Xử lý tín hiệu

Xử lý tín hiệu là gì?

Ngành xử lý tín hiệu bao gồm việc biến đổi, phân tích và diễn giải các sự kiện vật lý dưới dạng dữ liệu có thể đo lường được. Bằng cách áp dụng các khung toán học để thu thập các chuỗi dữ liệu, các nhà nghiên cứu có thể lọc bỏ nhiễu môi trường xung quanh một cách hiệu quả và tập trung vào các thông số được quan tâm hàng đầu.

Phương pháp này là trọng tâm của nghiên cứu khoa học hiện đại trên nhiều lĩnh vực khác nhau, bao gồm cả việc nghiên cứu các chức năng sinh học phức tạp của con người.

Cách định nghĩa xử lý tín hiệu số

Xử lý tín hiệu số đại diện cho việc áp dụng các phép tính thời gian rời rạc vào các tín hiệu đã được chuyển đổi từ trạng thái tương tự ban đầu của chúng.

Sự tinh chỉnh này xảy ra thông qua việc sử dụng các thuật toán và bộ xử lý cụ thể được thiết kế để quản lý tải tính toán một cách hiệu quả. Các nhà khoa học sử dụng phương pháp này để cô lập các tín hiệu sinh học, điều này rất quan trọng đối với các lĩnh vực liên quan đến khoa học thần kinh, nơi tính toàn vẹn của dữ liệu là tối quan trọng đối với độ chính xác của nghiên cứu.

Mục tiêu cốt lõi của xử lý tín hiệu

Ở đỉnh cao của tính hữu dụng, xử lý tín hiệu cố gắng trích xuất lượng thông tin có ý nghĩa tối đa từ dữ liệu đo được trong khi giảm thiểu tác động của nhiễu. Bằng cách tối ưu hóa tỷ lệ tín hiệu trên nhiễu, các nhà nghiên cứu khôi phục các điểm dữ liệu đáng tin cậy mà nếu không sẽ bị che khuất.

Mục tiêu này thúc đẩy sự phát triển của các công cụ chẩn đoán tinh vi được sử dụng trong thực hành EEG hiện đại.

Các loại xử lý tín hiệu

Xử lý tín hiệu được phân loại rộng rãi dựa trên bản chất của tín hiệu đầu vào và phương pháp được áp dụng để thao tác nó. Thế giới vật lý tồn tại ở trạng thái liên tục, trong khi các thiết bị điện tử thường dựa vào các khối dữ liệu được lượng tử hóa để thực hiện các hoạt động.

Phân biệt giữa các danh mục này là nền tảng để lựa chọn lăng kính toán học phù hợp cho bất kỳ thiết lập thử nghiệm cụ thể nào.

Xử lý tín hiệu tương tự so với kỹ thuật số

Các hệ thống tương tự thao tác trực tiếp dạng sóng điện liên tục thông qua các thành phần mạch, duy trì độ trung thực cao mà không tốn chi phí lượng tử hóa. Mặc dù các hệ thống tương tự cung cấp phản hồi tức thời, chúng lại thiếu tính linh hoạt và khả năng lập trình đặc trưng của kiến trúc kỹ thuật số.

Khi các giao thức hệ thống 10-20 tiêu chuẩn chuyển đổi, xử lý kỹ thuật số đã trở thành tiêu chuẩn chính để duy trì dữ liệu có thể so sánh giữa các môi trường nghiên cứu khác nhau.

Xử lý tín hiệu số là gì? Hệ thống tuyến tính và phi tuyến tính

Xử lý tín hiệu số sử dụng các thuật toán để tinh chỉnh dữ liệu thành các định dạng phù hợp cho mô hình tính toán, cung cấp một môi trường được kiểm soát để điều chỉnh tín hiệu.

Sự hiểu biết về việc liệu một hệ thống có hoạt động tuyến tính hay không là rất quan trọng để dự đoán cách đầu ra sẽ phản hồi với các đầu vào khác nhau, vì nguyên lý xếp chồng chỉ đúng đối với các hoạt động tuyến tính. Nguyền lý phi tuyến tính, ngược lại, đưa vào các phép biến đổi phức tạp có thể nắm bắt các động lực tinh tế thường bị bỏ qua bởi các mô hình đơn giản hơn.

Bằng cách đặc trưng hóa các hành vi này, các kỹ thuật viên đảm bảo rằng mô hình toán học phản ánh chính xác động lực thực tế của tín hiệu đầu vào trước khi áp dụng các bộ lọc chẩn đoán.

