Nhiễu ảnh EEG

Hai nhóm nhiễu EEG cơ bản

Mọi dao động không mong muốn trong bản ghi EEG đều xuất phát từ một trong hai nguồn gốc. Nhiễu liên quan đến đối tượng, hay nhiễu sinh lý, được tạo ra từ chính cơ thể của người tham gia. Chúng bao gồm chớp mắt, căng cơ, nhịp tim và hoạt động của tuyến mồ hôi; tất cả đều tạo ra các điện trường mà các điện cực trên da đầu thu nhận cùng với hoạt động thực sự của não bộ.

Nhiễu kỹ thuật, hay nhiễu phi sinh lý, bắt nguồn từ thiết bị ghi và môi trường xung quanh. Điện cực lỏng lẻo, dây cáp đung đưa, bão hòa bộ khuếch đại và nhiễu điện lưới thuộc về nhóm thứ hai này.

Phân biệt giữa hai nhóm này là kỹ năng đầu tiên cần nắm vững vì các chiến lược phòng ngừa và loại bỏ hoàn toàn khác nhau. Một đợt bộc phát cơ do nghiến chặt hàm đòi hỏi biện pháp xử lý khác với tiếng ù tuần hoàn 60-Hz truyền qua một sợi cáp chống nhiễu kém.

Cách nhận biết nhiễu liên quan đến đối tượng

Chớp mắt

Mắt hoạt động giống như một cục pin điện nhỏ. Giác mạc mang điện tích dương so với võng mạc, tạo thành một lưỡng cực giác mạc - võng mạc. Khi người tham gia chớp mắt, mí mắt quét qua lưỡng cực này và kéo điện trường dương lên trên, tạo ra độ lệch điện áp dương lớn tại các điện cực trán gần mắt nhất.

Trên đường ghi trong miền thời gian, một cái chớp mắt xuất hiện dưới dạng sóng chậm, biên độ cao đạt cực đại tại các kênh cực trán như Fp1 và Fp2, sau đó suy giảm mạnh khi nhìn về phía các đạo trình trung tâm hoặc phía sau. Bởi vì dạng sóng này mang tính khuôn mẫu rất cao, một người có kinh nghiệm có thể nhận ra nó gần như ngay lập tức.

Chuyển động của mắt và gai Saccade

Khi mắt chuyển động ngang mà không chớp, lưỡng cực giác mạc - võng mạc sẽ xoay thay vì bị che phủ. Điều này tạo ra sự dịch chuyển dạng bậc thang trong tín hiệu điện nhãn đồ (EOG) và có thể lấn sang các kênh EEG lân cận.

Ngoài ra, sự co bóp nhanh chóng của các cơ ngoại nhãn trong một cử động mắt nhanh (saccade) sẽ tạo ra một xung điện ngắn, sắc nhọn được gọi là điện thế gai saccade. Trên một đường ghi thô, những gai này có thể trông giống một cách đánh lừa với hoạt động dạng động kinh. Chúng thường chỉ giới hạn ở các điện cực trán và thái dương và trùng khớp với sự thay đổi hướng nhìn.

Nhận diện được chúng giúp ngăn ngừa việc đánh giá sai trên lâm sàng và tránh loại bỏ không cần thiết các dữ liệu thần kinh bình thường. Tính chất ngắn của gai, mối tương quan của nó với chuyển động mắt ngang hoặc dọc, và việc nó không có sóng chậm đi sau giúp phân biệt nó với một phóng điện vỏ não thực sự.

Hoạt động của cơ

Các cơ da đầu, mặt và cổ là nguồn tạo ra nhiều tiếng ồn điện tần số cao. Khi người tham gia nghiến hàm, nhăn trán, hoặc thậm chí giữ căng thẳng ở cổ, các điện thế hoạt động của đơn vị vận động sẽ phát xung không đồng bộ và cộng gộp thành một mô hình nhiễu nhọn, không đều.

