ข้อมูล EEG ให้บันทึกการทำงานของกระแสไฟฟ้าที่วัดจากหนังศีรษะที่ไวต่อเวลา คุณค่าของข้อมูลนี้ไม่ได้ขึ้นอยู่กับตัวบันทึกเพียงอย่างเดียว แต่ยังขึ้นอยู่กับการจัดเก็บข้อมูลที่รอบคอบ การประมวลผลที่โปร่งใส การจัดเก็บที่เหมาะสม และการตีความที่รับผิดชอบ
ข้อมูล EEG คืออะไร?
ข้อมูล EEG คือบันทึกดิจิทัลของความต่างศักย์ไฟฟ้าที่วัดโดยอิเล็กโทรดที่วางอยู่บนหรือใกล้กับหนังศีรษะ การตรวจคลื่นไฟฟ้าสมอง (Electroencephalography) เป็นวิธีที่ไม่รุกล้ำและให้ความละเอียดทางเวลาสูง ช่วยให้นักวิจัยและแพทย์สามารถตรวจสอบการเปลี่ยนแปลงของการทำงานของสมองในระดับมิลลิวินาทีได้ โดยสัญญาณที่ได้มักจะถูกจัดเก็บเป็นอนุกรมเวลาต่อเนื่องอย่างน้อยหนึ่งชุด ซึ่งแต่ละช่องสัญญาณจะแสดงถึงค่าที่วัดได้เทียบกับจุดอ้างอิง
สัญญาณดังกล่าวสะท้อนถึงการรวมกันของหลายแหล่งที่มา กิจกรรมของระบบประสาทมีส่วนต่อการบันทึกสัญญาณ แต่ สิ่งแปลกปน (artifacts) เช่น การเคลื่อนไหวของดวงตา การหดตัวของกล้ามเนื้อ การเคลื่อนไหวของอิเล็กโทรด สัญญาณรบกวนจากสิ่งแวดล้อม และการเปลี่ยนแปลงในการสัมผัส ก็สามารถปรากฏในเส้นสัญญาณได้เช่นกัน
ด้วยเหตุนี้ ข้อมูล EEG จึงไม่ใช่การอ่านค่าโดยตรงของกระบวนการทางสมองเพียงกระบวนการเดียว แต่เป็นการสังเกตที่ต้องอาศัยบริบท การตรวจสอบคุณภาพ และวิธีการวิเคราะห์ที่ชัดเจน
จำนวนช่องสัญญาณ อัตราการสุ่มตัวอย่าง จุดอ้างอิง ตำแหน่งอิเล็กโทรด เครื่องหมายระบุเหตุการณ์ (event markers) และข้อมูลของผู้เข้าร่วม ล้วนส่งผลต่อการตีความข้อมูล ในทางปฏิบัติ การบันทึกสัญญาณจะให้ข้อมูลที่เป็นประโยชน์มากที่สุดเมื่อพิจารณาสัญญาณควบคู่ไปกับงานที่ทำ สภาวะ ช่วงเวลา และสภาวะแวดล้อมในการเก็บข้อมูล
เซลล์สมองสร้างสัญญาณ EEG ได้อย่างไร
การเบี่ยงเบนของแรงดันไฟฟ้าที่อิเล็กโทรด EEG ตรวจจับได้นั้น ไม่ได้มาจากแอกชันโพเทนเชียล (action potentials) ที่รวดเร็วและเกิดขึ้นแบบทั้งหมดหรือไม่เกิดเลย (all-or-nothing) ซึ่งเซลล์ประสาทใช้สำหรับการสื่อสารระยะไกล แต่มาจากโพสต์ไซแนปติกโพเทนเชียล (postsynaptic potentials) แบบค่อยเป็นค่อยไปและช้ากว่า ซึ่งแพร่กระจายไปตามเดนไดรต์ของเซลล์พีระมิดในเปลือกสมอง
เมื่อเซลล์ประสาทเหล่านี้นับพันตัวทำงานประสานกันโดยประมาณ กระแสไฟฟ้านอกเซลล์ขนาดเล็กๆ ของพวกมันจะรวมตัวกันผ่านตัวกลางนำไฟฟ้าของสมอง น้ำเลี้ยงสมองและไขสันหลัง กะโหลกศีรษะ และหนังศีรษะ ซึ่งเป็นกระบวนการที่เรียกว่าการนำกระแสผ่านปริมาตร (volume conduction) แรงดันไฟฟ้าที่ไปถึงเซนเซอร์บันทึกสัญญาณในท้ายที่สุดจึงเป็นภาพสะท้อนที่พร่ามัวแต่แท้จริงของการทำงานประสานกันของระบบประสาทขนาดใหญ่นั้น
การจัดเก็บข้อมูล EEG ทำงานอย่างไร
ในระหว่างการจัดเก็บข้อมูล อิเล็กโทรดจะตรวจจับความผันผวนของแรงดันไฟฟ้าขนาดเล็ก และระบบบันทึกจะแปลงสัญญาณเหล่านี้เป็นตัวอย่างดิจิทัล โดยทั่วไปแล้วระบบจะบันทึกหลายช่องสัญญาณพร้อมกัน ในขณะที่จุด อ้างอิง และสายดินจะให้บริบททางไฟฟ้าที่จำเป็นต่อการคำนวณค่าของแต่ละช่องสัญญาณ อัตราการสุ่มตัวอย่างเป็นตัวกำหนดความถี่ในการวัดสัญญาณ และกำหนดว่าการเปลี่ยนแปลงใดบ้างที่จะสามารถแสดงได้อย่างเที่ยงตรง
ก่อนทำการบันทึก ช่างเทคนิคหรือนักวิจัยจะวางตำแหน่งอิเล็กโทรดตามแบบแผนการจัดวาง (montage) ที่กำหนดไว้และตรวจสอบคุณภาพการสัมผัส กรอบการทำงานของ การวางตำแหน่งอิเล็กโทรด EEG จะอธิบายถึงแนวทางที่เป็นมาตรฐานซึ่งรองรับการเปรียบเทียบข้ามเซสชันและห้องปฏิบัติการ อาจมีการเพิ่มเครื่องหมายระบุเหตุการณ์เมื่อมีสิ่งเร้าปรากฏขึ้น ผู้เข้าร่วมมีการตอบสนอง หรือเกิดเหตุการณ์ทางคลินิกขึ้น ซึ่งจะสร้างไทม์ไลน์ที่สามารถนำไปปรับให้ตรงกับสัญญาณที่บันทึกไว้ในภายหลังได้
การจัดเก็บข้อมูลยังขึ้นอยู่กับโพรโทคอลอีกด้วย การบันทึกสภาวะพัก (resting-state) การศึกษาระหว่างการนอนหลับ การทดสอบการรู้คิด และการติดตามอาการชัก จะใช้ระยะเวลา คำแนะนำ และเซนเซอร์เสริมที่แตกต่างกัน ดังนั้นชุดข้อมูลที่สมบูรณ์จึงประกอบด้วยมากกว่าเส้นสัญญาณแรงดันไฟฟ้า ซึ่งอาจรวมถึงป้ายกำกับช่องสัญญาณ ตำแหน่งอิเล็กโทรด การตั้งค่าอุปกรณ์ รหัสเหตุการณ์ คำอธิบายประกอบ และบันทึกการหยุดชะงักหรือสภาวะที่ผิดปกติ
