การประมวลผลสัญญาณ

การประมวลผลสัญญาณคืออะไร?

สาขาวิชาการประมวลผลสัญญาณครอบคลุมถึงการแปลง การวิเคราะห์ และการตีความเหตุการณ์ทางกายภาพในฐานะข้อมูลที่วัดได้ จากการใช้กรอบการทำงานทางคณิตศาสตร์เพื่อจับกลุ่มข้อมูลอันต่อเนื่อง นักวิจัยจะสามารถกรองสัญญาณรบกวนรอบข้างออกไปได้อย่างมีประสิทธิภาพ และมุ่งเน้นไปที่พารามิเตอร์ที่เป็นที่สนใจในเบื้องต้นแทน

วิธีวิทยานี้เป็นหัวใจสำคัญของการสอบถามทางวิทยาศาสตร์ยุคใหม่ในหลากหลายสาขา ซึ่งรวมถึงการศึกษาการทำงานทางชีวภาพอันซับซ้อนของมนุษย์ด้วย

วิธีการกำหนดการประมวลผลสัญญาณดิจิทัล

การประมวลผลสัญญาณดิจิทัลหมายถึงการนำการคำนวณแบบเวลาไม่ต่อเนื่อง (Discrete-time computation) ไปประยุกต์ใช้กับสัญญาณที่ได้รับการแปลงมาจากสถานะแอนะล็อกดั้งเดิม

การปรับปรุงนี้เกิดขึ้นโดยใช้ตัวประมวลผลและอัลกอริทึมเฉพาะที่ออกแบบมาเพื่อให้จัดการกับภาระงานการคำนวณได้อย่างมีประสิทธิภาพ นักวิทยาศาสตร์ใช้แนวทางนี้ในการคัดแยกสัญญาณทางชีวภาพ ซึ่งมีความสำคัญอย่างยิ่งต่อสาขาที่เกี่ยวข้องกับประสาทวิทยาศาสตร์ที่ความถูกต้องสมบูรณ์ของข้อมูลเป็นสิ่งสำคัญยิ่งต่อความแม่นยำของการวิจัย

เป้าหมายหลักของการประมวลผลสัญญาณ

เป้าหมายสูงสุดของการประมวลผลสัญญาณคือการดึงข้อมูลที่มีความหมายออกมาให้ได้มากที่สุดจากข้อมูลที่วัดได้ ในขณะเดียวกันก็ลดผลกระทบจากสัญญาณรบกวนให้เหลือน้อยที่สุด จากการปรับปรุงอัตราส่วนสัญญาณต่อสัญญาณรบกวนให้เหมาะสมที่สุด ทำให้นักวิจัยสามารถเซฟจุดข้อมูลที่เชื่อถือได้กลับคืนมา ซึ่งหากไม่ทำเช่นนั้น จุดข้อมูลเหล่านั้นก็อาจถูกบดบังไป

วัตถุประสงค์นี้เป็นตัวขับเคลื่อนการพัฒนาเครื่องมือวินิจฉัยที่ซับซ้อนซึ่งนำมาใช้ในการปฏิบัติการ EEG ยุคใหม่

ประเภทของการประมวลผลสัญญาณ

การประมวลผลสัญญาณสามารถแบ่งออกเป็นประเภทกว้างๆ ตามธรรมชาติของสัญญาณอินพุตและวิธีวิทยาที่ใช้ในการจัดแจงสัญญาณนั้น โลกทางกายภาพดำรงอยู่ในสถานะที่ต่อเนื่อง ในขณะที่อุปกรณ์อิเล็กทรอนิกส์มักจะพึ่งพากลุ่มข้อมูลแบบควอนไทซ์ (Quantized chunks of data) ในการทำงาน

การจำแนกประเภทเหล่านี้มีความสำคัญอย่างยิ่งต่อการเลือกมุมมองทางคณิตศาสตร์ที่เหมาะสมสำหรับชุดการทดลองใดๆ

การประมวลผลสัญญาณแบบแอนะล็อก vs. ดิจิทัล

ระบบแอนะล็อกจัดแจงรูปคลื่นไฟฟ้าที่ต่อเนื่องโดยตรงผ่านส่วนประกอบของวงจร โดยรักษาความเที่ยงตรงในระดับสูงโดยไม่มีภาระส่วนเกินจากกระบวนการควอนไทเซชัน แม้ว่าระบบแอนะล็อกจะตอบสนองโดยฉับพลัน แต่ระบบเหล่านี้ยังขาดความยืดหยุ่นและความสามารถในการโปรแกรมซึ่งเป็นคุณลักษณะเด่นของโครงสร้างแบบดิจิทัล

เนื่องจากโพรโทคอลมาตรฐานของระบบ 10-20 ได้เปลี่ยนผ่านไป การประมวลผลแบบดิจิทัลจึงกลายมาเป็นมาตรฐานหลักสำหรับการรักษาข้อมูลให้สามารถเปรียบเทียบกันได้ในสภาพแวดล้อมการวิจัยต่างๆ

การประมวลผลสัญญาณดิจิทัลคืออะไร? ระบบเชิงเส้น vs. ระบบที่ไม่เป็นเชิงเส้น

การประมวลผลสัญญาณดิจิทัลใช้อัลกอริทึมในการปรับปรุงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับการจำลองกระบวนการคำนวณ เพื่อให้ได้สภาพแวดล้อมที่ควบคุมได้สำหรับการปรับเปลี่ยนสัญญาณ

ความเข้าใจว่าระบบทำงานในลักษณะเชิงเส้นหรือไม่ถือเป็นสิ่งสำคัญสำหรับการทำนายว่าเอาต์พุตจะตอบสนองต่ออินพุตที่แตกต่างกันอย่างไร เนื่องจากหลักการทับซ้อน (Superposition principle) จะใช้ได้จริงกับการทำงานเชิงเส้นเท่านั้น ในทางตรงกันข้าม ระบบที่ไม่เป็นเชิงเส้นจะนำเสนอการแปลงที่ซับซ้อนซึ่งสามารถบันทึกไดนามิกที่ละเอียดอ่อนซึ่งโมเดลที่ง่ายกว่ามักจะมองข้ามไปได้

จากการจำแนกพฤติกรรมเหล่านี้ ช่างเทคนิคจะมั่นใจได้ว่าโมเดลทางคณิตศาสตร์สะท้อนไดนามิกที่แท้จริงของสัญญาณอินพุตได้อย่างถูกต้องก่อนที่จะใช้ตัวกรองสำหรับการวินิจฉัย

แนวคิดและเทคนิคสำคัญในการประมวลผลสัญญาณ

ความเชี่ยวชาญทางเทคนิคในสาขานี้จำเป็นต้องมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับการเตรียมข้อมูลและการแปลงทางคณิตศาสตร์ แต่ละขั้นตอนในกระบวนการทำงานทำหน้าที่ลดทอนหรือยกระดับส่วนประกอบสัญญาณเฉพาะอย่างตรงเป้าหมาย เพื่อเตรียมเอาต์พุตขั้นสุดท้ายสำหรับการแปลความหมายโดยมนุษย์หรือโดยอัลกอริทึมแมชชีนเลิร์นนิง

