PIPEMAT-RS: Development and Validation of a Standardized MATLAB Pipeline for Resting-State EEG Preprocessing

Lucas Murrins Marques; Kevin Pacheco-Barrios; Lucas Camargo; Melina Houlis; Jordan Vieira; Ana Castellani; Sara P. Barbosa; Marcel Simis; Felipe Fregni; Linamara R. Battistella

doi:10.3791/68350

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

JoVE Journal
Neuroscience

A subscription to JoVE is required to view this content. Sign in or start your free trial.

JoVE Journal Neuroscience

PIPEMAT-RS: Development and Validation of a Standardized MATLAB Pipeline for Resting-State EEG Preprocessing

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

Full Text

942 Views

06:51 min

June 6, 2025

DOI: 10.3791/68350-v

Lucas Murrins Marques*¹, Kevin Pacheco-Barrios*^2,3, Lucas Camargo², Melina Houlis¹, Jordan Vieira¹, Ana Castellani⁴, Sara P. Barbosa⁴, Marcel Simis², Felipe Fregni², Linamara R. Battistella^4,5

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

Please note that some of the translations on this page are AI generated. Click here for the English version.

Overview

This article details the development of PIPEMAT-RS, a MATLAB-based preprocessing pipeline designed for resting-state EEG data. It focuses on improving signal quality and data reproducibility through automated steps like filtering and artifact classification, aiming to support consistent findings in neurophysiological research.

Key Study Components

Area of Science

Neuroscience
Electrophysiology
EEG signal processing

Background

Existing EEG pipelines often lack flexibility and transparency.
PIPEMAT-RS enhances artifact classification and signal integrity.
Addresses needs in both clinical and experimental EEG research.

Purpose of Study

To standardize EEG preprocessing for improved data consistency.
To automate and document essential preprocessing steps.
To support reliable neurophysiological analyses across studies.

Methods Used

Utilized MATLAB with EEG Lab for data processing.
Applied various filtering techniques, independent component analysis (ICA), and automated classifiers for artifact removal.
Key steps include visual inspection of EEG data and manual artifact removal.
Final data are saved in accessible formats ensuring reproducibility.

Main Results

PIPEMAT-RS significantly improves EEG signal quality and reduces noise.
Support for robust biomarkers in studies related to stroke, fibromyalgia, and chronic pain was established.
Manual and automated cleaning led to clearer, more interpretable EEG datasets.

Conclusions

The study demonstrates that a standardized pipeline can significantly enhance EEG data processing consistency.
Switching to PIPEMAT-RS can facilitate better research outputs in neurophysiology.
Implications include improved understanding of EEG-related outcomes and neurophysiological phenomena.

Frequently Asked Questions

What are the advantages of using PIPEMAT-RS?

PIPEMAT-RS offers standardized preprocessing that enhances EEG data quality and consistency, making it suitable for various research contexts.

How is the biological model implemented in this study?

The study uses resting-state EEG data collected from various subjects to analyze brain activity patterns and artifacts.

What types of data outcomes can be expected from using this method?

Researchers can expect improved signal-to-noise ratios and clearer EEG waveforms, facilitating better interpretations of brain activity.

How can PIPEMAT-RS be adapted for different research applications?

Researchers can tailor the preprocessing steps within PIPEMAT-RS to fit specific experimental designs or clinical needs while maintaining standardization.

What are the key limitations to consider when using this pipeline?

While PIPEMAT-RS enhances preprocessing, the quality of results still relies on the integrity of raw EEG data collected from participants.

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.

لقد قمنا بتطوير خط أنابيب موحدة للمعالجة المسبقة لمخطط كهربية الدماغ لتحسين جودة الإشارة وتقليل الضوضاء ودعم البحوث الفيزيولوجية العصبية المتسقة عبر مجموعات البيانات السريرية والتجريبية المتنوعة. توفر خطوط الأنابيب الحديثة مثل RELAX و Automagic تنظيفا آليا لمخطط كهربية الدماغ ، ولكنها غالبا ما تفتقر إلى المرونة أو الوثائق الواضحة للباحثين والطلاب الذين يحتاجون إلى الشفافية واتساق النتائج. نحن نستخدم مخطط كهربية الدماغ وMatlab ومختبر EEG ورفض القطع الأثرية المستند إلى ICA جنبا إلى جنب مع المصنفات الآلية، مثل ICLabel لتحسين جودة البيانات وتبسيط سير عمل المعالجة المسبقة. لقد وجد أن PIPEMAT-RS يحسن جودة إشارة مخطط كهربية الدماغ ، ويزيد SNR ، ويدعم المؤشرات الحيوية القوية في السكتة الدماغية والألم العضلي الليفي ودراسات الألم المزمن. يعالج هذا البروتوكول عدم وجود خط أنابيب يمكن التنبؤ به وموثق جيدا وموحدا لمخطط كهربية الدماغ في حالة الراحة والذي يكون متسقا ويمكن للباحثين في جميع أنحاء العالم.