แนวปฏิบัติที่ดีที่สุดสำหรับการเก็บรวบรวมข้อมูล EEG
การเก็บข้อมูลที่ดีเริ่มต้นด้วยโพรโทคอลที่กำหนดคำถามการวิจัย ระยะเวลาการบันทึก การกำหนดค่าช่องสัญญาณ อัตราการสุ่มตัวอย่าง จุดอ้างอิง และขั้นตอนการทำเครื่องหมายเหตุการณ์ก่อนที่จะทำการทดสอบผู้เข้าร่วม ความสม่ำเสมอจะช่วยลดความแปรปรวนที่ไม่พึงประสงค์ระหว่างเซสชันและทำให้การเปรียบเทียบในภายหลังมีความน่าเชื่อถือมากขึ้น โพรโทคอลควรอธิบายด้วยว่าต้องทำอย่างไรเมื่อช่องสัญญาณมีสัญญาณรบกวน ผู้เข้าร่วมขยับตัว หรือเครื่องหมายเหตุการณ์ตกหล่น
การเตรียมการทางกายภาพก็มีความสำคัญอย่างยิ่งเช่นกัน เนื่องจากคุณภาพของสัญญาณอาจลดลงได้จากการเคลื่อนไหวทั่วไปและการสัมผัสของอิเล็กโทรดที่ไม่ดี ด้วยเหตุนี้ ผู้ปฏิบัติงานจึงมักตรวจสอบความต้านทานไฟฟ้า (impedance) หรือตัวบ่งชี้การสัมผัสที่เทียบเท่า อธิบายงานให้ชัดเจน และบันทึกการเปลี่ยนแปลงที่เกี่ยวข้องในสภาวะของผู้เข้าร่วม ขั้นตอนเหล่านี้ไม่ได้กำจัดสิ่งแปลกปนทั้งหมด แต่ช่วยให้ระบุแหล่งที่มาของมันได้ง่ายขึ้น และป้องกันไม่ให้นำปัญหาที่หลีกเลี่ยงได้ไปเข้าใจผิดว่าเป็นผลการค้นพบทางระบบประสาท
รายการตรวจสอบการเก็บข้อมูลสั้นๆ สามารถช่วยให้เห็นรายละเอียดการปฏิบัติงานได้อย่างชัดเจนโดยไม่เข้ามาแทนที่การตัดสินใจทางวิทยาศาสตร์:
ยืนยันป้ายกำกับช่องสัญญาณ ตำแหน่งอิเล็กโทรด จุดอ้างอิง และสายดิน
บันทึกการตั้งค่าการสุ่มตัวอย่าง การตั้งค่าตัวกรอง และการกำหนดค่าอุปกรณ์
ทำเครื่องหมายสิ่งเร้า การตอบสนอง การหยุดพัก และเหตุการณ์ที่เกี่ยวข้องทางคลินิกอย่างสม่ำเสมอ
บันทึกการหยุดชะงัก การเคลื่อนไหว การเปลี่ยนแปลงของอิเล็กโทรด และสภาวะที่ผิดปกติของผู้เข้าร่วม
หลังจากการเก็บข้อมูล ควรใช้รายการตรวจสอบควบคู่ไปกับการตรวจสอบการบันทึกข้อมูลดิบและข้อมูลเมทาดาตา บันทึกการจัดเก็บข้อมูลที่ชัดเจน จะช่วยให้นักวิเคราะห์สามารถแยกแยะคุณลักษณะของสัญญาณที่แท้จริงออกจากการเปลี่ยนแปลงที่เกิดจากฮาร์ดแวร์ การติดตั้ง หรือความคลาดเคลื่อนของโพรโทคอลได้
อิเล็กโทรดแบบเปียกเทียบกับแบบแห้ง และคุณภาพการสัมผัสผิวหนัง
การบันทึก EEG ทั้งหมดเริ่มต้นด้วยเซนเซอร์ทางกายภาพที่สัมผัสกับผิวหนัง และเซนเซอร์นั้นแบ่งออกเป็นสองกลุ่มใหญ่ๆ
อิเล็กโทรดแบบเปียกจะใช้เจลหรือเพสต์นำไฟฟ้าเพื่อเชื่อมช่องว่างระหว่างโลหะกับหนังศีรษะ ซึ่งจะช่วยลดความต้านทานไฟฟ้า อิเล็กโทรดแบบแห้งจะไม่ใช้เจล โดยอาศัยวัสดุขั้นสูงและวงจรขยายสัญญาณเบื้องต้น (preamplification) ในตัวเพื่อรักษาความเที่ยงตรงของสัญญาณ
อิเล็กโทรดบางตัวเป็นแบบแอกทีฟ (active) ซึ่งหมายความว่ามีวงจรแปลงความต้านทานไฟฟ้าอยู่ที่จุดบันทึกโดยตรง ส่วนอิเล็กโทรดแบบพาสซีฟ (passive) จะไม่มีวงจรอิเล็กทรอนิกส์ในตัว ไม่ว่าจะเป็นประเภทใด คุณภาพของส่วนต่อประสานระหว่างอิเล็กโทรดกับหนังศีรษะจะเป็นตัวกำหนดว่าสัญญาณทางชีวภาพจะหลงเหลืออยู่มากเพียงใดก่อนที่จะไปถึงเครื่องขยายสัญญาณ
การสัมผัสที่ไม่ดีจะนำไปสู่สัญญาณรบกวนจากสิ่งแวดล้อมและสิ่งแปลกปนจากการเคลื่อนไหว ซึ่งสามารถกลบการทำงานของสมองที่แผ่วเบาได้ Winkler และคณะ ได้อธิบายถึงความท้าทายนี้อย่างชัดเจนเมื่อพวกเขาจัดการกับปัญหาสากลขององค์ประกอบแหล่งกำเนิดสิ่งแปลกปน โดยการสร้างตัวจำแนกที่ไม่ขึ้นกับตัวบุคคลสำหรับองค์ประกอบ การวิเคราะห์องค์ประกอบอิสระ (ICA)
การมีอยู่ของความพยายามดังกล่าวยิ่งตอกย้ำว่าการปนเปื้อนของสิ่งแปลกปนเป็นปัญหาเรื้อรังในการบันทึก EEG และการติดตั้งอิเล็กโทรดในเบื้องต้น—การทำความสะอาดผิวหนัง การวางตำแหน่งเซนเซอร์อย่างถูกต้อง และการตรวจสอบการเชื่อมต่อที่เสถียร—เป็นวิธีแรกและตรงไปตรงมาที่สุดในการลดภาระของสิ่งแปลกปนที่การประมวลผลในภายหลังต้องจัดการ
การออกแบบมอนทาจและระบบมาตรฐาน 10–20
เนื่องจากศักย์ไฟฟ้าบนหนังศีรษะไม่มีการระบุตำแหน่งเชิงพื้นที่โดยเนื้อแท้ วงการนี้จึงได้นำพิกัดกริดมาใช้เป็นเวลานานแล้ว ระบบมาตรฐานสากล 10–20 กำหนดตำแหน่งอิเล็กโทรดตามสัดส่วนระหว่างจุดสังเกตทางกายวิภาคสี่จุด ได้แก่ แนสิออน (nasion หรือดั้งจมูก), อินิออน (inion หรือปุ่มกระดูกท้ายทอย), และจุดหน้าใบหูด้านซ้ายและขวา มาตรฐานนี้หมายความว่าช่องสัญญาณที่ระบุว่า "Cz" จะอ้างอิงถึงตำแหน่งกึ่งกลางกระหม่อมเดียวกันในทุกห้องปฏิบัติการ ทำให้ชุดข้อมูลสามารถเปรียบเทียบกันได้โดยตรง
