Artifaktlar, beyin tarafından üretilmeyen ve elektroensefalogramın görsel yorumlanmasını bozabilen, ayrıca beyin-bilgisayar arayüzlerini veya zihinsel durum izlemeyi yönlendiren algoritmik analizleri bozabilen istenmeyen sinyallerdir.
Epilepsi belirteçleri için ham bir EEG trasesini okuyor olun veya bir makine öğrenimi hattına veri besliyor olun, tespit edilmeyen artifaktlar patolojik dalga formları gibi görünebilir veya model performansını düşüren bir varyans oluşturabilir.
Bu pratik saha kılavuzu, sizi iki geniş EEG artifakt kategorisi boyunca yönlendirir, bunların ayırt edici zaman alanı imzalarını nasıl tanıyacağınızı açıklar ve herhangi bir hesaplamalı işlemeden önce temel kalmaya devam eden manuel temizleme adımlarını ortaya koyar.
EEG Artefaktlarının İki Temel Kategorisi
Bir EEG kaydındaki her istenmeyen dalgalanma iki kaynaktan birinden ortaya çıkar. Katılımcı kaynaklı veya fizyolojik artefaktlar, katılımcının kendi vücudu tarafından üretilir. Bunlar arasında göz kırpmaları, kas gerginliği, kalp atışı ve ter bezi aktivitesi yer alır; bunların tümü, kafa derisi elektrotlarının gerçek beyin aktivitesiyle birlikte algıladığı elektriksel alanlar üretir.
Teknik veya fizyolojik olmayan artefaktlar ise kayıt ekipmanından ve ortamdan kaynaklanır. Gevşek elektrotlar, kablo sallantısı, amplifikatör doygunluğu ve şebeke elektriği paraziti bu ikinci gruba girer.
Bu iki kategori arasında ayrım yapmak, ustalaşılması gereken ilk beceridir çünkü önleme ve giderme stratejileri temelden farklılık gösterir. Sıkılmış bir çeneden kaynaklanan ani bir kas aktivitesi patlaması, zayıf korumalı bir kablodan giren periyodik 60 hertzlik bir uğultudan farklı bir müdahale gerektirir.
Katılımcı Kaynaklı Artefaktlar Nasıl Tanınır?
Göz Kırpmaları
Göz, küçük bir elektrik pili gibi davranır. Kornea, retinaya kıyasla pozitif bir yük taşıyarak bir korneo-retinal dipol oluşturur. Bir katılımcı gözünü kırptığında, göz kapağı bu dipolün üzerinden geçer ve pozitif alanı yukarı doğru çekerek gözlere en yakın frontal elektrotlarda büyük, pozitif bir voltaj sapması oluşturur.
Zaman alanı trasesinde, göz kırpması Fp1 ve Fp2 gibi frontopolar kanallarda maksimuma ulaşan, ardından santral veya posterior derivasyonlara doğru bakıldığında keskin bir şekilde sönen yüksek genlikli, yavaş bir dalga olarak görünür. Dalga formu son derece basmakalıp (stereotipik) olduğundan, eğitimli bir göz bunu neredeyse anında fark edebilir.
Göz Hareketleri ve Sakkadik Dikenler
Gözler kırpılmadan yanal olarak hareket ettiğinde, korneo-retinal dipol örtülmek yerine döner. Bu durum, elektro-okülogram sinyalinde bitişik EEG kanallarına sızabilecek basamak benzeri bir kayma üretir.
Ek olarak, bir sakkad sırasında ekstraoküler kasların hızlı kasılması, sakkadik diken potansiyeli olarak bilinen kısa, keskin bir elektriksel geçici durum (transient) oluşturur. Ham bir trasede bu dikenler, yanıltıcı biçimde epileptiform aktiviteye benzer görünebilir. Tipik olarak frontal ve temporal elektrotlarla sınırlıdırlar ve bakış yönündeki bir değişiklikle örtüşürler.
