Sinyal İşleme

Sinyal İşleme Nedir?

Sinyal işleme disiplini; fiziksel olayların ölçülebilir verilere dönüştürülmesini, analiz edilmesini ve yorumlanmasını kapsar. Araştırmacılar, veri dizilerini yakalamak için matematiksel çerçeveler uygulayarak çevresel parazitleri etkili bir şekilde filtreleyebilir ve birincil ilgi alanındaki parametrelere odaklanabilirler.

Bu metodoloji, karmaşık insan biyolojik fonksiyonlarının incelenmesi de dahil olmak üzere çeşitli alanlardaki modern bilimsel araştırmaların merkezinde yer almaktadır.

Dijital Sinyal İşleme Nasıl Tanımlanır?

Dijital sinyal işleme, orijinal analog durumlarından dönüştürülmüş sinyallere ayrık zamanlı hesaplamaların uygulanmasını temsil eder.

Bu iyileştirme, hesaplama yüklerini verimli bir şekilde yönetmek için tasarlanmış belirli algoritmaların ve işlemcilerin kullanımıyla gerçekleşir. Bilim insanları bu yaklaşımı, veri bütünlüğünün araştırma doğruluğu açısından son derece önemli olduğu nörobilim gibi alanlar için hayati önem taşıyan biyolojik sinyalleri izole etmek amacıyla kullanırlar.

Sinyal İşlemenin Temel Amacı

Sinyal işleme, faydasının zirvesindeyken, gürültünün etkisini en aza indirirken ölçülen verilerden maksimum miktarda anlamlı bilgi çıkarmaya çalışır. Araştırmacılar, sinyal-gürültü oranlarını optimize ederek aksi takdirde gizlenebilecek güvenilir veri noktalarını kurtarırlar.

Bu hedef, modern EEG uygulamalarında kullanılan gelişmiş teşhis araçlarının geliştirilmesini teşvik etmektedir.

Sinyal İşleme Türleri

Sinyal işleme, genel olarak giriş sinyalinin doğasına ve bunun manipülasyonu için uygulanan metodolojiye göre kategorize edilir. Fiziksel dünya sürekli bir durumda var olurken, elektronik cihazlar işlemleri gerçekleştirmek için sıklıkla kuantize edilmiş veri bloklarına güvenirler.

Bu kategoriler arasındaki ayrımı yapmak, herhangi bir deneysel kurulum için uygun matematiksel merceğin seçilmesinde temel teşkil eder.

Analog ve Dijital Sinyal İşleme Karşılaştırması

Analog sistemler, kuantizasyon yükü olmaksızın yüksek derecede sadakat sağlayarak doğrudan devre bileşenleri aracılığıyla sürekli elektriksel dalga formlarını manipüle eder. Analog sistemler anlık tepkiler sunarken, dijital mimarilerin karakteristik esnekliğinden ve programlanabilirliğinden yoksundur.

Standart 10-20 sistemi protokolleri dönüştükçe, dijital işleme çeşitli araştırma ortamlarında karşılaştırılabilir verileri korumak için birincil standart haline gelmiştir.

Dijital Sinyal İşleme Nedir? Doğrusal ve Doğrusal Olmayan Sistemler

Dijital sinyal işleme, verileri bilgisayarlı modellemeye uygun formatlarda hassaslaştırmak için algoritmalar kullanarak sinyal ayarlaması için kontrollü bir ortam sunar.

Süperpozisyon ilkesi yalnızca doğrusal işlemler için geçerli olduğundan, bir sistemin doğrusal davranıp davranmadığını anlamak, çıktının değişen girdilere nasıl yanıt vereceğini tahmin etmek açısından kritik öneme sahiptir. Doğrusal olmayan sistemler ise aksine, daha basit modeller tarafından genellikle göz ardı edilen ince dinamikleri yakalayabilen karmaşık dönüşümler sunar.

Teknisyenler bu özellikleri belirleyerek, teşhis filtrelerini uygulamadan önce matematiksel modelin giriş sinyalinin gerçek dinamiklerini doğru bir şekilde yansıtmasını sağlarlar.

