง 640 องค์ประกอบเพื่อสร้างชุดข้อมูลฝึกฝน และประสิทธิภาพของตัวจำแนกประเภทก็ได้รับการวัดเทียบกับข้อมูลความจริงภาคสนามที่กำหนดขึ้นด้วยตนเองนี้

การกำจัดสิ่งแปลกปนที่เห็นได้ชัดเจนที่สุดด้วยมือจะช่วยลดภาระของอัลกอริทึมในขั้นตอนถัดไป และป้องกันไม่ให้สิ่งแปลกปนเหล่านั้นแพร่กระจายสัญญาณรบกวนไปยังช่องสัญญาณข้างเคียงในระหว่างขั้นตอนการกรองเชิงพื้นที่

การประมาณค่าในช่วงสำหรับช่องสัญญาณที่มีสัญญาณรบกวนอย่างต่อเนื่อง

เมื่ออิเล็กโทรดตัวใดตัวหนึ่งไม่สามารถเชื่อถือได้ตลอดการบันทึกเนื่องจากหน้าสัมผัสหลวม เจลแห้ง หรือความไม่เสถียรทางกล การตัดช่องสัญญาณนั้นออกและสร้างข้อมูลขึ้นใหม่จากอิเล็กโทรดข้างเคียงที่สะอาดจะช่วยรักษามิติข้อมูลโดยรวมไว้ได้

การประมาณค่าในช่วง (interpolation) จะใช้การกระจายตัวของแรงดันไฟฟ้าเชิงพื้นที่ทั่วทั้งหนังศีรษะเพื่อประมาณค่าสิ่งที่ช่องสัญญาณที่มีปัญหานั้นควรจะบันทึกได้ ซึ่งเป็นการแทนที่สิ่งแปลกปนด้วยสัญญาณที่เป็นกลางและสมเหตุสมผลได้อย่างมีประสิทธิภาพ ขั้นตอนนี้ช่วยรักษาชุดข้อมูลให้สมบูรณ์สำหรับการวิเคราะห์เชิงภูมิสัณฐาน (topographical analyses) และหลีกเลี่ยงการสูญเสียข้อมูลที่จะเกิดขึ้นจากการทิ้งช่องสัญญาณนั้นไปทั้งหมด

เหตุใดการทำความสะอาดข้อมูลด้วยตนเองจึงยังคงมีความสำคัญ

แม้แต่ตัวจำแนกประเภทอัตโนมัติที่ซับซ้อนที่สุดก็ยังได้รับประโยชน์จากชุดข้อมูลที่ผ่านการทำความสะอาดเบื้องต้นเพื่อกำจัดสิ่งแปลกปนขนาดใหญ่ ข้อค้นพบจากการศึกษาในทารกแรกเกิดที่ว่าสิ่งแปลกปนกินเวลาถึง 12% ของเวลาในการบันทึกและส่งผลต่อการแปลผลทางคลินิก แสดงให้เห็นว่าการปนเปื้อนที่ไม่ถูกกำจัดออกไปสามารถบิดเบือนข้อสรุปได้อย่างง่ายดายเพียงใด

ดังนั้น การตรวจสอบด้วยตนเองจึงช่วยให้มั่นใจได้ว่าสิ่งแปลกปนที่ใหญ่และชัดเจนที่สุดจะหมดไปก่อนที่ข้อมูลจะเข้าสู่กระบวนการคำนวณที่มีประสิทธิภาพ ซึ่งหากไม่ทำเช่นนั้น สิ่งแปลกปนเหล่านั้นอาจครอบงำความแปรปรวนและทำให้การแยกองค์ประกอบสัญญาณผิดเพี้ยนไปได้ นอกจากนี้ยังช่วยสร้างความคุ้นเคยอย่างลึกซึ้งกับชุดข้อมูลซึ่งไม่มีอัลกอริทึมใดสามารถทำแทนได้

