PIPEMAT-RS: Desenvolvimento e validação de um pipeline padronizado de MATLAB para pré-processamento de EEG em estado de repouso

Desenvolvemos um pipeline de pré-processamento de EEG padronizado para melhorar a qualidade do sinal, reduzir o ruído e apoiar pesquisas neurofisiológicas consistentes em diversos conjuntos de dados clínicos e experimentais. Pipelines recentes como RELAX e Automagic oferecem limpeza automatizada de EEG, mas muitas vezes carecem de flexibilidade ou documentação clara para pesquisadores e estudantes que precisam de transparência e consistência de resultados. Usamos EEG, Matlab, laboratório de EEG e rejeição de artefatos baseada em ICA combinados com classificadores automatizados, como o ICLabel, para melhorar a qualidade dos dados e simplificar os fluxos de trabalho de pré-processamento. Verificou-se que o PIPEMAT-RS melhora a qualidade do sinal de EEG, aumenta a SNR e suporta biomarcadores robustos em estudos de acidente vascular cerebral, fibromialgia e dor crônica. Este protocolo aborda a falta de um pipeline previsível, bem documentado e padronizado para EEG em estado de repouso que seja consistente e acessível para pesquisadores em todo o mundo.

[Apresentador] Para começar, abra o MATLAB e navegue até o diretório que contém os arquivos de dados brutos do eletroencefalograma. Defina o caminho do diretório para os arquivos de dados brutos e crie uma lista contendo os assuntos. Carregue o arquivo de dados brutos usando a função de carregamento para arquivos .mat e salve cada arquivo no formato .mat, garantindo a integridade dos dados e retendo todos os metadados relevantes. Abra o MATLAB e navegue até o diretório que contém os arquivos do MATLAB. Use a função pop load set da caixa de ferramentas do laboratório de EEG para carregar o conjunto de dados de EEG de cada sujeito. Certifique-se de que o local apropriado do eletrodo file correspondente à configuração da tampa EEG está disponível no diretório de trabalho. Use a função pop_chanedit para aplicar os locais dos eletrodos. Inspecione visualmente o layout do canal usando a GUI dos laboratórios de EEG para confirmar as posições corretas de todos os eletrodos. Salve o conjunto de dados de EEG atualizado usando a função pop_saveset. Se necessário, reduza a taxa de amostragem dos dados de EEG para 250 hertz usando a função de reamostragem pop. Aplique um filtro passa-banda de um hertz a 50 hertz aos canais de um a 128 usando a função pop basicfilter com um design Butterworth e ordem de filtro de dois. Use filtragem direta e reversa de fase zero para evitar distorção de fase. Aplique um filtro de entalhe de 50 ou 60 hertz aos canais de um a 64 usando o filtro básico pop com o design de entalhe PM e uma ordem de filtro de 180. Para a rejeição do artefato, use a função de dados brutos limpos com os parâmetros fornecidos para detectar e remover automaticamente canais de linha plana, segmentos ruidosos e desvios de baixa frequência. Inspecione visualmente os dados de EEG usando o gráfico de EEG do laboratório EG para identificar quaisquer artefatos residuais perdidos pelo método automatizado. Marque e remova manualmente os artefatos restantes para garantir alta qualidade de dados. Use pop_reref para referenciar novamente os sinais de EEG à média de todos os eletrodos, garantindo que o eletrodo de referência original seja retido. Carregue o arquivo com o sufixo loc_filt_cleanraw_reref.set usando o conjunto de carregamento pop. Execute a análise de componentes independentes ou ICA usando a função pop runica com o algoritmo runica para decompor os dados de EEG em componentes independentes. Salve o novo conjunto de dados com o sufixo loc_filt_cleanraw_reref_ICA usando pop_saveset para indicar a conclusão do ICA. Importe o conjunto de dados ICA usando o conjunto de cargas pop. Execute a função de rótulo pop ICA com o modelo padrão para classificar componentes independentes em categorias de cérebro e artefato. Identifique todos os componentes com probabilidade de atividade cerebral acima de 0,7. Use a função pop subcomp para remover todos os componentes com probabilidade cerebral de rótulo IC abaixo de 0,7. Retenha apenas componentes com uma probabilidade de atividade cerebral acima de 0,7 para preservar sinais genuínos, garantindo a remoção eficaz de artefatos. Salve o conjunto de dados limpo com o sufixo loc_filt_cleanraw_reref_ac_cleaned usando pop_saveset. Por fim, importe o conjunto de dados com componentes ICA livres de artefatos usando a função pop loadset e salve o conjunto de dados totalmente pré-processado e normalizado com o sufixo, loc_filt_cleanraw_reref_ICA_Normalized usando pop_saveset. O estado inicial do conjunto de dados de EEG antes de qualquer pré-processamento, incluindo os traços de sinal bruto e suas características espectrais correspondentes, é ilustrado nesta figura. Os dados brutos de EEG exibiram altos níveis de ruído e traços de sinal irregulares em vários canais, comprometendo a clareza e a interpretabilidade. A limpeza manual dos dados do EEG reduziu os artefatos de sinal e melhorou a uniformidade da forma de onda, mas alguns ruídos residuais e inconsistências permaneceram visíveis. Os dados processados com o PIPEMAT-RS exibiram as formas de onda de EEG mais limpas com estrutura de sinal consistente e artefatos visíveis mínimos em todos os canais.