JoVE Logo

Anmelden

In diesem Artikel

  • Zusammenfassung
  • Zusammenfassung
  • Einleitung
  • Protokoll
  • Ergebnisse
  • Diskussion
  • Offenlegungen
  • Danksagungen
  • Materialien
  • Referenzen
  • Nachdrucke und Genehmigungen

Zusammenfassung

Dieses Protokoll stellt PIPEMAT-RS vor, eine standardisierte MATLAB-basierte Vorverarbeitungspipeline für EEG-Daten im Ruhezustand. Es stellt sicher, dass Artefakte entfernt werden, die Signalqualität verbessert und die Reproduzierbarkeit der Daten über Studien hinweg verbessert wird. Die Pipeline automatisiert wichtige Vorverarbeitungsschritte, einschließlich Filterung, unabhängige Komponentenanalyse (ICA) und Artefaktklassifizierung, und ermöglicht so eine konsistente und zuverlässige EEG-Analyse für die neurophysiologische Forschung.

Zusammenfassung

Die Elektroenzephalographie (EEG) ist ein wichtiges Werkzeug in der neurowissenschaftlichen Forschung und in klinischen Anwendungen, aber EEG-Rohdaten enthalten oft Rauschen und Artefakte, die die Signalqualität beeinträchtigen. Um dieses Problem zu lösen, haben wir PIPEMAT-RS entwickelt, eine standardisierte MATLAB-basierte Vorverarbeitungspipeline für EEG-Daten im Ruhezustand. PIPEMAT-RS folgt einem strukturierten siebenstufigen Workflow: Dateiformatkonvertierung, Konfiguration der EEG-Montage, Downsampling, Filterung, Artefaktausschleusung, unabhängige Komponentenanalyse (ICA) und ICLabel-Klassifizierung für die automatisierte Artefaktentfernung. Dieses Protokoll verbessert die Qualität der EEG-Daten, indem es menschliche Eingriffe minimiert und gleichzeitig eine hohe Genauigkeit bei der Artefaktausschleusung beibehält. Es wurde anhand mehrerer Datensätze validiert, was seine Robustheit bei der Verbesserung der Signalintegrität unter Beweis stellt. PIPEMAT-RS bietet einen systematischen Ansatz, der die Reproduzierbarkeit und Zuverlässigkeit von EEG-Studien erleichtert, sich an den gängigen Praktiken in der Praxis orientiert und eine klar dokumentierte Struktur bietet, die bestehende Rohrleitungen ergänzen kann. Durch die Standardisierung der EEG-Vorverarbeitung erleichtert PIPEMAT-RS die neurophysiologische Forschung und klinische Anwendungen und ermöglicht eine genauere Interpretation der Gehirnaktivität im Ruhezustand und ihrer Assoziationen mit neurologischen und psychiatrischen Erkrankungen.

Einleitung

Das Elektroenzephalogramm (EEG) ist ein wichtiges Instrument sowohl in der neurowissenschaftlichen Forschung als auch in der klinischen Praxis und bietet wertvolle Einblicke in die elektrische Aktivität des Gehirns. Insbesondere EEG-Daten aus dem Ruhezustand werden ausgiebig genutzt, um verschiedene neurologische und psychiatrische Erkrankungen wie Schlaganfall, Fibromyalgie und chronische neuropathische Schmerzen zu untersuchen. Trotz ihrer weit verbreiteten Anwendung erfordert die Analyse von EEG-Daten eine strenge Vorverarbeitung, um Artefakte und Rauschen zu eliminieren und die Integrität und Zuverlässigkeit der Ergebnisse zu gewährleisten 1,2,3. Im Laufe der Jahre hat sich das EEG als unschätzbar wertvoll erwiesen, da es nicht-invasive und zeitlich hochaufgelöste Messungen der Gehirnaktivität ermöglichte, was es für die Untersuchung der dynamischen Prozesse des Gehirns unverzichtbar macht 4,5. Die rohen EEG-Signale sind jedoch oft durch eine Vielzahl von Rauschquellen verunreinigt, die die interessierenden neuronalen Signale verdecken und dadurch die Interpretation der Daten erschwerenkönnen 6.

EEG-Signale sind sehr anfällig für Verunreinigungen durch Quellen wie Muskelaktivität, Augenbewegungen und elektrische Störungen7. Diese Artefakte können neuronale Signale verschleiern, was die Vorverarbeitung zu einem kritischen Schritt in der EEG-Analyse macht. Dieser Prozess umfasst in der Regel mehrere Stufen – Dateiformatkonvertierung, Downsampling, Filterung, Artefaktunterdrückung, unabhängige Komponentenanalyse (ICA) und Ausschluss rauschbezogener Komponenten 8,9. Jeder Schritt trägt dazu bei, die Signalqualität zu verbessern und sicherzustellen, dass die Daten die neuronale Aktivität genau widerspiegeln10. Die Komplexität dieser Prozesse erfordert den Einsatz ausgeklügelter Algorithmen und Softwaretools, um sicherzustellen, dass die Vorverarbeitung sowohl effizient als auch effektiv ist11.

Eine der größten Herausforderungen bei der EEG-Datenvorverarbeitung ist die Variabilität der Daten, die sich zwischen Probanden und Aufzeichnungssitzungen erheblich unterscheiden kann10,12. Diese Variabilität entsteht durch Unterschiede in den physiologischen und anatomischen Eigenschaften der Probanden sowie durch Variationen in den Versuchsbedingungen und der verwendeten Ausrüstung. Darüber hinaus kann das Fehlen standardisierter Vorverarbeitungsprotokolle zu Inkonsistenzen bei der Datenanalyse und -interpretation führen13,14. Es stehen zwar mehrere Pipelines und Vorverarbeitungsskripte zur Verfügung, aber viele von ihnen sind entweder auf bestimmte Datensätze zugeschnitten oder verfügen nicht über eine umfassende Dokumentation, wodurch sie für die breitere Forschungsgemeinschaft weniger zugänglich sind14. Plattformen wie GitHub hosten zahlreiche EEG-Vorverarbeitungsskripte und Plugins, die den Austausch und die gemeinsame Verbesserung dieser Tools erleichtern15. Die Fragmentierung dieser Ressourcen unterstreicht jedoch die Notwendigkeit einer robusten, effizienten und standardisierten editierbaren Vorverarbeitungspipeline, die auf breiter Basis über verschiedene Datensätze und Forschungskontexte hinweg angewendet werden kann16. Eine solche Pipeline würde nicht nur die Reproduzierbarkeit von EEG-Studien verbessern, sondern auch eine Grundlage schaffen, auf der die Forschungsgemeinschaft aufbauen und sich an spezifische Bedürfnisse anpassen kann17.

