EEG Artifaktları

EEG Artefaktlarının İki Temel Kategorisi

Bir EEG kaydındaki her istenmeyen dalgalanma iki kökenden birinden kaynaklanır. Katılımcıyla ilgili veya fizyolojik artefaktlar, katılımcının kendi vücudu tarafından üretilir. Bunlar arasında göz kırpma, kas gerginliği, kalp atışı ve ter bezi aktivitesi yer alır; bunların tümü, kafa derisi elektrotlarının gerçek beyin aktivitesinin yanı sıra topladığı elektrik alanları üretir.

Teknik veya fizyolojik olmayan artefaktlar ise kayıt ekipmanından ve ortamından kaynaklanır. Gevşek elektrotlar, kablo sallanması, amplifikatör doygunluğu ve şebeke elektriği paraziti bu ikinci gruba girer.

İki kategori arasındaki ayrımı yapmak, ustalaşılması gereken ilk beceridir çünkü önleme ve temizleme stratejileri temelden farklılık gösterir. Sıkılmış bir çeneden kaynaklanan bir kas patlaması, zayıf korumalı bir kablodan giren periyodik bir 60 hertzlik vızıltıdan farklı bir müdahale gerektirir.

Katılımcıyla İlgili Artefaktlar Nasıl Tanınır?

Göz Kırpma

Göz, küçük bir elektrik bataryası gibi davranır. Kornea, retinaya göre pozitif bir yük taşır ve bir korneo-retinal dipol oluşturur. Bir katılımcı gözünü kırptığında, göz kapağı bu dipolün üzerinden geçer ve pozitif alanı yukarı doğru sürükleyerek gözlere en yakın frontal elektrotlarda büyük, pozitif bir voltaj sapması üretir.

Zaman alanlı izde, göz kırpma Fp1 ve Fp2 gibi frontopolar kanallarda maksimuma ulaşan, ardından merkezi veya arka türevlere doğru bakıldığında keskin bir şekilde sönen yüksek genlikli, yavaş bir dalga olarak görünür. Dalga formu çok basmakalıp olduğundan, eğitimli bir göz bunu neredeyse anında fark edebilir.

Göz Hareketleri ve Sakkadik Pikler

Gözler göz kırpma olmaksızın 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 pik potansiyeli olarak bilinen kısa, keskin bir elektriksel geçiş yaratır. Ham bir iz üzerinde bu pikler, yanıltıcı bir şekilde epileptiform aktiviteye çok benzer görünebilir. Genellikle frontal ve temporal elektrotlarla sınırlıdırlar ve bakış yönünün değişmesiyle eş zamanlı olarak meydana gelirler.

Bunları tanımak, yanlış bir klinik izlenimi önler ve aksi takdirde temiz olan nöral verilerin gereksiz yere reddedilmesini engeller. Pikin kısalığı, yatay veya dikey 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 veya hatta boynunda gerginlik tuttuğunda, motor ünite aksiyon potansiyelleri asenkron olarak ateşlenir ve sivri, düzensiz bir parazit paterni halinde toplanır.

Zaman alanında kas artefaktı, EEG'nin üzerinde seyreden keskin, düşük genlikli sapmaların hızlı bir patlaması gibi görünür ve genellikle en çok temporal veya frontal elektrotlar üzerinde belirgindir. Frekans içeriği esas olarak 20 Hz'in üzerinde, birçok bilişsel ölçümün yer aldığı beta ve gama bantlarının tam ortasında yer alır; bu da onu zihinsel durum izleme ve beyin-bilgisayar arayüzü uygulamaları için özellikle sorunlu hale getirir.

Sık aralıklı elektrotlara sahip yüksek yoğunluklu EEG kurulumları kas kaynağını lokalize etmeye yardımcı olabilir, ancak ilk savunma hattı katılımcıya gevşemesini 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, bazal voltajda genellikle 1 Hz'in altında olan ve birkaç saniye boyunca gezinebilen çok yavaş, yumuşak bir kaymaya neden olur.

Artefakt bir pik veya ritmik bir vızıltı olarak değil, tüm izin yumuşak, dalga benzeri bir yuvarlanması olarak görünür. En çok uzun kayıtlarda, sıcak ortamlarda veya endişeli katılımcılarda görülür. Bu düşük frekanslı karıştırıcı faktör, stabil bir oda sıcaklığı korunarak ve iyi elektrot teması sağlanarak yönetilebilir.