[مقدم العرض] للبدء ، افتح MATLAB وانتقل إلى الدليل الذي يحتوي على ملفات بيانات مخطط كهربية الدماغ الأولية. حدد مسار الدليل لملفات البيانات الأولية وقم بإنشاء قائمة تحتوي على الموضوعات. قم بتحميل ملف البيانات الأولية باستخدام وظيفة التحميل لملفات .mat واحفظ كل ملف بتنسيق .mat ، مما يضمن سلامة البيانات ويحتفظ بجميع بيانات التعريف ذات الصلة. افتح MATLAB وانتقل إلى الدليل الذي يحتوي على ملفات MATLAB. استخدم وظيفة مجموعة تحميل المنبثقة من مربع أدوات مختبر EEG لتحميل مجموعة بيانات EEG لكل موضوع. تأكد من توفر ملف موقع القطب المناسب المقابل لتكوين غطاء EEG في دليل العمل. استخدم وظيفة pop_chanedit لتطبيق مواقع القطب. افحص تخطيط القناة بصريا باستخدام واجهة المستخدم الرسومية لمختبر EEG لتأكيد المواضع الصحيحة لجميع الأقطاب الكهربائية. احفظ مجموعة بيانات EEG المحدثة باستخدام الدالة pop_saveset. إذا لزم الأمر ، قم بتقليل معدل أخذ العينات لبيانات مخطط كهربية الدماغ إلى 250 هرتز باستخدام وظيفة إعادة تشكيل المنبثق. قم بتطبيق مرشح تمرير النطاق من هرتز واحد إلى 50 هرتز على القنوات من واحد إلى 128 باستخدام وظيفة pop basicfilter مع تصميم Butterworth وترتيب مرشح من اثنين. استخدم التصفية الصفرية للأمام والخلف لمنع تشويه الطور. قم بتطبيق مرشح الشق عند 50 أو 60 هرتز على القنوات من واحد إلى 64 باستخدام مرشح البوب الأساسي مع تصميم PM notch وترتيب مرشح 180. لرفض الأداة ، استخدم وظيفة البيانات الأولية النظيفة مع المعلمات المحددة لاكتشاف وإزالة قنوات الخط المسطح والمقاطع الصاخبة والانجرافات منخفضة التردد تلقائيا. افحص بيانات مخطط كهربية الدماغ بصريا باستخدام مخطط مخطط مخطط كهربية الدماغ من مختبر EG لتحديد أي عناصر متبقية مفقودة بالطريقة الآلية. ضع علامة على البيانات الاصطناعية المتبقية وقم بإزالتها يدويا لضمان جودة البيانات العالية. استخدم pop_reref لإعادة الرجوع إلى إشارات مخطط كهربية الدماغ إلى متوسط جميع الأقطاب الكهربائية ، مما يضمن الاحتفاظ بالقطب المرجعي الأصلي. قم بتحميل الملف باللاحقة ، loc_filt_cleanraw_reref.set باستخدام مجموعة تحميل الفرقعة. قم بتشغيل تحليل المكونات المستقل أو ICA باستخدام وظيفة pop runica مع خوارزمية runica لتحليل بيانات مخطط كهربية الدماغ إلى مكونات مستقلة. احفظ مجموعة البيانات الجديدة مع اللاحقة ، loc_filt_cleanraw_reref_ICA استخدام pop_saveset للإشارة إلى اكتمال ICA. قم باستيراد مجموعة بيانات ICA باستخدام مجموعة تحميل الفرقعة. قم بتشغيل وظيفة تسمية pop ICA مع النموذج الافتراضي لتصنيف المكونات المستقلة إلى فئات الدماغ والقطع الأثرية. حدد جميع المكونات التي لديها احتمال نشاط الدماغ أعلى من 0.7. استخدم وظيفة pop subcomp لإزالة جميع المكونات التي تحتوي على احتمال دماغ تسمية IC أقل من 0.7. احتفظ فقط بالمكونات ذات احتمال نشاط الدماغ أعلى من 0.7 للحفاظ على الإشارات الحقيقية مع ضمان الإزالة الفعالة للقطع الأثرية. احفظ مجموعة البيانات النظيفة مع اللاحقة ، loc_filt_cleanraw_reref_ac_cleaned باستخدام pop_saveset. أخيرا ، قم باستيراد مجموعة البيانات بمكونات ICA الخالية من القطع الأثرية باستخدام وظيفة مجموعة تحميل pop واحفظ مجموعة البيانات المعالجة مسبقا والمحالة بالكامل مع اللاحقة ، loc_filt_cleanraw_reref_ICA_Normalized باستخدام pop_saveset. يتم توضيح الحالة الأولية لمجموعة بيانات EEG قبل أي معالجة مسبقة ، بما في ذلك كل من آثار الإشارة الأولية والخصائص الطيفية المقابلة لها. أظهرت بيانات مخطط كهربية الدماغ الأولية مستويات عالية من الضوضاء وآثار الإشارة غير المنتظمة عبر قنوات متعددة ، مما يعرض الوضوح وقابلية التفسير للخطر. أدى التنظيف اليدوي لبيانات مخطط كهربية الدماغ إلى تقليل القطع الأثرية للإشارة وتحسين توحيد شكل الموجة ، لكن بعض الضوضاء المتبقية وعدم الاتساق ظلت مرئية. عرضت البيانات التي تمت معالجتها باستخدام PIPEMAT-RS أنظف أشكال موجات EEG مع بنية إشارة متسقة والحد الأدنى من القطع الأثرية المرئية عبر القنوات.

View the full transcript and gain access to thousands of scientific videos