การกำจัดสิ่งแปลกปนแบบอัตโนมัติช่วยสนับสนุนการทำงานด้วยตนเองอย่างไร

การวิเคราะห์องค์ประกอบอิสระ (ICA) ในฐานะเครื่องมือช่วยแยกแยะสัญญาณ

เมื่อตัดส่วนสัญญาณที่แย่ที่สุดออกด้วยตนเองแล้ว ICA สามารถแยกสัญญาณ EEG ที่เหลือออกเป็นองค์ประกอบต้นกำเนิดที่เป็นอิสระจากกันในทางสถิติได้ เทคนิคนี้จะทำการแยกสัญญาณผสมระหว่างสัญญาณสมองและสิ่งแปลกปนที่อิเล็กโทรดบนหนังศีรษะตรวจจับได้ โดยแยกการเคลื่อนไหวของตา การกะพริบตา และการทำงานของกล้ามเนื้อออกเป็นองค์ประกอบที่ชัดเจนตามรูปแบบเชิงพื้นที่และเชิงเวลาเฉพาะตัว

องค์ประกอบที่มีภาพฉายไปข้างหน้าและมีรูปคลื่นที่ตรงกับสัญญาณการกะพริบตาอย่างใกล้ชิดจะสามารถระบุและหักลบออกได้ ทำให้ข้อมูลที่เหลือยังคงความสมบูรณ์ทางสรีรวิทยาของระบบประสาทไว้ จุดแข็งของ ICA อยู่ที่ความสามารถในการจัดการกับแหล่งกำเนิดสิ่งแปลกปนหลายแหล่งที่เกิดขึ้นพร้อมกัน ซึ่งเป็นงานที่การแก้ไขด้วยการถดถอยแบบธรรมดามักจะแก้สัญญาณมากเกินไปหรือน้อยเกินไปบ่อยครั้ง

ความน่าเชื่อถือของตัวจำแนกประเภทสมัยใหม่

ในปัจจุบัน วิธีการอัตโนมัติได้ก้าวหน้าจนมีประสิทธิภาพที่เทียบเคียงได้อย่างใกล้ชิดกับการตัดสินใจของผู้เชี่ยวชาญที่เป็นมนุษย์

ตัวจำแนกประเภทเชิงเส้นที่ไม่ขึ้นกับผู้รับการทดสอบ (subject‑independent linear classifier) ตัวหนึ่ง ซึ่งได้รับการฝึกฝนจากคุณลักษณะ 6 ประการที่ดึงมาจากขอบเขตความถี่ เชิงพื้นที่ และเชิงเวลา สามารถทำค่าความคลาดเคลื่อนกำลังสองเฉลี่ยต่ำกว่า 10% ในชุดข้อมูลเวลาตอบสนอง ซึ่งอยู่ในช่วงของความเห็นที่ไม่ตรงกันระหว่างผู้เชี่ยวชาญที่เป็นมนุษย์สองคน

นอกจากนี้ อัลกอริทึม ADJUST ซึ่งรวมคุณลักษณะเฉพาะของสิ่งแปลกปนทั้งเชิงพื้นที่และเชิงเวลาเข้าด้วยกัน มีความสอดคล้องกับการติดป้ายกำกับด้วยตนเองของผู้เชี่ยวชาญถึง 95.2% ของความแปรปรวนของข้อมูลเมื่อทดสอบกับชุดข้อมูลที่เป็นอิสระโดยสิ้นเชิง และการนำองค์ประกอบที่มีสิ่งแปลกปนออกก็นำไปสู่การสร้างศักย์ไฟฟ้าที่สัมพันธ์กับเหตุการณ์ (event-related potentials) ขึ้นมาใหม่ได้อย่างสะอาดบริสุทธิ์