การสุ่มตัวอย่างและการทำควอนไทเซชัน

การสุ่มตัวอย่าง (Sampling) เกี่ยวข้องกับการจับจุดข้อมูลตามช่วงเวลาเฉพาะเพื่อสร้างพื้นฐานสำหรับการเป็นตัวแทนแบบไม่ต่อเนื่อง การทำควอนไทเซชัน (Quantization) จะทำต่อจากขั้นตอนนี้ โดยสร้างแผนผังจุดเวลาที่ไม่ต่อเนื่องเหล่านั้นให้เป็นค่าตัวเลขเฉพาะที่เป็นตัวแทนความแรง (Amplitude) ของสัญญาณ

หากขั้นตอนเหล่านี้ไม่ได้รับการสอบเทียบอย่างแม่นยำ อาจเกิดสัญนามแฝง (Aliasing) ซึ่งนำไปสู่ความผิดเพี้ยนอย่างมีนัยสำคัญในรูปคลื่นที่นำมาวิเคราะห์ได้

การกรอง

การกรอง (Filtering) ทำหน้าที่สำคัญในการขจัดส่วนประกอบความถี่ที่ไม่ต้องการซึ่งไม่เกี่ยวข้องกับสัญญาณที่เป้าหมาย ทั้งนี้ขึ้นอยู่กับข้อกำหนดของการยอมให้ย่านความถี่ผ่าน (Band-pass) ตัวกรองอาจกำจัดสัญญาณรบกวนที่มีความถี่สูงจากกล้ามเนื้อ หรือกำจัดค่าความเบี่ยงเบนสะสมความถี่ต่ำออกไปได้อย่างแม่นยำ

กระบวนการนี้โดยพื้นฐานแล้วจะแยก กิจกรรมของระบบประสาทที่เป็นที่สนใจ ออกจากการรบกวนของสภาวะแวดล้อมรอบข้างในวงกว้าง ส่งผลให้ได้เส้นจำลองการตอบสนองที่ชัดเจนยิ่งขึ้น

การแปลงรูป (เช่น การแปลงฟูริเยร์)

การแปลงรูปจะย้ายข้อมูลระหว่างโดเมนต่างๆ เพื่อแสดงโครงสร้างแบบวัฏจักรที่ซ่อนอยู่ภายในสัญญาณรบกวนทางเวลา วิธีการทั่วไปที่ใช้ในกระบวนการนี้ ได้แก่:

• การแปลงฟูริเยร์ (Fourier Transforms) เพื่อแยกย่อยสัญญาณออกเป็นส่วนประกอบความถี่ที่เป็นตัวประกอบ

• การวิเคราะห์เวฟเล็ต (Wavelet analysis) สำหรับระบุขอบเขตของเหตุการณ์ชั่วครู่ทั้งในเวลาและความถี่พร้อมๆ กัน

• การแปลงฮิลเบิร์ต (Hilbert transforms) สำหรับระบุแถบซองสัญญาณฉับพลันและความถี่ของสัญญาณที่ซับซ้อน

• การแปลงแซด (Z-transforms) สำหรับการศึกษาระบบเวลาไม่ต่อเนื่องและความเสถียร

แผนผังทางคณิตศาสตร์เหล่านี้ช่วยให้วิศวกรสามารถเห็นภาพข้อมูลจากมุมมองที่ระบุพยาธิสภาพหรือรูปแบบเฉพาะเจาะจงที่มองไม่เห็นอย่างสิ้นเชิงในการแสดงผลแบบโดเมนเวลามาตรฐาน

ท่อส่งข้อมูลการประมวลผลเบื้องต้นของ EEG คืออะไร?

ท่อส่งข้อมูลการประมวลผลเบื้องต้น (Preprocessing pipeline) เป็นเพียงลำดับขั้นตอนการทำงานที่เป็นมาตรฐานที่ใช้กับข้อมูล EEG ดิบที่ต่อเนื่องก่อนที่จะเริ่มการวิเคราะห์ใดๆ แม้ว่าลําดับและวิธีการเฉพาะที่ชัดเจนจะแตกต่างกันไปตามห้องปฏิบัติการและชุดซอฟต์แวร์ แต่ท่อส่งข้อมูลส่วนใหญ่จะมีโครงสร้างพื้นฐานร่วมกันดังนี้:

1. การกรองความถี่ที่ไม่ต้องการออกไป

2. การคำนวณอ้างอิงสัญญาณใหม่เพื่อหาค่าแรงดันไฟฟ้าอ้างอิงที่เป็นกลาง

3. การระบุและการจัดการกับสัญญาณสิ่งประดิษฐ์ (Artifact)

4. การแบ่งส่วนที่บันทึกไว้อย่างต่อเนื่องออกเป็นช่วงสั้นๆ ที่เชื่อมโยงกับเหตุการณ์เฉพาะ ซึ่งเป็นกระบวนการที่เรียกว่า Epoching

ลำดับขั้นตอนมีความสำคัญน้อยกว่าความจริงที่ว่าทุกการตัดสินใจในห่วงโซ่นี้สามารถเปลี่ยนผลลัพธ์สุดท้ายได้ การศึกษาเปรียบเทียบมาตรฐานปี 2020 นำโดย Robbins และคณะ พบว่าแม้แต่การศึกษาที่อ้างว่าปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดที่จัดตั้งขึ้น ก็ยังแสดงให้เห็นถึงความแปรปรวนอย่างมากในการนำแนวทางเหล่านั้นไปใช้จริงในโค้ด

ในทำนองเดียวกัน การศึกษาในปี 2021 โดย Bertazzoli และคณะ แสดงให้เห็นว่าในการวิจัยเรื่องการกระตุ้นสมองด้วยสนามแม่เหล็กผ่านกะโหลกศีรษะร่วมกับ EEG (TMS-EEG) การเลือกท่อส่งข้อมูลการประมวลผลเบื้องต้นส่งผลอย่างชัดเจนต่อรูปคลื่นการตอบสนองของสมองที่ได้ และยังเปลี่ยนระดับความน่าเชื่อถือของผลลัพธ์เหล่านั้นเมื่อทดสอบกับกลุ่มตัวอย่างเดิมซ้ำเป็นครั้งที่สองด้วย

การกรอง: วิธีแยกสัญญาณสมองที่แท้จริงออกมา

EEG ดิบ ประกอบด้วยเนื้อหาความถี่ที่ไม่ต้องการสองประเภทใหญ่ๆ

ที่ฝั่งความถี่ต่ำ ความเบี่ยงเบนของแรงดันไฟฟ้าจะแทรกซึมเข้าไปในสัญญาณจากเหงื่อที่สะสมอยู่ใต้ขั้วไฟฟ้า หรือจากตัวขั้วไฟฟ้าเองที่เลื่อนไปมาเล็กน้อยบนหนังศีรษะ ส่วนที่ฝั่งความถี่สูง ความตึงของกล้ามเนื้อและการรบกวนทางไฟฟ้าจากอุปกรณ์ที่อยู่ใกล้เคียงจะนำสัญญาณรบกวนความถี่สูงเข้ามา ซึ่งไม่เกี่ยวข้องใดๆ กับการส่งกระแสประสาท

การกรองทำงานโดยการกำจัดช่วงความถี่เหล่านี้ออกไป และคงเหลือไว้เฉพาะย่านความถี่ที่สัญญาณจากสมองอย่างแท้จริงนั้นมีความแรงมากที่สุด

