מאמר שיטה

PIPEMAT-RS: פיתוח ואימות של צינור MATLAB סטנדרטי לעיבוד מקדים של EEG במצב מנוחה

DOI:

10.3791/68350

⸱

6 ביוני 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

* These authors contributed equally

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול זה מציג את PIPEMAT-RS, צינור עיבוד מקדים סטנדרטי מבוסס MATLAB עבור נתוני EEG במצב מנוחה. זה מבטיח הסרת חפצים, משפר את איכות האות ומשפר את יכולת שחזור הנתונים במחקרים. הצינור הופך שלבי עיבוד מקדים מרכזיים לאוטומטיים, כולל סינון, ניתוח רכיבים עצמאי (ICA) וסיווג חפצים, מה שמאפשר ניתוח EEG עקבי ואמין למחקר נוירופיזיולוגי.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אלקטרואנצפלוגרפיה (EEG) היא כלי חיוני במחקר במדעי המוח וביישומים קליניים, אך נתוני EEG גולמיים מכילים לעתים קרובות רעש וחפצים הפוגעים באיכות האות. כדי לטפל בכך, פיתחנו את PIPEMAT-RS, צינור עיבוד מקדים סטנדרטי מבוסס MATLAB לנתוני EEG במצב מנוחה. PIPEMAT-RS עוקב אחר זרימת עבודה מובנית בת שבעה שלבים: המרת פורמט קובץ, תצורת מונטאז' EEG, דגימת הפחתה, סינון, דחיית חפצים, ניתוח רכיבים עצמאי (ICA) וסיווג ICLabel להסרת חפצים אוטומטית. פרוטוקול זה משפר את איכות נתוני ה-EEG על ידי מזעור התערבות אנושית תוך שמירה על דיוק גבוה בדחיית חפצים. הוא אומת באמצעות מערכי נתונים מרובים, מה שמדגים את חוסנו בשיפור תקינות האות. PIPEMAT-RS מספקת גישה שיטתית המאפשרת שחזור ואמינות במחקרי EEG, מיישרת קו עם פרקטיקות מקובלות בשטח ומציעה מבנה מתועד בבירור שיכול להשלים צינורות קיימים. על ידי סטנדרטיזציה של עיבוד מקדים של EEG, PIPEMAT-RS מקל על מחקר נוירופיזיולוגי ויישומים קליניים, ומאפשר פרשנויות מדויקות יותר של פעילות מוחית במצב מנוחה והקשרים שלה עם מצבים נוירולוגיים ופסיכיאטריים.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

האלקטרואנצפלוגרמה (EEG) היא כלי קריטי הן במחקר במדעי המוח והן בפרקטיקה הקלינית, ומציעה תובנות חשובות לגבי הפעילות החשמלית של המוח. נתוני EEG במצב מנוחה, במיוחד, משמשים באופן נרחב לחקירת מצבים נוירולוגיים ופסיכיאטריים שונים, כגון שבץ מוחי, פיברומיאלגיה וכאב נוירופתי כרוני. למרות היישום הנרחב שלו, ניתוח נתוני EEG מחייב עיבוד מקדים קפדני כדי לחסל חפצים ורעש, מה שמבטיח את שלמות ואמינות התוצאות 1,2,3. במהלך השנים, EEG היה בעל ערך רב במתן מדידות לא פולשניות וברזולוציה גבוהה של פעילות המוח, מה שהופך אותו להכרחי לחקר התהליכים הדינמיים של המוח 4,5. עם זאת, אותות ה-EEG הגולמיים מזוהמים לעתים קרובות על ידי מגוון מקורות רעש שיכולים לטשטש את האותות העצביים המעניינים, ובכך לסבך את פירוש הנתונים6.

אותות EEG רגישים מאוד לזיהום ממקורות כגון פעילות שרירים, תנועות עיניים והפרעות חשמליות7. חפצים אלה יכולים לטשטש אותות עצביים, מה שהופך את העיבוד המקדים לשלב קריטי בניתוח EEG. תהליך זה כולל בדרך כלל המרת פורמט קובץ שלבים מרובים, דגימת הפחתה, סינון, דחיית חפצים, ניתוח רכיבים עצמאי (ICA) ואי הכללה של רכיבים הקשורים לרעש 8,9. כל שלב תורם לשיפור איכות האות ולהבטיח שהנתונים משקפים במדויק את הפעילות העצבית10. המורכבות של תהליכים אלה מחייבת שימוש באלגוריתמים וכלי תוכנה מתוחכמים כדי להבטיח שהעיבוד המקדים יהיה יעיל ואפקטיבי11.

אחד האתגרים העיקריים בעיבוד מקדים של נתוני EEG הוא השונות בנתונים, שיכולה להיות שונה באופן משמעותי בין נבדקים והפעלות הקלטה10,12. שונות זו נובעת מהבדלים במאפיינים הפיזיולוגיים והאנטומיים של הנבדקים, כמו גם שינויים בתנאי הניסוי ובציוד בו נעשה שימוש. בנוסף, היעדר פרוטוקולי עיבוד מקדים סטנדרטיים עלול להוביל לחוסר עקביות בניתוח ופרשנות נתונים13,14. בעוד שמספר צינורות וסקריפטים לעיבוד מקדים זמינים, רבים מהם מותאמים למערכי נתונים ספציפיים או חסרים תיעוד מקיף, מה שהופך אותם לפחות נגישים לקהילת המחקר הרחבה יותר14. פלטפורמות כמו GitHub מארחות סקריפטים ותוספים רבים לעיבוד מקדים של EEG, מה שמקל על השיתוף והשיפור השיתופי של כלים אלה15. עם זאת, האופי המקוטע של משאבים אלה מדגיש את הצורך בצינור עיבוד מקדים חזק, יעיל וסטנדרטי הניתן לעריכה שניתן ליישם באופן נרחב על פני מערכי נתונים והקשרי מחקר שונים16. צינור כזה לא רק ישפר את יכולת השחזור של מחקרי EEG אלא גם יספק בסיס שעליו קהילת המחקר יכולה לבנות ולהסתגל לצרכים ספציפיים17.

