Önişlemenin Önemi

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

Önemli bir husus olarak önişleme, kalitesiz kayıtları düzeltmenin bir yolu olarak görülmemelidir. Bunun yerine, sağlam deneysel uygulamalarla toplanan yüksek kaliteli verileri rafine etmeye yönelik yapılandırılmış bir süreçtir. Önişleme sırasında alınan kararlar, analizin sonraki her aşamasını etkiler; bu nedenle şeffaflık ve tutarlılık esastır.

Önişleme Hattı Oluşturma

Önişleme genellikle izole prosedürler yerine bir adımlar dizisi 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 yaratma riskini azaltır.[1]

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

EEG Sinyalini Filtreleme

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

Yüksek geçiren filtreler yavaş sinyal kaymasını azaltabilirken, alçak geçiren filtreler 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.

Yapay Olguları (Artefaktları) Tanımlama ve Yönetme

Dikkatli veri toplamadan sonra bile, bazı kayıtlarda önişleme sırasında müdahale gerektiren yapay olgular bulunacaktır.

Araştırmacılar genellikle aşırı gürültülü dönemleri, kararsız kanalları veya kayıt kesintilerini belirlemek için kayıtları görsel olarak inceleyerek işe başlarlar. Otomatik kalite değerlendirme araçları yapay olgu tespitine yardımcı olabilir, ancak manuel inceleme birçok önişleme iş akışının önemli bir bileşeni olmaya devam etmektedir.[3]

Kirlenmenin niteliğine bağlı olarak, araştırmacılar bireysel denemeleri kaldırabilir, gürültülü kanalları reddedebilir, izole elektrotları enterpole edebilir veya yapay olgu düzeltme tekniklerini uygulayabilir. Bu kararlar, analiz başlamadan önce belirlenmiş olan 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 sinir dışı yapay olgularla ilişkili bileşenleri tanımlamasına yardımcı olabilir.[4]

Tanımlandıktan sonra, yapay olguyla ilişkili bileşenler EEG sinyali yeniden oluşturulmadan önce 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 amacıyla ICA'nın nasıl gerçekleştirildiğini ve hangi bileşenlerin kaldırıldığını belgelemelidir.

Sürekli Verileri Epoklama

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

Bu nedenle, epoklama başlamadan önce doğru olay zamanlaması esastır.

Referans Çizgisi (Baseline) Düzeltmesi

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

Bu referans çizgisinin sonraki sinirsel yanıttan çıkarılması, araştırmacıların ilişkisiz arka plan aktivitesinin getirdiği değişkenliği azaltırken deneysel olayla ilişkili aktiviteyi daha iyi izole etmelerini sağlar.[2]

Referans çizgisi seçimi çalışma boyunca tutarlı olmalı ve seçilen deneysel paradigma için yerleşik uygulamaları yansıtmalıdır.

Kalite Kontrol ve Belgelendirme

Önişleme, veriler daha temiz göründüğünde sona ermez. Araştırmacılar; filtreleme parametreleri, yapay olgu reddetme kriterleri, enterpolasyon prosedürleri, yazılım sürümleri ve analiz ayarları dahil olmak üzere her bir işleme adımını dikkatle belgelemelidir.

Ayrıntılı belgelendirme, diğer araştırmacıların önişleme iş akışını anlamasına, değerlendirmesine ve tekrarlamasına olanak tanıyarak tekrarlanabilirliği destekler. Şeffaf raporlama ayrıca çalışmalar arasındaki gelecekteki karşılaştırmaları daha anlamlı hale getirir.[1]

Tüm katılımcılar genelinde tutarlı bir önişleme protokolünün sürdürülmesi, değişkenliği daha da azaltır ve elde edilen analizlere olan güveni güçlendirir.

EEG Önişlemesi İçin Yazılım Seçimi

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

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

Anahtar Çıkarımlar

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

Filtreleme, yapay olgu yönetimi, Bağımsız Bileşen Analizi, epoklama, referans çizgisi 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 bir işleme adımını belgeleyerek ve katılımcılar arasında standartlaştırılmış prosedürler uygulayarak bulgularının güvenilirliğini ve tekrarlanabilirliğini güçlendirir.

EEG Çalışmanızı Oluşturmaya Devam Edin

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

Bir sonraki kılavuz olan EEG Elektrotları ve Montajlarının Seçimi bölümünde, elektrot yerleşim sistemlerini, kanal seçimini ve kayıt konumlarının deneysel tasarımı 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, Ed., 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 Kimliği 156869, 2011.

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