อีกแนวทางหนึ่งที่ใช้แบบจำลองการถดถอยในตัวเอง (autoregressive models) ร่วมกับซัพพอร์ตเวกเตอร์แมชชีน สามารถจำแนกสิ่งแปลกปนที่เกิดจากผู้รับการทดสอบได้หลายประเภทในกลุ่มบุคคลต่างๆ ด้วยความแม่นยำประมาณ 94%

สำหรับสิ่งแปลกปนจากดวงตาโดยเฉพาะ อัลกอริทึมที่นำข้อมูลจากเครื่องติดตามการเคลื่อนไหวของดวงตา (eye-tracker) มาใช้ในการระบุองค์ประกอบที่เกี่ยวข้องอย่างเป็นกลาง มีประสิทธิภาพเหนือกว่าผู้เชี่ยวชาญที่เป็นมนุษย์ซึ่งต้องพึ่งพาแผนผังภูมิสัณฐานขององค์ประกอบเพียงอย่างเดียวถึงเกือบสองเท่า โดยทำค่าพื้นที่ใต้เส้นโค้ง ROC (AUC) ได้มากกว่า 0.99

ตัวเลขเหล่านี้ไม่ได้เข้ามาแทนที่การทำความสะอาดข้อมูลด้วยตนเอง แต่แสดงให้เห็นว่าในปัจจุบันวงการนี้มีระบบคำนวณที่เชื่อถือได้คอยช่วยเหลือ ซึ่งสามารถรองรับการระบุสัญญาณที่มีปริมาณมากและซ้ำซาก ซึ่งในอดีตต้องทำด้วยมือทั้งหมด

การสร้างสมดุลระหว่างการกำจัดสิ่งแปลกปนกับการรักษาสัญญาณ

การคัดทิ้งสิ่งแปลกปนอย่างหักโหมเกินไปอาจทำให้ข้อมูลของระบบประสาทที่แท้จริงหลุดหายไปด้วยโดยไม่ตั้งใจ ในกระบวนการส่วนต่อประสานสมองกับคอมพิวเตอร์แบบจินตนาการการเคลื่อนไหว (motor imagery BCI) นักวิจัยพบว่าพวกเขาสามารถตัดองค์ประกอบ ICA ที่มีสิ่งแปลกปนมากที่สุดออกได้อย่างปลอดภัยถึง 60% ในขณะที่ยังคงรักษาข้อมูลจำแนกประเภทที่ระบบ BCI ใช้ในการถอดรหัสเจตนาของผู้ใช้ไว้ได้

ข้อค้นพบนี้ตอกย้ำหลักการสำคัญที่ว่า ไม่ใช่ทุกองค์ประกอบที่มีความแปรปรวนของสิ่งแปลกปนจะปราศจากสัญญาณประสาท การตรวจสอบองค์ประกอบที่ถูกเลือกโดยตัวจำแนกประเภทอัตโนมัติด้วยตนเองยังคงเป็นสิ่งที่แนะนำ เพื่อยืนยันว่าเกณฑ์การคัดทิ้งไม่ได้ล่วงล้ำเข้าไปในขอบเขตของการทำงานของสมองที่เป็นประโยชน์

การระบุสิ่งแปลกปนในสัญญาณ EEG อัตโนมัติด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน

แนวทางอัตโนมัติในการระบุสิ่งแปลกปนในสัญญาณ EEG มีความก้าวหน้าอย่างมาก โดยเข้ามาช่วยเสริมเทคนิคการจดจำด้วยตนเองที่อธิบายไว้ข้างต้น งานวิจัยแนวทางหนึ่งมุ่งเน้นไปที่โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ที่สามารถตรวจจับและจำแนกสิ่งแปลกปนได้โดยไม่จำเป็นต้องอาศัยผู้เชี่ยวชาญในการสกัดคุณลักษณะหรือเตรียมข้อมูลสัญญาณดิบล่วงหน้า