Neben EEGLAB, das aufgrund seiner umfangreichen Benutzerbasis und der Integration mit MATLAB die Basis von PIPEMAT-RS bildet, sind auch andere EEG-Verarbeitungs-Toolboxen im Feld weit verbreitet. MNE-Python ist beispielsweise eine Open-Source-Plattform auf Python, die erweiterte Funktionen für die Lokalisierung von Quellen, Sensorraumanalysen und die Integration in Workflows für maschinelles Lernen bietet. FieldTrip, eine MATLAB-basierte Toolbox wie EEGLAB, ist bekannt für ihre flexible Scripting-Umgebung und umfassende Unterstützung für Zeit-Frequenz- und Konnektivitätsanalysen. Diese Plattformen bieten zwar leistungsstarke Alternativen, erfordern aber in der Regel steilere Lernkurven und fortgeschrittenere Programmierkenntnisse. PIPEMAT-RS wurde entwickelt, um eine Brücke zwischen Zugänglichkeit und Transparenz zu schlagen, insbesondere für Forscher, die eine editierbare und modulare Lösung für die EEG-Vorverarbeitung im Ruhezustand mit EEGLAB suchen. Nichtsdestotrotz kann die konzeptionelle Struktur von PIPEMAT-RS bei Bedarf an andere Toolboxen angepasst werden, was die Interoperabilität und Anpassung über verschiedene Softwareumgebungen hinweg fördert.

In den letzten Jahren wurden mehrere automatisierte EEG-Vorverarbeitungspipelines entwickelt, wie z. B. RELAX18, Automagic19, APP20 und PREP7. Diese Pipelines enthalten fortschrittliche Algorithmen für die Entfernung von Artefakten und die Datenbereinigung, wobei häufig ICA-basierte Strategien mit begrenzter Transparenz oder Anpassung für unerfahrene Benutzer verwendet werden. So führt RELAX beispielsweise eine mehrstufige ICA-Reinigungsmethode ein, die die Unterdrückung von Artefakten verbessert, aber auf komplexen Konfigurationen beruht, die möglicherweise nicht leicht zu modifizieren sind21. Im Gegensatz dazu ist PIPEMAT-RS so konzipiert, dass es eine flexible, transparente und pädagogisch zugängliche Alternative bietet, die es Forschern ermöglicht, jeden Vorverarbeitungsschritt zu verstehen und manuell anzupassen. Diese Transparenz ermöglicht es, PIPEMAT-RS sowohl als Forschungs- als auch als Lehrmittel zu verwenden und gleichzeitig Genauigkeit und Reproduzierbarkeit zu gewährleisten. Darüber hinaus legt PIPEMAT-RS den Schwerpunkt auf Dokumentation, modulare Ausführung und Anpassungsfähigkeit über Datensätze hinweg – Funktionen, die in anderen Pipelines oft zu wenig oder nicht vorhanden sind.

Wirtschaftlich kann die Entwicklung und Implementierung einer standardisierten, editierbaren Vorverarbeitungspipeline für EEG-Daten erhebliche Auswirkungen haben. Der globale Markt für EEG-Geräte wurde im Jahr 2020 auf rund 1,2 Mrd. USD geschätzt und wird von 2021 bis 2028 voraussichtlich mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 7,5 % wachsen22. Effiziente Vorverarbeitungspipelines, insbesondere solche, die editierbar und modular sind, können den Zeit- und Kostenaufwand für die Datenanalyse reduzieren – ein wichtiger Aspekt bei groß angelegten klinischen Studien und der Forschung im Bereich der öffentlichen Gesundheit. Durch die Minimierung menschlicher Fehler und die Automatisierung sich wiederholender Aufgaben können solche Pipelines die Genauigkeit der EEG-Datenanalyse verbessern und zu zuverlässigeren Forschungsergebnissen führen13. Dies wiederum kann die Entwicklung neuer diagnostischer Instrumente und therapeutischer Interventionen beschleunigen, wodurch die Gesundheitskosten gesenkt und die Patientenergebnisse verbessertwerden können 1.

Ziel dieser Arbeit ist es, eine standardisierte, editierbare integrierte Vorverarbeitungspipeline für das Ruhezustands-EEG mit MATLAB (PIPEMAT-RS) vorzustellen und zu validieren. Diese bearbeitbare Pipeline ist sowohl robust als auch effizient, vielseitig und kann auf verschiedene Datensätze und Forschungsszenarien angewendet werden. Zu den sieben umfassenden Schritten gehören Dateiformatkonvertierung, Downsampling, Filterung, Artefaktunterdrückung, unabhängige Komponentenanalyse (ICA) und Ausschluss rauschbezogener Komponenten, die alle in einen zusammenhängenden Workflow integriert sind23,24. Die Entwicklung von PIPEMAT-RS wurde von der Notwendigkeit geleitet, gemeinsame Herausforderungen bei der EEG-Vorverarbeitung anzugehen und ein Werkzeug bereitzustellen, mit dem Forscher ihre Datenanalyseprozesse rationalisieren können25. Durch die Integration mit gängigen Praktiken in der Praxis und die Nutzung der Fähigkeiten von MATLAB zielt PIPEMAT-RS darauf ab, ein zuverlässiges, editierbares und benutzerfreundliches Framework zur Unterstützung der EEG-Datenvorverarbeitung anzubieten26.

Um die Wirksamkeit von PIPEMAT-RS zu validieren, haben wir es in mehreren Studien angewendet. In einer Studie wurde PIPEMAT-RS verwendet, um EEG-Biomarker bei Schlaganfallpatienten zu untersuchen und signifikante Korrelationen zwischen maladaptiver Motorik und depressiven Profilen zu identifizieren27. In einer anderen Studie wurde PIPEMAT-RS eingesetzt, um neuronale Signaturen der Hirnkompensation bei Schlaganfallpatienten mittels EEG und TMS zu analysieren, was wichtige Einblicke in die adaptiven Mechanismen des Gehirns nach einem Schlaganfall lieferte28. Eine weitere Bestätigung kommt von einer Studie, die die neuronalen Anpassungen und Kompensationen bei Fibromyalgie-Patienten untersuchte29. Darüber hinaus zeigte eine weitere Studie, wie Delta- und Theta-Banden im Ruhezustands-EEG als Kompensationsmechanismen bei chronischen neuropathischen Schmerzen dienen30.

