Tại sao tiền xử lý dữ liệu lại quan trọng

EEG cực kỳ nhạy cảm với cả hoạt động điện thần kinh và phi thần kinh. Mặc dù thiết kế thử nghiệm và thu thập dữ liệu cẩn thận có thể giảm thiểu nhiều nguồn gây nhiễu, nhưng một mức độ ô nhiễm nhiễu nhất định là không thể tránh khỏi. Tiền xử lý giúp các nhà nghiên cứu phân biệt hoạt động não có ý nghĩa với các tín hiệu không mong muốn, đồng thời nâng cao tính nhất quán của các phân tích tiếp theo.[1]

Điều quan trọng là, tiền xử lý không nên được xem là cách để sửa chữa các bản ghi chất lượng kém. Thay vào đó, đó là một quy trình có cấu trúc để tinh chỉnh dữ liệu chất lượng cao được thu thập thông qua các phương pháp thực hành thử nghiệm hợp lý. Các quyết định được đưa ra trong quá trình tiền xử lý ảnh hưởng đến mọi giai đoạn phân tích tiếp theo, khiến tính minh bạch và tính nhất quán trở nên thiết yếu.

Xây dựng quy trình tiền xử lý dữ liệu

Tiền xử lý thường được thực hiện như một chuỗi các bước hơn là các quy trình riêng lẻ. Mặc dù quy trình làm việc của từng cá nhân thay đổi tùy thuộc vào câu hỏi nghiên cứu và phương pháp phân tích, việc thiết lập một quy trình nhất quán giúp đảm bảo rằng dữ liệu của mỗi người tham gia đều được xử lý theo cùng một cách.

Các nhà nghiên cứu nên xác định chiến lược tiền xử lý của họ trước khi bắt đầu phân tích chính thức bất cứ khi nào có thể. Việc xác định trước quy trình làm việc sẽ giảm thiểu nguy cơ tạo ra định kiến bằng cách đưa ra các quyết định xử lý sau khi xem xét kết quả.[1]

Bởi vì không có một quy trình tiền xử lý đơn lẻ nào phù hợp cho mọi nghiên cứu, quy trình làm việc nên được định hướng bởi các tài liệu đã được thiết lập, thiết kế thử nghiệm, phương pháp ghi chép và các mục tiêu khoa học.

Lọc tín hiệu EEG

Lọc thường là một trong những bước tiền xử lý sớm nhất. Bộ lọc giúp giảm các thành phần tần số không mong muốn trong khi vẫn bảo toàn hoạt động thần kinh liên quan đến câu hỏi nghiên cứu.

Bộ lọc thông cao có thể làm giảm sự trôi dạt tín hiệu chậm, trong khi bộ lọc thông thấp giúp triệt tiêu nhiễu tần số cao. Một số nghiên cứu cũng áp dụng bộ lọc notch để giảm nhiễu điện từ hệ thống điện khi thích hợp.[1],[5]

Việc lựa chọn bộ lọc cần được tiếp cận một cách cẩn thận. Lọc quá mức có thể làm biến dạng tín hiệu thần kinh hoặc làm thay đổi thời gian và biên độ của các phản hồi liên quan đến sự kiện. Các nhà nghiên cứu nên chọn cài đặt bộ lọc hỗ trợ phân tích dự kiến đồng thời tránh sửa đổi tín hiệu không cần thiết.

Nhận diện và quản lý nhiễu

Ngay cả sau khi thu thập dữ liệu cẩn thận, một số bản ghi vẫn sẽ chứa các nhiễu cần được chú ý trong quá trình tiền xử lý.

Các nhà nghiên cứu thường bắt đầu bằng cách kiểm tra trực quan các bản ghi để xác định các khoảng thời gian bị nhiễu quá mức, các kênh không ổn định hoặc các gián đoạn ghi chép. Các công cụ đánh giá chất lượng tự động có thể hỗ trợ phát hiện nhiễu, nhưng việc xem xét thủ công vẫn là một thành phần quan trọng của nhiều quy trình tiền xử lý.[3]

Tùy thuộc vào bản chất của sự ô nhiễm nhiễu, các nhà nghiên cứu có thể loại bỏ các thử nghiệm riêng lẻ, từ chối các kênh bị nhiễu, nội suy các điện cực bị cô lập hoặc áp dụng các kỹ thuật hiệu chỉnh nhiễu. Các quyết định này phải tuân theo các tiêu chí chất lượng được xác định trước, được thiết lập trước khi quá trình phân tích bắt đầu.

Phân tích thành phần độc lập

Phân tích thành phần độc lập (ICA) là một trong những kỹ thuật được sử dụng rộng rãi nhất để tách các tín hiệu điện hỗn hợp thành các thành phần độc lập về mặt thống kê. Bằng cách phân tách EEG đã ghi thành các nguồn tín hiệu cơ bản, ICA có thể giúp các nhà nghiên cứu xác định các thành phần liên quan đến chớp mắt, chuyển động mắt, hoạt động cơ hoặc các nhiễu phi thần kinh khác.[4]

Sau khi được xác định, các thành phần liên quan đến nhiễu có thể được loại bỏ trước khi tái cấu trúc tín hiệu EEG. Mặc dù ICA có thể cải thiện đáng kể chất lượng dữ liệu, việc áp dụng thành công phụ thuộc vào tiền xử lý thích hợp, chất lượng dữ liệu đầy đủ và việc giải thích cẩn thận các thành phần kết quả.

Các nhà nghiên cứu nên ghi lại cách thực hiện ICA và những thành phần nào đã bị loại bỏ để hỗ trợ tính minh bạch và khả năng tái lập.