בנוסף ל-EEGLAB, המהווה את הבסיס ל-PIPEMAT-RS בשל בסיס המשתמשים הנרחב שלה והאינטגרציה עם MATLAB, ארגזי כלים אחרים לעיבוד EEG נמצאים גם הם בשימוש נרחב בתחום. לדוגמה, MNE-Python היא פלטפורמה מבוססת Python בקוד פתוח המציעה פונקציות מתקדמות ללוקליזציה של מקורות, ניתוחי מרחב חיישנים ואינטגרציה עם זרימות עבודה של למידת מכונה. FieldTrip, ארגז כלים מבוסס MATLAB כמו EEGLAB, ידוע בסביבת הסקריפטים הגמישה שלו ובתמיכה המקיפה בניתוחי תדירות זמן וקישוריות. בעוד שפלטפורמות אלו מספקות חלופות חזקות, הן בדרך כלל דורשות עקומות למידה תלולות יותר וכישורי תכנות מתקדמים יותר. PIPEMAT-RS תוכנן לגשר על נגישות ושקיפות, במיוחד עבור חוקרים המחפשים פתרון מודולרי וניתן לעריכה לעיבוד מקדים של EEG במצב מנוחה באמצעות EEGLAB. עם זאת, ניתן להתאים את המבנה הרעיוני של PIPEMAT-RS לארגזי כלים אחרים לפי הצורך, תוך טיפוח יכולת פעולה הדדית והתאמה אישית בסביבות תוכנה שונות.

בשנים האחרונות פותחו מספר צינורות אוטומטיים לעיבוד מקדים של EEG, כגון RELAX18, Automagic19, APP20 ו-PREP7. צינורות אלה משלבים אלגוריתמים מתקדמים להסרת חפצים וניקוי נתונים, ולעתים קרובות משתמשים באסטרטגיות מבוססות ICA עם שקיפות מוגבלת או התאמה אישית למשתמשים שאינם מומחים. לדוגמה, RELAX מציגה שיטת ניקוי ICA רב-שלבית המשפרת את דחיית החפצים אך מסתמכת על תצורות מורכבות שאולי אינן ניתנות לשינוי בקלות21. לעומת זאת, PIPEMAT-RS נועד לספק אלטרנטיבה גמישה, שקופה ונגישה מבחינה חינוכית, המאפשרת לחוקרים להבין ולהתאים ידנית כל שלב עיבוד מקדים. שקיפות זו מאפשרת להשתמש ב-PIPEMAT-RS ככלי מחקר והוראה תוך שמירה על קפדנות ושחזור. יתר על כן, PIPEMAT-RS מדגיש תיעוד, ביצוע מודולרי ויכולת הסתגלות על פני מערכי נתונים - תכונות שלעתים קרובות אינן מדווחות או נעדרות בצינורות אחרים.

מבחינה כלכלית, לפיתוח ויישום של צינור עיבוד מקדים סטנדרטי הניתן לעריכה עבור נתוני EEG יכולות להיות השפעות משמעותיות. שוק מכשירי ה-EEG העולמי הוערך בכ-1.2 מיליארד דולר בשנת 2020 והוא צפוי לצמוח בקצב צמיחה שנתי מורכב (CAGR) של 7.5% מ-2021 עד 202822. צינורות עיבוד מקדים יעילים, במיוחד אלה הניתנים לעריכה ומודולריים, יכולים להפחית את הזמן והעלות הכרוכים בניתוח נתונים - שיקול חשוב בניסויים קליניים בקנה מידה גדול ובמחקר בריאות הציבור. על ידי מזעור טעויות אנוש ואוטומציה של משימות שחוזרות על עצמן, צינורות כאלה יכולים לשפר את הדיוק של ניתוח נתוני EEG ולהוביל לתוצאות מחקר אמינות יותר13. זה, בתורו, יכול להאיץ את הפיתוח של כלי אבחון והתערבויות טיפוליות חדשים, מה שעשוי להפחית את עלויות הבריאות ולשפר את תוצאות המטופלים1.

מאמר זה נועד להציג ולאמת צינור משולב סטנדרטי הניתן לעריכה עבור EEG במצב מנוחה באמצעות MATLAB (PIPEMAT-RS). צינור זה הניתן לעריכה, שתוכנן להיות חזק ויעיל כאחד, הוא רב תכליתי וניתן ליישם אותו באופן נרחב על מערכי נתונים ותרחישי מחקר שונים. שבעת השלבים המקיפים כוללים המרת פורמט קובץ, הפחתת דגימה, סינון, דחיית חפצים, ניתוח רכיבים עצמאי (ICA) ואי הכללת רכיבים הקשורים לרעש, כולם משולבים בזרימת עבודה מגובשת23,24. הפיתוח של PIPEMAT-RS הונחה על ידי הצורך להתמודד עם אתגרים נפוצים בעיבוד מקדים של EEG ולספק כלי שחוקרים יכולים להשתמש בו כדי לייעל את תהליכי ניתוח הנתונים שלהם25. על ידי שילוב עם פרקטיקות מקובלות בתחום ומינוף היכולות של MATLAB, PIPEMAT-RS שואפת להציע מסגרת אמינה, ניתנת לעריכה וידידותית למשתמש לתמיכה בעיבוד מקדים של נתוני EEG26.

