Một trong những lựa chọn tham chiếu được sử dụng rộng rãi nhất trong nghiên cứu EEG là tham chiếu trung bình chung, hay CAR, tính toán lại giá trị của mỗi kênh so với giá trị trung bình của tất cả các kênh trên da đầu.
CAR có tiếng là một lựa chọn mặc định để làm sạch nhiễu. Nó xuất hiện trong các quy trình BCI, các bài báo đã xuất bản và các hộp công cụ mã nguồn mở một cách gần như tự động. Nhưng khi nhìn kỹ hơn vào các nghiên cứu hiện có, chúng ta sẽ thấy một bức tranh đa chiều hơn những gì danh tiếng của nó thể hiện.
Bài viết này sẽ đi qua phần toán học đằng sau CAR, các giả định mà nó phụ thuộc vào, và các điều kiện khiến những giả định đó không còn đúng nữa.
Tham chiếu Trung bình Chung trong EEG là gì?
Mỗi điện cực da đầu đo một hiệu điện thế so với một số kênh tham chiếu hoặc một tập hợp nhỏ các kênh tham chiếu được chọn tại thời điểm ghi. Các lựa chọn phổ biến bao gồm một điện cực duy nhất trên dải tai, các mỏm chũm liên kết sau tai hoặc một vị trí trên da đầu như Cz.
Vấn đề với tham chiếu một vị trí là nó không bao giờ thực sự "yên tĩnh". Nếu bản thân điện cực tham chiếu nhận tiếng ồn hoặc hoạt động của não, sự nhiễm tạp đó sẽ bị trừ vào mọi kênh khác, vì tín hiệu của mỗi kênh được xác định tương đối so với nó.
CAR tránh được vấn đề đó bằng cách sử dụng một loại tham chiếu khác, trong đó điện áp trung bình được ghi lại trên toàn bộ dãy điện cực tại từng thời điểm. Thay vì trừ giá trị của một điện cực khỏi tất cả các điện cực khác, CAR trừ giá trị trung bình của tất cả các điện cực khỏi từng điện cực riêng lẻ.
Về mặt lý thuyết, giá trị trung bình này hoạt động như một điểm tham chiếu ổn định hơn, "yên tĩnh" hơn so với bất kỳ điện cực vật lý đơn lẻ nào có thể cung cấp, bởi vì nó rút ra thông tin từ toàn bộ da đầu thay vì một vị trí.
CAR trong Nghiên cứu BCI
Đây là lý do tại sao CAR xuất hiện rất thường xuyên trong nghiên cứu giao diện não-máy tính. Ví dụ, một nghiên cứu được công bố trên Tạp chí Quốc tế về Kỹ thuật và Công nghệ đã thử nghiệm CAR là một trong mười hai phương pháp tái tham chiếu cho trình nhập chữ P300, một hệ thống phát hiện phản hồi não cụ thể khi người dùng tập trung vào một chữ cái hoặc ký hiệu mục tiêu, và báo cáo CAR là kỹ thuật phù hợp nhất trong số các kỹ thuật được thử nghiệm.
Hơn nữa, một nghiên cứu năm 2025 đã áp dụng CAR như một bước tiền xử lý tiêu chuẩn trong quy trình phân loại hình ảnh vận động, mô tả mục đích của nó là tăng tỷ lệ tín hiệu trên nhiễu.
Cách Tính Công thức CAR
Cơ chế của CAR là đại số đơn giản, không phải là một mô hình thống kê yêu cầu dữ liệu để chứng minh nó hoạt động về mặt toán học. Đối với một dãy gồm N điện cực, mỗi điện cực ghi một điện áp tại thời điểm t, được viết là V₁(t), V₂(t), cho đến Vₙ(t), giá trị được biến đổi CAR cho bất kỳ điện cực i đơn lẻ nào là:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
Nói một cách đơn giản, để tìm CAR cho một điện cực cụ thể, hãy lấy kết quả đọc ban đầu của nó tại một mili giây nhất định và trừ đi kết quả đọc trung bình của tất cả các điện cực da đầu tại chính mili giây đó.
Ứng dụng của Tham chiếu Trung bình Chung EEG
Việc lựa chọn phương pháp tham chiếu chính xác sẽ quyết định sự thành công của các đánh giá chẩn đoán và các nghiên cứu nghiên cứu phức tạp.
