JoVE Logo

Войдите в систему

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

Этот протокол представляет собой PIPEMAT-RS, стандартизированный конвейер предварительной обработки данных ЭЭГ в состоянии покоя на основе MATLAB. Он обеспечивает удаление артефактов, улучшает качество сигнала и повышает воспроизводимость данных во всех исследованиях. Конвейер автоматизирует ключевые этапы предварительной обработки, включая фильтрацию, анализ независимых компонентов (ICA) и классификацию артефактов, что способствует согласованному и надежному анализу ЭЭГ для нейрофизиологических исследований.

Аннотация

Электроэнцефалография (ЭЭГ) является важнейшим инструментом в исследованиях в области нейробиологии и клиническом применении, но необработанные данные ЭЭГ часто содержат шум и артефакты, которые ухудшают качество сигнала. Чтобы решить эту проблему, мы разработали PIPEMAT-RS, стандартизированный конвейер предварительной обработки данных ЭЭГ в состоянии покоя на основе MATLAB. PIPEMAT-RS следует структурированному семиэтапному рабочему процессу: преобразование формата файла, настройка монтажа ЭЭГ, понижение дискретизации, фильтрация, подавление артефактов, независимый анализ компонентов (ICA) и классификация ICLabel для автоматического удаления артефактов. Этот протокол повышает качество данных ЭЭГ, сводя к минимуму вмешательство человека при сохранении высокой точности отбраковки артефактов. Он был проверен с использованием нескольких наборов данных, что продемонстрировало его надежность в улучшении целостности сигнала. PIPEMAT-RS обеспечивает систематический подход, который способствует воспроизводимости и надежности исследований ЭЭГ, согласуясь с общепринятыми практиками в этой области и предлагая четко документированную структуру, которая может дополнять существующие конвейеры. Стандартизируя предварительную обработку ЭЭГ, PIPEMAT-RS облегчает нейрофизиологические исследования и клинические приложения, позволяя более точно интерпретировать активность мозга в состоянии покоя и ее связь с неврологическими и психиатрическими состояниями.

Введение

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.

протокол

PIPEMAT-RS был разработан в рамках нашего текущего исследовательского проекта, одобренного Комитетом по этике клиники больницы Медицинской школы Университета Сан-Паулу (CAAE: 86832518.7.0000.0068). Этот проект направлен на повышение качества и надежности данных ЭЭГ в состоянии покоя для различных неврологических и психиатрических исследований. Данные, использованные в данном исследовании, получены из когортного исследования, протокол которого был ранее опубликован Simis et al. (2021)31. Основное исследование все еще продолжается, сбор данных по остальным клиническим группам продолжается. Сценарий для конвейера представлен в дополнительном файле 1.

1. Преобразование формата файла

  1. Подготовьте каталог данных.
    1. Откройте MATLAB и перейдите в каталог, содержащий необработанные файлы данных ЭЭГ.
    2. Определите путь с помощью pathname = 'C:\\Path\\To\\RawData\\'; и перечислите предметы с name_subj_raw = {'subject1', 'subject2', ...};.
    3. Если набор данных уже находится в формате . коврика , пропустите этот шаг и перейдите к монтажу ЭЭГ.
  2. Конвертируйте файлы.
    1. Загрузите каждый файл с необработанными данными, используя соответствующую функцию MATLAB для данного типа файла. Например, используйте load для файлов .mat или функций EEGLAB , специфичных для файлов, таких как pop_biosig (для .edf, .bdf) или pop_fileio (для различных проприетарных форматов).
      ПРИМЕЧАНИЕ: Пользователи должны адаптировать этот шаг в зависимости от формата своих необработанных файлов ЭЭГ и обратиться к документации EEGLAB для дополнительной поддержки файлов.
    2. Сохраняйте каждый файл в формате .mat , обеспечивая целостность данных и сохраняя все соответствующие метаданные.

2. ЭЭГ-монтаж

  1. Загрузите данные ЭЭГ.
    1. Откройте MATLAB и перейдите в каталог с файлами .mat.
    2. Используйте функцию pop_loadset из набора инструментов EEGLAB для загрузки набора данных ЭЭГ каждого субъекта (например, EEG = pop_loadset('filename.set');).
  2. Примените расположение электродов.
    1. Убедитесь, что файл с информацией о расположении электродов (например, EEGSystem_128.loc) доступен в соответствии с конфигурацией колпачка ЭЭГ.
    2. Используйте функцию pop_chanedit для определения местоположения электродов. Например:
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'});
    3. Визуально убедитесь, что положение электродов было загружено правильно, просмотрев схему каналов с помощью графического интерфейса EEGLAB.
  3. Сохраните набор данных.
    1. Сохраните обновленный набор данных ЭЭГ с помощью функции pop_saveset (например, pop_saveset(EEG, 'filename', 'subject1_loc.set')).