Trong miền thời gian, nhiễu cơ trông giống như một đợt bộc phát nhanh của các độ lệch nhọn, biên độ thấp đè lên trên tín hiệu EEG, thường nổi bật nhất ở các điện cực thái dương hoặc trán. Thành phần tần số của nó chủ yếu nằm trên 20 Hz, đi sâu vào các dải beta và gamma nơi chứa nhiều phép đo nhận thức, khiến nó đặc biệt gây rắc rối cho việc theo dõi trạng thái tinh thần và các ứng dụng giao diện não - máy tính.

Hệ thống EEG mật độ cao với các điện cực đặt gần nhau có thể giúp định vị nguồn cơ, nhưng tuyến phòng thủ đầu tiên là hướng dẫn người tham gia thư giãn và hỗ trợ nâng đỡ đầu về mặt vật lý.

Mồ hôi và sự thay đổi điện thế da

Những thay đổi về độ dẫn truyền của da do hoạt động của tuyến mồ hôi làm biến đổi bề mặt tiếp xúc giữa điện cực và da. Điều này tạo ra sự trôi dạt rất chậm, mượt mà của điện áp đường nền, thường dưới 1 Hz, có thể dao động kéo dài qua vài giây.

Nhiễu này không xuất hiện dưới dạng gai hay tiếng rè nhịp nhàng mà như một làn sóng lăn nhẹ nhàng của toàn bộ đường ghi. Nó phổ biến nhất trong các phiên ghi kéo dài, trong môi trường ấm áp hoặc với những người tham gia có tâm trạng lo lắng. Yếu tố gây nhiễu tần số thấp này có thể được kiểm soát bằng cách duy trì nhiệt độ phòng ổn định và đảm bảo tiếp xúc điện cực tốt.

Tín hiệu tim

Điện trường của tim đủ mạnh để truyền đến da đầu, đặc biệt là khi trở kháng của điện cực cao hoặc khi một điện cực tham chiếu nằm gần mạch máu trên xương chũm hoặc dái tai.

Nhiễu điện tâm đồ tạo ra xuất hiện dưới dạng phức bộ QRS sắc nét, đều đặn lặp lại theo nhịp tim—khoảng một lần mỗi giây. Nó thường lấn sang nhiều kênh cùng lúc với độ lệch thời gian nhất quán, và các bộ phân loại được huấn luyện trên các đặc trưng nhiễu phổ rộng có thể phát hiện ra nó cùng với các tác nhân gây nhiễm tạp khác.

Nếu dạng sóng tim có thể nhìn thấy nhưng không quá áp đảo, nó thường có thể được trừ đi bằng cách ghi một kênh ECG riêng biệt; nếu không, các đoạn bị ảnh hưởng có thể cần phải loại bỏ thủ công.

Nhận biết nhiễu kỹ thuật trên đường ghi

Nhiễu bật điện cực (Pop) và gai liên quan đến cử động

Sự thay đổi đột ngột về trở kháng do cầu gel bị khô, cáp bị kéo mạnh hoặc điện cực bị xê dịch sẽ tạo ra một xung đột ngột, dốc đứng thường được gọi là "pop". Hiện tượng này rơi vào danh mục “các điểm gián đoạn chung” mà các thuật toán tự động như ADJUST được thiết kế để gắn cờ.

Trong miền thời gian, một cú pop điện cực thường trông giống như một gai cô lập có biên độ cực đại có thể làm bão hòa bộ khuếch đại, làm phẳng tín hiệu trong giây lát trước khi hồi phục chậm. Không giống như gai sinh học, nó không đi kèm với hoạt động sinh lý liên tục xung quanh và thường xuất hiện trên một kênh đơn lẻ, giúp dễ dàng nhận biết khi quan sát trực quan.

