$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Das Elektroenzephalogramm (EEG) ist ein wichtiges Instrument sowohl in der neurowissenschaftlichen Forschung als auch in der klinischen Praxis und bietet wertvolle Einblicke in die elektrische Aktivität des Gehirns. Insbesondere EEG-Daten aus dem Ruhezustand werden ausgiebig genutzt, um verschiedene neurologische und psychiatrische Erkrankungen wie Schlaganfall, Fibromyalgie und chronische neuropathische Schmerzen zu untersuchen. Trotz ihrer weit verbreiteten Anwendung erfordert die Analyse von EEG-Daten eine strenge Vorverarbeitung, um Artefakte und Rauschen zu eliminieren und die Integrität und Zuverlässigkeit der Ergebnisse zu gewährleisten 1,2,3. Im Laufe der Jahre hat sich das EEG als unschätzbar wertvoll erwiesen, da es nicht-invasive und zeitlich hochaufgelöste Messungen der Gehirnaktivität ermöglichte, was es für die Untersuchung der dynamischen Prozesse des Gehirns unverzichtbar macht 4,5. Die rohen EEG-Signale sind jedoch oft durch eine Vielzahl von Rauschquellen verunreinigt, die die interessierenden neuronalen Signale verdecken und dadurch die Interpretation der Daten erschwerenkönnen 6.
EEG-Signale sind sehr anfällig für Verunreinigungen durch Quellen wie Muskelaktivität, Augenbewegungen und elektrische Störungen7. Diese Artefakte können neuronale Signale verschleiern, was die Vorverarbeitung zu einem kritischen Schritt in der EEG-Analyse macht. Dieser Prozess umfasst in der Regel mehrere Stufen – Dateiformatkonvertierung, Downsampling, Filterung, Artefaktunterdrückung, unabhängige Komponentenanalyse (ICA) und Ausschluss rauschbezogener Komponenten 8,9. Jeder Schritt trägt dazu bei, die Signalqualität zu verbessern und sicherzustellen, dass die Daten die neuronale Aktivität genau widerspiegeln10. Die Komplexität dieser Prozesse erfordert den Einsatz ausgeklügelter Algorithmen und Softwaretools, um sicherzustellen, dass die Vorverarbeitung sowohl effizient als auch effektiv ist11.
Eine der größten Herausforderungen bei der EEG-Datenvorverarbeitung ist die Variabilität der Daten, die sich zwischen Probanden und Aufzeichnungssitzungen erheblich unterscheiden kann10,12. Diese Variabilität entsteht durch Unterschiede in den physiologischen und anatomischen Eigenschaften der Probanden sowie durch Variationen in den Versuchsbedingungen und der verwendeten Ausrüstung. Darüber hinaus kann das Fehlen standardisierter Vorverarbeitungsprotokolle zu Inkonsistenzen bei der Datenanalyse und -interpretation führen13,14. Es stehen zwar mehrere Pipelines und Vorverarbeitungsskripte zur Verfügung, aber viele von ihnen sind entweder auf bestimmte Datensätze zugeschnitten oder verfügen nicht über eine umfassende Dokumentation, wodurch sie für die breitere Forschungsgemeinschaft weniger zugänglich sind14. Plattformen wie GitHub hosten zahlreiche EEG-Vorverarbeitungsskripte und Plugins, die den Austausch und die gemeinsame Verbesserung dieser Tools erleichtern15. Die Fragmentierung dieser Ressourcen unterstreicht jedoch die Notwendigkeit einer robusten, effizienten und standardisierten editierbaren Vorverarbeitungspipeline, die auf breiter Basis über verschiedene Datensätze und Forschungskontexte hinweg angewendet werden kann16. Eine solche Pipeline würde nicht nur die Reproduzierbarkeit von EEG-Studien verbessern, sondern auch eine Grundlage schaffen, auf der die Forschungsgemeinschaft aufbauen und sich an spezifische Bedürfnisse anpassen kann17.