Kardiyak Sinyaller

Kalbin elektrik alanı, özellikle elektrot empedansları yüksek olduğunda veya mastoid ya da kulak memesi üzerindeki bir kan damarının yakınına bir referans elektrot yerleştirildiğinde kafa derisine ulaşacak kadar güçlüdür.

Ortaya çıkan elektrokardiyogram artefaktı, kalp atış hızında (yaklaşık saniyede bir kez) tekrarlayan düzenli, keskin bir QRS kompleksi olarak kendini gösterir. Genellikle tutarlı bir zamanlama kayması ile aynı anda birçok kanala sızar ve geniş spektrumlu artefakt özellikleri üzerinde eğitilmiş sınıflandırıcılar bunu diğer kirleticilerle birlikte tespit edebilir.

Kardiyak dalga formu görünür ancak aşırı baskın değilse, genellikle özel bir EKG kanalı kaydedilerek çıkarılabilir; aksi takdirde etkilenen segmentlerin manuel olarak reddedilmesi gerekebilir.

İz Üzerindeki Teknik Artefaktları Tanıma

Elektrot Patlamaları ve Harekete Bağlı Pikler

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 geçiş üretir. Bu durum, ADJUST gibi otomatik algoritmaların işaretlemek üzere tasarlandığı "genel süreksizlikler" kategorisine girer.

Zaman alanında, bir elektrot patlaması tipik olarak amplifikatörü doyurabilecek ve yavaş bir toparlanmadan önce sinyali bir an için düzleştirebilecek aşırı genlikli izole bir pik gibi görünür. Biyolojik bir pikin aksine, devam eden fizyolojik aktivite ile çevrili değildir ve genellikle tek bir kanalda görünerek görsel inceleme sırasında tanımlanmasını kolaylaştırır.

Hagmann ve arkadaşları tarafından yapılan bir yenidoğan EEG çalışması da benzer şekilde genlik entegreli izi değiştiren sık hareket parazitlerini belgelemiş ve kısa süreli fiziksel bozulmaların bile ölçülebilir kirlenme yarattığını vurgulamıştır.

Şebeke Paraziti

Elektrik beslemesinin kayıt kurulumuna kapasitif kuplajı, şebeke frekansında (Avrupa ve dünyanın çoğunda 50 Hz, Kuzey Amerika'da 60 Hz) sürekli, ritmik bir "vızıltı" üretir.

Ham bir EEG izinde bu parazit, her kanalın üzerine binen, genellikle tutarlı bir genliğe sahip 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 durum her zaman teknik bir artefaktır, nöral bir salınım değildir ve sabit frekansı, gözle veya basit bir spektral grafik yardımıyla tanımlanmasını kolaylaştırır.

Gevşek Elektrotlar ve Kablo Hareketi

Bir elektrot kafa derisine güvenli bir şekilde takılmadığında veya kablosu kayıt sırasında 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.

Spesifik doğası ve tek bir elektrotla sınırlı olması, bu artefaktı göz kırpma veya kas kasılması gibi yaygın fizyolojik olaylardan hemen ayırır. Bu tür anları gerçek zamanlı olarak not etmek, daha sonra bozuk veri segmentleri için aramayı daraltarak önemli ölçüde zaman ve emek tasarrufu sağlar.

Kayıt Sırasında Artefaktları Önleme ve Belgeleme

En etkili artefakt yönetim stratejisi, ilk veri noktası kaydedilmeden çok önce başlar.

Gevşemiş bir katılımcı dramatik derecede daha az kas ve göz hareketi artefaktı üretir. Bu nedenle, oturumu açıklamak için zaman ayırın, baş desteği olan rahat bir sandalye sağlayın ve spontane göz kırpma ile sakkadları azaltmak için gözlere sabit bir sabitleme noktası verin. Bu adımlar o kadar temeldir ki araştırma makalelerinde nadiren açıkça belirtilir, ancak temiz veri bildiren her çalışma dolaylı olarak bunlara dayanır.

Elektrot uygulaması bir sonraki savunma hattıdır. Titiz cilt hazırlığı, yeterli iletken jel ve dikkatli kablo yönlendirmesi hem çevresel parazitleri hem de harekete bağlı patlamaları en aza indirir.