Diese Studien unterstreichen den Nutzen von PIPEMAT-RS bei der Verarbeitung und Analyse von EEG-Daten und belegen seine Wirksamkeit unter verschiedenen Bedingungen und Anwendungen. Durch die Bereitstellung eines standardisierten Ansatzes verbessert diese Pipeline nicht nur die Reproduzierbarkeit von EEG-Studien, sondern erleichtert auch die breitere Einführung konsistenter Vorverarbeitungsmethoden in der Forschungsgemeinschaft. Mit diesem Artikel wollen wir eine wertvolle Ressource für das Feld bereitstellen und eine genauere und zuverlässigere Analyse von EEG-Daten fördern16,17. Auf diese Weise hoffen wir, die Forschung in der Neurophysiologie voranzutreiben und die Entwicklung neuartiger Therapieansätze für neurologische und psychiatrische Erkrankungen zu unterstützen.

Die grundlegenden Vorverarbeitungsschritte, die in PIPEMAT-RS verwendet werden, basieren auf robusten, umfassend validierten Methoden, die in der EEG-Forschung zur Sicherstellung von Datenqualität und Reproduzierbarkeit unerlässlich geworden sind 2,8,14. Obwohl diese Methoden gut etabliert sind, bleiben sie aufgrund ihrer Wirksamkeit bei der Behandlung häufiger EEG-Artefakte und -Rauschen von entscheidender Bedeutung, was weiterhin zuverlässige Analysen über Studien hinweg unterstützt. Allerdings haben in letzter Zeit nur wenige Studien eine vollständig dokumentierte, standardisierte Pipeline bereitgestellt, die auf das Ruhezustands-EEG zugeschnitten ist. Durch die Integration dieser bewährten Techniken mit jüngsten Fortschritten, wie z. B. ICLabel für die automatisierte Artefaktklassifizierung, bietet PIPEMAT-RS einen zeitgemäßen, strukturierten Ansatz, der die Replizierbarkeit und Zugänglichkeit für Forscher verbessert und den anhaltenden Bedarf an streng dokumentierten Vorverarbeitungs-Workflows im Feld erfüllt.

Während die PIPEMAT-RS-Pipeline etablierten Vorverarbeitungsschritten folgt, die üblicherweise in EEG-Studien verwendet werden, füllt ihre Dokumentation in Form einer wissenschaftlichen Arbeit eine wichtige Lücke in der Literatur. Viele EEG-Studien stützen sich auf ähnliche Vorverarbeitungsmethoden, aber oft fehlt eine umfassende Schritt-für-Schritt-Beschreibung, die eine vollständige Reproduzierbarkeit und einfache Übernahme durch andere Forscher ermöglicht. Durch die Detaillierung jeder Komponente von PIPEMAT-RS und die Präsentation einer standardisierten Sequenz für die EEG-Analyse im Ruhezustand zielt diese Arbeit darauf ab, die Transparenz zu erhöhen, die Variabilität der Benutzer zu minimieren und einen replizierbaren Rahmen bereitzustellen, der studienübergreifend anwendbar ist. Anstatt neuartige Methoden vorzustellen, soll dieser Beitrag als Lehr- und Praxisleitfaden dienen, der dazu beiträgt, die Vorverarbeitungspraktiken zu standardisieren und die Zugänglichkeit für ein breites Spektrum von EEG-Forschern zu verbessern, insbesondere für diejenigen, die mit Ruhezustandsdaten arbeiten.

Die Vorverarbeitung von EEG-Daten ist ein kritischer Schritt, der die Qualität und Zuverlässigkeit der nachfolgenden Analysen maßgeblich beeinflusst. Die Preprocessing Integrated Pipeline for Resting-State EEG using MATLAB (PIPEMAT-RS) wurde entwickelt, um häufige Herausforderungen bei der Vorverarbeitung von EEG-Daten zu bewältigen, indem ein umfassender, standardisierter Ansatz bereitgestellt wird, der auf verschiedene Datensätze anwendbar ist. Diese strukturierte, bearbeitbare Pipeline besteht aus sieben wichtigen Schritten: i) Konvertierung des Dateiformats; ii) EEG-Montage; iii) Downsampling und Filterung; iv) Ablehnung und Neureferenzierung von Artefakten; v) Unabhängige Komponentenanalyse (ICA); vi) ICLabel-Klassifikation; vii) Datennormalisierung. Jeder Schritt ist sorgfältig darauf ausgelegt, die Signalqualität zu verbessern und die Extraktion aussagekräftiger Informationen aus EEG-Rohdaten zu erleichtern.

Ein entscheidendes Merkmal von PIPEMAT-RS ist, dass jeder Vorverarbeitungsschritt mit dem Speichern des Datensatzes unter einem eindeutigen Dateinamen endet. Diese Struktur stellt sicher, dass für jede verarbeitete Datei eine abgeleitete Version generiert wird, die jedem einzelnen Schritt entspricht. Dieser systematische Ansatz ermöglicht es den Benutzern, an jedem Punkt innerhalb der siebenstufigen Vorverarbeitungspipeline auf Daten zuzugreifen. Die gespeicherten Dateien enthalten Identifikatoren, die das Stadium der Vorverarbeitung eindeutig angeben und so die Nachverfolgung und Verwaltung von Daten während des gesamten Workflows erleichtern.

PIPEMAT-RS beginnt mit der Dateiformatkonvertierung, bei der EEG-Rohdatendateien in ein MATLAB-kompatibles Format umgewandelt werden. Diese Konvertierung ist für die nahtlose Verarbeitung von Daten in der robusten Rechenumgebung von MATLAB unerlässlich. Im Anschluss daran werden im EEG-Montageschritt jeder Elektrode auf der Kopfhaut auf Basis standardisierter Elektrodenplatzierungssysteme genaue räumliche Positionen zugewiesen. Diese räumlichen Informationen sind entscheidend für die genaue Interpretation von EEG-Daten in neurophysiologischen Studien.

Als nächstes wendet die Pipeline Downsampling und Filterung an, um die Abtastrate der Daten zu reduzieren und Rauschen zu eliminieren, während die für die neurophysiologische Forschung relevanten Frequenzkomponenten beibehalten werden. Das Downsampling verringert die Rechenlast und den Speicherbedarf, ohne die Datenqualität zu beeinträchtigen. Durch die Filterung werden bestimmte Frequenzkomponenten entfernt, von denen bekannt ist, dass sie mit Artefakten verbunden sind, wodurch die wesentlichen neuronalen Signale erhalten bleiben.

