JoVE Logo

Iniciar sesión

En este artículo

  • Resumen
  • Resumen
  • Introducción
  • Protocolo
  • Resultados
  • Discusión
  • Divulgaciones
  • Agradecimientos
  • Materiales
  • Referencias
  • Reimpresiones y Permisos

Resumen

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.

Resumen

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.

Introducción

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.

Protocolo

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

  1. Prepare el directorio de datos.
    1. Abra MATLAB y navegue hasta el directorio que contiene los archivos de datos de EEG sin procesar.
    2. Defina la ruta usando pathname = 'C:\\Path\\To\\RawData\\'; y enumere los temas con name_subj_raw = {'sujeto1', 'sujeto2', ...};.
    3. Si el conjunto de datos ya está en archivos . en formato mat, omita este paso y proceda al montaje de EEG.
  2. Convertir archivos.
    1. Cargue cada archivo de datos sin procesar utilizando la función de MATLAB adecuada para el tipo de archivo. Por ejemplo, utilice load para archivos .mat o funciones EEGLAB específicas de archivos, como pop_biosig (para .edf, .bdf) o pop_fileio (para varios formatos propietarios).
      NOTA: Los usuarios deben adaptar este paso en función del formato de sus archivos de EEG sin procesar y consultar la documentación de EEGLAB para obtener soporte adicional para archivos.
    2. Guarde cada archivo en formato .mat , garantizando la integridad de los datos y conservando todos los metadatos relevantes.

2. Montaje de EEG

  1. Cargue datos de EEG.
    1. Abra MATLAB y navegue hasta el directorio con los archivos .mat.
    2. Utilice la función pop_loadset de la caja de herramientas EEGLAB para cargar el conjunto de datos de EEG de cada sujeto (por ejemplo, EEG = pop_loadset('filename.set');).
  2. Aplique las ubicaciones de los electrodos.
    1. Asegúrese de que esté disponible el archivo de ubicación de electrodos adecuado (por ejemplo, EEGSystem_128.loc) correspondiente a la configuración del gorro de EEG.
    2. Utilice la función pop_chanedit para aplicar las ubicaciones de los electrodos. Por ejemplo:
      EEG = pop_chanedit(EEG, 'cargar', {'EEGSystem_128.loc', 'filetype', 'loc'});
    3. Confirme visualmente que las posiciones de los electrodos se cargaron correctamente revisando el diseño del canal utilizando la GUI de EEGLAB.
  3. Guarde el conjunto de datos.
    1. Guarde el conjunto de datos de EEG actualizado utilizando la función pop_saveset (por ejemplo, pop_saveset(EEG, 'filename', 'subject1_loc.set')).

3. Reducción de muestreo y filtrado

  1. Reduzca la resolución de los datos de EEG.
    1. Reduzca la frecuencia de muestreo de los datos de EEG a 250 Hz utilizando la función pop_resample (opcional).
      NOTA: La función pop_resample aplica automáticamente un filtro antialiasing de paso bajo adecuado antes de reducir el muestreo. Este paso garantiza que los componentes de alta frecuencia se atenúen antes del remuestreo, evitando los artefactos de solapamiento y preservando la calidad de la señal de EEG.
  2. Aplique el filtrado de paso de banda.
    1. Aplique un filtro de paso de banda de 1 Hz a 50 Hz a los canales 1-64 utilizando la función pop_basicfilter con un diseño Butterworth y un orden de filtro de 2.
    2. Utilice el filtrado de avance e inverso de fase cero para evitar la distorsión de fase.
  3. Aplique filtrado de muesca (opcional).
    1. Aplique un filtro de muesca a 50 o 60 Hz a los canales 1-64 utilizando pop_basicfilter con el diseño 'PMnotch' y el orden de filtro de 180.
      NOTA: Este paso es opcional y debe utilizarse cuando se analiza la actividad oscilatoria por encima de 30 Hz (por ejemplo, banda gamma). En tales casos, los investigadores pueden aumentar el límite superior del filtro de paso de banda (por ejemplo, hasta 80 o 100 Hz), lo que hace que el filtro de muesca sea crucial para eliminar la interferencia de la línea eléctrica. El comando se proporciona en la tubería para mayor comodidad y se puede ajustar fácilmente según la frecuencia eléctrica local (por ejemplo, 50 Hz o 60 Hz).

