Yöntem makalesi

PIPEMAT-RS: Dinlenme Durumu EEG Ön İşleme için Standartlaştırılmış Bir MATLAB Boru Hattının Geliştirilmesi ve Doğrulanması

DOI:

10.3791/68350

⸱

6 Haziran 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Mental Health Department, Santa Casa de São Paulo School of Medical Sciences, 2Neuromodulation Center and Center for Clinical Research Learning, Spaulding Rehabilitation Hospital and Massachusetts General Hospital, Harvard Medical School, 3Vicerrectorado de Investigación, Unidad de Investigación para la Generación y Síntesis de Evidencias en Salud, Universidad San Ignacio de Loyola, 4Instituto de Medicina Física e Reabilitação, Hospital das Clínicas HCFMUSP, Faculdade de Medicina, Universidade de São Paulo, 5Faculdade de Medicina, Universidade de São Paulo

* These authors contributed equally

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, dinlenme durumu EEG verileri için standartlaştırılmış bir MATLAB tabanlı ön işleme boru hattı olan PIPEMAT-RS'yi sunar. Artefaktın kaldırılmasını sağlar, sinyal kalitesini iyileştirir ve etütler arasında veri tekrarlanabilirliğini artırır. Boru hattı, filtreleme, bağımsız bileşen analizi (ICA) ve artefakt sınıflandırması dahil olmak üzere temel ön işleme adımlarını otomatikleştirerek nörofizyolojik araştırmalar için tutarlı ve güvenilir EEG analizini kolaylaştırır.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Elektroensefalografi (EEG), sinirbilim araştırmalarında ve klinik uygulamalarda çok önemli bir araçtır, ancak ham EEG verileri genellikle sinyal kalitesini tehlikeye atan gürültü ve artefaktlar içerir. Bunu ele almak için, dinlenme durumu EEG verileri için standartlaştırılmış bir MATLAB tabanlı ön işleme boru hattı olan PIPEMAT-RS'yi geliştirdik. PIPEMAT-RS, yapılandırılmış yedi adımlı bir iş akışını takip eder: dosya formatı dönüştürme, EEG montaj yapılandırması, altörnekleme, filtreleme, artefakt reddetme, bağımsız bileşen analizi (ICA) ve otomatik artefakt kaldırma için ICLabel sınıflandırması. Bu protokol, artefakt reddinde yüksek doğruluğu korurken insan müdahalesini en aza indirerek EEG veri kalitesini artırır. Birden fazla veri kümesi kullanılarak doğrulandı ve sinyal bütünlüğünü iyileştirmedeki sağlamlığını gösterdi. PIPEMAT-RS, EKG çalışmalarında tekrarlanabilirliği ve güvenilirliği kolaylaştıran, sahada yaygın olarak benimsenen uygulamalarla uyumlu ve mevcut boru hatlarını tamamlayabilecek açıkça belgelenmiş bir yapı sunan sistematik bir yaklaşım sağlar. EEG ön işlemeyi standartlaştıran PIPEMAT-RS, nörofizyolojik araştırmaları ve klinik uygulamaları kolaylaştırarak, dinlenme durumu beyin aktivitesinin ve bunun nörolojik ve psikiyatrik durumlarla ilişkilerinin daha doğru yorumlanmasına olanak tanır.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Elektroensefalogram (EEG), hem sinirbilim araştırmalarında hem de klinik uygulamada kritik bir araçtır ve beynin elektriksel aktivitesi hakkında değerli bilgiler sunar. Özellikle dinlenme durumu EEG verileri, inme, fibromiyalji ve kronik nöropatik ağrı gibi çeşitli nörolojik ve psikiyatrik durumları araştırmak için yaygın olarak kullanılmaktadır. Yaygın uygulamasına rağmen, EEG verilerinin analizi, artefaktları ve gürültüyü ortadan kaldırmak için titiz bir ön işlem gerektirir ve sonuçların bütünlüğünü ve güvenilirliğini sağlar 1,2,3. Yıllar geçtikçe, EEG, beyin aktivitesinin non-invaziv ve yüksek zamansal çözünürlüklü ölçümlerini sağlamada paha biçilmez olmuşturve bu da onu beynin dinamik süreçlerini incelemek için vazgeçilmez kılmıştır 4,5. Bununla birlikte, ham EEG sinyalleri genellikle ilgilenilen nöral sinyalleri gizleyebilen çeşitli gürültü kaynakları tarafından kirlenir ve böylece verilerin yorumlanmasını zorlaştırır6.

EEG sinyalleri, kas aktivitesi, göz hareketleri ve elektriksel parazit gibi kaynaklardan gelen kontaminasyona karşı oldukça hassastır7. Bu artefaktlar nöral sinyalleri gizleyebilir ve ön işlemeyi EEG analizinde kritik bir adım haline getirir. Bu süreç tipik olarak birden çok aşamayı içerir: dosya formatı dönüştürme, altörnekleme, filtreleme, artefakt reddi, bağımsız bileşen analizi (ICA) ve gürültüyle ilgili bileşenlerin hariç tutulması 8,9. Her adım, sinyal kalitesinin iyileştirilmesine ve verilerin nöral aktiviteyi doğru bir şekilde yansıtmasını sağlamayakatkıda bulunur 10. Bu süreçlerin karmaşıklığı, ön işlemenin hem verimli hem de etkili olmasını sağlamak için karmaşık algoritmaların ve yazılım araçlarının kullanılmasını gerektirir11.