Các thiết lập lâm sàng thường ưu tiên sự rõ ràng và nhất quán, đảm bảo rằng các nhà thần kinh học có thể xác định các chỉ dấu mà không bị can thiệp bởi các nhiễu ảnh do tham chiếu gây ra. Các nhà nghiên cứu ủng hộ cách tiếp cận toàn cầu này khi lập bản đồ cách các biện pháp can thiệp có thể ảnh hưởng đến hoạt động thần kinh, như đã được chứng minh trong các phát hiện về các dao động được điều hòa bởi hơi thở, nơi cần có một đường nền trung tính để tách biệt các tác động liên quan đến hô hấp khỏi các nhịp thần kinh cục bộ.
Trong cả môi trường lâm sàng và khoa học thần kinh thực nghiệm, các nhà nghiên cứu dựa vào việc giải thích dữ liệu nhất quán nhằm giảm thiểu các biến dạng nhân tạo. Phương pháp này giúp duy trì tính minh bạch khi so sánh các bản ghi của bệnh nhân giữa các phiên hoặc cơ sở khác nhau.
Bằng cách sử dụng tham chiếu tiêu chuẩn, các nhà phân tích đảm bảo rằng những thay đổi quan sát được về biên độ phản ánh những thay đổi sinh học chứ không phải những thay đổi kỹ thuật ở đường nền. Lập trường khách quan này hỗ trợ báo cáo chẩn đoán rõ ràng hơn và kết quả có giá trị trong các ứng dụng đo sóng não rộng rãi.
Cách CAR Giảm Nhiễu Chế độ Chung
Lập luận cho CAR dựa trên một khái niệm gọi là nhiễu chế độ chung. Điều này đề cập đến hiện tượng nhiễu xuất hiện trên hầu hết mọi điện cực với cường độ gần như nhau, chứ không phải nhiễu cụ thể cho một vị trí.
Các ví dụ điển hình bao gồm nhiễu đường dây điện 50/60 Hz từ các nguồn điện gần đó, hoạt động của cơ lan rộng khắp da đầu thông qua sự dẫn truyền mô và sự trôi chậm do điện cực dịch chuyển nhẹ so với da.
Bởi vì loại nhiễu này được chia sẻ rộng rãi trên toàn bộ dãy điện cực, nên việc tính trung bình tất cả các kênh với nhau, về mặt lý thuyết, sẽ tạo ra một ước tính hợp lý về thành phần nhiễu chung đó. Việc trừ giá trị trung bình từ mỗi kênh sau đó sẽ loại bỏ phần lớn nhiễu chung đó trong khi vẫn giữ nguyên các khác biệt giữa các kênh, vốn có nhiều khả năng phản ánh hoạt động thực sự của não.
Các Giả định Cốt lõi Đằng sau CAR
Logic giảm nhiễu của CAR chỉ đứng vững nếu một số điều kiện là đúng đối với dữ liệu. Những giả định này được mô tả một cách nhất quán trong các sách giáo khoa và tài liệu hướng dẫn về EEG, mặc dù việc xác thực chúng trong thế giới thực còn mỏng trong các bằng chứng hiện có.
Giả định giá trị trung bình bằng không. Tại bất kỳ thời điểm nào, giá trị trung bình của tất cả các điện áp trên đầu được cho là gần bằng không, nghĩa là hoạt động tích cực và tiêu cực gần như cân bằng trên da đầu.
Độ bao phủ điện cực dày đặc, đồng đều. Dãy điện cực được cho là bao phủ đầu đủ kỹ để giá trị trung bình xấp xỉ với những gì một điểm tham chiếu ở vô cực cách xa đầu, và do đó trung hòa về mặt điện, sẽ ghi lại. Độ bao phủ thưa thớt hoặc không đồng đều làm yếu đi sự xấp xỉ này.
Không có nguồn thống trị duy nhất. Không có một điện cực nào, kênh bị lỗi hoặc nhiễu ảnh lớn (chẳng hạn như chớp mắt mạnh) đủ lớn để tự nó làm lệch giá trị trung bình.
Khi ba điều kiện này được đáp ứng, giá trị trung bình hoạt động giống như một điểm tham chiếu thực sự trung tính. Khi chúng không được đáp ứng, chính giá trị trung bình sẽ bị biến dạng, và việc trừ đi một giá trị trung bình bị biến dạng sẽ gây ra những vấn đề mới thay vì loại bỏ những vấn đề cũ.
