PIPEMAT-RS: 安静時脳波前処理のための標準化された MATLAB パイプラインの開発と検証

サマリー

このプロトコルは、安静時脳波データ用の標準化された MATLAB ベースの前処理パイプラインである PIPEMAT-RS を示しています。これにより、アーチファクトの除去、信号品質の向上、研究全体のデータの再現性の向上が図られます。このパイプラインは、フィルタリング、独立成分分析(ICA)、アーティファクト分類などの主要な前処理ステップを自動化し、神経生理学的研究のための一貫した信頼性の高い脳波分析を促進します。

要約

脳波計(EEG)は、神経科学の研究や臨床応用において重要なツールですが、生の脳波データには、信号品質を損なうノイズやアーチファクトが含まれていることがよくあります。これに対処するために、安静時脳波データ用の標準化された MATLAB ベースの前処理パイプラインである PIPEMAT-RS を開発しました。PIPEMAT-RSは、ファイル形式の変換、EEGモンタージュの設定、ダウンサンプリング、フィルタリング、アーティファクト除去、独立成分分析(ICA)、およびアーティファクトの自動除去のためのICLabel分類の7ステップの構造化されたワークフローに従います。このプロトコルは、アーチファクト除去の精度を維持しながら、人間の介入を最小限に抑えることでEEGデータの品質を向上させます。複数のデータセットを使用して検証され、シグナルインテグリティの向上における堅牢性が実証されました。PIPEMAT-RSは、EEG研究の再現性と信頼性を促進する体系的なアプローチを提供し、現場で一般的に採用されている慣行と一致し、既存のパイプラインを補完できる明確に文書化された構造を提供します。PIPEMAT-RSは、脳波の前処理を標準化することで、神経生理学的研究と臨床応用を促進し、安静時の脳活動とその神経学的および精神医学的状態との関連をより正確に解釈することが可能になります。

概要

脳波(EEG)は、神経科学研究と臨床診療の両方において重要なツールであり、脳の電気的活動に関する貴重な洞察を提供します。特に安静時の脳波データは、脳卒中、線維筋痛症、慢性神経障害性疼痛など、さまざまな神経学的・精神医学的疾患の調査に広く利用されています。その広範な適用にもかかわらず、EEGデータの分析は、アーティファクトやノイズを排除するための厳密な前処理を必要とし、結果の完全性と信頼性を確保します^1,2,3。長年にわたり、EEGは脳活動の非侵襲的で高時間分解能の測定を提供する上で非常に貴重であり、脳の動的プロセスの研究に不可欠となっています^4,5。しかし、生の脳波信号は、しばしば、関心のある神経信号を不明瞭にする可能性のあるさまざまなノイズ源によって汚染されており、それによってデータの解釈^が複雑になる6。

EEG信号は、筋肉活動、眼球運動、電気的干渉7などのソースからの汚染に対して非常に影響を受け^{やすいです。}これらのアーチファクトは神経信号を不明瞭にする可能性があるため、EEG分析では前処理が重要なステップとなります。このプロセスには、通常、ファイル形式の変換、ダウンサンプリング、フィルタリング、アーティファクトの除去、独立成分分析(ICA)、ノイズ関連コンポーネントの除外など、複数の段階が含まれます^8,9。各ステップは、信号品質を改善し、データが神経活動¹⁰を正確に反映することを確保するのに役立つ。これらのプロセスの複雑さは、前処理が効率的かつ効果的であることを保証するために、洗練されたアルゴリズムとソフトウェアツールの使用を必要とする¹¹。

EEGデータの前処理における主要な課題の1つは、データのばらつきであり、これは被験者と記録セッション^10,12の間で大きく異なる可能性がある。この変動性は、被験者の生理学的および解剖学的特性の違い、ならびに使用される実験条件および機器の変動によって生じる。さらに、標準化された前処理プロトコルの欠如は、データ分析と解釈に一貫性を生じさせる可能性がある^13,14。いくつかのパイプラインと前処理スクリプトが利用可能ですが、それらの多くは特定のデータセットに合わせて調整されているか、包括的なドキュメントが不足しているため、より広範な研究コミュニティにとってアクセスしにくくなっています¹⁴。GitHubのようなプラットフォームは、多数のEEG前処理スクリプトとプラグインをホストし、これらのツールの共有と共同改善を促進します¹⁵。しかし、これらのリソースが断片化されていることから、さまざまなデータセットや研究コンテキストに広く適用できる、堅牢で効率的、かつ標準化された編集可能な前処理パイプラインの必要性が強調されている¹⁶。このようなパイプラインは、EEG研究の再現性を向上させるだけでなく、研究コミュニティが特定のニーズ¹⁷を構築し適応するための基盤を提供します。