EEG veri ön işlemedeki başlıca zorluklardan biri, denekler ve kayıt oturumları arasında önemli ölçüde farklılık gösterebilen verilerdeki değişkenliktir10,12. Bu değişkenlik, deneklerin fizyolojik ve anatomik özelliklerindeki farklılıkların yanı sıra deney koşullarındaki ve kullanılan ekipmandaki farklılıklardan kaynaklanmaktadır. Ek olarak, standartlaştırılmış ön işleme protokollerinin eksikliği, veri analizi ve yorumlamasında tutarsızlıklara yol açabilir13,14. Çeşitli işlem hatları ve ön işleme komut dosyaları mevcut olsa da, bunların çoğu ya belirli veri kümelerine göre uyarlanmıştır ya da kapsamlı belgelerden yoksundur, bu da onları daha geniş araştırma topluluğu için daha az erişilebilir hale getirir14. GitHub gibi platformlar, çok sayıda EEG ön işleme komut dosyası ve eklentisine ev sahipliği yaparak bu araçların paylaşımını ve işbirliğine dayalı geliştirilmesini kolaylaştırır15. Bununla birlikte, bu kaynakların parçalanmış doğası, farklı veri kümelerinde ve araştırma bağlamlarında geniş çapta uygulanabilecek sağlam, verimli ve standartlaştırılmış düzenlenebilir bir ön işleme hattına duyulan ihtiyacın altını çizmektedir16. Böyle bir boru hattı sadece EEG çalışmalarının tekrarlanabilirliğini arttırmakla kalmayacak, aynı zamanda araştırma topluluğunun belirli ihtiyaçlar için inşa edebileceği ve uyarlayabileceği bir temel sağlayacaktır17.

Geniş kullanıcı tabanı ve MATLAB ile entegrasyonu nedeniyle PIPEMAT-RS'in temelini oluşturan EEGLAB'ın yanı sıra diğer EEG işleme araç kutuları da sahada yaygın olarak kullanılmaktadır. Örneğin, MNE-Python, kaynak yerelleştirme, sensör alanı analizleri ve makine öğrenimi iş akışlarıyla entegrasyon için gelişmiş işlevler sunan açık kaynaklı Python tabanlı bir platformdur. EEGLAB gibi MATLAB tabanlı bir araç kutusu olan FieldTrip, esnek komut dosyası oluşturma ortamı ve zaman-frekans ve bağlantı analizleri için kapsamlı desteği ile bilinir. Bu platformlar güçlü alternatifler sunarken, genellikle daha dik öğrenme eğrileri ve daha gelişmiş programlama becerileri gerektirirler. PIPEMAT-RS, özellikle EEGLAB kullanarak dinlenme durumu EEG ön işleme için düzenlenebilir ve modüler bir çözüm arayan araştırmacılar için erişilebilirlik ve şeffaflık arasında köprü kurmak üzere tasarlanmıştır. Bununla birlikte, PIPEMAT-RS'nin kavramsal yapısı, gerektiğinde diğer araç kutularına uyarlanabilir ve farklı yazılım ortamlarında birlikte çalışabilirliği ve özelleştirmeyi teşvik eder.

Son yıllarda RELAX18, Automagic19, APP20 ve PREP7 gibi çeşitli otomatik EEG ön işleme boru hatları geliştirilmiştir. Bu işlem hatları, yapıt kaldırma ve veri temizleme için gelişmiş algoritmalar içerir ve genellikle uzman olmayan kullanıcılar için sınırlı şeffaflık veya özelleştirme ile ICA tabanlı stratejiler kullanır. Örneğin, RELAX, artefakt reddini iyileştiren ancak kolayca değiştirilemeyen karmaşık konfigürasyonlara dayanan çok adımlı bir ICA temizleme yöntemi sunar21. Buna karşılık, PIPEMAT-RS esnek, şeffaf ve eğitim açısından erişilebilir bir alternatif sağlamak üzere tasarlanmıştır ve araştırmacıların her bir ön işleme adımını anlamasına ve manuel olarak ayarlamasına olanak tanır. Bu şeffaflık, PIPEMAT-RS'nin titizliği ve tekrarlanabilirliği korurken hem bir araştırma hem de öğretim aracı olarak kullanılmasına olanak tanır. Ayrıca PIPEMAT-RS, diğer boru hatlarında genellikle eksik bildirilen veya bulunmayan veri kümeleri özellikleri arasında dokümantasyonu, modüler yürütmeyi ve uyarlanabilirliği vurgular.

