Method Article
* Estos autores han contribuido por igual
Este protocolo presenta PIPEMAT-RS, una canalización de preprocesamiento estandarizada basada en MATLAB para datos de EEG en estado de reposo. Garantiza la eliminación de artefactos, mejora la calidad de la señal y mejora la reproducibilidad de los datos en todos los estudios. La canalización automatiza los pasos clave del preprocesamiento, incluido el filtrado, el análisis de componentes independientes (ICA) y la clasificación de artefactos, lo que facilita un análisis de EEG consistente y confiable para la investigación neurofisiológica.
La electroencefalografía (EEG) es una herramienta crucial en la investigación neurocientífica y las aplicaciones clínicas, pero los datos brutos de EEG a menudo contienen ruido y artefactos que comprometen la calidad de la señal. Para abordar este problema, desarrollamos PIPEMAT-RS, una canalización de preprocesamiento estandarizada basada en MATLAB para datos de EEG en estado de reposo. PIPEMAT-RS sigue un flujo de trabajo estructurado de siete pasos: conversión de formato de archivo, configuración de montaje de EEG, reducción de muestreo, filtrado, rechazo de artefactos, análisis de componentes independientes (ICA) y clasificación ICLabel para la eliminación automatizada de artefactos. Este protocolo mejora la calidad de los datos de EEG al minimizar la intervención humana y mantener una alta precisión en el rechazo de artefactos. Se validó utilizando múltiples conjuntos de datos, lo que demuestra su solidez para mejorar la integridad de la señal. PIPEMAT-RS proporciona un enfoque sistemático que facilita la reproducibilidad y la fiabilidad en los estudios de EEG, alineándose con las prácticas comúnmente adoptadas en el campo y ofreciendo una estructura claramente documentada que puede complementar las tuberías existentes. Al estandarizar el preprocesamiento de EEG, PIPEMAT-RS facilita la investigación neurofisiológica y las aplicaciones clínicas, lo que permite interpretaciones más precisas de la actividad cerebral en estado de reposo y sus asociaciones con afecciones neurológicas y psiquiátricas.
El electroencefalograma (EEG) es una herramienta fundamental tanto en la investigación en neurociencia como en la práctica clínica, ya que ofrece información valiosa sobre la actividad eléctrica del cerebro. Los datos de EEG en estado de reposo, en particular, se utilizan ampliamente para investigar diversas afecciones neurológicas y psiquiátricas, como el accidente cerebrovascular, la fibromialgia y el dolor neuropático crónico. A pesar de su amplia aplicación, el análisis de los datos de EEG requiere un preprocesamiento riguroso para eliminar los artefactos y el ruido, garantizando la integridad y fiabilidad de los resultados 1,2,3. A lo largo de los años, el EEG ha sido invaluable para proporcionar mediciones no invasivas y de alta resolución temporal de la actividad cerebral, lo que lo hace indispensable para estudiar los procesos dinámicos del cerebro 4,5. Sin embargo, las señales brutas de EEG a menudo están contaminadas por una variedad de fuentes de ruido que pueden oscurecer las señales neuronales de interés, lo que complica la interpretación delos datos.
Las señales de EEG son altamente susceptibles a la contaminación de fuentes como la actividad muscular, los movimientos oculares y la interferencia eléctrica7. Estos artefactos pueden oscurecer las señales neuronales, lo que hace que el preprocesamiento sea un paso crítico en el análisis de EEG. Este proceso suele implicar varias etapas: conversión de formato de archivo, reducción de muestreo, filtrado, rechazo de artefactos, análisis de componentes independientes (ICA) y exclusión de componentes relacionados con el ruido 8,9. Cada paso contribuye a mejorar la calidad de la señal y a garantizar que los datos reflejen con precisión la actividad neuronal10. La complejidad de estos procesos requiere el uso de algoritmos sofisticados y herramientas de software para garantizar que el preprocesamiento sea eficiente y eficaz11.
