Önişleme Neden Önemlidir

EEG, hem sinirsel hem de sinirsel olmayan elektriksel aktiviteye karşı son derece duyarlıdır. Dikkatli deneysel tasarım ve veri toplama birçok gürültü kaynağını en aza indirse de, bir dereceye kadar artefakt bulaşması kaçınılmazdır. Önişleme, araştırmacıların anlamlı beyin aktivitesini istenmeyen sinyallerden ayırt etmelerine yardımcı olurken, sonraki analizlerin tutarlılığını da artırır.[1]

Önemli bir nokta olarak, önişleme kalitesiz kayıtları onarmanın bir yolu olarak görülmemelidir. Bunun yerine, sağlam deneysel uygulamalar yoluyla toplanan yüksek kaliteli verileri rafine etmeye yönelik yapılandırılmış bir süreçtir. Önişleme sırasında alınan kararlar, analizin sonraki her aşamasını etkiler; bu da şeffaflık ve tutarlılığı zorunlu kılar.

Önişleme Hattı Oluşturmak

Önişleme, genellikle yalıtılmış prosedürler yerine bir dizi adım olarak gerçekleştirilir. Bireysel iş akışları araştırma sorusuna ve analitik yöntemlere bağlı olarak değişse de, tutarlı bir hat oluşturmak her katılımcının verilerinin aynı şekilde işlenmesini sağlamaya yardımcı olur.

Araştırmacılar, mümkün olduğunca resmi analize başlamadan önce önişleme stratejilerini belirlemelidir. İş akışını önceden tanımlamak, sonuçları inceledikten sonra işleme kararları alarak yanlılık getirme riskini azaltır.[1]

Her çalışma için uygun tek bir önişleme hattı olmadığından, iş akışları yerleşik literatür, deneysel tasarım, kayıt metodolojisi ve bilimsel hedefler doğrultusunda yönlendirilmelidir.

EEG Sinyalini Filtrelemek

Filtreleme, genellikle en erken önişleme adımlarından biridir. Filtreler, araştırma sorusuyla ilgili sinirsel aktiviteyi korurken istenmeyen frekans bileşenlerini azaltır.

Yüksek geçiren filtreler yavaş sinyal kaymasını azaltabilir, alçak geçiren filtreler ise yüksek frekanslı gürültüyü bastırmaya yardımcı olur. Bazı çalışmalar, uygun olduğunda güç sistemlerinden kaynaklanan elektriksel paraziti azaltmak için çentik (notch) filtreleri de uygular.[1],[5]

Filtre seçimine dikkatle yaklaşılmalıdır. Aşırı filtreleme sinirsel sinyalleri bozabilir veya olayla ilişkili yanıtların zamanlamasını ve genliğini değiştirebilir. Araştırmacılar, gereksiz sinyal modifikasyonlarından kaçınırken amaçlanan analizi destekleyen filtre ayarlarını seçmelidir.

Artefaktları Tanımlama ve Yönetme

Dikkatli veri toplamadan sonra bile, bazı kayıtlar önişleme sırasında dikkat gerektiren artefaktlar içerecektir.

Araştırmacılar genellikle aşırı gürültü dönemlerini, kararsız kanalları veya kayıt kesintilerini belirlemek için kayıtları görsel olarak inceleyerek başlar. Otomatik kalite değerlendirme araçları artefakt tespitine yardımcı olabilir, ancak manuel inceleme birçok önişleme iş akışının önemli bir bileşeni olmaya devam etmektedir.[3]

Bulaşmanın niteliğine bağlı olarak, araştırmacılar bireysel denemeleri kaldırabilir, gürültülü kanalları reddedebilir, izole elektrotları enterpole edebilir veya artefakt düzeltme teknikleri uygulayabilir. Bu kararlar, analiz başlamadan önce belirlenmiş önceden tanımlanmış kalite kriterlerini takip etmelidir.

Bağımsız Bileşen Analizi

Bağımsız Bileşen Analizi (ICA), karışık elektriksel sinyalleri istatistiksel olarak bağımsız bileşenlere ayırmak için en yaygın kullanılan tekniklerden biridir. Kaydedilen EEG'yi altta yatan sinyal kaynaklarına ayrıştırarak, ICA araştırmacıların göz kırpma, göz hareketleri, kas aktivitesi veya diğer sinirsel olmayan artefaktlarla ilişkili bileşenleri belirlemelerine yardımcı olabilir.[4]

Belirlendikten sonra, EEG sinyali yeniden oluşturulmadan önce artefaktla ilişkili bileşenler kaldırılabilir. ICA veri kalitesini önemli ölçüde artırabilse de, başarılı uygulama uygun önişlemeye, yeterli veri kalitesine ve ortaya çıkan bileşenlerin dikkatli bir şekilde yorumlanmasına bağlıdır.

Araştırmacılar, şeffaflığı ve tekrarlanabilirliği desteklemek için ICA'nın nasıl gerçekleştirildiğini ve hangi bileşenlerin kaldırıldığını belgelemelidir.