มอนทาจ (montage) ซึ่งหมายถึงข้อกำหนดว่าแรงดันไฟฟ้าของแต่ละอิเล็กโทรดจะถูกวัดเทียบกับจุดอ้างอิงอย่างไร และการแปลงค่าแบบ สองขั้ว (bipolar) หรือแบบอ้างอิงเหล่านั้นจะแสดงผลหรือจัดเก็บอย่างไร จะถูกวางทับอยู่บนรูปแบบทางกายภาพนั้น การศึกษาของ Arnaud Delorme เป็นตัวอย่างที่ชัดเจนว่าเหตุใดข้อมูลมอนทาจที่ถูกต้องจึงมีความสำคัญต่อขั้นตอนต่อไป โดยพบว่าการประมาณค่าช่องสัญญาณที่ไม่ดี (bad-channel interpolation) ซึ่งเป็นหนึ่งในไม่กี่ขั้นตอนของการประมวลผลล่วงหน้าที่ช่วยปรับปรุงพลังทางสถิติของศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (event-related potentials) ได้อย่างสม่ำเสมอ จำเป็นต้องทราบตำแหน่งข้างเคียงเชิงพื้นที่ที่แม่นยำของแต่ละอิเล็กโทรด หากไม่มีแผนผังช่องสัญญาณที่ถูกต้อง การประมาณค่าดังกล่าวก็จะไม่สามารถทำงานได้อย่างน่าเชื่อถือ
นอกจากนี้เขายังเสริมว่า ตัวจำแนกสิ่งแปลกปนได้รับการออกแบบมาเพื่อให้ใช้ได้กับข้อมูลที่มีการตั้งค่าช่องสัญญาณที่แตกต่างกัน ซึ่งตอกย้ำว่าคุณลักษณะเชิงพื้นที่ของตัวจำแนกตั้งอยู่บนพื้นฐานของการจัดวางที่มีการบันทึกไว้อย่างดี ดังนั้น มอนทาจที่เป็นมาตรฐานและมีการบันทึกไว้อย่างเที่ยงตรงจึงกลายเป็นโครงสร้างเบื้องหลังที่รองรับทั้งการตีความของมนุษย์และการนำไปใช้ซ้ำในเชิงอัลกอริทึม
การเลือกและการบันทึกจุดอ้างอิงขณะบันทึกสัญญาณ (Online Reference)
เครื่องขยายสัญญาณ EEG ทุกเครื่องจะบันทึกความต่างศักย์ไฟฟ้าระหว่างจุดสองจุด ในระหว่างการบันทึกสัญญาณแบบออนไลน์ จุดหนึ่งในนั้นคืออิเล็กโทรดอ้างอิงทางกายภาพที่ฮาร์ดแวร์ใช้เป็นค่าพื้นฐานคงที่
ตัวเลือกทั่วไป ได้แก่ จุดกึ่งกลางกระหม่อม (Cz), ติ่งหูหรือปุ่มกกหูที่เชื่อมถึงกัน, หรือค่าเฉลี่ยของทุกช่องสัญญาณบนหนังศีรษะ เนื่องจากไฟล์ข้อมูลดิบจะจัดเก็บแรงดันไฟฟ้าที่สัมพันธ์กับจุดอ้างอิงเดิมนั้น การเลือกนี้จึงทิ้งร่องรอยไว้อย่างถาวรบนตัวเลข แม้ว่าในภายหลังนักวิจัยจะคำนวณเปลี่ยนจุดอ้างอิงของสัญญาณใหม่ไปยังจุดร่วมอื่นในทางคณิตศาสตร์ก็ตาม
ในการศึกษาที่กล่าวถึงข้างต้นโดย Delorme ซึ่งได้ทดสอบกระบวนการประมวลผลล่วงหน้าแบบอัตโนมัติกับชุดข้อมูล EEG สาธารณะสามชุด เขาพบว่าการอ้างอิงและการนำค่าพื้นฐานขั้นสูงออกนั้นส่งผลเสียต่อประสิทธิภาพการทำงานอย่างมีนัยสำคัญ โดยลดเปอร์เซ็นต์ของช่องสัญญาณที่แสดงผลการทดลองที่มีนัยสำคัญ
ผลการวิจัยดังกล่าวไม่ได้หมายความว่าห้ามเปลี่ยนจุดอ้างอิงใหม่โดยเด็ดขาด แต่หมายความว่าจะต้องบันทึกจุดอ้างอิงออนไลน์เริ่มต้นไว้ในส่วนหัวของไฟล์ (file header) บันทึกนี้เท่านั้นที่จะช่วยให้นักวิเคราะห์ในอนาคตเข้าใจว่าค่าพื้นฐานใดถูกลบออกไปตั้งแต่แรก และประเมินได้ว่าการแปลงสัญญาณในภายหลังจะบิดเบือนการตอบสนองของสมองที่แท้จริงหรือไม่
การแปลงสัญญาณแอนะล็อกเป็นดิจิทัลและอัตราการสุ่มตัวอย่าง
แรงดันไฟฟ้าแบบต่อเนื่องที่ไหลมาจากอิเล็กโทรดแต่ละตัวจะถูกแปลงเป็นชุดตัวเลขแบบไม่ต่อเนื่องโดยตัวแปลงแอนะล็อกเป็นดิจิทัล (ADC) อัตราที่ ADC สุ่มตัวอย่างจะเป็นตัวกำหนดความละเอียดทางเวลาของอนุกรมเวลาที่ได้
ตัวอย่างเช่น อัตราการสุ่มตัวอย่าง 500 Hz หมายความว่าสภาวะทางไฟฟ้าของสมองจะถูกบันทึกทุกๆ 2 มิลลิวินาที ตามทฤษฎีบทของไนควิสต์ (Nyquist theorem) ความถี่สูงสุดที่สามารถแสดงได้อย่างเที่ยงตรงในสัญญาณดิจิทัลจะน้อยกว่าครึ่งหนึ่งของอัตราการสุ่มตัวอย่าง ดังนั้นการบันทึกที่ 500 Hz จึงสามารถกู้คืนความถี่ได้สูงสุดไม่เกิน 250 Hz เล็กน้อย EEG เกรดการวิจัย มักจะทำงานระหว่าง 250 Hz ถึง 1000 Hz ขึ้นอยู่กับย่านความถี่ที่สนใจ
สิ่งที่ทำให้อัตราการสุ่มตัวอย่างมีความสำคัญเป็นพิเศษในฐานะข้อมูลเมทาดาตาคือ มันจะจำกัดทางเลือกในการวิเคราะห์ในขั้นตอนถัดไปอย่างเงียบๆ Fraschini และคณะ ได้ตรวจสอบผลกระทบต่อเนื่องนี้โดยการทดสอบว่าความยาวของช่วงข้อมูล (epoch length)—ซึ่งเป็นหน้าต่างเวลาของข้อมูลที่ดึงมาสำหรับการวิเคราะห์การเชื่อมต่อ—ส่งผลต่อผลลัพธ์อย่างไร