Uno de los principales desafíos en el preprocesamiento de datos de EEG es la variabilidad de los datos, que puede diferir significativamente entre sujetos y sesiones de grabación10,12. Esta variabilidad surge debido a las diferencias en las características fisiológicas y anatómicas de los sujetos, así como a las variaciones en las condiciones experimentales y el equipo utilizado. Además, la falta de protocolos estandarizados de preprocesamiento puede llevar a inconsistencias en el análisis e interpretación de los datos13,14. Si bien existen varios pipelines y scripts de preprocesamiento, muchos de ellos están adaptados a conjuntos de datos específicos o carecen de documentación completa, lo que los hace menos accesibles para la comunidad investigadora en general14. Plataformas como GitHub alojan numerosos scripts y plugins de preprocesamiento de EEG, lo que facilita el intercambio y la mejora colaborativa de estas herramientas15. Sin embargo, la naturaleza fragmentada de estos recursos subraya la necesidad de un proceso de preprocesamiento editable sólido, eficiente y estandarizado que pueda aplicarse ampliamente en diferentes conjuntos de datos y contextos de investigación16. Este proceso no solo mejoraría la reproducibilidad de los estudios de EEG, sino que también proporcionaría una base sobre la que la comunidad investigadora puede construir y adaptarse a necesidades específicas17.
Además de EEGLAB, que constituye la base de PIPEMAT-RS debido a su amplia base de usuarios y a su integración con MATLAB, otras cajas de herramientas de procesamiento de EEG también se utilizan ampliamente en este campo. Por ejemplo, MNE-Python es una plataforma de código abierto basada en Python que ofrece funcionalidades avanzadas para la localización de fuentes, análisis de espacio de sensores e integración con flujos de trabajo de aprendizaje automático. FieldTrip, una toolbox basada en MATLAB como EEGLAB, es conocida por su entorno de scripting flexible y su completo soporte para análisis de tiempo-frecuencia y conectividad. Si bien estas plataformas ofrecen alternativas poderosas, por lo general requieren curvas de aprendizaje más pronunciadas y habilidades de programación más avanzadas. PIPEMAT-RS fue diseñado para unir la accesibilidad y la transparencia, especialmente para los investigadores que buscan una solución editable y modular para el preprocesamiento de EEG en estado de reposo mediante EEGLAB. No obstante, la estructura conceptual de PIPEMAT-RS se puede adaptar a otras cajas de herramientas según sea necesario, fomentando la interoperabilidad y la personalización en diferentes entornos de software.
En los últimos años se han desarrollado varias tuberías automatizadas de preprocesamiento de EEG, como RELAX18, Automagic19, APP20 y PREP7. Estas canalizaciones incorporan algoritmos avanzados para la eliminación de artefactos y la limpieza de datos, a menudo empleando estrategias basadas en ICA con transparencia o personalización limitadas para usuarios no expertos. Por ejemplo, RELAX introduce un método de limpieza ICA de varios pasos que mejora el rechazo de artefactos, pero se basa en configuraciones complejas que pueden no ser fácilmente modificables21. Por el contrario, PIPEMAT-RS está diseñado para proporcionar una alternativa flexible, transparente y accesible desde el punto de vista educativo, lo que permite a los investigadores comprender y ajustar manualmente cada paso de preprocesamiento. Esta transparencia permite que PIPEMAT-RS se utilice como herramienta de investigación y enseñanza, manteniendo el rigor y la reproducibilidad. Además, PIPEMAT-RS hace hincapié en la documentación, la ejecución modular y la adaptabilidad entre conjuntos de datos, características que a menudo no se informan o están ausentes en otras canalizaciones.
Desde el punto de vista económico, el desarrollo y la implementación de una canalización de preprocesamiento editable estandarizada para los datos de EEG puede tener un impacto significativo. El mercado mundial de dispositivos de EEG se valoró en aproximadamente USD 1.2 mil millones en 2020 y se espera que crezca a una tasa de crecimiento anual compuesta (CAGR) del 7.5% de 2021 a 202822. Las tuberías de preprocesamiento eficientes, particularmente aquellas que son editables y modulares, pueden reducir el tiempo y el costo asociados con el análisis de datos, una consideración importante en los ensayos clínicos a gran escala y la investigación en salud pública. Al minimizar el error humano y automatizar las tareas repetitivas, estos procesos pueden mejorar la precisión del análisis de datos de EEG y conducir a resultados de investigación más fiables13. Esto, a su vez, puede acelerar el desarrollo de nuevas herramientas diagnósticas e intervenciones terapéuticas, lo que podría reducir los costes sanitarios y mejorar los resultados de los pacientes1.