3. Понижение частоты дискретизации и фильтрация

  1. Уменьшите выборку данных ЭЭГ.
    1. Уменьшите частоту дискретизации данных ЭЭГ до 250 Гц с помощью функции pop_resample (опционально).
      ПРИМЕЧАНИЕ: Функция pop_resample автоматически применяет соответствующий фильтр сглаживания нижних частот перед понижением дискретизации. Этот шаг гарантирует, что высокочастотные компоненты будут ослаблены перед повторной дискретизацией, что предотвратит артефакты наложения и сохранит качество сигнала ЭЭГ.
  2. Примените полосовую фильтрацию.
    1. Примените полосовой фильтр от 1 Гц до 50 Гц к каналам 1-64 с помощью функции pop_basicfilter с дизайном Баттерворта и порядком фильтров 2.
    2. Используйте прямую и обратную фильтрацию с нулевой фазой для предотвращения искажения фазы.
  3. Примените фильтрацию режектора (необязательно).
    1. Примените режекторный фильтр с частотой 50 или 60 Гц к каналам 1–64 с помощью pop_basicfilter с конструкцией «PMnotch» и порядком фильтра 180.
      ПРИМЕЧАНИЕ: Этот шаг является необязательным и должен использоваться при анализе колебательной активности выше 30 Гц (например, гамма-диапазона). В таких случаях исследователи могут увеличить верхний предел полосового фильтра (например, до 80 или 100 Гц), что делает режекторный фильтр критически важным для устранения помех от линии электропередачи. Команда предоставляется в конвейере для удобства и может быть легко настроена в зависимости от местной электрической частоты (например, 50 Гц или 60 Гц).

4. Отклонение артефактов и повторные ссылки

  1. Выполняйте автоматическое отклонение артефактов.
    1. Используйте функцию clean_rawdata с параметрами (5, [-1], 0,7, -1, 8, 0,85) для автоматического обнаружения и удаления плоских каналов, зашумленных сегментов и низкочастотных дрейфов. Эти параметры соответствуют соответственно:
      FlatlineCriterion (5): удаляет плоские каналы более чем на 5 с.
      ChannelCriterion ([-1]): отключает отклонение на основе корреляции канала.
      LineNoiseCriterion (0.7): удаляет каналы с избыточным линейным шумом выше этого порога.
      Highpass (−1): отключает дополнительную фильтрацию высоких частот во время очистки.
      BurstCriterion (8): удаляет пакеты данных, превышающие 8 стандартных отклонений.
      WindowCriterion (0.85): требует, чтобы 85% данных в окне были чистыми, чтобы сохранить их.
      ПРИМЕЧАНИЕ: Пользователи могут настраивать эти значения в зависимости от характеристик набора данных. Например, уменьшение BurstCriterion приведет к более агрессивному отклонению артефактов, в то время как снижение WindowCriterion увеличит допуск к зашумленным окнам данных.
  2. Выполнение проверки артефактов вручную (необязательно).
    1. При необходимости провести визуальный осмотр данных ЭЭГ с помощью eegplot от EEGLAB для выявления остаточных артефактов, не обнаруженных автоматическими методами.
    2. Вручную помечайте и удаляйте оставшиеся артефакты для обеспечения высокого качества данных.
      ПРИМЕЧАНИЕ: Этот шаг является необязательным и в первую очередь рекомендуется при работе с наборами данных, которые представляют собой нестандартные шумовые картины, или когда требуется более высокая точность, выходящая за рамки автоматизированных процедур.
  3. Повторная ссылка на данные.
    1. Используйте функцию pop_reref для переадресации сигналов ЭЭГ к среднему значению всех электродов, гарантируя, что исходный электрод сравнения сохраняется в наборе данных.
      ПРИМЕЧАНИЕ: В этом конвейере повторное определение усредненных значений выполняется с использованием доступных каналов без восстановления исходного электрода сравнения. Тем не менее, пользователи, стремящиеся к повышению согласованности рангов и межпредметной сопоставимости, могут рассмотреть возможность временной повторной вставки исходного электрода сравнения (например, Cz) в качестве временного ряда с нулевым значением перед повторным использованием. Это позволяет ссылке внести свой вклад в расчет среднего значения. После этого добавленный канал можно удалить, чтобы избежать дефицита ранга перед выполнением ICA. Примером этого процесса является функция RELAX_average_rereference.m конвейера RELAX, которая также включает интерполяцию всех каналов перед ссылкой. В то время как PIPEMAT-RS поддерживает упрощенную версию для ясности и доступности, пользователям рекомендуется адаптировать этот шаг по мере необходимости в зависимости от целей их анализа.