Ekonomik olarak, EEG verileri için standartlaştırılmış düzenlenebilir bir ön işleme hattının geliştirilmesi ve uygulanması önemli etkilere sahip olabilir. Küresel EEG cihazları pazarı 2020'de yaklaşık 1,2 milyar ABD doları değerindeydi ve 2021'den 2028'e kadar %7,5'lik bir bileşik yıllık büyüme oranıyla (CAGR) büyümesi bekleniyor22. Verimli ön işleme boru hatları, özellikle düzenlenebilir ve modüler olanlar, büyük ölçekli klinik araştırmalarda ve halk sağlığı araştırmalarında önemli bir husus olan veri analiziyle ilişkili zaman ve maliyeti azaltabilir. İnsan hatasını en aza indirerek ve tekrarlayan görevleri otomatikleştirerek, bu tür boru hatları EEG veri analizinin doğruluğunu artırabilir ve daha güvenilir araştırma sonuçlarına yol açabilir13. Bu da yeni tanı araçlarının ve terapötik müdahalelerin geliştirilmesini hızlandırabilir, potansiyel olarak sağlık hizmeti maliyetlerini azaltabilir ve hasta sonuçlarını iyileştirebilir1.

Bu makale, MATLAB (PIPEMAT-RS) kullanarak Dinlenme Durumu EEG'si için standartlaştırılmış düzenlenebilir bir Ön İşleme Entegre Boru Hattını sunmayı ve doğrulamayı amaçlamaktadır. Hem sağlam hem de verimli olacak şekilde tasarlanan bu düzenlenebilir işlem hattı çok yönlüdür ve çeşitli veri kümelerine ve araştırma senaryolarına yaygın olarak uygulanabilir. Yedi kapsamlı adım, tümü uyumlu bir iş akışına entegre edilmiş dosya formatı dönüştürme, altörnekleme, filtreleme, artefakt reddetme, bağımsız bileşen analizi (ICA) ve gürültüyle ilgili bileşenlerin dışlanmasını içerir23,24. PIPEMAT-RS'nin geliştirilmesi, EEG ön işlemedeki ortak zorlukları ele alma ve araştırmacıların veri analizi süreçlerini düzene sokmak için kullanabilecekleri bir araç sağlama ihtiyacı tarafından yönlendirildi25. PIPEMAT-RS, alanında yaygın olarak benimsenen uygulamalarla entegre olarak ve MATLAB'ın yeteneklerinden yararlanarak, EEG veri ön işlemeyi desteklemek için güvenilir, düzenlenebilir ve kullanıcı dostu bir çerçeve sunmayı amaçlamaktadır26.

PIPEMAT-RS'nin etkinliğini doğrulamak için onu çeşitli çalışmalarda uyguladık. Bir çalışmada, inme hastalarında EEG biyobelirteçlerini araştırmak için PIPEMAT-RS kullanıldı ve uyumsuz motor fonksiyon ile depresif profiller arasında anlamlı korelasyonlar belirlendi27. Başka bir çalışma, EEG ve TMS kullanan inme hastalarında beyin telafisinin nöral imzalarını analiz etmek için PIPEMAT-RS'yi uyguladı ve inme sonrası beynin adaptif mekanizmalarına ilişkin kritik bilgileri ortaya çıkardı28. Daha fazla doğrulama, fibromiyalji hastalarında nöral adaptasyonları ve tazminatları araştıran bir çalışmadan gelmektedir29. Ek olarak, başka bir çalışma, dinlenme durumu EEG'sindeki delta ve teta bantlarının kronik nöropatik ağrıda telafi edici mekanizmalar olarak nasıl hizmet ettiğini göstermiştir30.

Bu çalışmalar toplu olarak PIPEMAT-RS'nin EEG verilerinin işlenmesi ve analiz edilmesindeki faydasını vurgulamakta ve çeşitli koşullar ve uygulamalarda etkinliğini ortaya koymaktadır. Standartlaştırılmış bir yaklaşım sağlayarak, bu boru hattı sadece EEG çalışmalarının tekrarlanabilirliğini arttırmakla kalmaz, aynı zamanda araştırma topluluğunda tutarlı ön işleme yöntemlerinin daha geniş çapta benimsenmesini de kolaylaştırır. Bu makale aracılığıyla, daha doğru ve güvenilir EEG veri analizini teşvik ederek alana değerli bir kaynağa katkıda bulunmayı amaçlıyoruz16,17. Bunu yaparken, nörofizyoloji alanındaki araştırmaların ilerlemesini ve nörolojik ve psikiyatrik durumlar için yeni terapötik yaklaşımların geliştirilmesini desteklemeyi umuyoruz.