การศึกษาโดยใช้ EEG ในสภาวะพักจากผู้ใหญ่ที่มีสุขภาพดีแสดงให้เห็นว่า ค่าดัชนี phase-lag เฉลี่ยและค่าสหสัมพันธ์ amplitude-envelope ลดลงทั้งคู่เมื่อช่วงข้อมูลยาวขึ้น โดยจะเริ่มคงที่หลังจากผ่านไปประมาณ 12 วินาทีและ 6 วินาทีตามลำดับ แม้กระทั่งทอพอลอยีของเครือข่ายเชิงทฤษฎีกราฟที่สร้างขึ้นใหม่จากข้อมูลก็ยังแตกต่างกันไปตามระยะเวลาของช่วงข้อมูล แม้ว่าพารามิเตอร์ minimum spanning tree ในระดับแหล่งกำเนิดจะมีความเสถียรมากกว่าก็ตาม
ข้อสรุปที่สำคัญสำหรับการจัดทำเอกสารข้อมูลดิบคือ จำนวนตัวอย่างต่อวินาทีจะกำหนดขีดจำกัดขั้นต่ำที่สุดในการแบ่งช่วงเวลา หากบันทึกอัตราการสุ่มตัวอย่างไม่ถูกต้อง เครื่องหมายเหตุการณ์ ขอบเขตช่วงข้อมูล และการประมาณการเชื่อมต่อที่ตามมาทั้งหมดจะสืบทอดข้อผิดพลาดนั้นไปด้วย ดังนั้น การระบุอัตรา ADC ที่แน่นอนในส่วนหัวของไฟล์จึงเป็นขั้นตอนพื้นฐานที่ละเลยไม่ได้
รูปแบบการจัดเก็บข้อมูลมาตรฐาน: EDF และ BrainVision
เมื่อถูกแปลงเป็นดิจิทัลแล้ว อนุกรมเวลาและข้อมูลเมทาดาตาที่เกี่ยวข้องจะต้องอยู่ในรูปแบบไฟล์ที่ซอฟต์แวร์อื่นๆ และห้องปฏิบัติการอื่นๆ สามารถเปิดได้โดยไม่คลุมเครือ
มีรูปแบบเปิดสองรูปแบบที่ได้รับความนิยมอย่างแพร่หลายในสาขานี้ รูปแบบ European Data Format (EDF) เป็นรูปแบบคอนเทนเนอร์ขนาดกะทัดรัดที่นำมาใช้อย่างกว้างขวางในการวิจัยการนอนหลับและการตั้งค่าทางคลินิก ซึ่งจัดเก็บหลายช่องสัญญาณควบคู่ไปกับส่วนหัวที่ระบุอัตราการสุ่มตัวอย่าง ป้ายกำกับช่องสัญญาณ และมิติทางกายภาพ
BrainVision ซึ่งเป็นรูปแบบที่พัฒนาโดย Brain Products จะกระจายข้อมูลเดียวกันนี้ไปยังสามไฟล์ที่เชื่อมโยงกัน ได้แก่ ส่วนหัวข้อความ (.vhdr) ที่แสดงรายชื่อช่องสัญญาณ อัตราการสุ่มตัวอย่าง และการอ้างอิงเดิม, ไฟล์เครื่องหมาย (.vmrk) ที่บันทึกรหัสเหตุการณ์และระยะเวลาการเกิด (latencies), และไฟล์ข้อมูลไบนารี (.eeg) ที่เก็บตัวอย่างแรงดันไฟฟ้าดิบ
คุณค่าของรูปแบบมาตรฐานเหล่านี้จะเห็นได้ชัดเจนเมื่อมีการแชร์ชุดข้อมูลขนาดใหญ่ต่อสาธารณะ ตัวอย่างเช่น ใน การศึกษาปี 2019 นักวิจัยได้เผยแพร่ชุดข้อมูล ส่วนต่อประสานสมองกับคอมพิวเตอร์ (BCI) แบบหลายกระบวนทัศน์ ซึ่งครอบคลุมจินตภาพการเคลื่อนไหว ศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ และศักย์ไฟฟ้าสมองสัมพันธ์กับสิ่งเร้าทางสายตาความถี่คงที่ จากผู้เข้าร่วม 54 คน การแจกจ่ายทรัพยากรดังกล่าวพร้อมสคริปต์การวิเคราะห์แบบโอเพนซอร์สจะไม่มีความหมายเลยหากข้อมูลถูกล็อกอยู่ในรูปแบบที่เป็นกรรมสิทธิ์
ไม่ว่าไฟล์จะถูกเก็บถาวรในรูปแบบ EDF หรือ BrainVision ทางเลือกนี้รับประกันได้ว่านักวิจัยทุกคนสามารถดาวน์โหลดบันทึกและทำซ้ำผลการวิจัยได้ ซึ่งเชื่อมโยงเส้นสัญญาณดิบเข้ากับห่วงโซ่การทำซ้ำของชุมชนวิทยาศาสตร์ทั้งหมด
คุณลักษณะ | EDF | BrainVision |
|---|---|---|
โครงสร้างไฟล์ | คอนเทนเนอร์เดี่ยว | สามไฟล์ที่เชื่อมโยงกัน |
ข้อมูลส่วนหัว | อยู่ภายในไฟล์ | ไฟล์ข้อความ .vhdr |
เครื่องหมายระบุเหตุการณ์ | ไม่แยกจากกัน | ไฟล์ .vmrk |
ข้อมูลดิบ | อยู่ในไฟล์เดียวกัน | ไฟล์ไบนารี .eeg |
การจัดการข้อมูลที่จำเป็น: แผนผังช่องสัญญาณและข้อมูลเมทาดาตาการสุ่มตัวอย่าง
ไฟล์ EEG ดิบจะสามารถนำไปใช้ทางวิทยาศาสตร์ได้ก็ต่อเมื่อมีคำอธิบายที่สมบูรณ์และแม่นยำเกี่ยวกับโครงสร้างเชิงพื้นที่และเชิงเวลา ซึ่งหมายความว่าทุกช่องสัญญาณจะต้องมีป้ายกำกับมาตรฐาน (เช่น Fz, C3, O2 เป็นต้น) พร้อมด้วยพิกัดสามมิติบนหนังศีรษะ พิกัดเหล่านั้นจะช่วยให้การวิเคราะห์ในภายหลังที่เกี่ยวข้องกับความสัมพันธ์เชิงพื้นที่สามารถทำได้ เช่น การประมาณค่าช่องสัญญาณที่ไม่ดีจากช่องข้างเคียง หรือ การฉายสัญญาณ ไปยังแบบจำลองแหล่งกำเนิดในเปลือกสมอง
การศึกษาโดย Fraschini และคณะ อาศัยคุณลักษณะเชิงพื้นที่ สเปกตรัม และเวลาในการจำแนกองค์ประกอบ ICA ว่าเป็นสัญญาณสมองหรือสิ่งแปลกปน ซึ่งทอพอกราฟีเชิงพื้นที่ขององค์ประกอบจะไม่มีความหมายเลยหากไม่ทราบตำแหน่งทางกายภาพของแต่ละอิเล็กโทรดที่มีส่วนทำให้เกิดองค์ประกอบนั้น
ในทำนองเดียวกัน Delorme พบว่าการประมาณค่าช่องสัญญาณที่ไม่ดี ซึ่งใช้ค่าจากอิเล็กโทรดที่อยู่ติดกัน เป็นหนึ่งในการแก้ไขเพียงไม่กี่วิธีที่รักษาผลการทดลองไว้ได้อย่างน่าเชื่อถือ ตัวประมาณค่าจะสามารถคาดเดาเชิงพื้นที่ได้ก็ต่อเมื่อแผนผังช่องสัญญาณของชุดข้อมูลนั้นถูกต้อง