Este artículo tiene como objetivo presentar y validar un canal integrado de preprocesamiento editable estandarizado para EEG en estado de reposo utilizando MATLAB (PIPEMAT-RS). Diseñada para ser robusta y eficiente, esta canalización editable es versátil y se puede aplicar ampliamente a varios conjuntos de datos y escenarios de investigación. Los siete pasos integrales incluyen la conversión de formato de archivo, la reducción de muestreo, el filtrado, el rechazo de artefactos, el análisis de componentes independientes (ICA) y la exclusión de componentes relacionados con el ruido, todos integrados en un flujo de trabajo cohesivo23,24. El desarrollo de PIPEMAT-RS se guió por la necesidad de abordar los desafíos comunes en el preprocesamiento de EEG y proporcionar una herramienta que los investigadores puedan utilizar para optimizar sus procesos de análisis de datos25. Al integrarse con las prácticas comúnmente adoptadas en el campo y aprovechar las capacidades de MATLAB, PIPEMAT-RS tiene como objetivo ofrecer un marco confiable, editable y fácil de usar para respaldar el preprocesamiento de datos de EEG26.
Para validar la eficacia de PIPEMAT-RS, lo hemos aplicado en varios estudios. En un estudio, se utilizó PIPEMAT-RS para investigar los biomarcadores de EEG en pacientes con accidente cerebrovascular, identificando correlaciones significativas entre la función motora desadaptativa y los perfiles depresivos27. Otro estudio aplicó PIPEMAT-RS para analizar las firmas neuronales de la compensación cerebral en pacientes con accidente cerebrovascular mediante EEG y TMS, revelando información crítica sobre los mecanismos adaptativos del cerebro después de un accidente cerebrovascular28. Una validación adicional proviene de un estudio que exploró las adaptaciones y compensaciones neuronales en pacientes con fibromialgia29. Además, otro estudio demostró cómo las bandas delta y theta en el EEG en estado de reposo sirven como mecanismos compensatorios en el dolor neuropático crónico30.
Estos estudios destacan colectivamente la utilidad de PIPEMAT-RS en el procesamiento y análisis de datos de EEG, estableciendo su eficacia en diversas condiciones y aplicaciones. Al proporcionar un enfoque estandarizado, esta línea no solo mejora la reproducibilidad de los estudios de EEG, sino que también facilita la adopción más amplia de métodos de preprocesamiento consistentes en la comunidad de investigación. A través de este trabajo, pretendemos aportar un recurso valioso al campo, promoviendo un análisis de datos de EEG más preciso y confiable16,17. Al hacerlo, esperamos apoyar el avance de la investigación en neurofisiología y el desarrollo de nuevos enfoques terapéuticos para afecciones neurológicas y psiquiátricas.
Los pasos fundamentales de preprocesamiento utilizados en PIPEMAT-RS se basan en métodos sólidos y ampliamente validados que se han vuelto esenciales en la investigación de EEG para garantizar la calidad y la reproducibilidad de los datos 2,8,14. Aunque estas metodologías están bien establecidas, siguen siendo cruciales debido a su eficacia para abordar los artefactos comunes del EEG y el ruido, lo que sigue respaldando análisis fiables en todos los estudios. Sin embargo, pocos estudios han proporcionado recientemente una tubería estandarizada y completamente documentada diseñada para el EEG en estado de reposo. Al integrar estas técnicas probadas con avances recientes, como ICLabel para la clasificación automatizada de artefactos, PIPEMAT-RS ofrece un enfoque contemporáneo y estructurado que mejora la replicabilidad y la accesibilidad para los investigadores, satisfaciendo una necesidad continua de flujos de trabajo de preprocesamiento rigurosamente documentados en el campo.