การศึกษาโดยนักวิจัยที่ตรวจสอบข้อมูล EEG แบบหลายช่องสัญญาณต่อเนื่องได้นำเสนอสถาปัตยกรรม CNN สำหรับการตรวจจับสิ่งแปลกปนใน EEG แบบสองกลุ่ม (binary detection) จากนั้นจึงขยายผลเพื่อจำแนกสิ่งแปลกปนหลายประเภท ผู้เขียนรายงานว่าโครงข่ายที่ได้รับการปรับให้เหมาะสมของพวกเขาทำความแม่นยำในการจำแนกได้ 94.17% โดยเฉลี่ยจากผู้ป่วย 17 รายและสิ่งแปลกปน 9 ประเภท เมื่อเทียบกับสถาปัตยกรรมที่ใช้ CNN ดั้งเดิม เวอร์ชันที่ปรับให้เหมาะสมนี้ใช้พารามิเตอร์น้อยลง 4.2 เท่า และใช้การคำนวณน้อยลง 2.7 เท่า ควบคู่ไปกับความแม่นยำที่สูงขึ้น 17.5% นอกจากนี้นักวิจัยยังได้ประเมินแบบจำลองของพวกเขากับชุดข้อมูลที่รวบรวมในห้องปฏิบัติการโดยใช้ Emotiv Epoc X headset แบบ 14 ช่องสัญญาณ ซึ่งทำความแม่นยำได้ 93.5% ในการตรวจจับสิ่งแปลกปนจากการกะพริบตา

การศึกษาตั้งข้อสังเกตว่าแบบจำลองที่นำเสนอไม่จำเป็นต้องอาศัยความรู้จากผู้เชี่ยวชาญในการสกัดคุณลักษณะหรือเตรียมข้อมูล EEG ล่วงหน้า และสถาปัตยกรรมดังกล่าวมีประสิทธิภาพเพียงพอที่จะนำไปใช้งานบนอุปกรณ์พกพาได้ สิ่งนี้ชี้ให้เห็นถึงความเป็นไปได้ในการตรวจจับสิ่งแปลกปนแบบเรียลไทม์ในการใช้งานจริงในสภาพแวดล้อมที่มีทรัพยากรจำกัด

สิ่งที่งานวิจัยกลุ่มนี้ยังไม่ได้ข้อสรุปคือ ตัวจำแนกประเภทอัตโนมัติดังกล่าวมีประสิทธิภาพอย่างไรเมื่อต้องเผชิญกับประเภทของสิ่งแปลกปนที่ครบถ้วนทั้งหมดในการบันทึกข้อมูลในโลกความเป็นจริง หรือเมื่อเปรียบเทียบกับการตรวจสอบด้วยตนเองในกลุ่มประชากรและสภาพแวดล้อมการบันทึกที่หลากหลาย ข้อค้นพบนี้ชี้ให้เห็นว่าการระบุสิ่งแปลกปนใน EEG แบบอัตโนมัติที่มีประสิทธิภาพนั้นสามารถทำได้จริง แต่การตรวจสอบความถูกต้องเพิ่มเติมในสภาวะที่กว้างขึ้นยังคงเป็นประเด็นที่ต้องศึกษาค้นคว้าต่อไป

เหตุใดการตระหนักรู้ถึงสิ่งแปลกปนจึงเป็นตัวกำหนดคุณภาพของข้อมูล

สิ่งแปลกปนส่งผลโดยตรงต่อทั้งการแปลผลด้วยสายตาและการวัดเชิงปริมาณ ไม่ว่าเป้าหมายจะเป็นการวินิจฉัยทางคลินิก การค้นพบทางประสาทวิทยาศาสตร์ หรือแอปพลิเคชันเพื่อสุขภาวะสำหรับผู้บริโภค เส้นทางสู่ผลลัพธ์ที่เชื่อถือได้ล้วนต้องผ่านความเข้าใจที่ชัดเจนว่าสิ่งแปลกปนมาจากไหน มีลักษณะอย่างไรในกราฟสัญญาณดิบ รวมถึงกระบวนการที่มีแบบแผนในการป้องกัน บันทึกข้อมูล และคัดแยกสิ่งแปลกปนออกด้วยตนเอง

