PIPEMAT-RS: Ontwikkeling en validatie van een gestandaardiseerde MATLAB-pijplijn voor EEG-voorverwerking in rusttoestand
6 juni 2025
Dit protocol presenteert PIPEMAT-RS, een gestandaardiseerde MATLAB-gebaseerde voorverwerkingspijplijn voor EEG-gegevens in rusttoestand. Het zorgt voor de verwijdering van artefacten, verbetert de signaalkwaliteit en verbetert de reproduceerbaarheid van gegevens in verschillende onderzoeken. De pijplijn automatiseert belangrijke voorbewerkingsstappen, waaronder filtering, onafhankelijke componentenanalyse (ICA) en artefactclassificatie, waardoor consistente en betrouwbare EEG-analyse voo
We hebben een gestandaardiseerde EEG-voorverwerkingspijplijn ontwikkeld om de signaalkwaliteit te verbeteren, ruis te verminderen en consistent neurofysiologisch onderzoek te ondersteunen in diverse klinische en experimentele datasets. Recente pijplijnen zoals RELAX en Automagic bieden geautomatiseerde EEG-reiniging, maar missen vaak flexibiliteit of duidelijke documentatie voor onderzoekers en studenten die transparantie en consistentie van de resultaten nodig hebben. We gebruiken EEG-, Matlab-, EEG-lab en ICA-gebaseerde artefactafwijzing in combinatie met geautomatiseerde classificatoren, zoals ICLabel om de gegevenskwaliteit te verbeteren en voorverwerkingsworkflows te stroomlijnen. Het is gebleken dat PIPEMAT-RS de EEG-signaalkwaliteit verbetert, de SNR verhoogt en robuuste biomarkers ondersteunt bij onderzoeken naar beroertes, fibromyalgie en chronische pijn. Dit protocol pakt het gebrek aan een voorspelbare, goed gedocumenteerde en gestandaardiseerde pijplijn voor EEG in rusttoestand aan die zowel consistent als toegankelijk is voor onderzoekers over de hele wereld.
[Presentator] Open om te beginnen MATLAB en navigeer naar de map met de onbewerkte elektro-encefalogramgegevensbestanden. Definieer het mappad naar de onbewerkte gegevensbestanden en maak een lijst met de onderwerpen. Laad het onbewerkte gegevensbestand met behulp van de laadfunctie voor .mat-bestanden en sla elk bestand op in .mat-indeling, waarbij de gegevensintegriteit wordt gewaarborgd en alle relevante metadata behouden blijven. Open MATLAB en navigeer naar de map met de MATLAB-bestanden. Gebruik de pop-loadsetfunctie uit de EEG-labtoolbox om de EEG-dataset van elke proefpersoon te laden. Zorg ervoor dat het juiste elektrodelocatiebestand dat overeenkomt met de EEG-capconfiguratie beschikbaar is in de werkmap. Gebruik de pop_chanedit functie om de elektrodelocaties aan te brengen. Inspecteer de kanaallay-out visueel met behulp van de EEG labs GUI om de juiste posities van alle elektroden te bevestigen. Sla de bijgewerkte EEG-dataset op met behulp van de functie pop_saveset. Verlaag indien nodig de bemonsteringsfrequentie van de EEG-gegevens tot 250 hertz met behulp van de pop-resample-functie. Pas een banddoorlaatfilter toe van één hertz tot 50 hertz op kanalen één tot 128 met behulp van de pop basicfilter-functie met een Butterworth-ontwerp en filtervolgorde van twee. Gebruik nulfase voorwaartse en achterwaartse filtering om fasevervorming te voorkomen. Pas een notch-filter toe bij 50 of 60 hertz op de kanalen één tot en met 64 met behulp van een pop-basisfilter met het PM-notch-ontwerp en een filtervolgorde van 180. Gebruik voor de afwijzing van artefacten de functie voor het opschonen van onbewerkte gegevens met de gegeven parameters om automatisch flatline-kanalen, ruisende segmenten en laagfrequente drifts te detecteren en te verwijderen. Inspecteer de EEG-gegevens visueel met behulp van de EEG-plot van het EG-lab om eventuele resterende artefacten te identificeren die door de geautomatiseerde methode zijn gemist. Markeer en verwijder de resterende artefacten handmatig om een hoge gegevenskwaliteit te garanderen. Gebruik pop_reref om de EEG-signalen opnieuw te verwijzen naar het gemiddelde van alle elektroden, zodat de originele referentie-elektrode behouden blijft. Laad het bestand met het achtervoegsel loc_filt_cleanraw_reref.set met behulp van pop loadset. Voer onafhankelijke componentenanalyse of ICA uit met behulp