ส่วนหัวของไฟล์จะต้องจัดเก็บอัตราการสุ่มตัวอย่างที่แม่นยำ วันที่ทำการบันทึก และป้ายกำกับที่ชัดเจนสำหรับช่องสัญญาณเสริมใดๆ เช่น การตรวจคลื่นไฟฟ้าของตา (การเคลื่อนไหวของดวงตา) หรือการตรวจคลื่นไฟฟ้าของกล้ามเนื้อ (การทำงานของกล้ามเนื้อ) แม้ว่าช่องสัญญาณเหล่านั้นจะไม่ได้ถูกใช้งานในระหว่างการสำรวจข้อมูลเบื้องต้น แต่ก็ควรมีความโปร่งใสเกี่ยวกับช่องสัญญาณเหล่านี้ ความไม่ตรงกันระหว่างอัตราการสุ่มตัวอย่างที่จัดเก็บไว้กับสัญญาณนาฬิกาของ ADC จริงสามารถทำให้จังหวะเวลาบิดเบือนไปอย่างไม่สามารถแก้ไขได้ ทำให้ไม่สามารถจัดแนวให้ตรงกับเครื่องหมายสิ่งเร้าได้ในภายหลัง
ข้อมูล EEG ในการตั้งค่าทางคลินิกเทียบกับการวิจัย
การบันทึกข้อมูลทางคลินิกและการวิจัยมีหลักการสำคัญร่วมกันแต่วัตถุประสงค์เฉพาะหน้าแตกต่างกัน EEG ทางคลินิกจัดเก็บขึ้นเพื่อสนับสนุนการประเมินผู้ป่วย การติดตาม หรือการวินิจฉัยภายใต้ขั้นตอนทางวิชาชีพและสถาบันที่กำหนดไว้ ส่วน EEG ทางการวิจัยมักจะเก็บรวบรวมเพื่อทดสอบสมมติฐานที่กำหนดขึ้น เปรียบเทียบสภาวะต่างๆ หรือพัฒนาวิธีการวิเคราะห์ โดยมีโพรโทคอลและเอกสารเฉพาะสำหรับการศึกษานั้นๆ
งานทางคลินิกให้ความสำคัญอย่างยิ่งต่อการตรวจสอบที่ทันท่วงที มอนทาจที่มีความหมายทางคลินิก การตีความที่ผ่านการตรวจสอบความถูกต้อง และการบันทึกถาวรภายในระบบการดูแลที่เกี่ยวข้อง การวิจัยให้ความสำคัญมากกว่าในเรื่องของสภาวะที่มีการควบคุม ผลลัพธ์ที่ระบุไว้ล่วงหน้า ความสามารถในการทำซ้ำ และการจัดการข้อยกเว้นอย่างโปร่งใส ผลการวิจัยไม่ได้เป็นข้อค้นพบทางคลินิกโดยอัตโนมัติ และข้อสังเกตทางคลินิกก็ไม่ได้เป็นการวัดผลการวิจัยที่ผ่านการตรวจสอบความถูกต้องโดยอัตโนมัติเช่นกัน
ความแตกต่างนี้ยังส่งผลต่อการกำกับดูแลข้อมูลด้วย ข้อมูลทางคลินิกอาจอยู่ภายใต้ข้อกำหนดด้านเวชระเบียนและข้อกำหนดในการดูแลรักษาโดยตรง ในขณะที่ชุดข้อมูลการวิจัยจะถูกกำหนดโดยข้อความในใบยินยอม การตรวจสอบของสถาบัน แผนการแชร์ข้อมูล และจุดสิ้นสุดของการศึกษา ในทั้งสองบริบท การตีความโดยผู้เชี่ยวชาญและการจัดทำเอกสารอย่างรอบคอบเป็นสิ่งจำเป็น เนื่องจากรูปแบบ EEG ขึ้นอยู่กับบริบทมากกว่าค่าตัวเลขเดี่ยวๆ
ข้อพิจารณาด้านความเป็นส่วนตัวและจริยธรรมสำหรับข้อมูล EEG
การบันทึก EEG สามารถเชื่อมโยงไปยังบุคคลได้ผ่านตัวระบุ ข้อมูลเซสชัน บริบททางคลินิก หรือการรวมกันของข้อมูลเมทาดาตา แม้ว่ารูปคลื่นสัญญาณจะยากต่อการตีความภายนอกบริบทของผู้เชี่ยวชาญ แต่ก็ควรได้รับการจัดการในฐานะข้อมูลกลุ่มตัวอย่างมนุษย์ที่มีความละเอียดอ่อนเมื่อเชื่อมโยงกับผู้เข้าร่วมที่สามารถระบุตัวตนได้ การเก็บรวบรวมและการนำไปใช้ซ้ำควรสอดคล้องกับโพรโทคอลที่ได้รับอนุมัติและข้อกำหนดด้านความเป็นส่วนตัวที่เกี่ยวข้อง
ความยินยอมควรอธิบายถึงวัตถุประสงค์ของการบันทึก ประเภทของการวิเคราะห์ที่คาดการณ์ไว้ ระยะเวลาในการจัดเก็บ การแชร์ข้อมูลที่อาจเกิดขึ้น และอนุญาตให้ใช้ในอนาคตหรือไม่ นักวิจัยควรหลีกเลี่ยงการทำให้เข้าใจผิดว่า EEG สามารถเปิดเผยได้มากกว่าสิ่งที่การศึกษาได้รับการออกแบบมาเพื่อวัด การสื่อสารที่ชัดเจนมีความสำคัญอย่างยิ่งเมื่อผู้เข้าร่วมอาจสันนิษฐานว่าการบันทึกเพื่อการวิจัยนั้นเป็นการวินิจฉัยหรือการประเมินเฉพาะบุคคล
แนวปฏิบัติด้านจริยธรรมยังคงดำเนินต่อไปหลังจากการเก็บรวบรวม การปกปิดข้อมูลระบุตัวตน (de-identification) การควบคุมการเข้าถึง การจำกัดระยะเวลาการเก็บรักษา การตรวจสอบย้อนกลับ และการเปิดเผยข้อมูลเมทาดาตาอย่างรอบคอบจะช่วยลดความเสี่ยง แต่ไม่มีวิธีใดที่จะขจัดความเสี่ยงได้ทั้งหมด ควรรายงานผลการวิจัยโดยไม่กล่าวอ้างเกินจริงถึงความหมายเชิงการทำนายหรือการวินิจฉัย และการจำแนกประเภทแบบอัตโนมัติควรได้รับการพิจารณาว่าเป็นผลลัพธ์เชิงวิเคราะห์ที่ต้องมีการตรวจสอบความถูกต้องอย่างเหมาะสม แทนที่จะเป็นการตัดสินที่ไม่อาจโต้แย้งได้เกี่ยวกับบุคคล
เหตุใดคุณภาพการบันทึกข้อมูลดิบจึงเป็นรากฐานสำหรับการวิเคราะห์ EEG ที่น่าเชื่อถือ