Neben EEGLAB, das aufgrund seiner umfangreichen Benutzerbasis und der Integration mit MATLAB die Basis von PIPEMAT-RS bildet, sind auch andere EEG-Verarbeitungs-Toolboxen im Feld weit verbreitet. MNE-Python ist beispielsweise eine Open-Source-Plattform auf Python, die erweiterte Funktionen für die Lokalisierung von Quellen, Sensorraumanalysen und die Integration in Workflows für maschinelles Lernen bietet. FieldTrip, eine MATLAB-basierte Toolbox wie EEGLAB, ist bekannt für ihre flexible Scripting-Umgebung und umfassende Unterstützung für Zeit-Frequenz- und Konnektivitätsanalysen. Diese Plattformen bieten zwar leistungsstarke Alternativen, erfordern aber in der Regel steilere Lernkurven und fortgeschrittenere Programmierkenntnisse. PIPEMAT-RS wurde entwickelt, um eine Brücke zwischen Zugänglichkeit und Transparenz zu schlagen, insbesondere für Forscher, die eine editierbare und modulare Lösung für die EEG-Vorverarbeitung im Ruhezustand mit EEGLAB suchen. Nichtsdestotrotz kann die konzeptionelle Struktur von PIPEMAT-RS bei Bedarf an andere Toolboxen angepasst werden, was die Interoperabilität und Anpassung über verschiedene Softwareumgebungen hinweg fördert.
In den letzten Jahren wurden mehrere automatisierte EEG-Vorverarbeitungspipelines entwickelt, wie z. B. RELAX18, Automagic19, APP20 und PREP7. Diese Pipelines enthalten fortschrittliche Algorithmen für die Entfernung von Artefakten und die Datenbereinigung, wobei häufig ICA-basierte Strategien mit begrenzter Transparenz oder Anpassung für unerfahrene Benutzer verwendet werden. So führt RELAX beispielsweise eine mehrstufige ICA-Reinigungsmethode ein, die die Unterdrückung von Artefakten verbessert, aber auf komplexen Konfigurationen beruht, die möglicherweise nicht leicht zu modifizieren sind21. Im Gegensatz dazu ist PIPEMAT-RS so konzipiert, dass es eine flexible, transparente und pädagogisch zugängliche Alternative bietet, die es Forschern ermöglicht, jeden Vorverarbeitungsschritt zu verstehen und manuell anzupassen. Diese Transparenz ermöglicht es, PIPEMAT-RS sowohl als Forschungs- als auch als Lehrmittel zu verwenden und gleichzeitig Genauigkeit und Reproduzierbarkeit zu gewährleisten. Darüber hinaus legt PIPEMAT-RS den Schwerpunkt auf Dokumentation, modulare Ausführung und Anpassungsfähigkeit über Datensätze hinweg – Funktionen, die in anderen Pipelines oft zu wenig oder nicht vorhanden sind.
Wirtschaftlich kann die Entwicklung und Implementierung einer standardisierten, editierbaren Vorverarbeitungspipeline für EEG-Daten erhebliche Auswirkungen haben. Der globale Markt für EEG-Geräte wurde im Jahr 2020 auf rund 1,2 Mrd. USD geschätzt und wird von 2021 bis 2028 voraussichtlich mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 7,5 % wachsen22. Effiziente Vorverarbeitungspipelines, insbesondere solche, die editierbar und modular sind, können den Zeit- und Kostenaufwand für die Datenanalyse reduzieren – ein wichtiger Aspekt bei groß angelegten klinischen Studien und der Forschung im Bereich der öffentlichen Gesundheit. Durch die Minimierung menschlicher Fehler und die Automatisierung sich wiederholender Aufgaben können solche Pipelines die Genauigkeit der EEG-Datenanalyse verbessern und zu zuverlässigeren Forschungsergebnissen führen13. Dies wiederum kann die Entwicklung neuer diagnostischer Instrumente und therapeutischer Interventionen beschleunigen, wodurch die Gesundheitskosten gesenkt und die Patientenergebnisse verbessertwerden können 1.