PIPEMAT-RS'de kullanılan temel ön işleme adımları, veri kalitesini ve tekrarlanabilirliği sağlamak için EEG araştırmalarında gerekli hale gelen sağlam, geniş çapta doğrulanmış yöntemlere dayanmaktadır 2,8,14. Bu metodolojiler iyi kurulmuş olsa da, ortak EEG artefaktlarını ve gürültüyü ele almadaki etkinlikleri nedeniyle çok önemli olmaya devam ediyorlar ve bu da çalışmalar arasında güvenilir analizleri desteklemeye devam ediyor. Bununla birlikte, son zamanlarda az sayıda çalışma, dinlenme durumu EEG'si için uyarlanmış, tamamen belgelenmiş, standartlaştırılmış bir boru hattı sağlamıştır. PIPEMAT-RS, bu kanıtlanmış teknikleri, otomatik artefakt sınıflandırması için ICLabel gibi son gelişmelerle entegre ederek, araştırmacılar için tekrarlanabilirliği ve erişilebilirliği artıran çağdaş, yapılandırılmış bir yaklaşım sunar ve sahada titizlikle belgelenmiş ön işleme iş akışlarına yönelik devam eden bir ihtiyacı karşılar.

PIPEMAT-RS boru hattı, EEG çalışmalarında yaygın olarak kullanılan yerleşik ön işleme adımlarını takip ederken, bilimsel bir makale şeklindeki dokümantasyonu literatürde önemli bir boşluğu doldurmaktadır. Birçok EEG çalışması benzer ön işleme yöntemlerine dayanır, ancak genellikle tam tekrarlanabilirlik ve diğer araştırmacılar tarafından benimsenme kolaylığı sağlayan kapsamlı, adım adım bir açıklamadan yoksundur. Bu çalışma, PIPEMAT-RS'nin her bir bileşenini detaylandırarak ve dinlenme durumu EEG analizi için standartlaştırılmış bir dizi sunarak, şeffaflığı artırmayı, kullanıcı değişkenliğini en aza indirmeyi ve çalışmalar arasında uygulanabilir tekrarlanabilir bir çerçeve sağlamayı amaçlamaktadır. Yeni yöntemler sunmaktan ziyade, bu katkı, ön işleme uygulamalarını standartlaştırmaya ve çok çeşitli EEG araştırmacıları, özellikle de dinlenme durumu verileriyle çalışanlar için erişilebilirliği artırmaya yardımcı olan eğitici ve pratik bir rehber olarak hizmet etmeyi amaçlamaktadır.

EEG verilerinin ön işlenmesi, sonraki analizlerin kalitesini ve güvenilirliğini önemli ölçüde etkileyen kritik bir adımdır. MATLAB (PIPEMAT-RS) kullanan Dinlenme Durumu EEG'si için Ön İşleme Entegre Boru Hattı, çeşitli veri kümelerine uygulanabilir kapsamlı, standartlaştırılmış bir yaklaşım sağlayarak EEG veri ön işlemedeki yaygın zorlukları ele almak için geliştirilmiştir. Bu yapılandırılmış, düzenlenebilir boru hattı yedi temel adımdan oluşur: i) Dosya Biçimi Dönüştürme; ii) EEG Montajı; iii) Altörnekleme ve Filtreleme; iv) Eser Reddi ve Yeniden Referans Verme; v) Bağımsız Bileşen Analizi (ICA); vi) ICLabel Sınıflandırması; vii) Veri Normalleştirme. Her adım, sinyal kalitesini artırmak ve ham EEG verilerinden anlamlı bilgilerin çıkarılmasını kolaylaştırmak için titizlikle tasarlanmıştır.

PIPEMAT-RS'nin kritik bir özelliği, her ön işleme adımının veri kümesinin ayrı bir dosya adı altında kaydedilmesiyle sonuçlanmasıdır. Bu yapı, işlenen her dosya için, her bir adıma karşılık gelen bir türev sürümün oluşturulmasını sağlar. Bu sistematik yaklaşım, kullanıcıların yedi adımlı ön işleme işlem hattı içindeki herhangi bir noktada verilere erişmesine olanak tanır. Kaydedilen dosyalar, ön işleme aşamasını açıkça gösteren tanımlayıcılar içerir ve bu da iş akışı boyunca verilerin izlenmesini ve yönetilmesini kolaylaştırır.

PIPEMAT-RS, ham EEG veri dosyalarının MATLAB uyumlu bir formata dönüştürüldüğü dosya formatı dönüşümü ile başlar. Bu dönüştürme, MATLAB'ın sağlam hesaplama ortamında verilerin sorunsuz bir şekilde işlenmesi için gereklidir. Bunu takiben, EEG montaj adımı, standartlaştırılmış elektrot yerleştirme sistemlerine dayalı olarak kafa derisindeki her bir elektrota kesin uzamsal konumlar atar. Bu mekansal bilgi, nörofizyolojik çalışmalarda EEG verilerinin doğru yorumlanması için çok önemlidir.

Daha sonra boru hattı, nörofizyolojik araştırmalarla ilgili frekans bileşenlerini korurken verilerin örnekleme hızını azaltmak ve gürültüyü ortadan kaldırmak için altörnekleme ve filtreleme uygular. Altörnekleme, veri kalitesinden ödün vermeden hesaplama yükünü ve depolama gereksinimlerini azaltır. Filtreleme, artefaktlarla ilişkili olduğu bilinen belirli frekans bileşenlerini ortadan kaldırır ve böylece temel nöral sinyalleri korur.