ระบบอัตโนมัติที่ใช้ ICA สามารถช่วยเร่งขั้นตอนการทำความสะอาดข้อมูลได้ แต่มันจะทำงานได้อย่างมีประสิทธิภาพสูงสุดกับข้อมูลที่ผ่านการตรวจสอบโดยสายตาของผู้เชี่ยวชาญที่ได้รับการฝึกฝนมาแล้ว อัตราการปนเปื้อน 12% อาจฟังดูไม่สูงนัก แต่เมื่อสัดส่วนดังกล่าวสามารถเปลี่ยนการตัดสินใจทางการแพทย์หรือบดบังตัวบ่งชี้ทางชีวภาพทางพุทธิปัญญาที่ละเอียดอ่อนได้ การให้ความสำคัญกับการจัดการสิ่งแปลกปนจึงกลายเป็นสิ่งที่แยกไม่ออกกับความถูกต้องแม่นยำทางวิทยาศาสตร์ของการบันทึกข้อมูล

เอกสารอ้างอิง

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

คำถามที่พบบ่อย

สิ่งแปลกปนในสัญญาณ EEG สองหมวดหมู่หลักคืออะไร และแตกต่างกันอย่างไร?

สิ่งแปลกปนใน EEG แบ่งออกเป็นสองหมวดหมู่ ได้แก่ สิ่งแปลกปนที่เกี่ยวข้องกับผู้รับการทดสอบ (ทางสรีรวิทยา) ซึ่งเกิดจากร่างกายของผู้รับการทดสอบ เช่น การกะพริบตา ความตึงของกล้ามเนื้อ การเต้นของหัวใจ และเหงื่อ และสิ่งแปลกปนทางเทคนิค (ที่ไม่เกี่ยวข้องกับสรีรวิทยา) ซึ่งเกิดจากอุปกรณ์หรือสภาพแวดล้อม เช่น อิเล็กโทรดหลวม สายเคเบิลแกว่ง และสัญญาณรบกวนจากกระแสไฟฟ้าหลัก ความแตกต่างนี้มีความสำคัญเนื่องจากแต่ละหมวดหมู่ต้องใช้กลยุทธ์ในการป้องกันและการกำจัดที่แตกต่างกัน ตัวอย่างเช่น การกระตุกของกล้ามเนื้อจำเป็นต้องใช้วิธีจัดการที่ต่างจากเสียงฮัม 60 Hz ของสายส่งไฟฟ้า

คุณสามารถสังเกตสิ่งแปลกปนจากการกะพริบตาบนกราฟสัญญาณ EEG ได้อย่างไร?

การกะพริบตาจะปรากฏเป็นคลื่นช้าที่เป็นบวกขนาดใหญ่ซึ่งมีความแรงที่สุดบริเวณอิเล็กโทรดส่วนหน้าผาก เช่น Fp1 และ Fp2 และจะค่อยๆ จางหายไปอย่างรวดเร็วเมื่อไปยังช่องสัญญาณส่วนกลางหรือส่วนหลัง เนื่องจากกระจกตามีประจุบวกเมื่อเทียบกับเรตินา การที่เปลือกตากวาดผ่านขั้วคู่นี้จึงสร้างการเบี่ยงเบนของสัญญาณที่มีแอมพลิจูดสูงและมีรูปแบบเฉพาะตัว ซึ่งง่ายต่อการสังเกตหากผ่านการฝึกฝน

เหตุใดการทำงานของกล้ามเนื้อจึงเป็นปัญหาอย่างยิ่งสำหรับส่วนต่อประสานสมองกับคอมพิวเตอร์?

