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

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.