Ziel dieser Arbeit ist es, eine standardisierte, editierbare integrierte Vorverarbeitungspipeline für das Ruhezustands-EEG mit MATLAB (PIPEMAT-RS) vorzustellen und zu validieren. Diese bearbeitbare Pipeline ist sowohl robust als auch effizient, vielseitig und kann auf verschiedene Datensätze und Forschungsszenarien angewendet werden. Zu den sieben umfassenden Schritten gehören Dateiformatkonvertierung, Downsampling, Filterung, Artefaktunterdrückung, unabhängige Komponentenanalyse (ICA) und Ausschluss rauschbezogener Komponenten, die alle in einen zusammenhängenden Workflow integriert sind23,24. Die Entwicklung von PIPEMAT-RS wurde von der Notwendigkeit geleitet, gemeinsame Herausforderungen bei der EEG-Vorverarbeitung anzugehen und ein Werkzeug bereitzustellen, mit dem Forscher ihre Datenanalyseprozesse rationalisieren können25. Durch die Integration mit gängigen Praktiken in der Praxis und die Nutzung der Fähigkeiten von MATLAB zielt PIPEMAT-RS darauf ab, ein zuverlässiges, editierbares und benutzerfreundliches Framework zur Unterstützung der EEG-Datenvorverarbeitung anzubieten26.
Um die Wirksamkeit von PIPEMAT-RS zu validieren, haben wir es in mehreren Studien angewendet. In einer Studie wurde PIPEMAT-RS verwendet, um EEG-Biomarker bei Schlaganfallpatienten zu untersuchen und signifikante Korrelationen zwischen maladaptiver Motorik und depressiven Profilen zu identifizieren27. In einer anderen Studie wurde PIPEMAT-RS eingesetzt, um neuronale Signaturen der Hirnkompensation bei Schlaganfallpatienten mittels EEG und TMS zu analysieren, was wichtige Einblicke in die adaptiven Mechanismen des Gehirns nach einem Schlaganfall lieferte28. Eine weitere Bestätigung kommt von einer Studie, die die neuronalen Anpassungen und Kompensationen bei Fibromyalgie-Patienten untersuchte29. Darüber hinaus zeigte eine weitere Studie, wie Delta- und Theta-Banden im Ruhezustands-EEG als Kompensationsmechanismen bei chronischen neuropathischen Schmerzen dienen30.
Diese Studien unterstreichen den Nutzen von PIPEMAT-RS bei der Verarbeitung und Analyse von EEG-Daten und belegen seine Wirksamkeit unter verschiedenen Bedingungen und Anwendungen. Durch die Bereitstellung eines standardisierten Ansatzes verbessert diese Pipeline nicht nur die Reproduzierbarkeit von EEG-Studien, sondern erleichtert auch die breitere Einführung konsistenter Vorverarbeitungsmethoden in der Forschungsgemeinschaft. Mit diesem Artikel wollen wir eine wertvolle Ressource für das Feld bereitstellen und eine genauere und zuverlässigere Analyse von EEG-Daten fördern16,17. Auf diese Weise hoffen wir, die Forschung in der Neurophysiologie voranzutreiben und die Entwicklung neuartiger Therapieansätze für neurologische und psychiatrische Erkrankungen zu unterstützen.
Die grundlegenden Vorverarbeitungsschritte, die in PIPEMAT-RS verwendet werden, basieren auf robusten, umfassend validierten Methoden, die in der EEG-Forschung zur Sicherstellung von Datenqualität und Reproduzierbarkeit unerlässlich geworden sind 2,8,14. Obwohl diese Methoden gut etabliert sind, bleiben sie aufgrund ihrer Wirksamkeit bei der Behandlung häufiger EEG-Artefakte und -Rauschen von entscheidender Bedeutung, was weiterhin zuverlässige Analysen über Studien hinweg unterstützt. Allerdings haben in letzter Zeit nur wenige Studien eine vollständig dokumentierte, standardisierte Pipeline bereitgestellt, die auf das Ruhezustands-EEG zugeschnitten ist. Durch die Integration dieser bewährten Techniken mit jüngsten Fortschritten, wie z. B. ICLabel für die automatisierte Artefaktklassifizierung, bietet PIPEMAT-RS einen zeitgemäßen, strukturierten Ansatz, der die Replizierbarkeit und Zugänglichkeit für Forscher verbessert und den anhaltenden Bedarf an streng dokumentierten Vorverarbeitungs-Workflows im Feld erfüllt.