Các khái niệm và kỹ thuật chính trong xử lý tín hiệu

Sự thành thạo kỹ thuật trong lĩnh vực này đòi hỏi sự hiểu biết sâu sắc về chuẩn bị dữ liệu và dịch thuật toán học. Mỗi bước trong quy trình xử lý đều chủ động làm giảm hoặc tăng cường các thành phần tín hiệu cụ thể để chuẩn bị đầu ra cuối cùng cho sự diễn giải của con người hoặc các thuật toán học máy.

Lấy mẫu và lượng tử hóa

Lấy mẫu liên quan đến việc nắm bắt các điểm dữ liệu tại các khoảng thời gian cụ thể tạo thành cơ sở cho biểu diễn rời rạc. Lượng tử hóa tiếp nối bước này, ánh xạ các điểm thời gian rời rạc đó thành các giá trị số cụ thể biểu thị biên độ của tín hiệu.

Nếu các bước này không được hiệu chuẩn chính xác, hiện tượng răng cưa có thể xảy ra, dẫn đến các biến dạng đáng kể trong các dạng sóng được phân tích.

Lọc

Bộ lọc đóng vai trò quan trọng trong việc loại bỏ các thành phần tần số không mong muốn không thuộc về tín hiệu dự kiến. Tùy thuộc vào yêu cầu của bộ lọc thông dải, các bộ lọc có thể loại bỏ một cách chính xác nhiễu cơ tần số cao hoặc độ trôi tần số thấp.

Quá trình này về cơ bản cô lập hoạt động thần kinh được quan tâm khỏi nhiễu nền môi trường rộng hơn, dẫn đến một đường biểu diễn trực quan sạch hơn.

Các phép biến đổi (ví dụ: Biến đổi Fourier)

Các phép biến đổi chuyển dịch dữ liệu giữa các miền khác nhau để tiết lộ các cấu trúc tuần hoàn ẩn bên trong nhiễu thời gian. Các phương pháp phổ biến được sử dụng trong quá trình này bao gồm:

• Biến đổi Fourier để phân tích tín hiệu thành các thành phần tần số cấu thành của chúng.

• Phân tích Wavelet để định vị các sự kiện nhất thời trong cả thời gian và tần số đồng thời.

• Biến đổi Hilbert để xác định bao biên và tần số tức thời của các tín hiệu phức tạp.

• Biến đổi Z để nghiên cứu các hệ thống thời gian rời rạc và tính ổn định.

Các bản đồ toán học này cho phép các kỹ sư trực quan hóa dữ liệu từ các góc nhìn giúp xác định các bệnh lý hoặc mô hình cụ thể vốn hoàn toàn vô hình trong biểu diễn miền thời gian tiêu chuẩn.

Quy trình tiền xử lý EEG là gì?

Một quy trình tiền xử lý đơn giản là một chuỗi chuẩn hóa các hoạt động được áp dụng cho dữ liệu EEG thô liên tục trước khi bắt đầu bất kỳ phân tích nào. Mặc dù trình tự chính xác và các phương pháp cụ thể khác nhau giữa các phòng thí nghiệm và gói phần mềm, hầu hết các quy trình đều chia sẻ một khung xương chung:

1. Lọc bỏ các tần số không mong muốn

2. Tham chiếu lại tín hiệu về một đường nền điện trung tính

3. Xác định và xử lý các nhiễu ảnh

4. Cắt bản ghi liên tục thành các đoạn ngắn gắn liền với các sự kiện cụ thể, một quy trình gọi là tạo kỷ nguyên

Thứ tự ít quan trọng hơn thực tế là mọi quyết định đơn lẻ trong chuỗi này đều có thể thay đổi kết quả cuối cùng. Một nghiên cứu đối chuẩn năm 2020 do Robbins và cộng sự dẫn đầu đã phát hiện ra rằng ngay cả các nghiên cứu tuyên bố tuân theo các hướng dẫn thực hành tốt nhất đã được thiết lập cũng cho thấy sự khác biệt đáng kể trong cách các hướng dẫn đó thực sự được triển khai trong mã code.

Tương tự, một nghiên cứu năm 2021 của Bertazzoli và cộng sự đã chứng minh rằng trong nghiên cứu kích thích từ trường xuyên sọ kết hợp với EEG (TMS-EEG), việc lựa chọn quy trình tiền xử lý có ảnh hưởng rõ rệt đến các dạng sóng phản hồi não bộ kết quả, và thậm chí thay đổi mức độ đáng tin cậy của các kết quả đó khi cùng một đối tượng được kiểm tra hai lần.