Yukarıda belirtilen bebek EEG çalışması, elektriksel ve hareket parazitlerinin benzer sıklıkta meydana geldiğini bularak hiçbir kayıt ortamının teknik sorunlara karşı doğası gereği bağışık olmadığını doğrulamıştır. Oturumdan önce ve sonra empedansların kontrol edilmesi ve kabloların giysilere veya sandalyeye sabitlenmesi, önlenebilir artefaktların büyük bir kısmını ortadan kaldırır.

Son olarak, kayıt sırasında görünen artefaktların sürekli bir günlüğünü tutun. Herhangi bir kaba hareketin, öksürüğün veya elektrot ayarlamasının zamanını not edin. Bu tür bir manuel açıklama, insan değerlendiricilerin makine öğrenimi algoritmaları için temel gerçeği hizmet etmek üzere segmentleri işaretlediği otomatik sınıflandırıcıları eğitmek için kullanılan uzman etiketlemeyi yansıtır.

Kayıt yazılımındaki basit bir el yazısı zaman damgası veya bir olay işareti, tahminleri tekrarlanabilir belgelere dönüştürür.

Manuel Reddetme ve İnterpolasyon: Hesaplamadan Önce Temizlik

Sürekli İzin Görsel İncelemesi

Artefakt temizlemeyi herhangi bir sinyal işleme algoritmasına devretmeden önce, ham verileri kaydırın ve kontamine olmuş aralıkları belirlemek için yukarıda açıklanan dalga formu imzalarını kullanın.

Göz kırpmanın karakteristik frontal yavaş dalgasını, kas aktivitesinin yüksek frekanslı fışırtısını, bir patlamanın izole pikini veya şebeke gürültüsünün kalıcı sinüs dalgasını aramanız genellikle önerilir. Bu adım, gözünüzü artefaktları gerçek beyin aktivitesinden ayırt edecek şekilde eğitir ve yüzeysel olarak artefaktlara benzeyebilecek nadir, yüksek genlikli nöral olayların otomatik olarak reddedilmesini önler.

• Frontal yavaş dalga: göz kırpmasını gösterir

• Yüksek frekanslı fışırtı: kas aktivitesini gösterir

• Aşırı genlikli izole pik: elektrot patlamasını gösterir

• Kalıcı sinüs dalgası: şebeke parazitini gösterir

Kötü Zaman Segmentlerini İşaretleme ve Hariç Tutma

Artefaktla dolu bir veri parçasını belirledikten sonra, onu hariç tutulmak üzere işaretleyin. Bu, başlangıç ve bitiş zamanlarının günlüğe kaydedilmesini veya EEG analiz yazılımına yerleşik işaretleme araçlarının kullanılmasını içerebilir.

En kötü kontamine olmuş segmentlerin manuel olarak çıkarılması, en son teknolojiye sahip 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 gerçeğe karşı ölçülmüştür.

En vahim artefaktların elle çıkarılması, sonraki algoritmalar 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, o kanalı çıkarmak ve verilerini komşu temiz elektrotlardan yeniden oluşturmak genel veri boyutunu korur.

İnterpolasyon, kaba 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 Temizliğin Neden Temel Kalmaya Devam Ettiği

En sofistike otomatik sınıflandırıcılar bile kaba artefaktlardan önceden temizlenmiş bir veri setinden yararlanır. Yenidoğan çalışmasının, artefaktların kayıt süresinin %12'sini kapladığı ve klinik yorumu etkilediği yönündeki bulgusu, temizlenmemiş kirlenmenin sonuçları ne kadar kolay çarpıtabileceğini göstermektedir.

Bu nedenle manuel inceleme, veriler, aksi takdirde varyansa hakim olabilecek ve ayrışmayı yanıltabilecek etkili bir hesaplama hattına girmeden önce en büyük ve en belirgin artefaktların giderilmesini sağlar. Ayrıca veri seti ile hiçbir algoritmanın kopyalayamayacağı derin bir aşinalık kurar.