Một nghiên cứu EEG sơ sinh của Hagmann và cộng sự cũng ghi nhận sự gây nhiễu cử động thường xuyên làm biến đổi đường ghi tích hợp biên độ, nhấn mạnh rằng ngay cả những xáo trộn vật lý ngắn ngủi cũng tạo ra sự nhiễm bẩn có thể đo lường được.

Nhiễu điện lưới

Hiện tượng ghép điện dung từ nguồn điện vào hệ thống ghi tạo ra tiếng "rè" nhịp nhàng, liên tục ở tần số điện lưới—50 Hz ở Châu Âu và phần lớn thế giới, 60 Hz ở Bắc Mỹ.

Trên đường ghi EEG thô, hiện tượng nhiễu này xuất hiện dưới dạng sóng sin dày đặc đè lên mọi kênh, thường có biên độ nhất quán. Ngay cả một lượng nhỏ nhiễu dòng điện cũng có thể che khuất các nhịp sóng não điện thế thấp, và sự hiện diện của nó báo hiệu vấn đề về trở kháng điện cực, lớp che chắn hoặc tiếp địa.

Nó chắc chắn là một nhiễu kỹ thuật chứ không phải dao động thần kinh, và tần số cố định của nó giúp dễ dàng nhận biết bằng mắt thường hoặc bằng một biểu đồ phổ đơn giản.

Điện cực lỏng và chuyển động của cáp

Khi một điện cực không được gắn chặt vào da đầu hoặc dây cáp của nó bị đung đưa giữa lúc ghi, sự xáo trộn cơ học sẽ tạo ra những dao động tần số thấp không đều. Những dao động này có thể trông giống như một sự trôi dạt chậm chạp, thất thường hoặc một đợt bộc phát các sóng không đều biên độ cao trên một kênh duy nhất.

Bản chất lẻ tẻ và việc chỉ giới hạn ở một điện cực giúp phân biệt ngay lập tức loại nhiễu này với các biến cố sinh lý trên diện rộng như chớp mắt hoặc căng cơ. Việc chú thích những thời điểm như vậy theo thời gian thực giúp tiết kiệm đáng kể công sức về sau bằng cách thu hẹp phạm vi tìm kiếm các đoạn dữ liệu hỏng.

Phòng ngừa và ghi chép tài liệu về nhiễu trong quá trình đo

Chiến lược quản lý nhiễu hiệu quả nhất bắt đầu từ rất lâu trước khi điểm dữ liệu đầu tiên được lưu lại.

Một người tham gia thư giãn sẽ tạo ra ít nhiễu cơ và chuyển động mắt hơn đáng kể. Do đó, hãy dành thời gian để giải thích về buổi đo, chuẩn bị một chiếc ghế thoải mái có điểm tựa đầu và cho mắt một điểm nhìn cố định ổn định để giảm thiểu các lần chớp mắt và cử động mắt tự phát. Các bước này mang tính nền tảng đến mức chúng hiếm khi được nêu chi tiết trong các bài báo nghiên cứu, nhưng mọi nghiên cứu báo cáo dữ liệu sạch đều mặc nhiên dựa vào chúng.

Gắn điện cực là tuyến phòng thủ tiếp theo. Chuẩn bị da tỉ mỉ, dùng lượng gel dẫn điện thích hợp và định tuyến cáp cẩn thận sẽ giảm thiểu cả hiện tượng bắt sóng môi trường và các cú pop do cử động.

Nghiên cứu EEG trên trẻ sơ sinh nói trên phát hiện ra rằng nhiễu điện và nhiễu do cử động xảy ra với tần suất tương tự nhau, xác nhận rằng không có môi trường ghi nào hoàn toàn miễn nhiễm với các vấn đề kỹ thuật. Kiểm tra trở kháng trước và sau phiên đo và cố định dây cáp vào quần áo hoặc ghế sẽ loại bỏ được một phần lớn các loại nhiễu có thể phòng tránh được.