Lọc: Cách cô lập các tín hiệu não thực

EEG thô chứa hai loại nội dung tần số không mong muốn rộng lớn.

Ở đầu chậm, các độ trôi điện áp len lỏi vào tín hiệu do mồ hôi tích tụ dưới điện cực hoặc do chính điện cực dịch chuyển nhẹ so với da đầu. Ở đầu nhanh, sự căng cơ và nhiễu điện từ các thiết bị lân cận đưa vào nhiễu tần số cao không liên quan gì đến hoạt động của các neuron thần kinh.

Lọc hoạt động bằng cách loại bỏ các dải tần số này, chỉ giữ lại dải nơi các tín hiệu thực do não tạo ra là mạnh nhất.

Bước cơ bản và được áp dụng rộng rãi nhất là lọc thông cao, giúp loại bỏ các độ trôi chậm dưới khoảng 0,5 đến 1 Hz. Tùy thuộc vào loại phân tích, các nhà nghiên cứu cũng có thể áp dụng bộ lọc thông thấp hoặc kết hợp cả hai thành bộ lọc thông dải, thường giới hạn dữ liệu trong phạm vi từ 1 đến 40 Hz khi nghiên cứu các điện thế liên quan đến sự kiện (ERP), các phản ứng điện áp đặc trưng của não đối với các kích thích cụ thể.

Điều làm cho việc lọc trở nên đặc biệt đáng chú ý là mức độ hiệu quả nhất quán của nó. Vào năm 2023, Arnoud Delorme đã thử nghiệm một loạt các hiệu chỉnh tiền xử lý tự động và phát hiện ra rằng hầu hết chúng đều không có tác dụng đo lường được hoặc chủ động làm giảm chất lượng dữ liệu. Lọc thông cao là một trong hai bước duy nhất giúp cải thiện kết quả một cách đáng tin cậy trên diện rộng.

Các nhà nghiên cứu từ Harvard tương tự coi lọc là một thành phần cơ bản, không thể thương lượng trong quy trình HAPPE của họ đối với dữ liệu phát triển có nhiều nhiễu ảnh. Tóm lại, lọc gần như là một lựa chọn mặc định an toàn. Điều tương tự không thể nói cho mọi bước tiếp theo sau đó.

Tham chiếu lại: Thiết lập điểm không điện thế

EEG không bao giờ đo một điện áp tuyệt đối. Nó đo sự chênh lệch giữa hai điểm, một điện cực hoạt động và một điểm tham chiếu.

Các bản ghi thô thường được lưu trữ tương đối so với bất kỳ điện cực tham chiếu nào được sử dụng vật lý trong quá trình thu thập, thường là một vị trí duy nhất như xương chũm sau tai hoặc điện cực Cz ở đỉnh đầu, các vị trí được xác định bởi Hệ thống 10-20 được sử dụng để tiêu chuẩn hóa việc đặt điện cực. Điểm tham chiếu ban đầu đó phần nào mang tính tùy ý, vì vậy việc tham chiếu lại tính toán lại bằng toán học điện áp của mỗi kênh tương đối so với một điểm mới, về mặt lý thuyết là trung tính hơn, chẳng hạn như mức trung bình của tất cả các điện cực hoặc tín hiệu kết hợp từ cả hai xương chũm.

Tầm quan trọng của việc tham chiếu lại bắt nguồn từ sự dẫn truyền khối, khiến hoạt động điện của não khuếch tán qua các mô và chất lỏng xung quanh, đảm bảo rằng một sự kiện thần kinh duy nhất được ghi nhận trên hầu hết mọi điện cực da đầu. Do sự lan truyền này, việc thay đổi điểm tham chiếu có thể thay đổi hình dạng, biên độ rõ ràng và thậm chí cả ý nghĩa thống kê của hoạt động được ghi lại, mặc dù không có gì về hoạt động não cơ bản thay đổi.

Đây là một khái niệm cốt lõi làm nền tảng cho các lựa chọn thiết kế đằng sau các sơ đồ lắp đặt EEG, bao gồm các phương pháp tiếp cận như Tham chiếu trung bình chung hoặc một Sơ đồ tham chiếu, mỗi phương pháp trong số đó đóng khung cùng một tín hiệu não cơ bản theo cách khác nhau.

