Name: PIPEMAT-RS: Opracowanie i walidacja ustandaryzowanego potoku MATLAB do wstępnego przetwarzania EEG w stanie spoczynku (Wideo) | JoVE Journal
Uploaded: 2025-06-06T15:55:00.000+00:00
Duration: 6 min 51 s
Description: Poznaj PIPEMAT-RS, ustandaryzowany potok MATLAB do wstępnego przetwarzania EEG w stanie spoczynku. Ta metoda poprawia jakość sygnału i odtwarzalność danych poprzez automatyczną klasyfikację artefaktów oraz analizę ICA.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Konkretnie, LMM był wspierany przez grant badawczy #21/05897-5, São Paulo Research Foundation (FAPESP). AC był wspierany przez grant na inicjację naukową #21/12790-2, São Paulo Research Foundation (FAPESP). SPB było wspierane przez grant badawczy #20/08512-4, São Paulo Research Foundation (FAPESP). FF i LRB są wspierane przez grant badawczy #17/12943-8, São Paulo Research Foundation (FAPESP). Indywidualnie FF otrzymał wsparcie z NHI 2020 R01 AT, Project #1R01AT009491-01A1.

PIPEMAT-RS został opracowany jako część naszego trwającego projektu badawczego, zatwierdzonego przez Komisję Etyki Szpitala Klinicznego, Szkoły Medycznej Uniwersytetu w São Paulo (CAAE: 86832518.7.0000.0068). Projekt ten ma na celu poprawę jakości i wiarygodności danych EEG w stanie spoczynku dla różnych badań neurologicznych i psychiatrycznych. Dane wykorzystane w tym badaniu pochodzą z badania kohortowego, którego protokół został wcześniej opublikowany przez Simis et al. (2021)31. Badanie główne jest nadal w toku, a zbieranie danych dla pozostałych grup klinicznych jest w toku. Skrypt dla potoku znajduje się w pliku uzupełniającym 1.
1. Konwersja formatu pliku
<ol>
	<li>Przygotuj katalog danych.
	<ol>
		<li>Otwórz MATLAB i przejdź do katalogu zawierającego pliki z surowymi danymi EEG.</li>
		<li>Zdefiniuj ścieżkę, używając ścieżki = 'C:\\Path\\To\\RawData\\'; i wymień tematy za pomocą name_subj_raw = {'subject1', 'subject2', ...};.</li>
		<li>Jeśli zestaw danych znajduje się już w folderze . formatu maty, pomiń ten krok i przejdź do montażu EEG.</li>
	</ol>
	</li>
	<li>Konwertuj pliki.
	<ol>
		<li>Załaduj każdy plik danych pierwotnych przy użyciu funkcji MATLAB odpowiedniej dla typu pliku. Na przykład użyj obciążenia dla plików .mat lub funkcji EEGLAB specyficznych dla plików, takich jak pop_biosig (dla .edf, .bdf) lub pop_fileio (dla różnych zastrzeżonych formatów). 
		UWAGA: Użytkownicy powinni dostosować ten krok w oparciu o format swoich surowych plików EEG i zapoznać się z dokumentacją EEGLAB w celu uzyskania dodatkowej obsługi plików.</li>
		<li>Zapisz każdy plik w formacie .mat, zapewniając integralność danych i zachowując wszystkie istotne metadane.</li>
	</ol>
	</li>
</ol>
2. Montaż EEG
<ol>
	<li>Załaduj dane EEG.
	<ol>
		<li>Otwórz MATLAB i przejdź do katalogu z plikami .mat.</li>
		<li>Użyj funkcji pop_loadset z zestawu narzędzi EEGLAB, aby załadować zestaw danych EEG każdego pacjenta (np. EEG = pop_loadset('filename.set');).</li>
	</ol>
	</li>
	<li>Zastosuj lokalizacje elektrod.
	<ol>
		<li>Upewnij się, że dostępny jest odpowiedni plik lokalizacji elektrody (np. EEGSystem_128.loc) odpowiadający konfiguracji czepka EEG.</li>
		<li>Użyj funkcji pop_chanedit, aby zastosować lokalizacje elektrod. Na przykład: 
		EEG = pop_chanedit(EEG, 'obciążenie', {'EEGSystem_128.loc', 'typ pliku', 'loc'});</li>
		<li>Potwierdź wizualnie, że pozycje elektrod zostały załadowane prawidłowo, przeglądając układ kanałów za pomocą graficznego interfejsu użytkownika EEGLAB.</li>
	</ol>
	</li>
	<li>Zapisz zestaw danych.
	<ol>
		<li>Zapisz zaktualizowany zestaw danych EEG za pomocą funkcji pop_saveset (np. pop_saveset(EEG, 'nazwa pliku', 'subject1_loc.set')).</li>
	</ol>
	</li>
</ol>
3. Próbkowanie w dół i filtrowanie
<ol>
	<li>Próbkowanie EEG w dół.
	<ol>
		<li>Zmniejsz częstotliwość próbkowania danych EEG do 250 Hz za pomocą funkcji pop_resample (opcjonalnie). 
		UWAGA: Funkcja pop_resample automatycznie stosuje odpowiedni dolnoprzepustowy filtr antyaliasingu przed próbkowaniem w dół. Ten krok zapewnia, że składowe o wysokiej częstotliwości są tłumione przed ponownym próbkowaniem, zapobiegając artefaktom aliasingu i zachowując jakość sygnału EEG.</li>
	</ol>
	</li>
	<li>Zastosuj filtrowanie pasmowo-przepustowe.
	<ol>
		<li>Zastosuj filtr pasmowo-przepustowy od 1 Hz do 50 Hz do kanałów 1-64 za pomocą funkcji pop_basicfilter o konstrukcji Butterwortha i kolejności filtrów 2.</li>
		<li>Użyj filtrowania do przodu i do tyłu z zerową fazą, aby zapobiec zniekształceniom fazy.</li>
	</ol>
	</li>
	<li>Zastosuj filtrowanie karciów (opcjonalnie).
	<ol>
		<li>Zastosuj filtr wycinający przy 50 lub 60 Hz do kanałów 1-64, używając pop_basicfilter o konstrukcji "PMnotch" i kolejności filtrów 180. 
		UWAGA: Ten krok jest opcjonalny i powinien być stosowany podczas analizy aktywności oscylacyjnej powyżej 30 Hz (np. pasmo gamma). W takich przypadkach badacze mogą zwiększyć górną granicę filtra pasmowo-przepustowego (np. do 80 lub 100 Hz), co sprawia, że filtr wycinający ma kluczowe znaczenie dla wyeliminowania zakłóceń linii energetycznej. Dla wygody polecenie jest dostarczane w rurociągu i można je łatwo dostosować w zależności od lokalnej częstotliwości elektrycznej (np. 50 Hz lub 60 Hz).</li>
	</ol>
	</li>
</ol>
4. Odrzucenie artefaktu i ponowne odniesienie
<ol>
	<li>Wykonaj automatyczne odrzucanie artefaktów.
	<ol>
		<li>Użyj funkcji clean_rawdata z parametrami (5, [-1], 0,7, -1, 8, 0,85), aby automatycznie wykrywać i usuwać kanały płaskie, segmenty zaszumione i dryfty niskich częstotliwości. Parametry te odpowiadają odpowiednio: 
		FlatlineCriterion (5): usuwa kanały płaskie przez więcej niż 5 s. 