5. Независимый компонентный анализ (ICA)

  1. Загрузите предварительно обработанные данные ЭЭГ.
    1. Загрузите файл с суффиксом _loc_filt_cleanraw_reref.set с помощью функции pop_loadset .
  2. Выполните ICA.
    1. Запустите ICA с помощью функции pop_runica с алгоритмом runica , чтобы разложить данные на независимые компоненты. Алгоритм «руника», основанный на подходе Infomax, максимизирует статистическую независимость компонентов и широко используется при предварительной обработке ЭЭГ.
      ПРИМЕЧАНИЕ: Для пользователей, которым требуется более быстрое вычисление ICA, можно использовать альтернативные алгоритмы, такие как picard , указав icatype, picard в вызове функции. Эти альтернативы обеспечивают сопоставимую производительность и могут сократить время вычислений.
  3. Сохраните набор данных ICA.
    1. Сохраните набор данных с суффиксом _loc_filt_cleanraw_reref_ICA используя pop_saveset , чтобы указать, что МКА была выполнена.

6. Классификация ICLabel

  1. Загрузите набор данных ICA.
    1. Импортируйте набор данных с компонентами ICA с помощью функции pop_loadset .
  2. Применяйте классификацию ICLabel.
    1. Запустите функцию pop_iclabel с моделью по умолчанию , чтобы классифицировать независимые компоненты по категориям мозга и артефактов.
    2. Определите компоненты с вероятностью более 0,7, представляющие активность мозга.
  3. Удалите компоненты артефактов.
    1. Используйте функцию pop_subcomp , чтобы удалить все компоненты с вероятностью мозга ICLabel ниже 0,7.
    2. Сохраняйте только компоненты с вероятностью мозговой активности выше 0,7. Пороговое значение 0,7 уравновешивает необходимость сохранения подлинных нейронных сигналов и обеспечивает эффективное удаление артефактов.
  4. Сохраните очищенный набор данных.
    1. Сохраните очищенный набор данных с суффиксом _loc_filt_cleanraw_reref_ICA_Cleaned используя pop_saveset для обозначения удаления компонентов артефактов.

7. Нормализация данных

  1. Загрузите очищенные данные ЭЭГ.
    1. Импортируйте набор данных с компонентами ICA без артефактов с помощью функции pop_loadset .
  2. Примените нормализацию Z-Score.
    1. Нормализуйте каждый канал ЭЭГ с помощью преобразования Z-оценки путем вычисления (x - mean(x)) / std(x) для каждого канала в отдельности.
      ПРИМЕЧАНИЕ: Нормализация Z-оценки не является обязательной и должна применяться на основе аналитических целей исследования. Хотя это снижает межпредметную вариативность и стандартизирует данные для сравнения на уровне групп, это также может ослабить топографические различия и устранить значимые различия амплитуды между каналами. Исследователям, заинтересованным в сохранении величины исходного сигнала или пространственного распределения, рекомендуется пропустить этот шаг.
  3. Сохраните окончательный набор данных.
    1. Сохраните полностью предварительно обработанный и нормализованный набор данных с суффиксом _loc_filt_cleanraw_reref_ICA_Normalized используя pop_saveset для обозначения завершения предварительной обработки.

Результаты

Валидация конвейера предварительной обработки ЭЭГ имеет важное значение для обеспечения надежности и эффективности методов, используемых для извлечения значимых нейрофизиологических данных. Этот процесс включает в себя эмпирические данные из опубликованных исследований, статистические оценки и сравнения с установленными контрольными показателями в этой области.