Anschließend werden Artefaktabweisungen und Rereferenzierungen durchgeführt. In diesem Schritt werden Datensegmente identifiziert und entfernt, die durch Rauschquellen wie Augenblinzeln, Muskelaktivität und Elektrodenbewegungen verunreinigt sind. Automatische Algorithmen zur Unterdrückung von Artefakten werden verwendet, um manuelle Eingriffe zu minimieren, das Potenzial für menschliche Fehler zu verringern und die Effizienz der Vorverarbeitung zu erhöhen. Die Neureferenzierung der Daten mit dem Durchschnitt aller Elektroden hilft, den Einfluss einer einzelnen Elektrode zu mildern und bietet eine stabile Referenz für die EEG-Signale.

Der Schritt der unabhängigen Komponentenanalyse (ICA) verfeinert die Daten weiter, indem gemischte Signale in ihre unabhängigen Quellen unterteilt werden. Diese Zerlegung erleichtert die Identifizierung und Entfernung von Artefakten wie Augenblinzeln, Muskelartefakten und Leitungsrauschen. ICA ist eine leistungsstarke Technik, die sicherstellt, dass die verbleibenden Daten die zugrunde liegende neuronale Aktivität genau widerspiegeln.

Schließlich wird die ICLabel-Klassifizierung angewendet, um Komponenten, die als Artefakte klassifiziert sind, automatisch zu identifizieren und zu entfernen. ICLabel weist unabhängigen Komponenten probabilistische Labels zu und kategorisiert sie als Gehirnaktivität, Muskelaktivität, Augenblinzeln, Herzschläge, Zeilenrauschen oder Kanalrauschen. Komponenten mit einer hohen Wahrscheinlichkeit, die Gehirnaktivität darzustellen, werden beibehalten, während diejenigen, die als Artefakte identifiziert wurden, entfernt werden. Dieser automatisierte Ansatz reduziert den manuellen Aufwand erheblich und gewährleistet eine konsistente und objektive Klassifizierung über alle Datensätze hinweg.

Jeder dieser Vorverarbeitungsschritte ist essentiell, um die Qualität der EEG-Daten zu verbessern. Durch die Standardisierung des Vorverarbeitungs-Workflows minimiert PIPEMAT-RS die Variabilität, die durch verschiedene Vorverarbeitungsmethoden entsteht, und erleichtert so den Vergleich der Ergebnisse über Studien hinweg. Die Implementierung der Pipeline in MATLAB, einer in der neurowissenschaftlichen Gemeinschaft weit verbreiteten Plattform, gewährleistet die Zugänglichkeit und einfache Integration in bestehende Forschungsworkflows.

Die Entwicklung von PIPEMAT-RS orientierte sich an gängigen Praktiken in der EEG-Datenanalyse und umfasste Methoden und Techniken, die in früheren Forschungsarbeiten validiert wurden. Jeder Schritt wurde sorgfältig konzipiert und rigoros getestet, um seine Wirksamkeit bei der Verbesserung der Datenqualität sicherzustellen (Abbildung 1). Dieser umfassende Ansatz verbessert nicht nur die Zuverlässigkeit der EEG-Daten, sondern unterstützt auch die Identifizierung neurophysiologischer Marker, die für das Verständnis verschiedener neurologischer und psychiatrischer Erkrankungen entscheidend sind.

Protokoll

PIPEMAT-RS wurde im Rahmen unseres laufenden Forschungsprojekts entwickelt, das von der Ethikkommission des Klinikums der Medizinischen Fakultät der Universität São Paulo (CAAE: 86832518.7.0000.0068) genehmigt wurde. Dieses Projekt zielt darauf ab, die Qualität und Zuverlässigkeit von Ruhezustands-EEG-Daten für verschiedene neurologische und psychiatrische Studien zu verbessern. Die in dieser Studie verwendeten Daten stammen aus einer Kohortenstudie, deren Protokoll zuvor von Simis et al. (2021)31 veröffentlicht wurde. Die Hauptstudie ist noch im Gange, wobei die Datenerhebung für die übrigen klinischen Gruppen noch andauert. Das Skript für die Pipeline wird in der Zusatzdatei 1 bereitgestellt.

1. Konvertierung des Dateiformats

  1. Bereiten Sie das Datenverzeichnis vor.
    1. Öffnen Sie MATLAB und navigieren Sie zu dem Verzeichnis, das die EEG-Rohdatendateien enthält.
    2. Definieren Sie den Pfad mit pathname = 'C:\\Path\\To\\RawData\\'; und Themen mit name_subj_raw = {'subject1', 'subject2', ...};.
    3. Wenn sich das Dataset bereits in . Mattenformat , überspringen Sie diesen Schritt und fahren Sie mit der EEG-Montage fort.
  2. Konvertieren Sie Dateien.
    1. Laden Sie jede Rohdatendatei mit der entsprechenden MATLAB-Funktion für den Dateityp. Verwenden Sie z.B. load für .mat-Dateien oder dateispezifische EEGLAB-Funktionen wie pop_biosig (für .edf, .bdf) oder pop_fileio (für verschiedene proprietäre Formate).
      HINWEIS: Benutzer sollten diesen Schritt basierend auf dem Format ihrer EEG-Rohdateien anpassen und in der EEGLAB-Dokumentation nachsehen, um zusätzliche Dateiunterstützung zu erhalten.
    2. Speichern Sie jede Datei im .mat-Format , um die Datenintegrität zu gewährleisten und alle relevanten Metadaten beizubehalten.

2. EEG-Montage

  1. EEG-Daten laden.
    1. Öffnen Sie MATLAB und navigieren Sie zu dem Verzeichnis mit den .mat-Dateien.
    2. Verwenden Sie die Funktion pop_loadset aus der EEGLAB-Toolbox, um den EEG-Datensatz jedes Probanden zu laden (z. B. EEG = pop_loadset('filename.set');).
  2. Wenden Sie die Elektrodenpositionen an.
    1. Stellen Sie sicher, dass die entsprechende Elektrodenpositionsdatei (z. B. EEGSystem_128.loc), die der Konfiguration der EEG-Kappe entspricht, verfügbar ist.
    2. Verwenden Sie die Funktion pop_chanedit , um Elektrodenpositionen anzuwenden. Zum Beispiel:
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'});
    3. Bestätigen Sie visuell, dass die Elektrodenpositionen korrekt geladen wurden, indem Sie das Kanallayout über die Benutzeroberfläche von EEGLAB überprüfen.
  3. Speichern Sie das Dataset.
    1. Speichern Sie den aktualisierten EEG-Datensatz mit der Funktion pop_saveset (z. B. pop_saveset(EEG, 'Dateiname', 'subject1_loc.set')).

