PIPEMAT-RS : Développement et validation d’un pipeline MATLAB standardisé pour le prétraitement de l’EEG à l’état de repos

Nous avons développé un pipeline de prétraitement EEG standardisé pour améliorer la qualité du signal, réduire le bruit et soutenir une recherche neurophysiologique cohérente sur divers ensembles de données cliniques et expérimentales. Les pipelines récents comme RELAX et Automagic offrent un nettoyage EEG automatisé, mais manquent souvent de flexibilité ou de documentation claire pour les chercheurs et les étudiants qui ont besoin de transparence et de cohérence des résultats. Nous utilisons l’EEG, Matlab, l’EEG lab et le rejet d’artefacts basé sur l’ICA combinés à des classificateurs automatisés, comme ICLabel, pour améliorer la qualité des données et rationaliser les flux de travail de prétraitement. Il a été constaté que PIPEMAT-RS améliore la qualité du signal EEG, augmente le SNR et soutient des biomarqueurs robustes dans les études sur les accidents vasculaires cérébraux, la fibromyalgie et la douleur chronique. Ce protocole remédie à l’absence d’un pipeline prévisible, bien documenté et standardisé pour l’EEG à l’état de repos, qui soit à la fois cohérent et accessible aux chercheurs du monde entier.

[Présentateur] Pour commencer, ouvrez MATLAB et accédez au répertoire contenant les fichiers de données bruts de l’électroencéphalogramme. Définissez le chemin d’accès aux fichiers de données brutes et créez une liste contenant les sujets. Chargez le fichier de données brutes à l’aide de la fonction de chargement des fichiers .mat et enregistrez chaque fichier au format .mat, en garantissant l’intégrité des données et en conservant toutes les métadonnées pertinentes. Ouvrez MATLAB et accédez au répertoire contenant les fichiers MATLAB. Utilisez la fonction pop load set de la boîte à outils EEG lab pour charger l’ensemble de données EEG de chaque sujet. Assurez-vous que le fichier d’emplacement de l’électrode correspondant à la configuration du capuchon EEG est disponible dans le répertoire de travail. Utilisez la fonction pop_chanedit pour appliquer les emplacements des électrodes. Inspectez visuellement la disposition des canaux à l’aide de l’interface graphique d’EEG labs pour confirmer les positions correctes de toutes les électrodes. Enregistrez l’ensemble de données EEG mis à jour à l’aide de la fonction pop_saveset. Si nécessaire, réduisez la fréquence d’échantillonnage des données EEG à 250 hertz à l’aide de la fonction de rééchantillonnage pop. Appliquez un filtre passe-bande de un hertz à 50 hertz aux canaux un à 128 à l’aide de la fonction pop basicfilter avec un design Butterworth et un ordre de filtre de deux. Utilisez un filtrage direct et inverse de phase zéro pour éviter la distorsion de phase. Appliquez un filtre à encoche à 50 ou 60 hertz aux canaux un à 64 à l’aide d’un filtre de base pop avec la conception d’encoche PM et un ordre de filtre de 180. Pour le rejet de l’artefact, utilisez la fonction de nettoyage des données brutes avec les paramètres donnés pour détecter et supprimer automatiquement les canaux plats, les segments bruyants et les dérives de basse fréquence. Inspectez visuellement les données EEG à l’aide du tracé EEG du laboratoire EG pour identifier les artefacts résiduels manqués par la méthode automatisée. Marquez et supprimez manuellement les artefacts restants pour garantir une qualité de données élevée. Utilisez pop_reref pour réréférencer les signaux EEG à la moyenne de toutes les électrodes, en veillant à ce que l’électrode de référence d’origine soit conservée. Chargez le fichier avec le suffixe loc_filt_cleanraw_reref.set à l’aide de pop loadset. Exécutez l’analyse en composantes indépendantes ou ICA à l’aide de la fonction pop runica avec l’algorithme runica pour décomposer les données EEG en composants indépendants. Enregistrez le nouvel ensemble de données avec le suffixe, loc_filt_cleanraw_reref_ICA en utilisant pop_saveset pour indiquer l’achèvement de l’ICA. Importez l’ensemble de données ICA à l’aide de pop loadset. Exécutez la fonction d’étiquette pop ICA avec le modèle par défaut pour classer les composants indépendants en catégories de cerveau et d’artefacts. Identifiez tous les composants dont la probabilité d’activité cérébrale est supérieure à 0,7. Utilisez la fonction pop subcomp pour supprimer tous les composants dont la probabilité cérébrale d’étiquette IC est inférieure à 0,7. Ne conservez que les composants dont la probabilité d’activité cérébrale est supérieure à 0,7 pour préserver les signaux authentiques tout en assurant l’élimination efficace des artefacts. Enregistrez le jeu de données propre avec le suffixe, loc_filt_cleanraw_reref_ac_cleaned en utilisant pop_saveset. Enfin, importez l’ensemble de données avec des composants ICA sans artefact à l’aide de la fonction pop loadset et enregistrez l’ensemble de données entièrement prétraité et normalisé avec le suffixe, loc_filt_cleanraw_reref_ICA_Normalized à l’aide de pop_saveset. L’état initial de l’ensemble de données EEG avant tout prétraitement, y compris les traces de signal brutes et leurs caractéristiques spectrales correspondantes, est illustré dans cette figure. Les données EEG brutes présentaient des niveaux élevés de bruit et des traces de signal irrégulières sur plusieurs canaux, compromettant la clarté et l’intelligabilité. Le nettoyage manuel des données EEG a réduit les artefacts de signal et amélioré l’uniformité de la forme d’onde, mais certains bruits résiduels et incohérences sont restés visibles. Les données traitées avec PIPEMAT-RS ont affiché les formes d’onde EEG les plus nettes avec une structure de signal cohérente et un minimum d’artefacts visibles sur tous les canaux.