広範なユーザーベースとMATLABとの統合によりPIPEMAT-RSの基盤を形成するEEGLABに加えて、他のEEG処理ツールボックスも現場で広く使用されています。たとえば、MNE-PythonはオープンソースのPythonベースのプラットフォームであり、ソースのローカリゼーション、センサー空間分析、機械学習ワークフローとの統合のための高度な機能を提供します。EEGLABのようなMATLABベースのツールボックスであるFieldTripは、柔軟なスクリプト環境と、時間-周波数および接続性解析の包括的なサポートで知られています。これらのプラットフォームは強力な代替手段を提供しますが、通常、より急な学習曲線とより高度なプログラミングスキルが必要です。PIPEMAT-RSは、特にEEGLABを使用した安静時のEEG前処理のための編集可能でモジュール式のソリューションを求める研究者のために、アクセシビリティと透明性を橋渡しするように設計されています。それにもかかわらず、PIPEMAT-RSの概念構造は、必要に応じて他のツールボックスに適合させることができ、異なるソフトウェア環境間での相互運用性とカスタマイズを促進します。

近年、RELAX¹⁸、Automagic¹⁹、APP²⁰、PREP⁷など、いくつかの自動脳波前処理パイプラインが開発されています。これらのパイプラインには、アーティファクトの除去とデータクリーニングのための高度なアルゴリズムが組み込まれており、多くの場合、ICAベースの戦略を採用しており、透明性や専門家でないユーザー向けのカスタマイズは限られています。例えば、RELAXは、アーティファクトの除去を改善するマルチステップのICAクリーニング方法を導入しているが、簡単には変更できない可能性のある複雑な構成に依存している²¹。対照的に、PIPEMAT-RSは、柔軟性があり、透明性があり、教育的にアクセス可能な代替手段を提供するように設計されており、研究者は各前処理ステップを理解し、手動で調整することができます。この透明性により、PIPEMAT-RSは、厳密さと再現性を維持しながら、研究と教育の両方のツールとして使用できます。さらに、PIPEMAT-RSは、他のパイプラインでは過小報告されたり欠けたりしがちなデータセット機能全体の文書化、モジュール式の実行、適応性を強調しています。

経済的には、EEGデータ用の標準化された編集可能な前処理パイプラインの開発と実装は、大きな影響を与える可能性があります。世界のEEGデバイス市場は2020年に約12億米ドルと評価され、2021年から2028年にかけて7.5%の年平均成長率(CAGR)で成長すると予想されています²²。効率的な前処理パイプライン、特に編集可能でモジュール式のパイプラインは、大規模な臨床試験や公衆衛生研究において重要な考慮事項であるデータ分析に関連する時間とコストを削減できます。このようなパイプラインは、人為的ミスを最小限に抑え、反復的なタスクを自動化することにより、EEGデータ分析の精度を向上させ、より信頼性の高い研究結果につながる可能性があります¹³。これにより、新しい診断ツールや治療介入の開発が加速し、医療費を削減し、患者の転帰を改善する可能性があります¹。

この論文は、MATLAB(PIPEMAT-RS)を使用した安静時脳波のための標準化された編集可能な前処理統合パイプラインを提示し、検証することを目的としています。堅牢かつ効率的であるように設計されたこの編集可能なパイプラインは、汎用性が高く、さまざまなデータセットや研究シナリオに広く適用できます。7つの包括的なステップには、ファイル形式の変換、ダウンサンプリング、フィルタリング、アーティファクトの除去、独立成分分析(ICA)、およびノイズ関連成分の除外が含まれ、すべてがまとまりのあるワークフロー^{に統合されています23,24}。PIPEMAT-RSの開発は、EEG前処理における一般的な課題に対処し、研究者がデータ分析プロセスを合理化するために使用できるツールを提供する必要性によって導かれました²⁵。PIPEMAT-RSは、現場で一般的に採用されているプラクティスと統合し、MATLABの機能を活用することにより、EEGデータの前処理²⁶をサポートするための信頼性、編集性、およびユーザーフレンドリーなフレームワークを提供することを目指しています。