Daha sonra, artefakt reddi ve yeniden referans verme işlemi gerçekleştirilir. Bu adım, göz kırpma, kas aktivitesi ve elektrot hareketi gibi gürültü kaynaklarıyla kirlenmiş veri segmentlerini tanımlar ve kaldırır. Manuel müdahaleyi en aza indirmek, insan hatası potansiyelini azaltmak ve ön işleme verimliliğini artırmak için otomatik artefakt reddetme algoritmaları kullanılır. Verileri tüm elektrotların ortalamasına referans vermek, herhangi bir tek elektrotun etkisini azaltmaya yardımcı olur ve EEG sinyalleri için kararlı bir referans sağlar.

Bağımsız Bileşen Analizi (ICA) adımı, karışık sinyalleri bağımsız kaynaklarına ayırarak verileri daha da iyileştirir. Bu ayrışma, göz kırpmaları, kas artefaktları ve çizgi gürültüsü gibi artefaktların tanımlanmasını ve kaldırılmasını kolaylaştırır. ICA, kalan verilerin altta yatan nöral aktiviteyi doğru bir şekilde yansıtmasını sağlayan güçlü bir tekniktir.

Son olarak, artefakt olarak sınıflandırılan bileşenleri otomatik olarak tanımlamak ve kaldırmak için ICLabel sınıflandırması uygulanır. ICLabel, bağımsız bileşenlere olasılık etiketleri atar ve bunları beyin aktivitesi, kas aktivitesi, göz kırpmaları, kalp atışları, hat gürültüsü veya kanal gürültüsü olarak sınıflandırır. Beyin aktivitesini temsil etme olasılığı yüksek olan bileşenler korunurken, artefakt olarak tanımlananlar çıkarılır. Bu otomatik yaklaşım, manuel çabayı önemli ölçüde azaltır ve veri kümeleri arasında tutarlı ve objektif sınıflandırma sağlar.

Bu ön işleme adımlarının her biri, EEG verilerinin kalitesini artırmak için gereklidir. PIPEMAT-RS, ön işleme iş akışını standartlaştırarak, farklı ön işleme yöntemlerinin neden olduğu değişkenliği en aza indirir ve etütler arasında sonuçların karşılaştırılmasını kolaylaştırır. Boru hattının sinirbilim camiasında yaygın olarak kullanılan bir platform olan MATLAB'da uygulanması, erişilebilirliği ve mevcut araştırma iş akışlarına entegrasyon kolaylığı sağlar.

PIPEMAT-RS'nin geliştirilmesi, önceki araştırmalarda doğrulanmış yöntem ve teknikleri içeren, EEG veri analizinde yaygın olarak benimsenen uygulamalar tarafından yönlendirildi. Her adım, veri kalitesini artırmadaki etkinliğini sağlamak için dikkatlice tasarlanmış ve titizlikle test edilmiştir (Şekil 1). Bu kapsamlı yaklaşım sadece EEG verilerinin güvenilirliğini artırmakla kalmaz, aynı zamanda çeşitli nörolojik ve psikiyatrik durumları anlamak için kritik olan nörofizyolojik belirteçlerin tanımlanmasını da destekler.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PIPEMAT-RS, São Paulo Üniversitesi Tıp Fakültesi Klinikler Hastanesi Etik Kurulu tarafından onaylanan devam eden araştırma projemizin bir parçası olarak geliştirilmiştir (CAAE: 86832518.7.0000.0068). Bu proje, çeşitli nörolojik ve psikiyatrik çalışmalar için dinlenme durumu EEG verilerinin kalitesini ve güvenilirliğini artırmayı amaçlamaktadır. Bu çalışmada kullanılan veriler, protokolü daha önce Simis ve ark. (2021)31 tarafından yayınlanan bir kohort çalışmasından elde edilmiştir. Ana çalışma halen devam etmekte olup, kalan klinik gruplar için veri toplama devam etmektedir. İşlem hattının betiği Ek Dosya 1'de sağlanır.

1. Dosya formatı dönüştürme

  1. Veri dizinini hazırlayın.
    1. MATLAB'ı açın ve ham EEG veri dosyalarını içeren dizine gidin.
    2. pathname = 'C:\\Path\\To\\RawData\\' kullanarak yolu tanımlayın; ve name_subj_raw = {'konu1', 'konu2', ...};.
    3. Veri kümesi zaten içindeyse. mat formatında, bu adımı atlayın ve EEG Montajına geçin.
  2. Dosyaları dönüştürün.
    1. Dosya türü için uygun MATLAB işlevini kullanarak her ham veri dosyasını yükleyin. Örneğin, .mat dosyaları veya pop_biosig (.edf, .bdf için) veya pop_fileio (çeşitli özel biçimler için) gibi dosyaya özgü EEGLAB işlevleri için load kullanın.
      NOT: Kullanıcılar bu adımı ham EEG dosyalarının formatına göre uyarlamalı ve ek dosya desteği için EEGLAB'ın belgelerine başvurmalıdır.
    2. Her dosyayı .mat formatında kaydedin, veri bütünlüğünü sağlayın ve ilgili tüm meta verileri saklayın.