Phân đoạn dữ liệu liên tục

Nhiều phân tích EEG tập trung vào các phản ứng thần kinh xảy ra xung quanh các sự kiện thử nghiệm cụ thể. Để tạo điều kiện cho các phân tích này, các bản ghi EEG liên tục thường được chia thành các phân đoạn thời gian ngắn hơn được gọi là epoch.

Mỗi epoch được căn chỉnh với một dấu mốc sự kiện đại diện cho một sự xuất hiện của kích thích, phản ứng của người tham gia hoặc một sự kiện có ý nghĩa khác trong suốt thử nghiệm. Việc phân đoạn này cho phép các nhà nghiên cứu so sánh hoạt động thần kinh qua các điều kiện thử nghiệm lặp đi lặp lại và tạo nền tảng cho nhiều phân tích điện thế liên quan đến sự kiện (ERP).[2],[6]

Do đó, việc xác định thời gian sự kiện chính xác là điều cần thiết trước khi bắt đầu phân đoạn.

Hiệu chỉnh đường nền

Hoạt động thần kinh liên tục thay đổi, ngay cả khi những người tham gia đang nghỉ ngơi. Hiệu chỉnh đường nền giúp giải thích những biến động đang diễn ra này bằng cách so sánh mỗi epoch thử nghiệm với một khoảng thời gian tham chiếu ngay trước sự kiện được quan tâm.

Việc trừ đường nền này khỏi phản ứng thần kinh sau đó cho phép các nhà nghiên cứu cô lập tốt hơn hoạt động liên quan đến sự kiện thử nghiệm, đồng thời giảm thiểu sự biến thiên do hoạt động nền không liên quan tạo ra.[2]

Việc lựa chọn đường nền nên được duy trì nhất quán trong suốt nghiên cứu và nên phản ánh các phương pháp thực hành đã được thiết lập cho mô hình thử nghiệm đã chọn.

Kiểm soát chất lượng và tài liệu hướng dẫn

Tiền xử lý không kết thúc khi dữ liệu có vẻ sạch hơn. Các nhà nghiên cứu nên ghi chép cẩn thận từng bước xử lý, bao gồm các thông số lọc, tiêu chí từ chối nhiễu, quy trình nội suy, phiên bản phần mềm và cài đặt phân tích.

Tài liệu chi tiết hỗ trợ khả năng tái lập bằng cách cho phép các nhà nghiên cứu khác hiểu, đánh giá và nhân bản quy trình tiền xử lý. Báo cáo minh bạch cũng giúp các so sánh trong tương lai giữa các nghiên cứu trở nên có ý nghĩa hơn.[1]

Việc duy trì một quy trình tiền xử lý nhất quán trên tất cả những người tham gia giúp giảm thiểu hơn nữa sự biến thiên và củng cố độ tin cậy trong các phân tích kết quả.

Lựa chọn phần mềm để tiền xử lý EEG

Một số nền tảng phần mềm hỗ trợ tiền xử lý và phân tích EEG, mỗi nền tảng cung cấp các quy trình làm việc và khả năng phân tích khác nhau. Các nhà nghiên cứu nên chọn các công cụ phù hợp với thiết kế thử nghiệm, chuyên môn kỹ thuật và yêu cầu báo cáo của họ.

Các môi trường tiền xử lý phổ biến bao gồm EEGLAB, MNE-Python, và FieldTrip, cùng với phần mềm thu thập thương mại hỗ trợ đồng bộ hóa sự kiện, trực quan hóa dữ liệu và xuất sang các định dạng phân tích phổ biến.[4],[5] Việc lựa chọn các công cụ có khả năng tương tác có thể đơn giản hóa việc hợp tác đồng thời hỗ trợ các phương pháp thực hành nghiên cứu minh bạch và có thể tái lập.

Các điểm chính cần lưu ý

Tiền xử lý chuẩn bị các bản ghi EEG thô cho phân tích khoa học bằng cách giảm nhiễu, quản lý các hiện tượng nhiễu và tổ chức dữ liệu trong khi vẫn bảo toàn các tín hiệu thần kinh có ý nghĩa.

Lọc, quản lý nhiễu, Phân tích thành phần độc lập, phân đoạn dữ liệu, hiệu chỉnh đường nền và kiểm soát chất lượng đều góp phần cải thiện chất lượng tín hiệu trong khi vẫn duy trì tính toàn vẹn của dữ liệu.

Một quy trình tiền xử lý được thiết kế tốt là nhất quán, minh bạch và phù hợp với câu hỏi nghiên cứu. Bằng cách ghi lại từng bước xử lý và áp dụng các quy trình tiêu chuẩn hóa trên những người tham gia, các nhà nghiên cứu củng cố độ tin cậy và khả năng tái lập của các phát hiện của họ.

Tiếp tục xây dựng nghiên cứu EEG của bạn

Sau khi dữ liệu EEG đã được chuẩn bị sẵn sàng cho phân tích, các nhà nghiên cứu có thể bắt đầu khám phá cách các vị trí điện cực khác nhau đóng góp vào việc hiểu hoạt động của não bộ.

Trong hướng dẫn tiếp theo, Lựa chọn điện cực và cách lắp đặt EEG, chúng ta sẽ xem xét các hệ thống bố trí điện cực, lựa chọn kênh và cách các vị trí ghi ảnh hưởng đến thiết kế thử nghiệm và giải thích dữ liệu.

Tài liệu tham khảo

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme và S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, và J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex Saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.