Bunları tanımak, hatalı bir klinik izlenimi önler ve aksi takdirde temiz olan nöral verilerin gereksiz yere reddedilmesini engeller. Dikenin kısalığı, yatay veya dikey bir göz hareketiyle korelasyonu ve ardından gelen yavaş bir dalganın olmaması, onu gerçek bir kortikal deşarjdan ayırt etmeye yardımcı olur.
Kas Aktivitesi
Kafa derisi, yüz ve boyun kasları, yüksek frekanslı elektriksel gürültünün üretken kaynaklarıdır. Bir katılımcı çenesini sıktığında, kaşlarını çattığında ve hatta boynunda gerginlik hissettiğinde, motor ünite aksiyon potansiyelleri eşzamansız olarak ateşlenir ve dikenli, düzensiz bir parazit modeline dönüşür.
Zaman alanında kas artefaktı, EEG'nin üzerine binen, genellikle temporal veya frontal elektrotlar üzerinde en belirgin olan, keskin, düşük genlikli sapmalardan oluşan hızlı bir patlama gibi görünür. Frekans içeriği esas olarak 20 Hz'in üzerinde, birçok bilişsel ölçümün yer aldığı beta ve gama bantlarının oldukça içinde bulunur; bu da onu zihinsel durum izleme ve beyin-bilgisayar arayüzü uygulamaları için özellikle sorunlu hale getirir.
Birbirine yakın yerleştirilmiş elektrotlara sahip yüksek yoğunluklu EEG kurulumları, kas kaynağını lokalize etmeye yardımcı olabilir, ancak ilk savunma hattı katılımcıya rahatlamasını söylemek ve baş için fiziksel destek sağlamaktır.
Ter ve Elektrodermal Kaymalar
Ter bezi aktivitesine bağlı olarak cilt iletkenliğindeki değişiklikler, elektrot-cilt arayüzünü değiştirir. Bu durum, taban çizgisi voltajında genellikle 1 Hz'in altında olan ve birkaç saniye boyunca gezinebilen çok yavaş, pürüzsüz bir kaymaya neden olur.
Bu artefakt, bir diken veya ritmik vızıltı olarak değil, tüm trasenin hafif, dalga benzeri bir yuvarlanması olarak ortaya çıkar. En çok uzun kayıtlarda, sıcak ortamlarda veya endişeli katılımcılarda görülür. Bu düşük frekanslı karıştırıcı faktör, sabit bir oda sıcaklığı korunarak ve iyi elektrot teması sağlanarak kontrol altına alınabilir.
Kardiyak Sinyaller
Kalbin elektriksel alanı, özellikle elektrot empedansları yüksek olduğunda veya bir referans elektrot mastoid veya kulak memesi üzerindeki bir kan damarının yakınına yerleştiğinde kafa derisine ulaşabilecek kadar güçlüdür.
Ortaya çıkan elektrokardiyogram artefaktı, kalp atış hızında (yaklaşık saniyede bir kez) tekrarlanan düzenli, keskin bir QRS kompleksi olarak görünür. Genellikle tutarlı bir zamanlama farkıyla aynı anda birçok kanala sızar ve geniş spektrumlu artefakt özellikleri üzerinde eğitilmiş sınıflandırıcılar, bunu diğer kirleticilerin yanında tespit edebilir.
Kardiyak dalga formu görünür durumdaysa ancak ezici değilse, genellikle özel bir EKG kanalı kaydedilerek çıkarılabilir; aksi takdirde etkilenen segmentlerin manuel olarak reddedilmesi gerekebilir.