Sinyal İşlemede Temel Kavramlar ve Teknikler

Bu alandaki teknik uzmanlık, veri hazırlama ve matematiksel çeviri konularında derin bir anlayış gerektirir. İşleme hattındaki her adım, nihai çıktıyı insan yorumuna veya makine öğrenimi algoritmalarına hazırlamak amacıyla belirli sinyal bileşenlerini kasıtlı olarak bozar veya geliştirir.

Örnekleme ve Kuantizasyon

Örnekleme, ayrık gösterimin temelini oluşturacak şekilde belirli aralıklarla veri noktalarının yakalanmasını içerir. Kuantizasyon bu adımı takip ederek, bu ayrık zaman noktalarını sinyalin genliğini temsil eden belirli sayısal değerlerle eşleştirir.

Bu adımlar hassas bir şekilde kalibre edilmezse örtüşme (aliasing) meydana gelebilir ve bu da analiz edilen dalga formlarında önemli bozulmalara yol açabilir.

Filtreleme

Filtreleme, hedeflenen sinyale ait olmayan istenmeyen frekans bileşenlerinin kaldırılmasında kritik bir rol oynar. Bant geçiren filtre gereksinimlerine bağlı olarak filtreler, yüksek frekanslı kas gürültüsünü veya düşük frekanslı kaymayı cerrahi olarak ortadan kaldırabilir.

Bu işlem esasen ilgilenilen sinirsel aktiviteyi daha geniş çevresel arka plan parazitinden izole ederek daha temiz bir görsel iz elde edilmesini sağlar.

Dönüşümler (örneğin, Fourier Dönüşümü)

Dönüşümler, zamansal gürültü içinde gizlenmiş periyodik yapıları ortaya çıkarmak için verileri farklı alanlar arasında kaydırır. Bu süreçte kullanılan yaygın yöntemler şunlardır:

• Sinyalleri kendilerini oluşturan frekans bileşenlerine ayrıştırmak için Fourier Dönüşümleri.

• Geçici olayları hem zaman hem de frekansta eş zamanlı olarak lokalize etmek için Dalgacık (Wavelet) analizi.

• Karmaşık sinyallerin anlık zarfını ve frekansını belirlemek için Hilbert dönüşümleri.

• Ayrık zamanlı sistemleri ve kararlılığı incelemek için Z-dönüşümleri.

Bu matematiksel haritalar, mühendislerin standart zaman alanı gösteriminde tamamen görünmez kalan belirli patolojileri veya kalıpları tanımlayan perspektiflerden verileri görselleştirmelerine olanak tanır.

EEG Ön İşleme Hattı Nedir?

Ön işleme hattı, herhangi bir analiz başlamadan önce sürekli ham EEG verilerine uygulanan standartlaştırılmış bir işlemler dizisidir. Tam sıra ve spesifik yöntemler laboratuvarlar ve yazılım paketleri arasında farklılık gösterse de çoğu işlem hattı ortak bir omurgayı paylaşır:

1. İstenmeyen frekansların filtrelenmesi

2. Sinyalin nötr bir elektriksel referans çizgisine göre yeniden referanslandırılması

3. Artefaktların tanımlanması ve işlenmesi

4. Sürekli kaydın, epoklama adı verilen bir işlemle belirli olaylara bağlı kısa segmentlere bölünmesi

Sıralama, bu zincirdeki her bir kararın nihai sonucu değiştirebileceği gerçeğinden daha az önemlidir. Robbins ve arkadaşları tarafından yönetilen 2020 tarihli bir kıyaslama çalışması, yerleşik en iyi uygulama kılavuzlarını takip ettiğini iddia eden çalışmaların bile bu kılavuzların kodda gerçekte nasıl uygulandığı konusunda önemli farklılıklar gösterdiğini bulmuştur.

Benzer şekilde, Bertazzoli ve arkadaşları tarafından yapılan 2021 tarihli bir çalışma, transkraniyal manyetik uyarım ile birleştirilmiş EEG (TMS-EEG) araştırmalarında, ön işleme hattı seçiminin ortaya çıkan beyin tepkisi dalga formları üzerinde belirgin bir etkisi olduğunu ve hatta aynı denekler iki kez test edildiğinde bu sonuçların ne kadar güvenilir olduğunu değiştirdiğini göstermiştir.

