EEG verileri, kafa derisinden ölçülen elektriksel aktivitenin zamana duyarlı bir kaydını sağlar. Bunun değeri yalnızca kaydın kendisine değil, aynı zamanda dikkatli bir şekilde elde edilmesine, şeffaf bir şekilde işlenmesine, uygun şekilde depolanmasına ve sorumlu bir şekilde yorumlanmasına da bağlıdır.
EEG Verisi Nedir?
EEG verisi, kafa derisine veya yakınına yerleştirilen elektrotlar tarafından ölçülen voltaj farklarının dijital bir kaydıdır. Elektroensefalografi invaziv değildir ve araştırmacıların ve klinisyenlerin beyin aktivitesindeki değişiklikleri milisaniyeler düzeyinde incelemesine olanak tanıyan yüksek zamansal çözünürlük sunar. Ortaya çıkan sinyal genellikle bir veya daha fazla sürekli zaman serisi olarak saklanır ve her kanal bir referansa göre ölçümü temsil eder.
Sinyal, kaynakların bir karışımını yansıtır. Nöral aktivite kayda katkıda bulunur; ancak göz hareketleri, kas kasılmaları, elektrot hareketi, çevresel parazitler ve temastaki değişiklikler gibi artefaktlar da trasede görünebilir.
Bu nedenle EEG verisi, tek bir beyin sürecinin doğrudan bir çıktısı değildir. Bağlam, kalite kontrolleri ve açık bir analitik yöntem gerektiren bir gözlemdir.
Kanal sayısı, örnekleme hızı, referans, elektrot konumları, olay işaretleyicileri ve katılımcı bilgileri, verilerin nasıl yorumlanabileceğini şekillendirir. Pratikte kayıt, sinyal toplandığı görev, durum, zamanlama ve koşullarla birlikte değerlendirildiğinde en fazla bilgiyi sağlar.
Beyin Hücreleri EEG Sinyalini Nasıl Üretir?
Bir EEG elektrodunun tespit ettiği voltaj sapmaları, nöronların uzun mesafeli iletişim için kullandığı keskin, ya hep ya hiç tarzı aksiyon potansiyellerinden değil, kortikal piramidal hücrelerin dendritleri boyunca yayılan daha yavaş, dereceli postsinaptik potansiyellerden kaynaklanır.
Bu nöronların binlercesi yaklaşık bir eşzamanlılıkla aktive olduğunda, minik hücre dışı akımları beynin, beyin omurilik sıvısının, kafatasının ve saçlı derinin iletken ortamı aracılığıyla toplanır; bu sürece hacimsel iletim (volume conduction) adı verilir. Sonunda kayıt sensörüne ulaşan voltaj, bu büyük ölçekli nöral senkroninin bulanık ancak gerçek bir yansımasıdır.
EEG Veri Toplama (Edinimi) Nasıl Çalışır?
Veri edinimi sırasında elektrotlar küçük voltaj dalgalanmalarını tespit eder ve bir kayıt sistemi bunları dijital örneklere dönüştürür. Sistem tipik olarak birden fazla kanalı aynı anda kaydederken, bir referans ve toprak elektrodu kanal değerlerini hesaplamak için gereken elektriksel bağlamı sağlar. Örnekleme hızı, sinyalin ne sıklıkla ölçüldüğünü ve dolayısıyla hangi değişikliklerin aslına uygun olarak temsil edilebileceğini belirler.
Kaydetmeden önce teknisyenler veya araştırmacılar, elektrotları tanımlanmış bir montaja göre konumlandırır ve temas kalitesini kontrol eder. EEG elektrot yerleşimi çerçevesi, oturumlar ve laboratuvarlar arasında karşılaştırmayı destekleyen standartlaştırılmış bir yaklaşımı tanımlar. Bir uyaran göründüğünde, bir katılımcı yanıt verdiğinde veya klinik bir olay meydana geldiğinde olay işaretleyicileri eklenebilir; bu da daha sonra kaydedilen sinyallerle hizalanabilecek bir zaman çizelgesi oluşturur.
Veri edinimi protokol tarafından da şekillendirilir. Dinlenme durumu kayıtları, uyku çalışmaları, bilişsel görevler ve nöbet takibi farklı süreler, talimatlar ve yardımcı sensörler kullanır. Dolayısıyla eksiksiz bir veri seti voltaj traselerinden fazlasını içerir: kanal etiketleri, elektrot konumları, cihaz ayarları, olay kodları, açıklamalar ve kesintilerin ya da olağandışı durumların bir kaydını içerebilir.