Artefakt | Belirleyici İz |
|---|---|
Göz kırpması | Frontal yavaş dalga |
Göz hareketi | Basamak benzeri kayma |
Kas | Yüksek frekanslı dikenler |
Ter | Yavaş taban çizgisi kayması |
Kardiyak | Keskin QRS kompleksi |
Trasedeki Teknik Artefaktları Tanıma
Elektrot Patlamaları ve Hareket Kaynaklı Dikenler
Kurumuş bir jel köprüsü, çekilen bir kablo veya yer değiştiren bir elektrotun neden olduğu empedanstaki ani bir değişiklik, genellikle patlama (pop) olarak adlandırılan ani, dik bir geçici duruma yol açar. Bu, ADJUST gibi otomatik algoritmaların işaretlemek üzere tasarlandığı "genel süreksizlikler" kategorisine girer.
Zaman alanında bir elektrot patlaması, tipik olarak amplifikatörü doyurabilen, yavaş bir toparlanmadan önce sinyali bir an için düz çizgiye dönüştüren aşırı genlikli izole bir diken gibi görünür. Biyolojik bir dikenin aksine, süregelen fizyolojik aktiviteyle çevrili değildir ve genellikle tek bir kanalda görülür, bu da görsel inceleme sırasında tanımlanmasını kolaylaştırır.
Hagmann ve ark. tarafından yapılan bir yenidoğan EEG çalışması, genlik entegreli traseyi değiştiren sık hareket parazitlerini benzer şekilde belgelemiş ve kısa süreli fiziksel bozulmaların bile ölçülebilir kontaminasyon yarattığını vurgulamıştır.
Şebeke Paraziti
Elektrik şebekesinin kayıt kurulumuna kapasitif kuplajı, şebeke frekansında (Avrupa'da ve dünyanın büyük bir kısmında 50 Hz, Kuzey Amerika'da 60 Hz) sürekli, ritmik bir "vızıltı" üretir.
Ham bir EEG trasesinde bu parazit, genellikle tutarlı bir genlikle her kanalın üzerine binmiş kalın bir sinüs dalgası olarak görünür. Az miktarda hat gürültüsü bile düşük voltajlı serebral ritimleri maskeleyebilir ve varlığı elektrot empedansı, koruma veya topraklama ile ilgili bir soruna işaret eder.
Bu kesinlikle bir nöral salınım değil, teknik bir artefakttır ve sabit frekansı gözle veya basit bir spektral çizim ile tanımlanmasını kolaylaştırır.
Gevşek Elektrotlar ve Kablo Hareketi
Bir elektrot kafa derisine güvenli bir şekilde takılmadığında veya kablosu kayıt ortasında sallandığında, mekanik bozulma düzensiz düşük frekanslı dalgalanmalara yol açar. Bunlar, tek bir kanalda yavaş, düzensiz bir kayma veya yüksek genlikli düzensiz dalgalardan oluşan bir patlama gibi görünebilir.
Sporadik yapısı ve tek bir elektrotla sınırlı olması, bu artefaktı göz kırpması veya kas gerilmesi gibi yaygın fizyolojik olaylardan anında ayırır. Bu tür anları gerçek zamanlı olarak not etmek, daha sonra bozuk veri segmentlerini arama zahmetini azaltarak ciddi ölçüde zaman kazandırır.
Kayıt Sırasında Artefaktları Önleme ve Belgeleme
En etkili artefakt yönetimi stratejisi, ilk veri noktası kaydedilmeden çok önce başlar.
Rahatlamış bir katılımcı, belirgin şekilde daha az kas ve göz hareketi artefaktı üretir. Bu nedenle, oturumu açıklamak için zaman ayırın, baş destekli rahat bir sandalye sağlayın ve spontane göz kırpmalarını ve sakkadları azaltmak için gözlere sabit bir odaklanma noktası verin. Bu adımlar o kadar temeldir ki araştırma makalelerinde nadiren ayrıntılı olarak açıklanır, ancak temiz veri bildiren her çalışma örtük olarak bunlara dayanır.
Elektrot uygulaması bir sonraki savunma hattıdır. Cildin titizlikle hazırlanması, yeterli iletken jel ve dikkatli kablo yönlendirmesi, hem çevresel gürültü alımını hem de hareketle ilişkili patlamaları en aza indirir.