Kiểm tra các Giả định của CAR Bằng Dữ liệu EEG Thực tế
Lấy một bản ghi EEG trạng thái nghỉ có sẵn công khai, ví dụ như một bộ dữ liệu 64 kênh tiêu chuẩn, và tính toán dạng sóng trung bình toàn cầu trước khi áp dụng CAR thường cho thấy các giá trị lệch khỏi mức không, đôi khi với một khoảng cách đáng kể. Sự sai lệch này là bằng chứng trực tiếp của nội dung chế độ chung nằm trong tín hiệu thô, đây chính xác là những gì CAR được thiết kế để loại bỏ. Sau khi CAR được áp dụng, cùng một giá trị trung bình toàn cầu đó bị buộc phải về chính xác mức không tại mọi thời điểm, theo định nghĩa của công thức.
Một thử nghiệm tiết lộ nhiều điều hơn liên quan đến việc xem xét các kỷ nguyên chứa các nhiễu ảnh chớp mắt lớn.
Chớp mắt tạo ra các dao động điện áp lớn, mạnh nhất ở các điện cực vùng trán nhưng lan sang phần lớn dãy điện cực. Trong các kỷ nguyên này, giá trị trung bình toàn cầu trước CAR thường dịch chuyển mạnh khỏi mức không, bởi vì hiện tượng chớp mắt không được phân bố đều mà tập trung ở một phần của đầu. Khi CAR được áp dụng, nhiễu ảnh tập trung này sẽ bị gộp vào giá trị trung bình và phân phối lại, với lượng nhỏ hơn, trên mỗi kênh đơn lẻ, bao gồm cả những kênh cách xa mắt vốn ban đầu sạch sẽ.
Nghiên cứu Nói gì: Bằng chứng Hỗn hợp từ các Nghiên cứu BCI
Nghiên cứu đã đề cập ở trên đã so sánh mười hai kỹ thuật tái tham chiếu trên ba bộ dữ liệu trình nhập chữ P300, trong cả điều kiện thử nghiệm ngoại tuyến và trực tuyến, và kết luận rằng CAR là kỹ thuật phù hợp nhất trong số cả mười hai kỹ thuật. Tuy nhiên, mặc dù nghiên cứu cung cấp các so sánh bằng đồ thị về độ chính xác phân loại và các bảng chi tiết về tốc độ bit tối đa trung bình với độ lệch chuẩn, nó không báo cáo kích thước hiệu ứng hoặc các thử nghiệm ý nghĩa thống kê chính thức giữa các phương pháp, điều này làm hạn chế mức độ tin cậy có thể đặt vào xếp hạng đó.
Trong khi đó, một nghiên cứu năm 2017 đã thực hiện một cách tiếp cận khác với nhiệm vụ hình ảnh vận động và ý định chuyển động. Mười một đối tượng đã thực hiện và tưởng tượng các chuyển động cổ tay phải trong khi EEG được ghi lại từ 28 điện cực. Tín hiệu được xử lý bằng cả tham chiếu CAR và Laplacian, một phương pháp lọc không gian nhấn mạnh sự khác biệt giữa điện cực trung tâm và các điện cực lân cận trực tiếp của nó thay vì trung bình toàn da đầu.
Độ chính xác phân loại sử dụng tham chiếu Laplacian dao động từ 63.33% đến 100% đối với chuyển động tưởng tượng và 60% đến 96.67% đối với chuyển động thực tế, với các bộ phân loại lân cận k-gần nhất hoạt động tốt hơn phân tích phân biệt bậc hai. Tham chiếu Laplacian hoạt động tốt hơn CAR nhìn chung, mặc dù nghiên cứu không báo cáo số liệu chính xác về độ chính xác của CAR để so sánh trực tiếp. Kết quả này cho thấy CAR có thể kém phù hợp hơn với các tác vụ liên quan đến hoạt động não liên quan đến vận động mang tính tiêu điểm, cục bộ.