Cuối cùng, hãy duy trì một nhật ký liên tục ghi lại các dấu hiệu nhiễu nhìn thấy được trong khi đo. Ghi lại thời điểm của bất kỳ cử động lớn, ho hoặc điều chỉnh điện cực nào. Hình thức chú thích thủ công này tương tự như việc gắn nhãn của chuyên gia dùng để huấn luyện các bộ phân loại tự động, nơi người đánh giá đánh dấu các đoạn dữ liệu để làm căn cứ thực tế (ground truth) cho các thuật toán máy học.

Một mốc thời gian viết tay đơn giản hoặc một điểm đánh dấu sự kiện trong phần mềm thu thập dữ liệu sẽ biến việc phỏng đoán thành tài liệu có thể tái lập được.

Loại bỏ thủ công và nội suy: Làm sạch trước khi tính toán

Quan sát trực quan đường ghi liên tục

Trước khi giao việc loại bỏ nhiễu cho bất kỳ thuật toán xử lý tín hiệu nào, hãy cuộn qua dữ liệu thô và sử dụng các đặc trưng dạng sóng được mô tả ở trên để xác định các khoảng thời gian bị nhiễm tạp.

Bạn thường được khuyến nghị tìm kiếm sóng chậm vùng trán đặc trưng của việc chớp mắt, tiếng rít tần số cao của hoạt động cơ, gai cô lập của cú pop hoặc sóng sin liên tục của nhiễu điện lưới. Bước này rèn luyện mắt bạn phân biệt nhiễu với hoạt động thực sự của não và ngăn chặn việc tự động loại bỏ các sự kiện thần kinh hiếm gặp có biên độ cao trông bề ngoài có vẻ giống nhiễu.

• Sóng chậm vùng trán: biểu thị việc chớp mắt

• Tiếng rít tần số cao: biểu thị hoạt động của cơ

• Gai cô lập có biên độ cực đại: biểu thị cú pop điện cực

• Sóng sin liên tục: biểu thị nhiễu điện lưới

Đánh dấu và loại trừ các đoạn thời gian xấu

Khi bạn đã xác định được một đoạn dữ liệu chứa nhiều tạp nhiễu, hãy đánh dấu để loại trừ nó. Việc này có thể bao gồm việc ghi lại thời gian bắt đầu và kết thúc hoặc sử dụng các công cụ đánh dấu được tích hợp sẵn trong phần mềm phân tích EEG.

Loại bỏ thủ công các đoạn bị nhiễm tạp nặng nhất là tiêu chuẩn mà ngay cả các phương pháp tự động hiện đại nhất cũng dựa vào. Ví dụ, trong nghiên cứu tạo ra thuật toán ADJUST, các chuyên gia đã gắn nhãn thủ công 640 thành phần để tạo ra một tập huấn luyện, và sau đó hiệu suất của bộ phân loại được đo lường dựa trên căn cứ thực tế được xác định thủ công này.

Loại bỏ các dị vật nhiễu rõ ràng nhất bằng tay sẽ giảm bớt gánh nặng cho các thuật toán ở các bước sau và ngăn chúng lan truyền tiếng ồn sang các kênh lân cận trong các bước lọc không gian.

Nội suy một kênh bị nhiễu liên tục

Khi một điện cực đơn lẻ không đáng tin cậy trong toàn bộ quá trình ghi do tiếp xúc lỏng, gel bị khô hoặc sự mất ổn định cơ học, việc loại bỏ kênh đó và tái tạo dữ liệu của nó từ các điện cực sạch lân cận sẽ bảo toàn được số chiều tổng thể của dữ liệu.

Phép nội suy sử dụng sự phân bố điện áp không gian trên da đầu để ước tính những gì kênh xấu lẽ ra đã ghi lại được, thay thế nhiễu bằng một tín hiệu trung tính hợp lý một cách hiệu quả. Bước này giữ nguyên bộ dữ liệu cho các phân tích địa hình (topographical) và tránh mất mát dữ liệu do việc loại bỏ hoàn toàn kênh đó gây ra.