Otomatik Temizlemenin Manuel Çalışmayı Nasıl Desteklediği

Bir Diseksiyon Aracı Olarak Bağımsız Bileşen Analizi

En kötü segmentler manuel olarak çıkarıldıktan sonra, ICA geri kalan EEG'yi istatistiksel olarak bağımsız kaynak bileşenlerine ayırabilir. Bu teknik, kafa derisi elektrotları tarafından toplanan beyin ve artefakt sinyallerinin karışımını ayrıştırarak göz hareketlerini, göz kırpmalarını ve kas aktivitesini benzersiz uzamsal ve zamansal modellerine göre ayrı bileşenlere ayırır.

Böylece frontal projeksiyona sahip ve göz kırpma sinyaliyle yakından eşleşen bir dalga formuna sahip bir bileşen tanımlanıp çıkarılabilir, geriye kalan veriler nörofizyolojik olarak bozulmadan bırakılabilir. ICA'nın gücü, aynı anda meydana gelen birden fazla artefakt kaynağını işleyebilmesinde yatar; bu, daha basit regresyon tabanlı düzeltmelerin sıklıkla aşırı veya yetersiz düzelttiği bir görevdir.

Modern Sınıflandırıcıların Güvenilirliği

Otomatik yöntemler artık uzman insan yargısıyla yakından eşleşen bir performans düzeyine ulaşmıştır.

Frekans, uzamsal ve zamansal alanlardan çıkarılan altı özellik üzerinde eğitilen bir katılımcıdan bağımsız doğrusal sınıflandırıcı, bir tepki süresi veri setinde %10'un altında bir ortalama kare hata elde etmiştir ki bu, iki insan uzman arasındaki anlaşmazlık aralığındadır.

Ayrıca, uzamsal ve zamansal artefakta özel özellikleri birleştiren ADJUST algoritması, tamamen bağımsız bir veri seti üzerinde test edildiğinde veri varyansının %95.2'sinde manuel uzman etiketlemesiyle uyum sağlamış ve artefaktlı bileşenleri çıkarması olayla ilişkili potansiyellerin temiz bir şekilde yeniden oluşturulmasını sağlamıştır.

Destek vektör makinesi ile birleştirilmiş özbağlanımlı modeller kullanan farklı bir yaklaşım, bireyler genelinde katılımcı kaynaklı çeşitli artefakt türlerini yaklaşık %94 doğrulukla sınıflandırmıştır.

Özellikle göz artefaktları için, ilgili bileşenleri objektif olarak tanımlamak üzere göz takip cihazı bilgilerini entegre eden bir algoritma, yalnızca bileşen topografilerine güvenmek zorunda kalan insan uzmanlardan neredeyse iki kat daha etkili performans göstererek 0.99'dan büyük bir alıcı işletim karakteristiği eğri altı alanı elde etmiştir.

Bu rakamlar manuel temizliğin yerini almaz, ancak alanın artık bir zamanlar tamamen elle yapılan tekrarlayan, yüksek hacimli tanımlama işlemlerini gerçekleştirebilecek güvenilir hesaplamalı asistanlara sahip olduğunu göstermektedir.

Artefakt Temizleme ve Sinyal Koruma Arasındaki Denge

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'ına kadarını güvenle çıkarabileceklerini bulmuşlardır.

Bu bulgu, bir miktar artefakt varyansı taşıyan her bileşenin nöral sinyalden yoksun olmadığı yönündeki kritik ilkeyi vurgulamaktadır. Reddetme eşiğinin yararlı beyin aktivitesi alanına geçmediğini doğrulamak için otomatik bir sınıflandırıcı tarafından seçilen bileşenlerin manuel olarak gözden geçirilmesi önerilir.

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, isterse bir tüketici refahı uygulaması olsun, güvenilir sonuçlara giden yol artefaktların nereden geldiğini, ham izde 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 zaten eğitimli bir insan gözü tarafından incelenmiş veriler üzerinde çalışır. %12'lik bir kontaminasyon oranı kulağa yüksek gelmeyebilir, ancak bu pay tıbbi bir kararı değiştirebildiğinde veya ince bir bilişsel biyobelirteci gölgeleyebildiğinde, artefakt yönetimine yapılan yatırım kaydın bilimsel bütünlüğünden ayrılamaz hale gelir.