PIPEMAT-RSの有効性を検証するために、いくつかの研究に適用しました。ある研究では、PIPEMAT-RSを使用して脳卒中患者のEEGバイオマーカーを調査し、不適応な運動機能と抑うつプロファイルとの間に有意な相関関係を特定しました²⁷。別の研究では、PIPEMAT-RSを適用して、脳卒中患者の脳補償の神経シグネチャをEEGとTMSを使用して分析し、脳卒中後の脳の適応メカニズムに関する重要な洞察を明らかにしました²⁸。さらなる検証は、線維筋痛症患者における神経適応と代償を調査した研究から来ています²⁹。さらに、別の研究では、安静時脳波のデルタバンドとシータバンドが慢性神経障害性疼痛の代償メカニズムとしてどのように機能するかが示されました³⁰。

これらの研究は、脳波データの処理と分析におけるPIPEMAT-RSの有用性を総合的に強調し、さまざまな条件やアプリケーションでの有効性を確立しています。標準化されたアプローチを提供することにより、このパイプラインはEEG研究の再現性を向上させるだけでなく、研究コミュニティでの一貫した前処理方法の広範な採用を促進します。この論文を通じて、私たちはこの分野に貴重なリソースを提供し、より正確で信頼性の高い脳波データ分析^{を促進することを目指しています16,17}。これにより、神経生理学の研究の進展や、神経疾患や精神疾患に対する新たな治療法の開発を支援したいと考えています。

PIPEMAT-RSで使用される基本的な前処理ステップは、データの品質と再現性を確保するためにEEG研究に不可欠となっている、堅牢で広く検証された方法に根ざしています^2,8,14。これらの方法論は十分に確立されていますが、一般的な脳波アーチファクトやノイズに対処する効果があるため、依然として重要であり、研究全体で信頼性の高い分析をサポートし続けています。しかし、安静時脳波に合わせた完全に文書化された標準化されたパイプラインを提供した研究は、最近はほとんどありません。これらの実証済みの技術を、自動アーティファクト分類のためのICLabelなどの最近の進歩と統合することにより、PIPEMAT-RSは、研究者の再現性とアクセシビリティを向上させる現代的で構造化されたアプローチを提供し、現場での厳密に文書化された前処理ワークフローの継続的なニーズを満たします。

PIPEMAT-RSパイプラインは、脳波研究で一般的に採用されている確立された前処理ステップに従いますが、科学論文の形での文書化は、文献の重要なギャップを埋めます。多くの脳波研究は、同様の前処理方法に依存していますが、多くの場合、完全な再現性と他の研究者による採用の容易さを可能にする包括的なステップバイステップの説明が欠けています。この作業は、PIPEMAT-RSの各コンポーネントを詳細に説明し、安静時EEG分析の標準化されたシーケンスを提示することにより、透明性を高め、ユーザーのばらつきを最小限に抑え、研究間で適用可能な複製可能なフレームワークを提供することを目的としています。この寄稿は、新しい方法を紹介するのではなく、前処理の実践を標準化し、幅広い脳波研究者、特に安静時データを扱う研究者のアクセシビリティを向上させるのに役立つ教育的および実践的なガイドとして機能することを目的としています。

脳波データの前処理は、その後の分析の品質と信頼性に大きく影響する重要なステップです。Preprocessing Integrated Pipeline for Resting-State EEG using MATLAB(PIPEMAT-RS)は、さまざまなデータセットに適用可能な包括的で標準化されたアプローチを提供することで、EEGデータの前処理における一般的な課題に対処するために開発されました。この構造化された編集可能なパイプラインは、次の 7 つの主要なステップで構成されています。ii)EEGモンタージュ;iii)ダウンサンプリングとフィルタリング。iv)アーティファクトの拒否と再参照。v) 独立成分分析 (ICA)vi) ICLabel分類vii) データの正規化。各ステップは、信号品質を向上させ、生のEEGデータから意味のある情報を抽出するのを容易にするために細心の注意を払って設計されています。