Cuối cùng, nghiên cứu năm 2025 đã đề cập trước đó đã tích hợp CAR như một bước tiền xử lý sớm bên trong một quy trình mạng thần kinh tích chập lớn hơn để phân loại hình ảnh vận động, quy trình này cũng bao gồm các cửa sổ thời gian trượt, biến đổi phổ và trích xuất băng tần f. Toàn bộ quy trình đã đạt được độ chính xác 91.75% trên bộ dữ liệu chuẩn của cuộc thi. Đây là một kết quả mạnh mẽ, nhưng vì CAR chỉ là một trong số vài bước xử lý, nghiên cứu không thể cho chúng ta biết bao nhiêu phần trăm độ chính xác đó là do bản thân CAR đóng góp so với kiến trúc CNN, kỹ thuật phân cửa sổ, hoặc lựa chọn băng tần f.
Tổng hợp lại, ba nghiên cứu này không hội tụ về một kết luận duy nhất. CAR hoạt động tốt trong bối cảnh P300, hoạt động kém hơn một giải pháp thay thế trong bối cảnh hình ảnh vận động, và có mặt nhưng không được tách biệt trong bối cảnh học sâu độ chính xác cao. Do đó, bằng chứng được thảo luận cho thấy lợi ích độc lập của CAR vẫn chưa rõ ràng và dường như phụ thuộc nhiều vào loại tín hiệu não được đo.
Khi CAR Thất bại: Nhiễu ảnh, Dãy Điện cực Thưa thớt và Nguồn Tiêu điểm
Mô hình trên các nghiên cứu này phù hợp với ba chế độ thất bại được thảo luận rộng rãi trong phương pháp luận EEG nhưng chỉ được hỗ trợ một phần bởi bằng chứng trực tiếp trong nghiên cứu hiện có.
Nhiễu ảnh lớn. Một sự kiện biên độ cao đơn lẻ, chẳng hạn như chớp mắt mạnh hoặc xung cơ, có thể chi phối tính toán trung bình nếu nó đủ lớn so với phần còn lại của dãy điện cực. Khi điều này xảy ra, CAR không loại bỏ nhiễu ảnh; nó lan truyền một phiên bản bị biến dạng của nhiễu ảnh đó vào mọi kênh, bao gồm cả những kênh ban đầu không có nhiễu ảnh. Đây là hậu quả trực tiếp của công thức CAR chứ không phải là một phát hiện được thử nghiệm riêng biệt, nhưng nó tuân theo một cách hợp lý từ phần trình bày được mô tả trước đó trong bài viết này.
Dãy điện cực thưa thớt. CAR phụ thuộc vào giá trị trung bình xấp xỉ một điểm tham chiếu trung tính, điều này đòi hỏi độ bao phủ da đầu tương đối dày đặc và đồng đều. Chỉ với một số ít điện cực, ví dụ từ tám đến mười sáu kênh, giá trị trung bình là một ước tính yếu hơn nhiều về điểm trung tính đó, và giả định về độ bao phủ đằng sau CAR trực tiếp bị vi phạm.
Nguồn tiêu điểm. Hoạt động não bắt nguồn từ một vùng nhỏ, khu trú, thay vì lan rộng ra toàn bộ da đầu, có thể hoạt động tương tự như một tín hiệu "cục bộ" mà phép tính trung bình toàn dãy của CAR không được thiết kế để bảo tồn. Do CAR trừ đi giá trị trung bình toàn cầu, nó có thể triệt tiêu một phần các tín hiệu tập trung thay vì lan rộng.
Chế độ Thất bại | Vấn đề Then chốt |
|---|---|
Nhiễu ảnh | Nhiễu ảnh lớn làm lệch giá trị trung bình |
Dãy Điện cực Thưa thớt | Quá ít điện cực, tham chiếu yếu |
Nguồn Tiêu điểm | Các tín hiệu cục bộ có thể bị suy giảm |
Cách Giảm thiểu Điểm yếu của CAR
Một số điều chỉnh thường được khuyến nghị trong thực hành EEG để giải quyết các điểm thất bại này:
Khi các nhiễu ảnh lớn là mối lo ngại, hãy xác định và nội suy hoặc loại bỏ các kênh xấu hoặc các phân đoạn chứa nhiều nhiễu ảnh trước khi tính toán CAR.
Khi làm việc với một dãy điện cực thưa thớt (ví dụ: 8–16 kênh), hãy tránh dùng CAR và sử dụng một tham chiếu vật lý cố định như mỏm chũm liên kết.
Đối với các tác vụ nhắm vào hoạt động não mang tính tiêu điểm, cục bộ, hãy xem xét tham chiếu Laplacian hoặc các phương pháp không gian-nguồn nhấn mạnh các gradient cục bộ thay vì trung bình toàn cầu.
