PIPEMAT-RS: Desarrollo y validación de una canalización estandarizada de MATLAB para el preprocesamiento de EEG en estado de reposo

Desarrollamos una línea de preprocesamiento de EEG estandarizada para mejorar la calidad de la señal, reducir el ruido y respaldar la investigación neurofisiológica consistente en diversos conjuntos de datos clínicos y experimentales. Tuberías recientes como RELAX y Automagic ofrecen limpieza automatizada de EEG, pero a menudo carecen de flexibilidad o documentación clara para investigadores y estudiantes que necesitan transparencia y consistencia de los resultados. Utilizamos EEG, Matlab, laboratorio de EEG y rechazo de artefactos basado en ICA combinados con clasificadores automatizados, como ICLabel, para mejorar la calidad de los datos y agilizar los flujos de trabajo de preprocesamiento. Se ha encontrado que PIPEMAT-RS mejora la calidad de la señal de EEG, aumenta la SNR y respalda biomarcadores sólidos en estudios de accidentes cerebrovasculares, fibromialgia y dolor crónico. Este protocolo aborda la falta de una tubería predecible, bien documentada y estandarizada para el EEG en estado de reposo que sea consistente y accesible para los investigadores de todo el mundo.

[Presentador] Para comenzar, abra MATLAB y navegue hasta el directorio que contiene los archivos de datos de electroencefalograma sin procesar. Defina la ruta de acceso del directorio a los archivos de datos sin procesar y cree una lista que contenga los asuntos. Cargue el archivo de datos sin procesar utilizando la función de carga para archivos .mat y guarde cada archivo en formato .mat, asegurando la integridad de los datos y conservando todos los metadatos relevantes. Abra MATLAB y navegue hasta el directorio que contiene los archivos de MATLAB. Utilice la función pop load set de la caja de herramientas del laboratorio de EEG para cargar el conjunto de datos de EEG de cada sujeto. Asegúrese de que el archivo de ubicación del electrodo correspondiente a la configuración del gorro de EEG esté disponible en el directorio de trabajo. Utilice la función pop_chanedit para aplicar las ubicaciones de los electrodos. Inspeccione visualmente el diseño del canal utilizando la GUI de los laboratorios de EEG para confirmar las posiciones correctas de todos los electrodos. Guarde el conjunto de datos de EEG actualizado mediante la función pop_saveset. Si es necesario, reduzca la frecuencia de muestreo de los datos de EEG a 250 hercios utilizando la función de remuestreo pop. Aplique un filtro de paso de banda de un hercio a 50 hercios a los canales uno a 128 utilizando la función pop basicfilter con un diseño Butterworth y un orden de filtro de dos. Utilice el filtrado directo e inverso de fase cero para evitar la distorsión de fase. Aplique un filtro de muesca a 50 o 60 hercios a los canales del uno al 64 utilizando el filtro básico pop con el diseño de muesca PM y un orden de filtro de 180. Para el rechazo de artefactos, utilice la función de limpieza de datos sin procesar con los parámetros dados para detectar y eliminar automáticamente canales planos, segmentos ruidosos y derivas de baja frecuencia. Inspeccione visualmente los datos de EEG utilizando el gráfico de EEG del laboratorio de EG para identificar cualquier artefacto residual que el método automatizado no haya detectado. Marque y elimine manualmente los artefactos restantes para garantizar una alta calidad de los datos. Utilice pop_reref para volver a referenciar las señales de EEG al promedio de todos los electrodos, asegurándose de que se conserve el electrodo de referencia original. Cargue el archivo con el sufijo loc_filt_cleanraw_reref.set usando pop loadset. Ejecute análisis de componentes independientes o ICA utilizando la función pop runica con el algoritmo runica para descomponer los datos de EEG en componentes independientes. Guarde el nuevo conjunto de datos con el sufijo loc_filt_cleanraw_reref_ICA use pop_saveset para indicar la finalización de ICA. Importe el conjunto de datos ICA mediante pop loadset. Ejecute la función de etiqueta ICA pop con el modelo predeterminado para clasificar componentes independientes en categorías de cerebro y artefacto. Identifique todos los componentes con una probabilidad de actividad cerebral superior a 0,7. Utilice la función pop subcomp para eliminar todos los componentes con una probabilidad cerebral de etiqueta IC inferior a 0,7. Conserve solo los componentes con una probabilidad de actividad cerebral superior a 0,7 para preservar las señales genuinas y garantizar la eliminación efectiva de los artefactos. Guarde el conjunto de datos limpio con el sufijo loc_filt_cleanraw_reref_ac_cleaned con pop_saveset. Por último, importe el conjunto de datos con componentes ICA sin artefactos mediante la función pop loadset y guarde el conjunto de datos totalmente preprocesado y normalizado con el sufijo, loc_filt_cleanraw_reref_ICA_Normalized utilizando pop_saveset. En esta figura se ilustra el estado inicial del conjunto de datos de EEG antes de cualquier preprocesamiento, incluidas las trazas de señal sin procesar y sus características espectrales correspondientes. Los datos de EEG sin procesar exhibieron altos niveles de ruido y trazas de señal irregulares en múltiples canales, comprometiendo la claridad y la interpretabilidad. La limpieza manual de los datos del EEG redujo los artefactos de la señal y mejoró la uniformidad de la forma de onda, pero algunos ruidos residuales e inconsistencias permanecieron visibles. Los datos procesados con PIPEMAT-RS mostraron las formas de onda de EEG más limpias con una estructura de señal consistente y artefactos visibles mínimos en todos los canales.