เซสชัน EEG เพียงครั้งเดียวคือช่วงเวลาที่โครงสร้างทางไฟฟ้าของสมองถูกบันทึกไว้ในรูปแบบถาวร และความซับซ้อนของเส้นสัญญาณดิบนั้นก็สะท้อนถึงเครือข่ายประสาทใต้หนังศีรษะอยู่แล้ว การศึกษาทางด้าน ประสาทวิทยาศาสตร์ ที่เน้นย้ำในที่นี้สื่อสารข้อความเดียวกันคือ สัญญาณที่น่าสนใจนั้นอยู่ในตัวข้อมูลดิบเอง หากขั้นตอนการจัดเก็บข้อมูลได้รับการจัดการอย่างระมัดระวัง คุณภาพการสัมผัสของอิเล็กโทรด แผนผังช่องสัญญาณที่แม่นยำ จุดอ้างอิงและอัตราการสุ่มตัวอย่างที่มีการบันทึกไว้ และรูปแบบการจัดเก็บแบบเปิด ล้วนเป็นตัวกำหนดว่าสัญญาณนั้นจะยังคงเข้าถึงได้ในห้องปฏิบัติการต่างๆ และในอีกหลายปีข้างหน้าหรือไม่
ประการสุดท้าย การจำกัดการปรับแต่งมักจะให้ผลดีกว่าการประมวลผลอย่างหนัก เนื่องจากนักวิจัยที่ปล่อยข้อมูลดิบไว้เป็นส่วนใหญ่สามารถรักษาการตอบสนองของสมองที่แท้จริงได้ดีกว่าผู้ที่ใช้การแก้ไขอย่างรุนแรง การบันทึกอย่างระมัดระวัง ข้อมูลเมทาดาตาที่ซื่อตรง และการรบกวนสัญญาณให้น้อยที่สุด ถือเป็นวินัยที่ช่วยรักษาความสมบูรณ์ของสัญญาณทางวิทยาศาสตร์ไว้
ดังนั้น การวิเคราะห์ที่น่าเชื่อถือทุกครั้งจึงไม่ได้เริ่มต้นด้วยอัลกอริทึมที่ซับซ้อน แต่เริ่มต้นด้วยการกระทำง่ายๆ ในการบันทึกเส้นสัญญาณที่เที่ยงตรงและมีการจัดทำเอกสารไว้อย่างดี
การจัดการสิ่งแปลกปนและการปรับปรุงคุณภาพสัญญาณในข้อมูล EEG
การจำแนกสิ่งแปลกปนโดยใช้ CNN ที่มีประสิทธิภาพ
การปนเปื้อนของสิ่งแปลกปนยังคงเป็นความท้าทายหลักในการวิเคราะห์ข้อมูล EEG และการระบุตัวตนแบบอัตโนมัติสามารถช่วยปรับกระบวนการเตรียมข้อมูลล่วงหน้าให้มีประสิทธิภาพขึ้นได้ การศึกษาหนึ่งได้เสนอสถาปัตยกรรม การจำแนกสิ่งแปลกปนโดยใช้ CNN ซึ่งไม่จำเป็นต้องมีการสกัดคุณลักษณะด้วยตนเอง นักวิจัยได้ออกแบบโมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ห้าโมเดล และปรับให้เหมาะสมเพื่อประสิทธิภาพของพารามิเตอร์และการคำนวณ
เครือข่ายที่มีประสิทธิภาพดีที่สุดของพวกเขามีความแม่นยำในการจำแนกประเภทถึง 94.17% จากผู้เข้าร่วม 17 คนและสิ่งแปลกปนเก้าคลาส เมื่อทดสอบกับชุดข้อมูลแยกต่างหากที่เก็บรวบรวมด้วย headset Emotiv Epoc X แบบ 14 ช่องสัญญาณ โมเดลสามารถตรวจจับสิ่งแปลกปนจากการกะพริบตาได้ด้วยความแม่นยำ 93.5% ซึ่งชี้ให้เห็นว่าเครือข่ายที่มีน้ำหนักเบาและเหมาะสำหรับอุปกรณ์เคลื่อนที่สามารถระบุสารปนเปื้อนทั่วไปในการบันทึกหลายช่องสัญญาณต่อเนื่องได้อย่างน่าเชื่อถือ
ชุดข้อมูล EEG สิ่งแปลกปนจากการเคลื่อนไหวแบบสาธารณะ
EEG แบบสวมใส่ได้มีความอ่อนไหวต่อสิ่งแปลกปนจากการเคลื่อนไหวเป็นพิเศษ ทว่าชุดข้อมูลเปิดที่บันทึกการรบกวนเหล่านี้ยังมีอยู่น้อย เพื่อแก้ไขช่องว่างนี้ นักวิจัยจึงได้เผยแพร่ ชุดข้อมูล EEG สิ่งแปลกปนจากการเคลื่อนไหว ที่บันทึกด้วย headset Emotiv Epoc X และซอฟต์แวร์ EmotivPRO
ผู้เข้าร่วมที่มีสุขภาพดีรายเดียวได้ทำท่าทางการเคลื่อนไหวร่างกายส่วนบน ร่างกายส่วนล่าง และทั้งตัวตามลำดับ—รวมถึงการกะพริบตา การส่ายหัว การพูด การเดิน และการนั่งลง—ในขณะที่มีการจัดเก็บสัญญาณ EEG 14 ช่องและสัญญาณเซนเซอร์จับการเคลื่อนไหวเก้าช่อง ผู้เขียนได้จัดเตรียมข้อมูลในรูปแบบ CSV และ MATLAB เพื่อสร้างทรัพยากรสำหรับการทดสอบอัลกอริทึมการลดสัญญาณรบกวนภายใต้สภาวะการเคลื่อนไหวที่สมจริง
การสกัดจังหวะร่วมจาก EEG หลายช่องสัญญาณ
นอกเหนือจากการกำจัดสิ่งแปลกปนแล้ว การปรับปรุงอัตราส่วนสัญญาณต่อสัญญาณรบกวนของจังหวะสมองร่วมในหลายช่องสัญญาณสามารถช่วยให้การวิเคราะห์ในภายหลังมีความเฉียบคมยิ่งขึ้น การศึกษาโดยใช้ headset Emotiv Epoc X ได้เปรียบเทียบการวิเคราะห์องค์ประกอบหลัก (PCA) กับ วิธีการสกัดจังหวะร่วม โดยอิงตามการบิดของโคซัมบี-ฮิลเบิร์ต (Kosambi-Hilbert torsion หรือ KHT)
แนวทาง KHT จะพิจารณาความต่างเฟสระหว่างช่องสัญญาณและมุ่งเน้นไปที่ย่านความถี่เฉพาะ ในการบันทึกขณะหลับตาและระหว่างที่หน้าจอกะพริบด้วยความถี่ 15 Hz วิธี KHT ให้อัตราส่วนสัญญาณต่อสัญญาณรบกวนสำหรับสัญญาณร่วมที่สูงกว่า PCA โดยเฉพาะอย่างยิ่งเมื่อมีการเปลี่ยนแปลงเวลาแบบสุ่มในแต่ละช่องสัญญาณ ผลการวิจัยชี้ให้เห็นถึงคุณค่าของวิธีซิงโครไนซ์เฟสในการแยกกิจกรรมการแกว่งร่วมในข้อมูล EEG ระดับผู้บริโภค