ขั้นตอนพื้นฐานที่สุดและมีการนำไปใช้อย่างกว้างขวางที่สุดคือการกรองผ่านช่วงความถี่สูง (High-pass filtering) ซึ่งจะขจัดความเบี่ยงเบนสะสมค่าที่ช้าออกไปที่พิกัดต่ำกว่าประมาณ 0.5 ถึง 1 Hz ทั้งนี้ขึ้นอยู่กับประเภทของการวิเคราะห์ นักวิจัยอาจใช้ตัวกรองผ่านช่วงความถี่ต่ำ (Low-pass filter) หรือใช้ทั้งสองอย่างรวมกันเป็นตัวกรองผ่านช่วงความถี่กำหนด (Band-pass filter) ซึ่งโดยทั่วไปจะจำกัดข้อมูลไว้ที่ช่วง 1 ถึง 40 Hz เมื่อศึกษาสัญญาณไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (ERPs) ซึ่งเป็นการตอบสนองต่อสิ่งเร้าเฉพาะของแรงดันไฟฟ้าที่เป็นเอกลักษณ์ของสมอง

สิ่งที่ทำให้การกรองมีความน่าสนใจเป็นพิเศษคือประสิทธิภาพที่เป็นประโยชน์อย่างสม่ำเสมอ ในปี 2023 Arnoud Delorme ได้ทดสอบการแก้ไขข้อมูลเบื้องต้นแบบอัตโนมัติในวงกว้าง และพบว่าขั้นตอนเหล่านั้นส่วนใหญ่ไม่มีผลลัพธ์ที่สามารถวัดได้ หรือไม่ก็ส่งผลให้คุณภาพของข้อมูลลดลง การกรองผ่านช่วงความถี่สูงเป็นเพียงหนึ่งในสองขั้นตอนที่ช่วยปรับปรุงผลลัพธ์ในภาพรวมให้ดีขึ้นอย่างน่าเชื่อถือ

นักวิจัยจากฮาร์วาร์ดก็ใช้วิธีการกรองเป็นองค์ประกอบพื้นฐานที่จำเป็นอย่างยิ่งสำหรับท่อส่งข้อมูล HAPPE สำหรับข้อมูลพัฒนาการเด็กที่มีสิ่งประดิษฐ์รบกวนในปริมาณสูงเช่นกัน สรุปสั้นๆ คือการกรองถือเป็นทางเลือกเริ่มต้นที่ค่อนข้างปลอดภัย แต่ไม่สามารถกล่าวเช่นเดียวกันนี้ได้กับขั้นตอนต่อๆ ไปทั้งหมด

การคำนวณอ้างอิงใหม่: การกำหนดจุดศูนย์ทางไฟฟ้า

EEG จะไม่ใช่วิธีการวัดแรงดันไฟฟ้าสัมบูรณ์ แต่วัดความต่างศักย์ไฟฟ้าระหว่างจุดสองจุด ได้แก่ ขั้วไฟฟ้าที่ทำงานอยู่ (Active electrode) และจุดอ้างอิง

การบันทึกแบบดิบมักจะถูกจัดเก็บโดยอ้างอิงกับขั้วไฟฟ้าอ้างอิงใดก็ตามที่ใช้ในการจัดเก็บข้อมูลทางกายภาพจริง ซึ่งมักจะเป็นตำแหน่งเดียว เช่น กระดูกกกหู (Mastoid bone) ที่อยู่หลังใบหู หรือขั้วไฟฟ้า Cz ที่ด้านบนสุดของศีรษะ ซึ่งเป็นตำแหน่งที่กำหนดโดยระบบ 10-20 ที่ใช้เพื่อมาตรฐานการจัดวางตำแหน่งขั้วไฟฟ้า จุดอ้างอิงที่เป็นจุดเริ่มต้นนั้นค่อนข้างที่จะกำหนดขึ้นมาเอง ดังนั้นกระบวนการคำนวณอ้างอิงใหม่จึงเป็นการคำนวณแรงดันไฟฟ้าของทุกช่องสัญญาณใหม่ตามหลักคณิตศาสตร์โดยอ้างอิงกับจุดใหม่ ซึ่งตามทฤษฎีแล้วมีความเป็นกลางมากกว่า เช่น ค่าเฉลี่ยของขั้วไฟฟ้าทั้งหมด หรือสัญญาณรวมจากกระดูกกกหูทั้งสองข้าง

ความสำคัญของการคำนวณอ้างอิงใหม่มีที่มาจากการเหนี่ยวนำปริมาตร (Volume conduction) ซึ่งส่งผลให้กิจกรรมทางไฟฟ้าของสมองแพร่กระจายผ่านเนื้อเยื่อและของเหลวรอบๆ เพื่อให้แน่ใจได้ว่าเหตุการณ์ทางระบบประสาทเพียงเหตุการณ์เดียวสามารถตรวจวัดได้ในเกือบทุกขั้วไฟฟ้าบนหนังศีรษะ เนื่องจากการแพร่กระจายนี้ การเปลี่ยนจุดอ้างอิงจึงเปลี่ยนรูปร่าง แอมพลิจูด และแม้กระทั่งความนัยสำคัญทางสถิติของกิจกรรมที่บันทึกไว้ได้ แม้ว่าจะไม่มีการเปลี่ยนแปลงใดๆ เกี่ยวกับกิจกรรมพื้นฐานของสมองก็ตาม

นี่คือแนวคิดหลักที่เป็นหัวใจของการเลือกการออกแบบเบื้องหลังรูปแบบแผนผังการเรียงขั้วไฟฟ้าของ EEG (EEG montages) รวมถึงวิธีการต่างๆ เช่น ค่าอ้างอิงเฉลี่ยร่วม (Common Average Reference) หรือ รูปแบบแผนผังแบบอ้างอิงเฉพาะจุด (Referential Montage) ซึ่งแต่ละแบบจะตีกรอบสัญญาณสมองเดียวกันในรูปแบบที่แตกต่างกัน

การตรวจหาช่องสัญญาณที่เสียและการประมาณค่าในช่วง

ในการบันทึกข้อมูลแบบหลายขั้วไฟฟ้า มักจะมีบางช่องสัญญาณที่สร้างสัญญาณที่ไม่มีคุณภาพอย่างหลีกเลี่ยงไม่ได้ ช่องสัญญาณหนึ่งอาจไม่มีสัญญาณเกิดขึ้นเลยเนื่องจากการเชื่อมต่อสัญญาณหลวม หรืออาจมีความถี่สัญญาณรบกวนมากเกินไปจากการแตะหนังศีรษะไม่ดี หากไม่มีการแก้ไข ช่องสัญญาณที่เสียเหล่านี้สามารถทำให้การวิเคราะห์แปรปรวนได้เนื่องจากต้องพึ่งพาการเปรียบเทียบรูปแบบสัญญาณทั่วทั้งหนังศีรษะ

