$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
L'elettroencefalogramma (EEG) è uno strumento fondamentale sia nella ricerca neuroscientifica che nella pratica clinica, in quanto offre preziose informazioni sull'attività elettrica cerebrale. I dati EEG in stato di riposo, in particolare, sono ampiamente utilizzati per indagare varie condizioni neurologiche e psichiatriche, come ictus, fibromialgia e dolore neuropatico cronico. Nonostante la sua ampia applicazione, l'analisi dei dati EEG richiede una rigorosa pre-elaborazione per eliminare artefatti e rumore, garantendo l'integrità e l'affidabilità dei risultati 1,2,3. Nel corso degli anni, l'EEG è stato prezioso nel fornire misurazioni non invasive e ad alta risoluzione temporale dell'attività cerebrale, rendendolo indispensabile per lo studio dei processi dinamici del cervello 4,5. Tuttavia, i segnali EEG grezzi sono spesso contaminati da una varietà di sorgenti di rumore che possono oscurare i segnali neurali di interesse, complicando così l'interpretazione dei dati6.
I segnali EEG sono altamente suscettibili alla contaminazione da fonti come l'attività muscolare, i movimenti oculari e le interferenze elettriche7. Questi artefatti possono oscurare i segnali neurali, rendendo la pre-elaborazione un passaggio critico nell'analisi EEG. Questo processo prevede in genere più fasi: conversione del formato del file, downsampling, filtraggio, rifiuto degli artefatti, analisi indipendente dei componenti (ICA) ed esclusione dei componenti correlati al rumore 8,9. Ogni passaggio contribuisce a migliorare la qualità del segnale e a garantire che i dati riflettano accuratamente l'attività neurale10. La complessità di questi processi richiede l'uso di algoritmi e strumenti software sofisticati per garantire che la pre-elaborazione sia efficiente ed efficace11.
Una delle sfide principali nella pre-elaborazione dei dati EEG è la variabilità dei dati, che può differire in modo significativo tra i soggetti e le sessioni di registrazione10,12. Questa variabilità deriva dalle differenze nelle caratteristiche fisiologiche e anatomiche dei soggetti, nonché dalle variazioni delle condizioni sperimentali e delle apparecchiature utilizzate. Inoltre, la mancanza di protocolli di pre-elaborazione standardizzati può portare a incongruenze nell'analisi e nell'interpretazione dei dati13,14. Sebbene siano disponibili diverse pipeline e script di pre-elaborazione, molti di essi sono adattati a set di dati specifici o mancano di una documentazione completa, rendendoli meno accessibili alla più ampia comunità di ricerca14. Piattaforme come GitHub ospitano numerosi script e plug-in di pre-elaborazione EEG, facilitando la condivisione e il miglioramento collaborativo di questi strumenti15. Tuttavia, la natura frammentata di queste risorse sottolinea la necessità di una pipeline di pre-elaborazione modificabile robusta, efficiente e standardizzata che possa essere ampiamente applicata a diversi set di dati e contesti di ricerca16. Tale pipeline non solo migliorerebbe la riproducibilità degli studi EEG, ma fornirebbe anche una base su cui la comunità di ricerca può costruire e adattarsi per esigenze specifiche17.
Oltre a EEGLAB, che costituisce la base di PIPEMAT-RS grazie alla sua ampia base di utenti e all'integrazione con MATLAB, anche altri toolbox per l'elaborazione EEG sono ampiamente utilizzati sul campo. Ad esempio, MNE-Python è una piattaforma open source basata su Python che offre funzionalità avanzate per la localizzazione delle sorgenti, l'analisi dello spazio dei sensori e l'integrazione con i flussi di lavoro di apprendimento automatico. FieldTrip, un toolbox basato su MATLAB come EEGLAB, è noto per il suo ambiente di scripting flessibile e il supporto completo per le analisi di tempo-frequenza e connettività. Sebbene queste piattaforme forniscano potenti alternative, in genere richiedono curve di apprendimento più ripide e competenze di programmazione più avanzate. PIPEMAT-RS è stato progettato per collegare accessibilità e trasparenza, in particolare per i ricercatori che cercano una soluzione modificabile e modulare per la pre-elaborazione EEG in stato di riposo utilizzando EEGLAB. Ciononostante, la struttura concettuale di PIPEMAT-RS può essere adattata ad altri toolbox, se necessario, favorendo l'interoperabilità e la personalizzazione in diversi ambienti software.