EEG Veri Toplama İçin En İyi Uygulamalar
İyi bir veri toplama süreci, katılımcılar test edilmeden önce araştırma sorusunu, kayıt süresini, kanal yapılandırmasını, örnekleme hızını, referansı ve olay işaretleme prosedürünü tanımlayan bir protokolle başlar. Tutarlılık, oturumlar arasındaki istenmeyen varyasyonu azaltır ve sonraki karşılaştırmaları daha savunulabilir hale getirir. Protokol ayrıca bir kanal gürültülü olduğunda, bir katılımcı hareket ettiğinde veya bir olay işaretleyicisi atlandığında ne olacağını da açıklamalıdır.
Fiziksel hazırlık da kritik öneme sahiptir çünkü sinyal kalitesi sıradan hareketler ve zayıf elektrot teması nedeniyle bozulabilir. Bu nedenle operatörler genellikle empedansı veya eşdeğer temas göstergelerini inceler, görevi net bir şekilde açıklar ve katılımcı durumundaki ilgili değişiklikleri kaydeder. Bu adımlar her artefaktı ortadan kaldırmaz, ancak kaynağının tanımlanmasını kolaylaştırır ve önlenebilir sorunların nöral bulgularla karıştırılmasını engeller.
Kısa bir veri toplama kontrol listesi, bilimsel muhakemenin yerini almadan operasyonel ayrıntıların görünür kalmasını sağlayabilir:
Kanal etiketlerini, elektrot konumlarını, referansı ve toprağı doğrulayın.
Örnekleme ayarlarını, filtre ayarlarını ve cihaz yapılandırmasını kaydedin.
Uyaranları, yanıtları, duraklamaları ve klinik olarak ilgili olayları tutarlı bir şekilde işaretleyin.
Kesintileri, hareketi, elektrot değişikliklerini ve olağandışı katılımcı durumlarını belgeleyin.
Veri toplama sonrasında bu kontrol listesi, ham kaydın ve meta verilerinin incelenmesiyle eşleştirilmelidir. Açık veri edinimi kayıtları, analistlerin gerçek bir sinyal özelliğini donanım, kurulum veya protokol kaymasından kaynaklanan bir değişiklikten ayırt etmelerine olanak tanır.
Islak ve Kuru Elektrotlar ile Cilt Temas Kalitesi
Tüm EEG kayıtları cilde temas eden fiziksel bir sensörle başlar ve bu sensör iki geniş aileden birine aittir.
Islak elektrotlar, metal ile kafa derisi arasındaki boşluğu doldurarak empedansı düşürmek için iletken bir jel veya macun kullanır. Kuru elektrotlar jeli ortadan kaldırarak sinyal doğruluğunu korumak için gelişmiş malzemelere ve dahili ön yükseltmeye güvenir.
Bazı elektrotlar aktiftir, yani doğrudan kayıt alanında empedans dönüştürme devresi içerirler; pasif elektrotlar bu dahili elektronikten yoksundur. Türü ne olursa olsun, elektrot-kafa derisi arayüzünün kalitesi, biyolojik sinyalin yükselticiye ulaşmadan önce ne kadarının sağlam kalacağını belirler.
Zayıf temas, zayıf beyin aktivitesini bastırabilecek çevresel gürültüye ve hareket artefaktlarına davetiye çıkarır. Winkler ve ark., bağımsız bileşen analizi (ICA) bileşenleri için denekten bağımsız bir sınıflandırıcı oluşturarak evrensel artefakt kaynak bileşenleri sorununu ele aldıklarında bu zorluğu açıkça ortaya koydular.
Bu çabanın varlığı bile artefakt kontaminasyonunun EEG kayıtlarında kalıcı bir sorun olduğunun altını çizer ve elektrotların ilk uygulaması (cildin temizlenmesi, sensörün doğru yerleştirilmesi ve kararlı bir bağlantının doğrulanması), sonraki işlemlerin uğraşmak zorunda kalacağı artefakt yükünü hafifletmenin ilk ve en doğrudan yoludur.
