PIPEMAT-RS: Development and Validation of a Standardized MATLAB Pipeline for Resting-State EEG Preprocessing

Lucas Murrins Marques; Kevin Pacheco-Barrios; Lucas Camargo; Melina Houlis; Jordan Vieira; Ana Castellani; Sara P. Barbosa; Marcel Simis; Felipe Fregni; Linamara R. Battistella

doi:10.3791/68350

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

JoVE Journal
Neuroscience

A subscription to JoVE is required to view this content. Sign in or start your free trial.

JoVE Journal Neuroscience

PIPEMAT-RS: Development and Validation of a Standardized MATLAB Pipeline for Resting-State EEG Preprocessing

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

Full Text

933 Views

06:51 min

June 6, 2025

DOI: 10.3791/68350-v

Lucas Murrins Marques*¹, Kevin Pacheco-Barrios*^2,3, Lucas Camargo², Melina Houlis¹, Jordan Vieira¹, Ana Castellani⁴, Sara P. Barbosa⁴, Marcel Simis², Felipe Fregni², Linamara R. Battistella^4,5

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

Please note that some of the translations on this page are AI generated. Click here for the English version.

Overview

This article details the development of PIPEMAT-RS, a MATLAB-based preprocessing pipeline designed for resting-state EEG data. It focuses on improving signal quality and data reproducibility through automated steps like filtering and artifact classification, aiming to support consistent findings in neurophysiological research.

Key Study Components

Area of Science

Neuroscience
Electrophysiology
EEG signal processing

Background

Existing EEG pipelines often lack flexibility and transparency.
PIPEMAT-RS enhances artifact classification and signal integrity.
Addresses needs in both clinical and experimental EEG research.

Purpose of Study

To standardize EEG preprocessing for improved data consistency.
To automate and document essential preprocessing steps.
To support reliable neurophysiological analyses across studies.

Methods Used

Utilized MATLAB with EEG Lab for data processing.
Applied various filtering techniques, independent component analysis (ICA), and automated classifiers for artifact removal.
Key steps include visual inspection of EEG data and manual artifact removal.
Final data are saved in accessible formats ensuring reproducibility.

Main Results

PIPEMAT-RS significantly improves EEG signal quality and reduces noise.
Support for robust biomarkers in studies related to stroke, fibromyalgia, and chronic pain was established.
Manual and automated cleaning led to clearer, more interpretable EEG datasets.

Conclusions

The study demonstrates that a standardized pipeline can significantly enhance EEG data processing consistency.
Switching to PIPEMAT-RS can facilitate better research outputs in neurophysiology.
Implications include improved understanding of EEG-related outcomes and neurophysiological phenomena.

Frequently Asked Questions

What are the advantages of using PIPEMAT-RS?

PIPEMAT-RS offers standardized preprocessing that enhances EEG data quality and consistency, making it suitable for various research contexts.

How is the biological model implemented in this study?

The study uses resting-state EEG data collected from various subjects to analyze brain activity patterns and artifacts.

What types of data outcomes can be expected from using this method?

Researchers can expect improved signal-to-noise ratios and clearer EEG waveforms, facilitating better interpretations of brain activity.

How can PIPEMAT-RS be adapted for different research applications?

Researchers can tailor the preprocessing steps within PIPEMAT-RS to fit specific experimental designs or clinical needs while maintaining standardization.

What are the key limitations to consider when using this pipeline?

While PIPEMAT-RS enhances preprocessing, the quality of results still relies on the integrity of raw EEG data collected from participants.

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.

פיתחנו צינור עיבוד מקדים EEG סטנדרטי כדי לשפר את איכות האות, להפחית רעש ולתמוך במחקר נוירופיזיולוגי עקבי על פני מערכי נתונים קליניים וניסויים מגוונים. צינורות אחרונים כמו RELAX ו-Automagic מציעים ניקוי EEG אוטומטי, אך לעתים קרובות חסרים גמישות או תיעוד ברור לחוקרים וסטודנטים הזקוקים לשקיפות ועקביות של התוצאות. אנו משתמשים ב-EEG, Matlab, מעבדת EEG ודחיית חפצים מבוססת ICA בשילוב עם מסווגים אוטומטיים, כמו ICLabel כדי לשפר את איכות הנתונים ולייעל תהליכי עבודה של עיבוד מקדים. נמצא כי PIPEMAT-RS משפר את איכות אות ה-EEG, מגביר את ה-SNR ותומך בסמנים ביולוגיים חזקים במחקרי שבץ מוחי, פיברומיאלגיה וכאב כרוני. פרוטוקול זה מטפל בהיעדר צינור צפוי, מתועד היטב וסטנדרטי עבור EEG במצב מנוחה, שהוא גם עקבי וגם נגיש לחוקרים ברחבי העולם.

