مقالة منهجية

PIPEMAT-RS: تطوير والتحقق من صحة خط أنابيب MATLAB القياسي للمعالجة المسبقة لمخطط كهربية الدماغ في حالة الراحة

DOI:

10.3791/68350

⸱

يونيو 6, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Mental Health Department, Santa Casa de São Paulo School of Medical Sciences, 2Neuromodulation Center and Center for Clinical Research Learning, Spaulding Rehabilitation Hospital and Massachusetts General Hospital, Harvard Medical School, 3Vicerrectorado de Investigación, Unidad de Investigación para la Generación y Síntesis de Evidencias en Salud, Universidad San Ignacio de Loyola, 4Instituto de Medicina Física e Reabilitação, Hospital das Clínicas HCFMUSP, Faculdade de Medicina, Universidade de São Paulo, 5Faculdade de Medicina, Universidade de São Paulo

* These authors contributed equally

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول PIPEMAT-RS ، وهو خط أنابيب معالجة مسبقة قياسي قائم على MATLAB لبيانات EEG في حالة الراحة. يضمن إزالة القطع الأثرية ، ويحسن جودة الإشارة ، ويعزز قابلية تكرار البيانات عبر الدراسات. يعمل خط الأنابيب على أتمتة خطوات المعالجة المسبقة الرئيسية ، بما في ذلك التصفية وتحليل المكونات المستقلة (ICA) وتصنيف القطع الأثرية ، مما يسهل تحليل مخطط كهربية الدماغ المتسق والموثوق به للأبحاث الفيزيولوجية العصبية.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد تخطيط كهربية الدماغ (EEG) أداة حاسمة في أبحاث علم الأعصاب والتطبيقات السريرية ، ولكن غالبا ما تحتوي بيانات مخطط كهربية الدماغ الأولية على ضوضاء وقطع أثرية تضر بجودة الإشارة. لمعالجة هذا الأمر ، قمنا بتطوير PIPEMAT-RS ، وهو خط أنابيب معالجة مسبقة قياسي قائم على MATLAB لبيانات مخطط كهربية الدماغ في حالة الراحة. يتبع PIPEMAT-RS سير عمل منظم من سبع خطوات: تحويل تنسيق الملف ، وتكوين مونتاج EEG ، وتقليص أخذ العينات ، والتصفية ، ورفض القطع الأثرية ، وتحليل المكونات المستقل (ICA) ، وتصنيف ICLabel لإزالة القطع الأثرية الآلية. يعزز هذا البروتوكول جودة بيانات مخطط كهربية الدماغ عن طريق تقليل التدخل البشري مع الحفاظ على دقة عالية في رفض القطع الأثرية. تم التحقق من صحتها باستخدام مجموعات بيانات متعددة ، مما يدل على قوتها في تحسين سلامة الإشارة. يوفر PIPEMAT-RS نهجا منهجيا يسهل قابلية التكرار والموثوقية في دراسات مخطط كهربية الدماغ، بما يتماشى مع الممارسات المعتمدة بشكل شائع في هذا المجال ويقدم هيكلا موثقا بوضوح يمكن أن يكمل خطوط الأنابيب الحالية. من خلال توحيد المعالجة المسبقة لمخطط كهربية الدماغ ، يسهل PIPEMAT-RS البحث الفيزيولوجي العصبي والتطبيقات السريرية ، مما يسمح بتفسيرات أكثر دقة لنشاط الدماغ في حالة الراحة وارتباطاته بالحالات العصبية والنفسية.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد مخطط كهربية الدماغ (EEG) أداة مهمة في كل من أبحاث علم الأعصاب والممارسة السريرية ، حيث يقدم رؤى قيمة حول النشاط الكهربائي للدماغ. تستخدم بيانات مخطط كهربية الدماغ في حالة الراحة ، على وجه الخصوص ، على نطاق واسع للتحقيق في العديد من الحالات العصبية والنفسية ، مثل السكتة الدماغية والألم العضلي الليفي وآلام الأعصاب المزمنة. على الرغم من تطبيقه على نطاق واسع ، إلا أن تحليل بيانات مخطط كهربية الدماغ يتطلب معالجة مسبقة صارمة للتخلص من القطع الأثرية والضوضاء ، مما يضمن سلامة وموثوقية النتائج1،2،3. على مر السنين ، كان مخطط كهربية الدماغ لا يقدر بثمن في توفير قياسات غير جراحية وعالية الدقة لنشاط الدماغ ، مما يجعله لا غنى عنه لدراسة العمليات الديناميكية للدماغ4،5. ومع ذلك ، غالبا ما تكون إشارات مخطط كهربية الدماغ الأولية ملوثة بمجموعة متنوعة من مصادر الضوضاء التي يمكن أن تحجب الإشارات العصبية ذات الأهمية ، مما يعقد تفسير البيانات6.

إشارات مخطط كهربية الدماغ معرضة بشدة للتلوث من مصادر مثل نشاط العضلات وحركات العين والتداخل الكهربائي7. يمكن لهذه القطع الأثرية أن تحجب الإشارات العصبية ، مما يجعل المعالجة المسبقة خطوة حاسمة في تحليل مخطط كهربية الدماغ. تتضمن هذه العملية عادة تحويل تنسيق ملف متعدد المراحل ، وتقليص أخذ العينات ، والتصفية ، ورفض القطع الأثرية ، وتحليل المكونات المستقلة (ICA) ، واستبعاد المكونات المتعلقةبالضوضاء 8،9. تساهم كل خطوة في تحسين جودة الإشارة والتأكد من أن البيانات تعكس بدقة النشاط العصبي10. يتطلب تعقيد هذه العمليات استخدام خوارزميات وأدوات برمجية متطورة لضمان أن المعالجة المسبقة فعالة وفعالة11.