Filtreleme: Gerçek Beyin Sinyallerini İzole Etme

Ham EEG, istenmeyen frekans içeriğine sahip iki geniş kategori içerir.

Yavaş uçta, elektrot altında biriken terden veya elektrotun saç derisine karşı hafifçe kaymasından dolayı sinyale voltaj kaymaları sızar. Hızlı uçta ise kas gerginliği ve yakındaki ekipmanlardan kaynaklanan elektriksel parazitler, nöronların ateşlenmesiyle hiçbir ilgisi olmayan yüksek frekanslı gürültüye yol açar.

En temel ve en yaygın olarak uygulanan adım, yaklaşık 0.5 ila 1 Hz'in altındaki yavaş kaymaları ortadan kaldıran yüksek geçiren filtrelemedir. Analiz türüne bağlı olarak, araştırmacılar düşük geçiren bir filtre de uygulayabilir veya her ikisini birleştirerek bir bant geçiren filtre oluşturabilir; beynin belirli uyarılara verdiği karakteristik voltaj tepkileri olan olayla ilişkili potansiyelleri (ERP'ler) incelerken verileri genellikle 1 ila 40 Hz aralığıyla sınırlandırırlar.

Filtrelemeyi özellikle dikkate değer kılan şey, ne kadar tutarlı bir şekilde yardımcı olduğudur. 2023 yılında Arnoud Delorme, çok çeşitli otomatik ön işleme düzeltmelerini test etti ve çoğunun ölçülebilir bir etkisi olmadığını ya da veri kalitesini aktif olarak düşürdüğünü buldu. Yüksek geçiren filtreleme, sonuçları genel olarak güvenilir bir şekilde iyileştiren doğrulanmış iki adımdan biriydi.

Harvard'dan araştırmacılar da benzer şekilde filtrelemeyi, yüksek artefaktlı gelişimsel veriler için geliştirdikleri HAPPE hattının temel, tartışılamaz bir bileşeni olarak kabul etmektedir. Kısacası, filtreleme güvenli bir varsayılana yakındır. Takip eden her adım için aynı şey söylenemez.

Yeniden Referanslandırma: Elektriksel Sıfır Noktasının Belirlenmesi

EEG asla mutlak bir voltajı ölçmez. İki nokta, yani aktif bir elektrot ile bir referans noktası arasındaki farkı ölçer.

Ham kayıtlar genellikle toplama sırasında fiziksel olarak kullanılan referans elektroduna göre kaydedilir; bu elektrot genellikle kulak arkasındaki mastoid kemiği veya başın üstündeki Cz elektrodu gibi tek bir bölgedir ve elektrot yerleşimini standartlaştırmak için kullanılan 10-20 Sistemine göre tanımlanmış konumlardır. Orijinal referans noktası biraz rastgeledir, bu nedenle yeniden referanslandırma matematiği, her kanalın voltajını tüm elektrotların ortalaması veya her iki mastoidden gelen birleşik sinyal gibi yeni, teorik olarak daha nötr bir noktaya göre yeniden hesaplar.

Yeniden referanslandırmanın önemi, beynin elektriksel aktivitesinin çevredeki doku ve sıvı yoluyla yayılmasına neden olan ve tek bir nöral olayın neredeyse her kafa derisi elektrotunda kaydedilmesini sağlayan hacim iletiminden kaynaklanır. Bu yayılma nedeniyle, referans noktasının değiştirilmesi kaydedilen aktivitenin görünür şeklini, genliğini ve hatta istatistiksel anlamlılığını değiştirebilir, oysa temeldeki beyin aktivitesiyle ilgili hiçbir şey değişmemiştir.

Budur, her biri aynı temel beyin sinyalini farklı şekilde çerçeveleyen, Ortak Ortalama Referans veya Referansiyel Montaj gibi yaklaşımlar dahil olmak üzere EEG montajlarının arkasındaki tasarım seçimlerinin temelini oluşturan ana kavramdır.