Sürekli Verileri Epoklamak

Birçok EEG analizi, belirli deneysel olayların etrafında meydana gelen sinirsel yanıtlara odaklanır. Bu analizleri kolaylaştırmak için, sürekli EEG kayıtları genellikle epok adı verilen daha kısa zaman dilimlerine bölünür.

Her epok, bir uyarıcı sunumunu, katılımcı yanıtını veya deney sırasındaki başka bir anlamlı olayı temsil eden bir olay işaretiyle hizalanır. Bu bölümleme, araştırmacıların tekrarlanan deneysel koşullar altındaki sinirsel aktiviteyi karşılaştırmalarına olanak tanır ve olayla ilişkili potansiyel (ERP) analizlerinin temelini oluşturur.[2],[6]

Bu nedenle, epoklama başlamadan önce doğru olay zamanlaması esastır.

Baz Hattı Düzeltmesi

Katılımcılar dinlenme halindeyken bile sinirsel aktivite sürekli değişmektedir. Baz hattı düzeltmesi, her deneysel epoku ilgilenilen olaydan hemen önceki bir referans dönemiyle karşılaştırarak bu süregelen dalgalanmaları hesaba katmaya yardımcı olur.

Bu baz hattının sonraki sinirsel yanıttan çıkarılması, araştırmacıların ilgisiz arka plan aktivitesinin neden olduğu değişkenliği azaltırken deneysel olayla ilişkili aktiviteyi daha iyi izole etmelerini sağlar.[2]

Baz hattı seçimi çalışma boyunca tutarlı kalmalı ve seçilen deneysel paradigma için yerleşik uygulamaları yansıtmalıdır.

Kalite Kontrol ve Dokümantasyon

Önişleme, veriler daha temiz göründüğünde sona ermez. Araştırmacılar; filtreleme parametreleri, artefakt reddetme kriterleri, enterpolasyon prosedürleri, yazılım sürümleri ve analiz ayarları dahil olmak üzere her işlem adımını dikkatlice belgelemelidir.

Ayrıntılı dokümantasyon, diğer araştırmacıların önişleme iş akışını anlamalarına, değerlendirmelerine ve tekrarlamalarına olanak tanıyarak tekrarlanabilirliği destekler. Şeffaf raporlama, gelecekte çalışmalar arasındaki karşılaştırmaları da daha anlamlı hale getirir.[1]

Tüm katılımcılarda tutarlı bir önişleme protokolü sürdürmek, değişkenliği daha da azaltır ve ortaya çıkan analizlere olan güveni güçlendirir.

EEG Önişlemesi için Yazılım Seçimi

Birkaç yazılım platformu EEG önişlemesini ve analizini destekler ve her biri farklı iş akışları ve analitik yetenekler sunar. Araştırmacılar, deneysel tasarımlarına, teknik uzmanlıklarına ve raporlama gereksinimlerine uygun araçları seçmelidir.

Yaygın önişleme ortamları arasında EEGLAB, MNE-Python ve FieldTrip'in yanı sıra olay senkronizasyonunu, veri görselleştirmeyi ve yaygın analiz formatlarına aktarımı destekleyen ticari veri toplama yazılımları yer alır.[4],[5] Birlikte çalışabilir araçların seçilmesi, şeffaf ve tekrarlanabilir araştırma uygulamalarını desteklerken iş birliğini basitleştirebilir.

Temel Çıkarımlar

Önişleme, anlamlı sinirsel sinyalleri korurken gürültüyü azaltarak, artefaktları yöneterek ve verileri düzenleyerek ham EEG kayıtlarını bilimsel analize hazırlar.

Filtreleme, artefakt yönetimi, Bağımsız Bileşen Analizi, epoklama, baz hattı düzeltmesi ve kalite kontrolün hepsi, veri bütünlüğünü korurken sinyal kalitesini artırmaya katkıda bulunur.

İyi tasarlanmış bir önişleme hattı tutarlı, şeffaf ve araştırma sorusuna uygundur. Araştırmacılar, her işlem adımını belgeleyerek ve katılımcılar arasında standartlaştırılmış prosedürler uygulayarak bulgularının güvenilirliğini ve tekrarlanabilirliğini güçlendirir.

EEG Çalışmanızı Oluşturmaya Devam Edin

EEG verileri analize hazırlandıktan sonra, araştırmacılar farklı elektrot konumlarının beyin aktivitesini anlamaya nasıl katkıda bulunduğunu keşfetmeye başlayabilirler.

Bir sonraki kılavuzumuz olan EEG Elektrotlarını ve Montajlarını Seçme'de, elektrot yerleşim sistemlerini, kanal seçimini ve kayıt konumlarının deneysel tasarım ile veri yorumlamasını nasıl etkilediğini inceleyeceğiz.

Referanslar

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, ABD: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2. baskı. Cambridge, MA, ABD: MIT Press, 2014.

[3] S. J. Luck ve E. S. Kappenman, Editörler, The Oxford Handbook of Event-Related Potential Components. New York, NY, ABD: Oxford University Press, 2012.

[4] A. Delorme ve S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, cilt 134, no. 1, ss. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, ve J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, cilt 2011, Makale ID 156869, 2011.

[6] S. R. Williams ve ark., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, cilt 9, e10777, 2021.