$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Het elektro-encefalogram (EEG) is een cruciaal hulpmiddel in zowel neurowetenschappelijk onderzoek als de klinische praktijk en biedt waardevolle inzichten in de elektrische activiteit van de hersenen. Met name EEG-gegevens in rusttoestand worden op grote schaal gebruikt om verschillende neurologische en psychiatrische aandoeningen te onderzoeken, zoals beroerte, fibromyalgie en chronische neuropathische pijn. Ondanks de wijdverbreide toepassing ervan, vereist de analyse van EEG-gegevens een rigoureuze voorbewerking om artefacten en ruis te elimineren, waardoor de integriteit en betrouwbaarheid van de resultaten worden gewaarborgd 1,2,3. In de loop der jaren is EEG van onschatbare waarde geweest bij het leveren van niet-invasieve metingen met een hoge temporele resolutie van hersenactiviteit, waardoor het onmisbaar is voor het bestuderen van de dynamische processen van de hersenen 4,5. De ruwe EEG-signalen worden echter vaak vervuild door een verscheidenheid aan ruisbronnen die de neurale signalen van belang kunnen verdoezelen, waardoor de interpretatie van de gegevens wordt bemoeilijkt6.
EEG-signalen zijn zeer gevoelig voor besmetting door bronnen zoals spieractiviteit, oogbewegingen en elektrische interferentie7. Deze artefacten kunnen neurale signalen verdoezelen, waardoor voorverwerking een cruciale stap is in EEG-analyse. Dit proces omvat doorgaans meerdere fasen: conversie van bestandsformaten, downsampling, filtering, afwijzing van artefacten, onafhankelijke componentenanalyse (ICA) en uitsluiting van ruisgerelateerde componenten 8,9. Elke stap draagt bij aan het verbeteren van de signaalkwaliteit en zorgt ervoor dat de gegevens de neurale activiteit nauwkeurig weergeven10. De complexiteit van deze processen vereist het gebruik van geavanceerde algoritmen en softwaretools om ervoor te zorgen dat de voorverwerking zowel efficiënt als effectief is11.
Een van de belangrijkste uitdagingen bij de voorverwerking van EEG-gegevens is de variabiliteit in de gegevens, die aanzienlijk kan verschillen tussen proefpersonen en opnamesessies10,12. Deze variabiliteit ontstaat als gevolg van verschillen in de fysiologische en anatomische kenmerken van de proefpersonen, evenals variaties in de experimentele omstandigheden en de gebruikte apparatuur. Bovendien kan het ontbreken van gestandaardiseerde voorverwerkingsprotocollen leiden tot inconsistenties in gegevensanalyse en -interpretatie13,14. Hoewel er verschillende pijplijnen en voorverwerkingsscripts beschikbaar zijn, zijn veel ervan ofwel afgestemd op specifieke datasets of ontbreken ze uitgebreide documentatie, waardoor ze minder toegankelijk zijn voor de bredere onderzoeksgemeenschap14. Platforms zoals GitHub hosten tal van EEG-voorverwerkingsscripts en plug-ins, waardoor het delen en gezamenlijk verbeteren van deze tools wordt vergemakkelijkt15. De gefragmenteerde aard van deze bronnen onderstreept echter de noodzaak van een robuuste, efficiënte en gestandaardiseerde bewerkbare voorverwerkingspijplijn die breed kan worden toegepast op verschillende datasets en onderzoekscontexten16. Een dergelijke pijplijn zou niet alleen de reproduceerbaarheid van EEG-studies verbeteren, maar ook een basis bieden waarop de onderzoeksgemeenschap kan voortbouwen en zich kan aanpassen aan specifieke behoeften17.
Naast EEGLAB, dat de basis vormt van PIPEMAT-RS vanwege het uitgebreide gebruikersbestand en de integratie met MATLAB, worden ook andere EEG-verwerkingstoolboxen veel gebruikt in het veld. MNE-Python is bijvoorbeeld een open-source Python-gebaseerd platform dat geavanceerde functionaliteiten biedt voor bronlokalisatie, sensorruimte-analyses en integratie met machine learning-workflows. FieldTrip, een op MATLAB gebaseerde toolbox zoals EEGLAB, staat bekend om zijn flexibele scriptomgeving en uitgebreide ondersteuning voor tijdfrequentie- en connectiviteitsanalyses. Hoewel deze platforms krachtige alternatieven bieden, vereisen ze doorgaans steilere leercurves en meer geavanceerde programmeervaardigheden. PIPEMAT-RS is ontworpen om een brug te slaan tussen toegankelijkheid en transparantie, vooral voor onderzoekers die op zoek zijn naar een bewerkbare en modulaire oplossing voor EEG-voorverwerking in rusttoestand met behulp van EEGLAB. Desalniettemin kan de conceptuele structuur van PIPEMAT-RS indien nodig worden aangepast aan andere toolboxen, waardoor interoperabiliteit en maatwerk in verschillende softwareomgevingen worden bevorderd.