การศึกษาเหล่านี้ร่วมกันแสดงให้เห็นถึงทิศทางในทางปฏิบัติสำหรับการจัดการสิ่งแปลกปนและการปรับปรุงคุณภาพสัญญาณในข้อมูล EEG พวกเขาแสดงให้เห็นว่าโมเดลการเรียนรู้เชิงลึกที่มีประสิทธิภาพสามารถจำแนกสารปนเปื้อนทั่วไปได้ ชุดข้อมูลที่สร้างขึ้นเพื่อวัตถุประสงค์เฉพาะสามารถสนับสนุนการพัฒนาอัลกอริทึมสำหรับการบันทึกที่ถูกรบกวนจากการเคลื่อนไหว และการประมวลผลสัญญาณที่คำนึงถึงเฟสสามารถเสริมสร้างจังหวะร่วมได้ งานวิจัยนี้อิงจากกลุ่มตัวอย่างขนาดเล็กและสภาวะที่มีการควบคุม ดังนั้นความแม่นยำและการปรับปรุงที่รายงานจึงควรได้รับการตีความว่าเป็นเรื่องที่น่าพึงพอใจ แต่ยังไม่สามารถนำไปใช้สรุปครอบคลุมกับประชากรทั้งหมดหรือสภาพแวดล้อมการบันทึกทั้งหมดได้
เอกสารอ้างอิง
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
Delorme, A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
Fraschini, M., Demuru, M., Crobe, A., Marrosu, F., Stam, C. J., & Hillebrand, A. (2016). The effect of epoch length on estimated EEG functional connectivity and brain network organisation. Journal of neural engineering, 13(3), 036015.
Lee, M. H., Kwon, O. Y., Kim, Y. J., Kim, H. K., Lee, Y. E., Williamson, J., ... & Lee, S. W. (2019). EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience, 8(5), giz002. https://doi.org/10.1093/gigascience/giz002
คำถามที่พบบ่อย
การบันทึก EEG ตรวจจับอะไรกันแน่ และเหตุใดจึงถือเป็นภาพสะท้อนของการทำงานของสมอง?
การบันทึก EEG จะตรวจจับความผันผวนของแรงดันไฟฟ้าขนาดเล็กที่หนังศีรษะซึ่งเกิดจากการทำงานพร้อมกันของกลุ่มเซลล์ประสาทในเปลือกสมองขนาดใหญ่ ความผันผวนเหล่านี้ส่วนใหญ่มาจากโพสต์ไซแนปติกโพเทนเชียลแบบค่อยเป็นค่อยไปในเซลล์พีระมิด ซึ่งรวมตัวกันผ่านการนำกระแสผ่านปริมาตร ทำให้เกิดการวัดการทำงานประสานกันของระบบประสาทขนาดใหญ่ที่พร่ามัวแต่แท้จริง
เหตุใดสัญญาณ EEG จึงมาจากโพสต์ไซแนปติกโพเทนเชียลมากกว่าแอกชันโพเทนเชียล?
แอกชันโพเทนเชียลเป็นเหตุการณ์ที่สั้นและเกิดขึ้นแบบทั้งหมดหรือไม่เกิดเลย ซึ่งมีส่วนทำให้เกิดแรงดันไฟฟ้าที่หนังศีรษะเพียงเล็กน้อย ในขณะที่โพสต์ไซแนปติกโพเทนเชียลที่ช้ากว่าและค่อยเป็นค่อยไปจะแพร่กระจายไปตามเดนไดรต์และรวมตัวกันข้ามเซลล์ประสาทหลายพันตัว การรวมตัวกันนี้ทำให้เกิดการเบี่ยงเบนของแรงดันไฟฟ้าที่ตรวจจับได้ที่หนังศีรษะ ทำให้โพสต์ไซแนปติกโพเทนเชียลเป็นแหล่งที่มาหลักของสัญญาณ EEG
ความแตกต่างระหว่างอิเล็กโทรดแบบเปียกและแบบแห้งคืออะไร และคุณภาพการสัมผัสของอิเล็กโทรดส่งผลต่อการบันทึกอย่างไร?
อิเล็กโทรดแบบเปียกใช้เจลนำไฟฟ้าเพื่อลดความต้านทานไฟฟ้าและปรับปรุงการส่งสัญญาณ ในขณะที่อิเล็กโทรดแบบแห้งจะอาศัยวัสดุขั้นสูงและวงจรขยายสัญญาณเบื้องต้นในตัวเพื่อรักษาความเที่ยงตรงโดยไม่ต้องใช้เจล คุณภาพของส่วนต่อประสานระหว่างอิเล็กโทรดกับผิวหนังมีความสำคัญอย่างยิ่ง เนื่องจากสัมผัสที่ไม่ดีจะนำไปสู่สัญญาณรบกวนจากสิ่งแวดล้อมและสิ่งแปลกปนจากการเคลื่อนไหว ซึ่งสามารถกลบสัญญาณสมองที่แผ่วเบาได้
ระบบ 10–20 สากลกำหนดมาตรฐานการวางตำแหน่งอิเล็กโทรดอย่างไร และเหตุใดจึงมีความสำคัญ?
ระบบ 10–20 กำหนดตำแหน่งของอิเล็กโทรดตามสัดส่วนระหว่างจุดสังเกตทางกายวิภาคสี่จุด ได้แก่ แนสิออน, อินิออน, และจุดหน้าใบหูด้านซ้ายและขวา เพื่อให้ช่องสัญญาณที่มีป้ายกำกับ เช่น "Cz" อ้างอิงถึงตำแหน่งเดียวกันในทุกห้องปฏิบัติการ การกำหนดมาตรฐานนี้ทำให้มั่นใจได้ว่าชุดข้อมูลจะสามารถเปรียบเทียบกันได้โดยตรง และช่วยให้สามารถวิเคราะห์เชิงพื้นที่ได้อย่างแม่นยำ เช่น การประมาณค่าช่องสัญญาณที่ไม่ดี
เหตุใดจึงจำเป็นต้องบันทึกอิเล็กโทรดอ้างอิงออนไลน์ที่ใช้ระหว่างการบันทึก EEG?
ไฟล์ข้อมูลดิบจะจัดเก็บแรงดันไฟฟ้าที่สัมพันธ์กับจุดอ้างอิงออนไลน์ ดังนั้นการเลือกจุดอ้างอิง (เช่น Cz, ติ่งหูที่เชื่อมถึงกัน หรือค่าเฉลี่ย) จึงประทับร่องรอยตัวเลขไว้อย่างถาวร แม้ว่าจะเปลี่ยนจุดอ้างอิงใหม่ในภายหลังก็ตาม หากไม่มีการบันทึกจุดอ้างอิงเดิม นักวิเคราะห์ในอนาคตจะไม่สามารถเข้าใจค่าพื้นฐานที่ถูกลบออกไป หรือประเมินว่าการแปลงสัญญาณในภายหลังจะบิดเบือนการตอบสนองของสมองที่แท้จริงหรือไม่
อัตราการสุ่มตัวอย่างมีบทบาทอย่างไรในการบันทึก EEG และทฤษฎีบทของไนควิสต์นำมาประยุกต์ใช้อย่างไร?