Yukarıda bahsedilen bebek EEG çalışması, elektriksel parazitler ile hareket parazitlerinin benzer sıklıkta meydana geldiğini tespit ederek hiçbir kayıt ortamının teknik sorunlara karşı doğası gereği bağışık olmadığını doğrulamıştır. Oturumdan önce ve sonra empedansları kontrol etmek ve kabloları giysilere veya sandalyeye sabitlemek, önlenebilir artefaktların büyük bir kısmını ortadan kaldırır.
Son olarak, kayıt sırasında görünür artefaktların kaydını tutun. Büyük bir hareketin, öksürüğün veya elektrot ayarlamasının zamanını not edin. Bu tür bir manuel açıklama ekleme (notasyon), insan değerlendiricilerin makine öğrenimi algoritmaları için temel doğruluk (ground truth) görevi görecek segmentleri işaretlediği otomatik sınıflandırıcıları eğitmek için kullanılan uzman etiketlemesini yansıtır.
Basit bir el yazısı zaman damgası veya veri toplama yazılımındaki bir olay işaretleyicisi, tahmin yürütmeyi tekrarlanabilir belgelere dönüştürür.
Manuel Reddetme ve İnterpolasyon: Hesaplamadan Önce Temizleme
Sürekli Trasenin Görsel İncelemesi
Artefakt giderme işlemini herhangi bir sinyal işleme algoritmasına devretmeden önce, ham verileri gözden geçirin ve kontamine olmuş aralıkları belirlemek için yukarıda açıklanan dalga formu izlerini kullanın.
Genellikle bir göz kırpmasının karakteristik frontal yavaş dalgasını, kas aktivitesinin yüksek frekanslı cızırtısını, bir patlamanın izole dikenini veya şebeke gürültüsünün kalıcı sinüs dalgasını aramanız önerilir. Bu adım, gözünüzü artefaktları gerçek beyin aktivitesinden ayırt etmek için eğitir ve yüzeysel olarak artefaktlara benzeyebilecek nadir, yüksek genlikli nöral olayların otomatik olarak reddedilmesini önler.
Frontal yavaş dalga: göz kırpmasına işaret eder
Yüksek frekanslı cızırtı: kas aktivitesine işaret eder
Aşırı genlikli izole diken: elektrot patlamasına işaret eder
Kalıcı sinüs dalgası: şebeke parazitine işaret eder
Kötü Zaman Segmentlerini İşaretleme ve Hariç Tutma
Artefakt yüklü bir veri aralığını belirledikten sonra, bunu hariç tutulmak üzere işaretleyin. Bu, başlangıç ve bitiş zamanlarının günlüğe kaydedilmesini veya EEG analiz yazılımında yerleşik işaretleme araçlarının kullanılmasını içerebilir.
En çok kontamine olmuş segmentlerin manuel olarak kaldırılması, en gelişmiş otomatik yöntemlerin bile üzerine inşa edildiği standarttır. Örneğin ADJUST algoritmasını üreten çalışmada uzmanlar, bir eğitim seti oluşturmak için 640 bileşeni manuel olarak etiketlemiş ve sınıflandırıcının performansı daha sonra bu manuel olarak tanımlanmış temel doğruluğa göre ölçülmüştür.
En bariz artefaktların elle temizlenmesi, sonraki algoritmaların üzerindeki yükü azaltır ve uzamsal filtreleme adımları sırasında gürültünün komşu kanallara yayılmasını önler.
Sürekli Gürültülü Bir Kanalın İnterpolasyonu
Gevşek bir temas, kurumuş jel veya mekanik instabilite nedeniyle tek bir elektrot tüm kayıt boyunca güvenilmez olduğunda, bu kanalın çıkarılması ve verilerinin komşu temiz elektrotlardan yeniden yapılandırılması genel veri boyutsallığını korur.