כדי לאמת את היעילות של PIPEMAT-RS, יישמנו אותו במספר מחקרים. במחקר אחד, נעשה שימוש ב-PIPEMAT-RS כדי לחקור סמנים ביולוגיים של EEG בחולי שבץ מוחי, וזיהה מתאמים משמעותיים בין תפקוד מוטורי לא מסתגל לפרופילי דיכאון27. מחקר אחר יישם את PIPEMAT-RS כדי לנתח חתימות עצביות של פיצוי מוחי בחולי שבץ באמצעות EEG ו-TMS, וחשף תובנות קריטיות לגבי מנגנוני ההסתגלות של המוח לאחר שבץ28. אימות נוסף מגיע ממחקר שבחן את ההתאמות והפיצויים העצביים בחולי פיברומיאלגיה29. בנוסף, מחקר אחר הראה כיצד רצועות דלתא ותטא ב-EEG במצב מנוחה משמשות כמנגנוני פיצוי בכאב נוירופתי כרוני30.

מחקרים אלה מדגישים ביחד את התועלת של PIPEMAT-RS בעיבוד וניתוח נתוני EEG, ומבססים את יעילותו בתנאים ויישומים שונים. על ידי מתן גישה סטנדרטית, צינור זה לא רק משפר את יכולת השחזור של מחקרי EEG אלא גם מקל על אימוץ רחב יותר של שיטות עיבוד מקדים עקביות בקהילת המחקר. באמצעות מאמר זה, אנו שואפים לתרום משאב יקר ערך לתחום, ולקדם ניתוח נתוני EEG מדויק ואמין יותר16,17. בכך אנו מקווים לתמוך בקידום המחקר בנוירופיזיולוגיה ובפיתוח גישות טיפוליות חדשות למצבים נוירולוגיים ופסיכיאטריים.

שלבי העיבוד המקדים הבסיסיים המשמשים ב-PIPEMAT-RS מושרשים בשיטות חזקות ומאומתות באופן נרחב שהפכו חיוניות במחקר EEG להבטחת איכות הנתונים ויכולת השחזור 2,8,14. למרות שמתודולוגיות אלו מבוססות היטב, הן נותרו חיוניות בשל יעילותן בטיפול בחפצי EEG ורעש נפוצים, מה שממשיך לתמוך בניתוחים אמינים בכל המחקרים. עם זאת, מעט מחקרים סיפקו לאחרונה צינור מתועד וסטנדרטי המותאם ל-EEG במצב מנוחה. על ידי שילוב טכניקות מוכחות אלה עם ההתקדמות האחרונה, כגון ICLabel לסיווג אוטומטי של חפצים, PIPEMAT-RS מספקת גישה עכשווית ומובנית המשפרת את יכולת השכפול והנגישות עבור חוקרים, וממלאת צורך מתמשך בתהליכי עבודה מתועדים בקפדנות בשטח.

בעוד שצינור PIPEMAT-RS עוקב אחר שלבי עיבוד מקדים מבוססים הנפוצים במחקרי EEG, התיעוד שלו בצורה של מאמר מדעי ממלא פער חשוב בספרות. מחקרי EEG רבים מסתמכים על שיטות עיבוד מקדים דומות, אך לעתים קרובות חסר תיאור מקיף, צעד אחר צעד, המאפשר שחזור מלא וקלות אימוץ על ידי חוקרים אחרים. על ידי פירוט כל רכיב של PIPEMAT-RS והצגת רצף סטנדרטי לניתוח EEG במצב מנוחה, עבודה זו שואפת לשפר את השקיפות, למזער את השונות של המשתמש ולספק מסגרת ניתנת לשכפול הניתנת לשכפול הניתנת ליישום במחקרים. במקום להציג שיטות חדשות, תרומה זו נועדה לשמש כמדריך הדרכה ומעשי המסייע לתקנן שיטות עיבוד מקדים ולשפר את הנגישות עבור מגוון רחב של חוקרי EEG, במיוחד אלה העובדים עם נתוני מצב מנוחה.

העיבוד המקדים של נתוני EEG הוא שלב קריטי המשפיע באופן משמעותי על האיכות והאמינות של הניתוחים הבאים. הצינור המשולב לעיבוד מקדים עבור EEG במצב מנוחה באמצעות MATLAB (PIPEMAT-RS) פותח כדי להתמודד עם אתגרים נפוצים בעיבוד מקדים של נתוני EEG על ידי מתן גישה מקיפה וסטנדרטית החלה על מערכי נתונים שונים. צינור מובנה וניתן לעריכה זה מורכב משבעה שלבים מרכזיים: i) המרת פורמט קובץ; 2) מונטאז' EEG; 3) הפחתת דגימה וסינון; 4) דחיית חפצים והפניות; 5) ניתוח רכיבים עצמאי (ICA); 6) סיווג ICLabel; 7) נורמליזציה של נתונים. כל שלב מתוכנן בקפידה כדי לשפר את איכות האות ולהקל על חילוץ מידע משמעותי מנתוני EEG גולמיים.