Si bien la tubería PIPEMAT-RS sigue los pasos de preprocesamiento establecidos comúnmente empleados en los estudios de EEG, su documentación en forma de artículo científico llena un vacío importante en la literatura. Muchos estudios de EEG se basan en métodos de preprocesamiento similares, pero a menudo carecen de una descripción completa, paso a paso, que permita la reproducibilidad total y la facilidad de adopción por parte de otros investigadores. Al detallar cada componente de PIPEMAT-RS y presentar una secuencia estandarizada para el análisis de EEG en estado de reposo, este trabajo tiene como objetivo mejorar la transparencia, minimizar la variabilidad del usuario y proporcionar un marco replicable aplicable a todos los estudios. En lugar de introducir métodos novedosos, esta contribución pretende servir como una guía instructiva y práctica que ayude a estandarizar las prácticas de preprocesamiento y mejorar la accesibilidad para una amplia gama de investigadores de EEG, en particular aquellos que trabajan con datos en estado de reposo.
El preprocesamiento de los datos de EEG es un paso crítico que influye significativamente en la calidad y fiabilidad de los análisis posteriores. El canal integrado de preprocesamiento para EEG en estado de reposo mediante MATLAB (PIPEMAT-RS) se desarrolló para abordar los desafíos comunes en el preprocesamiento de datos de EEG al proporcionar un enfoque integral y estandarizado aplicable a varios conjuntos de datos. Este proceso estructurado y editable consta de siete pasos clave: i) Conversión de formato de archivo; ii) Montaje de EEG; iii) Reducción de muestreo y filtrado; iv) Rechazo y rereferenciación de artefactos; v) Análisis Independiente de Componentes (ICA); vi) Clasificación ICLabel; vii) Normalización de datos. Cada paso está meticulosamente diseñado para mejorar la calidad de la señal y facilitar la extracción de información significativa de los datos brutos de EEG.
Una característica crítica de PIPEMAT-RS es que cada paso de preprocesamiento concluye con el almacenamiento del conjunto de datos con un nombre de archivo distinto. Esta estructura garantiza que, para cada archivo procesado, se genere una versión derivada correspondiente a cada paso específico. Este enfoque sistemático permite a los usuarios acceder a los datos en cualquier punto dentro de la canalización de preprocesamiento de siete pasos. Los archivos guardados incluyen identificadores que indican claramente la etapa de preprocesamiento, lo que facilita el seguimiento y la gestión de datos en todo el flujo de trabajo.
PIPEMAT-RS comienza con la conversión de formato de archivo, donde los archivos de datos de EEG sin procesar se transforman a un formato compatible con MATLAB. Esta conversión es esencial para el manejo fluido de los datos en el sólido entorno computacional de MATLAB. A continuación, el paso de montaje del EEG asigna ubicaciones espaciales precisas a cada electrodo en el cuero cabelludo en función de sistemas estandarizados de colocación de electrodos. Esta información espacial es crucial para la interpretación precisa de los datos de EEG en los estudios neurofisiológicos.
A continuación, la canalización aplica un submuestreo y un filtrado para reducir la frecuencia de muestreo de los datos y eliminar el ruido, al tiempo que conserva los componentes de frecuencia relevantes para la investigación neurofisiológica. La reducción de resolución disminuye la carga computacional y los requisitos de almacenamiento sin comprometer la calidad de los datos. El filtrado elimina componentes de frecuencia específicos que se sabe que están asociados con artefactos, preservando así las señales neuronales esenciales.
Posteriormente, se realiza el rechazo de artefactos y la rereferenciación. Este paso identifica y elimina segmentos de datos contaminados por fuentes de ruido, como parpadeos, actividad muscular y movimiento de electrodos. Los algoritmos automáticos de rechazo de artefactos se utilizan para minimizar la intervención manual, lo que reduce el potencial de error humano y aumenta la eficiencia del preprocesamiento. Volver a referenciar los datos al promedio de todos los electrodos ayuda a mitigar la influencia de cualquier electrodo individual y proporciona una referencia estable para las señales de EEG.
El paso de análisis de componentes independientes (ICA) refina aún más los datos al separar las señales mixtas en sus fuentes independientes. Esta descomposición facilita la identificación y eliminación de artefactos como parpadeos, artefactos musculares y ruido de línea. ICA es una técnica poderosa que garantiza que los datos restantes reflejen con precisión la actividad neuronal subyacente.