Montaj Tasarımı ve Standart 10–20 Sistemi
Kafa derisi potansiyellerinin doğal bir uzamsal etiketi olmadığından, alan uzun zaman önce bir koordinat ızgarasını benimsedi. Uluslararası 10–20 sistemi, elektrot konumlarını dört anatomik işaret noktası arasında orantılı olarak tanımlar: nasion (burun kökü), inion (başın arkasındaki kemik çıkıntısı) ve kulakların hemen önündeki sol ve sağ pre-auriküler noktalar. Bu standardizasyon, “Cz” olarak etiketlenen bir kanalın her laboratuvarda aynı merkezi tepe (verteks) konumunu ifade ettiği anlamına gelir ve veri setlerini doğrudan karşılaştırılabilir kılar.
Her elektrodun voltajının bir referansa göre nasıl ölçüldüğünün ve bu bipolar veya referansiyel türevlerin nasıl görüntülendiğinin veya saklandığının bir spesifikasyonu olarak tanımlanan bir montaj, bu fiziksel düzenin üzerinde yer alır. Arnaud Delorme’nin çalışması, olayla ilişkili potansiyellerin istatistiksel gücünü tutarlı bir şekilde artıran birkaç ön işleme adımından biri olan bozuk kanal interpolasyonunun her elektrodun kesin uzamsal komşularını bilmeye bağlı olduğunu bularak doğru montaj bilgisinin süreç akışında neden önemli olduğunun güçlü bir örneğidir. Doğru bir kanal haritası olmadan, bu tür bir interpolasyon güvenilir şekilde çalışamaz.
Ardından, artefakt sınıflandırıcısının farklı kanal kurulumları kullanan verilere genellenebilecek şekilde tasarlandığını ekleyerek sınıflandırıcının uzamsal özelliklerinin iyi belgelenmiş bir düzenlemeyi varsaydığını vurgular. Böylece standartlaştırılmış, aslına uygun olarak kaydedilmiş bir montaj, hem insan yorumunu hem de algoritmik yeniden kullanımı destekleyen görünmez bir iskele haline gelir.
Çevrimiçi Referansı Seçme ve Belgeleme
Her EEG yükselticisi iki nokta arasındaki voltaj farkını kaydeder. Çevrimiçi kayıt sırasında bu noktalardan biri, donanımın sabit bir taban çizgisi olarak kabul ettiği fiziksel bir referans elektrottur.
Yaygın seçenekler verteks (Cz), birbirine bağlı kulak memeleri veya mastoid çıkıntılar ya da tüm kafa derisi kanallarının ortalamasıdır. Ham veri dosyası voltajları bu orijinal referansa göre sakladığından, bir araştırmacı daha sonra sinyali matematiksel olarak başka bir ortak noktaya göre yeniden referanslasa bile, bu seçim sayılar üzerinde kalıcı bir iz bırakır.
Delorme tarafından gerçekleştirilen ve otomatik ön işleme ardışık düzenlerini üç kamuya açık EEG koleksiyonunda test eden söz konusu çalışmada, referanslama ve gelişmiş taban çizgisi kaldırma yöntemlerinin performansa önemli ölçüde zarar verdiği ve anlamlı bir deneysel etki gösteren kanalların yüzdesini azalttığı bulundu.
Bu bulgu, kişinin asla yeniden referanslama yapmaması gerektiği anlamına gelmez; ancak ilk çevrimiçi referansın dosya başlığında kaydedilmesi gerektiği anlamına gelir. Yalnızca bu notla gelecekteki bir analist, başlangıçta hangi taban çizgisinin çıkarıldığını anlayabilir ve sonraki herhangi bir dönüşümün gerçek beyin tepkisini bozup bozmayacağını değerlendirebilir.
Analog-Dijital Dönüştürme ve Örnekleme Hızı
Her elektrottan akan sürekli voltaj, bir analog-dijital dönüştürücü (ADC) tarafından ayrık sayılardan oluşan bir akışa dönüştürülür. ADC'nin örnekleme hızı, ortaya çıkan zaman serisinin zamansal ayrıntı düzeyini belirler.
Örneğin 500 Hz'lik bir örnekleme hızı, beynin elektriksel durumunun her 2 milisaniyede bir yakalandığı anlamına gelir. Nyquist teoremine göre, dijitalleştirilmiş sinyalde aslına uygun olarak temsil edilebilecek en yüksek frekans, örnekleme hızının yarısından azdır; dolayısıyla 500 Hz'lik bir kayıt, 250 Hz'in hemen altına kadar olan frekansları geri kazanabilir. Araştırma düzeyinde EEG, ilgilenilen frekans bantlarına bağlı olarak genellikle 250 Hz ile 1000 Hz arasında çalışır.