תכונה קריטית של PIPEMAT-RS היא שכל שלב עיבוד מקדים מסתיים בשמירת מערך הנתונים תחת שם קובץ נפרד. מבנה זה מבטיח שעבור כל קובץ מעובד נוצרת גרסה נגזרת המתאימה לכל שלב ספציפי. גישה שיטתית זו מאפשרת למשתמשים לגשת לנתונים בכל נקודה בצינור העיבוד המקדים בן שבעת השלבים. הקבצים השמורים כוללים מזהים המציינים בבירור את שלב העיבוד המקדים, מה שמקל על מעקב אחר נתונים וניהולם לאורך תהליך העבודה.

PIPEMAT-RS מתחיל בהמרת פורמט קובץ, שבו קבצי נתוני EEG גולמיים הופכים לפורמט תואם MATLAB. המרה זו חיונית לטיפול חלק בנתונים בסביבה החישובית החזקה של MATLAB. לאחר מכן, שלב המונטאז' של EEG מקצה מיקומים מרחביים מדויקים לכל אלקטרודה בקרקפת בהתבסס על מערכות מיקום אלקטרודות סטנדרטיות. מידע מרחבי זה חיוני לפירוש מדויק של נתוני EEG במחקרים נוירופיזיולוגיים.

לאחר מכן, הצינור מיישם דגימה וסינון כדי להפחית את קצב הדגימה של הנתונים ולמנוע רעש תוך שמירה על רכיבי התדר הרלוונטיים למחקר נוירופיזיולוגי. הפחתת דגימה מפחיתה את העומס החישובי ודרישות האחסון מבלי להתפשר על איכות הנתונים. סינון מסיר רכיבי תדר ספציפיים הידועים כקשורים לחפצים, ובכך משמר את האותות העצביים החיוניים.

לאחר מכן, מבוצעים דחיית חפצים והתייחסות. שלב זה מזהה ומסיר מקטעי נתונים מזוהמים על ידי מקורות רעש כגון מצמוץ עיניים, פעילות שרירים ותנועת אלקטרודות. אלגוריתמים אוטומטיים של דחיית חפצים משמשים כדי למזער התערבות ידנית, להפחית את הפוטנציאל לטעויות אנוש ולהגביר את יעילות העיבוד המקדים. התייחסות לנתונים לממוצע של כל האלקטרודות עוזרת להפחית את ההשפעה של כל אלקטרודה בודדת ומספקת התייחסות יציבה לאותות ה-EEG.

שלב ניתוח הרכיבים הבלתי תלויים (ICA) מחדד עוד יותר את הנתונים על ידי הפרדת אותות מעורבים למקורות הבלתי תלויים שלהם. פירוק זה מקל על זיהוי והסרה של חפצים כגון מצמוץ עיניים, חפצי שרירים ורעש קו. ICA היא טכניקה רבת עוצמה המבטיחה שהנתונים הנותרים משקפים במדויק את הפעילות העצבית הבסיסית.

לבסוף, סיווג ICLabel מיושם כדי לזהות ולהסיר באופן אוטומטי רכיבים המסווגים כחפצים. ICLabel משייכת תוויות הסתברותיות לרכיבים בלתי תלויים, ומסווגת אותם כפעילות מוחית, פעילות שרירים, מצמוץ עיניים, פעימות לב, רעש קו או רעש ערוץ. רכיבים בעלי סבירות גבוהה לייצוג פעילות מוחית נשמרים, בעוד אלה שזוהו כחפצים מוסרים. גישה אוטומטית זו מפחיתה משמעותית את המאמץ הידני ומבטיחה סיווג עקבי ואובייקטיבי בין מערכי נתונים.

כל אחד משלבי העיבוד המקדים הללו חיוני לשיפור האיכות של נתוני EEG. על ידי סטנדרטיזציה של זרימת העבודה של העיבוד המקדים, PIPEMAT-RS ממזער את השונות המוצגת על ידי שיטות עיבוד מקדים שונות, ומקל על השוואת התוצאות בין מחקרים. הטמעת הצינור ב-MATLAB, פלטפורמה בשימוש נרחב בקהילת מדעי המוח, מבטיחה נגישות וקלות אינטגרציה בתהליכי עבודה מחקריים קיימים.

הפיתוח של PIPEMAT-RS הונחה על ידי פרקטיקות מקובלות בניתוח נתוני EEG, תוך שילוב שיטות וטכניקות שתוקפו במחקרים קודמים. כל שלב תוכנן בקפידה ונבדק בקפדנות כדי להבטיח את יעילותו בשיפור איכות הנתונים (איור 1). גישה מקיפה זו לא רק משפרת את האמינות של נתוני EEG אלא גם תומכת בזיהוי סמנים נוירופיזיולוגיים קריטיים להבנת מצבים נוירולוגיים ופסיכיאטריים שונים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PIPEMAT-RS פותח כחלק מפרויקט המחקר המתמשך שלנו, שאושר על ידי ועדת האתיקה של בית החולים Clinics, בית הספר לרפואה של אוניברסיטת סאו פאולו (CAAE: 86832518.7.0000.0068). פרויקט זה נועד לשפר את האיכות והאמינות של נתוני EEG במצב מנוחה עבור מחקרים נוירולוגיים ופסיכיאטריים שונים. הנתונים ששימשו במחקר זה נגזרים ממחקר עוקבה, שהפרוטוקול שלו פורסם בעבר על ידי Simis et al. (2021)31. המחקר העיקרי עדיין בעיצומו, כאשר איסוף הנתונים נמשך עבור הקבוצות הקליניות הנותרות. קובץ ה- Script עבור קו הצינור מסופק בקובץ משלים 1.