3. Downsampling und Filterung

  1. Führen Sie ein Downsampling der EEG-Daten durch.
    1. Reduzieren Sie die Abtastrate der EEG-Daten auf 250 Hz mit der Funktion pop_resample (optional).
      HINWEIS: Die pop_resample-Funktion wendet vor dem Downsampling automatisch einen geeigneten Tiefpass-Anti-Aliasing-Filter an. Dieser Schritt stellt sicher, dass hochfrequente Komponenten vor der Neuabtastung gedämpft werden, wodurch Aliasing-Artefakte vermieden und die Qualität des EEG-Signals erhalten bleibt.
  2. Wenden Sie Bandpass-Filter an.
    1. Wenden Sie einen Bandpassfilter von 1 Hz bis 50 Hz auf die Kanäle 1 bis 64 an, indem Sie die Funktion pop_basicfilter mit einem Butterworth-Design und einer Filterreihenfolge von 2 verwenden.
    2. Verwenden Sie die Nullphasen-Vorwärts- und Rückwärtsfilterung, um Phasenverzerrungen zu vermeiden.
  3. Wenden Sie Kerbfilter an (optional).
    1. Wenden Sie einen Kerbfilter bei 50 oder 60 Hz auf die Kanäle 1 bis 64 an, indem Sie pop_basicfilter mit dem "PMnotch"-Design und einer Filterreihenfolge von 180 verwenden.
      HINWEIS: Dieser Schritt ist optional und sollte bei der Analyse der oszillatorischen Aktivität über 30 Hz (z. B. Gammaband) verwendet werden. In solchen Fällen können Forscher die Obergrenze des Bandpassfilters erhöhen (z. B. auf bis zu 80 oder 100 Hz), wodurch der Kerbfilter für die Beseitigung von Powerline-Interferenzen von entscheidender Bedeutung ist. Der Befehl wird der Einfachheit halber in der Pipeline bereitgestellt und kann je nach lokaler elektrischer Frequenz (z. B. 50 Hz oder 60 Hz) einfach angepasst werden.

4. Ablehnung und erneute Referenzierung von Artefakten

  1. Führen Sie eine automatische Artefaktausschleusung durch.
    1. Verwenden Sie die Funktion clean_rawdata mit Parametern (5, [-1], 0,7, -1, 8, 0,85), um flache Kanäle, verrauschte Segmente und niederfrequente Drifts automatisch zu erkennen und zu entfernen. Diese Parameter entsprechen jeweils:
      FlatlineCriterion (5): Entfernt Kanäle, die länger als 5 s flach sind.
      ChannelCriterion ([-1]): Deaktiviert die auf Kanalkorrelation basierende Ablehnung.
      LineNoiseCriterion (0.7): Entfernt Kanäle mit übermäßigem Zeilenrauschen oberhalb dieses Schwellenwerts.
      Hochpass (-1): Deaktiviert die zusätzliche Hochpassfilterung während der Reinigung.
      BurstCriterion (8): Entfernt Daten-Bursts, die 8 Standardabweichungen überschreiten.
      WindowCriterion (0,85): Erfordert, dass 85 % der Daten in einem Fenster sauber sind, um sie beizubehalten.
      HINWEIS: Benutzer können diese Werte je nach Datensatzmerkmalen anpassen. Das Reduzieren des BurstCriterion führt z. B. zu einer aggressiveren Ablehnung von Artefakten, während das Verringern des WindowCriterion die Toleranz für verrauschte Datenfenster erhöht.
  2. Führen Sie eine manuelle Artefaktinspektion durch (optional).
    1. Falls erforderlich, überprüfen Sie die EEG-Daten visuell mit eegplot von EEGLAB , um verbleibende Artefakte zu identifizieren, die mit automatischen Methoden nicht erkannt wurden.
    2. Markieren und entfernen Sie verbleibende Artefakte manuell, um eine hohe Datenqualität zu gewährleisten.
      HINWEIS: Dieser Schritt ist optional und wird in erster Linie empfohlen, wenn es sich um Datensätze handelt, die nicht standardmäßige Rauschmuster aufweisen, oder wenn über automatisierte Verfahren hinaus eine höhere Präzision erforderlich ist.
  3. Verweisen Sie die Daten erneut.
    1. Verwenden Sie die Funktion pop_reref , um EEG-Signale auf den Durchschnitt aller Elektroden neu zu referenzieren und sicherzustellen, dass die ursprüngliche Referenzelektrode im Datensatz erhalten bleibt.
      HINWEIS: In dieser Rohrleitung wird die durchschnittliche Neureferenzierung unter Verwendung der verfügbaren Kanäle durchgeführt, ohne die ursprüngliche Referenzelektrode zu rekonstruieren. Benutzer, die eine verbesserte Rangkonsistenz und Vergleichbarkeit zwischen den Themen anstreben, können jedoch in Erwägung ziehen, die ursprüngliche Referenzelektrode (z. B. Cz) vorübergehend als nullwertige Zeitreihe wieder einzusetzen, bevor sie erneut referenziert werden. Auf diese Weise kann die Referenz zur Berechnung des Durchschnitts beitragen. Danach kann der hinzugefügte Kanal entfernt werden, um einen Rangmangel zu vermeiden, bevor ICA durchgeführt wird. Ein Beispiel dafür ist die RELAX_average_rereference.m-Funktion der RELAX-Pipeline, die auch die Interpolation aller Kanäle vor der Referenzierung umfasst. Während PIPEMAT-RS aus Gründen der Klarheit und Zugänglichkeit eine vereinfachte Version beibehält, werden die Benutzer ermutigt, diesen Schritt je nach den Zielen ihrer Analyse nach Bedarf anzupassen.

5. Unabhängige Komponentenanalyse (ICA)

  1. Laden Sie vorverarbeitete EEG-Daten.
    1. Laden Sie die Datei mit dem Suffix _loc_filt_cleanraw_reref.set mit der Funktion pop_loadset .
  2. Führen Sie ICA durch.
    1. Führen Sie ICA mit der Funktion pop_runica mit dem runica-Algorithmus aus, um die Daten in unabhängige Komponenten zu zerlegen. Der 'runica'-Algorithmus, der auf dem Infomax-Ansatz basiert, maximiert die statistische Unabhängigkeit der Komponenten und wird häufig in der EEG-Vorverarbeitung eingesetzt.
      HINWEIS: Für Benutzer, die eine schnellere ICA-Berechnung wünschen, können alternative Algorithmen wie picard verwendet werden, indem icatype, picard im Funktionsaufruf angegeben wird. Diese Alternativen bieten eine vergleichbare Leistung und können die Rechenzeit verkürzen.
  3. Speichern Sie das ICA-Dataset.
    1. Speichern Sie das Dataset mit dem Suffix _loc_filt_cleanraw_reref_ICA verwenden Sie pop_saveset , um anzugeben, dass ICA durchgeführt wurde.