Örnekleme hızını meta veri olarak özellikle önemli kılan şey, sürecin çok ilerisinde yapılan analitik seçimleri sessizce kısıtlamasıdır. Fraschini ve ark., bağlantısallık analizi için çıkarılan verilerin zaman penceresi olan epok uzunluğunun sonuçları nasıl değiştirdiğini test ederek tam olarak bu zincirleme etkiyi incelediler.
Sağlıklı yetişkinlerden alınan dinlenme durumu EEG'sini kullanan çalışma, epoklar uzadıkça ortalama faz gecikme indeksi ve genlik zarfı korelasyon değerlerinin her ikisinin de azaldığını ve sırasıyla yalnızca yaklaşık 12 saniye ve 6 saniye sonra kararlı hale geldiğini gösterdi. Verilerden yeniden oluşturulan çizge teorisi ağlarının topolojisi bile epok süresine göre değişiklik gösterdi, ancak kaynak düzeyindeki minimum kapsayan ağaç parametreleri daha dayanıklı çıktı.
Ham veri dokümantasyonu için temel çıkarım, saniye başına örnek sayısının zamanlamanın nasıl dilimlenebileceğine dair mutlak bir alt sınır belirlemesidir. Örnekleme hızı yanlış kaydedilirse, sonraki her olay işaretleyicisi, epok sınırı ve bağlantısallık tahmini bu hatayı devralır. Bu nedenle, dosya başlığında tam ADC hızını belirtmek tartışmasız bir gerekliliktir.
Standart Veri Depolama Formatları: EDF ve BrainVision
Dijitalleştirildikten sonra zaman serisi ve beraberindeki meta veriler, diğer yazılımların ve diğer laboratuvarların belirsizlik olmadan açabileceği bir dosya formatında bulunmalıdır.
Alanda iki açık format hakimdir. Avrupa Veri Formatı (EDF), uyku araştırmalarında ve klinik ortamlarda yaygın olan, örnekleme hızını, kanal etiketlerini ve fiziksel boyutları belirten bir başlığın yanında birden fazla kanalı depolayan kompakt, geniş çapta benimsenmiş bir kapsayıcıdır.
Brain Products tarafından geliştirilen bir format olan BrainVision, aynı bilgiyi birbirine bağlı üç dosyaya yayar: kanal adlarını, örnekleme hızını ve orijinal referansı listeleyen bir metin başlığı (.vhdr); olay kodlarını ve gecikmelerini kaydeden bir işaretleyici dosyası (.vmrk); ve ham voltaj örneklerini tutan bir ikili veri dosyası (.eeg).
Bu standartlaştırılmış formatların değeri, büyük veri setleri kamuya açık olarak paylaşıldığında netleşir. Örneğin, 2019 tarihli bir çalışmada araştırmacılar, 54 katılımcıdan motor imgeleme, olayla ilişkili potansiyeller ve kararlı durum görsel uyarılmış potansiyelleri kapsayan çok paradigmalı bir beyin-bilgisayar arayüzü (BCI) veri seti yayınladılar. Veriler tescilli bir ambalajda kilitli olsaydı, böyle bir kaynağı açık kaynaklı analiz komut dosyalarıyla dağıtmak anlamsız olurdu.
Dosyalar nihai olarak ister EDF ister BrainVision formatında arşivlendiğinde, bu seçim herhangi bir araştırmacının kaydı indirip bulguları yeniden üretebilmesini garanti ederek ham traseyi tüm topluluğun tekrarlanabilirlik zincirine bağlar.
Özellik | EDF | BrainVision |
|---|---|---|
Dosya yapısı | Tek kapsayıcı | Birbirine bağlı üç dosya |
Başlık bilgisi | Dosya içinde | .vhdr metin dosyası |
Olay işaretleyicileri | Ayrı değil | .vmrk dosyası |
Ham veri | Aynı dosya içinde | .eeg ikili dosyası |
Temel Düzenlemeler: Kanal Haritaları ve Örnekleme Meta Verileri
Ham bir EEG dosyası, yalnızca uzamsal ve zamansal iskeletinin eksiksiz, doğru bir tanımını taşıdığında bilimsel olarak kullanılabilir hale gelir. Bu, her kanalın standart bir etikete (örn. Fz, C3, O2 vb.) ve kafa derisindeki üç boyutlu koordinatlarına sahip olması gerektiği anlamına gelir. Bu koordinatlar, bozuk bir kanalın komşularından enterpole edilmesi veya sinyalin kortikal bir kaynak modeline yansıtılması gibi uzamsal ilişkileri içeren daha sonraki herhangi bir analize olanak tanır.