İnterpolasyon, hatalı kanalın ne kaydetmiş olacağını tahmin etmek için kafa derisi üzerindeki uzamsal voltaj dağılımını kullanır ve artefaktı etkili bir şekilde makul, nötr bir sinyalle değiştirir. Bu adım, veri setini topografik analizler için sağlam tutar ve kanalın tamamen atılmasından kaynaklanacak veri kaybını önler.
Manuel Temizleme Neden Hâlâ Önemlidir?
En karmaşık otomatik sınıflandırıcılar bile kaba artefaktlardan önceden temizlenmiş bir veri setinden yararlanır. Yenidoğan çalışmasının artefaktların kayıt süresinin %12'sini kapladığı ve klinik yorumlamayı etkilediği yönündeki bulgusu, giderilmeyen kontaminasyonun sonuçları ne kadar kolay çarpıtabileceğini göstermektedir.
Bu nedenle manuel inceleme, veriler etkili bir hesaplama hattına girmeden önce en büyük ve en belirgin artefaktların ortadan kaldırılmasını sağlar; aksi takdirde bu artefaktlar varyansa hakim olabilir ve ayrıştırmayı yanıltabilir. Ayrıca hiçbir algoritmanın taklit edemeyeceği şekilde veri setine derinlemesine aşina olunmasını sağlar.
Otomatik Giderme Manuel Çalışmayı Nasıl Destekler?
Bir Ayrıştırma Aracı Olarak Bağımsız Bileşen Analizi
En kötü segmentler manuel olarak kaldırıldıktan sonra, ICA kalan EEG'yi istatistiksel olarak bağımsız kaynak bileşenlerine ayırabilir. Bu teknik, kafa derisi elektrotları tarafından toplanan beyin ve artefakt sinyallerinin karışımını ayrıştırarak göz hareketlerini, kırpmaları ve kas aktivitesini benzersiz uzamsal ve zamansal modellerine dayalı olarak ayrık bileşenlere ayırır.
Daha sonra frontal projeksiyona sahip ve dalga formu göz kırpma sinyaliyle yakından eşleşen bir bileşen tanımlanabilir ve çıkarılabilir, böylece verilerin geri kalanı nörofizyolojik olarak bozulmadan kalır. ICA'nın gücü, aynı anda meydana gelen birden fazla artefakt kaynağını ele alma yeteneğinde yatar; bu, daha basit regresyona dayalı düzeltmenin sıklıkla aşırı veya yetersiz düzelttiği bir görevdir.
Modern Sınıflandırıcıların Güvenilirliği
Otomatik yöntemler artık uzman insan yargısıyla yakından eşleşen bir performans seviyesine ulaşmıştır.
Frekans, uzamsal ve zamansal alanlardan çıkarılan altı özellik üzerinde eğitilen bir özneden bağımsız doğrusal sınıflandırıcı, bir tepki süresi veri setinde %10'un altında bir ortalama kare hata elde etmiştir; bu da iki insan uzman arasındaki uyuşmazlık aralığındadır.
Ayrıca, uzamsal ve zamansal artefakta özgü özellikleri birleştiren ADJUST algoritması, tamamen bağımsız bir veri setinde test edildiğinde veri varyansının %95,2'sinde manuel uzman etiketlemesiyle uyum göstermiştir ve artefaktlı bileşenleri kaldırması, olayla ilişkili potansiyellerin temiz bir şekilde yeniden yapılandırılmasını sağlamıştır.
Destek vektör makinesiyle birleştirilmiş otoregresif modelleri kullanan farklı bir yaklaşım, bireyler arasında katılımcı kaynaklı çeşitli artefakt türlerini yaklaşık %94 doğrulukla sınıflandırmıştır.
Özellikle göz artefaktları için, ilgili bileşenleri nesnel olarak tanımlamak amacıyla göz takip cihazı bilgilerini içeren bir algoritma, yalnızca bileşen topografilerine güvenmek zorunda kalan insan uzmanlara göre neredeyse iki kat daha etkili performans göstermiş ve eğri altında kalan alanda (ROC AUC) 0,99'dan daha yüksek bir değer elde etmiştir.