أحد التحديات الأساسية في المعالجة المسبقة لبيانات مخطط كهربية الدماغ هو التباين في البيانات ، والتي يمكن أن تختلف اختلافا كبيرا بين الموضوعات وجلسات التسجيل10،12. ينشأ هذا التباين بسبب الاختلافات في الخصائص الفسيولوجية والتشريحية للموضوعات ، فضلا عن الاختلافات في الظروف التجريبية والمعدات المستخدمة. بالإضافة إلى ذلك ، يمكن أن يؤدي الافتقار إلى بروتوكولات المعالجة المسبقة الموحدة إلى تناقضات في تحليل البيانات وتفسيرها13،14. في حين تتوفر العديد من خطوط الأنابيب ونصوص المعالجة المسبقة ، فإن العديد منها إما مصمم لمجموعات بيانات محددة أو يفتقر إلى وثائق شاملة ، مما يجعلها أقل سهولة في الوصول إليها لمجتمع البحثالأوسع 14. تستضيف منصات مثل GitHub العديد من البرامج النصية والمكونات الإضافية للمعالجة المسبقة لمخطط كهربية الدماغ ، مما يسهل المشاركة والتحسين التعاوني لهذه الأدوات15. ومع ذلك ، فإن الطبيعة المجزأة لهذه الموارد تؤكد الحاجة إلى خط أنابيب معالجة مسبقة قوي وفعال وموحد قابل للتحرير يمكن تطبيقه على نطاق واسع عبر مجموعات البيانات وسياقات البحث المختلفة16. لن يعزز خط الأنابيب هذا قابلية تكرار دراسات مخطط كهربية الدماغ فحسب ، بل سيوفر أيضا أساسا يمكن لمجتمع البحث البناء والتكيف مع احتياجات محددة17.

بالإضافة إلى EEGLAB ، الذي يشكل أساس PIPEMAT-RS نظرا لقاعدة مستخدميه الواسعة وتكاملها مع MATLAB ، يتم أيضا استخدام صناديق أدوات معالجة EEG الأخرى على نطاق واسع في هذا المجال. على سبيل المثال ، MNE-Python عبارة عن نظام أساسي مفتوح المصدر قائم على Python يوفر وظائف متقدمة لتوطين المصدر وتحليلات مساحة المستشعر والتكامل مع مهام سير عمل التعلم الآلي. تشتهر FieldTrip ، وهي مجموعة أدوات قائمة على MATLAB مثل EEGLAB ، ببيئة البرمجة النصية المرنة والدعم الشامل لتحليلات تردد الوقت والاتصال. في حين أن هذه المنصات توفر بدائل قوية ، إلا أنها تتطلب عادة منحنيات تعليمية أكثر حدة ومهارات برمجة أكثر تقدما. تم تصميم PIPEMAT-RS للربط بين إمكانية الوصول والشفافية ، خاصة للباحثين الذين يبحثون عن حل قابل للتحرير ومعياري للمعالجة المسبقة لمخطط كهربية الدماغ في حالة الراحة باستخدام EEGLAB. ومع ذلك، يمكن تكييف الهيكل المفاهيمي ل PIPEMAT-RS مع صناديق الأدوات الأخرى حسب الحاجة، مما يعزز قابلية التشغيل البيني والتخصيص عبر بيئات البرامج المختلفة.

تم تطوير العديد من خطوط أنابيب المعالجة المسبقة لتخطيط كهربية الدماغ الآلية في السنوات الأخيرة ، مثل RELAX18 و Automagic19 و APP20 و PREP7. تتضمن خطوط الأنابيب هذه خوارزميات متقدمة لإزالة القطع الأثرية وتنظيفها ، وغالبا ما تستخدم استراتيجيات تستند إلى ICA مع شفافية محدودة أو تخصيص للمستخدمين غير الخبراء. على سبيل المثال ، تقدم RELAX طريقة تنظيف ICA متعددة الخطوات تعمل على تحسين رفض القطع الأثرية ولكنها تعتمد على تكوينات معقدة قد لا تكون قابلة للتعديل بسهولة21. في المقابل ، تم تصميم PIPEMAT-RS لتوفير بديل مرن وشفاف ويمكن الوصول إليه تعليميا ، مما يمكن الباحثين من فهم كل خطوة من خطوات المعالجة المسبقة وتعديلها يدويا. تسمح هذه الشفافية باستخدام PIPEMAT-RS كأداة بحث وتعليم مع الحفاظ على الصرامة وقابلية التكرار. علاوة على ذلك ، تؤكد PIPEMAT-RS على التوثيق والتنفيذ المعياري والقدرة على التكيف عبر مجموعات البيانات - الميزات التي غالبا ما يتم الإبلاغ عنها بشكل أقل أو غائبة في خطوط الأنابيب الأخرى.

من الناحية الاقتصادية ، يمكن أن يكون لتطوير وتنفيذ خط أنابيب معالجة مسبقة موحد قابل للتحرير لبيانات EEG تأثيرات كبيرة. بلغت قيمة سوق أجهزة EEG العالمية حوالي 1.2 مليار دولار أمريكي في عام 2020 ومن المتوقع أن تنمو بمعدل نمو سنوي مركب (CAGR) يبلغ 7.5٪ من 2021 إلى 202822. يمكن لخطوط أنابيب المعالجة المسبقة الفعالة ، لا سيما تلك القابلة للتحرير والوحدات المعيارية ، أن تقلل من الوقت والتكلفة المرتبطين بتحليل البيانات - وهو اعتبار مهم في التجارب السريرية واسعة النطاق وأبحاث الصحة العامة. من خلال تقليل الخطأ البشري وأتمتة المهام المتكررة ، يمكن لخطوط الأنابيب هذه تحسين دقة تحليل بيانات مخطط كهربية الدماغ وتؤدي إلى نتائج بحثية أكثر موثوقية13. وهذا بدوره يمكن أن يسرع من تطوير أدوات تشخيصية وتدخلات علاجية جديدة ، مما قد يقلل من تكاليف الرعاية الصحية ويحسن نتائجالمرضى 1.