[מגישה] כדי להתחיל, פתח את MATLAB ונווט לספרייה המכילה את קבצי הנתונים הגולמיים של אלקטרואנצפלוגרמה. הגדר את נתיב הספרייה לקבצי הנתונים הגולמיים וצור רשימה המכילה את הנושאים. טען את קובץ הנתונים הגולמיים באמצעות פונקציית הטעינה עבור קבצי .mat ושמור כל קובץ בפורמט .mat, תוך הבטחת שלמות הנתונים ושמירה על כל המטא נתונים הרלוונטיים. פתח את MATLAB ונווט לספרייה המכילה את קבצי MATLAB. השתמש בפונקציית ערכת הטעינה הקופצת מארגז הכלים של מעבדת EEG כדי לטעון את מערך הנתונים של EEG של כל נבדק. ודא שמיקום האלקטרודה המתאים file המתאים לתצורת מכסה ה-EEG זמין בספריית העבודה. השתמש בפונקציית pop_chanedit כדי להחיל את מיקומי האלקטרודות. בדוק ויזואלית את פריסת הערוץ באמצעות ממשק המשתמש הגרפי של מעבדות EEG כדי לאשר את המיקומים הנכונים של כל האלקטרודות. שמור את מערך הנתונים המעודכן של EEG באמצעות הפונקציה pop_saveset. במידת הצורך, הפחת את קצב הדגימה של נתוני ה-EEG ל-250 הרץ באמצעות פונקציית הדגימה מחדש של ה-pop. החל מסנן מעבר פס מהרץ אחד עד 50 הרץ על ערוצים אחד עד 128 באמצעות פונקציית pop basicfilter עם עיצוב באטרוורת' וסדר מסנן של שניים. השתמש בסינון אפס פאזה קדימה ואחורה כדי למנוע עיוות פאזה. החל מסנן חריץ ב-50 או 60 הרץ על ערוצים אחד עד 64 באמצעות מסנן פופ בסיסי עם עיצוב חריץ PM וסדר מסנן של 180. עבור דחיית החפצים, השתמש בפונקציית הנתונים הגולמיים הנקיים עם הפרמטרים הנתונים כדי לזהות ולהסיר באופן אוטומטי ערוצים שטוחים, מקטעים רועשים וסחיפות בתדר נמוך. בדוק ויזואלית את נתוני ה-EEG באמצעות תרשים EEG ממעבדת EG כדי לזהות חפצים שיוריים שהשיטה האוטומטית החמיצה. סמן והסר באופן ידני את החפצים הנותרים כדי להבטיח איכות נתונים גבוהה. השתמש pop_reref כדי להפנות מחדש את אותות ה-EEG לממוצע של כל האלקטרודות, ולהבטיח שאלקטרודת הייחוס המקורית נשמרת. טען את הקובץ עם הסיומת loc_filt_cleanraw_reref.set באמצעות pop loadset. הפעל ניתוח רכיבים עצמאי או ICA באמצעות פונקציית pop runica עם אלגוריתם runica כדי לפרק את נתוני ה-EEG לקומפוננטות עצמאיות. שמור את ערכת הנתונים החדשה עם הסיומת loc_filt_cleanraw_reref_ICA השתמש ב-pop_saveset כדי לציין את השלמת ה-ICA. ייבא את סל הנתונים של ICA באמצעות ערכת טעינה של pop. הפעל את פונקציית תווית ה-ICA הפופולרית עם מודל ברירת המחדל כדי לסווג רכיבים עצמאיים לקטגוריות מוח וחפצים. זהה את כל המרכיבים עם הסתברות לפעילות מוחית מעל 0.7. השתמש בפונקציית המשנה pop כדי להסיר את כל הרכיבים עם הסתברות מוח של תווית IC מתחת ל-0.7. שמור רק רכיבים עם הסתברות לפעילות מוחית מעל 0.7 כדי לשמר אותות אמיתיים תוך הבטחת הסרה יעילה של חפצים. שמור את מערך הנתונים הנקי עם הסיומת, loc_filt_cleanraw_reref_ac_cleaned באמצעות pop_saveset. לבסוף, ייבא את מערך הנתונים עם רכיבי ICA נטולי חפצים באמצעות פונקציית pop loadset ושמור את מערך הנתונים המעובד מראש ומנורמל במלואו עם הסיומת, loc_filt_cleanraw_reref_ICA_Normalized באמצעות pop_saveset. המצב הראשוני של מערך הנתונים של EEG לפני כל עיבוד מקדים, כולל עקבות האותות הגולמיים והמאפיינים הספקטרליים המתאימים להם מתואר באיור זה. נתוני ה-EEG הגולמיים הראו רמות גבוהות של רעש ועקבות אותות לא סדירים על פני מספר ערוצים, מה שפגע בבהירות וביכולת הפרשנות. ניקוי ידני של נתוני ה-EEG הפחית את חפצי האות ושיפר את אחידות צורת הגל, אך כמה רעש שיורי וחוסר עקביות נותרו גלויים. נתונים שעובדו עם PIPEMAT-RS הציגו את צורות הגל הנקיות ביותר של EEG עם מבנה אות עקבי וחפצים גלויים מינימליים על פני הערוצים.

View the full transcript and gain access to thousands of scientific videos