In de afgelopen jaren zijn verschillende geautomatiseerde EEG-voorverwerkingspijplijnen ontwikkeld, zoals RELAX18, Automagic19, APP20 en PREP7. Deze pijplijnen bevatten geavanceerde algoritmen voor het verwijderen van artefacten en het opschonen van gegevens, waarbij vaak gebruik wordt gemaakt van op ICA gebaseerde strategieën met beperkte transparantie of aanpassing voor niet-deskundige gebruikers. RELAX introduceert bijvoorbeeld een ICA-reinigingsmethode in meerdere stappen die de afwijzing van artefacten verbetert, maar vertrouwt op complexe configuraties die mogelijk niet gemakkelijk kunnen worden gewijzigd21. PIPEMAT-RS daarentegen is ontworpen om een flexibel, transparant en educatief toegankelijk alternatief te bieden, waardoor onderzoekers elke voorbewerkingsstap kunnen begrijpen en handmatig kunnen aanpassen. Dankzij deze transparantie kan PIPEMAT-RS worden gebruikt als zowel een onderzoeks- als een onderwijsinstrument met behoud van nauwkeurigheid en reproduceerbaarheid. Bovendien legt PIPEMAT-RS de nadruk op documentatie, modulaire uitvoering en aanpasbaarheid in datasets - functies die vaak ondergerapporteerd of afwezig zijn in andere pijplijnen.
Economisch gezien kan de ontwikkeling en implementatie van een gestandaardiseerde bewerkbare voorverwerkingspijplijn voor EEG-gegevens aanzienlijke gevolgen hebben. De wereldwijde markt voor EEG-apparaten werd in 2020 gewaardeerd op ongeveer 1,2 miljard dollar en zal naar verwachting groeien met een samengesteld jaarlijks groeipercentage (CAGR) van 7,5% van 2021 tot 202822. Efficiënte voorverwerkingspijplijnen, met name die welke bewerkbaar en modulair zijn, kunnen de tijd en kosten verminderen die gepaard gaan met gegevensanalyse - een belangrijke overweging bij grootschalige klinische onderzoeken en volksgezondheidsonderzoek. Door menselijke fouten te minimaliseren en repetitieve taken te automatiseren, kunnen dergelijke pijplijnen de nauwkeurigheid van EEG-gegevensanalyse verbeteren en leiden tot betrouwbaardere onderzoeksresultaten13. Dit kan op zijn beurt de ontwikkeling van nieuwe diagnostische hulpmiddelen en therapeutische interventies versnellen, waardoor de zorgkosten mogelijk worden verlaagd en de patiëntresultaten worden verbeterd1.
Dit artikel heeft tot doel een gestandaardiseerde bewerkbare Preprocessing Integrated Pipeline voor EEG in rusttoestand te presenteren en te valideren met behulp van MATLAB (PIPEMAT-RS). Deze bewerkbare pijplijn is ontworpen om zowel robuust als efficiënt te zijn, is veelzijdig en kan op grote schaal worden toegepast op verschillende datasets en onderzoeksscenario's. De zeven uitgebreide stappen omvatten conversie van bestandsformaten, downsampling, filtering, afwijzing van artefacten, onafhankelijke componentenanalyse (ICA) en uitsluiting van ruisgerelateerde componenten, allemaal geïntegreerd in een samenhangende workflow23,24. De ontwikkeling van PIPEMAT-RS werd geleid door de noodzaak om veelvoorkomende uitdagingen op het gebied van EEG-voorverwerking aan te pakken en een tool te bieden die onderzoekers kunnen gebruiken om hun gegevensanalyseprocessen te stroomlijnen25. Door te integreren met algemeen aanvaarde praktijken in het veld en gebruik te maken van de mogelijkheden van MATLAB, wil PIPEMAT-RS een betrouwbaar, bewerkbaar en gebruiksvriendelijk kader bieden ter ondersteuning van EEG-gegevensvoorverwerking26.
Om de effectiviteit van PIPEMAT-RS te valideren, hebben we het in verschillende onderzoeken toegepast. In één onderzoek werd PIPEMAT-RS gebruikt om EEG-biomarkers te onderzoeken bij patiënten met een beroerte, waarbij significante correlaties werden geïdentificeerd tussen onaangepaste motorische functie en depressieve profielen27. Een andere studie paste PIPEMAT-RS toe om neurale handtekeningen van hersencompensatie bij patiënten met een beroerte te analyseren met behulp van EEG en TMS, en onthulde kritische inzichten in de adaptieve mechanismen van de hersenen na een beroerte28. Verdere validatie komt uit een studie die de neurale aanpassingen en compensaties bij fibromyalgiepatiënten onderzocht29. Bovendien toonde een andere studie aan hoe delta- en theta-banden in EEG in rusttoestand dienen als compensatiemechanismen bij chronische neuropathische pijn30.