تهدف هذه الورقة إلى تقديم والتحقق من صحة خط أنابيب متكامل للمعالجة المسبقة قابلة للتحرير لتخطيط كهربية الدماغ في حالة الراحة باستخدام MATLAB (PIPEMAT-RS). تم تصميم خط الأنابيب القابل للتحرير هذا ليكون قويا وفعالا ، وهو متعدد الاستخدامات ويمكن تطبيقه على نطاق واسع على مجموعات البيانات وسيناريوهات البحث المختلفة. تشمل الخطوات السبع الشاملة تحويل تنسيق الملف ، وتقليص أخذ العينات ، والتصفية ، ورفض القطع الأثرية ، وتحليل المكونات المستقلة (ICA) ، واستبعاد المكونات المتعلقة بالضوضاء ، وكلها مدمجة في سير عمل متماسك23،24. استرشد تطوير PIPEMAT-RS بالحاجة إلى معالجة التحديات المشتركة في المعالجة المسبقة لمخطط كهربية الدماغ وتوفير أداة يمكن للباحثين استخدامها لتبسيط عمليات تحليل البياناتالخاصة بهم 25. من خلال التكامل مع الممارسات المعتمدة بشكل شائع في هذا المجال والاستفادة من قدرات MATLAB ، تهدف PIPEMAT-RS إلى تقديم إطار عمل موثوق به وقابل للتحرير وسهل الاستخدام لدعم المعالجة المسبقة لبيانات EEG26.

للتحقق من فعالية PIPEMAT-RS ، قمنا بتطبيقه في العديد من الدراسات. في إحدى الدراسات ، تم استخدام PIPEMAT-RS للتحقيق في المؤشرات الحيوية لمخطط كهربية الدماغ في مرضى السكتة الدماغية ، وتحديد الارتباطات الهامة بين الوظيفة الحركية غير القادرة على التكيف والملامحالاكتئابية 27. طبقت دراسة أخرى PIPEMAT-RS لتحليل التوقيعات العصبية لتعويض الدماغ لدى مرضى السكتة الدماغية باستخدام مخطط كهربية الدماغ و TMS ، مما يكشف عن رؤى مهمة حول آليات الدماغ التكيفية بعد السكتة الدماغية28. يأتي التحقق من الصحة الإضافي من دراسة استكشفت التكيفات والتعويضات العصبية في مرضى الألم العضليالليفي 29. بالإضافة إلى ذلك ، أظهرت دراسة أخرى كيف تعمل عصابات دلتا وثيتا في مخطط كهربية الدماغ في حالة الراحة كآليات تعويضية في آلام الأعصابالمزمنة 30.

تسلط هذه الدراسات الضوء بشكل جماعي على فائدة PIPEMAT-RS في معالجة وتحليل بيانات مخطط كهربية الدماغ، مما يثبت فعاليتها عبر مختلف الظروف والتطبيقات. من خلال توفير نهج موحد ، لا يعزز خط الأنابيب هذا قابلية تكرار دراسات مخطط كهربية الدماغ فحسب ، بل يسهل أيضا التبني الأوسع لطرق المعالجة المسبقة المتسقة في مجتمع البحث. من خلال هذه الورقة ، نهدف إلى المساهمة بمورد قيم في هذا المجال ، وتعزيز تحليل بيانات EEG أكثر دقة وموثوقية16،17. من خلال القيام بذلك ، نأمل في دعم تقدم البحث في الفيزيولوجيا العصبية وتطوير مناهج علاجية جديدة للحالات العصبية والنفسية.

إن خطوات المعالجة المسبقة الأساسية المستخدمة في PIPEMAT-RS متجذرة في طرق قوية تم التحقق من صحتها على نطاق واسع والتي أصبحت ضرورية في أبحاث مخطط كهربية الدماغ لضمان جودة البيانات وقابليتها للتكرار2،8،14. على الرغم من أن هذه المنهجيات راسخة ، إلا أنها تظل حاسمة نظرا لفعاليتها في معالجة القطع الأثرية الشائعة لمخطط كهربية الدماغ والضوضاء ، والتي تستمر في دعم التحليلات الموثوقة عبر الدراسات. ومع ذلك ، فقد قدمت دراسات قليلة مؤخرا خط أنابيب موثق بالكامل وموحد مصمم خصيصا لمخطط كهربية الدماغ في حالة الراحة. من خلال دمج هذه التقنيات التي أثبتت جدواها مع التطورات الحديثة ، مثل ICLabel للتصنيف الآلي للقطع الأثرية ، تقدم PIPEMAT-RS نهجا معاصرا ومنظما يعزز قابلية التكرار وإمكانية الوصول للباحثين ، مما يلبي الحاجة المستمرة لسير عمل المعالجة المسبقة الموثقة بدقة في هذا المجال.

بينما يتبع خط أنابيب PIPEMAT-RS خطوات المعالجة المسبقة المعمول بها المستخدمة بشكل شائع في دراسات مخطط كهربية الدماغ ، فإن توثيقه في شكل ورقة علمية يملأ فجوة مهمة في الأدبيات. تعتمد العديد من دراسات مخطط كهربية الدماغ على طرق معالجة مسبقة مماثلة ولكنها غالبا ما تفتقر إلى وصف شامل خطوة بخطوة يسمح بقابلية التكرار الكامل وسهولة التبني من قبل الباحثين الآخرين. من خلال تفصيل كل مكون من مكونات PIPEMAT-RS وتقديم تسلسل موحد لتحليل مخطط كهربية الدماغ في حالة الراحة ، يهدف هذا العمل إلى تعزيز الشفافية وتقليل تباين المستخدم وتوفير إطار عمل قابل للتكرار قابل للتطبيق عبر الدراسات. بدلا من تقديم طرق جديدة ، تهدف هذه المساهمة إلى العمل كدليل تعليمي وعملي يساعد في توحيد ممارسات المعالجة المسبقة وتحسين إمكانية الوصول لمجموعة واسعة من باحثي مخطط كهربية الدماغ ، لا سيما أولئك الذين يعملون مع بيانات حالة الراحة.