การแก้ไขปัญหาตามมาตรฐานจะประกอบด้วยการระบุช่องสัญญาณที่มีปัญหาเหล่านี้ ย้ายช่องสัญญาณเหล่านั้นออกจากชุดข้อมูลชั่วคราว จากนั้นระบุและกู้คืนข้อมูลที่สูญหายไปผ่านการประมาณค่าในช่วง (Interpolation) ซึ่งโดยพื้นฐานแล้วเป็นการคำนวณว่าขั้วไฟฟ้านั้นน่าจะบันทึกค่าใดไว้บ้างโดยประเมินจากกิจกรรมของช่องสัญญาณปกติรอบข้าง วิธีนี้จะช่วยกู้คืนแผนผังหนังศีรษะที่สมบูรณ์สำหรับขั้นตอนการวิเคราะห์ในภายหลัง โดยไม่ปล่อยให้ช่องสัญญาณทีมีปัญหานั้นสร้างความคลาดเคลื่อนให้กับผลลัพธ์

นี่เป็นขั้นตอนที่สองที่งานวิจัยของ Arnaud Delorme ระบุว่าให้ผลดีอย่างสม่ำเสมอ นอกจากการกรองผ่านช่วงความถี่สูงแล้ว การประมาณค่าในช่วงของช่องสัญญาณที่เสียก็เป็นหนึ่งในไม่กี่การแก้ไขที่ทดสอบแล้วว่าไม่ทำให้คุณภาพของข้อมูลลดลง

เมื่อนำมารวมกับการกรอง ขั้นตอนนี้จะกลายเป็นรูปแบบโครงสร้างท่อส่งข้อมูลเดียวในการศึกษานั้นที่ให้ผลดีกว่าแค่การกรองแบบธรรมดาเพียงอย่างเดียว ท่ามกลางกระบวนการแก้ไขแบบอัตโนมัติมากมายที่ได้รับการประเมิน การจับคู่นี้มีความโดดเด่นในฐานะขั้นตอนที่มีประโยชน์และค่อนข้างปลอดภัยสูง

ปัญหาสิ่งประดิษฐ์ใน EEG ดิบ

นอกเหนือจากปัญหาในระดับขั้วไฟฟ้าแล้ว การบันทึกค่า EEG ยังได้รับผลกระทบจากสิ่งประดิษฐ์ทางชีวภาพ (Biological artifact) ที่เกิดขึ้นจากร่างกายของผู้เข้าร่วมทดสอบเองด้วย:

• การกะพริบตาสร้างแอมพลิจูดขนาดใหญ่ที่ขั้วไฟฟ้าบริเวณหน้าผาก

• การเคลื่อนไหวของดวงตาสร้างค่าการเบี่ยงเบนแรงดันไฟฟ้าแบบป้อนแรงดันไฟทีละขั้นตอน

• กิจกรรมของกล้ามเนื้อกรามและหน้าผากทำให้เกิดสัญญาณรบกวนความถี่สูง

• การเคลื่อนไหวอย่างกะทันหันส่งผลให้เกิดการเบี่ยงเบนของแรงดันไฟฟ้าในช่องสัญญาณหลายช่องในทันที

การตอบสนองแบบดั้งเดิมต่อส่วนที่เกิดผลกระทบคือการทิ้งส่วนนั้นไป โดยปฏิเสธการทดลองหรือช่วงเวลาใดๆ ที่ตรวจพบสิ่งประดิษฐ์รบกวน วิธีนี้ทำงานได้ค่อนข้างดีเมื่อผู้เข้าร่วมทดสอบนั่งนิ่งๆ และไม่ค่อยพบสิ่งประดิษฐ์รบกวนบ่อยนัก แต่วิธีนี้อาจใช้งานได้ยากในกลุ่มประชากรที่มักพบสิ่งประดิษฐ์รบกวนเป็นเรื่องปกติ

HAPPE เน้นย้ำว่าเมื่อการศึกษาด้าน EEG พัฒนาไปสู่แถวลำดับขั้วไฟฟ้าที่มีความหนาแน่นสูงขึ้นและการบันทึกข้อมูลที่ยาวนานขึ้น การตรวจสอบและคัดออกสัญญาณสิ่งประดิษฐ์ด้วยตนเองนั้นยากที่จะดำเนินการได้ตลอดรอดฝั่ง และการตัดสินใจแบบอัตนัยก็ทำให้เกิดความอคติในส่วนบุคคลได้

Leach และคณะ ได้ให้ข้อมูลรูปภาพที่เป็นรูปธรรมเพิ่มเติมเกี่ยวกับความเสี่ยงที่เกี่ยวข้อง ดังนี้: การบันทึกค่า EEG ในผู้ป่วยเด็กมักสูญเสียข้อมูลที่สามารถใช้ประโยชน์ได้ในจำนวนมาก เนื่องจากเหตุการณ์การเคลื่อนไหวและการกะพริบตาเกิดขึ้นบ่อยครั้งในเด็กเล็ก เมื่อข้อมูลนั้นมีค่ามาก การทิ้งข้อมูลการทดลองทั้งหมดเนื่องจากการกะพริบตาเพียงครั้งเดียวจึงเป็นการแก้ปัญหาที่มีต้นทุนความพร้อมของข้อมูลที่สูง

การวิเคราะห์องค์ประกอบที่เป็นอิสระต่อกัน (ICA) สำหรับการนำสิ่งประดิษฐ์รบกวนออก

การวิเคราะห์องค์ประกอบที่เป็นอิสระต่อกัน หรือ ICA มีทางเลือกที่มีความเฉพาะเจาะจงมากกว่าการปฏิเสธแบบเหมาเข่ง

ตามหลักแนวคิดแล้ว ICA เป็นเทคนิคการแยกแหล่งที่มาที่ไม่ระบุข้อมูลเฉพาะ โดยจะรับสัญญาณผสมที่บันทึกไว้ในขั้วไฟฟ้าบนหนังศีรษะแต่ละอันมารื้อออกเป็นชุดรัดกุมขององค์ประกอบที่เป็นอิสระต่อกันทางสถิติตามหลักคณิตศาสตร์

องค์ประกอบเหล่านีบางส่วนจะตรงกับรูปแบบสิ่งประดิษฐ์รบกวนที่จำแนกได้ เช่น ลายเซ็นสัญญาณของการกะพริบตาหรือความตึงเครียดของกล้ามเนื้อ ส่วนอื่นๆ จะตรงกับรูปแบบกิจกรรมของสมอง เมื่อระบุองค์ประกอบที่เกี่ยวข้องกับสิ่งประดิษฐ์ได้แล้ว องค์ประกอบเหล่านั้นจะถูกแทนที่ และองค์ประกอบที่สะอาดปราศจากสิ่งรบกวนที่เหลืออยู่จะถูกนำกลับเข้าสู่ข้อมูลช่องสัญญาณ เพื่อให้สามารถรักษาสัญญาณสมองที่แท้จริงไว้ในอุดมคติในขณะที่คัดเอาสิ่งรบกวนทิ้งไป

อุปสรรคสำคัญคือการตรวจสอบแต่ละองค์ประกอบด้วยตนเองเพื่อตัดสินใจว่าองค์ประกอบนั้นสะท้อนถึงการกะพริบตาหรือเป็นส่วนของเปลือกสมอง (Cortex) นั้นเป็นไปอย่างเชื่องช้าและขึ้นอยู่กับตัวบุคคลโดยสภาพ ข้อจำกัดนี้จึงเป็นที่มาของการพัฒนาโปรแกรมแยกประเภทอัตโนมัติ เช่น ADJUST, ICLabel และ MARA ซึ่งออกแบบมาเพื่อใช้ในขั้นตอนการวิเคราะห์ด้วยอัลกอริทึมอย่างเป็นระบบและสอดคล้องกัน