Phát hiện và nội suy kênh lỗi

Trong bất kỳ bản ghi đa điện cực nào, một số ít kênh chắc chắn sẽ tạo ra tín hiệu kém. Một kênh có thể bị mất tín hiệu do kết nối lỏng lẻo, hoặc nó có thể trở nên quá nhiễu do tiếp xúc với da đầu kém. Nếu không được khắc phục, các kênh lỗi này có thể làm biến dạng các phân tích vốn phụ thuộc vào việc so sánh các mô hình tín hiệu trên toàn bộ da đầu.

Cách khắc phục tiêu chuẩn bao gồm việc xác định các kênh gặp sự cố này, tạm thời loại bỏ chúng khỏi tập dữ liệu, sau đó tái tạo dữ liệu bị thiếu của chúng thông qua nội suy, về cơ bản là ước tính những gì điện cực đó có thể đã ghi lại dựa trên hoạt động của các điện cực lân cận bình thường của nó. Điều này khôi phục một bản đồ da đầu hoàn chỉnh cho các bước phân tích sau đó mà không để kênh bị nhiễm bẩn làm lệch kết quả.

Đây là bước thứ hai mà nhà nghiên cứu Arnaud Delorme xác định là mang lại lợi ích nhất quán. Cùng với lọc thông cao, nội suy kênh lỗi là một trong những hiệu chỉnh duy nhất được thử nghiệm không làm giảm chất lượng dữ liệu.

Kết hợp với lọc, nó đã tạo ra cấu hình quy trình duy nhất trong nghiên cứu đó vượt trội hơn so với chỉ lọc thông cao đơn giản. Trong số nhiều hiệu chỉnh tự động được đánh giá, sự kết hợp này nổi bật như một quy trình hữu ích và tương đối an toàn.

Vấn đề nhiễu ảnh trong EEG thô

Bên cạnh các vấn đề ở cấp độ điện cực, các bản ghi EEG còn bị nhiễm bẩn bởi các nhiễu ảnh sinh học do chính cơ thể của người tham gia tạo ra:

• Nháy mắt tạo ra các độ lệch lớn tại các điện cực vùng trán

• Chuyển động mắt tạo ra các sự thay đổi điện áp dạng bậc

• Hoạt động của cơ hàm và trán đưa vào nhiễu tần số cao

• Các chuyển động đột ngột gây ra sự sai lệch điện áp đa kênh đột ngột

Phản ứng truyền thống đối với các phân đoạn bị nhiễm bẩn là chỉ đơn giản loại bỏ chúng, từ chối bất kỳ lượt thử hoặc cửa sổ thời gian nào xuất hiện nhiễu ảnh. Điều này hoạt động tương đối tốt khi người tham gia ngồi yên và nhiễu ảnh hiếm khi xảy ra. Nó trở nên kém khả thi hơn nhiều ở các nhóm đối tượng mà nhiễu ảnh là chuẩn mực chứ không phải là ngoại lệ.

HAPPE nhấn mạnh rằng khi các nghiên cứu EEG chuyển sang mảng điện cực mật độ cao hơn và các bản ghi dài hơn, việc kiểm tra thủ công và loại bỏ các đoạn lỗi bằng tay trở nên không thể duy trì, và các quyết định đánh giá thủ công tự đưa vào tính chủ quan của riêng chúng.

Leach và cộng sự bổ sung thêm một minh họa cụ thể cho những thách thức liên quan: các bản ghi EEG ở trẻ em thường xuyên mất đi một lượng lớn dữ liệu có thể sử dụng đơn giản vì các nhiễu ảnh do chuyển động và nháy mắt rất thường xuyên ở trẻ nhỏ. Khi dữ liệu quý giá như vậy, việc loại bỏ toàn bộ một lượt thử chỉ vì một lần nháy mắt là một giải pháp tốn kém.

Phân tích thành phần độc lập (ICA) để loại bỏ nhiễu ảnh

Phân tích thành phần độc lập, hay ICA, cung cấp một giải pháp thay thế chính xác hơn so với việc loại bỏ toàn bộ.

Về mặt khái niệm, ICA là một kỹ thuật tách nguồn mù. Nó lấy tín hiệu hỗn hợp được ghi lại tại mỗi điện cực da đầu và phân tách nó bằng toán học thành một bộ các thành phần độc lập về mặt thống kê.