Negli ultimi anni sono state sviluppate diverse pipeline di pre-elaborazione EEG automatizzate, come RELAX18, Automagic19, APP20 e PREP7. Queste pipeline incorporano algoritmi avanzati per la rimozione degli artefatti e la pulizia dei dati, spesso impiegando strategie basate su ICA con trasparenza o personalizzazione limitate per gli utenti non esperti. Ad esempio, RELAX introduce un metodo di pulizia ICA in più fasi che migliora l'espulsione degli artefatti, ma si basa su configurazioni complesse che potrebbero non essere facilmente modificabili21. Al contrario, PIPEMAT-RS è progettato per fornire un'alternativa flessibile, trasparente e accessibile dal punto di vista didattico, consentendo ai ricercatori di comprendere e regolare manualmente ogni fase di pre-elaborazione. Questa trasparenza consente di utilizzare PIPEMAT-RS sia come strumento di ricerca che come strumento didattico, mantenendo al contempo il rigore e la riproducibilità. Inoltre, PIPEMAT-RS enfatizza la documentazione, l'esecuzione modulare e l'adattabilità tra i set di dati, caratteristiche che sono spesso sottostimate o assenti in altre pipeline.
Dal punto di vista economico, lo sviluppo e l'implementazione di una pipeline di pre-elaborazione standardizzata e modificabile per i dati EEG può avere un impatto significativo. Il mercato globale dei dispositivi EEG è stato valutato a circa 1,2 miliardi di dollari nel 2020 e si prevede che crescerà a un tasso di crescita annuale composto (CAGR) del 7,5% dal 2021 al 202822. Pipeline di pre-elaborazione efficienti, in particolare quelle modificabili e modulari, possono ridurre i tempi e i costi associati all'analisi dei dati, una considerazione importante negli studi clinici su larga scala e nella ricerca sulla salute pubblica. Riducendo al minimo l'errore umano e automatizzando le attività ripetitive, tali pipeline possono migliorare l'accuratezza dell'analisi dei dati EEG e portare a risultati di ricerca più affidabili13. Questo, a sua volta, può accelerare lo sviluppo di nuovi strumenti diagnostici e interventi terapeutici, riducendo potenzialmente i costi sanitari e migliorando gli esiti dei pazienti1.
Questo articolo ha lo scopo di presentare e convalidare una pipeline integrata di pre-elaborazione standardizzata e modificabile per l'EEG in stato di riposo utilizzando MATLAB (PIPEMAT-RS). Progettata per essere robusta ed efficiente, questa pipeline modificabile è versatile e può essere ampiamente applicata a vari set di dati e scenari di ricerca. I sette passaggi completi includono la conversione del formato dei file, il downsampling, il filtraggio, il rifiuto degli artefatti, l'analisi indipendente dei componenti (ICA) e l'esclusione dei componenti relativi al rumore, il tutto integrato in un flusso di lavoro coeso23,24. Lo sviluppo di PIPEMAT-RS è stato guidato dalla necessità di affrontare le sfide comuni nella pre-elaborazione EEG e di fornire uno strumento che i ricercatori possano utilizzare per semplificare i processi di analisi dei dati25. Integrandosi con le pratiche comunemente adottate sul campo e sfruttando le capacità di MATLAB, PIPEMAT-RS mira a offrire un framework affidabile, modificabile e di facile utilizzo per supportare la pre-elaborazione dei dati EEG26.
Per convalidare l'efficacia di PIPEMAT-RS, lo abbiamo applicato in diversi studi. In uno studio, PIPEMAT-RS è stato utilizzato per studiare i biomarcatori EEG nei pazienti con ictus, identificando correlazioni significative tra funzione motoria disadattiva e profili depressivi27. Un altro studio ha applicato PIPEMAT-RS per analizzare le firme neurali della compensazione cerebrale nei pazienti con ictus utilizzando EEG e TMS, rivelando informazioni critiche sui meccanismi di adattamento del cervello dopo l'ictus28. Un'ulteriore convalida proviene da uno studio che ha esplorato gli adattamenti e le compensazioni neurali nei pazienti con fibromialgia29. Inoltre, un altro studio ha dimostrato come le bande delta e theta nell'EEG in stato di riposo fungano da meccanismi compensatori nel dolore neuropatico cronico30.