Referanslar

1. 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

2. 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

3. 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

4. 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

5. 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 kırpma, kas gerginliği, kalp atışı ve ter gibi katılımcının vücudu tarafından üretilen katılımcıyla ilgili (fizyolojik) artefaktlar ve gevşek elektrotlar, kablo sallanması ve şebeke paraziti gibi ekipman veya ortamdan kaynaklanan teknik (fizyolojik olmayan) artefaktlar. Bu ayrım önemlidir çünkü her kategori farklı önleme ve temizleme stratejileri gerektirir; örneğin, bir kas patlaması, 60 Hz'lik bir hat vızıltısından farklı bir müdahale gerektirir.

Bir EEG izinde göz kırpma artefaktını nasıl tanıyabilirsiniz?

Göz kırpma, Fp1 and Fp2 gibi frontal elektrotlar üzerinde en güçlü olan ve merkezi veya arka kanallara doğru hızla kaybolan büyük, pozitif, yavaş bir dalga olarak görünür. Kornea retinaya göre pozitif bir yük taşıdığından, göz kapağının bu dipol üzerinden geçmesi, eğitimle kolayca fark edilebilen 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 çakışan yüksek frekanslı, sivri 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 neye benzer ve buna ne sebep olur?

Şebeke paraziti, bölgenin elektrik şebekesine bağlı olarak genellikle 50 veya 60 Hz'de, her EEG kanalının üzerine binen 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 artefaktır.

Kayıt sırasında artefaktların manuel olarak açıklanması neden önemlidir?

Oturum sırasında kaba hareketlerin, öksürüklerin veya elektrot ayarlamalarının sürekli bir günlüğünü tutmak, daha sonra bozuk veri segmentlerini daraltmaya yardımcı olur ve tahminleri tekrarlanabilir belgelere dönüştürür. Bu manuel açıklama aynı zamanda otomatik sınıflandırıcıları eğitmek için kullanılan uzman etiketlemesini yansıtarak hem manuel hem de bilgisayarlı temizliğin güvenilirliğini artıran bir temel gerçek sağlar.

Sürekli gürültülü bir EEG kanalını interpolasyonla tamamlamanın amacı nedir?

Gevşek temas veya kurumuş jel nedeniyle kayıt boyunca tek bir elektrot güvenilmez olduğunda, interpolasyon kafa derisi üzerindeki uzamsal voltaj dağılımını kullanarak o kanalın verilerini komşu temiz elektrotlardan yeniden oluşturur. Bu, topografik analizler için veri setinin genel boyutunu korur ve kanalın tamamı atıldığında meydana gelecek veri kaybını önler.

Bağımsız bileşen analizi (ICA) artefakt temizlemeye 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, bir göz kırpmayla eşleşen frontal projeksiyona sahip bir artefakt bileşeni çıkarılabilir, böylece alttaki nöral sinyaller büyük ölçüde bozulmadan kalır ve aynı anda gerçekleşen birden fazla artefakt kaynağı basit regresyon yöntemlerinden daha etkili bir şekilde yönetilir.

Otomatik artefakt temizlemede çok agresif olmanın riski nedir?

Bazı bileşenler hem artefakt varyansını hem de yararlı beyin aktivitesini taşıdığından, agresif reddetme yanlışlıkla gerçek nöral bilgileri de yok edebilir. Otomatik sınıflandırıcılar birçok bileşeni işaretlese bile, reddetme eşiğinin kullanıcının niyetini çözmek veya bilişsel biyobelirteçleri tespit etmek için gerekli olan sinyali ortadan kaldırmamasını sağlamak için hangi bileşenlerin çıkarılacağının manuel olarak gözden geçirilmesi önerilir.

Artefakt farkındalığı bir EEG kaydının bilimsel bütünlüğünü neden doğrudan etkiler?

Artefaktlar patolojik dalga formları gibi görünebilir veya hem görsel yorumlamayı hem de nicel analizleri saptıran varyanslar sunarak potansiyel olarak klinik sınıflandırmaları değiştirebilir veya ince bilişsel sinyalleri gölgeleyebilir. Herhangi bir bilgisayarlı işlemden önce artefaktların önlenmesi, belgelenmesi ve manuel olarak temizlenmesine yönelik disiplinli bir süreç, verilerden çıkarılan sonuçların güvenilir olmasını ve kirlenmeyle bozulmamasını sağlamak için esastır.