		ChannelCriterion ([-1]): wyłącza odrzucanie na podstawie korelacji kanałów. 
		LineNoiseCriterion (0.7): usuwa kanały z nadmiernym szumem linii powyżej tego progu. 
		Górnoprzepustowy (-1): wyłącza dodatkowe filtrowanie górnoprzepustowe podczas czyszczenia. 
		BurstCriterion (8): usuwa serie danych, które przekraczają 8 odchyleń standardowych. 
		Kryterium okna (0,85): wymaga, aby 85% danych w oknie było czystych, aby je zachować. 
		UWAGA: Użytkownicy mogą dostosować te wartości w zależności od charakterystyki zestawu danych. Na przykład zmniejszenie BurstCriterion spowoduje bardziej agresywne odrzucenie artefaktu, podczas gdy obniżenie WindowCriterion zwiększy tolerancję dla hałaśliwych okien danych.</li>
	</ol>
	</li>
	<li>Wykonaj ręczną inspekcję artefaktów (opcjonalnie).
	<ol>
		<li>W razie potrzeby sprawdź wzrokowo dane EEG za pomocą eegplot z EEGLAB, aby zidentyfikować artefakty szczątkowe, które nie zostały wykryte metodami automatycznymi.</li>
		<li>Ręcznie oznaczaj i usuwaj pozostałe artefakty, aby zapewnić wysoką jakość danych. 
		UWAGA: Ten krok jest opcjonalny i zalecany przede wszystkim w przypadku zestawów danych, które prezentują niestandardowe wzorce szumów lub gdy wymagana jest większa precyzja poza procedurami automatycznymi.</li>
	</ol>
	</li>
	<li>Ponownie odwołuj się do danych.
	<ol>
		<li>Użyj funkcji pop_reref, aby ponownie odnieść sygnały EEG do średniej ze wszystkich elektrod, upewniając się, że oryginalna elektroda referencyjna zostanie zachowana w zestawie danych. 
		UWAGA: W tym rurociągu średnia referencja jest wykonywana przy użyciu dostępnych kanałów bez rekonstrukcji oryginalnej elektrody referencyjnej. Jednak użytkownicy, którzy dążą do zwiększenia spójności rang i porównywalności między obiektami, mogą rozważyć tymczasowe ponowne wstawienie oryginalnej elektrody referencyjnej (np. Cz) jako szeregu czasowego o wartości zerowej przed ponownym odniesieniem. Dzięki temu odniesienie może przyczynić się do obliczenia średniej. Następnie dodany kanał może zostać usunięty, aby uniknąć niedoboru rangi przed wykonaniem ICA. Przykładem tego procesu jest funkcja RELAX_average_rereference.m potoku RELAX, która obejmuje również interpolację wszystkich kanałów przed odniesieniem. Chociaż PIPEMAT-RS utrzymuje uproszczoną wersję w celu zapewnienia przejrzystości i dostępności, użytkownicy są zachęcani do dostosowania tego kroku w razie potrzeby, w zależności od celów ich analizy.</li>
	</ol>
	</li>
</ol>
5. Analiza składowych niezależnych (ICA)
<ol>
	<li>Załaduj wstępnie przetworzone dane EEG.
	<ol>
		<li>Załaduj plik z sufiksem _loc_filt_cleanraw_reref.set za pomocą funkcji pop_loadset.</li>
	</ol>
	</li>
	<li>Wykonaj ICA.
	<ol>
		<li>Uruchom ICA za pomocą funkcji pop_runica z algorytmem runica, aby zdekomponować dane na niezależne komponenty. Algorytm "runica", oparty na podejściu Infomax, maksymalizuje niezależność statystyczną komponentów i jest szeroko stosowany w wstępnym przetwarzaniu EEG. 
		UWAGA: Dla użytkowników poszukujących szybszych obliczeń ICA, alternatywne algorytmy, takie jak picard, mogą być używane po określeniu icatype, picard w wywołaniu funkcji. Te alternatywy oferują porównywalną wydajność i mogą skrócić czas obliczeń.</li>
	</ol>
	</li>
	<li>Zapisz zestaw danych ICA.
	<ol>
		<li>Zapisz zestaw danych z sufiksem _loc_filt_cleanraw_reref_ICA przy użyciu pop_saveset, aby wskazać, że przeprowadzono ICA.</li>
	</ol>
	</li>
</ol>
6. Klasyfikacja ICLabel
<ol>
	<li>Załaduj zestaw danych ICA.
	<ol>
		<li>Zaimportuj zestaw danych ze składnikami ICA za pomocą funkcji pop_loadset.</li>
	</ol>
	</li>
	<li>Zastosuj klasyfikację ICLabel.
	<ol>
		<li>Uruchom funkcję pop_iclabel z modelem domyślnym, aby sklasyfikować niezależne składniki w kategoriach mózgu i artefaktów.</li>
		<li>Zidentyfikuj komponenty, których prawdopodobieństwo reprezentuje aktywność mózgu większe niż 0,7.</li>
	</ol>
	</li>
	<li>Usuń składniki artefaktu.
	<ol>
		<li>Użyj funkcji pop_subcomp, aby usunąć wszystkie komponenty z prawdopodobieństwem mózgu ICLabel poniżej 0,7.</li>
		<li>Zachowaj tylko komponenty, których prawdopodobieństwo aktywności mózgu jest większe niż 0,7. Próg 0,7 równoważy potrzebę zachowania prawdziwych sygnałów neuronowych przy jednoczesnym zapewnieniu skutecznego usuwania artefaktów.</li>
	</ol>
	</li>
	<li>Zapisz oczyszczony zestaw danych.
	<ol>
		<li>Zapisz oczyszczony zestaw danych z sufiksem _loc_filt_cleanraw_reref_ICA_Cleaned użyciu pop_saveset, aby wskazać usunięcie składników artefaktu.</li>
	</ol>
	</li>
</ol>
7. Normalizacja danych
<ol>
	<li>Załaduj oczyszczone dane EEG.
	<ol>
		<li>Zaimportuj zestaw danych z wolnymi od artefaktów składnikami ICA przy użyciu funkcji pop_loadset.</li>
	</ol>
	</li>
	<li>Zastosuj normalizację Z-Score.
	<ol>
		<li>Znormalizuj każdy kanał EEG za pomocą transformacji Z-score, obliczając (x - średnia(x)) / std(x) dla każdego kanału indywidualnie. 
		UWAGA: Normalizacja wskaźnika Z jest opcjonalna i powinna być stosowana w oparciu o cele analityczne badania. Chociaż zmniejsza zmienność między obiektami i standaryzuje dane do porównań na poziomie grupy, może również łagodzić różnice topograficzne i eliminować znaczące różnice amplitudy między kanałami. Badaczom zainteresowanym zachowaniem surowej wielkości sygnału lub rozkładu przestrzennego zaleca się pominięcie tego kroku.</li>
	</ol>
	</li>
	<li>Zapisz końcowy zestaw danych.
	<ol>
		<li>Zapisz w pełni wstępnie przetworzony i znormalizowany zestaw danych z sufiksem _loc_filt_cleanraw_reref_ICA_Normalized przy użyciu pop_saveset, aby wskazać zakończenie przetwarzania wstępnego.</li>
	</ol>
	</li>
</ol>