تعد المعالجة المسبقة لبيانات مخطط كهربية الدماغ خطوة حاسمة تؤثر بشكل كبير على جودة وموثوقية التحليلات اللاحقة. تم تطوير خط الأنابيب المتكامل للمعالجة المسبقة لمخطط كهربية الدماغ في حالة الراحة باستخدام MATLAB (PIPEMAT-RS) لمواجهة التحديات الشائعة في المعالجة المسبقة لبيانات مخطط كهربية الدماغ من خلال توفير نهج شامل وموحد ينطبق على مجموعات البيانات المختلفة. يتكون خط الأنابيب المنظم والقابل للتحرير من سبع خطوات رئيسية: أ) تحويل تنسيق الملف. ب) مونتاج EEG ؛ ج) تخفيض أخذ العينات والتصفية. رابعا) رفض القطع الأثرية والإحالة إليها. 5) تحليل المكونات المستقلة (ICA)؛ سادسا) تصنيف ICLabel. سابع) تطبيع البيانات. تم تصميم كل خطوة بدقة لتحسين جودة الإشارة وتسهيل استخراج المعلومات ذات المغزى من بيانات مخطط كهربية الدماغ الأولية.

تتمثل إحدى الميزات المهمة ل PIPEMAT-RS في أن كل خطوة معالجة مسبقة تنتهي بحفظ مجموعة البيانات تحت اسم ملف مميز. يضمن هذا الهيكل أنه لكل ملف تمت معالجته ، يتم إنشاء إصدار مشتق يتوافق مع كل خطوة محددة. يسمح هذا النهج المنهجي للمستخدمين بالوصول إلى البيانات في أي وقت ضمن خط أنابيب المعالجة المسبقة المكون من سبع خطوات. تتضمن الملفات المحفوظة معرفات تشير بوضوح إلى مرحلة المعالجة المسبقة ، مما يسهل تتبع البيانات وإدارتها طوال سير العمل.

يبدأ PIPEMAT-RS بتحويل تنسيق الملف ، حيث يتم تحويل ملفات بيانات EEG الأولية إلى تنسيق متوافق مع MATLAB. يعد هذا التحويل ضروريا للتعامل السلس مع البيانات في بيئة MATLAB الحسابية القوية. بعد ذلك ، تقوم خطوة مونتاج EEG بتعيين مواقع مكانية دقيقة لكل قطب كهربائي على فروة الرأس بناء على أنظمة وضع القطب الكهربائي القياسية. هذه المعلومات المكانية ضرورية للتفسير الدقيق لبيانات مخطط كهربية الدماغ في الدراسات الفيزيولوجية العصبية.

بعد ذلك ، يطبق خط الأنابيب تقليل أخذ العينات والتصفية لتقليل معدل أخذ عينات البيانات والقضاء على الضوضاء مع الاحتفاظ بمكونات التردد ذات الصلة بأبحاث الفيزيولوجيا العصبية. يقلل تقليل أخذ العينات من الحمل الحسابي ومتطلبات التخزين دون المساس بجودة البيانات. تزيل التصفية مكونات تردد محددة معروفة بأنها مرتبطة بالقطع الأثرية ، وبالتالي الحفاظ على الإشارات العصبية الأساسية.

بعد ذلك ، يتم تنفيذ رفض القطع الأثرية والمراجع إليها. تحدد هذه الخطوة وتزيل أجزاء البيانات الملوثة بمصادر الضوضاء مثل وميض العين ونشاط العضلات وحركة القطب. يتم استخدام خوارزميات رفض القطع الأثرية التلقائي لتقليل التدخل اليدوي ، وتقليل احتمالية حدوث خطأ بشري وزيادة كفاءة المعالجة المسبقة. تساعد الإشارة إلى البيانات إلى متوسط جميع الأقطاب الكهربائية على التخفيف من تأثير أي قطب كهربائي واحد وتوفر مرجعا ثابتا لإشارات مخطط كهربية الدماغ.

تعمل خطوة تحليل المكونات المستقلة (ICA) على تحسين البيانات عن طريق فصل الإشارات المختلطة إلى مصادرها المستقلة. يسهل هذا التحلل تحديد وإزالة القطع الأثرية مثل وميض العين والتحف العضلية وضوضاء الخط. ICA هي تقنية قوية تضمن أن البيانات المتبقية تعكس بدقة النشاط العصبي الأساسي.

أخيرا ، يتم تطبيق تصنيف ICLabel لتحديد وإزالة المكونات المصنفة على أنها قطع أثرية تلقائيا. يقوم ICLabel بتعيين ملصقات احتمالية للمكونات المستقلة ، وتصنفها على أنها نشاط دماغي أو نشاط عضلي أو وميض العين أو نبضات القلب أو ضوضاء الخط أو ضوضاء القناة. يتم الاحتفاظ بالمكونات ذات الاحتمال الكبير لتمثيل نشاط الدماغ ، بينما تتم إزالة تلك التي تم تحديدها على أنها قطع أثرية. يقلل هذا النهج الآلي بشكل كبير من الجهد اليدوي ويضمن تصنيفا متسقا وموضوعيا عبر مجموعات البيانات.

كل خطوة من خطوات المعالجة المسبقة هذه ضرورية لتحسين جودة بيانات مخطط كهربية الدماغ. من خلال توحيد سير عمل المعالجة المسبقة ، يقلل PIPEMAT-RS من التباين الذي أدخلته طرق المعالجة المسبقة المختلفة ، مما يسهل مقارنة النتائج عبر الدراسات. يضمن تنفيذ خط الأنابيب في MATLAB ، وهي منصة مستخدمة على نطاق واسع في مجتمع علم الأعصاب ، إمكانية الوصول وسهولة الاندماج في تدفقات العمل البحثية الحالية.