Bu rakamlar manuel temizlemenin yerini almaz, ancak alanın artık eskiden tamamen elle yapılan tekrarlayan, yüksek hacimli tanımlama işlemlerini üstlenebilecek güvenilir hesaplamalı yardımcılara sahip olduğunu göstermektedir.
Artefakt Giderme ve Sinyal Koruma Arasında Denge Kurma
Agresif artefakt reddi, yanlışlıkla gerçek nöral bilgileri de yok edebilir. Bir motor imgeleme beyin-bilgisayar arayüzü paradigmasında araştırmacılar, BCI sisteminin kullanıcının niyetini çözmek için kullandığı ayırt edici bilgileri korurken en çok artefakt içeren ICA bileşenlerinin %60'a kadarını güvenle kaldırabildiklerini bulmuşlardır.
Bu bulgu, bir miktar artefakt varyansı taşıyan her bileşenin nöral sinyalden yoksun olmadığı yönündeki çok önemli ilkenin altını çizmektedir. Otomatik bir sınıflandırıcı tarafından seçilen bileşenlerin manuel olarak gözden geçirilmesi, ret eşiğinin yararlı beyin aktivitesi alanına geçmediğini doğrulamak için tavsiye edilmeye devam etmektedir.
Evrişimli Sinir Ağları ile Otomatik EEG Artefakt Tanımlama
EEG artefakt tanımlamasına yönelik otomatik yaklaşımlar önemli ölçüde ilerlemiş olup, yukarıda açıklanan manuel tanıma tekniklerine bir tamamlayıcı sunmaktadır. Araştırmaların bir kolu, ham sinyalin uzman düzeyinde öznitelik çıkarımı veya ön işlemesini gerektirmeden artefaktları tespit edip sınıflandırabilen evrişimli sinir ağlarına odaklanmıştır.
Sürekli çok kanallı EEG verilerini inceleyen araştırmacılar tarafından yapılan bir çalışma, EEG artefaktlarının ikili tespiti için bir CNN mimarisi önermiş ve ardından bunu birden fazla artefakt türünü sınıflandıracak şekilde genişletmiştir. Yazarlar, optimize edilmiş ağlarının 17 hasta ve 9 artefakt sınıfı genelinde ortalama %94,17 sınıflandırma doğruluğu elde ettiğini bildirmektedir. Orijinal CNN tabanlı mimariyle karşılaştırıldığında, optimize edilmiş versiyon %17,5 daha yüksek doğruluğun yanı sıra 4,2 kat daha az parametre ve 2,7 kat daha az hesaplama sağlamıştır. Araştırmacılar ayrıca modellerini 14 kanallı bir Emotiv Epoc X headset kullanarak laboratuvarlarında topladıkları bir veri seti üzerinde değerlendirmiş ve göz kırpma artefaktlarını tespit etmede %93,5 doğruluk elde etmiştir.
Çalışma, önerilen modellerin öznitelik çıkarımı veya EEG verilerinin ön işlemesi için uzman bilgisi gerektirmediğini ve mimarinin mobil cihazlarda uygulanabilecek kadar verimli olduğunu gözlemlemiştir. Bu, pratik ve düşük kaynaklı ortamlarda gerçek zamanlı artefakt tespitinin mümkün olabileceğine işaret etmektedir.
Bu araştırma grubunun henüz ortaya koymadığı husus, bu tür otomatik sınıflandırıcıların gerçek dünya kayıtlarında karşılaşılan tüm artefakt türleri genelinde nasıl bir performans gösterdiği veya çeşitli popülasyonlar ve kayıt ortamlarında manuel incelemeyle nasıl karşılaştırıldığıdır. Bulgular, verimli ve otomatik EEG artefakt tanımlamasının uygulanabilir olduğunu göstermektedir, ancak daha geniş koşullar genelinde daha fazla doğrulama yapılması açık bir araştırma alanı olmaya devam etmektedir.