1. המרת פורמט קובץ

  1. הכן את ספריית הנתונים.
    1. פתח את MATLAB ונווט לספרייה המכילה קבצי נתוני EEG גולמיים.
    2. הגדר את הנתיב באמצעות pathname = 'C:\\Path\\To\\RawData\\'; ולרשום נושאים עם name_subj_raw = {'subject1', 'subject2', ...};.
    3. אם מערך הנתונים כבר נמצא ב- . mat , דלג על שלב זה והמשך למונטאז' EEG.
  2. המרת קבצים.
    1. טען כל קובץ נתונים גולמיים באמצעות פונקציית MATLAB המתאימה לסוג הקובץ. לדוגמה, השתמש בטעינה עבור קבצי .mat או פונקציות EEGLAB ספציפיות לקובץ כגון pop_biosig (עבור .edf, .bdf) או pop_fileio (עבור פורמטים קנייניים שונים).
      הערה: על המשתמשים להתאים שלב זה על סמך התבנית של קובצי ה-EEG הגולמיים שלהם ולעיין בתיעוד של EEGLAB לקבלת תמיכה נוספת בקבצים.
    2. שמור כל קובץ בתבנית .mat , כדי להבטיח את שלמות הנתונים ולשמור על כל המטה-נתונים הרלוונטיים.

2. מונטאז' EEG

  1. טען נתוני EEG.
    1. פתח את MATLAB ונווט לספרייה עם קבצי ה- .mat.
    2. השתמש בפונקציה pop_loadset מארגז הכלים של EEGLAB כדי לטעון את מערך נתוני ה-EEG של כל נבדק (למשל, EEG = pop_loadset('filename.set');).
  2. החל את מיקומי האלקטרודות.
    1. ודא שמיקום האלקטרודה המתאים file (למשל, EEGSystem_128.loc) המתאים לתצורת מכסה ה-EEG זמין.
    2. השתמש בפונקציית pop_chanedit כדי להחיל מיקומי אלקטרודות. לדוגמה:
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'});
    3. אשר חזותית שמיקומי האלקטרודות נטענו כהלכה על ידי סקירת פריסת הערוץ באמצעות ממשק המשתמש הגרפי של EEGLAB.
  3. שמור את מערך הנתונים.
    1. שמור את מערך הנתונים המעודכן של EEG באמצעות הפונקציה pop_saveset (למשל, pop_saveset(EEG, 'filename', 'subject1_loc.set')).

3. הפחתת דגימה וסינון

  1. דגימת הפחתה של נתוני ה-EEG.
    1. הפחת את קצב הדגימה של נתוני ה-EEG ל-250 הרץ באמצעות הפונקציה pop_resample (אופציונלי).
      הערה: הפונקציה pop_resample מחילה באופן אוטומטי מסנן החלקה מתאים למעבר נמוך לפני הפחתת הדגימה. שלב זה מבטיח שרכיבים בתדר גבוה מוחלשים לפני הדגימה מחדש, מונע כינוי ארטיפקטים ושומר על איכות אות ה-EEG.
  2. החל סינון פס פס.
    1. החל מסנן מעבר פס מ-1 הרץ עד 50 הרץ על ערוצים 1-64 באמצעות פונקציית pop_basicfilter עם עיצוב באטרוורת' וסדר סינון של 2.
    2. השתמש בסינון אפס פאזה קדימה ואחורה כדי למנוע עיוות פאזה.
  3. החל סינון חריצים (אופציונלי).
    1. החל מסנן חריץ ב-50 או 60 הרץ על ערוצים 1-64 באמצעות pop_basicfilter עם עיצוב 'PMnotch' וסדר מסנן של 180.
      הערה: שלב זה הוא אופציונלי ויש להשתמש בו בעת ניתוח פעילות תנודתית מעל 30 הרץ (למשל, פס גמא). במקרים כאלה, חוקרים עשויים להגדיל את הגבול העליון של מסנן מעבר הפס (למשל, עד 80 או 100 הרץ), מה שהופך את מסנן החריץ לחיוני לביטול הפרעות בקו החשמל. הפקודה מסופקת בצנרת מטעמי נוחות וניתנת להתאמה בקלות בהתאם לתדר החשמלי המקומי (למשל, 50 הרץ או 60 הרץ).