van de pop runica-functie met het runica-algoritme om de EEG-gegevens te ontleden in onafhankelijke componenten. Sla de nieuwe gegevensset op met het achtervoegsel loc_filt_cleanraw_reref_ICA gebruik pop_saveset om aan te geven dat de ICA is voltooid. Importeer de ICA-gegevensset met behulp van pop-loadset. Voer de pop-ICA-labelfunctie uit met het standaardmodel om onafhankelijke componenten te classificeren in hersen- en artefactcategorieën. Identificeer alle componenten met een kans op hersenactiviteit van meer dan 0,7. Gebruik de pop-subcomp-functie om alle componenten te verwijderen met een IC-labelhersenkans van minder dan 0,7. Bewaar alleen componenten met een kans op hersenactiviteit van meer dan 0,7 om echte signalen te behouden en tegelijkertijd de effectieve verwijdering van artefacten te garanderen. Sla de schone gegevensset op met het achtervoegsel loc_filt_cleanraw_reref_ac_cleaned met behulp van pop_saveset. Importeer ten slotte de gegevensset met artefactvrije ICA-componenten met behulp van de pop-loadset-functie en sla de volledig voorbewerkte en genormaliseerde gegevensset op met het achtervoegsel loc_filt_cleanraw_reref_ICA_Normalized met behulp van pop_saveset. De begintoestand van de EEG-dataset voorafgaand aan elke voorbewerking, inclusief zowel de ruwe signaalsporen als de bijbehorende spectrale kenmerken, wordt in deze figuur geïllustreerd. De onbewerkte EEG-gegevens vertoonden hoge niveaus van ruis en onregelmatige signaalsporen over meerdere kanalen, waardoor de helderheid en interpreteerbaarheid in het gedrang kwamen. Handmatige opschoning van de EEG-gegevens verminderde signaalartefacten en verbeterde de uniformiteit van de golfvorm, maar sommige restruis en inconsistenties bleven zichtbaar. Gegevens die met PIPEMAT-RS werden verwerkt, vertoonden de schoonste EEG-golfvormen met een consistente signaalstructuur en minimale zichtbare artefacten in alle kanalen.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Dit artikel beschrijft in detail de ontwikkeling van PIPEMAT-RS, een op MATLAB gebaseerde preprocessing-pipeline die is ontworpen voor EEG-data in rusttoestand. De focus ligt op het verbeteren van de signaalkwaliteit en de reproduceerbaarheid van data via geautomatiseerde stappen zoals filtering en artefactclassificatie, met als doel consistente resultaten in neurofysiologisch onderzoek te ondersteunen.
Belangrijkste componenten van de studie
Wetenschapsgebied
- Neurowetenschappen
- Elektrofysiologie
- EEG-signaalverwerking
Achtergrond
- Bestaande EEG-pipelines missen vaak flexibiliteit en transparantie.
- PIPEMAT-RS verbetert de artifactclassificatie en signaalintegriteit.
- Voldoet aan de behoeften in zowel klinisch als experimenteel EEG-onderzoek.
Doel van de studie
- Om de EEG-preprocessing te standaardiseren voor een verbeterde consistentie van de gegevens.
- Om essentiële preprocessing-stappen te automatiseren en te documenteren.
- Om betrouwbare neurofysiologische analyses over verschillende studies heen te ondersteunen.
Gebruikte methoden
- MATLAB met EEG Lab werd gebruikt voor de gegevensverwerking.
- Verschillende filteringstechnieken, onafhankelijke componentanalyse (ICA) en geautomatiseerde classificeerders werden toegepast voor het verwijderen van artefacten.
- Belangrijke stappen omvatten de visuele inspectie van EEG-gegevens en het handmatig verwijderen van artefacten.
- De uiteindelijke gegevens worden opgeslagen in toegankelijke formaten om de reproduceerbaarheid te waarborgen.
Belangrijkste resultaten
- PIPEMAT-RS verbetert de kwaliteit van het EEG-signaal aanzienlijk en vermindert ruis.
- Er is ondersteuning vastgesteld voor robuuste biomarkers in studies met betrekking tot beroerte, fibromyalgie en chronische pijn.
- Handmatige en geautomatiseerde reiniging leidden tot duidelijkere en beter interpreteerbare EEG-datasets.
Conclusies
- De studie toont aan dat een gestandaardiseerde pipeline de consistentie van de EEG-gegevensverwerking aanzienlijk kan verbeteren.
- De overstap naar PIPEMAT-RS kan leiden tot betere onderzoeksresultaten in de neurofysiologie.
