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

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.