Fraschini ve ark. tarafından yapılan çalışma, ICA bileşenlerini beyin veya artefakt olarak sınıflandırmak için uzamsal, spektral ve zamansal özelliklere dayanıyordu; bir bileşenin uzamsal topografyası, ona katkıda bulunan her bir elektrodun fiziksel konumu bilinmeden anlamsızdır.
Benzer şekilde Delorme, bitişik elektrotlardan gelen değerleri kullanan bozuk kanal interpolasyonunun deneysel etkileri güvenilir bir şekilde koruyan birkaç düzeltmeden biri olduğunu buldu. Bir enterpolatör bu uzamsal tahmini yalnızca veri setinin kanal haritası doğru olduğunda gerçekleştirebilir.
Dosya başlığı ayrıca kesin örnekleme hızını, kaydın tarihini ve elektro-okülogram (göz hareketleri) veya elektromiyogram (kas aktivitesi) gibi herhangi bir yardımcı kanal için net etiketleri saklamalıdır. Bu kanallar ilk veri keşfi sırasında kullanılmasa bile varlıkları şeffaf olmalıdır. Depolanan örnekleme hızı ile gerçek ADC saati arasındaki bir uyuşmazlık, zamanlamayı geri döndürülemez şekilde bozabilir ve daha sonra uyaran işaretleyicileriyle hizalamayı imkansız hale getirebilir.
Klinik ve Araştırma Ortamlarında EEG Verisi
Klinik ve araştırma kayıtları temel ilkeleri paylaşır ancak farklı acil amaçlara hizmet eder. Klinik EEG, yerleşik profesyonel ve kurumsal prosedürler altında hasta değerlendirmesini, takibini veya teşhisini desteklemek için elde edilir. Araştırma EEG'si ise genellikle tanımlanmış bir hipotezi test etmek, koşulları karşılaştırmak veya çalışmaya özgü protokoller ve dokümantasyonla analitik bir yöntem geliştirmek için toplanır.
Klinik çalışma; zamanında incelemeye, klinik olarak anlamlı montajlara, doğrulanmış yorumlamaya ve geçerli bakım sistemi içinde kalıcı bir kayda güçlü bir vurgu yapar. Araştırma ise kontrollü koşullara, önceden belirlenmiş sonuçlara, tekrarlanabilirliğe ve hariç tutmaların şeffaf şekilde ele alınmasına daha fazla önem verir. Bir araştırma sonucu otomatik olarak klinik bir bulgu değildir ve klinik bir gözlem de otomatik olarak doğrulanmış bir araştırma ölçütü sayılmaz.
Bu ayrım veri yönetimini de etkiler. Klinik veriler tıbbi kayıt yükümlülüklerine ve doğrudan bakım gereksinimlerine tabi olabilirken, araştırma veri setleri onam metni, kurumsal inceleme, veri paylaşım planları ve çalışma hedefleri tarafından şekillendirilir. Her iki ortamda da eğitimli yorumlama ve dikkatli belgeleme gereklidir çünkü EEG modelleri izole sayısal değerlerden ziyade bağlama bağlıdır.
EEG Verileri İçin Gizlilik ve Etik Hususlar
EEG kayıtları; tanımlayıcılar, oturum bilgileri, klinik bağlam veya meta veri kombinasyonları aracılığıyla bir kişiyle ilişkilendirilebilir. Dalga biçiminin kendisini uzman bir ortam dışında yorumlamak zor olsa bile, tanımlanabilir bir katılımcıyla bağlantılı olduğunda hassas insan deneği verisi olarak ele alınmalıdır. Toplama ve yeniden kullanım, onaylanmış protokole ve geçerli gizlilik gereksinimlerine uygun olmalıdır.
Onam formu; kaydın amacını, öngörülen analiz türlerini, saklama süresini, olası paylaşımı ve gelecekteki kullanımlara izin verilip verilmediğini açıklamalıdır. Araştırmacılar, EEG'nin çalışmanın ölçmek için tasarlandığından fazlasını ortaya çıkarabileceğini ima etmekten kaçınmalıdır. Katılımcıların bir araştırma kaydının teşhis veya bireyselleştirilmiş bir değerlendirme sağladığını varsayabileceği durumlarda açık iletişim özellikle önemlidir.