Một số thành phần này tương ứng với các mô hình nhiễu ảnh có thể nhận biết được, chẳng hạn như đặc trưng của nháy mắt hoặc căng cơ. Những thành phần khác tương ứng với các mô hình hoạt động của não. Thao tác khi các thành phần liên quan đến nhiễu ảnh được xác định, chúng có thể bị loại bỏ và các thành phần sạch còn lại được chiếu ngược lại vào dữ liệu kênh, lý tưởng nhất là bảo tồn tín hiệu não thực tế trong khi loại bỏ sự nhiễm bẩn.

Rào cản là việc kiểm tra thủ công từng thành phần để quyết định xem nó phản ánh một cú nháy mắt hay một phần của vỏ não là rất chậm và vốn dĩ mang tính chủ quan. Điều này đã thúc đẩy sự ra đời của các bộ phân loại tự động như ADJUST, ICLabel và MARA, được thiết kế để đưa ra quyết định đánh giá đó bằng thuật toán một cách nhất quán.

Bằng chứng về việc phương pháp này hoạt động tốt như thế nào là hỗn hợp chứ không hoàn toàn tích cực.

Arnaud Delorme phát hiện ra rằng việc loại bỏ tự động các thành phần mắt và cơ dựa trên ICA không cải thiện một cách đáng tin cậy tỷ lệ phần trăm các kênh có ý nghĩa thống kê trong dữ liệu ERP, nghĩa là nó không mang lại sự cải thiện rõ ràng, đáng tin cậy.

Robbins và cộng sự đã so sánh hai phương pháp tiếp cận dựa trên ICA, LARG và MARA, trên 17 nghiên cứu và phát hiện ra rằng mặc dù cấu trúc tổng thể của kết quả trông tương tự nhau, những khác biệt đáng kể vẫn xuất hiện, đặc biệt là trong các đặc trưng phổ tần số thấp và lượng dư nhiễu liên quan đến nháy mắt còn lại trong dữ liệu đã được làm sạch.

Về khía cạnh đáng khích lệ hơn, nhóm của Leach đã chỉ ra rằng một phiên bản sửa đổi của thuật toán ADJUST, được tinh chỉnh đặc biệt cho các bản ghi lưới trắc địa ở trẻ em, đã cải thiện độ chính xác phân loại và giữ lại nhiều lượt thử có thể sử dụng hơn so với thuật toán ADJUST ban đầu hoặc không có hiệu chỉnh ICA nào cả, và trong một số phép đo đã vượt trội hơn ICLabel đối với dữ liệu trẻ em nói riêng.

Tóm lại, ICA có thể là một công cụ thực sự hữu ích để cô lập và loại bỏ các nhiễu ảnh, nhưng hiệu suất của nó không được đảm bảo. Nó phụ thuộc rất nhiều vào cách thuật toán phân loại được tinh chỉnh và nhóm đối tượng được nghiên cứu.

Tái cấu trúc không gian con nhiễu ảnh (ASR) như một sự thay thế

Tái cấu trúc không gian con nhiễu ảnh, hay ASR, đi theo một con đường hoàn toàn khác. Thay vì phân tích tín hiệu thành các thành phần độc lập, ASR hoạt động bằng cách so sánh dữ liệu đầu vào với các số liệu thống kê được rút ra từ một giai đoạn tham chiếu sạch, tự động gắn cờ và tái cấu trúc các phần của tín hiệu lệch quá xa so với đường nền sạch đó.

Nhóm của Robbins đã so sánh trực tiếp hai biến thể của ASR với các quy trình dựa trên ICA trên cùng một bộ 17 nghiên cứu. Kết luận chung tương đồng với so sánh ICA: cấu trúc kết quả tổng thể trông tương tự nhau giữa các phương pháp, nhưng những khác biệt có ý nghĩa vẫn xuất hiện, một lần nữa tập trung vào các đặc trưng phổ tần số thấp.

Do đó, ASR là một giải pháp thay thế hợp pháp cho ICA chứ không phải là sự thay thế vượt trội hoàn toàn, và nguyên tắc tương tự cũng được áp dụng ở đây như ở mọi nơi khác trong quy trình này: phương pháp cụ thể được chọn sẽ định hình kết quả cụ thể thu được.

Bạn có nên loại bỏ các đoạn EEG lỗi không?