استرشد تطوير PIPEMAT-RS بالممارسات المعتمدة بشكل شائع في تحليل بيانات مخطط كهربية الدماغ ، مع دمج الأساليب والتقنيات التي تم التحقق من صحتها في الأبحاث السابقة. تم تصميم كل خطوة بعناية واختبارها بدقة لضمان فعاليتها في تحسين جودة البيانات (الشكل 1). لا يعمل هذا النهج الشامل على تحسين موثوقية بيانات مخطط كهربية الدماغ فحسب ، بل يدعم أيضا تحديد العلامات الفيزيولوجية العصبية الحاسمة لفهم مختلف الحالات العصبية والنفسية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تطوير PIPEMAT-RS كجزء من مشروعنا البحثي المستمر ، المعتمد من قبل لجنة الأخلاقيات في مستشفى العيادات ، كلية الطب بجامعة ساو باولو (CAAE: 86832518.7.0000.0068). يهدف هذا المشروع إلى تحسين جودة وموثوقية بيانات مخطط كهربية الدماغ في حالة الراحة لمختلف الدراسات العصبية والنفسية. البيانات المستخدمة في هذه الدراسة مشتقة من دراسة جماعية ، تم نشر بروتوكولها سابقا بواسطة Simis et al. (2021) 31. لا تزال الدراسة الرئيسية جارية ، مع جمع البيانات مستمر للمجموعات السريرية المتبقية. يتم توفير البرنامج النصي لمسار العمليات التجارية في الملف التكميلي 1.

1. تحويل تنسيق الملف

  1. قم بإعداد دليل البيانات.
    1. افتح MATLAB وانتقل إلى الدليل الذي يحتوي على ملفات بيانات EEG الأولية.
    2. حدد المسار باستخدام اسم المسار = 'C:\\Path\\To\\RawData\\'; وقائمة الموضوعات التي تحتوي على name_subj_raw = {'subject1', 'subject2', ...};.
    3. إذا كانت مجموعة البيانات موجودة بالفعل في . mat format ، تخطي هذه الخطوة وانتقل إلى EEG Montage.
  2. تحويل الملفات.
    1. قم بتحميل كل ملف بيانات أولي باستخدام وظيفة MATLAB المناسبة لنوع الملف. على سبيل المثال، استخدم التحميل لملفات .mat أو وظائف EEGLAB الخاصة بالملفات مثل pop_biosig (ل .edf أو .bdf) أو pop_fileio (لتنسيقات الملكية المختلفة).
      ملاحظة: يجب على المستخدمين تكييف هذه الخطوة بناء على تنسيق ملفات EEG الأولية الخاصة بهم والرجوع إلى وثائق EEGLAB للحصول على دعم إضافي للملف.
    2. احفظ كل ملف بتنسيق .mat ، مما يضمن سلامة البيانات ويحتفظ بجميع البيانات الوصفية ذات الصلة.

2. مونتاج EEG

  1. تحميل بيانات مخطط كهربية الدماغ.
    1. افتح MATLAB وانتقل إلى الدليل الذي يحتوي على ملفات .mat.
    2. استخدم الدالة pop_loadset من صندوق أدوات EEGLAB لتحميل مجموعة بيانات EEG لكل موضوع (على سبيل المثال ، EEG = pop_loadset('filename.set');).
  2. تطبيق مواقع القطب.
    1. تأكد من توفر ملف موقع القطب المناسب (على سبيل المثال ، EEGSystem_128.loc) المقابل لتكوين غطاء مخطط كهربية الدماغ.
    2. استخدم وظيفة pop_chanedit لتطبيق مواقع القطب. على سبيل المثال:
      EEG = pop_chanedit(EEG ، 'load' ، {'EEGSystem_128.loc', 'filetype' ، 'loc'});
    3. تأكد بصريا من تحميل مواضع القطب الكهربائي بشكل صحيح من خلال مراجعة تخطيط القناة باستخدام واجهة المستخدم الرسومية الخاصة ب EEGLAB.
  3. احفظ مجموعة البيانات.
    1. احفظ مجموعة بيانات EEG المحدثة باستخدام الدالة pop_saveset (على سبيل المثال ، pop_saveset (EEG ، 'filename' ، 'subject1_loc.set')).

3. تخفيض أخذ العينات والتصفية

  1. قم بتقليل بيانات مخطط كهربية الدماغ.
    1. قم بتقليل معدل أخذ العينات لبيانات مخطط كهربية الدماغ إلى 250 هرتز باستخدام وظيفة pop_resample (اختياري).
      ملاحظة: تقوم وظيفة pop_resample تلقائيا بتطبيق مرشح مناسب لمضاد التعرج منخفض التمرير قبل تقليل العينات. تضمن هذه الخطوة تخفيف المكونات عالية التردد قبل إعادة التشكيل ، مما يمنع تعرج القطع الأثرية ويحافظ على جودة إشارة EEG.
  2. تطبيق تصفية تمرير النطاق.
    1. قم بتطبيق مرشح تمرير النطاق من 1 هرتز إلى 50 هرتز على القنوات من 1 إلى 64 باستخدام وظيفة pop_basicfilter بتصميم Butterworth وترتيب المرشح 2.
    2. استخدم التصفية الصفرية للأمام والخلف لمنع تشويه الطور.
  3. تطبيق تصفية الشق (اختياري).
    1. قم بتطبيق مرشح الشق عند 50 أو 60 هرتز على القنوات من 1 إلى 64 باستخدام pop_basicfilter بتصميم "PMnotch" وترتيب المرشح 180.
      ملاحظة: هذه الخطوة اختيارية ويجب استخدامها عند تحليل النشاط التذبذبي فوق 30 هرتز (على سبيل المثال ، نطاق جاما). في مثل هذه الحالات ، قد يزيد الباحثون من الحد الأعلى لمرشح تمرير النطاق (على سبيل المثال ، حتى 80 أو 100 هرتز) ، مما يجعل مرشح الشق حاسما للتخلص من تداخل خط الطاقة. يتم توفير الأمر في خط الأنابيب للراحة ويمكن تعديله بسهولة اعتمادا على التردد الكهربائي المحلي (على سبيل المثال ، 50 هرتز أو 60 هرتز).