PIPEMAT-RSの重要な特徴は、各前処理ステップがデータセットを個別のファイル名で保存することで終了することです。この構造により、処理されたファイルごとに、各特定のステップに対応する派生バージョンが生成されます。この体系的なアプローチにより、ユーザーは7ステップの前処理パイプライン内の任意のポイントでデータにアクセスできます。保存されたファイルには、前処理の段階を明確に示す識別子が含まれているため、ワークフロー全体でのデータの追跡と管理が容易になります。

PIPEMAT-RSは、生のEEGデータファイルをMATLAB互換形式に変換するファイル形式変換から始まります。この変換は、MATLAB の堅牢な計算環境でデータをシームレスに処理するために不可欠です。これに続いて、EEGモンタージュステップは、標準化された電極配置システムに基づいて、頭皮上の各電極に正確な空間位置を割り当てます。この空間情報は、神経生理学的研究における脳波データの正確な解釈にとって非常に重要です。

次に、パイプラインはダウンサンプリングとフィルタリングを適用して、神経生理学的研究に関連する周波数成分を保持しながら、データのサンプリングレートを下げ、ノイズを排除します。ダウンサンプリングにより、データ品質を損なうことなく、計算負荷とストレージ要件が軽減されます。フィルタリングは、アーティファクトに関連することが知られている特定の周波数成分を除去し、それによって重要な神経信号を保持します。

その後、アーティファクトの拒否と再参照が実行されます。この手順では、まばたき、筋肉活動、電極の動きなどのノイズ源によって汚染されたデータのセグメントを特定して削除します。自動アーティファクト除去アルゴリズムは、手動介入を最小限に抑えるために利用され、人為的ミスの可能性を減らし、前処理の効率を向上させます。データをすべての電極の平均値に再参照することで、単一の電極の影響を軽減し、EEG信号の安定した参照を提供します。

独立成分分析(ICA)ステップでは、混合信号を独立したソースに分離することで、データをさらに絞り込みます。この分解により、まばたき、筋肉のアーチファクト、ラインノイズなどのアーチファクトの特定と除去が容易になります。ICAは、残りのデータが根底にある神経活動を正確に反映することを保証する強力な手法です。

最後に、ICLabel 分類を適用して、アーティファクトとして分類されたコンポーネントを自動的に識別して削除します。ICLabelは、脳活動、筋肉活動、まばたき、心拍、ラインノイズ、またはチャネルノイズとして分類する、独立したコンポーネントに確率的ラベルを割り当てます。脳の活動を表す可能性が高いコンポーネントは保持され、アーティファクトとして識別されたコンポーネントは削除されます。この自動化されたアプローチにより、手作業が大幅に削減され、データセット間で一貫性のある客観的な分類が保証されます。

これらの各前処理ステップは、EEGデータの品質を向上させるために不可欠です。前処理ワークフローを標準化することにより、PIPEMAT-RSはさまざまな前処理方法によってもたらされるばらつきを最小限に抑え、研究間での結果の比較を容易にします。このパイプラインは、神経科学コミュニティで広く使用されているプラットフォームである MATLAB に実装されているため、既存の研究ワークフローへのアクセシビリティと容易な統合が保証されます。

PIPEMAT-RSの開発は、以前の研究で検証された方法と技術を取り入れて、EEGデータ分析で一般的に採用されている手法によって導かれました。各ステップは、データ品質の向上に効果があることを確認するために、慎重に設計され、厳密にテストされています(図1)。この包括的なアプローチは、脳波データの信頼性を向上させるだけでなく、さまざまな神経学的および精神医学的状態を理解するために重要な神経生理学的マーカーの特定もサポートします。

プロトコル

PIPEMAT-RSは、サンパウロ大学医学部クリニック病院の倫理委員会(CAAE:86832518.7.0000.0068)によって承認された、進行中の研究プロジェクトの一部として開発されました。このプロジェクトは、さまざまな神経学的および精神医学的研究のための安静時脳波データの品質と信頼性を向上させることを目的としています。この研究で使用されたデータは、Simis et al. (2021)³¹によって以前に発表されたプロトコルであるコホート研究から得られたものである。主な研究はまだ進行中であり、残りの臨床グループについてはデータ収集が進行中です。パイプラインのスクリプトは、 補足ファイル 1 で提供されています。