Tại sao việc làm sạch thủ công vẫn là điều thiết yếu

Ngay cả các bộ phân loại tự động tinh vi nhất cũng được hưởng lợi từ một bộ dữ liệu đã được làm sạch trước các nhiễu lớn. Phát hiện của nghiên cứu sơ sinh rằng nhiễu chiếm 12% thời gian ghi và ảnh hưởng đến kết quả giải thích lâm sàng cho thấy các tạp chất chưa được loại bỏ có thể dễ dàng làm sai lệch kết luận như thế nào.

Do đó, việc kiểm tra thủ công đảm bảo rằng các nhiễu lớn nhất và rõ ràng nhất đã biến mất trước khi dữ liệu đi vào một quy trình tính toán hiệu quả, nơi chúng có thể chi phối phương sai và dẫn dắt sai lệch việc phân giải. Nó cũng xây dựng sự hiểu biết sâu sắc về tập dữ liệu mà không thuật toán nào có thể tái tạo được.

Cách loại bỏ tự động hỗ trợ công việc thủ công

Phân tích thành phần độc lập như một công cụ bóc tách

Sau khi các đoạn xấu nhất được loại bỏ thủ công, ICA có thể phân giải tín hiệu EEG còn lại thành các thành phần nguồn độc lập về mặt thống kê. Kỹ thuật này tách hỗn hợp các tín hiệu não và tín hiệu nhiễu được các điện cực da đầu thu nhận, phân chia các chuyển động của mắt, chớp mắt và hoạt động cơ thành các thành phần riêng biệt dựa trên các mô hình không gian và thời gian độc nhất của chúng.

Một thành phần có hình chiếu vùng trán và dạng sóng khớp chặt chẽ với tín hiệu chớp mắt sau đó có thể được nhận diện và trừ đi, để lại phần còn lại của dữ liệu nguyên vẹn về mặt sinh lý thần kinh. Thế mạnh của ICA nằm ở khả năng xử lý nhiều nguồn nhiễu xảy ra đồng thời, một nhiệm vụ mà việc hiệu chỉnh dựa trên hồi quy đơn giản hơn thường thực hiện quá mức hoặc chưa tới.

Độ tin cậy của các bộ phân loại hiện đại

Các phương pháp tự động hiện đã đạt đến mức hiệu suất gần như khớp với đánh giá của các chuyên gia con người.

Một bộ phân loại tuyến tính độc lập với đối tượng, được huấn luyện trên sáu đặc trưng rút ra từ các miền tần số, không gian và thời gian, đã đạt được sai số bình phương trung bình dưới 10% trên tập dữ liệu thời gian phản ứng, nằm trong phạm vi bất đồng quan điểm giữa hai chuyên gia con người.

Hơn nữa, thuật toán ADJUST, kết hợp các đặc trưng riêng của nhiễu theo không gian và thời gian, đã đồng thuận với việc gắn nhãn thủ công của chuyên gia trên 95,2% phương sai dữ liệu khi được thử nghiệm trên một tập dữ liệu hoàn toàn độc lập, và việc nó loại bỏ các thành phần nhiễu đã dẫn đến việc tái tạo sạch sẽ các điện thế liên quan đến sự kiện.

Một cách tiếp cận khác sử dụng mô hình tự hồi quy kết hợp với máy vector hỗ trợ đã phân loại một số loại nhiễu do đối tượng tạo ra trên các cá nhân với độ chính xác khoảng 94%.

Đối với các loại nhiễu mắt nói riêng, một thuật toán tích hợp thông tin theo dõi mắt để xác định khách quan các thành phần liên quan đã hoạt động hiệu quả gần gấp đôi so với các chuyên gia con người vốn phải dựa vào địa hình thành phần đơn thuần, đạt diện tích dưới đường cong ROC (AUC) lớn hơn 0,99.