Bạn nên tránh loại bỏ toàn bộ các phân đoạn, vì bằng chứng cho thấy tổn thất lực lượng thống kê dẫn đến thường lớn hơn lợi ích của việc loại bỏ nhiễu.

Ngưỡng đơn giản là một công cụ thô bạo, loại bỏ dữ liệu có thể sử dụng một cách không cân xứng; do đó, các chuyên gia ưa chuộng các phương pháp chính xác hơn như nội suy và hiệu chỉnh dựa trên thành phần.

Tạo kỷ nguyên (Epoching): Tập trung vào các sự kiện quan tâm

Hầu hết các phân tích EEG, cho dù đo lường ERP hay các mô hình thời gian-tần số, đều được gắn chặt vào các thời điểm cụ thể: việc trình bày một kích thích hoặc phản ứng của người tham gia đối với nó. Tạo kỷ nguyên là bước cắt bản ghi dài liên tục thành các cửa sổ ngắn có độ dài bằng nhau xung quanh mỗi sự kiện này, thường bao gồm một khoảng thời gian ngắn trước chính sự kiện đó được gọi là đường nền.

Giai đoạn đường nền trước sự kiện đó đóng vai trò hiệu chỉnh, giúp giải quyết các độ lệch điện áp chậm mà nếu không có thể bị nhầm lẫn với phản ứng thực sự đối với kích thích. Nhưng bước hiệu chỉnh này không cung cấp sự miễn nhiễm với sự thận trọng tương tự áp dụng cho việc tham chiếu lại.

Nghiên cứu nói trên của Arnaud Delorme đã phát hiện ra rằng các phương pháp loại bỏ đường nền tiên tiến làm giảm đáng kể hiệu suất về mặt ý nghĩa ERP. Cách tiếp cận an toàn hơn, dựa trên bằng chứng này, là hiệu chỉnh đường nền đơn giản hơn, thường chỉ là trừ đi điện áp trung bình đo được trong cửa sổ trước kích thích, thay vì tìm đến các sơ đồ hiệu chỉnh phức tạp hơn.

Tại sao lựa chọn quy trình thay đổi kết quả của bạn

Đặt cạnh nhau, các nghiên cứu so sánh được xem xét ở đây làm rõ một điểm không thể nhầm lẫn: các quy trình tiền xử lý không thể thay thế cho nhau, ngay cả khi chúng rút ra từ cùng một bộ công cụ phương pháp chung.

Ví dụ, nghiên cứu của Delorme đã phát hiện ra rằng trong tất cả các biến thể quy trình được thử nghiệm trên các nền tảng phần mềm EEG hàng đầu, EEGLAB, FieldTrip, MNE và Brainstorm, chỉ có một cấu hình, kết hợp lọc thông cao với nội suy kênh lỗi, vượt trội đáng kể so với lọc thông cao đơn giản. Nhiều bước thường được sử dụng khác thực sự làm giảm chất lượng dữ liệu thay vì cải thiện nó.

Trong khi đó, nhóm của Bertazzoli phát hiện ra rằng trong nghiên cứu TMS-EEG nói riêng, biên độ dạng sóng và công suất trường trung bình toàn cầu thay đổi đáng kể trên bốn quy trình khác nhau được áp dụng cho cùng một tập dữ liệu. Các mô hình bản đồ địa hình tương quan mạnh mẽ giữa các quy trình chỉ ở độ trễ vượt quá 100 mili giây sau kích thích; ở các độ trễ sớm hơn, các giá trị tương quan dao động rất rộng, từ 0,2 đến 0,9, tùy thuộc vào quy trình nào được sử dụng. Bản thân độ tin cậy kiểm tra-hồi kiểm phụ thuộc vào phương pháp tiền xử lý nào được chọn.

Cuối cùng, nghiên cứu của Harvard đã chứng minh một mô hình đáng khích lệ hơn cho một trường hợp cụ thể: các quy trình tự động được xây dựng cho dữ liệu phát triển có nhiều nhiễu ảnh, như HAPPE, vượt trội hơn bảy phương pháp xử lý thay thế được sử dụng rộng rãi, loại bỏ nhiều nội dung nhiễu ảnh hơn đồng thời bảo tồn lượng tín hiệu EEG thực tương đương hoặc lớn hơn trong hầu hết các so sánh.