<ol><li>Niedermeyer, E., da Silva, F. L. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aNiedermeyer%2C+E+%22Electroencephalography%3A+basic+principles%2C+clinical+applications%2C+and+related+fields%22">Electroencephalography: basic principles, clinical applications, and related fields</a>. , Lippincott Williams and Wilkins. Philadelphia, PA. (2004).</li>
<li>Delorme, A., Makeig, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEGLAB%3A+an+open-source+toolbox+for+analysis+of+single-trial+EEG+dynamics+including+independent+component+analysis%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">EEGLAB: an open-source toolbox for analysis of single-trial EEG dynamics including independent component analysis.</a> J Neurosci Methods. 134 (1), 9-21 (2004).</li>
<li>Cohen, M. X. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCohen%2C+MX+%22Analyzing+neural+time+series+data%3A+theory+and+practice%22">Analyzing neural time series data: theory and practice</a>. , MIT Press. (2014).</li>
<li>Buzsáki, G., Anastassiou, C. A., Koch, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+origin+of+extracellular+fields+and+currents-EEG%2C+ECoG%2C+LFP+and+spikes%5BTitle%5D)+AND+%22Nat+Rev+Neurosci%22%5BJournal%5D)">The origin of extracellular fields and currents-EEG, ECoG, LFP and spikes.</a> Nat Rev Neurosci. 13 (6), 407-420 (2012).</li>
<li>Nunez, P. L., Srinivasan, R. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aNunez%2C+PL+%22Electric+fields+of+the+brain%3A+the+neurophysics+of+EEG%22">Electric fields of the brain: the neurophysics of EEG</a>. , Oxford University Press. (2006).</li>
<li>Gratton, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain+reflections%3A+a+circuit-based+framework+for+understanding+information+processing+and+cognitive+control%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Brain reflections: a circuit-based framework for understanding information processing and cognitive control.</a> Psychophysiology. 55 (3), e13038(2018).</li>
<li>Bigdely-Shamlo, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+PREP+pipeline%3A+standardized+preprocessing+for+large-scale+EEG+analysis%5BTitle%5D)+AND+%22Front+Neuroinform%22%5BJournal%5D)">The PREP pipeline: standardized preprocessing for large-scale EEG analysis.</a> Front Neuroinform. 9, 16(2015).</li>
<li>Pernet, C. R., Chauveau, N., Gaspar, C., Rousselet, G. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((LIMO+EEG%3A+a+toolbox+for+hierarchical+linear+modeling+of+electroencephalographic+data%5BTitle%5D)+AND+%22Comput+Intell+Neurosci%22%5BJournal%5D)">LIMO EEG: a toolbox for hierarchical linear modeling of electroencephalographic data.</a> Comput Intell Neurosci. 2011, 831409(2011).</li>
<li>Onton, J., Makeig, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Independent+component+analysis+for+EEG+artifacts%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Independent component analysis for EEG artifacts.</a> Neuroimage. 15 (3), 789-801 (2006).</li>
<li>Delorme, A., Miyakoshi, M., Jung, T. P., Makeig, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Grand+average+ERP-image+plotting+and+statistics%3A+a+method+for+comparing+variability+in+event-related+single-trial+EEG+activities+across+subjects+and+conditions%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Grand average ERP-image plotting and statistics: a method for comparing variability in event-related single-trial EEG activities across subjects and conditions.</a> J Neurosci Methods. 210 (2), 132-145 (2012).</li>
<li>Debener, S., Thorne, J., Schneider, T. R., Viola, F. C. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDebener%2C+S+%22Using+ICA+for+the+analysis+of+multi-channel+EEG+data.+Simultaneous+EEG+and+FMRI%22">Using ICA for the analysis of multi-channel EEG data. Simultaneous EEG and FMRI</a>. , Springer. New York, NY. (2010).</li>
<li>Luck, S. J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLuck%2C+SJ+%22An+introduction+to+the+event-related+potential+technique%22">An introduction to the event-related potential technique</a>. , MIT Press. (2014).</li>
<li>Cohen, M. X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Where+does+EEG+come+from+and+what+does+it+mean%5BTitle%5D)+AND+%22Trends+Neurosci%22%5BJournal%5D)">Where does EEG come from and what does it mean.</a> Trends Neurosci. 40 (4), 208-218 (2017).</li>
<li>Keil, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Committee+report%3A+publication+guidelines+and+recommendations+for+studies+using+electroencephalography+and+magnetoencephalography%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Committee report: publication guidelines and recommendations for studies using electroencephalography and magnetoencephalography.</a> Psychophysiology. 51 (1), 1-21 (2014).</li>
<li>Gramfort, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MEG+and+EEG+data+analysis+with+MNE-Python%5BTitle%5D)+AND+%22Front+Neurosci%22%5BJournal%5D)">MEG and EEG data analysis with MNE-Python.</a> Front Neurosci. 7, 7(2013).</li>
<li>Pernet, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Issues+and+recommendations+from+the+OHBM+COBIDAS+MEEG+committee+for+reproducible+EEG+and+MEG+research%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Issues and recommendations from the OHBM COBIDAS MEEG committee for reproducible EEG and MEG research.</a> Nat Neurosci. 23 (12), 1473-1483 (2020).</li>
<li>Oostenveld, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((FieldTrip%3A+open-source+software+for+advanced+analysis+of+MEG%2C+EEG%2C+and+invasive+electrophysiological+data%5BTitle%5D)+AND+%22Comput+Intell+Neurosci%22%5BJournal%5D)">FieldTrip: open-source software for advanced analysis of MEG, EEG, and invasive electrophysiological data.</a> Comput Intell Neurosci. 2011, 156869(2011).</li>
<li>Bailey, N. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Introducing+RELAX%3A+an+automated+preprocessing+pipeline+for+cleaning+EEG+data-Part+1%3A+algorithm+and+application+to+oscillations%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">Introducing RELAX: an automated preprocessing pipeline for cleaning EEG data-Part 1: algorithm and application to oscillations.</a> Clin Neurophysiol. 149, 178-201 (2023).</li>
<li>Pedroni, A., Bahreini, A., Langer, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automagic%3A+standardized+preprocessing+of+big+EEG+data%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Automagic: standardized preprocessing of big EEG data.</a> Neuroimage. 200, 460-473 (2019).</li>
<li>da Cruz, J. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+automatic+preprocessing+pipeline+for+EEG+analysis+%28APP%29+based+on+robust+statistics%5BTitle%5D)+AND+%22Clin+Neurophysiol%22%5BJournal%5D)">An automatic preprocessing pipeline for EEG analysis (APP) based on robust statistics.</a> Clin Neurophysiol. 129 (7), 1427-1437 (2018).</li>
<li>Bailey, N. W., et al. EEG is better when cleaning effectively targets artifacts. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBailey%2C+NW+%22bioRxiv%22">bioRxiv</a>. , 2024-2106 (2024).</li>
<li>Global EEG devices market report. , Grand View Research. Available at: 
 <a target="_blank" href="https://www.grandviewresearch.com">https://www.grandviewresearch.com</a> (2021).</li>
<li>Makoto's preprocessing pipeline. , Available at: 
 <a target="_blank" href="https://sccn.ucsd.edu/wiki/Makoto's_preprocessing_pipeline">https://sccn.ucsd.edu/wiki/Makoto's_preprocessing_pipeline</a> (2015).</li>
<li>Winkler, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((On+the+influence+of+high-pass+filtering+on+ICA-based+artifact+reduction+in+EEG-ERP%5BTitle%5D)+AND+%22Annu+Int+Conf+IEEE+Eng+Med+Biol+Soc%22%5BJournal%5D)">On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP.</a> Annu Int Conf IEEE Eng Med Biol Soc. 2015, 4101-4105 (2015).</li>
<li>Gramfort, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Time-frequency+mixed-norm+estimates%3A+sparse+M%2FEEG+imaging+with+non-stationary+source+activations%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Time-frequency mixed-norm estimates: sparse M/EEG imaging with non-stationary source activations.</a> Neuroimage. 70, 410-422 (2013).</li>
<li>Delorme, A., Sejnowski, T., Makeig, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Enhanced+detection+of+artifacts+in+EEG+data+using+higher-order+statistics+and+independent+component+analysis%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis.</a> Neuroimage. 34 (4), 1443-1449 (2007).</li>
<li>Marques, L. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting-state+EEG+as+biomarker+of+maladaptive+motor+function+and+depressive+profile+in+stroke+patients%5BTitle%5D)+AND+%22Clin+EEG+Neurosci%22%5BJournal%5D)">Resting-state EEG as biomarker of maladaptive motor function and depressive profile in stroke patients.</a> Clin EEG Neurosci. 55 (4), 496-507 (2024).</li>
<li>Lacerda, G. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+neural+signature+for+brain+compensation+in+stroke+with+EEG+and+TMS%3A+insights+from+the+DEFINE+cohort+study%5BTitle%5D)+AND+%22Neurophysiol+Clin%22%5BJournal%5D)">A neural signature for brain compensation in stroke with EEG and TMS: insights from the DEFINE cohort study.</a> Neurophysiol Clin. 54 (5), 102985(2024).</li>
<li>Camargo, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Adaptive+and+compensatory+neural+signatures+in+fibromyalgia%3A+an+analysis+of+resting-state+and+stimulus-evoked+EEG+oscillations%5BTitle%5D)+AND+%22Biomedicines%22%5BJournal%5D)">Adaptive and compensatory neural signatures in fibromyalgia: an analysis of resting-state and stimulus-evoked EEG oscillations.</a> Biomedicines. 12 (7), 1428(2024).</li>
<li>Barbosa, S. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting-state+electroencephalography+delta+and+theta+bands+as+compensatory+oscillations+in+chronic+neuropathic+pain%3A+a+secondary+data+analysis%5BTitle%5D)+AND+%22Brain+Netw+Modul%22%5BJournal%5D)">Resting-state electroencephalography delta and theta bands as compensatory oscillations in chronic neuropathic pain: a secondary data analysis.</a> Brain Netw Modul. 3 (2), 52-60 (2024).</li>
<li>Simis, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deficit+of+inhibition+as+a+marker+of+neuroplasticity+%28DEFINE+study%29+in+rehabilitation%3A+a+longitudinal+cohort+study+protocol%5BTitle%5D)+AND+%22Front+Neurol%22%5BJournal%5D)">Deficit of inhibition as a marker of neuroplasticity (DEFINE study) in rehabilitation: a longitudinal cohort study protocol.</a> Front Neurol. 12, 695406(2021).</li>
<li>Pion-Tonachini, L., Kreutz-Delgado, K., Makeig, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ICLabel%3A+an+automated+electroencephalographic+independent+component+classifier%2C+dataset%2C+and+website%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">ICLabel: an automated electroencephalographic independent component classifier, dataset, and website.</a> Neuroimage. 198, 181-197 (2019).</li>
<li>Jaramillo-Jimenez, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reproducible+python+workflow+for+multi-site+resting-state+EEG+analysis%5BTitle%5D)+AND+%22Alzheimer%27s+Dement%22%5BJournal%5D)">Reproducible python workflow for multi-site resting-state EEG analysis.</a> Alzheimer's Dement. 19, e076353(2023).</li>
<li>Levin, A. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BEAPP%3A+the+batch+electroencephalography+automated+processing+platform%5BTitle%5D)+AND+%22Front+Neurosci%22%5BJournal%5D)">BEAPP: the batch electroencephalography automated processing platform.</a> Front Neurosci. 12, 513(2018).</li>
</ol>