4. דחיית חפצים והפניה

  1. בצע דחיית חפצים אוטומטית.
    1. השתמש בפונקציית clean_rawdata עם פרמטרים (5, [-1], 0.7, -1, 8, 0.85) כדי לזהות ולהסיר באופן אוטומטי ערוצים שטוחים, מקטעים רועשים וסחיפות בתדר נמוך. פרמטרים אלה תואמים בהתאמה:
      FlatlineCriterion (5): מסיר ערוצים שטוחים למשך יותר מ-5 שניות.
      ChannelCriterion ([-1]): משבית דחייה מבוססת מתאם ערוץ.
      LineNoiseCriterion (0.7): מסיר ערוצים עם רעש קו מוגזם מעל סף זה.
      Highpass (-1): משבית סינון מעביר גבוה נוסף במהלך הניקוי.
      BurstCriterion (8): מסיר פרצי נתונים העולים על 8 סטיות תקן.
      WindowCriterion (0.85): דורש ש- 85% מהנתונים בחלון יהיו נקיים כדי לשמור אותם.
      הערה: משתמשים עשויים להתאים ערכים אלה בהתאם למאפייני מערך הנתונים. לדוגמה, הפחתת BurstCriterion תגרום לדחיית חפצים אגרסיבית יותר, בעוד שהורדת WindowCriterion תגדיל את הסובלנות לחלונות נתונים רועשים.
  2. בצע בדיקת חפצים ידנית (אופציונלי).
    1. במידת הצורך, בדוק ויזואלית את נתוני ה-EEG באמצעות eegplot מ-EEGLAB כדי לזהות חפצים שיוריים שלא זוהו בשיטות אוטומטיות.
    2. סמן והסר באופן ידני את החפצים הנותרים כדי להבטיח איכות נתונים גבוהה.
      הערה: שלב זה הוא אופציונלי ומומלץ בעיקר כאשר עוסקים במערכי נתונים המציגים דפוסי רעש לא סטנדרטיים או כאשר יש צורך בדיוק רב יותר מעבר להליכים אוטומטיים.
  3. הפניה מחדש לנתונים.
    1. השתמש בפונקציית pop_reref כדי להפנות אותות EEG לממוצע של כל האלקטרודות, ולהבטיח שאלקטרודת הייחוס המקורית נשמרת במערך הנתונים.
      הערה: בצנרת זו, הפניה מחדש ממוצעת מתבצעת באמצעות הערוצים הזמינים מבלי לשחזר את אלקטרודת הייחוס המקורית. עם זאת, משתמשים המכוונים לעקביות דרגה משופרת ויכולת השוואה בין נושאים עשויים לשקול להכניס מחדש באופן זמני את אלקטרודת הייחוס המקורית (למשל, Cz) כסדרת זמן בעלת ערך אפס לפני הפניה מחדש. זה מאפשר להפניה לתרום לחישוב הממוצע. לאחר מכן, ניתן להסיר את הערוץ שנוסף כדי למנוע מחסור בדרגה לפני ביצוע ICA. תהליך זה מודגם בפונקציית RELAX_average_rereference.m של צינור RELAX, הכולל גם אינטרפולציה של כל הערוצים לפני ההפניה. בעוד ש-PIPEMAT-RS שומרת על גרסה פשוטה לבהירות ונגישות, מומלץ למשתמשים להתאים שלב זה לפי הצורך בהתאם למטרות הניתוח שלהם.

5. ניתוח רכיבים בלתי תלוי (ICA)

  1. טען נתוני EEG מעובדים מראש.
    1. טען את הקובץ עם הסיומת _loc_filt_cleanraw_reref.set באמצעות הפונקציה pop_loadset .
  2. בצע ICA.
    1. הפעל את ICA באמצעות פונקציית pop_runica עם אלגוריתם runica כדי לפרק את הנתונים לרכיבים עצמאיים. אלגוריתם ה'רוניקה', המבוסס על גישת Infomax, ממקסם את העצמאות הסטטיסטית של הרכיבים ונמצא בשימוש נרחב בעיבוד מקדים של EEG.
      הערה: עבור משתמשים המחפשים חישוב ICA מהיר יותר, ניתן להשתמש באלגוריתמים חלופיים כגון picard על ידי ציון icatype, picard בקריאת הפונקציה. חלופות אלו מציעות ביצועים דומים ועשויות להפחית את זמן החישוב.
  3. שמור את מערך הנתונים של ICA.
    1. שמור את מערך הנתונים עם הסיומת _loc_filt_cleanraw_reref_ICA שימוש ב-pop_saveset כדי לציין שבוצעה ICA.

6. סיווג ICLabel

  1. טען את מערך הנתונים של ICA.
    1. ייבא את מערך הנתונים עם רכיבי ICA באמצעות הפונקציה pop_loadset .
  2. החלת סיווג ICLabel.
    1. הפעל את פונקציית pop_iclabel עם מודל ברירת המחדל כדי לסווג רכיבים בלתי תלויים לקטגוריות מוח וחפצים.
    2. זהה רכיבים עם הסתברות גדולה מ-0.7 לייצוג פעילות מוחית.
  3. הסר רכיבי חפץ.
    1. השתמש בפונקציית pop_subcomp כדי להסיר את כל הרכיבים עם הסתברות מוחית של ICLabel מתחת ל-0.7.
    2. שמור רק רכיבים עם הסתברות לפעילות מוחית מעל 0.7. הסף של 0.7 מאזן את הצורך בשימור אותות עצביים אמיתיים תוך הבטחת הסרה יעילה של חפצים.
  4. שמור את מערך הנתונים הנקי.
    1. שמור את מערך הנתונים הנקי עם הסיומת _loc_filt_cleanraw_reref_ICA_Cleaned שימוש ב-pop_saveset כדי לציין את הסרת רכיבי החפצים.