Sợi chỉ nhất quán xuyên suốt các nghiên cứu này là không có một cấu hình quy trình duy nhất nào tối ưu chung cho mọi tập dữ liệu, nhóm đối tượng hoặc câu hỏi nghiên cứu. Hiểu được lý do đằng sau mỗi giai đoạn, thay vì học vẹt một công thức cố định, là điều cho phép nhà nghiên cứu đưa ra những lựa chọn có chủ ý, có thể bảo vệ được và nhận biết khi nào một quy trình nhất định có thể kém phù hợp với dữ liệu cụ thể của họ.

Tại sao các quyết định tiền xử lý định hình những gì bạn thấy trong dữ liệu EEG

Các bản ghi não thô đến với đầy rẫy các tiếng nháy mắt, nhiễu cơ và tiếng ù của điện có thể dễ dàng chôn vùi các tín hiệu yên tĩnh hơn mà các nhà nghiên cứu muốn nghiên cứu. Làm sạch dữ liệu này không phải là một bước dọn dẹp trung lập—con đường chính xác bạn đi từ lọc đến hiệu chỉnh nhiễu ảnh có thể thay đổi một cách có ý nghĩa bức tranh cuối cùng về hoạt động não bộ. Bằng chứng cho thấy chỉ có một số ít động thái, như lọc thông cao và vá các kênh bị hỏng, tiết lộ một cách đáng tin cậy các mô hình thần kinh rõ ràng hơn, trong khi nhiều bước phổ biến có thể làm suy yếu kết quả bạn đang theo đuổi một cách bất ngờ.

Do đó, việc theo dõi những gì mỗi lựa chọn tiền xử lý thực hiện mạnh mẽ hơn nhiều so với việc tuân theo một công thức chung cho tất cả. Vì các phương pháp hợp lý khác nhau có thể hướng các nghiên cứu theo các hướng khác nhau, việc báo cáo công khai quy trình của bạn trở nên quan trọng như chính dữ liệu đó.

Tinh chỉnh phương pháp tiếp cận của bạn để phù hợp với nhóm cụ thể mà bạn đang làm việc cùng, cho dù là một người lớn đang ngồi hay một đứa trẻ đang chuyển động, thường vượt trội hơn việc sử dụng một công cụ đa năng mà không có sự điều chỉnh. Xây dựng loại quy trình chu đáo, minh bạch đó cho phép bạn chuyển từ việc tin tưởng vào các cài đặt mặc định của phần mềm sang việc thực sự hiểu tín hiệu của bạn đang cố nói điều gì với bạn.

Tài liệu tham khảo

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

Câu hỏi thường gặp

Xử lý tín hiệu khác với phân tích dữ liệu tiêu chuẩn như thế nào?

Xử lý tín hiệu tập trung đặc biệt vào động lực thời gian và tần số của các đầu vào liên tục, trong khi phân tích dữ liệu chung thường giải quyết các biến tĩnh hoặc độc lập.

Xử lý tín hiệu có thể loại bỏ tất cả các dạng nhiễu khỏi tín hiệu không?

Mặc dù lọc có thể cải thiện đáng kể độ rõ của tín hiệu, việc loại bỏ nhiễu hoàn hảo thường là không thể do sự chồng chéo không thể dự đoán giữa tín hiệu và nhiễu môi trường xung quanh.

Tại sao tần số lấy mẫu lại quan trọng trong các hệ thống kỹ thuật số?

Tần số lấy mẫu xác định tần số tối đa mà hệ thống có thể biểu diễn chính xác, điều này rất cần thiết để nắm bắt các chỉ số thần kinh tần số cao mà không bị biến dạng.

Mục đích của một phép biến đổi như Biến đổi Fourier là gì?

Các phép biến đổi được sử dụng để chuyển đổi dữ liệu từ miền thời gian, nơi thứ tự là quan trọng, sang miền tần số, nơi các tần số thành phần riêng lẻ được nhấn mạnh.

Hệ thống tuyến tính và phi tuyến tính ảnh hưởng đến độ chính xác đầu ra như thế nào?

Các hệ thống tuyến tính cung cấp các phản hồi tỷ lệ, có thể dự đoán được, trong khi các hệ thống phi tuyến tính cung cấp các khả năng phức tạp tiết lộ các động lực ẩn giấu với cái giá là khả năng dự đoán đơn giản hơn.

Tại sao dữ liệu EEG thô cần tiền xử lý trước khi phân tích?