Autorzy oświadczają, że nie są im znane żadne konkurencyjne interesy finansowe ani powiązania osobiste, które mogłyby mieć wpływ na pracę opisaną w tym artykule.

Potok PIPEMAT-RS został opracowany w celu zapewnienia ustandaryzowanej, wydajnej metody wstępnego przetwarzania danych EEG w stanie spoczynku. Krytyczne kroki w tym protokole obejmują odrzucanie artefaktów i niezależną analizę komponentów (ICA), które znacznie zwiększają stosunek sygnału do szumu i zapewniają ekstrakcję znaczących sygnałów neuronowych. Połączenie automatycznego odrzucania artefaktów za pomocą funkcji clean_rawdata i ręcznej kontroli za pomocą eegplot zapewnia kompleksowe zarządzanie artefaktami, równoważ...

Elektroencefalogram (EEG) jest kluczowym narzędziem zarówno w badaniach neurologicznych, jak i praktyce klinicznej, oferując cenne informacje na temat aktywności elektrycznej mózgu. W szczególności dane EEG w stanie spoczynku są szeroko wykorzystywane do badania różnych schorzeń neurologicznych i psychiatrycznych, takich jak udar, fibromialgia i przewlekły ból neuropatyczny. Pomimo szerokiego zastosowania, analiza danych EEG wymaga rygorystycznego wstępnego przetwarzania w celu wyeliminowania artefaktów i szumów, zapewniając integralność i wiarygodność wyników1,2,3. Przez lata EEG było nieocenione w dostarczaniu nieinwazyjnych pomiarów aktywności mózgu w wysokiej rozdzielczości czasowej, co czyni je niezbędnymi do badania dynamicznych procesów zachodzących w mózgu4,5. Jednak surowe sygnały EEG są często zanieczyszczone przez różne źródła szumu, które mogą przesłaniać interesujące sygnały neuronowe, komplikując w ten sposób interpretację danych6.
Sygnały EEG są bardzo podatne na zanieczyszczenia ze źródeł takich jak aktywność mięśni, ruchy gałek ocznych i zakłócenia elektryczne7. Artefakty te mogą zasłaniać sygnały neuronowe, co sprawia, że wstępne przetwarzanie jest krytycznym krokiem w analizie EEG. Proces ten zazwyczaj obejmuje wieloetapową konwersję formatu pliku, próbkowanie w dół, filtrowanie, odrzucanie artefaktów, analizę niezależnych komponentów (ICA) i wykluczanie komponentów związanych z szumem8,9. Każdy krok przyczynia się do poprawy jakości sygnału i zapewnienia, że dane dokładnie odzwierciedlają aktywność neuronalną10. Złożoność tych procesów wymaga użycia zaawansowanych algorytmów i narzędzi programowych, aby zapewnić, że przetwarzanie wstępne jest zarówno wydajne, jak i skuteczne11.
Jednym z głównych wyzwań związanych ze wstępnym przetwarzaniem danych EEG jest zmienność danych, która może się znacznie różnić między podmiotami a sesjami nagraniowymi10,12. Zmienność ta wynika z różnic w fizjologicznych i anatomicznych cechach badanych, a także różnic w warunkach eksperymentalnych i używanym sprzęcie. Ponadto brak ustandaryzowanych protokołów wstępnego przetwarzania może prowadzić do niespójności w analizie i interpretacji danych13,14. Chociaż dostępnych jest kilka potoków i skryptów wstępnego przetwarzania, wiele z nich jest albo dostosowanych do określonych zestawów danych, albo brakuje im wyczerpującej dokumentacji, co czyni je mniej dostępnymi dla szerszej społeczności naukowej14. Platformy takie jak GitHub udostępniają wiele skryptów i wtyczek do wstępnego przetwarzania EEG, ułatwiając udostępnianie i wspólne ulepszanie tych narzędzi15. Jednak fragmentaryczny charakter tych zasobów podkreśla potrzebę solidnego, wydajnego i ustandaryzowanego edytowalnego potoku przetwarzania wstępnego, który może być szeroko stosowany w różnych zestawach danych i kontekstach badawczych16. Taki proces nie tylko zwiększyłby odtwarzalność badań EEG, ale także zapewniłby podstawę, na której społeczność badawcza mogłaby budować i dostosowywać się do konkretnych potrzeb17.
Oprócz EEGLAB, który stanowi podstawę PIPEMAT-RS ze względu na jego obszerną bazę użytkowników i integrację z MATLAB, inne narzędzia do przetwarzania EEG są również szeroko stosowane w terenie. Na przykład MNE-Python to platforma oparta na języku Python typu open source, która oferuje zaawansowane funkcje lokalizacji źródeł, analiz przestrzeni czujników i integracji z przepływami pracy uczenia maszynowego. FieldTrip, zestaw narzędzi oparty na MATLAB, taki jak EEGLAB, jest znany z elastycznego środowiska skryptowego i kompleksowego wsparcia dla analiz czasu, częstotliwości i łączności. Chociaż platformy te zapewniają potężne alternatywy, zazwyczaj wymagają bardziej stromych krzywych uczenia się i bardziej zaawansowanych umiejętności programowania. PIPEMAT-RS został zaprojektowany z myślą o zapewnieniu dostępności i przejrzystości, szczególnie dla naukowców poszukujących edytowalnego i modułowego rozwiązania do wstępnego przetwarzania EEG w stanie spoczynku za pomocą EEGLAB. Niemniej jednak struktura koncepcyjna PIPEMAT-RS może być w razie potrzeby dostosowywana do innych zestawów narzędzi, co sprzyja interoperacyjności i dostosowywaniu w różnych środowiskach oprogramowania.
W ostatnich latach opracowano kilka zautomatyzowanych potoków wstępnego przetwarzania EEG, takich jak RELAX18, Automagic19, APP20 i PREP7. Potoki te zawierają zaawansowane algorytmy usuwania artefaktów i czyszczenia danych, często wykorzystując strategie oparte na ICA z ograniczoną przejrzystością lub dostosowaniem dla użytkowników niebędących ekspertami. Na przykład RELAX wprowadza wieloetapową metodę czyszczenia ICA, która poprawia odrzucanie artefaktów, ale opiera się na złożonych konfiguracjach, które mogą nie być łatwo modyfikowalne21. W przeciwieństwie do tego, PIPEMAT-RS został zaprojektowany tak, aby zapewnić elastyczną, przejrzystą i dostępną edukacyjnie alternatywę, umożliwiając naukowcom zrozumienie i ręczne dostosowanie każdego etapu przetwarzania wstępnego. Ta przezroczystość pozwala na wykorzystanie PIPEMAT-RS zarówno jako narzędzia badawczego, jak i dydaktycznego, przy jednoczesnym zachowaniu rygoru i powtarzalności. Co więcej, PIPEMAT-RS kładzie nacisk na dokumentację, modułowe wykonywanie i możliwość adaptacji w zestawach danych – funkcje, które są często niedostatecznie zgłaszane lub nieobecne w innych potokach.
Z ekonomicznego punktu widzenia, opracowanie i wdrożenie ustandaryzowanego, edytowalnego potoku wstępnego przetwarzania danych EEG może mieć znaczący wpływ. Globalny rynek urządzeń EEG został wyceniony na około 1,2 mld USD w 2020 r. i oczekuje się, że w latach 2021-2028 będzie rósł w tempie skumulowanej rocznej stopy wzrostu (CAGR) na poziomie 7,5% 22. Wydajne potoki przetwarzania wstępnego, szczególnie te, które są edytowalne i modułowe, mogą skrócić czas i obniżyć koszty związane z analizą danych, co jest ważnym czynnikiem w badaniach klinicznych na dużą skalę i badaniach nad zdrowiem publicznym. Minimalizując błędy ludzkie i automatyzując powtarzalne zadania, takie potoki mogą poprawić dokładność analizy danych EEG i prowadzić do bardziej wiarygodnych wyników badań13. To z kolei może przyspieszyć rozwój nowych narzędzi diagnostycznych i interwencji terapeutycznych, potencjalnie zmniejszając koszty opieki zdrowotnej i poprawiając wyniki leczenia pacjentów1.
Ten artykuł ma na celu przedstawienie i walidację ustandaryzowanego, edytowalnego, zintegrowanego potoku przetwarzania wstępnego dla EEG w stanie spoczynku przy użyciu MATLAB (PIPEMAT-RS). Zaprojektowany tak, aby był zarówno solidny, jak i wydajny, ten edytowalny potok jest wszechstronny i może być szeroko stosowany do różnych zestawów danych i scenariuszy badawczych. Siedem kompleksowych kroków obejmuje konwersję formatu pliku, próbkowanie w dół, filtrowanie, odrzucanie artefaktów, analizę niezależnych komponentów (ICA) i wykluczanie komponentów związanych z szumem, a wszystko to zintegrowane w spójny przepływ pracy23,24. Opracowanie PIPEMAT-RS było podyktowane potrzebą sprostania powszechnym wyzwaniom związanym ze wstępnym przetwarzaniem EEG oraz zapewnienia narzędzia, które naukowcy mogą wykorzystać do usprawnienia procesów analizy danych25. Integrując się z powszechnie przyjętymi praktykami w tej dziedzinie i wykorzystując możliwości MATLAB, PIPEMAT-RS ma na celu zaoferowanie niezawodnej, edytowalnej i przyjaznej dla użytkownika struktury wspierającej wstępne przetwarzanie danych EEG26.