Artefakt Farkındalığı Veri Kalitesini Neden Belirler?
Artefaktlar hem görsel yorumlamayı hem de nicel ölçümleri doğrudan etkiler. Hedef ister klinik bir teşhis, ister bir nörobilim keşfi veya bir tüketici sağlığı uygulaması olsun, güvenilir sonuçlara giden yol artefaktların nereden geldiğini, ham trasede nasıl göründüklerini net bir şekilde anlamaktan ve bunları önleme, belgeleme ve manuel olarak temizleme konusundaki disiplinli süreçten geçer.
ICA tabanlı otomasyon temizleme iş akışını hızlandırabilir, ancak en etkili şekilde eğitimli bir insan gözü tarafından önceden incelenmiş veriler üzerinde çalışır. %12'lik bir kontaminasyon oranı kulağa yüksek gelmeyebilir, ancak bu oran tıbbi bir kararı değiştirebildiğinde veya incelikli bir bilişsel biyobelirteci gizleyebildiğinde, artefakt yönetimine yapılan yatırım kaydın bilimsel bütünlüğünden ayrılamaz hale gelir.
Referanslar
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
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
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
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
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
Sıkça Sorulan Sorular
EEG artefaktlarının iki ana kategorisi nelerdir ve birbirlerinden nasıl ayrılırlar?
EEG artefaktları iki kategoriye ayrılır: göz kırpmaları, kas gerginliği, kalp atışı ve terleme gibi katılımcının vücudu tarafından üretilen katılımcı kaynaklı (fizyolojik) artefaktlar ve gevşek elektrotlar, kablo sallantısı ve şebeke paraziti gibi ekipmandan veya ortamdan kaynaklanan teknik (fizyolojik olmayan) artefaktlar. Bu ayrım önemlidir çünkü her kategori farklı önleme ve giderme stratejileri gerektirir; örneğin, bir kas patlaması, 60 Hz'lik hat uğultusundan farklı bir müdahale gerektirir.
Bir EEG trasesinde göz kırpma artefaktı nasıl tanınabilir?
Bir göz kırpması, Fp1 ve Fp2 gibi frontal elektrotlarda en güçlü olan ve santral veya posterior kanallara doğru hızla azalan büyük, pozitif, yavaş bir dalga olarak görünür. Kornea retinaya kıyasla pozitif bir yük taşıdığından, göz kapağının bu dipol üzerinden geçmesi eğitimle fark edilmesi kolay olan basmakalıp, yüksek genlikli bir sapma yaratır.
Kas aktivitesi beyin-bilgisayar arayüzleri için neden özellikle sorunlu olabilir?
Çene sıkma, kaş çatma veya boyun gerginliğinden kaynaklanan kas artefaktları, bilişsel ölçümlerin ve zihinsel durum izlemenin çalıştığı beta ve gama beyin dalgası bantlarıyla sıklıkla örtüşen yüksek frekanslı, dikenli parazitler üretir. Bu kirlenme, algoritmik analizleri bozabilir ve beyin-bilgisayar arayüzü modellerinin performansını düşürebilir; bu da onu yönetilmesi en zahmetli fizyolojik artefaktlardan biri haline getirir.
Şebeke paraziti artefaktı nasıl görünür ve buna ne sebep olur?
Şebeke paraziti, bölgenin elektrik şebekesine bağlı olarak genellikle 50 veya 60 Hz'de her EEG kanalına binmiş sürekli, ritmik bir sinüs dalgası "vızıltısı" olarak görünür. Zayıf elektrot empedansı, yetersiz koruma veya topraklama sorunları nedeniyle güç kaynağının kayıt kurulumuna kapasitif kuplajından kaynaklanır ve nöral bir sinyalden ziyade açıkça teknik bir artefakttır.
Kayıt sırasında artefaktların manuel olarak not edilmesi neden önemlidir?