1. ファイル形式の変換

1. データディレクトリを準備します。
   1. MATLAB を開き、生の EEG データ ファイルを含むディレクトリに移動します。
   2. パスを定義する using pathname = 'C:\\Path\\To\\RawData\\'; name_subj_raw = {'subject1', 'subject2', ...}; の件名をリストします。
   3. データセットがすでに .mat 形式の場合は、この手順をスキップしてEEGモンタージュに進みます。
2. ファイルを変換します。
   1. ファイル タイプに適した MATLAB 関数を使用して、各生データ ファイルを読み込みます。たとえば、.mat ファイルや、pop_biosig (.edf、.bdf) や pop_fileio (さまざまな独自形式) などのファイル固有の EEGLAB 関数には load を使用します。
      注:ユーザーは、生のEEGファイルの形式に基づいてこの手順を調整し、追加のファイルサポートについては EEGLABの ドキュメントを参照する必要があります。
   2. 各ファイルを .mat 形式で保存し、データの整合性を確保し、関連するすべてのメタデータを保持します。

2. 脳波モンタージュ

1. EEGデータをロードします。
   1. MATLAB を開き、.mat ファイルがあるディレクトリに移動します。
   2. EEGLABツールボックスのpop_loadset機能を使用して、各被験者のEEGデータセットを読み込みます(例:EEG = pop_loadset('filename.set');)。
2. 電極の位置を適用します。
   1. 適切な電極位置を確認してください file EEGキャップ構成に対応するファイル( 例:EEGSystem_128.loc)が利用可能である。
   2. pop_chanedit機能を使用して、電極の位置を適用します。例えば：
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'});
   3. EEGLABのGUIでチャネルレイアウトを見直し、電極位置が正しくロードされていることを目視で確認します。
3. データセットを保存します。
   1. pop_saveset関数(例:pop_saveset(EEG, 'filename', 'subject1_loc.set'))を使用して、更新した脳波データセットを保存します。

3. ダウンサンプリングとフィルタリング

1. EEGデータをダウンサンプリングします。
   1. pop_resample機能(オプション)を使用して、EEGデータのサンプリングレートを250Hzに下げます。
      注: pop_resample 機能は、ダウンサンプリングの前に適切なローパスアンチエイリアシングフィルターを自動的に適用します。このステップにより、リサンプリングの前に高周波成分が減衰し、エイリアシングアーチファクトが防止され、EEG信号の品質が維持されます。
2. バンドパスフィルタリングを適用します。
   1. pop_basicfilter 関数を使用して、バターワース設計とフィルター次数 2 の 1 Hz から 50 Hz までのバンドパス フィルターをチャネル 1 から 64 に適用します。
   2. ゼロ位相の順方向および逆方向のフィルタリングを使用して、位相の歪みを防ぎます。
3. ノッチフィルタリングを適用します(オプション)。
   1. 「PMnotch」設計とフィルター次数180のpop_basicfilterを使用して、50Hzまたは60Hzのノッチフィルターをチャネル1〜64に適用します。
      注:この手順はオプションであり、30 Hzを超える振動活動(ガンマバンドなど)を分析するときに使用する必要があります。このような場合、研究者はバンドパスフィルタの上限(たとえば、最大80Hzまたは100Hz)を増やすことがあり、ノッチフィルタは電力線干渉を排除するために重要になります。このコマンドは、便宜上パイプラインで提供されており、地域の電気周波数(50Hzや60Hzなど)に応じて簡単に調整できます。