Aby potwierdzić skuteczność PIPEMAT-RS, zastosowaliśmy go w kilku badaniach. W jednym z badań PIPEMAT-RS wykorzystano do zbadania biomarkerów EEG u pacjentów po udarze, identyfikując istotne korelacje między nieadaptacyjnymi funkcjami motorycznymi a profilami depresyjnymi27. W innym badaniu zastosowano PIPEMAT-RS do analizy sygnatur neuronalnych kompensacji mózgu u pacjentów po udarze mózgu za pomocą EEG i TMS, ujawniając krytyczne informacje na temat mechanizmów adaptacyjnych mózgu po udarze28. Dalsza walidacja pochodzi z badania, w którym badano adaptacje neuronalne i kompensacje u pacjentów z fibromialgią29. Ponadto inne badanie wykazało, w jaki sposób pasma delta i theta w EEG w stanie spoczynku służą jako mechanizmy kompensacyjne w przewlekłym bólu neuropatycznym 30.
Te badania wspólnie podkreślają użyteczność PIPEMAT-RS w przetwarzaniu i analizie danych EEG, ustalając jego skuteczność w różnych warunkach i zastosowaniach. Zapewniając ustandaryzowane podejście, proces ten nie tylko zwiększa odtwarzalność badań EEG, ale także ułatwia szersze przyjęcie spójnych metod wstępnego przetwarzania w społeczności naukowej. Poprzez ten artykuł staramy się wnieść cenny zasób do tej dziedziny, promując dokładniejszą i bardziej wiarygodną analizę danych EEG16,17. W ten sposób mamy nadzieję wesprzeć postęp badań w dziedzinie neurofizjologii i rozwój nowych podejść terapeutycznych w schorzeniach neurologicznych i psychiatrycznych.
Podstawowe etapy wstępnego przetwarzania stosowane w PIPEMAT-RS są zakorzenione w solidnych, szeroko zweryfikowanych metodach, które stały się niezbędne w badaniach EEG dla zapewnienia jakości i odtwarzalności danych2,8,14. Chociaż metodologie te są dobrze ugruntowane, pozostają kluczowe ze względu na ich skuteczność w rozwiązywaniu powszechnych artefaktów EEG i szumów, co nadal wspiera wiarygodne analizy w różnych badaniach. Jednak niewiele badań dostarczyło ostatnio w pełni udokumentowanego, ustandaryzowanego potoku dostosowanego do EEG w stanie spoczynku. Łącząc te sprawdzone techniki z najnowszymi osiągnięciami, takimi jak ICLabel do automatycznej klasyfikacji artefaktów, PIPEMAT-RS zapewnia nowoczesne, ustrukturyzowane podejście, które zwiększa powtarzalność i dostępność dla badaczy, zaspokajając ciągłe zapotrzebowanie na rygorystycznie udokumentowane przepływy pracy przetwarzania wstępnego w terenie.
Chociaż potok PIPEMAT-RS podąża za ustalonymi etapami wstępnego przetwarzania, powszechnie stosowanymi w badaniach EEG, jego dokumentacja w formie artykułu naukowego wypełnia ważną lukę w literaturze. Wiele badań EEG opiera się na podobnych metodach wstępnego przetwarzania, ale często brakuje kompleksowego opisu krok po kroku, który pozwala na pełną odtwarzalność i łatwość przyjęcia przez innych badaczy. Poprzez wyszczególnienie każdego składnika PIPEMAT-RS i przedstawienie ustandaryzowanej sekwencji do analizy EEG w stanie spoczynku, prace te mają na celu zwiększenie przejrzystości, zminimalizowanie zmienności użytkownika i zapewnienie powtarzalnych ram mających zastosowanie w różnych badaniach. Zamiast wprowadzać nowatorskie metody, niniejszy wkład ma służyć jako instruktażowy i praktyczny przewodnik, który pomaga ustandaryzować praktyki wstępnego przetwarzania i poprawić dostępność dla szerokiego grona badaczy EEG, szczególnie tych pracujących z danymi w stanie spoczynku.
Wstępne przetwarzanie danych EEG jest krytycznym krokiem, który znacząco wpływa na jakość i wiarygodność kolejnych analiz. Zintegrowany potok przetwarzania wstępnego dla EEG w stanie spoczynku przy użyciu MATLAB (PIPEMAT-RS) został opracowany w celu sprostania powszechnym wyzwaniom związanym ze wstępnym przetwarzaniem danych EEG poprzez zapewnienie kompleksowego, ustandaryzowanego podejścia mającego zastosowanie do różnych zestawów danych. Ten ustrukturyzowany, edytowalny potok składa się z siedmiu kluczowych kroków: i) Konwersja formatu pliku; ii) Montaż EEG; iii) Próbkowanie w dół i filtrowanie; iv) Odrzucenie artefaktu i ponowne odniesienie; v) Niezależna Analiza Składowych (ICA); vi) Klasyfikacja ICLabel; vii) Normalizacja danych. Każdy krok jest skrupulatnie zaprojektowany, aby poprawić jakość sygnału i ułatwić wydobycie istotnych informacji z surowych danych EEG.
Kluczową cechą PIPEMAT-RS jest to, że każdy etap wstępnego przetwarzania kończy się zapisaniem zestawu danych pod odrębną nazwą pliku. Taka struktura zapewnia, że dla każdego przetwarzanego pliku generowana jest wersja pochodna odpowiadająca każdemu konkretnemu krokowi. To systematyczne podejście umożliwia użytkownikom dostęp do danych w dowolnym momencie siedmioetapowego potoku przetwarzania wstępnego. Zapisane pliki zawierają identyfikatory, które wyraźnie wskazują etap wstępnego przetwarzania, co ułatwia śledzenie danych i zarządzanie nimi w całym przepływie pracy.
PIPEMAT-RS rozpoczyna się od konwersji formatu pliku, gdzie surowe pliki danych EEG są przekształcane do formatu zgodnego z MATLAB. Ta konwersja jest niezbędna do bezproblemowej obsługi danych w solidnym środowisku obliczeniowym MATLAB. Następnie etap montażu EEG przypisuje precyzyjne lokalizacje przestrzenne każdej elektrodzie na skórze głowy w oparciu o znormalizowane systemy umieszczania elektrod. Ta informacja przestrzenna ma kluczowe znaczenie dla dokładnej interpretacji danych EEG w badaniach neurofizjologicznych.
Następnie, potok stosuje próbkowanie w dół i filtrowanie, aby zmniejszyć częstotliwość próbkowania danych i wyeliminować szum, zachowując jednocześnie składowe częstotliwości istotne dla badań neurofizjologicznych. Próbkowanie w dół zmniejsza wymagania dotyczące obciążenia obliczeniowego i pamięci masowej bez pogorszenia jakości danych. Filtrowanie usuwa określone składowe częstotliwości, o których wiadomo, że są związane z artefaktami, zachowując w ten sposób podstawowe sygnały neuronowe.
Następnie wykonywane jest odrzucanie artefaktów i ponowne odwoływanie się. Ten krok identyfikuje i usuwa segmenty danych zanieczyszczone źródłami hałasu, takimi jak mruganie oczami, aktywność mięśni i ruch elektrod. Algorytmy automatycznego odrzucania artefaktów są wykorzystywane do minimalizacji ręcznej interwencji, zmniejszając ryzyko błędu ludzkiego i zwiększając wydajność przetwarzania wstępnego. Odniesienie danych do średniej ze wszystkich elektrod pomaga złagodzić wpływ dowolnej pojedynczej elektrody i zapewnia stabilne odniesienie dla sygnałów EEG.
Krok Analizy Niezależnych Składowych (ICA) dodatkowo udoskonala dane, rozdzielając mieszane sygnały na ich niezależne źródła. Ta dekompozycja ułatwia identyfikację i usuwanie artefaktów, takich jak mruganie oczami, artefakty mięśniowe i szum linii. ICA to potężna technika, która zapewnia, że pozostałe dane dokładnie odzwierciedlają podstawową aktywność neuronalną.
Na koniec, klasyfikacja ICLabel jest stosowana do automatycznego identyfikowania i usuwania komponentów sklasyfikowanych jako artefakty. ICLabel przypisuje probabilistyczne etykiety niezależnym komponentom, kategoryzując je jako aktywność mózgu, aktywność mięśni, mruganie oczami, bicie serca, szum linii lub szum kanału. Komponenty o wysokim prawdopodobieństwie reprezentującym aktywność mózgu są zachowywane, podczas gdy te zidentyfikowane jako artefakty są usuwane. To zautomatyzowane podejście znacznie zmniejsza wysiłek ręczny i zapewnia spójną i obiektywną klasyfikację zestawów danych.
Każdy z tych etapów wstępnego przetwarzania jest niezbędny do poprawy jakości danych EEG. Poprzez standaryzację przepływu pracy przetwarzania wstępnego, PIPEMAT-RS minimalizuje zmienność wynikającą z różnych metod przetwarzania wstępnego, ułatwiając porównywanie wyników między badaniami. Implementacja potoku w MATLAB, szeroko używanej platformie w społeczności neuronaukowej, zapewnia dostępność i łatwość integracji z istniejącymi przepływami pracy badawczej.
Rozwój PIPEMAT-RS był prowadzony przez powszechnie przyjęte praktyki w analizie danych EEG, włączając metody i techniki potwierdzone w poprzednich badaniach. Każdy krok został starannie zaprojektowany i rygorystycznie przetestowany, aby zapewnić jego skuteczność w podnoszeniu jakości danych (Rysunek 1). To kompleksowe podejście nie tylko poprawia wiarygodność danych EEG, ale także wspiera identyfikację markerów neurofizjologicznych krytycznych dla zrozumienia różnych schorzeń neurologicznych i psychiatrycznych.