CAR Có Phải là Lựa chọn Tham chiếu Đúng cho Thiết lập EEG của Bạn không?
CAR vẫn là một phương pháp tham chiếu được sử dụng rộng rãi với cơ sở toán học rõ ràng và mạch lạc. Nó buộc tín hiệu trung bình trên toàn dãy phải bằng không, và về nguyên tắc, điều này có thể loại bỏ nhiễu xuất hiện rộng rãi và đồng đều trên da đầu. Sức hấp dẫn lý thuyết đó giải thích tại sao nó xuất hiện rất thường xuyên như một bước mặc định trong các quy trình EEG và BCI.
Bất kỳ ai áp dụng CAR vào dữ liệu của riêng họ nên coi nó như một mặc định hợp lý hơn là một cải tiến được đảm bảo. Các giả định của nó, một tín hiệu có giá trị trung bình xấp xỉ bằng không, độ bao phủ điện cực dày đặc và đồng đều, và không có nhiễu ảnh chi phối, là những điều đáng để kiểm tra lại đối với thiết lập ghi âm và nhiệm vụ cụ thể đang thực hiện hơn là tự động giả định.
Nơi mà các giả định đó không có khả năng đứng vững, đặc biệt là với các dãy điện cực thưa thớt hoặc các tác vụ tập trung vào các nguồn não mang tính tiêu điểm, cục bộ, các giải pháp thay thế như tham chiếu Laplacian xứng đáng được xem xét nghiêm túc.
Tại sao việc Kiểm tra Giả định Tham chiếu EEG của Bạn Quan trọng hơn Cài đặt Mặc định
Tham chiếu trung bình chung được xây dựng trên một ý tưởng toán học đơn giản là trừ đi giá trị trung bình của toàn bộ da đầu để loại bỏ nhiễu dùng chung giữa các điện cực. Điều này hoạt động rất đẹp trên giấy, nhưng các bản ghi não thực tế hiếm khi hợp tác hoàn hảo. Thuật toán luôn buộc trung bình điện cực về mức không, nhưng sự cân bằng cưỡng ép đó không đảm bảo một cái nhìn sạch hơn về hoạt động của não—chỉ là các con số cộng lại khớp nhau.
Điều quan trọng hơn bản thân sơ đồ EEG (montage) là liệu thiết lập ghi có đáp ứng các giả định cơ bản hay không. Độ bao phủ điện cực đồng đều, dày đặc và không có các nhiễu ảnh áp đảo như chớp mắt có thể biến CAR từ một lối tắt rủi ro thành một công cụ hữu ích. Đối với các dãy điện cực thưa thớt hoặc các tác vụ cần ghi lại các tín hiệu não nhỏ, tập trung, cùng một bước đó có thể làm lan truyền sự nhiễm tạp và làm mờ chính hoạt động mà nhà nghiên cứu hy vọng phát hiện.
Bài học rút ra từ nghiên cứu không phải là CAR tốt hay xấu, mà là việc sử dụng nó đòi hỏi một sự kiểm tra có chủ ý về các điều kiện dữ liệu, chứ không phải là sự tin tưởng mù quáng vào một thiết lập sẵn phổ biến.
Tài liệu tham khảo
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
Câu hỏi Thường gặp
Tham chiếu trung bình chung (CAR) trong EEG là gì?
CAR là một phương pháp tái tham chiếu, thực hiện trừ điện áp trung bình của tất cả các điện cực da đầu khỏi từng điện cực riêng lẻ tại mỗi thời điểm. Điều này thay thế một tham chiếu vật lý đơn lẻ bằng giá trị trung bình trên toàn bộ da đầu, nhằm tạo ra một điểm tham chiếu ổn định hơn cho bản ghi.
CAR giảm nhiễu trong tín hiệu EEG như thế nào?
CAR nhắm vào nhiễu chế độ chung—nhiễu xuất hiện tương tự nhau trên nhiều điện cực, như tiếng ù của đường dây điện hoặc hoạt động của cơ. Bằng cách lấy trung bình tất cả các kênh và trừ đi giá trị trung bình đó, nhiễu chung phần lớn được loại bỏ trong khi các khác biệt hoạt động não đặc thù của từng kênh được bảo tồn.
Các giả định cốt lõi cần thiết để CAR hoạt động tốt là gì?