Các bản ghi EEG thô không chỉ chứa hoạt động của não mà còn cả nhiễu từ nháy mắt, căng cơ, nhiễu điện và độ trôi điện cực. Tiền xử lý cô lập tín hiệu thần kinh thực sự bằng cách loại bỏ các nhiễu ảnh này, giúp dữ liệu có thể diễn giải và sử dụng được cho nghiên cứu khoa học.

Bước tiền xử lý duy nhất nào hầu như luôn hữu ích?

Lọc thông cao, loại bỏ các độ trôi điện áp chậm do mồ hôi hoặc chuyển động của điện cực, là có lợi một cách nhất quán. Qua nhiều nghiên cứu, đây là một trong số ít các bước cải thiện độ tin cậy của dữ liệu khi được áp dụng sớm trong quy trình.

Việc tham chiếu lại có tác dụng gì đối với tín hiệu EEG?

Tham chiếu lại tính toán lại một cách toán học điện áp của mỗi kênh so với một điểm trung tính mới, chẳng hạn như mức trung bình của tất cả các điện cực, thay vì tham chiếu ghi ban đầu. Vì EEG đo sự chênh lệch điện áp, lựa chọn này có thể định hình lại biên độ biểu kiến và thậm chí cả ý nghĩa thống kê của các phản ứng não bộ.

Tại sao các kênh lỗi được phát hiện và chúng được khắc phục như thế nào?

Một số điện cực chắc chắn sẽ mất tiếp xúc tốt hoặc trở nên quá nhiễu, làm biến dạng các phân tích trên toàn da đầu. Sau khi xác định các kênh lỗi này, nội suy sẽ tái cấu trúc tín hiệu của chúng bằng cách ước tính những gì chúng có thể đã ghi lại dựa trên hoạt động của các điện cực khỏe mạnh xung quanh.

Phân tích thành phần độc lập (ICA) được sử dụng để làm gì trong EEG?

ICA là một kỹ thuật phân loại tín hiệu hỗn hợp thành các thành phần độc lập bằng toán học, một số trong đó tương ứng với các nhiễu ảnh như nháy mắt hoặc nhiễu cơ. Khi các thành phần liên quan đến nhiễu ảnh được xác định và loại bỏ, các thành phần sạch còn lại có thể được chiếu ngược lại vào dữ liệu kênh để bảo tồn hoạt động thực sự của não.

Tái cấu trúc không gian con nhiễu ảnh (ASR) khác với ICA như thế nào?

ASR xác định và hiệu chỉnh các đoạn nhiễu bằng cách so sánh dữ liệu đầu vào với một giai đoạn tham chiếu sạch, tự động gắn cờ các phần lệch quá xa so với đường nền đó. Không giống như ICA, nó không phân tích tín hiệu thành các thành phần mà thay vào đó xây dựng lại các phần bị nhiễm bẩn dựa trên thống kê của dữ liệu sạch.

Tại sao bạn không nên đơn giản là loại bỏ mọi phân đoạn có chứa nhiễu?

Vi việc loại bỏ thô bạo các lượt thử bị nhiễu thường loại bỏ một lượng lớn dữ liệu có thể sử dụng được, làm giảm lực lượng thống kê và có khả năng làm suy yếu kết quả. Vì dữ liệu quý giá bị mất, các phương pháp như nội suy hoặc hiệu chỉnh dựa trên thành phần thường được ưu tiên hơn, đặc biệt là khi thời gian ghi bị giới hạn.

Tạo kỷ nguyên là gì và tại sao nó bao gồm một đường nền trước sự kiện?

Tạo kỷ nguyên cắt bản ghi liên tục thành các cửa sổ thời gian ngắn được căn chỉnh theo các sự kiện cụ thể, như một kích thích, để phân tích các phản ứng của não. Giai đoạn đường nền trước sự kiện cung cấp một mức điện áp tham chiếu, để các độ lệch chậm không bị nhầm lẫn với phản ứng đối với kích thích.

Quy trình tiền xử lý cụ thể có thực sự thay đổi kết quả cuối cùng không?

Có, các lựa chọn quy trình khác nhau—chẳng hạn như lọc, sơ đồ tham chiếu hoặc phương pháp hiệu chỉnh nhiễu ảnh—có thể thay đổi hình dạng dạng sóng, ý nghĩa và thậm chí cả độ tin cậy kiểm tra-hồi kiểm. Không có quy trình đơn lẻ nào hoạt động tốt nhất cho mọi tình huống, vì vậy các nhà nghiên cứu phải hiểu tác động của từng bước thay vì tuân theo một công thức mặc định một cách mù quáng.