สิ่งแปลกปนจากกล้ามเนื้อที่เกิดจากการขบกราม การขมวดคิ้ว หรือความตึงของคอ จะสร้างสัญญาณรบกวนที่แหลมคมและมีความถี่สูง ซึ่งมักจะทับซ้อนกับย่านคลื่นสมองเบตาและแกมมาที่การวัดค่าทางพุทธิปัญญาและการติดตามสภาวะจิตใจทำงานอยู่ การปนเปื้อนนี้สามารถทำให้การวิเคราะห์ด้วยอัลกอริทึมผิดเพี้ยนและลดทอนประสิทธิภาพของแบบจำลองส่วนต่อประสานสมองกับคอมพิวเตอร์ ทำให้เป็นหนึ่งในสิ่งแปลกปนทางสรีรวิทยาที่จัดการได้ยากที่สุด

สิ่งแปลกปนจากสัญญาณรบกวนของกระแสไฟฟ้าหลักมีลักษณะอย่างไร และเกิดจากอะไร?

สัญญาณรบกวนจากกระแสไฟฟ้าหลักจะปรากฏเป็นเสียง "ฮัม" ของคลื่นไซน์ที่มีจังหวะต่อเนื่องซ้อนทับอยู่ในทุกช่องสัญญาณ EEG โดยปกติจะอยู่ที่ความถี่ 50 หรือ 60 Hz ขึ้นอยู่กับแหล่งจ่ายไฟฟ้าของแต่ละภูมิภาค เกิดจากการเชื่อมต่อทางประจุไฟฟ้าของแหล่งพลังงานเข้าสู่ระบบบันทึกสัญญาณเนื่องจากอิมพีแดนซ์ของอิเล็กโทรดไม่ดี การป้องกันสัญญาณรบกวนไม่เพียงพอ หรือปัญหาการต่อสายดิน และเป็นสิ่งแปลกปนทางเทคนิคอย่างชัดเจนมากกว่าที่จะเป็นสัญญาณประสาท

เหตุใดการบันทึกช่วยจำเกี่ยวกับสิ่งแปลกปนด้วยตนเองระหว่างการบันทึกสัญญาณจึงมีความสำคัญ?

การจดบันทึกการเคลื่อนไหวร่างกายที่เห็นได้ชัด การไอ หรือการปรับอิเล็กโทรดระหว่างการทดสอบอย่างต่อเนื่องจะช่วยจำกัดขอบเขตส่วนของข้อมูลที่ไม่ดีให้แคบลงในภายหลัง และเปลี่ยนการคาดเดาให้กลายเป็นการบันทึกเอกสารที่สามารถทำซ้ำได้ การบันทึกช่วยจำด้วยตนเองนี้ยังสะท้อนถึงการติดป้ายกำกับโดยผู้เชี่ยวชาญที่ใช้ในการฝึกฝนตัวจำแนกประเภทอัตโนมัติ ซึ่งเป็นการให้ข้อมูลความจริงภาคสนามที่ช่วยเพิ่มความน่าเชื่อถือของการทำความสะอาดข้อมูลทั้งด้วยตนเองและการคำนวณ

จุดประสงค์ของการประมาณค่าในช่วงสำหรับช่องสัญญาณ EEG ที่มีสัญญาณรบกวนอย่างต่อเนื่องคืออะไร?

เมื่ออิเล็กโทรดตัวใดตัวหนึ่งไม่สามารถเชื่อถือได้ตลอดการบันทึกเนื่องจากหน้าสัมผัสหลวมหรือเจลแห้ง การประมาณค่าในช่วงจะสร้างข้อมูลของช่องสัญญาณนั้นขึ้นมาใหม่จากอิเล็กโทรดข้างเคียงที่สะอาด โดยใช้การกระจายตัวของแรงดันไฟฟ้าเชิงพื้นที่ทั่วทั้งหนังศีรษะ สิ่งนี้จะช่วยรักษามิติโดยรวมของชุดข้อมูลไว้สำหรับการวิเคราะห์เชิงภูมิสัณฐาน เพื่อหลีกเลี่ยงการสูญเสียข้อมูลที่จะเกิดขึ้นหากทิ้งช่องสัญญาณนั้นไปทั้งหมด

การวิเคราะห์องค์ประกอบอิสระ (ICA) ช่วยในการกำจัดสิ่งแปลกปนได้อย่างไร?