Надежность и полезность PIPEMAT-RS были продемонстрированы в ходе его успешного применения в нескольких опубликованных исследованиях, охватывающих целый ряд неврологических и психиатрических заболеваний. Например, при исследовании биомаркеров ЭЭГ у пациентов с инсультом были обнаружены значимые корреляции между дезадаптивной моторной функцией, депрессивными профилями и специфическими маркерами ЭЭГ, что подтверждает эффективность этапов предварительной обработки в улучшении качества сигнала и облегчении содержательногоанализа данных. Аналогичным образом, анализ нейронных сигнатур компенсации мозга у пациентов с инсультом позволил получить важнейшее представление об адаптационных механизмах мозга после инсульта, продемонстрировав способность PIPEMAT-RS работать со сложными наборами данных и получать надежные результаты. Дальнейшая валидация очевидна в исследованиях, изучающих нейронные адаптации и компенсации у пациентов с фибромиалгией, которые идентифицировали отчетливые нейронные сигнатуры, связанные с болью и механизмами компенсации, поддерживая методы предварительной обработки в различных клинических контекстах29. Кроме того, исследование компенсаторных механизмов при хронической нейропатической боли подчеркнуло значимость дельта- и тета-полос при хронических болевых состояниях, что еще раз продемонстрировало эффективность PIPEMAT-RS при различных нейрофизиологическихсостояниях.

Статистическая валидация PIPEMAT-RS включает в себя как количественные, так и качественные оценки для обеспечения надежности методов предварительной обработки. Для объективной оценки качества данных использовались количественные показатели, такие как отношение сигнал/шум (SNR), эксцесс и асимметрия. Отношение сигнал/шум рассчитывалось как отношение между мощностью сигнала в диапазоне частот от 1 до 50 Гц и мощностью за пределами этого диапазона (например, <1 Гц и >50 Гц), который обычно содержит ненейронный шум. Увеличение этого соотношения после предварительной обработки указывает на улучшенное сохранение нейронной информации по сравнению с шумом. Аналогичным образом, оценивали эксцесс и асимметрию для оценки характеристик распределения сигнала ЭЭГ. Повышенный эксцесс часто отражает наличие резких переходных процессов или мышечных артефактов, в то время как высокая асимметрия может быть результатом асимметричного распределения сигнала, вызванного шумом или проблемами с записью. Снижение этих значений после предварительной обработки свидетельствует об улучшении регулярности сигнала и уменьшении загрязнения ненейронными источниками, что способствует общему повышению качества данных. Предварительная обработка привела к заметному улучшению отношения сигнал/шум, что указывает на то, что PIPEMAT-RS эффективно снижает шум и усиливает нейронный сигнал. Например, в наборах данных с изначально низкими значениями SNR (~5 дБ) этапы предварительной обработки увеличивали SNR примерно до 7,5 дБ, отражая более четкий нейронный сигнал. Аналогичным образом, уменьшение эксцесса (например, с 5,2 до 2,3) и асимметрии (например, с 1,5 до 0,8) еще больше подтвердило ослабление ненейронных артефактов². Качественная оценка включала визуальный осмотр предварительно обработанных данных, чтобы убедиться, что артефакты были адекватно удалены и что данные точно отражают основную нейронную активность (рис. 2). Этот шаг позволил исследователям вручную проверить эффективность этапов автоматической предварительной обработки, гарантируя, что не осталось никаких существенных артефактов.

Использование передовых методов, таких как анализ независимых компонент (ICA) и ICLabel, для удаления артефактов было особенно валидировано в литературе. Исследования показали, что ICA в сочетании с автоматизированными алгоритмами классификации, такими как ICLabel, достигает точности классификации, которая точно соответствует компонентам, помеченным экспертами. ICLabel демонстрирует среднюю точность классификации на уровне около 91%, что отражает тесное согласие с экспертными классификациями человека и предлагает стандартизированное, масштабируемое решение для больших наборов данных ЭЭГ при минимизации вариабельности между оценщиками32.

Еще одним аспектом валидации является сравнение с установленными эталонами в полевых условиях. Методы и результаты нашего конвейера были приведены в соответствие со стандартными практиками и рекомендациями по предварительной обработке ЭЭГ, рекомендованными ведущими исследователями и институтами14. Несмотря на то, что PIPEMAT-RS не претендует на превосходство над существующими трубопроводами, его модульная структура, прозрачность и простота использования направлены на то, чтобы соответствовать или дополнять общепринятые стандарты качества в этой области (Таблица 1).