Những con số này không thay thế việc làm sạch thủ công nhưng chứng minh rằng lĩnh vực này hiện có những trợ lý tính toán đáng tin cậy có thể xử lý việc nhận diện lặp đi lặp lại với khối lượng lớn vốn trước đây được thực hiện hoàn toàn bằng tay.

Cân bằng giữa việc loại bỏ nhiễu và bảo tồn tín hiệu

Việc loại bỏ nhiễu quá mức có thể vô tình tước đi các thông tin thần kinh thực sự. Trong một mô hình giao diện não - máy tính sử dụng hình ảnh vận động, các nhà nghiên cứu phát hiện ra rằng họ có thể loại bỏ an toàn tới 60% các thành phần ICA có tính chất nhiễu nhiều nhất trong khi vẫn bảo tồn được thông tin phân biệt mà hệ thống BCI sử dụng để giải mã ý định của người dùng.

Phát hiện này nhấn mạnh nguyên tắc quan trọng rằng không phải mọi thành phần mang một số phương sai nhiễu đều hoàn toàn không có tín hiệu thần kinh. Việc xem xét thủ công các thành phần được bộ phân loại tự động lựa chọn vẫn được khuyến khích để xác nhận rằng ngưỡng loại bỏ không lấn sang vùng hoạt động hữu ích của não.

Nhận diện nhiễu EEG tự động bằng mạng nơ-ron tích chập

Các phương pháp tự động để nhận diện nhiễu EEG đã tiến bộ đáng kể, đóng vai trò bổ sung cho các kỹ thuật nhận biết thủ công được mô tả ở trên. Một hướng nghiên cứu đã tập trung vào các mạng nơ-ron tích chập (CNN) có thể phát hiện và phân loại nhiễu mà không yêu cầu chuyên gia trích xuất đặc trưng hoặc tiền xử lý tín hiệu thô.

Một nghiên cứu của các nhà nghiên cứu kiểm tra dữ liệu EEG đa kênh liên tục đã đề xuất một kiến trúc CNN để phát hiện nhị phân các loại nhiễu EEG, sau đó mở rộng nó để phân loại nhiều loại nhiễu. Các tác giả báo cáo rằng mạng tối ưu hóa của họ đã đạt được độ chính xác phân loại 94,17% tính trung bình trên 17 bệnh nhân và 9 lớp nhiễu. So với kiến trúc dựa trên CNN ban đầu, phiên bản tối ưu hóa có số lượng tham số ít hơn 4,2 lần và tính toán ít hơn 2,7 lần, cùng với độ chính xác cao hơn 17,5%. Các nhà nghiên cứu cũng đánh giá mô hình của họ trên một tập dữ liệu được thu thập trong phòng thí nghiệm của họ bằng cách sử dụng headset Emotiv Epoc X 14 kênh, nơi nó đạt độ chính xác 93,5% trong việc phát hiện các nhiễu chớp mắt.

Nghiên cứu nhận thấy rằng các mô hình được đề xuất không yêu cầu kiến thức chuyên môn để trích xuất đặc trưng hoặc tiền xử lý dữ liệu EEG, và kiến trúc này đủ hiệu quả để có thể triển khai trên các thiết bị di động. Điều này hướng tới khả năng phát hiện nhiễu thời gian thực trong các môi trường thực tế, ít tài nguyên.

Những gì mà khối nghiên cứu này vẫn chưa xác định được là các bộ phân loại tự động như vậy hoạt động như thế nào trên toàn bộ các loại nhiễu gặp phải trong các bản ghi thực tế, hoặc cách chúng so sánh với việc kiểm tra thủ công ở các nhóm đối tượng và môi trường ghi khác nhau. Các phát hiện cho thấy rằng việc nhận diện nhiễu EEG tự động, hiệu quả là khả thi, nhưng việc kiểm chứng thêm trong các điều kiện rộng hơn vẫn là một lĩnh vực nghiên cứu mở.