<table><tbody><tr><td>MATLAB&nbsp;</td><td>MathWorks</td><td>R2020a lub nowszy</td><td>Wymagane do wykonania skryptu PIPEMAT-RS.</td></tr><tr><td>System zapisu EEG</td><td>Produkty</td><td>mózgowe https://www.brainproducts.com/</td> <td>System akwizycji EEG służący do zbierania danych. Inne marki&nbsp; obejmują BioSemi / ANT Neuro (lub odpowiednik)&nbsp;</td></tr><tr><td>Zestaw narzędzi EEGLAB</td><td>Swartz Center for Computational Neuroscience</td><td>N/A</td><td>Zestaw narzędzi MATLAB o otwartym kodzie źródłowym do analizy EEG.</td></tr><tr><td>Elektrody (Ag/AgCl)</td><td>Produkty dla mózgu&nbsp;</td><td>https://www.brainproducts.com/solutions/r-net/</td> <td>Używany w pozyskiwaniu danych EEG. Inne marki&nbsp; obejmują BioSemi / ANT Neuro (lub odpowiednik)&nbsp;</td></tr><tr><td>ICLabel Plugin</td><td>Swartz Center for Computational Neuroscience</td><td>N/A</td><td>Zautomatyzowane narzędzie do klasyfikacji artefaktów dla EEG.</td></tr><tr><td>PIPEMAT-RS Script</td><td>N/A</td><td>N/A</td><td>Niestandardowy skrypt MATLAB do standaryzowanego wstępnego przetwarzania EEG.</td></tr><tr><td>Wzmacniacz sygnału</td><td>Mózg Produkty&nbsp;</td><td>https://www.brainproducts.com/solutions/#amplifiers</td><td>Wzmacnia sygnały EEG do przetwarzania. Inne marki&nbsp; obejmują BioSemi / ANT Neuro (lub odpowiednik)&nbsp;</td></tr><tr><td>Standardowe 64-kanałowe produkty do mózgu z czepkiem EEG</td><td>&nbsp;</td><td>https://www.brainproducts.com/solutions/#electrodes-caps</td><td>Nasadka elektrody do zapisu EEG. Inne marki&nbsp; obejmują BioSemi / ANT Neuro (lub odpowiednik)&nbsp;</td></tr></tbody></table>

pipemat-rs: opracowanie i walidacja ustandaryzowanego potoku matlab do wstępnego przetwarzania eeg w stanie spoczynku

PIPEMAT-RS: Development and Validation of a Standardized MATLAB Pipeline for Resting-State EEG Preprocessing

Elektroencefalografia (EEG) jest kluczowym narzędziem w badaniach neurobiologicznych i zastosowaniach klinicznych, ale surowe dane EEG często zawierają szumy i artefakty, które pogarszają jakość sygnału. Aby rozwiązać ten problem, opracowaliśmy PIPEMAT-RS, ustandaryzowany potok wstępnego przetwarzania danych EEG w stanie spoczynku, oparty na MATLAB. PIPEMAT-RS jest zgodny z ustrukturyzowanym, siedmioetapowym przepływem pracy: konwersja formatu pliku, konfiguracja montażu EEG, próbkowanie w dół, filtrowanie, odrzucanie artefaktów, niezależna analiza komponentów (ICA) i klasyfikacja ICLabel w celu automatycznego usuwania artefaktów. Protokół ten poprawia jakość danych EEG, minimalizując interwencję człowieka przy jednoczesnym zachowaniu wysokiej dokładności w odrzucaniu artefaktów. Został on zweryfikowany przy użyciu wielu zestawów danych, co wykazało jego niezawodność w poprawie integralności sygnału. PIPEMAT-RS zapewnia systematyczne podejście, które ułatwia odtwarzalność i wiarygodność badań EEG, dostosowując się do powszechnie stosowanych praktyk w tej dziedzinie i oferując przejrzystą strukturę, która może uzupełniać istniejące rurociągi. Poprzez standaryzację wstępnego przetwarzania EEG, projekt PIPEMAT-RS ułatwia badania neurofizjologiczne i zastosowania kliniczne, umożliwiając dokładniejszą interpretację aktywności mózgu w stanie spoczynku i jej powiązań ze schorzeniami neurologicznymi i psychiatrycznymi.