Kötü Kanal Tespiti ve İnterpolasyon

Çok elektrotlu herhangi bir kayıtta, birkaç kanal kaçınılmaz olarak zayıf sinyal üretecektir. Bir kanal gevşek bir bağlantı nedeniyle düzleşebilir veya kafa derisiyle temasın zayıf olması nedeniyle aşırı gürültülü hale gelebilir. Düzeltilmeden bırakıldığında, bu kötü kanallar kafa derisinin tamamındaki sinyal kalıplarının karşılaştırılmasına dayanan analizleri bozabilir.

Standart düzeltme, bu sorunlu kanalların belirlenmesini, veri kümesinden geçici olarak kaldırılmasını ve ardından eksik verilerinin interpolasyon yoluyla yeniden oluşturulmasını içerir; esasen bu elektrodun sağlıklı komşularının faaliyetlerine dayanarak neyi kaydetmiş olabileceğini tahmin eder. Bu durum, kirli kanalın sonuçları saptırmasına izin vermeden daha sonraki analiz adımları için eksiksiz bir kafa derisi haritasını geri yükler.

Bu, araştırmacı Arnaud Delorme'un tutarlı bir şekilde faydalı olduğunu belirlediği ikinci adımdır. Yüksek geçiren filtrelemenin yanı sıra, kötü kanal interpolasyonu test edilen ve veri kalitesini düşürmeyen tek düzeltmelerden biri olmuştur.

Filtrelemeyle birleştirildiğinde, o çalışmada tek başına basit filtrelemeden daha iyi performans gösteren tek işlem hattı konfigürasyonunu oluşturdu. Değerlendirilen birçok otomatik düzeltme arasında bu eşleştirme, nispeten güvenli ve yararlı bir prosedür olarak öne çıkmaktadır.

Ham EEG'deki Artefakt Problemi

Elektrot seviyesindeki problemlerin ötesinde, EEG kayıtları katılımcının kendi vücudu tarafından üretilen biyolojik artefaktlarla kirlenir:

• Göz kırpmaları ön elektrotlarda büyük sapmalar üretir

• Göz hareketleri basamak benzeri voltaj kaymaları yaratır

• Çene ve alın kas aktivitesi yüksek frekanslı gürültüye neden olur

• Ani hareketler ani, çok kanallı voltaj kaymalarına neden olur

Kirli segmentlere verilen geleneksel yanıt, bir artefaktın göründüğü herhangi bir denemeyi veya zaman penceresini reddederek bunları basitçe çöpe atmak olmuştur. Bu durum, katılımcı hareketsiz oturduğunda ve artefaktlar nadir olduğunda makul derecede iyi çalışır. Artefaktların istisna olmaktan ziyade norm olduğu popülasyonlarda ise çok daha az kullanışlı hale gelir.

HAPPE, EEG çalışmaları daha yüksek yoğunluklu elektrot dizilerine ve daha uzun kayıtlara yöneldikçe, kötü segmentlerin elle taranması ve reddedilmesinin sürdürülemez hale geldiğini ve manuel yargıların kendi öznelliğini getirdiğini vurgulamaktadır.

Leach ve arkadaşları risk altındaki duruma somut bir örnek ekliyor: pediyatrik EEG kayıtları, küçük çocuklarda hareket ve göz kırpma artefaktlarının çok sık olması nedeniyle rutin olarak büyük miktarlarda kullanılabilir veri kaybeder. Veriler bu kadar değerli olduğunda, tek bir göz kırpma yüzünden tüm bir denemeyi çöpe atmak pahalı bir çözümdür.

Artefakt Giderimi için Bağımsız Bileşen Analizi (ICA)

Bağımsız Bileşen Analizi veya ICA, toptan reddetmeye göre daha cerrahi bir alternatif sunar.

Kavramsal olarak ICA kör bir kaynak ayrıştırma tekniğidir. Her kafa derisi elektrotunda kaydedilen karışık sinyali alır ve matematiksel olarak istatistiksel açıdan bağımsız bileşenler setine ayırır.