Tại sao nhận thức về nhiễu quyết định chất lượng dữ liệu

Nhiễu ảnh hưởng trực tiếp đến cả việc giải thích trực quan và các phép đo định lượng. Cho dù mục tiêu là chẩn đoán lâm sàng, một khám phá khoa học thần kinh, hay một ứng dụng chăm sóc sức khỏe cho người tiêu dùng, con đường dẫn đến kết quả đáng tin cậy đều đi qua sự hiểu biết rõ ràng về nguồn gốc của nhiễu, cách chúng xuất hiện trên đường ghi thô và quy trình kỷ luật trong việc phòng ngừa, ghi chép và loại bỏ chúng theo cách thủ công.

Tự động hóa dựa trên ICA có thể đẩy nhanh quy trình làm sạch, nhưng nó hoạt động hiệu quả nhất trên dữ liệu đã được kiểm tra bởi mắt người có chuyên môn. Tỷ lệ nhiễm tạp 12% nghe có vẻ không cao, nhưng khi tỷ lệ đó có thể làm thay đổi một quyết định y tế hoặc che khuất một dấu ấn sinh học nhận thức tinh tế, việc đầu tư vào quản lý nhiễu sẽ gắn liền với tính liêm chính khoa học của bản ghi.

Tài liệu tham khảo

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

Câu hỏi thường gặp

Hai nhóm nhiễu EEG chính là gì và chúng khác nhau như thế nào?

Nhiễu EEG được chia thành hai nhóm: nhiễu liên quan đến đối tượng (sinh lý) do cơ thể của người tham gia tạo ra—chẳng hạn như chớp mắt, căng cơ, nhịp tim và mồ hôi—và nhiễu kỹ thuật (phi sinh lý) bắt nguồn từ thiết bị hoặc môi trường, như điện cực bị lỏng, cáp đung đưa và nhiễu điện lưới. Sự phân biệt này rất quan trọng vì mỗi nhóm đòi hỏi các chiến lược phòng ngừa và loại bỏ khác nhau; ví dụ, một đợt bộc phát cơ cần một can thiệp khác với tiếng ù điện lưới 60-Hz.

Làm thế nào bạn có thể nhận biết nhiễu chớp mắt trên đường ghi EEG?

Một cái chớp mắt xuất hiện dưới dạng một sóng chậm, dương, lớn và mạnh nhất ở các điện cực trán như Fp1 và Fp2, và nó nhanh chóng mờ dần về phía các kênh trung tâm hoặc phía sau. Bởi vì giác mạc mang điện tích dương so với võng mạc, mí mắt quét qua lưỡng cực này sẽ tạo ra độ lệch biên độ cao mang tính khuôn mẫu rất dễ phát hiện nếu được đào tạo.

Tại sao hoạt động của cơ có thể đặc biệt gây trở ngại cho giao diện não - máy tính?

Nhiễu cơ do nghiến hàm, nhăn trán hoặc căng cổ tạo ra sự giao thoa nhọn, tần số cao thường trùng lặp với các dải sóng não beta và gamma nơi các phép đo nhận thức và việc theo dõi trạng thái tinh thần hoạt động. Sự nhiễm tạp này có thể làm sai lệch các phân tích thuật toán và làm giảm hiệu suất của các mô hình giao diện não - máy tính, biến nó thành một trong những loại nhiễu sinh lý rắc rối nhất cần quản lý.

Nhiễu điện lưới trông như thế nào và nguyên nhân do đâu?