2. EEG montajı

  1. EEG verilerini yükleyin.
    1. MATLAB'ı açın ve .mat dosyalarının bulunduğu dizine gidin.
    2. Her deneğin EEG veri kümesini yüklemek için EEGLAB araç kutusundaki pop_loadset işlevini kullanın (örneğin, EEG = pop_loadset('filename.set');).
  2. Elektrot konumlarını uygulayın.
    1. EEG başlığı konfigürasyonuna karşılık gelen uygun elektrot konum dosyasının (örn. EEGSystem_128.loc) mevcut olduğundan emin olun.
    2. Elektrot konumlarını uygulamak için pop_chanedit işlevini kullanın. Mesela:
      EEG = pop_chanedit(EEG, 'yük', {'EEGSystem_128.loc', 'dosya türü', 'loc'});
    3. EEGLAB'ın GUI'sini kullanarak kanal düzenini gözden geçirerek elektrot konumlarının doğru şekilde yüklendiğini görsel olarak onaylayın.
  3. Veri kümesini kaydedin.
    1. pop_saveset işlevini kullanarak güncellenmiş EEG veri kümesini kaydedin (örneğin, pop_saveset(EEG, 'dosyaadı', 'subject1_loc.set')).

3. Altörnekleme ve filtreleme

  1. EEG verilerini alt örnekleyin.
    1. pop_resample işlevini kullanarak EEG verilerinin örnekleme hızını 250 Hz'e düşürün (isteğe bağlı).
      NOT: pop_resample işlevi, altörneklemeden önce otomatik olarak uygun bir düşük geçişli kenar yumuşatma filtresi uygular. Bu adım, yüksek frekanslı bileşenlerin yeniden örneklemeden önce zayıflatılmasını sağlayarak örtüşme artefaktlarını önler ve EEG sinyalinin kalitesini korur.
  2. Bant geçiren filtreleme uygulayın.
    1. Butterworth tasarımı ve 2 filtre sırası ile pop_basicfilter işlevini kullanarak 1-64 arasındaki kanallara 1 Hz ila 50 Hz arasında bir bant geçiren filtre uygulayın.
    2. Faz bozulmasını önlemek için sıfır faz ileri ve geri filtreleme kullanın.
  3. Çentik filtreleme uygulayın (İsteğe bağlı).
    1. 'PMnotch' tasarımı ve 180 filtre sırası ile pop_basicfilter kullanarak 1-64 kanallarına 50 veya 60 Hz'de bir çentik filtresi uygulayın.
      NOT: Bu adım isteğe bağlıdır ve 30 Hz'nin üzerindeki salınım aktivitesini (örn. gama bandı) analiz ederken kullanılmalıdır. Bu gibi durumlarda, araştırmacılar bant geçiren filtrenin üst sınırını (örneğin, 80 veya 100 Hz'e kadar) artırabilir ve bu da çentik filtresini elektrik hattı parazitini ortadan kaldırmak için çok önemli hale getirir. Komut, kolaylık sağlamak için boru hattında sağlanır ve yerel elektrik frekansına (örn. 50 Hz veya 60 Hz) bağlı olarak kolayca ayarlanabilir.