หลักฐานเกี่ยวกับการทำงานที่ได้ผลดีนั้นค่อนข้างแตกต่างกันออกไปมากกว่าที่จะเป็นไปในทิศทางบวกทั้งหมด

Arnaud Delorme พบว่าการคัดเอาองค์ประกอบดวงตาและกล้ามเนื้อออกด้วย ICA แบบอัตโนมัตินั้นล้มเหลวในการช่วยเพิ่มเปอร์เซ็นต์ความนัยสำคัญทางสถิติของแต่ละช่องสัญญาณในข้อมูล ERP อย่างเชื่อถือได้ ซึ่งหมายความว่าไม่ได้ช่วยปรับปรุงคุณภาพข้อมูลให้ชัดเจนและมั่นคงแต่อย่างใด

Robbins และคณะ ได้เปรียบเทียบแนวทางที่ใช้ ICA สองวิธี ได้แก่ LARG และ MARA ในงานวิจัย 17 ชิ้น และพบว่าแม้โครงสร้างโดยรวมของผลลัพธ์จะดูคล้ายคลึงกัน แต่ความแตกต่างอย่างมีนัยสำคัญก็ยังคงปรากฏขึ้น โดยเฉพาะในลักษณะตามช่วงความถี่สัญญาณคลื่นต่ำ และระดับของสัญญาณส่วนที่เกี่ยวข้องกับการกะพริบตาที่ยังคงหลงเหลืออยู่ในข้อมูลที่คลีนแล้ว

ทางด้านผลลัพธ์ที่น่าส่งเสริมมากกว่า ทีมงานของ Leach แสดงให้เห็นว่าอัลกอริทึม ADJUST เวอร์ชันดัดแปลงซึ่งปรับให้เข้ากับการบันทึกด้วยโครงข่ายที่รองรับขั้วไฟฟ้าจำนวนมาก (Pediatric geodesic net) มีส่วนช่วยเพิ่มความแม่นยำในการจำแนกประเภทและคงเหลือสัดส่วนข้อมูลการทดลองที่สามารถใช้งานได้มากขึ้นเมื่อเทียบกับอัลกอริทึม ADJUST ดั้งเดิมหรือกรณีที่ไม่ได้รับการแก้ไขโดย ICA เลย และในการตรวจวัดบางหัวข้อก็ให้ผลที่เหนือกว่า ICLabel ในกรณีการตรวจสอบข้อมูลผู้ป่วยเด็กเป็นการเฉพาะเจาะจงเป็นพิเศษด้วย

เมื่อพิจารณาร่วมกัน ICA สามารถเป็นเครื่องมือที่มีประโยชน์อย่างแท้จริงสำหรับการแยกประเภทและคัดเอาสิ่งรบกวนออก แต่มองไม่เห็นการการันตีในระดับความเสถียรของเครื่องมือ ผลลัพธ์จะขึ้นอยู่กับการปรับจูนอัลกอริทึมในการจำแนกประเภทแอปพลิเคชันและกลุ่มประชากรที่อยู่ในการศึกษาเป็นสำคัญ

การสร้างสเปซย่อยของสิ่งประดิษฐ์ขึ้นใหม่ (ASR) เป็นทางเลือกอื่น

การสร้างสเปซย่อยของสิ่งประดิษฐ์ขึ้นใหม่ หรือ ASR จะขับเคลื่อนไปในเส้นทางที่แตกต่างออกไปอย่างสิ้นเชิง แทนที่จะใช้วิธีแยกสัญญาณออกเป็นส่วนประกอบที่เป็นอิสระ ASR จะทำงานโดยการเปรียบเทียบข้อมูลที่เข้ามาเข้ากับสถิติที่ดึงมาจากช่วงเวลาอ้างอิงที่สะอาด และระบุพิกัดพร้อมสร้างข้อมูลบางส่วนของสัญญาณที่เบี่ยงเบนออกไปจากพิกัดอ้างอิงที่สะอาดนั้นมากเกินไปขึ้นมาใหม่โดยอัตโนมัติ

ทีมงานของ Robbins ทำการเปรียบเทียบความแตกต่างรูปแบบหนึ่งของ ASR สองแบบเข้ากับท่อส่งข้อมูลที่พึ่งพา ICA โดยตรงในกลุ่มงานวิจัย 17 ชิ้นเดียวกัน ข้อสรุปในภาพกว้างสะท้อนถึงผลเปรียบเทียบของ ICA กล่าวคือ โครงสร้างผลลัพธ์ในภาพรวมดูคล้ายกันในแต่ละวิธี แต่ความแตกต่างที่มีนัยสำคัญก็ยังคงปรากฏอยู่ ซึ่งมุ่งเน้นไปที่ลักษณะช่วงความถี่สัญญาณคลื่นต่ำอีกครั้ง

ด้วยเหตุนี้ ASR จึงเป็นทางเลือกที่สมเหตุสมผลสำหรับวิธีการใช้ ICA มากกว่าที่จะเป็นเทคโนโลยีที่ดียอดเยี่ยมกว่าแบบเทียบกันไม่ได้ และหลักการเดียวกันนี้ยังใช้ได้ผลที่นี่รวมถึงจุดอื่นๆ ในท่อส่งข้อมูลนี้ด้วย ได้แก่ วิธีการเฉพาะที่เลือกจะช่วยกำหนดทิศทางของผลลัพธ์เฉพาะที่จะได้รับ

คุณควรทิ้งกลุ่มข้อมูล EEG ที่มีปัญหาสิ่งรบกวนหรือไม่?

คุณควรหลีกเลี่ยงการปฏิเสธและทิ้งข้อมูลทั้งกลุ่ม เนื่องจากมีหลักฐานบ่งชี้ว่าผลจากการสูญเสียอำนาจการทดสอบทางสถิติที่ตามมามักจะให้ผลเสียมากกว่าผลดีจากการตัดสัญญาณรบกวนออกไป

การขีดจำกัดเกณฑ์วัดแบบทั่วไปเป็นเครื่องมือที่หยาบในการทิ้งข้อมูลอย่างไม่มีสัดส่วนอันสมเหตุสมผล ดังนั้น ผู้เชี่ยวชาญจึงต้องการวิธีการคัดเลือกที่เฉพาะเจาะจงมากกว่า เช่น การประมาณค่าในช่วง และการแก้ไขแบบอิงองค์ประกอบข้อมูล

Epoching: การมุ่งเน้นไปที่เหตุการณ์ที่สนใจ

การวิเคราะห์ EEG ส่วนใหญ่ ไม่ว่าจะเป็นการวัด ERP หรือรูปแบบความถี่เวลา จะมีหลักยึดอยู่กับเวลาที่เจาะจง ได้แก่ การนำเสนอสิ่งเร้า หรือการตอบสนองของผู้เข้าร่วมการทดลองต่อสิ่งเร้านั้น ขั้นตอน Epoching เป็นการตัดส่วนที่บันทึกไว้อย่างต่อเนื่องและยาวนานออกเป็นช่วงสั้นๆ ที่มีความยาวเท่ากันรอบๆ แต่ละเหตุการณ์เหล่านี้ ซึ่งโดยทั่วไปจะรวมถึงช่วงเวลาสั้นๆ ก่อนหน้าเหตุการณ์ที่เรียกว่า Baseline