อัตราการสุ่มตัวอย่างจะเป็นตัวกำหนดความละเอียดทางเวลาของสัญญาณดิจิทัล โดยทฤษฎีบทของไนควิสต์ระบุว่า ความถี่สูงสุดที่แสดงได้อย่างเที่ยงตรงจะน้อยกว่าครึ่งหนึ่งของอัตราการสุ่มตัวอย่าง ตัวอย่างเช่น อัตราการสุ่มตัวอย่าง 500 Hz สามารถกู้คืนความถี่ได้สูงสุดไม่เกิน 250 Hz เล็กน้อย และ EEG ระดับการวิจัยมักจะทำงานระหว่าง 250 ถึง 1000 Hz อัตราการสุ่มตัวอย่างที่แม่นยำมีความสำคัญอย่างยิ่งเนื่องจากจะจำกัดการวิเคราะห์ที่เกี่ยวข้องกับเวลาทั้งหมดในขั้นตอนถัดไป
รูปแบบข้อมูลเปิดที่ได้รับความนิยมสองรูปแบบสำหรับ EEG คืออะไร และจัดเก็บอะไรบ้าง?
European Data Format (EDF) เป็นรูปแบบคอนเทนเนอร์ขนาดกะทัดรัดที่จัดเก็บหลายช่องสัญญาณพร้อมส่วนหัวที่ระบุอัตราการสุ่มตัวอย่าง ป้ายกำกับช่องสัญญาณ และมิติทางกายภาพ BrainVision กระจายข้อมูลไปยังสามไฟล์ที่เชื่อมโยงกัน ได้แก่ ส่วนหัว (.vhdr), ไฟล์เครื่องหมาย (.vmrk), และไฟล์ข้อมูลไบนารี (.eeg) ซึ่งทั้งหมดนี้ช่วยให้มั่นใจได้ว่าการแชร์และการทำซ้ำจะไม่มีความคลุมเครือ
เหตุใดแผนผังช่องสัญญาณที่สมบูรณ์และพิกัดเชิงพื้นที่จึงจำเป็นสำหรับไฟล์ EEG ดิบ?
แผนผังช่องสัญญาณที่มีป้ายกำกับมาตรฐานและพิกัด 3 มิติช่วยให้สามารถวิเคราะห์เชิงพื้นที่ได้ เช่น การประมาณค่าช่องสัญญาณที่ไม่ดีจากช่องข้างเคียง หรือการฉายสัญญาณไปยังแบบจำลองแหล่งกำเนิดในเปลือกสมอง ตัวอย่างเช่น ตัวจำแนกสิ่งแปลกปนต้องอาศัยทอพอกราฟีเชิงพื้นที่ และการประมาณค่าจำเป็นต้องทราบตำแหน่งอิเล็กโทรดที่แน่นอน หากไม่มีสิ่งนี้ การวิเคราะห์ดังกล่าวจะล้มเหลว
ข้อมูลเมทาดาตาที่จำเป็นใดบ้างที่ต้องบันทึกไว้ในส่วนหัวของไฟล์ EEG และเหตุใดจึงต้องบันทึก?
ส่วนหัวต้องระบุอัตราการสุ่มตัวอย่างที่แม่นยำ วันที่บันทึก ป้ายกำกับช่องสัญญาณพร้อมพิกัด 3 มิติ และป้ายกำกับที่ชัดเจนสำหรับช่องสัญญาณเสริม เช่น EOG หรือ EMG ข้อมูลนี้มีความสำคัญอย่างยิ่งเนื่องจากอัตราการสุ่มตัวอย่างที่ไม่ถูกต้องอาจทำให้จังหวะเวลาบิดเบือนไปอย่างไม่สามารถแก้ไขได้ และแผนผังช่องสัญญาณที่ถูกต้องก็จำเป็นสำหรับการประมาณค่าเชิงพื้นที่และการสร้างแบบจำลองแหล่งกำเนิด
เหตุใด EEG จึงมีประโยชน์สำหรับการวิจัย?
EEG ให้ข้อมูลทางเวลาที่ละเอียดมาก ทำให้มีประโยชน์สำหรับการศึกษาการตอบสนองที่สัมพันธ์กับเหตุการณ์ จังหวะที่ดำเนินอยู่ การนอนหลับ สมาธิ การประมวลผลทางประสาทสัมผัส และปรากฏการณ์อื่นๆ ที่ไวต่อเวลา การตีความข้อมูลยังคงขึ้นอยู่กับการออกแบบการทดลองและคุณภาพของสัญญาณ
สิ่งแปลกปนทั่วไปใน EEG มีอะไรบ้าง?
สิ่งแปลกปนทั่วไป ได้แก่ การกะพริบตา การเคลื่อนไหวของดวงตา การทำงานของกล้ามเนื้อ การเคลื่อนไหวของอิเล็กโทรด การสัมผัสที่ไม่ดี การขยับของสายสัญญาณ และสัญญาณรบกวนทางไฟฟ้า สิ่งเหล่านี้อาจส่งผลกระทบต่อช่องสัญญาณเดียวหรือหลายช่องสัญญาณ และสามารถทับซ้อนกับความถี่ที่น่าสนใจทางวิทยาศาสตร์ได้
การประมวลผลล่วงหน้า (preprocessing) ในการวิเคราะห์ EEG คืออะไร?
การประมวลผลล่วงหน้าคือชุดการดำเนินการที่มีการจัดทำเป็นเอกสารซึ่งใช้ในการเตรียมบันทึกข้อมูลสำหรับการวิเคราะห์ ซึ่งอาจรวมถึงการกรองสัญญาณ การเปลี่ยนจุดอ้างอิง การจัดการช่องสัญญาณที่ไม่ดี การระบุสิ่งแปลกปน การแบ่งช่วงข้อมูล (epoching) การแก้ไขค่าพื้นฐาน และการควบคุมคุณภาพ
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
ข้อจำกัดความรับผิดชอบทางการแพทย์: ข้อมูลที่ให้ไว้บนเว็บไซต์นี้มีวัตถุประสงค์เพื่อการศึกษาและการให้ข้อมูลเท่านั้น และไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการแพทย์หรือสุขภาพ เนื้อหานี้อาจมีข้อผิดพลาดและไม่ควรนำมาใช้ในการตัดสินใจเลือกแนวทางชีวิต สุขภาพ หรือการรักษาทางการแพทย์ที่เปลี่ยนชีวิต โปรดขอคำแนะนำจากแพทย์หรือผู้ให้บริการด้านสุขภาพที่มีคุณสมบัติเหมาะสมเสมอ หากมีคำถามใดๆ ที่คุณอาจมีเกี่ยวกับอาการเจ็บป่วยหรือการรักษา
คริสเตียน บูร์โกส