figure-results-5508
Рисунок 1: Кодовая структура трубопровода PIPEMAT-RS. Обзор кода MATLAB, реализующего каждый шаг конвейера предварительной обработки PIPEMAT-RS. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-6029
Рисунок 2: Качество сигнала ЭЭГ до и после предварительной обработки. Сравнение (A) необработанных данных, (B) данных, обработанных вручную, и (C) данных, обработанных с помощью PIPEMAT-RS, иллюстрирующее уменьшение артефактов и улучшенную четкость сигнала. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Таблица 1: Сравнение ручной и автоматизированной предварительной обработки ЭЭГ с помощью PIPEMAT-RS. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Дополнительный файл 1: Полный интегрированный конвейер предварительной обработки для ЭЭГ в состоянии покоя с использованием скрипта MATLAB (PIPEMAT-RS). Этот скрипт включает в себя все шаги, описанные в разделе «Протокол», от преобразования формата файла до обеспечения качества данных. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Обсуждение

Конвейер PIPEMAT-RS был разработан для обеспечения стандартизированного и эффективного метода предварительной обработки данных ЭЭГ в состоянии покоя. Важнейшими шагами в этом протоколе являются подавление артефактов и независимый компонентный анализ (ICA), которые значительно улучшают соотношение сигнал/шум и обеспечивают извлечение значимых нейронных сигналов. Сочетание автоматической отбраковки артефактов с помощью функции clean_rawdata и ручного контроля с помощью eegplot обеспечивает комплексное управление артефактами, баланс эффективности и точности. Применение ICLabel для автоматизированной классификации независимых компонентов еще больше уточняет данные, сокращая ручную рабочую нагрузку при сохранении высокой точности классификации (91%) в соответствии с маркировкой, полученной экспертом32.

В зависимости от характеристик набора данных могут потребоваться изменения в протоколе. Например, в то время как конвейер предназначен для данных ЭЭГ в состоянии покоя, исследователи могут адаптировать настройки фильтра и пороги подавления артефактов для записей ЭЭГ на основе задач или наборов данных с различной частотой дискретизации. Действия по устранению неполадок включают корректировку критерия плоскостной линии и пороговых значений корреляции каналов в clean_rawdata случае чрезмерного удаления канала или сохранения остаточного шума после автоматической очистки. Кроме того, в то время как ICA обычно хорошо работает с наборами данных из 32 или более электродов, наборы данных с меньшим количеством электродов могут потребовать ручной тонкой настройки или альтернативных методов коррекции артефактов для достижения оптимальных результатов.

Несмотря на свои сильные стороны, PIPEMAT-RS имеет ограничения. Эффективность ICA и ICLabel может варьироваться в зависимости от количества каналов и качества исходных данных. Высокий уровень шума или плохой контакт с электродами могут снизить точность разделения и классификации компонентов. Кроме того, этот конвейер оптимизирован для исследований в одном центре и может потребовать дополнительных мер по гармонизации, таких как ComBat, чтобы свести к минимуму вариабельность, специфичную для конкретного участка, в многоцентровыхисследованиях. В то время как PIPEMAT-RS повышает качество данных за счет стандартизированной предварительной обработки, вероятность вариативности, вызванной пользователем, сохраняется, если настройки по умолчанию изменяются без тщательной проверки.

Несмотря на то, что ICA в сочетании с классификацией ICLabel предлагает эффективное и автоматизированное решение для отбрасывания артефактов, важно учитывать его ограничения. Разделение нейронных и ненейронных компонентов не является идеальным, и отбраковка компонентов, классифицированных как артефакты, все же может привести к непреднамеренному удалению нейронных сигналов, особеннопри смешивании источников. Хотя PIPEMAT-RS применяет консервативный порог (сохранение компонентов с вероятностью мозга > 0,7) для снижения этого риска, он не устраняет его. Этот порог соответствует стандартным практикам для обеспечения баланса между сохранением сигнала и удалением артефактов, но будущие усовершенствования конвейера могут включать более совершенные стратегии, такие как дипольная подгонка, вейвлет-улучшенный ICA или целенаправленная очистка ICA, чтобы еще больше повысить специфичность и точность подавления артефактов.

По сравнению с существующими методами, PIPEMAT-RS предлагает оптимизированную, стандартизированную последовательность этапов предварительной обработки, что снижает вариабельность между исследованиями. В отличие от гибких платформ, таких как BEAPP, которые позволяют пользователям настраивать последовательности предварительной обработки, PIPEMAT-RS применяет фиксированную структуру, обеспечивая согласованность между наборами данных34. Такой подход сводит к минимуму ручное вмешательство, снижает количество человеческих ошибок и обеспечивает воспроизводимость, особенно в крупномасштабных исследованиях. Кроме того, интеграция передовых инструментов, таких как ICLabel, и акцент на данных ЭЭГ в состоянии покоя отличают PIPEMAT-RS от других конвейеров, которые могут не отдавать приоритет отвержению артефактов и независимому анализу компонентов в той же степени.