Oturum sırasında büyük hareketlerin, öksürüklerin veya elektrot ayarlamalarının kaydını tutmak, daha sonra bozuk veri segmentlerini daraltmaya yardımcı olur ve tahmin yürütmeyi tekrarlanabilir belgelere dönüştürür. Bu manuel notasyon, otomatik sınıflandırıcıları eğitmek için kullanılan uzman etiketlemesini de yansıtır ve hem manuel hem de hesaplamalı temizlemenin güvenilirliğini artıran bir temel doğruluk (ground truth) sağlar.
Sürekli gürültülü bir EEG kanalını enterpole etmenin amacı nedir?
Gevşek temas veya kurumuş jel nedeniyle tek bir elektrot kayıt boyunca güvenilmez olduğunda interpolasyon, kafa derisi üzerindeki uzamsal voltaj dağılımını kullanarak o kanalın verilerini komşu temiz elektrotlardan yeniden oluşturur. Bu durum, kanalın tamamının atılması halinde meydana gelecek veri kaybını önleyerek topografik analizler için veri setinin genel boyutsallığını korur.
Bağımsız bileşen analizi (ICA) artefakt gidermeye nasıl yardımcı olur?
ICA, karışık EEG sinyallerini istatistiksel olarak bağımsız kaynak bileşenlerine ayırarak göz kırpmalarını, kas aktivitesini ve diğer artefaktları benzersiz uzamsal ve zamansal modellerine göre ayırır. Tanımlandıktan sonra, göz kırpmayla eşleşen frontal projeksiyona sahip bir bileşen gibi bir artefakt bileşeni çıkarılabilir; bu da altta yatan nöral sinyalleri büyük ölçüde sağlam bırakır ve eşzamanlı birden çok artefakt kaynağını basit regresyon yöntemlerinden daha etkili bir şekilde yönetir.
Otomatik artefakt gidermede aşırı agresif olmanın riski nedir?
Bazı bileşenler hem artefakt varyansını hem de yararlı beyin aktivitesini taşıdığından, aşırı agresif ret işlemi yanlışlıkla gerçek nöral bilgileri yok edebilir. Otomatik sınıflandırıcılar birçok bileşeni işaretlese bile, ret eşiğinin kullanıcı niyetini çözmek veya bilişsel biyobelirteçleri tespit etmek için gerekli olan sinyali ortadan kaldırmamasını sağlamak amacıyla hangi bileşenlerin kaldırılacağını manuel olarak gözden geçirmek tavsiye edilir.
Artefakt farkındalığı bir EEG kaydının bilimsel bütünlüğünü neden doğrudan etkiler?
Artefaktlar patolojik dalga formları gibi görünebilir veya hem görsel yorumlamayı hem de nicel analizleri bozan varyanslar yaratarak klinik sınıflandırmaları potansiyel olarak değiştirebilir ya da incelikli bilişsel sinyalleri gizleyebilir. Artefaktları önleme, belgeleme ve manuel olarak temizleme konusundaki disiplinli bir süreç, herhangi bir hesaplamalı işlemeden önce vazgeçilmezdir; bu da verilerden çıkarılan sonuçların kontaminasyonla bozulmamış ve güvenilir olmasını sağlar.
Emotiv, erişilebilir EEG ve beyin verisi araçları aracılığıyla sinirbilim araştırmalarının ilerlemesine yardımcı olan bir nöroteknoloji lideridir.
Tıbbi Sorumluluk Reddi: Bu web sitesinde sunulan bilgiler yalnızca eğitim ve bilgilendirme amaçlıdır; tıbbi veya sağlık tavsiyesi niteliği taşımamaktadır. Bu içerik hatalar barındırabilir ve hayati önem taşıyan sağlık, tıbbi veya yaşam tarzı seçimleri yapmak için temel alınmamalıdır. Tıbbi bir durum veya tedaviyle ilgili sorularınız için her zaman hekiminizin veya diğer nitelikli sağlık uzmanınızın tavsiyesine başvurun.
Christian Burgos