ICA จะแยกสัญญาณ EEG ที่ผสมกันอยู่ออกเป็นองค์ประกอบต้นกำเนิดที่เป็นอิสระจากกันในทางสถิติ โดยแยกการกะพริบตา การทำงานของกล้ามเนื้อ และสิ่งแปลกปนอื่นๆ ตามรูปแบบเชิงพื้นที่และเชิงเวลาเฉพาะตัว เมื่อระบุได้แล้ว องค์ประกอบของสิ่งแปลกปน—เช่น องค์ประกอบที่มีการฉายสัญญาณไปข้างหน้าซึ่งตรงกับการกะพริบตา—จะสามารถหักลบออกได้ ทำให้สัญญาณประสาทที่อยู่เบื้องหลังยังคงสมบูรณ์เป็นส่วนใหญ่ และจัดการกับแหล่งกำเนิดสิ่งแปลกปนหลายแหล่งที่เกิดขึ้นพร้อมกันได้อย่างมีประสิทธิภาพมากกว่าวิธีการถดถอยแบบธรรมดา

ความเสี่ยงของการกำจัดสิ่งแปลกปนแบบอัตโนมัติที่หักโหมเกินไปคืออะไร?

การคัดทิ้งอย่างหักโหมเกินไปอาจทำให้ข้อมูลของระบบประสาทที่แท้จริงหลุดหายไปด้วยโดยไม่ตั้งใจ เนื่องจากบางองค์ประกอบมีทั้งความแปรปรวนของสิ่งแปลกปนและการทำงานของสมองที่เป็นประโยชน์ปะปนกันอยู่ แม้ว่าตัวจำแนกประเภทอัตโนมัติจะแจ้งเตือนองค์ประกอบต่างๆ เป็นจำนวนมาก แต่การตรวจสอบด้วยตนเองว่าควรนำองค์ประกอบใดออกยังคงเป็นสิ่งที่แนะนำ เพื่อให้แน่ใจว่าเกณฑ์การคัดทิ้งไม่ได้ตัดสัญญาณที่จำเป็นสำหรับการถอดรหัสเจตนาของผู้ใช้หรือการตรวจจับตัวบ่งชี้ทางชีวภาพทางพุทธิปัญญาออกไป

เหตุใดการตระหนักรู้ถึงสิ่งแปลกปนจึงส่งผลโดยตรงต่อความถูกต้องแม่นยำทางวิทยาศาสตร์ของการบันทึกสัญญาณ EEG?

สิ่งแปลกปนสามารถแฝงตัวเป็นรูปคลื่นที่มีพยาธิสภาพหรือสร้างความแปรปรวนที่บิดเบือนทั้งการแปลผลด้วยสายตาและการวิเคราะห์เชิงปริมาณ ซึ่งอาจเปลี่ยนแปลงการจำแนกประเภททางคลินิกหรือบดบังคลื่นสัญญาณทางพุทธิปัญญาที่ละเอียดอ่อนได้ กระบวนการที่มีแบบแผนในการป้องกัน บันทึกเอกสาร และทำความสะอาดสิ่งแปลกปนด้วยตนเองจึงเป็นสิ่งสำคัญอย่างยิ่งก่อนที่จะเข้าสู่กระบวนการคำนวณใดๆ เพื่อให้มั่นใจได้ว่าข้อสรุปที่ได้จากข้อมูลมีความน่าเชื่อถือและไม่ถูกทำให้ผิดเพี้ยนจากการปนเปื้อน