Por último, se aplica la clasificación ICLabel para identificar y eliminar automáticamente los componentes clasificados como artefactos. ICLabel asigna etiquetas probabilísticas a componentes independientes, clasificándolos como actividad cerebral, actividad muscular, parpadeos, latidos del corazón, ruido de línea o ruido de canal. Los componentes con una alta probabilidad de representar la actividad cerebral se conservan, mientras que los identificados como artefactos se eliminan. Este enfoque automatizado reduce significativamente el esfuerzo manual y garantiza una clasificación coherente y objetiva en todos los conjuntos de datos.
Cada uno de estos pasos de preprocesamiento es esencial para mejorar la calidad de los datos de EEG. Al estandarizar el flujo de trabajo de preprocesamiento, PIPEMAT-RS minimiza la variabilidad introducida por los diferentes métodos de preprocesamiento, lo que facilita la comparación de los resultados entre estudios. La implementación de la cartera en MATLAB, una plataforma ampliamente utilizada en la comunidad de neurociencias, garantiza la accesibilidad y la facilidad de integración en los flujos de trabajo de investigación existentes.
El desarrollo de PIPEMAT-RS fue guiado por prácticas comúnmente adoptadas en el análisis de datos de EEG, incorporando métodos y técnicas validados en investigaciones previas. Cada paso fue cuidadosamente diseñado y rigurosamente probado para garantizar su eficacia en la mejora de la calidad de los datos (Figura 1). Este enfoque integral no solo mejora la confiabilidad de los datos de EEG, sino que también respalda la identificación de marcadores neurofisiológicos críticos para comprender diversas afecciones neurológicas y psiquiátricas.
PIPEMAT-RS fue desarrollado como parte de nuestro proyecto de investigación en curso, aprobado por el Comité de Ética del Hospital de Clínicas de la Facultad de Medicina de la Universidad de São Paulo (CAAE: 86832518.7.0000.0068). Este proyecto tiene como objetivo mejorar la calidad y fiabilidad de los datos de EEG en estado de reposo para diversos estudios neurológicos y psiquiátricos. Los datos utilizados en este estudio se derivan de un estudio de cohorte, cuyo protocolo fue publicado previamente por Simis et al. (2021)31. El estudio principal aún está en curso, con la recopilación de datos en curso para los grupos clínicos restantes. El script para la canalización se proporciona en el archivo complementario 1.
1. Conversión de formato de archivo
2. Montaje de EEG
3. Reducción de muestreo y filtrado
4. Rechazo y rereferenciación de artefactos
5. Análisis independiente de componentes (ICA)
6. Clasificación de ICLabel
7. Normalización de datos
La validación de la línea de preprocesamiento de EEG es esencial para garantizar la fiabilidad y eficacia de los métodos empleados para extraer datos neurofisiológicos significativos. Este proceso implica evidencia empírica de estudios publicados, evaluaciones estadísticas y comparaciones con puntos de referencia establecidos en el campo.
La robustez y utilidad de PIPEMAT-RS se han demostrado a través de su aplicación exitosa en varios estudios publicados que abarcan una variedad de afecciones neurológicas y psiquiátricas. Por ejemplo, en la investigación de biomarcadores de EEG en pacientes con accidente cerebrovascular, se encontraron correlaciones significativas entre la función motora desadaptativa, los perfiles depresivos y marcadores específicos de EEG, lo que valida la eficacia de los pasos de preprocesamiento para mejorar la calidad de la señal y facilitar el análisis de datos significativo32. Del mismo modo, el análisis de las firmas neuronales de la compensación cerebral en pacientes con accidente cerebrovascular reveló información crítica sobre los mecanismos adaptativos del cerebro después del accidente cerebrovascular, lo que demuestra la capacidad de PIPEMAT-RS para manejar conjuntos de datos complejos y producir resultados confiables28. Una mayor validación es evidente en los estudios que exploran las adaptaciones y compensaciones neuronales en pacientes con fibromialgia, que identificaron distintas firmas neuronales asociadas con el dolor y los mecanismos de compensación, lo que respalda los métodos de preprocesamiento en diversos contextos clínicos29. Además, la investigación de los mecanismos compensatorios en el dolor neuropático crónico destacó la relevancia de las bandas delta y theta en los estados de dolor crónico, demostrando aún más la efectividad de PIPEMAT-RS en diversas condiciones neurofisiológicas30.