Nhiễu điện lưới xuất hiện dưới dạng tiếng "rè" sóng sin nhịp nhàng, liên tục chồng lên mọi kênh EEG, thường ở tần số 50 hoặc 60 Hz tùy thuộc vào nguồn cung cấp điện của khu vực. Nó phát sinh từ hiện tượng ghép điện dung của nguồn điện vào hệ thống ghi do trở kháng điện cực kém, che chắn không đầy đủ hoặc các vấn đề về tiếp địa, và nó rõ ràng là một nhiễu kỹ thuật chứ không phải là tín hiệu thần kinh.

Tại sao việc chú thích thủ công các loại nhiễu trong quá trình ghi lại quan trọng?

Việc duy trì một nhật ký liên tục ghi lại các cử động lớn, cơn ho hoặc việc điều chỉnh điện cực trong suốt phiên đo giúp thu hẹp các đoạn dữ liệu xấu về sau và biến việc phỏng đoán thành tài liệu có thể tái lập. Chú thích thủ công này cũng phản ánh quá trình gắn nhãn chuyên gia được sử dụng để huấn luyện các bộ phân loại tự động, cung cấp căn cứ thực tế giúp cải thiện độ tin cậy của cả quá trình làm sạch thủ công và tính toán.

Mục đích của việc nội suy một kênh EEG liên tục bị nhiễu là gì?

Khi một điện cực đơn lẻ không đáng tin cậy trong suốt quá trình ghi do tiếp xúc lỏng hoặc gel bị khô, phép nội suy sẽ tái tạo dữ liệu của kênh đó từ các điện cực sạch lân cận bằng cách sử dụng sự phân bố điện áp không gian trên da đầu. Điều này bảo toàn số chiều tổng thể của tập dữ liệu cho các phân tích địa hình, tránh tình trạng mất dữ liệu xảy ra nếu toàn bộ kênh bị loại bỏ.

Phân tích thành phần độc lập (ICA) giúp ích gì cho việc loại bỏ nhiễu?

ICA phân giải các tín hiệu EEG hỗn hợp thành các thành phần nguồn độc lập về mặt thống kê, tách các cử động chớp mắt, hoạt động cơ và các loại nhiễu khác dựa trên các mô hình không gian và thời gian độc nhất của chúng. Sau khi được xác định, một thành phần nhiễu—chẳng hạn như một thành phần có hình chiếu vùng trán khớp với một cái chớp mắt—có thể được trừ đi, giữ cho các tín hiệu thần kinh tiềm ẩn phần lớn còn nguyên vẹn và xử lý nhiều nguồn nhiễu đồng thời hiệu quả hơn các phương pháp hồi quy đơn giản.

Nguy cơ của việc quá mạnh tay khi loại bỏ nhiễu tự động là gì?

Việc loại bỏ quá mạnh tay có thể vô tình tước đi các thông tin thần kinh thực sự, vì một số thành phần mang cả phương sai nhiễu lẫn hoạt động hữu ích của não bộ. Ngay cả khi các bộ phân loại tự động gắn cờ nhiều thành phần, việc xem xét thủ công những thành phần nào cần loại bỏ vẫn được khuyến nghị để đảm bảo rằng ngưỡng loại trừ không làm mất đi tín hiệu thiết yếu để giải mã ý định của người dùng hoặc phát hiện các dấu ấn sinh học nhận thức.

Tại sao nhận thức về nhiễu ảnh hưởng trực tiếp đến tính toàn vẹn khoa học của bản ghi EEG?

Nhiễu có thể ngụy trang dưới dạng các dạng sóng bệnh lý hoặc đưa vào phương sai làm sai lệch cả việc giải thích trực quan và các phân tích định lượng, có khả năng làm thay đổi các phân loại lâm sàng hoặc che khuất các tín hiệu nhận thức tinh tế. Một quy trình kỷ luật gồm ngăn ngừa, ghi chép và làm sạch nhiễu thủ công là điều cần thiết trước bất kỳ quá trình xử lý tính toán nào, đảm bảo rằng các kết luận rút ra từ dữ liệu là đáng tin cậy và không bị hư hại bởi sự nhiễm tạp.