PIPEMAT-RS: Entwicklung und Validierung einer standardisierten MATLAB-Pipeline für die EEG-Vorverarbeitung im Ruhezustand

Wir haben eine standardisierte EEG-Vorverarbeitungspipeline entwickelt, um die Signalqualität zu verbessern, das Rauschen zu reduzieren und eine konsistente neurophysiologische Forschung über verschiedene klinische und experimentelle Datensätze hinweg zu unterstützen. Neuere Pipelines wie RELAX und Automagic bieten eine automatisierte EEG-Reinigung, aber es fehlt ihnen oft an Flexibilität oder klarer Dokumentation für Forscher und Studenten, die Transparenz und Konsistenz der Ergebnisse benötigen. Wir verwenden EEG-, Matlab-, EEG-Labor- und ICA-basierte Artefaktausschleusung in Kombination mit automatisierten Klassifikatoren wie ICLabel, um die Datenqualität zu verbessern und die Arbeitsabläufe in der Vorverarbeitung zu rationalisieren. Es wurde festgestellt, dass PIPEMAT-RS die EEG-Signalqualität verbessert, das SNR erhöht und robuste Biomarker in Schlaganfall-, Fibromyalgie- und chronischen Schmerzstudien unterstützt. Dieses Protokoll behebt das Fehlen einer vorhersagbaren, gut dokumentierten und standardisierten Pipeline für das Ruhezustands-EEG, die sowohl konsistent als auch für Forscher weltweit zugänglich ist.

[Moderator] Öffnen Sie zunächst MATLAB und navigieren Sie zu dem Verzeichnis, das die Rohdateien der Elektroenzephalogramm-Daten enthält. Definieren Sie den Verzeichnispfad zu den Rohdatendateien, und erstellen Sie eine Liste mit den Betreffzeilen. Laden Sie die Rohdatendatei mit der Ladefunktion für .mat-Dateien und speichern Sie jede Datei im .mat-Format, um die Datenintegrität sicherzustellen und alle relevanten Metadaten beizubehalten. Öffnen Sie MATLAB, und navigieren Sie zu dem Verzeichnis, das die MATLAB-Dateien enthält. Verwenden Sie die Funktion pop load set aus der EEG-Lab-Toolbox, um den EEG-Datensatz jedes Probanden zu laden. Stellen Sie sicher, dass die entsprechende Elektrodenpositionsdatei, die der Konfiguration der EEG-Kappe entspricht, im Arbeitsverzeichnis verfügbar ist. Verwenden Sie die Funktion pop_chanedit, um die Elektrodenpositionen anzuwenden. Überprüfen Sie das Kanallayout visuell mit der GUI des EEG-Labors, um die korrekten Positionen aller Elektroden zu bestätigen. Speichern Sie den aktualisierten EEG-Datensatz mit der Funktion pop_saveset. Reduzieren Sie bei Bedarf die Abtastrate der EEG-Daten auf 250 Hertz mit der Pop-Resampling-Funktion. Wenden Sie einen Bandpassfilter von einem Hertz bis 50 Hertz auf die Kanäle eins bis 128 an, indem Sie die Pop-Basisfilterfunktion mit einem Butterworth-Design und einer Filterreihenfolge von zwei verwenden. Verwenden Sie eine Null-Phasen-Vorwärts- und Rückwärtsfilterung, um Phasenverzerrungen zu vermeiden. Wenden Sie einen Kerbfilter bei 50 oder 60 Hertz auf die Kanäle eins bis 64 an, indem Sie einen Pop-Basisfilter mit dem PM-Kerbendesign und einer Filterordnung von 180 verwenden. Verwenden Sie für die Artefaktunterdrückung die Funktion zum Bereinigen von Rohdaten mit den angegebenen Parametern, um flache Kanäle, verrauschte Segmente und niederfrequente Drifts automatisch zu erkennen und zu entfernen. Überprüfen Sie die EEG-Daten visuell mit dem EEG-Diagramm des EG-Labors, um verbleibende Artefakte zu identifizieren, die von der automatisierten Methode übersehen wurden. Markieren und entfernen Sie die verbleibenden Artefakte manuell, um eine hohe Datenqualität zu gewährleisten. Verwenden Sie pop_reref, um die EEG-Signale auf den Durchschnitt aller Elektroden zu beziehen und sicherzustellen, dass die ursprüngliche Referenzelektrode beibehalten wird. Laden Sie die Datei mit dem Suffix loc_filt_cleanraw_reref.set mit pop loadset. Führen Sie eine unabhängige Komponentenanalyse oder ICA mit der Funktion pop runica mit dem runica-Algorithmus durch, um die EEG-Daten in unabhängige Komponenten zu zerlegen. Speichern Sie den neuen Datensatz mit dem Suffix, loc_filt_cleanraw_reref_ICA Sie pop_saveset verwenden, um den ICA-Abschluss anzuzeigen. Importieren Sie den ICA-Datensatz mit pop loadset. Führen Sie die pop ICA-Label-Funktion mit dem Standardmodell aus, um unabhängige Komponenten in Gehirn- und Artefaktkategorien zu klassifizieren. Identifizieren Sie alle Komponenten mit einer Hirnaktivitätswahrscheinlichkeit von über 0,7. Verwenden Sie die pop subcomp-Funktion, um alle Komponenten mit einer IC-Label-Gehirnwahrscheinlichkeit unter 0,7 zu entfernen. Behalten Sie nur Komponenten mit einer Gehirnaktivitätswahrscheinlichkeit über 0,7 bei, um echte Signale zu erhalten und gleichzeitig die effektive Entfernung von Artefakten zu gewährleisten. Speichern Sie das bereinigte Dataset mit dem Suffix, loc_filt_cleanraw_reref_ac_cleaned Sie pop_saveset verwenden. Importieren Sie abschließend den Datensatz mit artefaktfreien ICA-Komponenten mithilfe der Funktion pop loadset und speichern Sie den vollständig vorverarbeiteten und normalisierten Datensatz mit dem Suffix, loc_filt_cleanraw_reref_ICA_Normalized Sie pop_saveset verwenden. In dieser Abbildung ist der Anfangszustand des EEG-Datensatzes vor jeder Vorverarbeitung, einschließlich der Rohsignalspuren und der entsprechenden spektralen Eigenschaften, dargestellt. Die EEG-Rohdaten wiesen ein hohes Maß an Rauschen und unregelmäßige Signalspuren über mehrere Kanäle auf, was die Klarheit und Interpretierbarkeit beeinträchtigte. Die manuelle Bereinigung der EEG-Daten reduzierte Signalartefakte und verbesserte die Gleichmäßigkeit der Wellenform, aber einige Restgeräusche und Inkonsistenzen blieben sichtbar. Die mit dem PIPEMAT-RS verarbeiteten Daten zeigten die saubersten EEG-Wellenformen mit konsistenter Signalstruktur und minimalen sichtbaren Artefakten über alle Kanäle hinweg.