6. ICLabel-Klassifizierung

  1. Laden Sie das ICA-Dataset.
    1. Importieren Sie den Datensatz mit ICA-Komponenten mithilfe der Funktion pop_loadset.
  2. Wenden Sie die ICLabel-Klassifizierung an.
    1. Führen Sie die pop_iclabel Funktion mit dem Standardmodell aus, um unabhängige Komponenten in Gehirn- und Artefaktkategorien zu klassifizieren.
    2. Identifizieren Sie Komponenten, die mit einer Wahrscheinlichkeit von mehr als 0,7 die Gehirnaktivität repräsentieren.
  3. Entfernen von Artefaktkomponenten.
    1. Verwenden Sie die Funktion pop_subcomp , um alle Komponenten mit einer ICLabel-Gehirnwahrscheinlichkeit unter 0,7 zu entfernen.
    2. Behalten Sie nur Komponenten mit einer Gehirnaktivitätswahrscheinlichkeit über 0,7 bei. Der Schwellenwert von 0,7 gleicht die Notwendigkeit aus, echte neuronale Signale zu erhalten und gleichzeitig die effektive Entfernung von Artefakten zu gewährleisten.
  4. Speichern Sie das bereinigte Dataset.
    1. Speichern Sie das bereinigte Dataset mit dem Suffix _loc_filt_cleanraw_reref_ICA_Cleaned verwenden Sie pop_saveset , um das Entfernen von Artefaktkomponenten anzuzeigen.

7. Normalisierung der Daten

  1. Laden Sie bereinigte EEG-Daten.
    1. Importieren Sie den Datensatz mit artefaktfreien ICA-Komponenten mithilfe der Funktion pop_loadset .
  2. Wenden Sie die Z-Score-Normalisierung an.
    1. Normalisieren Sie jeden EEG-Kanal mithilfe der Z-Score-Transformation, indem Sie (x - mean(x)) / std(x) für jeden Kanal einzeln berechnen.
      HINWEIS: Die Z-Score-Normalisierung ist optional und sollte auf der Grundlage der analytischen Ziele der Studie angewendet werden. Während es die Variabilität zwischen den Probanden reduziert und Daten für Vergleiche auf Gruppenebene standardisiert, kann es auch topografische Unterschiede abschwächen und signifikante Amplitudenunterschiede zwischen den Kanälen eliminieren. Forschern, die daran interessiert sind, die Größe des Rohsignals oder die räumliche Verteilung zu erhalten, wird empfohlen, diesen Schritt zu überspringen.
  3. Speichern Sie den endgültigen Datensatz.
    1. Speichern Sie das vollständig vorverarbeitete und normalisierte Dataset mit dem Suffix _loc_filt_cleanraw_reref_ICA_Normalized verwenden Sie pop_saveset , um den Abschluss der Vorverarbeitung anzuzeigen.

Ergebnisse

Die Validierung der EEG-Vorverarbeitungspipeline ist unerlässlich, um die Zuverlässigkeit und Wirksamkeit der Methoden zur Extraktion aussagekräftiger neurophysiologischer Daten zu gewährleisten. Dieser Prozess umfasst empirische Evidenz aus veröffentlichten Studien, statistische Auswertungen und Vergleiche mit etablierten Benchmarks in der Praxis.

Die Robustheit und der Nutzen von PIPEMAT-RS wurden durch seine erfolgreiche Anwendung in mehreren veröffentlichten Studien zu einer Reihe von neurologischen und psychiatrischen Erkrankungen nachgewiesen. Bei der Untersuchung von EEG-Biomarkern bei Schlaganfallpatienten wurden beispielsweise signifikante Korrelationen zwischen maladaptiver Motorik, depressiven Profilen und spezifischen EEG-Markern gefunden, was die Wirksamkeit der Vorverarbeitungsschritte bei der Verbesserung der Signalqualität validiert und eine aussagekräftige Datenanalyse ermöglicht32. In ähnlicher Weise ergab die Analyse der neuronalen Signaturen der Hirnkompensation bei Schlaganfallpatienten wichtige Einblicke in die adaptiven Mechanismen des Gehirns nach einem Schlaganfall, was die Fähigkeit von PIPEMAT-RS zeigt, komplexe Datensätze zu verarbeiten und zuverlässige Ergebnisse zu liefern28. Eine weitere Validierung ist in Studien zu neuronalen Anpassungen und Kompensationen bei Fibromyalgie-Patienten zu beobachten, die unterschiedliche neuronale Signaturen identifizierten, die mit Schmerz- und Kompensationsmechanismen verbunden sind, was die Vorverarbeitungsmethoden in verschiedenen klinischen Kontexten unterstützt29. Darüber hinaus unterstreicht die Untersuchung der kompensatorischen Mechanismen bei chronischen neuropathischen Schmerzen die Relevanz von Delta- und Theta-Banden bei chronischen Schmerzzuständen, was die Wirksamkeit von PIPEMAT-RS bei verschiedenen neurophysiologischen Zuständen weiter belegt30.