La validación estadística de PIPEMAT-RS incluye evaluaciones cuantitativas y cualitativas para garantizar la solidez de los métodos de preprocesamiento. Se utilizaron medidas cuantitativas como la relación señal-ruido (SNR), la curtosis y la asimetría para evaluar objetivamente la calidad de los datos. La SNR se calculó como la relación entre la potencia de la señal en el rango de frecuencia de 1-50 Hz y la potencia fuera de este rango (por ejemplo, <1 Hz y >50 Hz), que normalmente contiene ruido no neuronal. Los aumentos en esta proporción después del preprocesamiento indican una mejor preservación de la información neuronal en relación con el ruido. Del mismo modo, se evaluó la curtosis y la asimetría para evaluar las características de distribución de la señal EEG. La curtosis elevada a menudo refleja la presencia de transitorios agudos o artefactos musculares, mientras que la alta asimetría puede ser el resultado de distribuciones de señal asimétricas causadas por ruido o problemas de grabación. Las reducciones en estos valores después del preprocesamiento sugieren una mejor regularidad de la señal y una menor contaminación por fuentes no neuronales, lo que respalda la mejora general de la calidad de los datos. El preprocesamiento condujo a mejoras notables en SNR, lo que indica que PIPEMAT-RS reduce eficazmente el ruido y mejora la señal neuronal. Por ejemplo, en conjuntos de datos con valores de SNR inicialmente bajos (~5 dB), los pasos de preprocesamiento aumentaron la SNR a aproximadamente 7,5 dB, lo que refleja una señal neuronal más clara. Del mismo modo, las reducciones de la curtosis (p. ej., de 5,2 a 2,3) y de la asimetría (p. ej., de 1,5 a 0,8) confirmaron aún más la atenuación de los artefactos no neuronales². Las evaluaciones cualitativas implicaron la inspección visual de los datos preprocesados para garantizar que los artefactos se eliminaran adecuadamente y que los datos reflejaran con precisión la actividad neuronal subyacente (Figura 2). Este paso permitió a los investigadores verificar manualmente la eficacia de los pasos de preprocesamiento automático, asegurándose de que no quedaran artefactos significativos.
La inclusión de técnicas avanzadas como el Análisis Independiente de Componentes (ICA) e ICLabel para la eliminación de artefactos ha sido particularmente validada en la literatura. Los estudios han demostrado que ICA, cuando se combina con algoritmos de clasificación automatizados como ICLabel, logra precisiones de clasificación que coinciden estrechamente con los componentes etiquetados por expertos. ICLabel demuestra una precisión de clasificación promedio de aproximadamente el 91%, lo que refleja un fuerte acuerdo con las clasificaciones de expertos humanos y ofrece una solución estandarizada y escalable para grandes conjuntos de datos de EEG, al tiempo que minimiza la variabilidad entre evaluadores32.
Otro aspecto de la validación es la comparación con los puntos de referencia establecidos en la materia. Los métodos y resultados de nuestra cartera de productos se alinearon con las prácticas y directrices estándar en el preprocesamiento de EEG, según lo recomendado por investigadores e instituciones líderes14. Si bien PIPEMAT-RS no reclama superioridad sobre las tuberías existentes, su estructura modular, transparencia y facilidad de uso tienen como objetivo cumplir o complementar los estándares de calidad comúnmente aceptados en el campo (Tabla 1).
Figura 1: Estructura del código de canalización de PIPEMAT-RS. Descripción general del código de MATLAB que implementa cada paso de la canalización de preprocesamiento de PIPEMAT-RS. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Calidad de la señal de EEG antes y después del preprocesamiento. Comparación de (A) datos sin procesar, (B) datos limpiados manualmente y (C) datos procesados con PIPEMAT-RS, lo que ilustra la reducción de artefactos y la mejora de la claridad de la señal. Haga clic aquí para ver una versión más grande de esta figura.
Tabla 1: Comparación entre el preprocesamiento manual y automatizado de EEG con PIPEMAT-RS. Haga clic aquí para descargar esta tabla.
Archivo complementario 1: Canalización integrada de preprocesamiento completo para EEG en estado de reposo mediante el script de MATLAB (PIPEMAT-RS). Este script abarca todos los pasos detallados en la sección Protocolo, desde la conversión del formato de archivo hasta el aseguramiento de la calidad de los datos. Haga clic aquí para descargar este archivo.