Etik uygulama veri toplamadan sonra da devam eder. Kimliksizleştirme, kontrollü erişim, saklama sınırları, denetim izleri ve meta verilerin dikkatli bir şekilde yayınlanması riski azaltmaya yardımcı olur, ancak hiçbir yöntem bunu tamamen ortadan kaldırmaz. Bulgular öngörücü veya tanısal anlamı abartılmadan raporlanmalı ve otomatik sınıflandırmalar, bir kişi hakkında sorgulanamaz yargılar olarak değil, uygun doğrulama gerektiren analitik çıktılar olarak ele alınmalıdır.
Ham Kayıt Kalitesi Güvenilir EEG Analizinin Temelini Neden Oluşturur?
Tek bir EEG oturumu, beynin elektriksel mimarisinin kalıcı biçimde yakalandığı andır ve bu ham trasenin karmaşıklığı, kafa derisinin altındaki sinir ağlarını zaten yansıtır. Burada vurgulanan sinirbilim temelli çalışmalar birleşik bir mesaj taşır: İlgilenilen sinyal, veri edinimi adımı özenle ele alındığı sürece ham verinin kendisinde yaşar. Elektrot temas kalitesi, doğru kanal haritalaması, belgelenmiş referanslar ve örnekleme hızları ile açık depolama formatlarının tümü, bu sinyalin laboratuvarlar ve yıllar boyunca erişilebilir kalıp kalmayacağını belirler.
Son olarak, ham veriyi büyük ölçüde kendi haline bırakan araştırmacıların gerçek beyin tepkilerini agresif düzeltmeler uygulayanlara göre daha iyi koruması nedeniyle, ölçülülük genellikle yoğun işlemeyi geride bırakır. Dikkatli kayıt, dürüst meta veriler ve minimum müdahale, bilimsel sinyali bozulmadan tutan bir disiplin oluşturur.
Bu nedenle her güvenilir analiz, karmaşık algoritmalarla değil, aslına uygun, iyi belgelenmiş bir traseyi yakalamanın basit eylemiyle başlar.
EEG Verilerinde Artefaktları Yönetme ve Sinyal Kalitesini Artırma
Verimli CNN Tabanlı Artefakt Sınıflandırması
Artefakt kontaminasyonu, EEG veri analizinde merkezi bir zorluk olmaya devam etmektedir ve otomatik tanımlama ön işlemeyi kolaylaştırabilir. Bir çalışma, elle özellik çıkarımı gerektirmeyen CNN tabanlı bir artefakt sınıflandırma mimarisi önerdi. Araştırmacılar beş evrişimli sinir ağı modeli tasarladı ve bunları parametre verimliliği ve hesaplama açısından optimize etti.
En iyi performans gösteren ağları, 17 katılımcı ve dokuz artefakt sınıfı genelinde %94,17 sınıflandırma doğruluğuna ulaştı. 14 kanallı Emotiv Epoc X headset ile toplanan ayrı bir veri setinde test edildiğinde model, göz kırpma artefaktlarını %93,5 doğrulukla tespit etti; bu da hafif, mobil uyumlu ağların sürekli çok kanallı kayıtlardaki yaygın kirleticileri güvenilir bir şekilde işaretleyebileceğini gösteriyor.
Kamuya Açık Hareket Artefaktı EEG Veri Seti
Giyilebilir EEG, hareket artefaktlarına karşı özellikle hassastır, ancak bu bozulmaları yakalayan açık veri setleri azdır. Bu boşluğu gidermek için araştırmacılar, bir Emotiv Epoc X headset ve EmotivPRO yazılımı ile kaydedilmiş bir hareket artefaktı EEG veri seti yayınladılar.
Tek bir sağlıklı katılımcı, 14 kanal EEG ve dokuz hareket sensörü sinyali depolanırken göz kırpma, kafa sallama, konuşma, yürüme ve oturma gibi bir dizi üst vücut, alt vücut ve tüm vücut hareketini gerçekleştirdi. Yazarlar, verileri CSV ve MATLAB formatlarında sunarak gerçekçi ayakta/hareketli koşullar altında gürültü giderme algoritmalarını test etmek için bir kaynak oluşturdu.
Çok Kanallı EEG'den Kolektif Ritimlerin Çıkarılması
Artefakt gidermenin ötesinde, birden fazla kanalda ortak bir beyin ritminin sinyal-gürültü oranını iyileştirmek sonraki analizleri daha keskin hale getirebilir. Emotiv Epoc X headset kullanan bir çalışma, temel bileşen analizini (PCA), Kosambi-Hilbert torsiyonuna (KHT) dayalı bir kolektif ritim çıkarma yöntemi ile karşılaştırdı.