Deze studies benadrukken samen het nut van PIPEMAT-RS bij het verwerken en analyseren van EEG-gegevens, waarbij de werkzaamheid ervan in verschillende omstandigheden en toepassingen wordt vastgesteld. Door een gestandaardiseerde aanpak te bieden, verbetert deze pijplijn niet alleen de reproduceerbaarheid van EEG-studies, maar vergemakkelijkt het ook de bredere acceptatie van consistente voorbewerkingsmethoden in de onderzoeksgemeenschap. Met dit artikel willen we een waardevolle bron bijdragen aan het veld en een nauwkeurigere en betrouwbaardere EEG-gegevensanalyse bevorderen16,17. Op deze manier hopen we de vooruitgang van het onderzoek in de neurofysiologie en de ontwikkeling van nieuwe therapeutische benaderingen voor neurologische en psychiatrische aandoeningen te ondersteunen.
De fundamentele voorbewerkingsstappen die in PIPEMAT-RS worden gebruikt, zijn geworteld in robuuste, breed gevalideerde methoden die essentieel zijn geworden in EEG-onderzoek om de kwaliteit en reproduceerbaarheid van gegevens te waarborgen 2,8,14. Hoewel deze methodologieën goed ingeburgerd zijn, blijven ze cruciaal vanwege hun effectiviteit bij het aanpakken van veelvoorkomende EEG-artefacten en ruis, wat betrouwbare analyses in verschillende onderzoeken blijft ondersteunen. Er zijn echter maar weinig studies die recentelijk een volledig gedocumenteerde, gestandaardiseerde pijplijn hebben opgeleverd die is afgestemd op EEG in rusttoestand. Door deze bewezen technieken te integreren met recente ontwikkelingen, zoals ICLabel voor geautomatiseerde artefactclassificatie, levert PIPEMAT-RS een eigentijdse, gestructureerde aanpak die de repliceerbaarheid en toegankelijkheid voor onderzoekers verbetert, en voldoet aan een voortdurende behoefte aan rigoureus gedocumenteerde voorverwerkingsworkflows in het veld.
Hoewel de PIPEMAT-RS-pijplijn gevestigde voorbewerkingsstappen volgt die vaak worden gebruikt in EEG-studies, vult de documentatie in de vorm van een wetenschappelijk artikel een belangrijke leemte in de literatuur. Veel EEG-onderzoeken zijn gebaseerd op vergelijkbare voorbewerkingsmethoden, maar missen vaak een uitgebreide, stapsgewijze beschrijving die volledige reproduceerbaarheid en gemakkelijke acceptatie door andere onderzoekers mogelijk maakt. Door elk onderdeel van PIPEMAT-RS in detail te beschrijven en een gestandaardiseerde sequentie te presenteren voor EEG-analyse in rusttoestand, heeft dit werk tot doel de transparantie te vergroten, de variabiliteit van de gebruiker te minimaliseren en een repliceerbaar kader te bieden dat in alle onderzoeken kan worden toegepast. In plaats van nieuwe methoden te introduceren, is deze bijdrage bedoeld als een educatieve en praktische gids die helpt bij het standaardiseren van voorverwerkingspraktijken en het verbeteren van de toegankelijkheid voor een breed scala aan EEG-onderzoekers, met name degenen die werken met gegevens in rusttoestand.
De voorverwerking van EEG-gegevens is een cruciale stap die de kwaliteit en betrouwbaarheid van daaropvolgende analyses aanzienlijk beïnvloedt. De Preprocessing Integrated Pipeline for Resting-State EEG met behulp van MATLAB (PIPEMAT-RS) is ontwikkeld om veelvoorkomende uitdagingen in de voorverwerking van EEG-gegevens aan te pakken door een uitgebreide, gestandaardiseerde aanpak te bieden die van toepassing is op verschillende datasets. Deze gestructureerde, bewerkbare pijplijn bestaat uit zeven belangrijke stappen: i) conversie van bestandsindelingen; ii) EEG-montage; iii) Downsampling en filtering; iv) Afwijzing en herverwijzing van artefacten; v) Onafhankelijke componentenanalyse (ICA); vi) ICLabel-classificatie; vii) Normalisatie van gegevens. Elke stap is zorgvuldig ontworpen om de signaalkwaliteit te verbeteren en de extractie van zinvolle informatie uit onbewerkte EEG-gegevens te vergemakkelijken.