La tubería PIPEMAT-RS se desarrolló para proporcionar un método estandarizado y eficiente para el preprocesamiento de datos de EEG en estado de reposo. Los pasos críticos en este protocolo incluyen el rechazo de artefactos y el análisis de componentes independientes (ICA), los cuales mejoran significativamente la relación señal-ruido y garantizan la extracción de señales neuronales significativas. La combinación del rechazo automático de artefactos mediante la función clean_rawdata y la inspección manual a través de eegplot garantiza una gestión completa de los artefactos, equilibrando la eficiencia y la precisión. La aplicación de ICLabel para la clasificación automatizada de componentes independientes refina aún más los datos, reduciendo la carga de trabajo manual y manteniendo una alta precisión de clasificación (91%) consistente con el etiquetado de expertos humanos32.
Es posible que sea necesario modificar el protocolo en función de las características del conjunto de datos. Por ejemplo, aunque la tubería está diseñada para datos de EEG en estado de reposo, los investigadores pueden adaptar la configuración del filtro y los umbrales de rechazo de artefactos para grabaciones de EEG basadas en tareas o conjuntos de datos con diferentes frecuencias de muestreo. Los pasos de solución de problemas incluyen el ajuste del criterio de línea plana y los umbrales de correlación de canal en clean_rawdata si se produce una eliminación excesiva de canal o si persiste el ruido residual después de la limpieza automática. Además, mientras que el ICA suele funcionar bien con conjuntos de datos de 32 o más electrodos, los conjuntos de datos con menos electrodos pueden requerir un ajuste manual o métodos alternativos de corrección de artefactos para lograr resultados óptimos2.
A pesar de sus puntos fuertes, PIPEMAT-RS tiene limitaciones. La eficacia de ICA e ICLabel puede variar en función del número de canales y de la calidad de los datos brutos. Los altos niveles de ruido o el mal contacto de los electrodos pueden reducir la precisión de la separación y clasificación de componentes. Además, la cartera de proyectos está optimizada para estudios de un solo sitio y puede requerir pasos de armonización adicionales, como ComBat, para minimizar la variabilidad específica del sitio en la investigación multicéntrica33. Si bien PIPEMAT-RS mejora la calidad de los datos a través del preprocesamiento estandarizado, el potencial de variabilidad inducida por el usuario persiste si se modifican las configuraciones predeterminadas sin una validación cuidadosa.
Aunque la clasificación ICA combinada con ICLabel ofrece una solución eficiente y automatizada para el rechazo de artefactos, es importante reconocer sus limitaciones. La separación de los componentes neuronales y no neuronales no es perfecta, y el rechazo de los componentes clasificados como artefactos puede resultar en la eliminación involuntaria de señales neuronales, especialmente cuando las fuentes se mezclan22. Si bien PIPEMAT-RS aplica un umbral conservador (reteniendo componentes con una probabilidad cerebral > 0,7) para reducir este riesgo, no lo elimina. Este umbral sigue las prácticas estándar para equilibrar la preservación de la señal y la eliminación de artefactos, pero las mejoras futuras de la tubería pueden incorporar estrategias más refinadas, como el ajuste de dipolos, el ICA mejorado con ondículas o la limpieza ICA dirigida, para mejorar aún más la especificidad y la precisión del rechazo de artefactos.
En comparación con los métodos existentes, PIPEMAT-RS ofrece una secuencia simplificada y estandarizada de pasos de preprocesamiento que reduce la variabilidad entre estudios. A diferencia de plataformas flexibles como BEAPP, que permiten a los usuarios personalizar las secuencias de preprocesamiento, PIPEMAT-RS aplica una estructura fija, lo que garantiza la coherencia entre los conjuntos de datos34. Este enfoque minimiza la intervención manual, reduce el error humano y garantiza la reproducibilidad, especialmente en estudios a gran escala. Además, la integración de herramientas avanzadas como ICLabel y el enfoque en los datos de EEG en estado de reposo distinguen a PIPEMAT-RS de otras tuberías que pueden no priorizar el rechazo de artefactos y el análisis de componentes independientes en la misma medida.