4. アーティファクトの除去と再参照

1. 自動アーティファクト拒否を実行します。
   1. パラメーター (5、[-1]、0.7、-1、8、0.85) で clean_rawdata 関数を使用すると、フラットライン チャネル、ノイズの多いセグメント、低周波ドリフトを自動的に検出して除去できます。これらのパラメータは、それぞれ以下に対応します。
      FlatlineCriterion (5): チャネルを 5 秒以上フラットに削除します。
      ChannelCriterion ([-1]): チャネル相関ベースの拒否を無効にします。
      LineNoiseCriterion (0.7): このしきい値を超える過剰なライン ノイズを持つチャネルを削除します。
      ハイパス(-1):クリーニング中に追加のハイパスフィルタリングを無効にします。
      BurstCriterion (8): 8 標準偏差を超えるデータ バーストを削除します。
      WindowCriterion (0.85): ウィンドウ内のデータの 85% がクリーンであることが、それを保持するために必要です。
      注:ユーザーは、データセットの特性に応じてこれらの値を調整できます。たとえば、BurstCriterion を小さくすると、アーティファクトの拒否がより積極的になり、WindowCriterion を小さくすると、ノイズの多いデータ ウィンドウの許容範囲が増加します。
2. 手動アーティファクト検査を実行します(オプション)。
   1. 必要に応じて、EEGLABのeegplotを使用してEEGデータを視覚的に検査し、自動方法で検出されない残留アーティファクトを特定します。
   2. 残りのアーティファクトを手動でマークして削除し、高いデータ品質を確保します。
      注:この手順はオプションであり、非標準のノイズパターンを示すデータセットを処理する場合、または自動化された手順を超えてより高い精度が必要な場合に主に推奨されます。
3. データを再参照します。
   1. pop_reref機能を使用して、EEG信号をすべての電極の平均に再参照し、元の参照電極がデータセットに保持されるようにします。
      注:このパイプラインでは、元の参照電極を再構築せずに、使用可能なチャネルを使用して平均再参照が実行されます。ただし、ランクの一貫性と主題間の比較可能性の向上を目指すユーザーは、再参照する前に、元の参照電極(Czなど)をゼロ値の時系列として一時的に再挿入することを検討することができます。これにより、参照が平均計算に寄与できます。その後、ICAを実行する前に、ランクの不足を避けるために、追加されたチャネルを削除できます。このプロセスは、RELAX パイプラインの RELAX_average_rereference.m 関数で例示されており、参照する前にすべてのチャネルを補間することも含まれます。PIPEMAT-RSは、明瞭さとアクセシビリティのために簡略化されたバージョンを維持していますが、ユーザーは分析の目標に応じて必要に応じてこの手順を適応させることをお勧めします。

5. 独立成分分析(ICA)

1. 前処理された脳波データを読み込みます。
   1. pop_loadset 関数を使用して、接尾辞 _loc_filt_cleanraw_reref.set を付けてファイルを読み込みます。
2. ICA を実行します。
   1. pop_runica関数とrunicaアルゴリズムを使用してICAを実行し、データを独立したコンポーネントに分解します。「runica」アルゴリズムは、Infomaxのアプローチに基づいており、コンポーネントの統計的独立性を最大化し、EEGの前処理に広く使用されています。
      注:より高速なICA計算を求めるユーザーの場合は、関数呼び出しでicatype、picardを指定することにより、picardなどの代替アルゴリズムを使用できます。これらの代替手段は同等のパフォーマンスを提供し、計算時間を短縮できる可能性があります。
3. ICA データセットを保存します。
   1. データセットを接尾辞 _loc_filt_cleanraw_reref_ICA を付けて保存し、ICA が実行されたことを示すために pop_saveset を使用します。

6. ICLabelの分類

1. ICAデータセットを読み込みます。
   1. pop_loadset機能を使用して、ICAコンポーネントを含むデータセットをインポートし ます 。
2. ICLabel 分類を適用します。
   1. 既定のモデルで関数 (pop_iclabel) を実行して、独立したコンポーネントをブレイン カテゴリとアーティファクト カテゴリに分類します。
   2. 脳活動を表す確率が 0.7 を超える成分を特定します。
3. アーティファクトコンポーネントを削除します。
   1. pop_subcomp 関数を使用して、ICLabel の脳の確率が 0.7 未満のすべてのコンポーネントを削除します。
   2. 脳活動確率が0.7を超える成分のみを保持します。0.7の閾値は、アーティファクトの効果的な除去を確保しながら、本物の神経信号を保持する必要性のバランスを取ります。
4. クリーニングしたデータセットを保存します。
   1. クリーニングされたデータセットを、アーティファクト コンポーネントの削除を示すために pop_saveset を使用してサフィックス _loc_filt_cleanraw_reref_ICA_Cleaned を付けて保存します。

