$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Электроэнцефалограмма (ЭЭГ) является важнейшим инструментом как в исследованиях в области нейробиологии, так и в клинической практике, позволяя получить ценную информацию об электрической активности мозга. Данные ЭЭГ в состоянии покоя, в частности, широко используются для исследования различных неврологических и психиатрических состояний, таких как инсульт, фибромиалгия и хроническая нейропатическая боль. Несмотря на широкое применение, анализ данных ЭЭГ требует тщательной предварительной обработки для устранения артефактов и шума, обеспечения целостности и надежности результатов 1,2,3. На протяжении многих лет ЭЭГ играет неоценимую роль в обеспечении неинвазивных измерений активности мозга с высоким временным разрешением, что делает ее незаменимой для изучения динамическихпроцессов в мозге. Тем не менее, необработанные сигналы ЭЭГ часто загрязняются различными источниками шума, которые могут затемнять интересующие нейронные сигналы, тем самым усложняя интерпретациюданных.
Сигналы ЭЭГ очень чувствительны к загрязнению из таких источников, как мышечная активность, движения глаз и электрические помехи7. Эти артефакты могут затемнять нейронные сигналы, что делает предварительную обработку критически важным этапом анализа ЭЭГ. Этот процесс обычно включает в себя несколько этапов - преобразование формата файла, понижение дискретизации, фильтрацию, отбраковку артефактов, анализ независимых компонентов (ICA) и исключение компонентов, связанных с шумом 8,9. Каждый шаг способствует улучшению качества сигнала и обеспечению точного отражения нейронной активности10. Сложность этих процессов обусловливает необходимость использования сложных алгоритмов и программных инструментов для обеспечения эффективности и результативности предварительной обработки11.
Одной из основных проблем при предварительной обработке данных ЭЭГ является вариабельность данных, которая может значительно различаться между субъектами и сеансами записи10,12. Эта вариабельность возникает из-за различий в физиологических и анатомических характеристиках испытуемых, а также различий в условиях эксперимента и используемом оборудовании. Кроме того, отсутствие стандартизированных протоколов предварительной обработки может привести к несоответствиям в анализе и интерпретации данных13,14. Несмотря на то, что существует несколько конвейеров и скриптов предварительной обработки, многие из них либо адаптированы к конкретным наборам данных, либо не имеют исчерпывающей документации, что делает их менее доступными для более широкого исследовательскогосообщества. На таких платформах, как GitHub, размещаются многочисленные скрипты и плагины предварительной обработки ЭЭГ, облегчающие совместное использование и совместное совершенствованиеэтих инструментов. Тем не менее, фрагментарный характер этих ресурсов подчеркивает потребность в надежном, эффективном и стандартизированном редактируемом конвейере предварительной обработки, который можно было бы широко применять в различных наборах данных и исследовательских контекстах16. Такой конвейер не только повысит воспроизводимость исследований ЭЭГ, но и обеспечит основу, на которой исследовательское сообщество сможет строить и адаптировать кконкретным потребностям.
В дополнение к EEGLAB, который составляет основу PIPEMAT-RS благодаря обширной пользовательской базе и интеграции с MATLAB, в полевых условиях широко используются и другие наборы инструментов для обработки ЭЭГ. Например, MNE-Python — это платформа на основе Python с открытым исходным кодом, которая предлагает расширенные функциональные возможности для локализации исходного кода, анализа сенсорного пространства и интеграции с рабочими процессами машинного обучения. FieldTrip, набор инструментов на основе MATLAB, как и EEGLAB, известен своей гибкой средой сценариев и всесторонней поддержкой анализа временных частот и подключений. Хотя эти платформы предоставляют мощные альтернативы, они, как правило, требуют более крутых кривых обучения и более продвинутых навыков программирования. PIPEMAT-RS был разработан для обеспечения доступности и прозрачности, особенно для исследователей, которым требуется редактируемое и модульное решение для предварительной обработки ЭЭГ в состоянии покоя с помощью EEGLAB. Тем не менее, концептуальная структура PIPEMAT-RS может быть адаптирована к другим наборам инструментов по мере необходимости, способствуя совместимости и настройке в различных программных средах.