4. رفض القطع الأثرية والمراجع

  1. إجراء رفض تلقائي للقطع الأثرية.
    1. استخدم الدالة clean_rawdata مع المعلمات (5 ، [-1] ، 0.7 ، -1 ، 8 ، 0.85) لاكتشاف وإزالة القنوات المسطحة والمقاطع الصاخبة والانجرافات منخفضة التردد تلقائيا. وتتوافق هذه المعلمات على التوالي مع:
      FlatlineCriterion (5): يزيل القنوات بشكل مسطح لأكثر من 5 ثوان.
      ChannelCriterion ([-1]): يعطل الرفض المستند إلى ارتباط القناة.
      LineNoiseCriterion (0.7): يزيل القنوات ذات التشويش الخطي المفرط فوق هذا الحد.
      Highpass (−1): يعطل الترشيح الإضافي عالي التردد أثناء التنظيف.
      BurstCriterion (8): يزيل رشقات البيانات التي تتجاوز 8 انحرافات معيارية.
      WindowCriterion (0.85): يتطلب 85٪ من البيانات في النافذة لتكون نظيفة للاحتفاظ بها.
      ملاحظة: يمكن للمستخدمين ضبط هذه القيم وفقا لخصائص مجموعة البيانات. على سبيل المثال، سيؤدي تقليل BurstCriterion إلى رفض أكثر عدوانية للعناصر الملموسة، بينما سيؤدي خفض WindowCriterion إلى زيادة التسامح مع نوافذ البيانات الصاخبة.
  2. إجراء فحص يدوي للقطع الأثرية (اختياري).
    1. إذا لزم الأمر ، افحص بيانات EEG بصريا باستخدام eegplot من EEGLAB لتحديد القطع الأثرية المتبقية التي لم يتم اكتشافها بواسطة الطرق التلقائية.
    2. ضع علامة على البيانات الاصطناعية المتبقية وقم بإزالتها يدويا لضمان جودة البيانات العالية.
      ملاحظة: هذه الخطوة اختيارية ويوصى بها بشكل أساسي عند التعامل مع مجموعات البيانات التي تقدم أنماط ضوضاء غير قياسية أو عند الحاجة إلى مزيد من الدقة تتجاوز الإجراءات الآلية.
  3. إعادة الرجوع إلى البيانات.
    1. استخدم الدالة pop_reref لإعادة مرجع إشارات مخطط كهربية الدماغ إلى متوسط جميع الأقطاب الكهربائية ، مما يضمن الاحتفاظ بالقطب المرجعي الأصلي في مجموعة البيانات.
      ملاحظة: في هذا المسار ، يتم إجراء إعادة الإسناد المتوسط باستخدام القنوات المتاحة دون إعادة بناء القطب المرجعي الأصلي. ومع ذلك ، قد يفكر المستخدمون الذين يهدفون إلى تحسين اتساق الرتبة وقابلية المقارنة عبر الموضوعات في إعادة إدخال القطب المرجعي الأصلي مؤقتا (على سبيل المثال ، تشيكوسلوفاكيا) كسلسلة زمنية صفرية القيمة قبل إعادة الرجوع إليها. هذا يسمح للمرجع بالمساهمة في حساب المتوسط. بعد ذلك ، يمكن إزالة القناة المضافة لتجنب نقص الرتبة قبل إجراء ICA. وتتجلى هذه العملية في الدالة RELAX_average_rereference.m لخط أنابيب RELAX ، والتي تتضمن أيضا استيفاء جميع القنوات قبل الرجوع إليها. بينما تحتفظ PIPEMAT-RS بإصدار مبسط من أجل الوضوح وإمكانية الوصول ، يتم تشجيع المستخدمين على تكييف هذه الخطوة حسب الحاجة اعتمادا على أهداف تحليلهم.

5. تحليل المكونات المستقلة (ICA)

  1. تحميل بيانات مخطط كهربية الدماغ التي تمت معالجتها مسبقا.
    1. قم بتحميل الملف باللاحقة _loc_filt_cleanraw_reref.set باستخدام الدالة pop_loadset .
  2. أداء ICA.
    1. قم بتشغيل ICA باستخدام وظيفة pop_runica مع خوارزمية runica لتحليل البيانات إلى مكونات مستقلة. تعمل خوارزمية "runica" ، القائمة على نهج Infomax ، على زيادة الاستقلال الإحصائي للمكونات وتستخدم على نطاق واسع في المعالجة المسبقة لمخطط كهربية الدماغ.
      ملاحظة: بالنسبة للمستخدمين الذين يبحثون عن حساب ICA بشكل أسرع ، يمكن استخدام خوارزميات بديلة مثل picard عن طريق تحديد icatype و picard في استدعاء الوظيفة. تقدم هذه البدائل أداء مماثلا وقد تقلل من وقت الحساب.
  3. احفظ مجموعة بيانات ICA.
    1. احفظ مجموعة البيانات مع اللاحقة _loc_filt_cleanraw_reref_ICA باستخدام pop_saveset للإشارة إلى أنه تم تنفيذ ICA.

6. تصنيف ICLabel

  1. قم بتحميل مجموعة بيانات ICA.
    1. قم باستيراد مجموعة البيانات باستخدام مكونات ICA باستخدام الدالة pop_loadset .
  2. تطبيق تصنيف ICLabel.
    1. قم بتشغيل وظيفة pop_iclabel مع النموذج الافتراضي لتصنيف المكونات المستقلة إلى فئات الدماغ والقطع الأثرية.
    2. تحديد المكونات التي يزيد احتمال تمثيلها عن 0.7 لنشاط الدماغ.
  3. إزالة مكونات البيانات الاصطناعية.
    1. استخدم الدالة pop_subcomp لإزالة جميع المكونات التي يكون احتمال الدماغ ICLabel أقل من 0.7.
    2. احتفظ فقط بالمكونات ذات احتمال نشاط الدماغ أعلى من 0.7. توازن عتبة 0.7 بين الحاجة إلى الحفاظ على الإشارات العصبية الأصلية مع ضمان الإزالة الفعالة للقطع الأثرية.
  4. احفظ مجموعة البيانات التي تم تنظيفها.
    1. احفظ مجموعة البيانات التي تم تنظيفها مع اللاحقة _loc_filt_cleanraw_reref_ICA_Cleaned باستخدام pop_saveset للإشارة إلى إزالة مكونات البيانات الاصطناعية.