ช่วง Baseline ก่อนเหตุการณ์จะมีบทบาทการแก้ไขเพื่อช่วยชดเชยการเลื่อนของระดับแรงดันไฟฟ้าแบบทีละน้อยที่หากปล่อยไว้อาจเข้าใจผิดว่าเป็นการตอบสนองที่แท้จริงต่อสิ่งเร้าได้ แต่ขั้นตอนการตรวจสอบแก้ไขนี้ก็ไม่ละเว้นจากความระมัดระวังรอบคอบที่ต้องนำไปประยุกต์ใช้เช่นเดียวกับการคำนวณอ้างอิงใหม่

การศึกษาข้างต้นโดย Arnaud Delorme พบว่าวิธีแก้ไขการย้ายตำแหน่ง Baseline ข้อมูลขั้นสูงส่งผลให้ระดับประสิทธิภาพลดลงอย่างเห็นได้ชัดในแง่ของระดับนัยสำคัญ ERP แนวทางที่ปลอดภัยกว่าและพึ่งพาหลักฐานอ้างอิงนี้คือการแก้ไขพิกัดอ้างอิงที่เรียบง่ายขึ้น โดยทั่วไปจะเพียงแค่การหักลบค่าเฉลี่ยแรงดันไฟฟ้าที่วัดได้ในช่วงเวลาว่างก่อนถึงสิ่งเร้า แทนการพยายามใช้รูปแบบการแก้ไขที่ซับซ้อนมากกว่า

เหตุใดทางเลือกของท่อส่งข้อมูลจึงเปลี่ยนผลลัพธ์ของคุณ

จากการเปรียบเทียบในรูปการศึกษาคู่ขนานที่นำมาทบทวนที่นี่ช่วยเน้นย้ำจุดหนึ่งที่ชัดเจนอย่างยิ่ง ได้แก่ ท่อส่งข้อมูลการประมวลผลเบื้องต้นนั้นไม่สามารถทดแทนกันได้ แม้ว่าจะดึงวิธีการต่างๆ มาจากเครื่องมือทั่วไปชุดเดียวกันก็ตาม

ตัวอย่างเช่น การศึกษาของ Delorme พบว่าจากความแตกต่างของขั้นตอนท่อส่งข้อมูลทั้งหมดที่ทดสอบภายใต้แพลตฟอร์มซอฟต์แวร์ EEG ชั้นนำ เช่น EEGLAB, FieldTrip, MNE และ Brainstorm มีเพียงส่วนประกอบการกำหนดค่าเดียว ได้แก่ การทำงานร่วมกันระหว่างการกรองผ่านช่วงความถี่สูงเข้ากับการประมาณค่าในช่วงของช่องสัญญาณที่เสีย ที่สามารถให้ผลลัพธ์ดีกว่าการใช้แค่ตัวกรองผ่านช่วงความถี่สูงอย่างเรียบง่ายเพียงอย่างเดียวอย่างมีนัยสำคัญ ในขณะที่กระบวนการขั้นตอนทั่วไปอื่นๆ สื่อผลเสียหายต่อคุณภาพของข้อมูลแทนที่จะช่วยปรับปรุงให้ดีขึ้น

ในขณะเดียวกัน ทีมงานของ Bertazzoli พบว่าในการวิจัย TMS-EEG แอมพลิจูดรูปคลื่นและกำลังของฟิลด์เฉลี่ยทั่วโลกมีความผันแปรอย่างมากในท่อส่งข้อมูลที่แตกต่างกันสี่ท่อที่ถูกนำมาประยุกต์ใช้กับชุดข้อมูลชุดเดียวกัน รูปแบบแผนที่ทางกายภาพมีความสัมพันธ์กันอย่างยิ่งในขั้นตอนท่อส่งข้อมูลเฉพาะที่ระยะความหน่วงที่เกินกว่า 100 มิลลิวินาทีหลังเหตุการณ์สิ่งเร้า ส่วนที่ระยะความหน่วงสั้นกว่านั้น ค่าความสัมพันธ์มีช่วงที่กว้างมาก ตั้งแต่ 0.2 ถึง 0.9 ขึ้นอยู่กับว่านำท่อส่งข้อมูลขั้นตอนใดมาประยุกต์ใช้ ความน่าเชื่อถือจากการทดสอบซ้ำก็ขึ้นอยู่กับทางเลือกของวิธีการประมวลผลเบื้องต้นที่เลือกใช้เป็นสำคัญ

สุดท้าย การศึกษาของฮาร์วาร์ดได้แสดงรูปแบบผลลัพธ์ที่ช่วยเสริมกำลังใจมากขึ้นเป็นพิเศษ ได้แก่ ท่อส่งข้อมูลอัตโนมัติที่สร้างขึ้นมาเพื่อข้อมูลพัฒนาการเด็กที่มีสิ่งรบกวนปริมาณสูง เช่น HAPPE สามารถให้ประสิทธิภาพเหนือกว่าทางเลือกรูปแบบการประมวลผลอื่นๆ 7 รูปแบบที่ใช้กันแพร่หลาย โดยขจัดสิ่งรบกวนได้มากกว่า พร้อมเก็บรักษาสัญญาณ EEG ที่แท้จริงในปริมาณที่เท่ากันหรือมากกว่าในเกือบทุกการเปรียบเทียบข้อมูล

ข้อคิดที่เชื่อมโยงถึงกันซึ่งขับเคลื่อนผ่านผลการศึกษาเหล่านี้คือไม่มีการกำหนดค่าท่อส่งข้อมูลเดียวที่ดีที่สุดในระดับครอบจักรวาลสำหรับกรอบการวิจัย ชุดข้อมูล หรือคำถามวิจัยทุกประเภท การทำความเข้าใจเหตุผลที่ซ่อนอยู่ในแต่ละขั้นตอนทำงาน แทนการจำสูตรสำเร็จคือสิ่งที่ช่วยให้นักวิจัยสามารถตัดสินใจเพื่อผลลัพธ์ที่ดีที่สุด ตลอดจนตระหนักได้ว่าท่อส่งข้อมูลแบบใดที่ไม่เหมาะสมอย่างยิ่งกับข้อมูลประเภทนั้นๆ ของตน