В последние годы было разработано несколько автоматизированных конвейеров предварительной обработки ЭЭГ, таких как RELAX18, Automagic19, APP20 и PREP7. Эти конвейеры включают в себя передовые алгоритмы удаления артефактов и очистки данных, часто используя стратегии на основе ICA с ограниченной прозрачностью или настройкой для неопытных пользователей. Например, RELAX представляет многоступенчатый метод очистки ICA, который улучшает отбраковку артефактов, но опирается на сложные конфигурации, которые могут быть нелегко изменены. В отличие от этого, PIPEMAT-RS разработан как гибкая, прозрачная и доступная для обучения альтернатива, позволяющая исследователям понимать и вручную корректировать каждый этап предварительной обработки. Такая прозрачность позволяет использовать PIPEMAT-RS как исследовательский, так и учебный инструмент, сохраняя при этом строгость и воспроизводимость. Кроме того, PIPEMAT-RS уделяет особое внимание документации, модульному выполнению и адаптируемости наборов данных — функциям, которые часто недооцениваются или отсутствуют в других конвейерах.
С экономической точки зрения, разработка и внедрение стандартизированного редактируемого конвейера предварительной обработки данных ЭЭГ может иметь значительные последствия. Мировой рынок устройств ЭЭГ оценивался примерно в 1,2 млрд долларов США в 2020 году и, как ожидается, будет расти со совокупным годовым темпом роста (CAGR) 7,5% с 2021 по2028 год 22. Эффективные конвейеры предварительной обработки, особенно редактируемые и модульные, могут сократить время и затраты, связанные с анализом данных, что является важным фактором в крупномасштабных клинических испытаниях и исследованиях в области общественного здравоохранения. Сводя к минимуму человеческие ошибки и автоматизируя повторяющиеся задачи, такие конвейеры могут повысить точность анализа данных ЭЭГ и привести к болеенадежным результатам исследований. Это, в свою очередь, может ускорить разработку новых диагностических инструментов и терапевтических вмешательств, потенциально снижая затраты на здравоохранение и улучшая результаты лечения пациентов1.
Целью данной статьи является представление и валидация стандартизированного редактируемого интегрированного конвейера предварительной обработки для ЭЭГ в состоянии покоя с использованием MATLAB (PIPEMAT-RS). Этот редактируемый конвейер, разработанный как надежный, так и эффективный, является универсальным и может широко применяться к различным наборам данных и сценариям исследований. Семь комплексных шагов включают преобразование формата файла, понижение дискретизации, фильтрацию, подавление артефактов, независимый анализ компонентов (ICA) и исключение компонентов, связанных с шумом, и все это интегрировано в единый рабочий процесс23,24. При разработке PIPEMAT-RS мы руководствовались необходимостью решения общих проблем в области предварительной обработки ЭЭГ и предоставления инструмента, который исследователи могли бы использовать для оптимизации процессов анализа данных25. Интегрируясь с общепринятыми практиками в этой области и используя возможности MATLAB, PIPEMAT-RS стремится предложить надежную, редактируемую и удобную для пользователя структуру для поддержки предварительной обработки данных ЭЭГ26.
Чтобы подтвердить эффективность PIPEMAT-RS, мы применили его в нескольких исследованиях. В одном исследовании PIPEMAT-RS был использован для изучения биомаркеров ЭЭГ у пациентов с инсультом, выявив значимые корреляции между дезадаптивной моторной функцией и депрессивными профилями27. В другом исследовании PIPEMAT-RS использовался для анализа нейронных сигнатур компенсации мозга у пациентов с инсультом с использованием ЭЭГ и ТМС, что позволило получить важнейшее представление об адаптивных механизмах мозга после инсульта. Дальнейшее подтверждение было получено в исследовании, в котором изучались нейронные адаптации и компенсации у пациентов с фибромиалгией29. Кроме того, другое исследование продемонстрировало, как дельта- и тета-полосы на ЭЭГ в состоянии покоя служат компенсаторными механизмами при хронической нейропатическойболи.
Эти исследования в совокупности подчеркивают полезность PIPEMAT-RS в обработке и анализе данных ЭЭГ, устанавливая его эффективность в различных условиях и приложениях. Обеспечивая стандартизированный подход, этот конвейер не только повышает воспроизводимость исследований ЭЭГ, но и способствует более широкому внедрению согласованных методов предварительной обработки в исследовательском сообществе. С помощью этой статьи мы стремимся внести ценный вклад в эту область, способствуя более точному и надежному анализу данных ЭЭГ16,17. Таким образом, мы надеемся поддержать развитие исследований в области нейрофизиологии и разработку новых терапевтических подходов к лечению неврологических и психиатрических заболеваний.
Основные этапы предварительной обработки, используемые в PIPEMAT-RS, основаны на надежных, широко проверенных методах, которые стали незаменимыми в исследованиях ЭЭГ для обеспечения качества и воспроизводимости данных 2,8,14. Несмотря на то, что эти методологии хорошо зарекомендовали себя, они остаются критически важными из-за их эффективности в устранении общих артефактов ЭЭГ и шума, что продолжает поддерживать надежный анализ в исследованиях. Тем не менее, в последнее время немногие исследования предоставили полностью документированный, стандартизированный конвейер, предназначенный для ЭЭГ в состоянии покоя. Интегрируя эти проверенные методы с последними достижениями, такими как ICLabel для автоматизированной классификации артефактов, PIPEMAT-RS обеспечивает современный, структурированный подход, который повышает воспроизводимость и доступность для исследователей, удовлетворяя постоянную потребность в тщательно документированных рабочих процессах предварительной обработки в полевых условиях.
В то время как конвейер PIPEMAT-RS следует установленным этапам предварительной обработки, обычно используемым в исследованиях ЭЭГ, его документация в виде научной статьи заполняет важный пробел в литературе. Многие исследования ЭЭГ основаны на аналогичных методах предварительной обработки, но часто не имеют всестороннего, пошагового описания, которое обеспечивает полную воспроизводимость и простоту принятия другими исследователями. Детализируя каждый компонент PIPEMAT-RS и представляя стандартизированную последовательность для анализа ЭЭГ в состоянии покоя, эта работа направлена на повышение прозрачности, минимизацию вариабельности пользователей и предоставление воспроизводимой структуры, применимой в разных исследованиях. Вместо того, чтобы знакомить с новыми методами, этот вклад призван служить учебным и практическим руководством, которое поможет стандартизировать практики предварительной обработки и улучшить доступность для широкого круга исследователей ЭЭГ, особенно тех, кто работает с данными о состоянии покоя.
Предварительная обработка данных ЭЭГ является критически важным этапом, который существенно влияет на качество и достоверность последующих анализов. Интегрированный конвейер предварительной обработки для ЭЭГ в состоянии покоя с использованием MATLAB (PIPEMAT-RS) был разработан для решения общих проблем предварительной обработки данных ЭЭГ путем обеспечения комплексного, стандартизированного подхода, применимого к различным наборам данных. Этот структурированный, редактируемый конвейер состоит из семи ключевых этапов: i) Преобразование формата файла; ii) ЭЭГ-монтаж; iii) Понижающая дискретизация и фильтрация; iv) Отвержение артефактов и повторные ссылки; v) Анализ независимых компонентов (ICA); vi) Классификация ICLabel; vii) Нормализация данных. Каждый шаг тщательно разработан для улучшения качества сигнала и облегчения извлечения значимой информации из необработанных данных ЭЭГ.