Walidacja potoku przetwarzania wstępnego EEG jest niezbędna do zapewnienia niezawodności i skuteczności metod stosowanych do wydobywania istotnych danych neurofizjologicznych. Proces ten obejmuje dowody empiryczne z opublikowanych badań, oceny statystyczne oraz porównania z uznanymi punktami odniesienia w tej dziedzinie.
Solidność i użyteczność PIPEMAT-RS została wykazana poprzez jego pomyślne zastosowanie w kilku opublikowanych badaniach obejmujących szereg schorzeń neurologicznych i psychiat...

Ten protokół przedstawia PIPEMAT-RS, ustandaryzowany potok wstępnego przetwarzania danych EEG w stanie spoczynku, oparty na MATLAB. Zapewnia usuwanie artefaktów, poprawia jakość sygnału i zwiększa odtwarzalność danych w różnych badaniach. Potok automatyzuje kluczowe etapy przetwarzania wstępnego, w tym filtrowanie, niezależną analizę komponentów (ICA) i klasyfikację artefaktów, ułatwiając spójną i wiarygodną analizę EEG na potrzeby badań neurofizjologicznych.

PIPEMAT-RS: Opracowanie i walidacja ustandaryzowanego potoku MATLAB do wstępnego przetwarzania EEG w stanie spoczynku

Electroencephalography (EEG) is a crucial tool in neuroscience research and clinical applications, but raw EEG data often contain noise and artifacts that ...

Opracowaliśmy ustandaryzowany potok wstępnego przetwarzania EEG, aby poprawić jakość sygnału, zredukować szumy i wesprzeć spójne badania neurofizjologiczne w różnych zestawach danych klinicznych i eksperymentalnych. Najnowsze metody, takie jak RELAX i Automagic, oferują automatyczne czyszczenie EEG, ale często brakuje im elastyczności lub przejrzystej dokumentacji dla badaczy i studentów, którzy potrzebują przejrzystości i spójności wyników. Używamy EEG, Matlab, laboratorium EEG i odrzucania artefaktów opartego na ICA w połączeniu z automatycznymi klasyfikatorami, takimi jak ICLabel, aby poprawić jakość danych i usprawnić przepływy pracy związane ze wstępnym przetwarzaniem. Stwierdzono, że PIPEMAT-RS poprawia jakość sygnału EEG, zwiększa SNR i wspiera silne biomarkery w badaniach nad udarem, fibromialgią i bólem przewlekłym. Protokół ten rozwiązuje problem braku przewidywalnego, dobrze udokumentowanego i ustandaryzowanego potoku EEG w stanie spoczynku, który byłby zarówno spójny, jak i dostępny dla badaczy na całym świecie.[Prezenter] Aby rozpocząć, otwórz MATLAB i przejdź do katalogu zawierającego surowe pliki danych elektroencefalogramu. Zdefiniuj ścieżkę katalogu do plików danych pierwotnych i utwórz listę zawierającą tematy. Załaduj plik z surowymi danymi za pomocą funkcji ładowania dla plików .mat i zapisz każdy plik w formacie .mat, zapewniając integralność danych i zachowując wszystkie istotne metadane. Otwórz program MATLAB i przejdź do katalogu zawierającego pliki MATLAB. Użyj funkcji pop load set z zestawu narzędzi laboratorium EEG, aby załadować zestaw danych EEG każdego pacjenta. Upewnij się, że w katalogu roboczym dostępny jest odpowiedni plik lokalizacji elektrody odpowiadający konfiguracji czepka EEG. Użyj funkcji pop_chanedit, aby zastosować lokalizacje elektrod. Sprawdź wzrokowo układ kanałów za pomocą graficznego interfejsu użytkownika laboratoriów EEG, aby potwierdzić prawidłowe położenie wszystkich elektrod. Zapisz zaktualizowany zestaw danych EEG za pomocą funkcji pop_saveset. W razie potrzeby zmniejsz częstotliwość próbkowania danych EEG do 250 Hz za pomocą funkcji pop-resample. Zastosuj filtr pasmowoprzepustowy od jednego herca do 50 herców do kanałów od pierwszego do 128 za pomocą funkcji pop basicfilter z projektem Butterwortha i kolejnością filtrów wynoszącą dwa. Użyj filtrowania do przodu i do tyłu z zerową fazą, aby zapobiec zniekształceniom fazy. Zastosuj filtr wycinający przy 50 lub 60 hercach do kanałów od pierwszego do 64 za pomocą podstawowego filtra pop z konstrukcją wycinania PM i kolejnością filtrów 180. W celu odrzucenia artefaktów użyj funkcji czystych surowych danych z podanymi parametrami, aby automatycznie wykrywać i usuwać płaskie kanały, hałaśliwe segmenty i dryfy o niskiej częstotliwości. Sprawdź wzrokowo dane EEG za pomocą wykresu EEG z laboratorium EG, aby zidentyfikować wszelkie szczątkowe artefakty pominięte przez metodę automatyczną. Ręcznie oznacz i usuń pozostałe artefakty, aby zapewnić wysoką jakość danych. Użyj pop_reref, aby ponownie odnieść sygnały EEG do średniej ze wszystkich elektrod, upewniając się, że oryginalna elektroda referencyjna jest zachowana. Załaduj plik z sufiksem loc_filt_cleanraw_reref.set za pomocą pop loadset. Przeprowadź niezależną analizę składowych lub ICA za pomocą funkcji pop runica z algorytmem runica, aby zdekomponować dane EEG na niezależne komponenty. Zapisz nowy zestaw danych z sufiksem loc_filt_cleanraw_reref_ICA użyciu pop_saveset w celu wskazania ukończenia ICA. Zaimportuj zestaw danych ICA za pomocą pop loadset. Uruchom funkcję etykiety pop ICA z modelem domyślnym, aby sklasyfikować niezależne komponenty w kategoriach mózgu i artefaktów. Zidentyfikuj wszystkie składniki z prawdopodobieństwem aktywności mózgu powyżej 0,7. Użyj funkcji pop subcomp, aby usunąć wszystkie komponenty z prawdopodobieństwem mózgu etykiety IC poniżej 0,7. Zachowaj tylko komponenty o prawdopodobieństwie aktywności mózgu powyżej 0,7, aby zachować autentyczne sygnały, zapewniając jednocześnie skuteczne usuwanie artefaktów. Zapisz czysty zestaw danych z sufiksem loc_filt_cleanraw_reref_ac_cleaned użyciu pop_saveset. Na koniec zaimportuj zestaw danych ze składnikami ICA bez artefaktów przy użyciu funkcji pop loadset i zapisz w pełni wstępnie przetworzony i znormalizowany zestaw danych z sufiksem loc_filt_cleanraw_reref_ICA_Normalized przy użyciu pop_saveset. Stan początkowy zbioru danych EEG przed jakimkolwiek przetwarzaniem wstępnym, w tym zarówno surowe ślady sygnału, jak i odpowiadające im charakterystyki widmowe, przedstawiono na tym rysunku. Surowe dane EEG wykazywały wysoki poziom szumów i nieregularne ślady sygnału w wielu kanałach, co pogarszało klarowność i możliwość interpretacji. Ręczne czyszczenie danych EEG zmniejszyło artefakty sygnału i poprawiło jednorodność przebiegu, ale niektóre szczątkowe szumy i niespójności pozostały widoczne. Dane przetworzone za pomocą PIPEMAT-RS wyświetlały najczystsze przebiegi EEG ze spójną strukturą sygnału i minimalnymi widocznymi artefaktami we wszystkich kanałach.

pipemat-rs-development-validation-standardized-matlab-pipeline-for

Research

JoVE Journal

Neuroscience

Neuronauka

Ocena rytmu EEG mu dostarcza unikalnej metodologii badania aktywności mózgu, a w połączeniu z testami opartymi na zachowaniu, może być potężnym narzędziem do wyjaśniania aspektów poznania społecznego, takich jak naśladownictwo, w populacjach klinicznych.