7. تطبيع البيانات

  1. تحميل بيانات مخطط كهربية الدماغ التي تم تنظيفها.
    1. قم باستيراد مجموعة البيانات باستخدام مكونات ICA الخالية من القطع الأثرية باستخدام وظيفة pop_loadset .
  2. تطبيق تطبيع Z-Score.
    1. تطبيع كل قناة EEG باستخدام تحويل درجة Z عن طريق حساب (x - المتوسط (x)) / std (x) لكل قناة على حدة.
      ملاحظة: تطبيع درجة Z اختياري ويجب تطبيقه بناء على الأهداف التحليلية للدراسة. في حين أنه يقلل من التباين بين الموضوعات ويوحد البيانات للمقارنات على مستوى المجموعة ، إلا أنه قد يخفف أيضا من الفروق الطبوغرافية ويزيل اختلافات السعة ذات المغزى عبر القنوات. ينصح الباحثون المهتمون بالحفاظ على حجم الإشارة الأولية أو التوزيع المكاني بتخطي هذه الخطوة.
  3. احفظ مجموعة البيانات النهائية.
    1. احفظ مجموعة البيانات التي تمت معالجتها مسبقا وطبيعية بالكامل باستخدام اللاحقة _loc_filt_cleanraw_reref_ICA_Normalized باستخدام pop_saveset للإشارة إلى اكتمال المعالجة المسبقة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد التحقق من صحة خط أنابيب المعالجة المسبقة لمخطط كهربية الدماغ أمرا ضروريا لضمان موثوقية وفعالية الأساليب المستخدمة لاستخراج بيانات الفيزيولوجيا العصبية ذات المغزى. تتضمن هذه العملية أدلة تجريبية من الدراسات المنشورة والتقييمات الإحصائية والمقارنات مع المعايير المعمول بها في هذا المجال.

تم إثبات متانة وفائدة PIPEMAT-RS من خلال تطبيقه الناجح في العديد من الدراسات المنشورة التي تغطي مجموعة من الحالات العصبية والنفسية. على سبيل المثال ، في التحقيق في المؤشرات الحيوية لمخطط كهربية الدماغ في مرضى...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تطوير خط أنابيب PIPEMAT-RS لتوفير طريقة موحدة وفعالة للمعالجة المسبقة لبيانات مخطط كهربية الدماغ في حالة الراحة. تشمل الخطوات الحاسمة في هذا البروتوكول رفض القطع الأثرية وتحليل المكونات المستقلة (ICA) ، وكلاهما يعزز بشكل كبير نسبة الإشارة إلى الضوضاء ويضمن استخراج إشارات عصبية ذات مغزى. يضمن الجمع بين الرفض التلقائي للقطع الأثرية باستخدام وظيفة clean_rawdata والفحص اليدوي عبر eegplot إدارة شاملة للقطع الأثرية ، وتحقيق التوازن بين الكفاءة والدقة. يعمل تطبيق ICLabel للتصنيف الآلي للمكون...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه ليس لديهم مصالح مالية متنافسة معروفة أو علاقات شخصية يمكن أن يبدو أنها تؤثر على العمل المبلغ عنه في هذه الورقة.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

على وجه التحديد ، تم دعم LMM من خلال منحة أبحاث ما بعد الدكتوراه # 21 / 05897-5 ، مؤسسة أبحاث ساو باولو (FAPESP). تم دعم AC من خلال منحة البدء العلمي #21/12790-2, مؤسسة ساو باولو للأبحاث (FAPESP). تم دعم SPB من خلال منحة أبحاث ما بعد الدكتوراه # 20 / 08512-4 ، مؤسسة ساو باولو للأبحاث (FAPESP). يتم دعم FF و LRB من قبل منحة بحثية # 17 / 12943-8 ، مؤسسة أبحاث ساو باولو (FAPESP). بشكل فردي ، تلقت FF دعما من NHI 2020 R01 AT ، المشروع #1R01AT009491-01A1.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
MATLAB MathWorksR2020a أو أحدثمطلوب لتنفيذ البرنامج النصي PIPEMAT-RS.
نظام تسجيل EEGمنتجات الدماغhttps://www.brainproducts.com/نظام الحصول على EEG المستخدم لجمع البيانات. ماركات أخرى  تشمل BioSemi / ANT Neuro (أو ما يعادلها)   ؛
EEGLAB Toolboxشوارتز لعلم الأعصاب الحاسوبيN / Aصندوق أدوات MATLAB مفتوح المصدر لتحليل مخطط كهربية الدماغ.
أقطاب كهربائية (Ag / AgCl)منتجات الدماغ   ؛https://www.brainproducts.com/solutions/r-net/تستخدم في الحصول على بيانات مخطط كهربية الدماغ. ماركات أخرى  تشمل BioSemi / ANT Neuro (أو ما يعادلها)   ؛
ICLabel Pluginمركز شوارتز لعلم الأعصاب الحاسوبيN / Aأداة تصنيف القطع الأثرية الآلي لمخطط كهربية الدماغ.
PIPEMAT-RS النصيغير المتاحMATLAB المخصص للمعالجة المسبقة لمخطط كهربية الدماغ القياسي.
مضخم الإشارةمنتجات الدماغ https://www.brainproducts.com/solutions/#amplifiersيضخم إشارات مخطط كهربية الدماغ للمعالجة. ماركات أخرى  تشمل BioSemi / ANT Neuro (أو ما يعادلها)   ؛
منتجات الدماغ القياسية 64 قناة EEGCap  https://www.brainproducts.com/solutions/#electrodes-capsغطاء القطب الكهربائي لتسجيل مخطط كهربية الدماغ. ماركات أخرى  تشمل BioSemi / ANT Neuro (أو ما يعادلها)   ؛
مركز برنامج للبرنامج النصي