Bu bileşenlerden bazıları, bir göz kırpmasının imzası veya kas gerginliği gibi tanınabilir artefakt kalıplarına karşılık gelir. Diğerleri ise beyin aktivitesi kalıplarına karşılık gelir. Artefaktla ilgili bileşenler belirlendikten sonra bunlar kaldırılabilir ve kalan temiz bileşenler kanal verilerine geri yansıtılabilir; ideal olarak kirlenme atılırken gerçek beyin sinyalleri korunmuş olur.

Buradaki engel, her bir bileşenin bir göz kırpmasını mı yoksa korteksin bir parçasını mı yansıttığına karar vermek için manuel olarak incelenmesinin yavaş ve doğası gereği öznel olmasıdır. Bu durum, bu kararı algoritmik ve tutarlı bir şekilde vermek üzere tasarlanmış ADJUST, ICLabel ve MARA gibi otomatik sınıflandırıcıların ortaya çıkmasına neden olmuştur.

Bunun ne kadar iyi çalıştığına dair kanıtlar tekdüze olumlu olmaktan ziyade karışıktır.

Arnaud Delorme, göz ve kas bileşenlerinin otomatik ICA tabanlı reddinin ERP verilerinde istatistiksel olarak anlamlı kanalların yüzdesini güvenilir bir şekilde artıramadığını, yani net ve güvenilir bir gelişme sağlamadığını bulmuştur.

Robbins ve ark. 17 çalışmada LARG ve MARA adlı iki ICA tabanlı yaklaşımı karşılaştırmış ve sonuçların genel yapısı benzer görünmekle birlikte, özellikle düşük frekanslı spektral özelliklerde ve temizlenen verilerde ne kadar göz kırpmayla ilişkili kalıntı kaldığı konusunda önemli farklılıkların ortaya çıktığını bulmuştur.

Daha teşvik edici tarafta ise Leach’in ekibi, özellikle pediyatrik jeodezik ağ kayıtları için ayarlanmış ADJUST algoritmasının değiştirilmiş bir versiyonunun, orijinal ADJUST algoritmasına veya hiç ICA düzeltmesi yapılmamasına kıyasla sınıflandırma doğruluğunu artırdığını ve daha fazla kullanılabilir denemeyi koruduğunu ve bazı ölçümlerde özellikle pediyatrik veriler için ICLabel'dan daha iyi performans gösterdiğini göstermiştir.

Hepsi birlikte ele alındığında, ICA artefaktları izole etmek ve ortadan kaldırmak için gerçekten yararlı bir araç olabilir, ancak performansı garanti değildir. Büyük ölçüde sınıflandırma algoritmasının nasıl ayarlandığına ve incelenen popülasyona bağlıdır.

Alternatif Olarak Artefakt Alt Uzay Rekonstrüksiyonu (ASR)

Artefakt Alt Uzay Rekonstrüksiyonu veya ASR, tamamen farklı bir yol izler. ASR, sinyali bağımsız bileşenlere ayrıştırmak yerine, gelen verileri temiz bir referans döneminden elde edilen istatistiklerle karşılaştırarak çalışır, bu temiz referans çizgisinden çok fazla sapan sinyal bölümlerini otomatik olarak işaretler ve yeniden yapılandırır.

Robbins’in ekibi, aynı 17 çalışmada ASR’nin iki varyasyonunu ICA tabanlı boru hatlarıyla doğrudan karşılaştırdı. Genel sonuç ICA karşılaştırmasını yineledi: genel sonuç yapıları yöntemler arasında benzer görünüyordu, ancak yine düşük frekanslı spektral özelliklerde yoğunlaşan anlamlı farklılıklar hala ortaya çıkıyordu.

Bu nedenle ASR, kesinlikle üstün bir ikame olmaktan ziyade ICA'ya meşru bir alternatiftir ve aynı ilke bu hattaki diğer her yerde olduğu gibi burada da geçerlidir: seçilen özel yöntem, elde edilen özel sonucu şekillendirir.

Kötü EEG Segmentlerini Reddetmeli misiniz?

Tüm segmentleri reddetmekten kaçınmalısınız, çünkü kanıtlar ortaya çıkan istatistiksel güç kaybının genellikle gürültü gidermenin faydalarından daha ağır bastığını göstermektedir.