Die statistische Validierung von PIPEMAT-RS umfasst sowohl quantitative als auch qualitative Bewertungen, um die Robustheit der Vorverarbeitungsmethoden sicherzustellen. Quantitative Messgrößen wie das Signal-Rausch-Verhältnis (SNR), Kurtosis und Schiefe wurden verwendet, um die Datenqualität objektiv zu bewerten. Das SNR wurde als das Verhältnis zwischen der Leistung des Signals im Frequenzbereich von 1 bis 50 Hz und der Leistung außerhalb dieses Bereichs (z. B. <1 Hz und >50 Hz) berechnet, die typischerweise nicht-neuronales Rauschen enthält. Eine Erhöhung dieses Verhältnisses nach der Vorverarbeitung deutet auf eine verbesserte Erhaltung der neuronalen Informationen im Verhältnis zum Rauschen hin. In ähnlicher Weise wurden Kurtosis und Schiefe bewertet, um die Verteilungseigenschaften des EEG-Signals zu bewerten. Eine erhöhte Kurtosis spiegelt oft das Vorhandensein von scharfen Transienten oder Muskelartefakten wider, während eine hohe Schiefe aus asymmetrischen Signalverteilungen resultieren kann, die durch Rauschen oder Aufnahmeprobleme verursacht werden. Die Verringerung dieser Werte nach der Vorverarbeitung deutet auf eine verbesserte Signalregelmäßigkeit und eine geringere Kontamination durch nicht-neuronale Quellen hin, was die allgemeine Verbesserung der Datenqualität unterstützt. Die Vorverarbeitung führte zu bemerkenswerten Verbesserungen des SNR, was darauf hindeutet, dass PIPEMAT-RS das Rauschen effektiv reduziert und das neuronale Signal verstärkt. In Datensätzen mit anfänglich niedrigen SNR-Werten (~5 dB) erhöhten die Vorverarbeitungsschritte beispielsweise das SNR auf etwa 7,5 dB, was ein klareres neuronales Signal widerspiegelt. In ähnlicher Weise bestätigte die Verringerung der Kurtosis (z. B. von 5,2 auf 2,3) und der Schiefe (z. B. von 1,5 auf 0,8) die Abschwächung nicht-neuronaler Artefakte². Qualitative Bewertungen umfassten eine visuelle Inspektion der vorverarbeiteten Daten, um sicherzustellen, dass Artefakte angemessen entfernt wurden und dass die Daten die zugrunde liegende neuronale Aktivität genau widerspiegelten (Abbildung 2). Dieser Schritt ermöglichte es den Forschern, die Wirksamkeit der automatischen Vorverarbeitungsschritte manuell zu überprüfen und sicherzustellen, dass keine signifikanten Artefakte zurückblieben.

Die Einbeziehung fortschrittlicher Techniken wie Independent Component Analysis (ICA) und ICLabel zur Entfernung von Artefakten wurde in der Literatur besonders validiert. Studien haben gezeigt, dass ICA in Kombination mit automatisierten Klassifizierungsalgorithmen wie ICLabel Klassifizierungsgenauigkeiten erreicht, die den von Experten gekennzeichneten Komponenten sehr nahe kommen. ICLabel weist eine durchschnittliche Klassifikationsgenauigkeit von ca. 91 % auf, was eine starke Übereinstimmung mit menschlichen Expertenklassifikationen widerspiegelt und eine standardisierte, skalierbare Lösung für große EEG-Datensätze bietet, während die Variabilität zwischen den Ratern minimiertwird 32.

Ein weiterer Aspekt der Validierung ist der Vergleich mit etablierten Benchmarks in der Praxis. Die Methoden und Ergebnisse unserer Pipeline wurden an den Standardpraktiken und Richtlinien der EEG-Vorverarbeitung angepasst, wie sie von führenden Forschern und Institutionen empfohlenwurden 14. PIPEMAT-RS erhebt zwar keinen Anspruch auf Überlegenheit gegenüber bestehenden Rohrleitungen, zielt aber durch seinen modularen Aufbau, seine Transparenz und seine Benutzerfreundlichkeit darauf ab, die in der Praxis allgemein anerkannten Qualitätsstandards zu erfüllen oder zu ergänzen (Tabelle 1).

figure-results-5870
Abbildung 1: Codestruktur der PIPEMAT-RS-Pipeline. Überblick über den MATLAB-Code, der jeden Schritt der PIPEMAT-RS-Vorverarbeitungspipeline implementiert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-6403
Abbildung 2: EEG-Signalqualität vor und nach der Vorverarbeitung. Vergleich von (A) Rohdaten, (B) manuell bereinigten Daten und (C) Daten, die mit PIPEMAT-RS verarbeitet wurden, um die Reduzierung von Artefakten und die verbesserte Signalklarheit zu veranschaulichen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Tabelle 1: Vergleich zwischen manueller und automatisierter EEG-Vorverarbeitung mit PIPEMAT-RS. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Ergänzende Datei 1: Vollständige Vorverarbeitung der integrierten Pipeline für das Ruhezustands-EEG mit dem Skript MATLAB (PIPEMAT-RS). Dieses Skript umfasst alle Schritte, die im Abschnitt Protokoll beschrieben werden, von der Dateiformatkonvertierung bis zur Datenqualitätssicherung. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Die PIPEMAT-RS-Pipeline wurde entwickelt, um eine standardisierte, effiziente Methode zur Vorverarbeitung von EEG-Daten im Ruhezustand bereitzustellen. Zu den kritischen Schritten in diesem Protokoll gehören die Unterdrückung von Artefakten und die unabhängige Komponentenanalyse (ICA), die beide das Signal-Rausch-Verhältnis erheblich verbessern und die Extraktion aussagekräftiger neuronaler Signale sicherstellen. Die Kombination aus automatischer Artefaktausschleusung über die Funktion clean_rawdata und manueller Inspektion über eegplot sorgt für ein umfassendes Artefaktmanagement, das Effizienz und Genauigkeit in Einklang bringt. Die Anwendung von ICLabel für die automatisierte Klassifizierung unabhängiger Komponenten verfeinert die Daten weiter, reduziert den manuellen Arbeitsaufwand und behält gleichzeitig eine hohe Klassifizierungsgenauigkeit (91 %) bei, die mit der Kennzeichnung durch menschliche Experten übereinstimmt32.

Abhängig von den Eigenschaften des Datensatzes können Änderungen am Protokoll erforderlich sein. Während die Pipeline beispielsweise für EEG-Daten im Ruhezustand ausgelegt ist, können Forscher Filtereinstellungen und Schwellenwerte für die Unterdrückung von Artefakten für aufgabenbasierte EEG-Aufzeichnungen oder Datensätze mit unterschiedlichen Abtastraten anpassen. Zu den Schritten zur Fehlerbehebung gehört das Anpassen des Flatline-Kriteriums und der Kanalkorrelationsschwellenwerte, clean_rawdata wenn eine übermäßige Kanalentfernung auftritt oder wenn das Restrauschen nach der automatischen Reinigung bestehen bleibt. Während ICA in der Regel mit Datensätzen mit 32 oder mehr Elektroden gut abschneidet, erfordern Datensätze mit weniger Elektroden möglicherweise eine manuelle Feinabstimmung oder alternative Methoden zur Artefaktkorrektur, um optimale Ergebnisse zu erzielen2.

Trotz seiner Stärken hat PIPEMAT-RS seine Grenzen. Die Wirksamkeit von ICA und ICLabel kann je nach Anzahl der Kanäle und Qualität der Rohdaten variieren. Ein hoher Geräuschpegel oder ein schlechter Elektrodenkontakt können die Genauigkeit der Komponententrennung und -klassifizierung verringern. Darüber hinaus ist die Pipeline für Single-Site-Studien optimiert und erfordert möglicherweise zusätzliche Harmonisierungsschritte, wie z. B. ComBat, um die standortspezifische Variabilität in der multizentrischen Forschung zu minimieren33. Während PIPEMAT-RS die Datenqualität durch standardisierte Vorverarbeitung verbessert, bleibt das Potenzial für benutzerinduzierte Variabilität bestehen, wenn Standardeinstellungen ohne sorgfältige Validierung geändert werden.