Een cruciaal kenmerk van PIPEMAT-RS is dat elke voorverwerkingsstap wordt afgesloten met het opslaan van de dataset onder een aparte bestandsnaam. Deze structuur zorgt ervoor dat voor elk verwerkt bestand een afgeleide versie wordt gegenereerd die overeenkomt met elke specifieke stap. Deze systematische aanpak stelt gebruikers in staat om op elk punt binnen de zevenstappenpijplijn voor voorverwerking toegang te krijgen tot gegevens. De opgeslagen bestanden bevatten ID's die duidelijk de fase van de voorverwerking aangeven, waardoor het gemakkelijker wordt om gegevens tijdens de workflow te volgen en te beheren.
PIPEMAT-RS begint met de conversie van bestandsformaten, waarbij ruwe EEG-gegevensbestanden worden omgezet in een MATLAB-compatibel formaat. Deze conversie is essentieel voor de naadloze verwerking van gegevens in de robuuste rekenomgeving van MATLAB. Hierna wijst de EEG-montagestap nauwkeurige ruimtelijke locaties toe aan elke elektrode op de hoofdhuid op basis van gestandaardiseerde elektrodeplaatsingssystemen. Deze ruimtelijke informatie is cruciaal voor de nauwkeurige interpretatie van EEG-gegevens in neurofysiologische studies.
Vervolgens past de pijplijn downsampling en filtering toe om de bemonsteringsfrequentie van de gegevens te verminderen en ruis te elimineren, terwijl de frequentiecomponenten die relevant zijn voor neurofysiologisch onderzoek behouden blijven. Downsampling vermindert de rekenbelasting en opslagvereisten zonder afbreuk te doen aan de gegevenskwaliteit. Filteren verwijdert specifieke frequentiecomponenten waarvan bekend is dat ze verband houden met artefacten, waardoor de essentiële neurale signalen behouden blijven.
Vervolgens worden artefactafwijzing en herreferencing uitgevoerd. Deze stap identificeert en verwijdert gegevenssegmenten die zijn verontreinigd door geluidsbronnen, zoals knipperende ogen, spieractiviteit en elektrodebewegingen. Algoritmen voor het automatisch afwijzen van artefacten worden gebruikt om handmatige interventie te minimaliseren, waardoor de kans op menselijke fouten wordt verkleind en de efficiëntie van de voorverwerking wordt verhoogd. Het opnieuw verwijzen van de gegevens naar het gemiddelde van alle elektroden helpt de invloed van een enkele elektrode te verminderen en biedt een stabiele referentie voor de EEG-signalen.
De stap Independent Component Analysis (ICA) verfijnt de gegevens verder door gemengde signalen te scheiden in hun onafhankelijke bronnen. Deze ontbinding vergemakkelijkt de identificatie en verwijdering van artefacten zoals oogknipperingen, spierartefacten en lijnruis. ICA is een krachtige techniek die ervoor zorgt dat de resterende gegevens de onderliggende neurale activiteit nauwkeurig weergeven.
Ten slotte wordt ICLabel-classificatie toegepast om componenten die als artefacten zijn geclassificeerd automatisch te identificeren en te verwijderen. ICLabel kent probabilistische labels toe aan onafhankelijke componenten en categoriseert ze als hersenactiviteit, spieractiviteit, oogknipperingen, hartslagen, lijnruis of kanaalruis. Componenten met een hoge waarschijnlijkheid om hersenactiviteit te vertegenwoordigen, blijven behouden, terwijl componenten die als artefacten zijn geïdentificeerd, worden verwijderd. Deze geautomatiseerde aanpak vermindert de handmatige inspanning aanzienlijk en zorgt voor een consistente en objectieve classificatie van alle datasets.
Elk van deze voorbewerkingsstappen is essentieel voor het verbeteren van de kwaliteit van EEG-gegevens. Door de voorverwerkingsworkflow te standaardiseren, minimaliseert PIPEMAT-RS de variabiliteit die wordt geïntroduceerd door verschillende voorverwerkingsmethoden, waardoor de vergelijking van de resultaten in verschillende onderzoeken wordt vergemakkelijkt. De implementatie van de pijplijn in MATLAB, een veelgebruikt platform in de neurowetenschappelijke gemeenschap, zorgt voor toegankelijkheid en gemakkelijke integratie in bestaande onderzoeksworkflows.
De ontwikkeling van PIPEMAT-RS werd geleid door algemeen aanvaarde praktijken in EEG-gegevensanalyse, waarbij methoden en technieken werden gebruikt die in eerder onderzoek zijn gevalideerd. Elke stap is zorgvuldig ontworpen en grondig getest om de effectiviteit ervan bij het verbeteren van de gegevenskwaliteit te garanderen (Figuur 1). Deze alomvattende benadering verbetert niet alleen de betrouwbaarheid van EEG-gegevens, maar ondersteunt ook de identificatie van neurofysiologische markers die cruciaal zijn voor het begrijpen van verschillende neurologische en psychiatrische aandoeningen.