Questi studi evidenziano collettivamente l'utilità di PIPEMAT-RS nell'elaborazione e nell'analisi dei dati EEG, stabilendone l'efficacia in varie condizioni e applicazioni. Fornendo un approccio standardizzato, questa pipeline non solo migliora la riproducibilità degli studi EEG, ma facilita anche l'adozione più ampia di metodi di pre-elaborazione coerenti nella comunità di ricerca. Attraverso questo articolo, miriamo a contribuire con una risorsa preziosa al campo, promuovendo un'analisi dei dati EEG più accurata e affidabile16,17. In tal modo, speriamo di sostenere il progresso della ricerca in neurofisiologia e lo sviluppo di nuovi approcci terapeutici per le condizioni neurologiche e psichiatriche.
Le fasi fondamentali di pre-elaborazione utilizzate in PIPEMAT-RS sono radicate in metodi robusti e ampiamente convalidati che sono diventati essenziali nella ricerca EEG per garantire la qualità e la riproducibilità dei dati 2,8,14. Sebbene queste metodologie siano ben consolidate, rimangono cruciali per la loro efficacia nell'affrontare gli artefatti EEG e il rumore comuni, che continuano a supportare analisi affidabili in tutti gli studi. Tuttavia, pochi studi hanno recentemente fornito una pipeline standardizzata completamente documentata su misura per l'EEG in stato di riposo. Integrando queste tecniche collaudate con i recenti progressi, come ICLabel per la classificazione automatizzata degli artefatti, PIPEMAT-RS offre un approccio moderno e strutturato che migliora la replicabilità e l'accessibilità per i ricercatori, soddisfacendo la continua necessità di flussi di lavoro di pre-elaborazione rigorosamente documentati sul campo.
Sebbene la pipeline PIPEMAT-RS segua le fasi di pre-elaborazione comunemente impiegate negli studi EEG, la sua documentazione sotto forma di articolo scientifico colma un'importante lacuna nella letteratura. Molti studi EEG si basano su metodi di pre-elaborazione simili, ma spesso mancano di una descrizione completa e passo dopo passo che consenta la piena riproducibilità e facilità di adozione da parte di altri ricercatori. Descrivendo in dettaglio ogni componente di PIPEMAT-RS e presentando una sequenza standardizzata per l'analisi EEG in stato di riposo, questo lavoro mira a migliorare la trasparenza, ridurre al minimo la variabilità dell'utente e fornire un quadro replicabile applicabile a tutti gli studi. Piuttosto che introdurre nuovi metodi, questo contributo vuole fungere da guida didattica e pratica che aiuti a standardizzare le pratiche di pre-elaborazione e a migliorare l'accessibilità per un'ampia gamma di ricercatori EEG, in particolare quelli che lavorano con dati in stato di riposo.
La pre-elaborazione dei dati EEG è una fase critica che influenza in modo significativo la qualità e l'affidabilità delle analisi successive. La pipeline integrata di pre-elaborazione per l'EEG in stato di riposo con MATLAB (PIPEMAT-RS) è stata sviluppata per affrontare le sfide comuni nella pre-elaborazione dei dati EEG, fornendo un approccio completo e standardizzato applicabile a vari set di dati. Questa pipeline strutturata e modificabile è composta da sette passaggi chiave: i) Conversione del formato file; ii) Montaggio EEG; iii) Downsampling e Filtraggio; iv) Rifiuto e rifacimento degli artefatti; v) Analisi delle Componenti Indipendenti (ICA); vi) Classificazione ICLabel; vii) Normalizzazione dei dati. Ogni fase è meticolosamente progettata per migliorare la qualità del segnale e facilitare l'estrazione di informazioni significative dai dati EEG grezzi.