7. נורמליזציה של נתונים

  1. טען נתוני EEG נקיים.
    1. ייבא את מערך הנתונים עם רכיבי ICA ללא חפצים באמצעות הפונקציה pop_loadset .
  2. החל נורמליזציה של Z-Score.
    1. נרמל כל ערוץ EEG באמצעות טרנספורמציה של ציון Z על ידי חישוב (x - ממוצע(x)) / std(x) עבור כל ערוץ בנפרד.
      הערה: נורמליזציה של ציון Z היא אופציונלית ויש ליישם אותה על סמך המטרות האנליטיות של המחקר. בעוד שהוא מפחית את השונות בין הנושאים ומתקנן נתונים עבור השוואות ברמת הקבוצה, הוא עשוי גם להחליש הבחנות טופוגרפיות ולבטל הבדלי משרעת משמעותיים בין ערוצים. לחוקרים המעוניינים לשמר את גודל האות הגולמי או את ההתפלגות המרחבית מומלץ לדלג על שלב זה.
  3. שמור את ערכת הנתונים הסופית.
    1. שמור את מערך הנתונים המעובד מראש והמנורמל במלואו עם הסיומת _loc_filt_cleanraw_reref_ICA_Normalized שימוש ב-pop_saveset כדי לציין את השלמת העיבוד המקדים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

האימות של צינור העיבוד המקדים של EEG חיוני כדי להבטיח את האמינות והיעילות של השיטות המשמשות לחילוץ נתונים נוירופיזיולוגיים משמעותיים. תהליך זה כולל ראיות אמפיריות ממחקרים שפורסמו, הערכות סטטיסטיות והשוואות עם אמות מידה מבוססות בתחום.

החוסן והתועלת של PIPEMAT-RS הוכחו באמצעות יישומו המוצלח במספר מחקרים שפורסמו המשתרעים על מגוון מצבים נוירולוגיים ופסיכיאטריים. לדוגמה, בחקירת סמנים ביולוגיים של EEG בחולי שבץ מוחי, נמצאו מתאמים משמעותיים בין תפקוד מוטורי לא מסתגל, פרופילי דיכאון וסמני EEG ספציפיים...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

צינור PIPEMAT-RS פותח כדי לספק שיטה סטנדרטית ויעילה לעיבוד מקדים של נתוני EEG במצב מנוחה. שלבים קריטיים בפרוטוקול זה כוללים דחיית חפצים וניתוח רכיבים עצמאיים (ICA), שניהם משפרים משמעותית את יחס האות לרעש ומבטיחים חילוץ של אותות עצביים משמעותיים. השילוב של דחיית חפצים אוטומטית באמצעות פונקציית clean_rawdata ובדיקה ידנית באמצעות eegplot מבטיח ניהול מקיף של חפצים, איזון בין יעילות ודיוק. היישום של ICLabel לסיווג אוטומטי של רכיבים בלתי תלויים מחדד עוד יותר את הנתונים, מפחית את עומס העבודה הי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים כי לא ידוע על אינטרסים פיננסיים מתחרים או קשרים אישיים שיכולים היו להשפיע על העבודה המדווחת במאמר זה.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

באופן ספציפי, LMM נתמך על ידי מענק מחקר פוסט-דוקטורט #21/05897-5, קרן המחקר של סאו פאולו (FAPESP). AC נתמך על ידי מענק חניכה מדעי #21/12790-2, קרן המחקר של סאו פאולו (FAPESP). SPB נתמך על ידי מענק מחקר פוסט-דוקטורט #20/08512-4, קרן המחקר של סאו פאולו (FAPESP). FF ו-LRB נתמכים על ידי מענק מחקר #17/12943-8, קרן המחקר של סאו פאולו (FAPESP). באופן פרטני, FF קיבלה תמיכה מ-NHI 2020 R01 AT, פרויקט #1R01AT009491-01A1.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מטלב MathWorksR2020a ואילךנדרש להפעלת סקריפט PIPEMAT-RS.
מערכת הקלטת EEGמוצרי מוחhttps://www.brainproducts.com/מערכת רכישת EEG המשמשת לאיסוף נתונים. מותגים אחרים  לכלול BioSemi / ANT Neuro (או שווה ערך) 
ארגז הכלים של EEGLABמרכז שוורץ למדעי המוח החישובייםN/Aארגז כלים של MATLAB בקוד פתוח לניתוח EEG.
אלקטרודות (Ag/AgCl)מוצרי מוח https://www.brainproducts.com/solutions/r-net/משמש ברכישת נתוני EEG. מותגים אחרים  לכלול BioSemi / ANT Neuro (או שווה ערך) 
ICLabel PluginSwartz Center for Computational Neuroscience/Aכלי אוטומטי לסיווג חפצים עבור EEG.
סקריפט PIPEMAT-RSN/A N/Aסקריפט MATLAB מותאם אישית לעיבוד מקדים סטנדרטי של EEG.
מגבר אותותמוצרי מוח https://www.brainproducts.com/solutions/#amplifiersמגביר אותות EEG לעיבוד. מותגים אחרים  לכלול BioSemi / ANT Neuro (או שווה ערך) 
סטנדרטיים עם מכסה EEG 64 ערוצים https://www.brainproducts.com/solutions/#electrodes-capsמכסה אלקטרודה להקלטת EEG. מותגים אחרים  לכלול BioSemi / ANT Neuro (או שווה ערך) 
Nמוצרי מוח