Значение PIPEMAT-RS заключается в его способности производить высококачественные и надежные данные ЭЭГ, пригодные для различных применений в нейробиологии и клинических исследованиях. Этот конвейер был успешно применен в исследованиях нейронных маркеров восстановления после инсульта, хронической боли и фибромиалгии, продемонстрировав его универсальность и надежность 27,28,29,30. Повышая качество данных и сокращая время предварительной обработки, PIPEMAT-RS облегчает проведение крупномасштабных исследований, способствует идентификации нейрофизиологических биомаркеров и поддерживает достижения в области персонализированной медицины. Его стандартизированный подход обеспечивает сопоставимость результатов в разных исследованиях, повышая воспроизводимость и надежность исследований ЭЭГ как в клинических, так и в академических условиях.

В заключение следует отметить, что PIPEMAT-RS представляет собой надежное стандартизированное решение для предварительной обработки данных ЭЭГ в состоянии покоя, решая общие проблемы, связанные с подавлением артефактов, четкостью сигнала и согласованностью данных. Благодаря интеграции автоматизированных методов, таких как ICA и ICLabel, с ручными этапами верификации, конвейер обеспечивает получение высококачественных воспроизводимых данных, пригодных для широкого спектра неврологических и психиатрических исследований. Его фиксированная последовательность шагов предварительной обработки сводит к минимуму вариабельность, вызванную пользователем, что способствует согласованию результатов в разных исследованиях. В то время как конвейер демонстрирует высокие результаты в различных клинических контекстах, включая исследования инсульта и хронической боли, будущая работа должна быть сосредоточена на проверке его применимости в различных экспериментальных парадигмах и многоцентровых исследованиях. В целом, PIPEMAT-RS предлагает структурированную и хорошо документированную альтернативу предварительной обработке ЭЭГ, предназначенную для повышения качества, воспроизводимости и доступности данных во всех исследованиях.

Раскрытие информации

Авторы заявляют, что у них нет известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, описанную в этой статье.

Благодарности

В частности, LMM был поддержан грантом на постдокторскую диссертацию #21/05897-5 от Исследовательского фонда Сан-Паулу (FAPESP). AC был поддержан грантом на научное начало #21/12790-2 от Исследовательского фонда Сан-Паулу (FAPESP). SPB был поддержан грантом на постдокторскую диссертацию #20/08512-4 от Исследовательского фонда Сан-Паулу (FAPESP). FF и LRB поддерживаются исследовательским грантом #17/12943-8 Исследовательского фонда Сан-Паулу (FAPESP). В индивидуальном порядке FF получил поддержку от NHI 2020 R01 AT, проект #1R01AT009491-01A1.

Материалы

NameCompanyCatalog NumberComments
MATLAB MathWorksR2020a or newerRequired for executing the PIPEMAT-RS script.
EEG Recording SystemBrain Productshttps://www.brainproducts.com/EEG acquisition system used for data collection. Other brands  include BioSemi / ANT Neuro (or equivalent) 
EEGLAB ToolboxSwartz Center for Computational NeuroscienceN/AOpen-source MATLAB toolbox for EEG analysis.
Electrodes (Ag/AgCl)Brain Products https://www.brainproducts.com/solutions/r-net/Used in EEG data acquisition. Other brands  include BioSemi / ANT Neuro (or equivalent) 
ICLabel PluginSwartz Center for Computational NeuroscienceN/AAutomated artifact classification tool for EEG.
PIPEMAT-RS ScriptN/AN/ACustom MATLAB script for standardized EEG preprocessing.
Signal AmplifierBrain Products https://www.brainproducts.com/solutions/#amplifiersAmplifies EEG signals for processing. Other brands  include BioSemi / ANT Neuro (or equivalent) 
Standard 64-Channel EEG CapBrain Products https://www.brainproducts.com/solutions/#electrodes-capsElectrode cap for EEG recording. Other brands  include BioSemi / ANT Neuro (or equivalent) 

Ссылки

  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).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

220MATLABPIPEMAT RS

This article has been published

Video Coming Soon

JoVE Logo

Исследования

Образование

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены