PIPEMAT-RS: Разработка и валидация стандартизированного конвейера MATLAB для предварительной обработки ЭЭГ в состоянии покоя

Мы разработали стандартизированный конвейер предварительной обработки ЭЭГ для улучшения качества сигнала, снижения шума и поддержки последовательных нейрофизиологических исследований на основе различных клинических и экспериментальных наборов данных. Современные конвейеры, такие как RELAX и Automagic, предлагают автоматическую очистку ЭЭГ, но часто им не хватает гибкости или четкой документации для исследователей и студентов, которым нужна прозрачность и согласованность результатов. Мы используем ЭЭГ, Matlab, лабораторию ЭЭГ и подавление артефактов на основе ICA в сочетании с автоматизированными классификаторами, такими как ICLabel, для повышения качества данных и оптимизации рабочих процессов предварительной обработки. Было обнаружено, что PIPEMAT-RS улучшает качество сигнала ЭЭГ, повышает отношение сигнал/шум и поддерживает надежные биомаркеры в исследованиях инсульта, фибромиалгии и хронической боли. Этот протокол решает проблему отсутствия предсказуемого, хорошо документированного и стандартизированного конвейера для ЭЭГ в состоянии покоя, который был бы одновременно последовательным и доступным для исследователей во всем мире.

[Ведущий] Для начала откройте MATLAB и перейдите в каталог, содержащий необработанные файлы данных электроэнцефалограммы. Определите путь к исходным файлам данных и создайте список, содержащий темы. Загрузите файл необработанных данных с помощью функции загрузки для файлов .mat и сохраните каждый файл в формате .mat, обеспечив целостность данных и сохранив все соответствующие метаданные. Откройте MATLAB и перейдите в каталог, содержащий файлы MATLAB. Используйте функцию набора всплывающей загрузки из набора инструментов лаборатории ЭЭГ для загрузки набора данных ЭЭГ каждого субъекта. Убедитесь, что файл с соответствующим расположением электродов, соответствующий конфигурации ЭЭГ-колпачка, доступен в рабочем каталоге. Используйте функцию pop_chanedit для определения местоположения электродов. Визуально осмотрите расположение каналов с помощью графического интерфейса лаборатории ЭЭГ, чтобы убедиться в правильном положении всех электродов. Сохраните обновленный набор данных ЭЭГ с помощью функции pop_saveset. При необходимости уменьшите частоту дискретизации данных ЭЭГ до 250 Гц с помощью функции повторной выборки POP. Примените полосовой фильтр от одного герца до 50 Гц к каналам от одного до 128 с помощью функции pop basicfilter с дизайном Баттерворта и порядком фильтров два. Используйте прямую и обратную фильтрацию нулевой фазы для предотвращения искажения фазы. Примените режекторный фильтр с частотой 50 или 60 Гц к каналам с 1 по 64 с помощью базового фильтра pop с режекторной конструкцией PM и порядком фильтра 180. Для подавления артефактов используйте функцию очистки исходных данных с заданными параметрами, которая автоматически обнаруживает и удаляет плоские каналы, зашумленные сегменты и низкочастотные дрейфы. Визуально проверьте данные ЭЭГ с помощью графика ЭЭГ из лаборатории EG, чтобы выявить любые остаточные артефакты, пропущенные автоматизированным методом. Вручную пометьте и удалите оставшиеся артефакты, чтобы обеспечить высокое качество данных. Используйте pop_reref для повторной привязки сигналов ЭЭГ к среднему значению всех электродов, обеспечивая сохранение исходного электрода сравнения. Загрузите файл с суффиксом loc_filt_cleanraw_reref.set с помощью pop loadset. Запустите анализ независимых компонентов или ICA с помощью функции pop runica с алгоритмом runica, чтобы разложить данные ЭЭГ на независимые компоненты. Сохраните новый набор данных с суффиксом, loc_filt_cleanraw_reref_ICA используя pop_saveset для обозначения завершения ICA. Импортируйте набор данных ICA с помощью pop loadset. Запустите функцию pop ICA label с моделью по умолчанию, чтобы классифицировать независимые компоненты по категориям мозга и артефактов. Определите все компоненты с вероятностью активности мозга выше 0,7. Используйте функцию pop subcomp для удаления всех компонентов с вероятностью мозга IC-метки ниже 0,7. Сохраняйте только компоненты с вероятностью активности мозга выше 0,7, чтобы сохранить подлинные сигналы и обеспечить эффективное удаление артефактов. Сохраните чистый набор данных с суффиксом, loc_filt_cleanraw_reref_ac_cleaned с помощью pop_saveset. Наконец, импортируйте набор данных с компонентами ICA без артефактов с помощью функции pop loadset и сохраните полностью обработанный и нормализованный набор данных с суффиксом loc_filt_cleanraw_reref_ICA_Normalized с использованием pop_saveset. На этом рисунке показано начальное состояние набора данных ЭЭГ до любой предварительной обработки, включая как трассы исходного сигнала, так и соответствующие им спектральные характеристики. Необработанные данные ЭЭГ показали высокий уровень шума и нерегулярные следы сигнала по нескольким каналам, что поставило под угрозу четкость и интерпретируемость. Ручная очистка данных ЭЭГ уменьшила артефакты сигнала и улучшила однородность формы сигнала, но некоторые остаточные шумы и несоответствия оставались видимыми. Данные, обработанные с помощью PIPEMAT-RS, отображали самые чистые формы сигналов ЭЭГ с последовательной структурой сигнала и минимальными видимыми артефактами по всем каналам.