4. Artefakt reddi ve yeniden referans verme

  1. Otomatik yapı reddetme işlemi gerçekleştirin.
    1. Düz çizgi kanallarını, gürültülü segmentleri ve düşük frekanslı sapmaları otomatik olarak algılamak ve kaldırmak için parametrelerle (5, [-1], 0,7, -1, 8, 0,85) clean_rawdata işlevini kullanın. Bu parametreler sırasıyla şuna karşılık gelir:
      FlatlineCriterion (5): 5 saniyeden daha uzun süre düz kanalları kaldırır.
      ChannelCriterion ([-1]): kanal bağıntısı tabanlı reddetmeyi devre dışı bırakır.
      LineNoiseCriterion (0.7): bu eşiğin üzerinde aşırı hat gürültüsü olan kanalları kaldırır.
      Yüksek geçiren (−1): temizlik sırasında ek yüksek geçiren filtrelemeyi devre dışı bırakır.
      BurstCriterion (8): 8 standart sapmayı aşan veri patlamalarını kaldırır.
      WindowCriterion (0.85): Bir penceredeki verilerin %85'inin saklanması için temiz olmasını gerektirir.
      NOT: Kullanıcılar, veri kümesi özelliklerine bağlı olarak bu değerleri ayarlayabilir. Örneğin, BurstCriterion'un azaltılması daha agresif yapıt reddine neden olurken, WindowCriterion'un düşürülmesi gürültülü veri pencerelerinin toleransını artırır.
  2. El ile yapı incelemesi gerçekleştirin (isteğe bağlı).
    1. Gerekirse, otomatik yöntemlerle tespit edilmeyen kalıntı artefaktları tanımlamak için EEGLAB'dan eegplot kullanarak EEG verilerini görsel olarak inceleyin.
    2. Yüksek veri kalitesi sağlamak için kalan yapıları el ile işaretleyin ve kaldırın.
      NOT: Bu adım isteğe bağlıdır ve öncelikle standart olmayan gürültü kalıpları sunan veri kümeleriyle uğraşırken veya otomatik prosedürlerin ötesinde daha fazla hassasiyet gerektiğinde önerilir.
  3. Verileri yeniden referans alın.
    1. EEG sinyallerini tüm elektrotların ortalamasına yeniden referans vermek için pop_reref işlevini kullanın ve orijinal referans elektrodunun veri kümesinde tutulduğundan emin olun.
      NOT: Bu boru hattında, orijinal referans elektrodu yeniden yapılandırılmadan mevcut kanallar kullanılarak ortalama yeniden referanslama gerçekleştirilir. Bununla birlikte, gelişmiş sıralama tutarlılığı ve denekler arası karşılaştırılabilirliği hedefleyen kullanıcılar, yeniden referans vermeden önce orijinal referans elektrodunu (örneğin, Cz) sıfır değerli bir zaman serisi olarak geçici olarak yeniden yerleştirmeyi düşünebilir. Bu, referansın ortalama hesaplamaya katkıda bulunmasını sağlar. Daha sonra, ICA gerçekleştirmeden önce sıralama eksikliğini önlemek için eklenen kanal kaldırılabilir. Bu süreç, referanslamadan önce tüm kanalların enterpolasyonunu da içeren RELAX boru hattının RELAX_average_rereference.m işlevinde örneklenmiştir. PIPEMAT-RS, netlik ve erişilebilirlik için basitleştirilmiş bir versiyona sahip olsa da, kullanıcıların analizlerinin hedeflerine bağlı olarak bu adımı gerektiği gibi uyarlamaları teşvik edilir.

5. Bağımsız bileşen analizi (ICA)

  1. Önceden işlenmiş EEG verilerini yükleyin.
    1. pop_loadset işlevini kullanarak _loc_filt_cleanraw_reref.set sonekine sahip dosyayı yükleyin.
  2. ICA gerçekleştirin.
    1. Verileri bağımsız bileşenlere ayırmak için runica algoritmasıyla pop_runica işlevini kullanarak ICA'yı çalıştırın. Infomax yaklaşımına dayanan 'runica' algoritması, bileşenlerin istatistiksel bağımsızlığını en üst düzeye çıkarır ve EEG ön işlemede yaygın olarak kullanılır.
      NOT: Daha hızlı ICA hesaplaması isteyen kullanıcılar için, fonksiyon çağrısında icatype, picard belirtilerek picard gibi alternatif algoritmalar kullanılabilir. Bu alternatifler karşılaştırılabilir performans sunar ve hesaplama süresini azaltabilir.
  3. ICA veri kümesini kaydedin.
    1. Veri kümesini , ICA'nın gerçekleştirildiğini belirtmek için pop_saveset kullanarak _loc_filt_cleanraw_reref_ICA sonekiyle kaydedin.

6. ICLabel sınıflandırması

  1. ICA veri kümesini yükleyin.
    1. pop_loadset işlevini kullanarak ICA bileşenleriyle veri kümesini içeri aktarın.
  2. ICLabel sınıflandırmasını uygulayın.
    1. Bağımsız bileşenleri beyin ve artefakt kategorilerine sınıflandırmak için pop_iclabel işlevini varsayılan modelle çalıştırın.
    2. Beyin aktivitesini temsil etme olasılığı 0,7'den daha yüksek olan bileşenleri tanımlayın.
  3. Yapı bileşenlerini kaldırın.
    1. ICLabel beyin olasılığı 0,7'nin altında olan tüm bileşenleri çıkarmak için pop_subcomp işlevini kullanın.
    2. Yalnızca beyin aktivitesi olasılığı 0.7'nin üzerinde olan bileşenleri saklayın. 0,7 eşiği, artefaktların etkili bir şekilde uzaklaştırılmasını sağlarken gerçek nöral sinyalleri koruma ihtiyacını dengeler.
  4. Temizlenen veri kümesini kaydedin.
    1. Temizlenen veri kümesini sonek ile kaydedin _loc_filt_cleanraw_reref_ICA_Cleaned yapıt bileşenlerinin kaldırıldığını belirtmek için pop_saveset kullanın.