Basit eşikleme, kullanılabilir verileri orantısız bir şekilde discard eden kaba bir araçtır; bu nedenle uzmanlar, interpolasyon ve bileşen tabanlı düzeltme gibi daha cerrahi yöntemleri tercih etmektedir.

Epoklama: İlgi Alanındaki Olaylara Odaklanma

İster ERP'leri ister zaman-frekans kalıplarını ölçsün, çoğu EEG analizi zamandaki belirli anlara sabitlenir: bir uyaranın sunulması veya katılımcının buna verdiği yanıt. Epoklama, uzun ve sürekli kaydı bu olayların her birini çevreleyen kısa, eşit uzunluktaki pencerelere kesen adımdır ve genellikle olayın kendisinden önceki referans çizgisi (baseline) olarak bilinen kısa bir süreyi de içerir.

Olay öncesi referans dönemi, aksi takdirde uyarana verilen gerçek bir yanıtla karıştırılabilecek yavaş voltaj kaymalarını açıklamaya yardımcı olarak düzeltici bir rol oynar. Ancak bu düzeltme adımı, yeniden referanslandırma için geçerli olan aynı ihtiyatlılıktan muaf değildir.

Arnaud Delorme tarafından yapılan yukarıda belirtilen çalışma, gelişmiş referans çizgisi çıkarma yöntemlerinin ERP anlamlılığı açısından performansı önemli ölçüde düşürdüğünü bulmuştur. Bu kanıta dayanan daha güvenli yaklaşım, daha karmaşık düzeltme şemalarına başvurmak yerine, genellikle sadece uyaran öncesi pencere sırasında ölçülen ortalama voltajın çıkarılmasıyla yapılan daha basit bir referans çizgisi düzeltmesidir.

İşlem Hattı Seçimi Sonuçlarınızı Neden Değiştirir?

Burada incelenen karşılaştırmalı çalışmalar yan yana getirildiğinde tek bir noktayı net bir şekilde ortaya koymaktadır: ön işleme hatları, aynı genel yöntem araç setinden yararlansalar bile birbirlerinin yerine kullanılamazlar.

Örneğin Delorme’un çalışması, önde gelen EEG yazılım platformları olan EEGLAB, FieldTrip, MNE ve Brainstorm genelinde test edilen tüm boru hattı varyasyonlarından yalnızca bir konfigürasyonun (yüksek geçiren filtreleme ile kötü kanal interpolasyonunu birleştiren) tek başına basit yüksek geçiren filtrelemeden önemli ölçüde daha iyi performans gösterdiğini bulmuştur. Yaygın olarak kullanılan diğer birçok adım, veri kalitesini artırmak yerine aktif olarak düşürmüştür.

Bu arada Bertazzoli’nin ekibi, özellikle TMS-EEG araştırmalarında, dalga formu genliğinin ve küresel ortalama alan gücünün aynı veri kümesine uygulanan dört farklı hat genelinde önemli ölçüde değiştiğini bulmuştur. Topografik kalıplar, işlem hatları arasında güçlü bir şekilde yalnızca uyarandan sonraki 100 milisaniyenin üzerindeki gecikmelerde korelasyon göstermiştir; daha erken gecikmelerde korelasyon değerleri, hangi hattın kullanıldığına bağlı olarak 0.2 ile 0.9 arasında geniş bir yelpazede değişmiştir. Test-retest güvenilirliğinin kendisi, hangi ön işleme yaklaşımının seçildiğine bağlıydı.

Son olarak, Harvard çalışması belirli bir durum için daha teşvik edici bir örüntü ortaya koymuştur: HAPPE gibi yüksek artefaktlı, gelişimsel veriler için oluşturulmuş otomatik işlem hatları, yaygın olarak kullanılan yedi alternatif işleme yaklaşımından daha iyi performans göstermiş, daha fazla artefakt içeriğini ortadan kaldırırken aynı zamanda neredeyse her karşılaştırmada eşit veya daha fazla miktarda gerçek EEG sinyalini korumuştur.