ด้วยเหตุใดขั้นตอนการประมวลผลเบื้องต้นจึงกำหนดทิศทางที่คุณเห็นในข้อมูล EEG

ข้อมูลสมองแรกรุ่นที่รวบรวมเข้ามามักจะปนเปื้อนไปด้วยสัญญาณกระพราบตา สัญญาณรบกวนของกล้ามเนื้อ และคลื่นรบกวนไฟฟ้าที่กลบสัญญาณเสียงเบาๆ ที่นักวิจัยต้องการศึกษาได้อย่างง่ายดาย การทำความสะอาดข้อมูลนี้ไม่ใช่ขั้นตอนการจัดการที่เป็นกลางทั้งหมด เส้นทางเฉพาะที่คุณขับเคลื่อนตั้งแต่การกรองสัญญาณไปจนถึงการแก้ไขข้อมูลสิ่งรบกวนสามารถขับเคลื่อนภาพลักษณ์สุดท้ายของข้อมูลสมองให้แปรเปลี่ยนไปอย่างเห็นได้ชัด หลักฐานชี้ชัดว่าการดำเนินขั้นตอนเพียงไม่กี่อย่าง เช่น การกรองผ่านช่วงความถี่สูงและการแก้ไขเยียวยาช่องสัญญาณที่เสียหาย สามารถช่วยเน้นรูปแบบของสัญญาณประสาทให้ชัดเจนยิ่งขึ้น ในขณะที่ขั้นตอนโดยทั่วไปหลายขั้นตอนกลับลดทอนผลลัพธ์ที่คุณกำลังมุ่งหมายได้อย่างคาดไม่ถึง

ดังนั้น การเฝ้าสังเกตผลกระทบจากการเลือกแต่ละทางเลือกของส่วนการประมวลผลเบื้องต้นจึงมีประโยชน์มากกว่าการปฏิบัติตามสูตรทำงานทั่วไปแบบครอบจักรวาล เนื่องจากแนวทางที่เหมาะสมและมีเหตุผลนั้นแตกต่างกันออกไปและสามารถผลักดันผลการศึกษาไปสู่ทิศทางที่แตกต่างกันได้ การรายงานรายละเอียดกระบวนการท่อส่งข้อมูลอย่างโปร่งใสจึงมีความสำคัญเท่าเทียมกับข้อมูลตัวเลขผลลัพธ์ที่ได้

การปรับกลยุทธ์วิธีการทำงานให้ตรงกลุ่มประชากรที่ศึกษา ไม่ว่าเป็นผู้ใหญ่นั่งนิ่งหรือเด็กที่เคลื่อนไหวไปมา มักให้ประสิทธิภาพที่ดีกว่าการเลือกใช้เครื่องมือทั่วไปโดยไม่มีการปรับเปลี่ยน การสร้างท่อส่งข้อมูลอย่างรอบคอบและโปร่งใสช่วยยกระดับจากการพึ่งพิงค่าพารามิเตอร์เริ่มต้นของโปรแกรมซอฟต์แวร์มาสู่ความเข้าใจอย่างแท้จริงว่าสัญญาณกำลังบอกอะไรแก่คุณ

เอกสารอ้างอิง

1. Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223

2. Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272

3. Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

4. Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097

5. Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566

คำถามที่พบบ่อย

การประมวลผลสัญญาณมีความแตกต่างจากการวิเคราะห์ข้อมูลทั่วไปอย่างไร?

การประมวลผลสัญญาณจะมุ่งเน้นไปที่ลักษณะของความถี่และการแปรเปลี่ยนตามเวลาของอินพุตที่ต่อเนื่อง ในขณะที่ข้อมูลการวิเคราะห์ทั่วไปจะเกี่ยวข้องกับตัวแปรคงที่หรือตัวแปรอิสระต่อกัน

การประมวลผลสัญญาณสามารถช่วยกำจัดสัญญาณรบกวนได้ทุกรูปแบบจริงหรือไม่?

แม้ว่าการกรองสัญญาณจะมีส่วนอย่างมากต่อการปรับปรุงความชัดเจนของสัญญาณ แต่ในทางปฏิบัติความพยายามที่จะกำจัดสิ่งรบกวนอย่างสมบูรณ์แบบนั้นยังเป็นไปไม่ได้เนื่องจากความทับซ้อนที่ประเมินไม่ได้ระหว่างตัวสัญญาณเองและสัญญาณรบกวนจากรอบข้าง

ทำไมอัตราการสุ่มตัวอย่างจึงมีความสำคัญในระบบดิจิทัล?

อัตราการสุ่มตัวอย่างจะเป็นตัวกำหนดความถี่สูงสุดที่ระบบสามารถจำลองเป็นตัวแทนข้อมูลได้อย่างแม่นยำ ซึ่งจำเป็นสำหรับกรณีการบันทึกภาพตัวบ่งชี้ประสาทความถี่สูงไม่ให้เกิดการผิดเพี้ยนไป

เพื่อวัตถุประสงค์ใดที่เป็นจุดประสงค์ของการแปลงรูป เช่น การแปลงฟูริเยร์?

ขั้นตอนการแปลงมีวัตถุประสงค์เพื่อแปลงข้อมูลโดเมนทางเวลา ซึ่งมีลำดับเหตุการณ์เป็นปัจจัยสำคัญ ให้เปลี่ยนผ่านไปสู่พิกัดโดเมนในรูปความถี่ เพื่อเน้นคุณลักษณะส่วนประกอบของช่วงเฉพาะความถี่สัญญาณ

ระบบเชิงเส้นและระบบที่ไม่เป็นเชิงเส้นส่งผลต่อระดับความแม่นยำผลลัพธ์อย่างไร?

ระบบเชิงเส้นนำเสนอการตอบสนองที่เป็นสัดส่วนและคาดเดาได้ ในขณะที่ระบบที่ไม่เป็นเชิงเส้นมีศักยภาพที่ซับซ้อนกว่าเพื่อระบุภาพไดนามิกที่ซ่อนอยู่ โดยต้องแลกมาด้วยความง่ายในการคาดการณ์ผลลัพธ์

ทำไมข้อมูล EEG ดิบจึงจำเป็นต้องผ่านการประมวลผลเบื้องต้นก่อนการนำไปวิเคราะห์?

ข้อมูล EEG ดิบที่บันทึกมาไม่ได้มีเฉพาะสัญญาณกิจกรรมสมองเท่านั้น แต่ยังมีสัญญาณแทรกสอดจากการกะพริบตา ความตึงเครียดของกล้ามเนื้อ คลื่นรบกวนทางไฟฟ้า และความเบี่ยงเบนสะสมค่าของขั้วไฟฟ้า การประมวลผลเบื้องต้นจะช่วยแยกสัญญาณสมองที่แท้จริงโดยการกำจัดสิ่งรบกวนเหล่านี้ เพื่อช่วยให้ได้ข้อมูลที่แปลความหมายได้อย่างถูกต้องและพร้อมสำหรับการศึกษาทางวิทยาศาสตร์

ขั้นตอนประมวลผลเบื้องต้นขั้นตอนใดที่ช่วยได้เกือบทุกครั้ง?

ขั้นตอนการกรองผ่านช่วงความถี่สูง ซึ่งช่วยกำจัดการขยับตัวตามเวลาของสัญญาณแรงดันไฟฟ้าค่าต่ำอันเนื่องมาจากเหงื่อออกหรือขั้วไฟฟ้าเลื่อนไถล จัดว่ามีประโยชน์สม่ำเสมอ ในแต่ละงานการศึกษาที่ทบทวน วิธีนี้เป็นขั้นตอนไม่กี่อย่างที่ช่วยเพิ่มคุณภาพของข้อมูลได้อย่างน่าเชื่อถือเมื่อวางโครงโครงสร้างประยุกต์ใช้ในช่วงแรกของท่อส่งข้อมูลการประมวลผล

วิธีคำนวณอ้างอิงใหม่ปรับเปลี่ยนสิ่งใดบ้างในสัญญาณ EEG?