CAR giả định rằng giá trị trung bình điện áp trên toàn bộ da đầu gần bằng không tại mỗi thời điểm, độ bao phủ điện cực dày đặc và đồng đều, và không có nhiễu ảnh hoặc kênh đơn lẻ nào chi phối giá trị trung bình. Nếu những điều này không được đáp ứng, giá trị trung bình tính toán sẽ bị biến dạng và việc trừ nó đi sẽ gây ra sai số.
Khi nào CAR thất bại hoặc tạo ra thêm nhiễu ảnh?
CAR có thể thất bại trước các nhiễu ảnh lớn, khu trú như chớp mắt, làm lệch giá trị trung bình và sau đó lan truyền ra tất cả các kênh. Nó cũng gặp khó khăn với các dãy điện cực thưa thớt hoặc các tín hiệu não mang tính tiêu điểm cao, vì giá trị trung bình toàn cầu không còn đại diện cho một tham chiếu trung tính.
Nghiên cứu hiện có nói gì về hiệu quả của CAR?
Bằng chứng còn hỗn hợp. Một nghiên cứu cho thấy CAR hoạt động tốt cho tác vụ trình nhập chữ P300, nhưng một nghiên cứu khác cho thấy tham chiếu Laplacian vượt trội hơn CAR đối với hình ảnh vận động. Nghiên cứu thứ ba sử dụng CAR trong một quy trình học sâu thành công nhưng không tách biệt đóng góp cụ thể của nó, vì vậy lợi ích độc lập của nó vẫn chưa rõ ràng.
Tôi có nên luôn sử dụng CAR làm tham chiếu mặc định cho phân tích EEG của mình không?
Không nên mù quáng. CAR là một mặc định hợp lý nếu bạn có độ bao phủ điện cực dày đặc, đồng đều và tín hiệu có giá trị trung bình xấp xỉ bằng không mà không có nhiễu ảnh chi phối. Đối với các dãy điện cực thưa thớt hoặc hoạt động não tiêu điểm, các giải pháp thay thế như tham chiếu vật lý cố định hoặc tham chiếu Laplacian có thể phù hợp hơn.
Tham chiếu Laplacian là gì và nó so với CAR như thế nào?
Tham chiếu Laplacian nhấn mạnh sự khác biệt hiệu điện thế giữa một điện cực trung tâm và các điện cực lân cận trực tiếp của nó, làm nổi bật hoạt động não cục bộ. Nó đã hoạt động tốt hơn CAR trong một nghiên cứu về hình ảnh vận động, cho thấy nó phù hợp hơn để phát hiện các tín hiệu tập trung vào không gian.
Làm thế nào tôi có thể giảm thiểu điểm yếu của CAR khi tôi muốn sử dụng nó?
Trước khi tính toán CAR, hãy xác định và loại bỏ hoặc nội suy các kênh xấu và các nhiễu ảnh lớn như chớp mắt. Điều này ngăn không cho một kênh nhiễu đơn lẻ hoặc một sự kiện làm biến dạng giá trị trung bình toàn da đầu và làm nhiễm tạp tất cả các kênh.
Điều gì xảy ra khi hiện tượng chớp mắt xảy ra trong một bản ghi tham chiếu CAR?
Chớp mắt tạo ra các dịch chuyển điện áp mạnh tập trung ở các điện cực vùng trán. Khi áp dụng CAR, ảnh hưởng của chớp mắt sẽ được tính vào giá trị trung bình toàn cầu và sau đó bị trừ đi, điều này làm lan truyền một phiên bản nhỏ hơn nhưng bị biến dạng của chớp mắt vào mọi kênh, ngay cả những kênh ban đầu sạch sẽ.
CAR có thực sự làm cho giá trị trung bình của tất cả các kênh bằng không không?
Có, theo định nghĩa, phép biến đổi CAR buộc tổng của tất cả các điện áp được tái tham chiếu về mức không tại mỗi thời điểm. Tuy nhiên, thuộc tính toán học này không đảm bảo rằng tín hiệu thu được là biểu diễn sạch hơn của hoạt động não—nó chỉ đơn thuần thực thi một điều kiện có thể hoặc có thể không khớp với thực tế.
Emotiv là một đơn vị dẫn đầu về công nghệ thần kinh, giúp thúc đẩy nghiên cứu khoa học thần kinh thông qua các công cụ EEG và dữ liệu não bộ dễ tiếp cận.
Christian Burgos