La importancia de PIPEMAT-RS radica en su capacidad para producir datos EEG fiables y de alta calidad, adecuados para diversas aplicaciones en neurociencia e investigación clínica. La cartera se ha aplicado con éxito a estudios que investigan marcadores neuronales de recuperación de accidentes cerebrovasculares, dolor crónico y fibromialgia, demostrando su versatilidad y robustez 27,28,29,30. Al mejorar la calidad de los datos y reducir el tiempo de preprocesamiento, PIPEMAT-RS facilita estudios a gran escala, contribuye a la identificación de biomarcadores neurofisiológicos y apoya los avances en la medicina personalizada. Su enfoque estandarizado garantiza que los resultados sean comparables entre los estudios, lo que mejora la reproducibilidad y la fiabilidad de la investigación en EEG tanto en el ámbito clínico como en el académico.
En conclusión, PIPEMAT-RS proporciona una solución sólida y estandarizada para el preprocesamiento de datos de EEG en estado de reposo, abordando los desafíos comunes relacionados con el rechazo de artefactos, la claridad de la señal y la consistencia de los datos. Al integrar técnicas automatizadas como ICA e ICLabel con pasos de verificación manual, la canalización garantiza datos reproducibles y de alta calidad adecuados para una amplia gama de aplicaciones de investigación neurológica y psiquiátrica. Su secuencia fija de pasos de preprocesamiento minimiza la variabilidad inducida por el usuario, lo que facilita resultados consistentes en todos los estudios. Si bien la cartera de proyectos demuestra un sólido rendimiento en varios contextos clínicos, incluida la investigación sobre accidentes cerebrovasculares y dolor crónico, el trabajo futuro debe centrarse en validar su aplicabilidad en diversos paradigmas experimentales y estudios multicéntricos. En general, PIPEMAT-RS ofrece una alternativa estructurada y bien documentada para el preprocesamiento de EEG, diseñada para mejorar la calidad de los datos, la reproducibilidad y la accesibilidad en todos los estudios.
Los autores declaran que no tienen intereses financieros o relaciones personales contrapuestas que puedan haber influido en el trabajo reportado en este artículo.
Específicamente, el LMM contó con el apoyo de una beca de investigación posdoctoral #21/05897-5 de la Fundación de Apoyo a la Investigación Científica del Estado de São Paulo (FAPESP). AC contó con el apoyo de la beca de iniciación científica #21/12790-2 de la Fundación de Apoyo a la Investigación Científica del Estado (FAPESP). La SPB contó con el apoyo de la beca de investigación posdoctoral #20/08512-4 de la Fundación de Apoyo a la Investigación Científica del Estado de São Paulo (FAPESP). FF y LRB cuentan con el apoyo de la beca de investigación #17/12943-8 de la Fundación de Apoyo a la Investigación Científica del Estado de São Paulo (FAPESP). Individualmente, FF recibió apoyo de NHI 2020 R01 AT, Proyecto #1R01AT009491-01A1.
Name | Company | Catalog Number | Comments |
MATLAB | MathWorks | R2020a or newer | Required for executing the PIPEMAT-RS script. |
EEG Recording System | Brain Products | https://www.brainproducts.com/ | EEG acquisition system used for data collection. Other brands include BioSemi / ANT Neuro (or equivalent) |
EEGLAB Toolbox | Swartz Center for Computational Neuroscience | N/A | Open-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 Plugin | Swartz Center for Computational Neuroscience | N/A | Automated artifact classification tool for EEG. |
PIPEMAT-RS Script | N/A | N/A | Custom MATLAB script for standardized EEG preprocessing. |
Signal Amplifier | Brain Products | https://www.brainproducts.com/solutions/#amplifiers | Amplifies EEG signals for processing. Other brands include BioSemi / ANT Neuro (or equivalent) |
Standard 64-Channel EEG Cap | Brain Products | https://www.brainproducts.com/solutions/#electrodes-caps | Electrode cap for EEG recording. Other brands include BioSemi / ANT Neuro (or equivalent) |
Solicitar permiso para reutilizar el texto o las figuras de este JoVE artículos
Solicitar permisoThis article has been published
Video Coming Soon
ACERCA DE JoVE
Copyright © 2025 MyJoVE Corporation. Todos los derechos reservados