วิธีคำนวณอ้างอิงป้อนใหม่จะปรับคำนวณสถิติระดับสมการแรงดันไฟฟ้าในแต่ละเส้นเชื่อมสัญญาณเทียบพิกัดอ้างอิงเป็นกลางพิกัดใหม่ เช่น ค่าเฉลี่ยวิเคราะห์จากขั้วปลายสัญญาณทั้งหมด แทนการอ้างอิงกับการบันทึกเริ่มต้น เนื่องจาก EEG คือการเปรียบต่างสมการค่าแรงดันไฟฟ้า ทางนี้จึงมีความสามารถปรับภาพรูปร่าง แอมพลิจูดช่วงคลื่น ตลอดจนนัยสำคัญทางสมมติฐานทางสถิติจากการตอบสนองของเซลล์สมองได้

ตรวจหาช่องสัญญาณที่เสียหายอย่างไร และวิธีซ่อมแซมนั้นทำอย่างไร?

ขั้วไฟฟ้าบางอันย่อมเกิดปัญหาหลุดจากการสัมผัสหรือสร้างผลสัญญาณรบกวนสอดแทรกเข้ามามากผิดปกติในสภาวะการบันทึก จนส่งผลเสียต่อการจำลองภาพแบบแผนที่ครอบคลุมบริเวณหนังศีรษะ หลังผ่านขั้นการตรวจสอบระบุจุดช่องสัญญาณที่มีปัญหา การคิดคำนวณข้อมูลช่วงทดแทนจะร่วมกำหนดแฝงคำนวณระดับที่ขั้วสัญญาณเป้าหมายน่าจะเคยบันทึกค่าไว้โดยอ้างอิงเปรียบเทียบคำนวณประกอบจากสัญญาณแวดล้อมปริมณฑลของกลุ่มขั้วทั่วไปที่ทำงานได้ปกติ

การวิเคราะห์องค์ประกอบที่เป็นอิสระต่อกัน (ICA) ใช้เพื่ออะไรในขั้นตอน EEG?

ICA เป็นเทคนิคที่ใช้ทางคณิตศาสตร์ในการคัดแยกจำแนกกลุ่มสัญญาณผสมคลุกเคล้าออกไปเป็นองค์ประกอบแยกย่อยแบบอิสระ ซึ่งบางข้อจะตอบรับสัมพันธ์ตรงกับสิ่งรบกวนจำพวกการกะพริบตาม้วนตา หรือประเภทเสียงกล้ามเนื้อตึงเครียด เมื่ระบุแยกแยะองค์ประกอบรบกวนได้ ก็จะจัดดำเนินการกำจัดทิ้ง ส่วนกลุ่มที่สะอาดที่เหลือจะคงรูปป้อนกลับเข้สสู่ช่องประสานปลายกระบวนการเพื่อประโยชน์ของการทำนุบำรุงเก็บรักษาสัญญาณสมองของจริงไว้

การสร้างสเปซย่อยของสิ่งประดิษฐ์ขึ้นใหม่ (ASR) มีข้อต่างจาก ICA อย่างไร?

ASR จำแนวแยกและร่วมปรับปรุงชดเชยการรบกวนโดยเปรียบเทียบข้อมูลใหม่เข้ากับรูปแบบทางสถิติที่ตรวจวัดในช่วงสะอาดอ้างอิงทั่วไป ระบุทำเป้าหมายจุดที่เบี่ยงเบนห่างจากแนวอ้างอิงปกติออกไปมาก วิธีนี้ต่างจากแบบ ICA ตรงไม่จำเป็นต้องแตกย่อยสัญญาณออกไปสู่นิยามกลุ่มองค์ประกอบ แต่ใช้วิธีซ่อมแซมแง้มช่องที่ปนเปื้อนปรับเสริมด้วยข้อมูลคำนวณทางสถิติจากวิถีข้อมูลที่สะอาด

ทำไมคุณจึงไม่ควรทิ้งข้อมูลในกลุ่มช่วงเวลาอันปนเปื้อนด้วยสิ่งรบกวนออกไปทั้งหมด?

การปฏิเสธไม่ใช้กลุ่มข้อมูลแบบเหมาทริปการทดสอบตัดทิ้งมักนำไปสู่ผลกระทบการหมดเปลืองข้อมูลที่คุ้มค่าไปเป็นสัดส่วนอย่างสูง ส่งผลบั่นทอนกำลังวิเคราะห์ผลทางการทดสอบสถิติ ตลอดจนนำความเสียหายบิดเบือนมาได้ ตั้งแต่ตอนที่กลุ่มต้นทุนข้อมูลสำคัญต้องสูญหาย ทางแก้จึงนิยมเลือกอิงพึ่งวิธีทำช่วงแทนค่า หรือการปรับปรุงแก้ข้อมูลแบบแยกอิงองค์ประกอบมากกว่าและมีประสิทธิภาพมากกว่า โดยเฉพาะในรอบเป้าหมายที่เวลาของการเก็บข้อมูลมีจำกัด

Epoching คืออะไร และเหตุใดจึงต้องรวมค่าระดับ Baseline ก่อนเหตุการณ์?

Epoching เป็นการซอยสับแบ่งส่วนข้อมูลบันทึกต่อเนื่องมาให้อยู่ในกรอบประชิดเวลาสั้นๆ เจาะจงพอดีพิกัดเวลาเหตุการณ์เป้าหมาย เช่น สิ่งรอบกระตุ้นประสาท เพื่อเอื้อวิเคราะห์ภาพสะท้อนจิตใต้สำนึกของสมอง ส่วนการกำหนดพิกัดอ้างอิง Baseline ก่อนเหตุการณ์ใช้เป็นพิกัดคานเปรียบต่าง เพื่อตรวจสอบไม่ให้เหตุความคลาดเคลื่อนเบี่ยงเบนสะสมนั้นเบี่ยงเบนสายตาไปสรุปว่าเป็นปฏิกิริยาต่อสิ่งกระตุ้นเหล่านั้น

ขั้นตอนกำหนดรูปแบบท่อส่งข้อมูลการประมวลผลเบื้องต้น ส่งผลให้ได้ผลลัพธ์ต่างกันออกไปหรือไม่?

ใช่ รูปแบบการจัดตัวแปรวิธีการ—เช่น วิธีกรอง จัดระบบ baseline อ้างอิงใหม่ ตลอดจนวิธีกำจัดสิ่งรบกวนขุยเพี้ยน—ล้วนมีส่วนช่วยเปลี่ยนภาพรูปคลื่น ระดับคะแนนค่าวิเคราะห์ทางนัยสำคัญ ตลอดจนประเมินความสัตย์ตรงจากการถอดรูปแบบวัดสอบซ้ำ ไม่มีสูตรรูปแบบท่อส่งงานประเภทใดที่จะแสดงผลดีที่สุดกับสภาวการณ์ทุกอย่าง นักวิจัยจึงจำเป็นที่ต้องมีความเข้าใจต่อทางจำแนกแต่ละผลลัพธ์ของแต่ละกระบวนการทำงาน มากกว่าที่จะเดินตามค่ามาตรฐานการรันระบบโดยปราศจากการตรวจสอบประเมิน