Während die PIPEMAT-RS-Pipeline etablierten Vorverarbeitungsschritten folgt, die üblicherweise in EEG-Studien verwendet werden, füllt ihre Dokumentation in Form einer wissenschaftlichen Arbeit eine wichtige Lücke in der Literatur. Viele EEG-Studien stützen sich auf ähnliche Vorverarbeitungsmethoden, aber oft fehlt eine umfassende Schritt-für-Schritt-Beschreibung, die eine vollständige Reproduzierbarkeit und einfache Übernahme durch andere Forscher ermöglicht. Durch die Detaillierung jeder Komponente von PIPEMAT-RS und die Präsentation einer standardisierten Sequenz für die EEG-Analyse im Ruhezustand zielt diese Arbeit darauf ab, die Transparenz zu erhöhen, die Variabilität der Benutzer zu minimieren und einen replizierbaren Rahmen bereitzustellen, der studienübergreifend anwendbar ist. Anstatt neuartige Methoden vorzustellen, soll dieser Beitrag als Lehr- und Praxisleitfaden dienen, der dazu beiträgt, die Vorverarbeitungspraktiken zu standardisieren und die Zugänglichkeit für ein breites Spektrum von EEG-Forschern zu verbessern, insbesondere für diejenigen, die mit Ruhezustandsdaten arbeiten.
Die Vorverarbeitung von EEG-Daten ist ein kritischer Schritt, der die Qualität und Zuverlässigkeit der nachfolgenden Analysen maßgeblich beeinflusst. Die Preprocessing Integrated Pipeline for Resting-State EEG using MATLAB (PIPEMAT-RS) wurde entwickelt, um häufige Herausforderungen bei der Vorverarbeitung von EEG-Daten zu bewältigen, indem ein umfassender, standardisierter Ansatz bereitgestellt wird, der auf verschiedene Datensätze anwendbar ist. Diese strukturierte, bearbeitbare Pipeline besteht aus sieben wichtigen Schritten: i) Konvertierung des Dateiformats; ii) EEG-Montage; iii) Downsampling und Filterung; iv) Ablehnung und Neureferenzierung von Artefakten; v) Unabhängige Komponentenanalyse (ICA); vi) ICLabel-Klassifikation; vii) Datennormalisierung. Jeder Schritt ist sorgfältig darauf ausgelegt, die Signalqualität zu verbessern und die Extraktion aussagekräftiger Informationen aus EEG-Rohdaten zu erleichtern.
Ein entscheidendes Merkmal von PIPEMAT-RS ist, dass jeder Vorverarbeitungsschritt mit dem Speichern des Datensatzes unter einem eindeutigen Dateinamen endet. Diese Struktur stellt sicher, dass für jede verarbeitete Datei eine abgeleitete Version generiert wird, die jedem einzelnen Schritt entspricht. Dieser systematische Ansatz ermöglicht es den Benutzern, an jedem Punkt innerhalb der siebenstufigen Vorverarbeitungspipeline auf Daten zuzugreifen. Die gespeicherten Dateien enthalten Identifikatoren, die das Stadium der Vorverarbeitung eindeutig angeben und so die Nachverfolgung und Verwaltung von Daten während des gesamten Workflows erleichtern.
PIPEMAT-RS beginnt mit der Dateiformatkonvertierung, bei der EEG-Rohdatendateien in ein MATLAB-kompatibles Format umgewandelt werden. Diese Konvertierung ist für die nahtlose Verarbeitung von Daten in der robusten Rechenumgebung von MATLAB unerlässlich. Im Anschluss daran werden im EEG-Montageschritt jeder Elektrode auf der Kopfhaut auf Basis standardisierter Elektrodenplatzierungssysteme genaue räumliche Positionen zugewiesen. Diese räumlichen Informationen sind entscheidend für die genaue Interpretation von EEG-Daten in neurophysiologischen Studien.