7. データの正規化

1. クリーニングされた脳波データをロードします。
   1. アーティファクトのないICAコンポーネントを含むデータセットを 、pop_loadset 機能を使用してインポートします。
2. Zスコアの正規化を適用します。
   1. 各チャネルの (x - mean(x)) / std(x) を個別に計算することにより、Z スコア変換を使用して各 EEG チャネルを正規化します。
      注: Z スコアの正規化はオプションであり、研究の分析目標に基づいて適用する必要があります。これにより、被験者間のばらつきが減少し、グループレベルの比較のためにデータが標準化されますが、地形的な区別が弱まり、チャネル間の意味のある振幅の違いが解消される可能性もあります。生の信号の大きさや空間分布の保存に関心のある研究者は、このステップをスキップすることをお勧めします。
3. 最終的なデータセットを保存します。
   1. 完全に前処理され、正規化されたデータセットを、前処理の完了を示すサフィックス _loc_filt_cleanraw_reref_ICA_Normalized using pop_saveset を付けて保存します。

結果

EEG前処理パイプラインの検証は、意味のある神経生理学的データの抽出に採用された方法の信頼性と有効性を確保するために不可欠です。このプロセスには、発表された研究からの経験的証拠、統計的評価、およびその分野で確立されたベンチマークとの比較が含まれます。

PIPEMAT-RSの堅牢性と有用性は、さまざまな神経学的および精神医学的状態にわたるいくつかの公開された研究での成功的な適用を通じて実証されています。例えば、脳卒中患者における脳波バイオマーカーの調査では、不適応運動機能、抑うつプロファイル、および特定の脳波マーカーとの間に有意な相関関係が見出され、信号品質を向上させ、有意義なデータ分析を促進する前処理ステップの有効性が検証された³²。同様に、脳卒中患者における脳補償の神経シグネチャの分析により、脳卒中後の脳の適応メカニズムに関する重要な洞察が明らかになり、複雑なデータセットを処理し、信頼性の高い結果を生成するPIPEMAT-RSの能力が実証されました²⁸。線維筋痛症患者における神経適応と...

ディスカッション

PIPEMAT-RSパイプラインは、安静時EEGデータを前処理するための標準化された効率的な方法を提供するために開発されました。このプロトコルの重要なステップには、アーティファクト除去と独立成分分析(ICA)が含まれ、どちらも信号対雑音比を大幅に向上させ、意味のある神経信号の抽出を確実にします。clean_rawdata機能を使用した自動アーチファクト除去とeegplotによる手動検査の組み合わせにより、効率と精度のバランスを取りながら、包括的なアーチファクト管理を実現します。独立したコンポーネントの自動分類にICLabelを適用すると、データがさらに洗練され、手作業の作業負荷が削減されると同時に、人間による専門家によるラベリング³²と一致する高い分類精度(91%)が維持されます。

データセットの特性によっては、プロトコルの変更が必要になる場合があります。たとえば、パイプラインは安静時の脳波データ用に設計されていますが、研究者は、タスクベースの脳波記録や異なるサンプリ...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
マトラブ	MathWorks	R2020a 以降	PIPEMAT-RS スクリプトを実行するために必要です。
脳波記録システム	Brain Products	https://www.brainproducts.com/	データ収集に使用される脳波取得システム。その他のブランド BioSemi / ANT Neuro (または同等品)   が含まれます。
EEGLAB ツールボックス	Swartz Center for Computational Neuroscience	N/A	EEG 解析用のオープンソース MATLAB ツールボックス。
電極(Ag / AgCl)	Brain Products	https://www.brainproducts.com/solutions/r-net/	脳波データの取得に使用されます。その他のブランド BioSemi / ANT Neuro (または同等品)   が含まれます。
ICLabel プラグイン	Swartz Center for Computational Neuroscience	N/A	EEG 用の自動アーティファクト分類ツール。
PIPEMAT-RS スクリプト	N/A	N/A	標準化された EEG 前処理用のカスタム MATLAB スクリプト。
信号増幅器	ブレイン製品	https://www.brainproducts.com/solutions/#amplifiers	処理のために脳波信号を増幅します。その他のブランド BioSemi / ANT Neuro (または同等品)   が含まれます。
標準64チャンネル脳波キャップ	製品	https://www.brainproducts.com/solutions/#electrodes-caps	脳波記録用電極キャップ。その他のブランド BioSemi / ANT Neuro (または同等品)   が含まれます。