Una caratteristica fondamentale di PIPEMAT-RS è che ogni fase di pre-elaborazione si conclude con il salvataggio del set di dati con un nome file distinto. Questa struttura garantisce che, per ogni file elaborato, venga generata una versione derivata corrispondente a ogni passaggio specifico. Questo approccio sistematico consente agli utenti di accedere ai dati in qualsiasi punto all'interno della pipeline di pre-elaborazione in sette fasi. I file salvati includono identificatori che indicano chiaramente la fase di pre-elaborazione, semplificando il monitoraggio e la gestione dei dati durante il flusso di lavoro.
PIPEMAT-RS inizia con la conversione del formato di file, in cui i file di dati EEG grezzi vengono trasformati in un formato compatibile con MATLAB. Questa conversione è essenziale per la gestione senza soluzione di continuità dei dati nel robusto ambiente computazionale di MATLAB. Successivamente, la fase di montaggio EEG assegna posizioni spaziali precise a ciascun elettrodo sul cuoio capelluto in base a sistemi di posizionamento degli elettrodi standardizzati. Queste informazioni spaziali sono fondamentali per l'interpretazione accurata dei dati EEG negli studi neurofisiologici.
Successivamente, la pipeline applica il downsampling e il filtraggio per ridurre la frequenza di campionamento dei dati ed eliminare il rumore, mantenendo al contempo le componenti di frequenza rilevanti per la ricerca neurofisiologica. Il downsampling riduce il carico computazionale e i requisiti di archiviazione senza compromettere la qualità dei dati. Il filtraggio rimuove componenti di frequenza specifiche note per essere associate agli artefatti, preservando così i segnali neurali essenziali.
Successivamente, vengono eseguiti il rifiuto e il riferimento degli artefatti. Questo passaggio identifica e rimuove i segmenti di dati contaminati da fonti di rumore come le palpebre, l'attività muscolare e il movimento degli elettrodi. Gli algoritmi di rifiuto automatico degli artefatti vengono utilizzati per ridurre al minimo l'intervento manuale, riducendo il potenziale di errore umano e aumentando l'efficienza della preelaborazione. Il riferimento dei dati alla media di tutti gli elettrodi aiuta a mitigare l'influenza di ogni singolo elettrodo e fornisce un riferimento stabile per i segnali EEG.
La fase di analisi delle componenti indipendenti (ICA) perfeziona ulteriormente i dati separando i segnali misti nelle loro fonti indipendenti. Questa scomposizione facilita l'identificazione e la rimozione di artefatti come battiti di ciglia, artefatti muscolari e rumore di linea. L'ICA è una tecnica potente che garantisce che i dati rimanenti riflettano accuratamente l'attività neurale sottostante.
Infine, la classificazione ICLabel viene applicata per identificare e rimuovere automaticamente i componenti classificati come artefatti. ICLabel assegna etichette probabilistiche a componenti indipendenti, classificandoli come attività cerebrale, attività muscolare, battiti di ciglia, battiti cardiaci, rumore di linea o rumore di canale. I componenti con un'alta probabilità di rappresentare l'attività cerebrale vengono mantenuti, mentre quelli identificati come artefatti vengono rimossi. Questo approccio automatizzato riduce significativamente il lavoro manuale e garantisce una classificazione coerente e obiettiva tra i set di dati.
Ognuna di queste fasi di pre-elaborazione è essenziale per migliorare la qualità dei dati EEG. Standardizzando il flusso di lavoro di pre-elaborazione, PIPEMAT-RS riduce al minimo la variabilità introdotta dai diversi metodi di pre-elaborazione, facilitando il confronto dei risultati tra gli studi. L'implementazione della pipeline in MATLAB, una piattaforma ampiamente utilizzata nella comunità delle neuroscienze, garantisce l'accessibilità e la facilità di integrazione nei flussi di lavoro di ricerca esistenti.
Lo sviluppo di PIPEMAT-RS è stato guidato dalle pratiche comunemente adottate nell'analisi dei dati EEG, incorporando metodi e tecniche convalidati in ricerche precedenti. Ogni fase è stata attentamente progettata e rigorosamente testata per garantirne l'efficacia nel migliorare la qualità dei dati (Figura 1). Questo approccio completo non solo migliora l'affidabilità dei dati EEG, ma supporta anche l'identificazione di marcatori neurofisiologici fondamentali per la comprensione di varie condizioni neurologiche e psichiatriche.