Bu çalışmalar boyunca uzanan tutarlı çizgi, hiçbir tek işlem hattı konfigürasyonunun her veri kümesi, popülasyon veya araştırma sorusu genelinde evrensel olarak optimal olmadığıdır. Sabit bir reçeteyi ezberlemek yerine her aşamanın arkasındaki mantığı anlamak, bir araştırmacının bilinçli ve savunulabilir seçimler yapmasına ve belirli bir hattın kendi spesifik verilerine ne zaman uygun olmayabileceğini fark etmesine olanak tanıyan şeydir.

Ön İşleme Kararları EEG Verilerinde Gördüklerinizi Neden Şekillendirir?

Ham beyin kayıtları, araştırmacıların incelemek istediği daha sessiz sinyalleri kolayca gömebilecek göz kırpmaları, kas gürültüsü ve elektriksel uğultu ile darmadağınık bir şekilde gelir. Bu verileri temizlemek tarafsız bir temizlik adımı değildir; filtrelemeden artefakt düzeltmeye kadar izlediğiniz kesin yol, beyin aktivitesinin nihai resmini anlamlı bir şekilde değiştirebilir. Kanıtlar, yüksek geçiren filtreleme ve bozuk kanalların yamalanması gibi yalnızca bir avuç hareketin daha net nöral kalıpları güvenilir bir şekilde ortaya çıkardığını, buna karşın birçok yaygın adımın peşinde olduğunuz sonuçları beklenmedik şekilde zayıflatabileceğini göstermektedir.

Bu nedenle, her bir ön işleme seçiminin ne yaptığını izlemek, her duruma uyan tek bir reçeteyi takip etmekten çok daha güçlüdür. Farklı makul yöntemler çalışmaları farklı yönlere yönlendirebildiğinden, sürecinizi açıkça rapor etmek verinin kendisi kadar önemli hale gelir.

Yaklaşımınızı, ister oturan bir yetişkin ister hareketli bir çocuk olsun, birlikte çalıştığınız spesifik gruba uyacak şekilde ayarlamak, genellikle genel amaçlı bir aracı ayarlama yapmadan kullanmaktan daha iyi performans gösterir. Bu tür düşünceli ve şeffaf bir işlem hattı oluşturmak, yazılımın varsayılan ayarlarına güvenmekten sinyalinizin size ne söylemeye çalıştığını gerçekten anlamaya geçmenizi sağlar.

Referanslar

1. Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223

2. Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272

3. Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

4. Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (Happe): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097

5. Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566

Sıkça Sorulan Sorular

Sinyal işlemenin standart veri analizinden farkı nedir?

Sinyal işleme özellikle sürekli girdilerin zamansal ve frekans dinamiklerine odaklanırken, genel veri analizi genellikle statik veya bağımsız değişkenlerle ilgilenir.

Sinyal işleme bir sinyaldeki tüm gürültü biçimlerini ortadan kaldırabilir mi?

Filtreleme sinyal netliğini önemli ölçüde artırabilse de, sinyal ile çevresel parazit arasındaki öngörülemeyen çakışmalar nedeniyle mükemmel gürültü giderme genellikle imkansızdır.

Dijital sistemlerde örnekleme hızı neden önemlidir?

Örnekleme hızı, sistemin doğru bir şekilde temsil edebileceği maksimum frekansı belirler ve bu, yüksek frekanslı nöral göstergeleri bozulma olmadan yakalamak için gereklidir.

Fourier Dönüşümü gibi bir dönüşümün amacı nedir?

Dönüşümler, sıranın önemli olduğu zaman alanındaki verileri, bireysel bileşen frekanslarının vurgulandığı frekans alanına dönüştürmek için kullanılır.

Doğrusal ve doğrusal olmayan sistemler çıktı hassasiyetini nasıl etkiler?

Doğrusal sistemler öngörülebilir, orantılı tepkiler sunarken, doğrusal olmayan sistemler daha basit öngörülebilirlik pahasına gizli dinamikleri ortaya çıkaran karmaşık yetenekler sağlar.

Ham EEG verileri neden analizden önce ön işleme gerektirir?