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Niedermeyer, E., da Silva, F. L. Electroencephalography: basic principles, clinical applications, and related fields. , Lippincott Williams and Wilkins. Philadelphia, PA. (2004).
  2. Delorme, A., Makeig, S. EEGLAB: an open-source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J Neurosci Methods. 134 (1), 9-21 (2004).
  3. Cohen, M. X. Analyzing neural time series data: theory and practice. , MIT Press. (2014).
  4. Buzsáki, G., Anastassiou, C. A., Koch, C. The origin of extracellular fields and currents-EEG, ECoG, LFP and spikes. Nat Rev Neurosci. 13 (6), 407-420 (2012).
  5. Nunez, P. L., Srinivasan, R. Electric fields of the brain: the neurophysics of EEG. , Oxford University Press. (2006).
  6. Gratton, G. Brain reflections: a circuit-based framework for understanding information processing and cognitive control. Psychophysiology. 55 (3), e13038(2018).
  7. Bigdely-Shamlo, N., et al. The PREP pipeline: standardized preprocessing for large-scale EEG analysis. Front Neuroinform. 9, 16(2015).
  8. Pernet, C. R., Chauveau, N., Gaspar, C., Rousselet, G. A. LIMO EEG: a toolbox for hierarchical linear modeling of electroencephalographic data. Comput Intell Neurosci. 2011, 831409(2011).
  9. Onton, J., Makeig, S. Independent component analysis for EEG artifacts. Neuroimage. 15 (3), 789-801 (2006).
  10. Delorme, A., Miyakoshi, M., Jung, T. P., Makeig, S. Grand average ERP-image plotting and statistics: a method for comparing variability in event-related single-trial EEG activities across subjects and conditions. J Neurosci Methods. 210 (2), 132-145 (2012).
  11. Debener, S., Thorne, J., Schneider, T. R., Viola, F. C. Using ICA for the analysis of multi-channel EEG data. Simultaneous EEG and FMRI. , Springer. New York, NY. (2010).
  12. Luck, S. J. An introduction to the event-related potential technique. , MIT Press. (2014).
  13. Cohen, M. X. Where does EEG come from and what does it mean. Trends Neurosci. 40 (4), 208-218 (2017).
  14. Keil, A., et al. Committee report: publication guidelines and recommendations for studies using electroencephalography and magnetoencephalography. Psychophysiology. 51 (1), 1-21 (2014).
  15. Gramfort, A., et al. MEG and EEG data analysis with MNE-Python. Front Neurosci. 7, 7(2013).
  16. Pernet, C., et al. Issues and recommendations from the OHBM COBIDAS MEEG committee for reproducible EEG and MEG research. Nat Neurosci. 23 (12), 1473-1483 (2020).
  17. Oostenveld, R., et al. FieldTrip: open-source software for advanced analysis of MEG, EEG, and invasive electrophysiological data. Comput Intell Neurosci. 2011, 156869(2011).
  18. Bailey, N. W., et al. Introducing RELAX: an automated preprocessing pipeline for cleaning EEG data-Part 1: algorithm and application to oscillations. Clin Neurophysiol. 149, 178-201 (2023).
  19. Pedroni, A., Bahreini, A., Langer, N. Automagic: standardized preprocessing of big EEG data. Neuroimage. 200, 460-473 (2019).
  20. da Cruz, J. R., et al. An automatic preprocessing pipeline for EEG analysis (APP) based on robust statistics. Clin Neurophysiol. 129 (7), 1427-1437 (2018).
  21. Bailey, N. W., et al. EEG is better when cleaning effectively targets artifacts. bioRxiv. , 2024-2106 (2024).
  22. Global EEG devices market report. , Grand View Research. Available at: https://www.grandviewresearch.com (2021).
  23. Makoto's preprocessing pipeline. , Available at: https://sccn.ucsd.edu/wiki/Makoto's_preprocessing_pipeline (2015).
  24. Winkler, I., et al. On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 4101-4105 (2015).
  25. Gramfort, A., et al. Time-frequency mixed-norm estimates: sparse M/EEG imaging with non-stationary source activations. Neuroimage. 70, 410-422 (2013).
  26. Delorme, A., Sejnowski, T., Makeig, S. Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis. Neuroimage. 34 (4), 1443-1449 (2007).
  27. Marques, L. M., et al. Resting-state EEG as biomarker of maladaptive motor function and depressive profile in stroke patients. Clin EEG Neurosci. 55 (4), 496-507 (2024).
  28. Lacerda, G. J., et al. A neural signature for brain compensation in stroke with EEG and TMS: insights from the DEFINE cohort study. Neurophysiol Clin. 54 (5), 102985(2024).
  29. Camargo, L., et al. Adaptive and compensatory neural signatures in fibromyalgia: an analysis of resting-state and stimulus-evoked EEG oscillations. Biomedicines. 12 (7), 1428(2024).
  30. Barbosa, S. P., et al. Resting-state electroencephalography delta and theta bands as compensatory oscillations in chronic neuropathic pain: a secondary data analysis. Brain Netw Modul. 3 (2), 52-60 (2024).
  31. Simis, M., et al. Deficit of inhibition as a marker of neuroplasticity (DEFINE study) in rehabilitation: a longitudinal cohort study protocol. Front Neurol. 12, 695406(2021).
  32. Pion-Tonachini, L., Kreutz-Delgado, K., Makeig, S. ICLabel: an automated electroencephalographic independent component classifier, dataset, and website. Neuroimage. 198, 181-197 (2019).
  33. Jaramillo-Jimenez, A., et al. Reproducible python workflow for multi-site resting-state EEG analysis. Alzheimer's Dement. 19, e076353(2023).
  34. Levin, A. R., et al. BEAPP: the batch electroencephalography automated processing platform. Front Neurosci. 12, 513(2018).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

ICLabelEEGEEG

מאמרים קשורים