Als nächstes wendet die Pipeline Downsampling und Filterung an, um die Abtastrate der Daten zu reduzieren und Rauschen zu eliminieren, während die für die neurophysiologische Forschung relevanten Frequenzkomponenten beibehalten werden. Das Downsampling verringert die Rechenlast und den Speicherbedarf, ohne die Datenqualität zu beeinträchtigen. Durch die Filterung werden bestimmte Frequenzkomponenten entfernt, von denen bekannt ist, dass sie mit Artefakten verbunden sind, wodurch die wesentlichen neuronalen Signale erhalten bleiben.
Anschließend werden Artefaktabweisungen und Rereferenzierungen durchgeführt. In diesem Schritt werden Datensegmente identifiziert und entfernt, die durch Rauschquellen wie Augenblinzeln, Muskelaktivität und Elektrodenbewegungen verunreinigt sind. Automatische Algorithmen zur Unterdrückung von Artefakten werden verwendet, um manuelle Eingriffe zu minimieren, das Potenzial für menschliche Fehler zu verringern und die Effizienz der Vorverarbeitung zu erhöhen. Die Neureferenzierung der Daten mit dem Durchschnitt aller Elektroden hilft, den Einfluss einer einzelnen Elektrode zu mildern und bietet eine stabile Referenz für die EEG-Signale.
Der Schritt der unabhängigen Komponentenanalyse (ICA) verfeinert die Daten weiter, indem gemischte Signale in ihre unabhängigen Quellen unterteilt werden. Diese Zerlegung erleichtert die Identifizierung und Entfernung von Artefakten wie Augenblinzeln, Muskelartefakten und Leitungsrauschen. ICA ist eine leistungsstarke Technik, die sicherstellt, dass die verbleibenden Daten die zugrunde liegende neuronale Aktivität genau widerspiegeln.
Schließlich wird die ICLabel-Klassifizierung angewendet, um Komponenten, die als Artefakte klassifiziert sind, automatisch zu identifizieren und zu entfernen. ICLabel weist unabhängigen Komponenten probabilistische Labels zu und kategorisiert sie als Gehirnaktivität, Muskelaktivität, Augenblinzeln, Herzschläge, Zeilenrauschen oder Kanalrauschen. Komponenten mit einer hohen Wahrscheinlichkeit, die Gehirnaktivität darzustellen, werden beibehalten, während diejenigen, die als Artefakte identifiziert wurden, entfernt werden. Dieser automatisierte Ansatz reduziert den manuellen Aufwand erheblich und gewährleistet eine konsistente und objektive Klassifizierung über alle Datensätze hinweg.
Jeder dieser Vorverarbeitungsschritte ist essentiell, um die Qualität der EEG-Daten zu verbessern. Durch die Standardisierung des Vorverarbeitungs-Workflows minimiert PIPEMAT-RS die Variabilität, die durch verschiedene Vorverarbeitungsmethoden entsteht, und erleichtert so den Vergleich der Ergebnisse über Studien hinweg. Die Implementierung der Pipeline in MATLAB, einer in der neurowissenschaftlichen Gemeinschaft weit verbreiteten Plattform, gewährleistet die Zugänglichkeit und einfache Integration in bestehende Forschungsworkflows.
Die Entwicklung von PIPEMAT-RS orientierte sich an gängigen Praktiken in der EEG-Datenanalyse und umfasste Methoden und Techniken, die in früheren Forschungsarbeiten validiert wurden. Jeder Schritt wurde sorgfältig konzipiert und rigoros getestet, um seine Wirksamkeit bei der Verbesserung der Datenqualität sicherzustellen (Abbildung 1). Dieser umfassende Ansatz verbessert nicht nur die Zuverlässigkeit der EEG-Daten, sondern unterstützt auch die Identifizierung neurophysiologischer Marker, die für das Verständnis verschiedener neurologischer und psychiatrischer Erkrankungen entscheidend sind.