Важнейшей особенностью PIPEMAT-RS является то, что каждый этап предварительной обработки завершается сохранением набора данных под отдельным именем файла. Эта структура гарантирует, что для каждого обрабатываемого файла генерируется производная версия, соответствующая каждому конкретному шагу. Такой систематический подход позволяет пользователям получать доступ к данным в любой точке семиэтапного конвейера предварительной обработки. Сохраненные файлы содержат идентификаторы, которые четко указывают на этап предварительной обработки, что упрощает отслеживание и управление данными на протяжении всего рабочего процесса.
PIPEMAT-RS начинается с преобразования формата файла, при котором необработанные файлы данных ЭЭГ преобразуются в формат, совместимый с MATLAB. Это преобразование необходимо для бесперебойной обработки данных в надежной вычислительной среде MATLAB. После этого на этапе монтажа ЭЭГ каждому электроду на волосистой части головы назначаются точные пространственные местоположения на основе стандартизированных систем размещения электродов. Эта пространственная информация имеет решающее значение для точной интерпретации данных ЭЭГ в нейрофизиологических исследованиях.
Затем конвейер применяет понижение частоты дискретизации и фильтрацию для снижения частоты дискретизации данных и устранения шума, сохраняя при этом частотные компоненты, относящиеся к нейрофизиологическим исследованиям. Понижающая дискретизация снижает вычислительную нагрузку и требования к хранилищу без ущерба для качества данных. Фильтрация удаляет определенные частотные компоненты, которые, как известно, связаны с артефактами, тем самым сохраняя основные нейронные сигналы.
Впоследствии выполняется отбраковка артефактов и повторное обращение к ним. На этом этапе выявляются и удаляются сегменты данных, загрязненные источниками шума, такими как моргание глаз, мышечная активность и движение электродов. Алгоритмы автоматического подавления артефактов используются для минимизации ручного вмешательства, снижения вероятности человеческой ошибки и повышения эффективности предварительной обработки. Сопоставление данных со средним значением по всем электродам помогает смягчить влияние любого отдельного электрода и обеспечивает стабильный эталон для сигналов ЭЭГ.
Этап анализа независимых компонент (ICA) еще больше уточняет данные, разделяя смешанные сигналы на их независимые источники. Такое разложение облегчает идентификацию и удаление таких артефактов, как моргание глаз, мышечные артефакты и шум линий. ICA — это мощный метод, который гарантирует, что оставшиеся данные точно отражают основную нейронную активность.
Наконец, классификация ICLabel применяется для автоматической идентификации и удаления компонентов, классифицированных как артефакты. ICLabel присваивает вероятностные метки независимым компонентам, классифицируя их как активность мозга, мышечная активность, моргание глаз, сердцебиение, линейный шум или шум канала. Компоненты с высокой вероятностью репрезентации мозговой активности сохраняются, в то время как те, которые идентифицированы как артефакты, удаляются. Такой автоматизированный подход значительно сокращает объем ручного труда и обеспечивает согласованную и объективную классификацию по наборам данных.
Каждый из этих этапов предварительной обработки имеет важное значение для улучшения качества данных ЭЭГ. Стандартизируя рабочий процесс предварительной обработки, PIPEMAT-RS сводит к минимуму вариативность, вызванную различными методами предварительной обработки, облегчая сравнение результатов между исследованиями. Внедрение конвейера в MATLAB, широко используемую платформу в нейробиологическом сообществе, обеспечивает доступность и простоту интеграции в существующие исследовательские рабочие процессы.
При разработке PIPEMAT-RS мы руководствовались общепринятыми практиками анализа данных ЭЭГ, включая методы и приемы, валидированные в предыдущих исследованиях. Каждый шаг был тщательно спланирован и тщательно протестирован, чтобы убедиться в его эффективности в повышении качества данных (рис. 1). Этот комплексный подход не только повышает надежность данных ЭЭГ, но и поддерживает идентификацию нейрофизиологических маркеров, критически важных для понимания различных неврологических и психиатрических состояний.