Rytm EEG Mu w rozwoju typowym i nietypowym

Ten film przedstawia procedury przygotowania, rejestracji i analizy źródeł wysokorozdzielczego EEG u szczurów poddanych sedacji ze szczególnym przedklinicznym modelem padaczki ogniskowej w warunkach nieinwazyjnych.

Obrazowanie źródła mózgu w przedklinicznych szczurzych modelach padaczki ogniskowej przy użyciu zapisów EEG o wysokiej rozdzielczości

Ten artykuł opisuje protokół leżący u podstaw analizy mikrostanów elektroencefalografii (EEG) i analizy złożoności omega, które są dwoma niezależnymi pomiarami EEG i są bardzo cenne dla badania mechanizmów neuronalnych zaburzeń mózgu.

Analizy złożoności mikrostanów i kwasów omega elektroencefalografii stanu spoczynku

Ten protokół opisuje metodę uzyskiwania danych z funkcjonalnego rezonansu magnetycznego (rs-fMRI) w stabilnym stanie spoczynku od szczura przy użyciu niskiej dawki izofluranu w połączeniu z niską dawką deksmedetomidyny.

Akwizycja danych z funkcjonalnego rezonansu magnetycznego w stanie spoczynku u szczura

Przedstawiono standardowy rurociąg do badania morfometrii istoty szarej móżdżku. Rurociąg łączy w sobie najnowocześniejsze podejścia o wysokiej rozdzielczości do zoptymalizowanej i zautomatyzowanej parcelacji móżdżku oraz rejestracji móżdżku na podstawie wokseli w celu wolumetrycznej oceny ilościowej.

Ustandaryzowany rurociąg do badania morfometrii istoty szarej móżdżku człowieka za pomocą strukturalnego rezonansu magnetycznego

Tutaj opisujemy protokół łączący wstrzyknięcie wirusa związanego z adenowirusem z implantacją okna czaszkowego w celu jednoczesnego obrazowania dynamiki mikrogleju i aktywności neuronalnej u obudzonych myszy.

Jednoczesne obrazowanie dynamiki mikrogleju i aktywności neuronalnej u obudzonych myszy

Zestaw narzędzi BrainBeats to wtyczka EEGLAB o otwartym kodzie źródłowym, przeznaczona do wspólnej analizy sygnałów EEG i sercowo-naczyniowych (EKG/PPG). Obejmuje ocenę potencjałów wywołanych biciem serca (HEP), analizę opartą na cechach i ekstrakcję artefaktów serca z sygnałów EEG. Protokół pomoże w badaniu interakcji mózg-serce przez dwie soczewki (HEP i funkcje), zwiększając odtwarzalność i dostępność.

BrainBeats jako wtyczka EEGLAB o otwartym kodzie źródłowym do wspólnej analizy EEG i sygnałów sercowo-naczyniowych

Prezentowany tutaj jest potok analizy wideo, który pokonuje wyzwania związane z monitorowaniem zachowań w środowiskach MRI, pozwalając na wykrywanie nieinstruowanych reakcji behawioralnych na zewnętrzne sygnały. Analiza ta ułatwi bardziej kompleksowe zrozumienie wywołanych zmian stanu wewnętrznego i aktywności całego mózgu.

Profilowanie reakcji na zachowanie matki podczas obrazowania całego mózgu

Nowatorski protokół spersonalizowanej przezczaszkowej stymulacji magnetycznej w połączeniu z mapowaniem sieci korowych za pomocą elektroencefalografii (TMS–EEG), oparty na wielu modalnościach obrazowania metodą rezonansu magnetycznego (MRI).

Neuroobrazowanie TMS-EEG do mapowania sieci korowej w czasie rzeczywistym

Niniejsze badanie przedstawia ustandaryzowany i powtarzalny protokół implementacji narzędzia do analizy EEG przestrzenno-czasowo-częstotliwościowej (STFEEG) do dekodowania EEG obrazów motorycznych, łącząc konfigurowalną segmentację przestrzenno-czasowo-częstotliwościową, ekstrakcję cech opartą na wspólnych wzorcach przestrzennych (CSP), algorytmy wielokrotnej klasyfikacji oraz możliwości wizualizacji.

STFEEG-Tool: narzędzie do analizy EEG przestrzenno-czasowo-częstotliwościowej dla interfejsów mózg-komputer obrazowania motorycznego

Ten protokół pokazuje, jak symulacje neuronalne oparte na fizyce mogą być wykorzystywane do interpretacji biomarkerów elektro fizjologicznych neuroterapeutyków i ujawniania ich wpływu na obwody neuronalne, zapewniając uzasadnione mechanistycznie podejście do rozwoju neuroterapeutyki.

Protokół do ujawnienia neuronalnych mechanizmów działania neuroterapeutycznego na elektroencefalografii z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu

Wprowadzenie

W ostatnich latach neuroterapia stała się coraz bardziej popularna jako metoda leczenia różnych zaburzeń psychicznych i neurologicznych. Jednak mechanizmy działania neuroterapii na poziomie neuronalnym pozostają częściowo niejasne. Elektroencefalografia (EEG) jest jednym z najczęściej stosowanych narządów diagnostycznych w neuroterapii, ponieważ umożliwia rejestrację aktywności elektrycznej mózgu w czasie rzeczywistym. W tym artykule przedstawiamy protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG za pomocą ludzkiego neurosolvera kory nowej mózgu.

Materiał i metody

1. Przygotowanie danych

Aby rozpocząć, zebrane zostaną dane EEG od pacjentów, którzy przechodzą neuroterapię. Dane te będą przetwarzane w celu usunięcia artefaktów i zakłóceń, a następnie zostaną przefiltrowane w celu uzyskania odpowiednich zakresów częstotliwości.

2. Modelowanie matematyczne

Następnie, wykorzystując ludzki neurosolver kory nowej mózgu, dane EEG zostaną przekształcone w model matematyczny opisujący aktywność neuronalną w korze nowej mózgu. Neurosolver kory nowej mózgu jest zaawansowanym narzędziem komputerowym, które pozwala na symulację działania neuronów i sieci neuronowych w korze mózgu.

3. Analiza wrażliwości

Po utworzeniu modelu matematycznego, przeprowadzona zostanie analiza wrażliwości w celu zidentyfikowania kluczowych parametrów i zmiennych, które mają wpływ na działanie neuroterapii. Analiza ta pomoże zrozumieć, jak neuroterapia modyfikuje aktywność neuronalną w korze mózgu i jak te zmiany wpływają na działanie terapeutyczne.

4. Weryfikacja modelu

Na koniec, model matematyczny zostanie zweryfikowany poprzez porównanie jego prognoz z rzeczywistymi danymi EEG pacjentów, którzy przeszli neuroterapię. Ta weryfikacja pomoże określić dokładność i przydatność modelu w przewidywaniu działania neuroterapii.

Wyniki

Protokół ten pozwoli na lepsze zrozumienie mechanizmów działania neuroterapii na poziomie neuronalnym. Dzięki zastosowaniu ludzkiego neurosolvera kory nowej mózgu, będziemy w stanie zidentyfikować kluczowe elementy aktywności neuronalnej, które są modyfikowane przez neuroterapię i które mają bezpośredni wpływ na efekty terapeutyczne.

Podsumowanie

Przedstawiony protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu zapewnia nowatorskie podejście do zrozumienia i ulepszania neuroterapii. Dzięki temu protokołowi będziemy w stanie lepiej zrozumieć, jak neuroterapia działa na poziomie neuronalnym i jak te informacje mogą być wykorzystane do ulepszania metod leczenia różnych zaburzeń psychicznych i neurologicznych.

Poznaj PIPEMAT-RS, ustandaryzowany potok MATLAB do wstępnego przetwarzania EEG w stanie spoczynku. Ta metoda poprawia jakość sygnału i odtwarzalność danych poprzez automatyczną klasyfikację artefaktów oraz analizę ICA.

PIPEMAT-RS: Opracowanie i walidacja ustandaryzowanego potoku MATLAB do wstępnego przetwarzania EEG w stanie spoczynku

Przeglądaj więcej filmów