KHT yaklaşımı, kanallar arasındaki faz gecikmelerini hesaba katar ve belirli bir frekans bandına odaklanır. Gözler kapalıyken ve 15 Hz'lik titreyen bir ekran sırasındaki kayıtlarda KHT, özellikle kanallar arasında rastgele zamansal kaymalar eklendiğinde, kolektif sinyal için PCA'dan daha yüksek bir sinyal-gürültü oranı sağladı. Bu bulgu, tüketici sınıfı EEG verilerinde paylaşılan salınımsal aktiviteyi izole etmek için faz senkronizasyonlu yöntemlerin değerine işaret etmektedir.
Bu çalışmalar birlikte, EEG verilerinde artefaktları ele almak ve sinyal kalitesini artırmak için pratik yönleri göstermektedir. Verimli derin öğrenme modellerinin yaygın kirleticileri sınıflandırabildiğini, amaca yönelik veri setlerinin hareketle bozulan kayıtlar için algoritma geliştirmeyi destekleyebildiğini ve faza duyarlı sinyal işlemenin kolektif ritimleri güçlendirebileceğini kanıtlamaktadır. Çalışmalar küçük örneklere ve kontrollü koşullara dayanmaktadır; bu nedenle bildirilen doğruluklar ve iyileştirmeler cesaret verici olarak yorumlanmalı, ancak henüz tüm popülasyonlara veya kayıt ortamlarına genellenemez kabul edilmelidir.
Referanslar
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
Delorme, A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
Fraschini, M., Demuru, M., Crobe, A., Marrosu, F., Stam, C. J., & Hillebrand, A. (2016). The effect of epoch length on estimated EEG functional connectivity and brain network organisation. Journal of neural engineering, 13(3), 036015.
Lee, M. H., Kwon, O. Y., Kim, Y. J., Kim, H. K., Lee, Y. E., Williamson, J., ... & Lee, S. W. (2019). EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience, 8(5), giz002. https://doi.org/10.1093/gigascience/giz002
Sıkça Sorulan Sorular
Bir EEG kaydı tam olarak neyi yakalar ve neden beyin aktivitesinin bir yansıması olarak kabul edilir?
Bir EEG kaydı, kafa derisinde büyük kortikal nöron gruplarının senkronize aktivitesinden kaynaklanan küçük voltaj dalgalanmalarını yakalar. Bu dalgalanmalar öncelikle piramidal hücrelerdeki dereceli postsinaptik potansiyellerden gelir; bunlar hacimsel iletim yoluyla toplanarak büyük ölçekli nöral senkroninin bulanık ancak gerçek bir ölçümünü oluşturur.
EEG sinyalleri neden aksiyon potansiyelleri yerine postsinaptik potansiyellerden kaynaklanır?
Aksiyon potansiyelleri, kafa derisi voltajına çok az katkıda bulunan kısa, ya hep ya hiç tarzı olaylardır; oysa daha yavaş, dereceli postsinaptik potansiyeller dendritler üzerine yayılır ve binlerce nöron boyunca toplanır. Bu toplam, kafa derisinde tespit edilebilir voltaj sapmaları üretir ve postsinaptik potansiyelleri EEG sinyalinin birincil kaynağı haline getirir.
Islak ve kuru elektrotlar arasındaki fark nedir ve elektrot temas kalitesi bir kaydı nasıl etkiler?
Islak elektrotlar empedansı düşürmek ve sinyal iletimini iyileştirmek için iletken bir jel kullanırken, kuru elektrotlar jel olmadan doğruluğu korumak için gelişmiş malzemelere ve dahili ön yükseltmeye dayanır. Elektrot-cilt arayüzünün kalitesi kritik öneme sahiptir çünkü zayıf temas, zayıf beyin sinyalini bastırabilecek çevresel gürültüye ve hareket artefaktlarına davetiye çıkarır.
Uluslararası 10–20 sistemi elektrot yerleşimini nasıl standartlaştırır ve bu neden önemlidir?
10–20 sistemi, elektrot konumlarını dört anatomik işaret noktası (nasion, inion ve sol ile sağ pre-auriküler noktalar) arasında orantılı olarak tanımlar; böylece "Cz" gibi etiketlenmiş bir kanal her laboratuvarda aynı konumu ifade eder. Bu standardizasyon, veri setlerinin doğrudan karşılaştırılabilir olmasını sağlar ve bozuk kanal interpolasyonu gibi doğru uzamsal analizlere olanak tanır.