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Niedermeyer, E., da Silva, F. L. Electroencephalography: basic principles, clinical applications, and related fields. , Lippincott Williams and Wilkins. Philadelphia, PA. (2004).
  2. Delorme, A., Makeig, S. EEGLAB: an open-source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J Neurosci Methods. 134 (1), 9-21 (2004).
  3. Cohen, M. X. Analyzing neural time series data: theory and practice. , MIT Press. (2014).
  4. Buzsáki, G., Anastassiou, C. A., Koch, C. The origin of extracellular fields and currents-EEG, ECoG, LFP and spikes. Nat Rev Neurosci. 13 (6), 407-420 (2012).
  5. Nunez, P. L., Srinivasan, R. Electric fields of the brain: the neurophysics of EEG. , Oxford University Press. (2006).
  6. Gratton, G. Brain reflections: a circuit-based framework for understanding information processing and cognitive control. Psychophysiology. 55 (3), e13038(2018).
  7. Bigdely-Shamlo, N., et al. The PREP pipeline: standardized preprocessing for large-scale EEG analysis. Front Neuroinform. 9, 16(2015).
  8. Pernet, C. R., Chauveau, N., Gaspar, C., Rousselet, G. A. LIMO EEG: a toolbox for hierarchical linear modeling of electroencephalographic data. Comput Intell Neurosci. 2011, 831409(2011).
  9. Onton, J., Makeig, S. Independent component analysis for EEG artifacts. Neuroimage. 15 (3), 789-801 (2006).
  10. Delorme, A., Miyakoshi, M., Jung, T. P., Makeig, S. Grand average ERP-image plotting and statistics: a method for comparing variability in event-related single-trial EEG activities across subjects and conditions. J Neurosci Methods. 210 (2), 132-145 (2012).
  11. Debener, S., Thorne, J., Schneider, T. R., Viola, F. C. Using ICA for the analysis of multi-channel EEG data. Simultaneous EEG and FMRI. , Springer. New York, NY. (2010).
  12. Luck, S. J. An introduction to the event-related potential technique. , MIT Press. (2014).
  13. Cohen, M. X. Where does EEG come from and what does it mean. Trends Neurosci. 40 (4), 208-218 (2017).
  14. Keil, A., et al. Committee report: publication guidelines and recommendations for studies using electroencephalography and magnetoencephalography. Psychophysiology. 51 (1), 1-21 (2014).
  15. Gramfort, A., et al. MEG and EEG data analysis with MNE-Python. Front Neurosci. 7, 7(2013).
  16. Pernet, C., et al. Issues and recommendations from the OHBM COBIDAS MEEG committee for reproducible EEG and MEG research. Nat Neurosci. 23 (12), 1473-1483 (2020).
  17. Oostenveld, R., et al. FieldTrip: open-source software for advanced analysis of MEG, EEG, and invasive electrophysiological data. Comput Intell Neurosci. 2011, 156869(2011).
  18. Bailey, N. W., et al. Introducing RELAX: an automated preprocessing pipeline for cleaning EEG data-Part 1: algorithm and application to oscillations. Clin Neurophysiol. 149, 178-201 (2023).
  19. Pedroni, A., Bahreini, A., Langer, N. Automagic: standardized preprocessing of big EEG data. Neuroimage. 200, 460-473 (2019).
  20. da Cruz, J. R., et al. An automatic preprocessing pipeline for EEG analysis (APP) based on robust statistics. Clin Neurophysiol. 129 (7), 1427-1437 (2018).
  21. Bailey, N. W., et al. EEG is better when cleaning effectively targets artifacts. bioRxiv. , 2024-2106 (2024).
  22. Global EEG devices market report. , Grand View Research. Available at: https://www.grandviewresearch.com (2021).
  23. Makoto's preprocessing pipeline. , Available at: https://sccn.ucsd.edu/wiki/Makoto's_preprocessing_pipeline (2015).
  24. Winkler, I., et al. On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 4101-4105 (2015).
  25. Gramfort, A., et al. Time-frequency mixed-norm estimates: sparse M/EEG imaging with non-stationary source activations. Neuroimage. 70, 410-422 (2013).
  26. Delorme, A., Sejnowski, T., Makeig, S. Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis. Neuroimage. 34 (4), 1443-1449 (2007).
  27. Marques, L. M., et al. Resting-state EEG as biomarker of maladaptive motor function and depressive profile in stroke patients. Clin EEG Neurosci. 55 (4), 496-507 (2024).
  28. Lacerda, G. J., et al. A neural signature for brain compensation in stroke with EEG and TMS: insights from the DEFINE cohort study. Neurophysiol Clin. 54 (5), 102985(2024).
  29. Camargo, L., et al. Adaptive and compensatory neural signatures in fibromyalgia: an analysis of resting-state and stimulus-evoked EEG oscillations. Biomedicines. 12 (7), 1428(2024).
  30. Barbosa, S. P., et al. Resting-state electroencephalography delta and theta bands as compensatory oscillations in chronic neuropathic pain: a secondary data analysis. Brain Netw Modul. 3 (2), 52-60 (2024).
  31. Simis, M., et al. Deficit of inhibition as a marker of neuroplasticity (DEFINE study) in rehabilitation: a longitudinal cohort study protocol. Front Neurol. 12, 695406(2021).
  32. Pion-Tonachini, L., Kreutz-Delgado, K., Makeig, S. ICLabel: an automated electroencephalographic independent component classifier, dataset, and website. Neuroimage. 198, 181-197 (2019).
  33. Jaramillo-Jimenez, A., et al. Reproducible python workflow for multi-site resting-state EEG analysis. Alzheimer's Dement. 19, e076353(2023).
  34. Levin, A. R., et al. BEAPP: the batch electroencephalography automated processing platform. Front Neurosci. 12, 513(2018).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

ICLabel

مقالات ذات صلة