- De implicaties omvatten een verbeterd begrip van EEG-gerelateerde uitkomsten en neurofysiologische fenomenen.
Veelgestelde vragen
Relevantie voor de Industrie
Gestandaardiseerde EEG-preprocessing is essentieel voor het waarborgen van de data-integriteit en reproduceerbaarheid bij de ontdekking van neurofysiologische biomarkers. PIPEMAT-RS beantwoordt de behoefte aan transparante, geautomatiseerde workflows die menselijke bias minimaliseren en een robuuste signaalkwaliteit ondersteunen over diverse datasets heen. Deze functionaliteit versterkt translationeel onderzoek in een vroeg stadium en vermindert de risico's bij de daaropvolgende validatie van biomarkers en targets in de drug discovery voor het centrale zenuwstelsel (CNS).
Strategische Toepassingen in Biofarmaceutische R&D
Vroege ontdekking & targetvalidatie
- Maakt een strikte toetsing van neurofysiologische hypothesen mogelijk door variabiliteit veroorzaakt door artefacten te verminderen.
- Ondersteunt de functionele validatie van targets door verbeterde signaal-ruisverhoudingen in EEG-gebaseerde studies.
- Vergemakkelijkt het voorspellend vertrouwen bij de vroege identificatie van biomarkers voor neurologische en psychiatrische aandoeningen.
Screening & Assay-ontwikkeling
- Bereidt hoogwaardige EEG-datasets met minimale artefacten voor voor downstream kwantitatieve analyses en screeningsworkflows.
- Standaardiseert preprocessingsstappen om reproduceerbaarheid en vergelijkbaarheid tussen studies en platforms te waarborgen.
- Maakt schaalbare, geautomatiseerde datacleaning mogelijk die geschikt is voor grote cohorten of multicenterstudies.
Translationeel & Preklinisch Onderzoek
- Lijnt EEG-preprocessing uit met translationele biomarkerstrategieën door robuuste signaalextractie uit klinische en preklinische datasets te ondersteunen.
- Handhaaft continuïteit van ontdekking tot preklinische validatie door consistente standaarden voor datakwaliteit te bieden.
- Vermindert mechanistische ambiguïteit in ziekterelevante EEG-eindpunten, wat risicogecorrigeerde beslissingen over verdere ontwikkeling ondersteunt.
Integratie van Pipeline & Workflow
PIPEMAT-RS integreert in het continuüm van ontdekking tot preklinisch onderzoek door een gestandaardiseerde basis voor voorbewerking te bieden voor EEG-gebaseerde biomarker- en mechanistische studies.
- Ontdekkingsbiologie: Verbeter t hypothesetoetsing en de verduidelijking van signaalpaden door het leveren van schone, interpreteerbare EEG-signalen.
- Screening: Levert reproduceerbare, kwantitatieve EEG-outputs die geschikt zijn voor high-throughput-analyses of cross-study-analyses.
- Analytica: Biedt robuuste, artefact-gereduceerde datasets voor statistische vergelijking van experimentele condities.
- Translationeel onderzoek: Ondersteunt de afstemming van biomarkers en continuïteit tussen klinische en preklinische modellen.
- Enterprise-hergebruik: Biedt een gedocumenteerde, herbruikbare pipeline die aanpasbaar is aan diverse EEG-onderzoeksbehoeften.
Operationele impact & impact op de onderneming
- Wetenschappelijke waarde: Verhoogt het voorspellend vertrouwen en vermindert mechanistische ambiguïteit in biomarkerstudies op basis van EEG.
- Operationele waarde: Levert gestandaardiseerde, reproduceerbare en schaalbare preprocessingsworkflows.
- Strategische waarde: Maakt beter geïnformeerde go/no-go-beslissingen mogelijk en vermindert biologische risico's in een laat stadium binnen CNS-portfolio's.
- Impact op portfolio: Ondersteunt risico-gecorrigeerde prioritering en verdere ontwikkeling van neurofysiologische targets en biomarkers.
Overwegingen bij de implementatie
- Vereist expertise in EEG-signaalverwerking en bekendheid met de MATLAB- en EEGLAB-toolboxes.
- Vereist toegang tot een computationele infrastructuur die in staat is om grote EEG-datasets te verwerken.
- Profiteert van standaardisatie tussen teams om een consistente voorbewerking over verschillende studies heen te garanderen.
- Aanpasbaar aan diverse EEG-capconfiguraties en experimentele ontwerpen mits er passende documentatie aanwezig is.
- Afhankelijk van de kwaliteit en integriteit van de ruwe EEG-data voor optimale resultaten.