Ham EEG kayıtları sadece beyin aktivitesini değil, aynı zamanda göz kırpmaları, kas gerginliği, elektriksel gürültü ve elektrot kaymasından kaynaklanan parazitleri de içerir. Ön işleme, bu artefaktları ortadan kaldırarak gerçek nöral sinyali izole eder ve verileri bilimsel çalışma için yorumlanabilir ve kullanılabilir hale getirir.

Neredeyse her zaman yardımcı olan tek ön işleme adımı nedir?

Terlemeden veya elektrot hareketinden kaynaklanan yavaş voltaj kaymalarını ortadan kaldıran yüksek geçiren filtreleme tutarlı bir şekilde faydalıdır. Birden fazla çalışmada, hattın erken aşamalarında uygulandığında veri kalitesini güvenilir bir şekilde artıran birkaç adımdan biri olmuştur.

Yeniden referanslandırma EEG sinyaline ne yapar?

Yeniden referanslandırma, orijinal kayıt referansı yerine, her kanalın voltajını tüm elektrotların ortalaması gibi yeni bir nötr noktaya göre matematiksel olarak yeniden hesaplar. EEG voltaj farklarını ölçtüğünden, bu seçim beyin tepkilerinin görünür genliğini ve hatta istatistiksel anlamlılığını yeniden şekillendirebilir.

Kötü kanallar neden tespit edilir ve nasıl düzeltilir?

Bazı elektrotlar kaçınılmaz olarak iyi teması kaybeder veya aşırı gürültülü hale gelerek kafa derisi genelindeki analizleri bozar. Bu kötü kanallar belirlendikten sonra, interpolasyon, çevreleyen sağlıklı elektrotların faaliyetlerine dayanarak ne kaydetmiş olacaklarını tahmin ederek sinyallerini yeniden yapılandırır.

Bağımsız Bileşen Analizi (ICA) EEG'de ne için kullanılır?

ICA, karışık sinyali matematiksel olarak bazıları göz kırpmaları veya kas gürültüsü gibi artefaktlara karşılık gelen bağımsız bileşenlere ayıran bir tekniktir. Artefaktla ilgili bileşenler tanımlanıp kaldırıldıktan sonra, kalan temiz bileşenler, gerçek beyin aktivitesini korumak için kanal verilerine geri yansıtılabilir.

Artefakt Alt Uzay Rekonstrüksiyonu (ASR) ICA'dan nasıl farklıdır?

ASR, gelen verileri temiz bir referans dönemiyle karşılaştırarak gürültülü segmentleri tanımlar ve düzeltir, bu referans çizgisinden çok fazla sapan kısımları otomatik olarak işaretler. ICA'nın aksine, sinyali bileşenlere ayırmaz, bunun yerine temiz verilerin istatistiklerine dayanarak kontamine olmuş bölümleri yeniden oluşturur.

Neden gürültü içeren her segmenti basitçe atmamalısınız?

Gürültülü denemeleri kaba bir şekilde reddetmek genellikle büyük miktarda kullanılabilir veriyi boşa harcar, istatistiksel gücü azaltır ve potansiyel olarak sonuçları zayıflatır. Değerli veriler kaybedildiğinden, özellikle kayıt süresi sınırlı olduğunda, interpolasyon veya bileşen tabanlı düzeltmeler gibi yöntemler genellikle tercih edilir.

Epoklama nedir ve neden olay öncesi bir referans çizgisi içerir?

Epoklama, beyin tepkilerini analiz etmek için sürekli kaydı bir uyaran gibi belirli olaylara hizalanmış kısa zaman pencerelerine böler. Olay öncesi referans çizgisi dönemi, yavaş kaymaların uyarana verilen bir tepkiyle karıştırılmaması için bir referans voltaj seviyesi sağlar.

Spesifik ön işleme hattı nihai sonuçları gerçekten değiştirir mi?

Evet, filtreleme, referans şeması veya artefakt düzeltme yöntemi gibi farklı işlem hattı tercihleri dalga formu şekillerini, anlamlılığı ve hatta test-retest güvenilirliğini değiştirebilir. Tek bir işlem hattı tüm durumlar için en iyi sonucu vermez, bu nedenle araştırmacılar varsayılan bir reçeteyi körü körüne takip etmek yerine her adımın etkisini anlamalıdır.