7. Veri normalleştirme

  1. Temizlenmiş EEG verilerini yükleyin.
    1. pop_loadset işlevini kullanarak yapıt içermeyen ICA bileşenlerine sahip veri kümesini içeri aktarın.
  2. Z-Skoru normalleştirmesini uygulayın.
    1. Her kanal için ayrı ayrı (x - ortalama (x)) / std (x) hesaplayarak Z-skoru dönüşümünü kullanarak her EEG kanalını normalleştirin.
      NOT: Z-skoru normalizasyonu isteğe bağlıdır ve çalışmanın analitik hedeflerine dayalı olarak uygulanmalıdır. Denekler arası değişkenliği azaltırken ve grup düzeyinde karşılaştırmalar için verileri standartlaştırırken, aynı zamanda topografik ayrımları azaltabilir ve kanallar arasındaki anlamlı genlik farklılıklarını ortadan kaldırabilir. Ham sinyal büyüklüğünü veya uzamsal dağılımı korumakla ilgilenen araştırmacıların bu adımı atlamaları önerilir.
  3. Son veri kümesini kaydedin.
    1. Tamamen önceden işlenmiş ve normalleştirilmiş veri kümesini, ön işlemenin tamamlandığını belirtmek için pop_saveset kullanarak _loc_filt_cleanraw_reref_ICA_Normalized sonekiyle kaydedin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

EEG ön işleme hattının doğrulanması, anlamlı nörofizyolojik verilerin çıkarılması için kullanılan yöntemlerin güvenilirliğini ve etkinliğini sağlamak için gereklidir. Bu süreç, yayınlanmış çalışmalardan elde edilen ampirik kanıtları, istatistiksel değerlendirmeleri ve alandaki yerleşik kriterlerle karşılaştırmaları içerir.

PIPEMAT-RS'nin sağlamlığı ve kullanışlılığı, bir dizi nörolojik ve psikiyatrik durumu kapsayan yayınlanmış birkaç çalışmada başarılı bir şekilde uygulanmasıyla kanıtlanmıştı...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PIPEMAT-RS boru hattı, dinlenme durumu EEG verilerinin ön işlenmesi için standartlaştırılmış, verimli bir yöntem sağlamak üzere geliştirilmiştir. Bu protokoldeki kritik adımlar, her ikisi de sinyal-gürültü oranını önemli ölçüde artıran ve anlamlı nöral sinyallerin çıkarılmasını sağlayan artefakt reddi ve Bağımsız Bileşen Analizini (ICA) içerir. clean_rawdata işlevini kullanarak otomatik artefakt reddi ve eegplot aracılığıyla manuel incelemenin kombinasyonu, kapsamlı artefakt yönetimi, de...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu yazıda rapor edilen çalışmayı etkilemiş gibi görünebilecek bilinen hiçbir rakip mali çıkarları veya kişisel ilişkileri olmadığını beyan ederler.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Özellikle, LMM, São Paulo Araştırma Vakfı (FAPESP) doktora sonrası araştırma bursu #21/05897-5 tarafından desteklenmiştir. AC, São Paulo Araştırma Vakfı (FAPESP) bilimsel başlangıç hibesi #21/12790-2 tarafından desteklenmiştir. SPB, São Paulo Araştırma Vakfı (FAPESP) doktora sonrası araştırma bursu #20/08512-4 tarafından desteklenmiştir. FF ve LRB, São Paulo Araştırma Vakfı (FAPESP) araştırma bursu #17/12943-8 tarafından desteklenmektedir. Bireysel olarak FF, NHI 2020 R01 AT, Proje #1R01AT009491-01A1'den destek aldı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
MATLAB MathWorksR2020a veya daha yenisiPIPEMAT-RS komut dosyasını yürütmek için gereklidir.
EEG Kayıt SistemiBeyin Ürünlerihttps://www.brainproducts.com/veri toplama için kullanılan EEG toplama sistemi. Diğer markalar  BioSemi / ANT Neuro (veya eşdeğeri) dahil  
EEGLAB ToolboxSwartz Center for Computational NeuroscienceN/AEEG analizi için açık kaynaklı MATLAB araç kutusu.
Elektrotlar (Ag/AgCl)Beyin Ürünleri https://www.brainproducts.com/solutions/r-net/EEG veri toplamada kullanılır. Diğer markalar  BioSemi / ANT Neuro (veya eşdeğeri) dahil  
ICLabel EklentisiSwartz Center for Computational NeuroscienceN/AEEG için otomatik artefakt sınıflandırma aracı.
PIPEMAT-RS Komut Dosyası N/AN/AStandartlaştırılmış EEG ön işleme için özel MATLAB komut dosyası.
Sinyal YükselticiBeyin Ürünleri https://www.brainproducts.com/solutions/#amplifiersİşleme için EEG sinyallerini yükseltir. Diğer markalar  BioSemi / ANT Neuro (veya eşdeğeri) dahil  
Standart 64 Kanallı EEG KapağıBeyin Ürünleri https://www.brainproducts.com/solutions/#electrodes-capsEEG kaydı için elektrot kapağı. Diğer markalar  BioSemi / ANT Neuro (veya eşdeğeri) dahil  

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Artefakt ReddiBa ms z Bile en AnaliziICLabel S n fland rmasEEG Sinyal KalitesiBant Ge iren FiltrelemeEEG Veri TemizlemeN rofizyolojik Ara t rma

İlgili makaleler