Bir EEG kaydı sırasında kullanılan çevrimiçi referans elektrodunu belgelemek neden çok önemlidir?
Ham veri dosyası voltajları çevrimiçi referansa göre saklar, bu nedenle referans seçimi (örneğin Cz, bağlı kulak memeleri veya ortalama), daha sonra yeniden referanslama yapılsa bile sayılar üzerinde kalıcı bir iz bırakır. Orijinal referansı belgelemeden, gelecekteki bir analist çıkarılan taban çizgisini anlayamaz veya sonraki dönüşümlerin gerçek beyin tepkilerini bozup bozmadığını değerlendiremez.
Örnekleme hızı EEG kayıtlarında nasıl bir rol oynar ve Nyquist teoremi nasıl uygulanır?
Örnekleme hızı, dijitalleştirilmiş sinyalin zamansal çözünürlüğünü belirler; Nyquist teoremi, aslına uygun olarak temsil edilen en yüksek frekansın örnekleme hızının yarısından az olduğunu belirtir. Örneğin, 500 Hz'lik bir örnekleme hızı 250 Hz'in hemen altına kadar olan frekansları geri kazanabilir ve araştırma düzeyindeki EEG genellikle 250 ile 1000 Hz arasında çalışır. Doğru bir örnekleme hızı kritik öneme sahiptir çünkü zamanlamayla ilgili tüm sonraki analizleri sınırlar.
EEG için baskın olan iki açık veri formatı hangileridir ve neleri saklarlar?
Avrupa Veri Formatı (EDF), örnekleme hızını, kanal etiketlerini ve fiziksel boyutları belirten bir başlıkla birden fazla kanalı depolayan kompakt bir kapsayıcıdır. BrainVision ise bilgiyi birbirine bağlı üç dosyaya yayar: bir başlık (.vhdr), bir işaretleyici dosyası (.vmrk) ve bir ikili veri dosyası (.eeg); bunların tümü net paylaşım ve tekrarlanabilirlik sağlar.
Ham bir EEG dosyası için eksiksiz bir kanal haritası ve uzamsal koordinatlar neden gereklidir?
Standart etiketlere ve 3B koordinatlara sahip bir kanal haritası, bozuk kanalların komşulardan enterpole edilmesi veya sinyallerin kortikal kaynak modellerine yansıtılması gibi her türlü uzamsal analize olanak tanır. Örneğin, artefakt sınıflandırıcıları uzamsal topografyalara dayanır ve enterpolasyon tam elektrot konumlarının bilinmesini gerektirir; bu olmadan bu tür analizler başarısız olur.
Bir EEG dosya başlığında hangi temel meta veriler kaydedilmelidir ve neden?
Başlık; kesin örnekleme hızını, kayıt tarihini, 3B koordinatlara sahip kanal etiketlerini ve EOG veya EMG gibi yardımcı kanallar için net etiketleri içermelidir. Bu bilgi kritik öneme sahiptir çünkü yanlış bir örnekleme hızı zamanlamayı geri döndürülemez şekilde bozabilir ve uzamsal interpolasyon ile kaynak modelleme için doğru bir kanal haritası gereklidir.
EEG araştırma için neden yararlıdır?
EEG çok hassas zamansal bilgi sunar; bu da onu olayla ilişkili tepkileri, süregelen ritimleri, uykuyu, dikkati, duyusal işlemeyi ve zamana duyarlı diğer olguları incelemek için yararlı kılar. Yorumlanması deneysel tasarıma ve sinyal kalitesine bağlı kalmaya devam eder.
Yaygın EEG artefaktları nelerdir?
Yaygın artefaktlar arasında göz kırpmaları, göz hareketleri, kas aktivitesi, elektrot hareketi, zayıf temas, kablo hareketi ve elektriksel parazit yer alır. Bir kanalı veya birçok kanalı etkileyebilirler ve bilimsel ilgi alanındaki frekanslarla örtüşebilirler.
EEG analizinde ön işleme nedir?
Ön işleme, kayıtları analize hazırlamak için kullanılan belgelenmiş işlemler bütünüdür. Filtreleme, yeniden referanslama, bozuk kanalların ele alınması, artefakt tanımlama, epoklama, taban çizgisi düzeltmesi ve kalite kontrolünü içerebilir.
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