Obwohl ICA in Kombination mit der ICLabel-Klassifizierung eine effiziente und automatisierte Lösung für die Ablehnung von Artefakten bietet, ist es wichtig, ihre Grenzen zu berücksichtigen. Die Trennung von neuronalen und nicht-neuronalen Komponenten ist nicht perfekt, und das Ablehnen von Komponenten, die als Artefakte klassifiziert sind, kann immer noch zur unbeabsichtigten Entfernung neuronaler Signale führen, insbesondere wenn Quellen gemischt werden22. Obwohl PIPEMAT-RS einen konservativen Schwellenwert anwendet (Beibehaltung von Komponenten mit einer Gehirnwahrscheinlichkeit > 0,7), um dieses Risiko zu reduzieren, eliminiert es es nicht. Dieser Schwellenwert folgt den Standardpraktiken, um die Signalerhaltung und die Entfernung von Artefakten in Einklang zu bringen, aber zukünftige Verbesserungen der Pipeline könnten verfeinerte Strategien beinhalten – wie z. B. Dipolanpassung, Wavelet-verstärkte ICA oder gezielte ICA-Reinigung –, um die Spezifität und Genauigkeit der Artefaktunterdrückung weiter zu verbessern.

Im Vergleich zu bestehenden Methoden bietet PIPEMAT-RS eine schlanke, standardisierte Abfolge von Vorverarbeitungsschritten, die die Variabilität zwischen den Studien reduziert. Im Gegensatz zu flexiblen Plattformen wie BEAPP, die es den Anwendern ermöglichen, Vorverarbeitungssequenzen anzupassen, erzwingt PIPEMAT-RS eine feste Struktur, die die Konsistenz über Datensätze hinweg gewährleistet34. Dieser Ansatz minimiert manuelle Eingriffe, reduziert menschliche Fehler und gewährleistet die Reproduzierbarkeit, insbesondere in groß angelegten Studien. Darüber hinaus unterscheidet sich PIPEMAT-RS durch die Integration fortschrittlicher Tools wie ICLabel und der Fokus auf EEG-Daten im Ruhezustand von anderen Pipelines, die der Artefaktunterdrückung und der unabhängigen Komponentenanalyse möglicherweise nicht im gleichen Maße Priorität einräumen.

Die Bedeutung von PIPEMAT-RS liegt in seiner Fähigkeit, qualitativ hochwertige, zuverlässige EEG-Daten zu erzeugen, die für verschiedene Anwendungen in den Neurowissenschaften und der klinischen Forschung geeignet sind. Die Pipeline wurde erfolgreich in Studien eingesetzt, die neuronale Marker für die Genesung von Schlaganfällen, chronischen Schmerzen und Fibromyalgie untersuchten, was ihre Vielseitigkeit und Robustheit unter Beweis stellte 27,28,29,30. Durch die Verbesserung der Datenqualität und die Verkürzung der Vorverarbeitungszeit erleichtert PIPEMAT-RS groß angelegte Studien, trägt zur Identifizierung neurophysiologischer Biomarker bei und unterstützt Fortschritte in der personalisierten Medizin. Der standardisierte Ansatz stellt sicher, dass die Ergebnisse über Studien hinweg vergleichbar sind, und verbessert die Reproduzierbarkeit und Zuverlässigkeit der EEG-Forschung sowohl im klinischen als auch im akademischen Umfeld.

Zusammenfassend lässt sich sagen, dass PIPEMAT-RS eine robuste, standardisierte Lösung für die Vorverarbeitung von EEG-Daten im Ruhezustand bietet, die häufige Herausforderungen im Zusammenhang mit der Unterdrückung von Artefakten, der Signalklarheit und der Datenkonsistenz adressiert. Durch die Integration automatisierter Techniken wie ICA und ICLabel mit manuellen Verifizierungsschritten gewährleistet die Pipeline qualitativ hochwertige, reproduzierbare Daten, die für eine Vielzahl von neurologischen und psychiatrischen Forschungsanwendungen geeignet sind. Die feste Abfolge der Vorverarbeitungsschritte minimiert die benutzerinduzierte Variabilität und ermöglicht konsistente Ergebnisse über Studien hinweg. Während die Pipeline in verschiedenen klinischen Kontexten, einschließlich der Schlaganfall- und chronischen Schmerzforschung, eine starke Leistung zeigt, sollten sich zukünftige Arbeiten auf die Validierung ihrer Anwendbarkeit in verschiedenen experimentellen Paradigmen und Studien an mehreren Standorten konzentrieren. Insgesamt bietet PIPEMAT-RS eine strukturierte und gut dokumentierte Alternative für die EEG-Vorverarbeitung, die darauf ausgelegt ist, die Datenqualität, Reproduzierbarkeit und Zugänglichkeit über Studien hinweg zu verbessern.

Offenlegungen

Die Autoren erklären, dass ihnen keine konkurrierenden finanziellen Interessen oder persönlichen Beziehungen bekannt sind, die die in diesem Artikel berichtete Arbeit beeinflusst haben könnten.

Danksagungen

Konkret wurde LMM durch ein Postdoktoranden-Forschungsstipendium #21/05897-5 der São Paulo Research Foundation (FAPESP) unterstützt. AC wurde durch ein wissenschaftliches Einführungsstipendium #21/12790-2 der São Paulo Research Foundation (FAPESP) unterstützt. SPB wurde durch ein Postdoktoranden-Forschungsstipendium #20/08512-4 der São Paulo Research Foundation (FAPESP) unterstützt. FF und LRB werden durch das Forschungsstipendium #17/12943-8 der São Paulo Research Foundation (FAPESP) unterstützt. Individuell erhielt FF Unterstützung von NHI 2020 R01 AT, Projekt #1R01AT009491-01A1.

Materialien

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) 

Referenzen

  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).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Weitere Artikel entdecken

NeurowissenschaftenAusgabe 220EEGPreprocessing PipelineMATLABRuhezustands EEGArtefaktabsto ungunabh ngige KomponentenanalysePIPEMAT RS

This article has been published

Video Coming Soon

JoVE Logo

Datenschutz

Nutzungsbedingungen

Richtlinien

Forschung

Lehre

ÜBER JoVE

Copyright © 2025 MyJoVE Corporation. Alle Rechte vorbehalten