4. Rechazo y rereferenciación de artefactos

  1. Realizar el rechazo automático de artefactos.
    1. Utilice la función clean_rawdata con parámetros (5, [-1], 0,7, -1, 8, 0,85) para detectar y eliminar automáticamente canales planos, segmentos ruidosos y derivas de baja frecuencia. Estos parámetros corresponden respectivamente a:
      FlatlineCriterion (5): elimina los canales planos durante más de 5 s.
      ChannelCriterion ([-1]): deshabilita el rechazo basado en la correlación de canales.
      LineNoiseCriterion (0.7): quita los canales con ruido de línea excesivo por encima de este umbral.
      Paso alto (−1): desactiva el filtrado de paso alto adicional durante la limpieza.
      BurstCriterion (8): elimina las ráfagas de datos que superan las 8 desviaciones estándar.
      WindowCriterion (0.85): requiere que el 85% de los datos de una ventana estén limpios para conservarlos.
      NOTA: Los usuarios pueden ajustar estos valores en función de las características del conjunto de datos. Por ejemplo, la reducción de BurstCriterion dará como resultado un rechazo de artefactos más agresivo, mientras que la reducción de WindowCriterion aumentará la tolerancia a las ventanas de datos ruidosas.
  2. Realizar la inspección manual de artefactos (opcional).
    1. Si es necesario, inspeccione visualmente los datos de EEG utilizando eegplot de EEGLAB para identificar los artefactos residuales no detectados por métodos automáticos.
    2. Marque y elimine manualmente los artefactos restantes para garantizar una alta calidad de los datos.
      NOTA: Este paso es opcional y se recomienda principalmente cuando se trata de conjuntos de datos que presentan patrones de ruido no estándar o cuando se necesita una mayor precisión más allá de los procedimientos automatizados.
  3. Vuelva a referenciar los datos.
    1. Utilice la función pop_reref para volver a referenciar las señales de EEG al promedio de todos los electrodos, asegurándose de que el electrodo de referencia original se conserve en el conjunto de datos.
      NOTA: En esta tubería, la rereferenciación promedio se realiza utilizando los canales disponibles sin reconstruir el electrodo de referencia original. Sin embargo, los usuarios que deseen mejorar la coherencia de la clasificación y la comparabilidad entre sujetos pueden considerar la posibilidad de volver a insertar temporalmente el electrodo de referencia original (por ejemplo, Cz) como una serie temporal de valor cero antes de volver a referenciar. Esto permite que la referencia contribuya al cálculo del promedio. Posteriormente, se puede eliminar el canal agregado para evitar la deficiencia de rango antes de realizar ICA. Este proceso se ejemplifica en la función RELAX_average_rereference.m de la canalización RELAX, que también incluye la interpolación de todos los canales antes de la referencia. Si bien PIPEMAT-RS mantiene una versión simplificada para mayor claridad y accesibilidad, se recomienda a los usuarios que adapten este paso según sea necesario en función de los objetivos de su análisis.

5. Análisis independiente de componentes (ICA)

  1. Cargue datos de EEG preprocesados.
    1. Cargue el archivo con el sufijo _loc_filt_cleanraw_reref.set utilizando la función pop_loadset .
  2. Realizar ICA.
    1. Ejecute ICA utilizando la función pop_runica con el algoritmo runica para descomponer los datos en componentes independientes. El algoritmo 'runica', basado en el enfoque Infomax, maximiza la independencia estadística de los componentes y es ampliamente utilizado en el preprocesamiento de EEG.
      NOTA: Para los usuarios que buscan un cálculo ICA más rápido, se pueden utilizar algoritmos alternativos como picard especificando icatype, picard en la llamada a la función. Estas alternativas ofrecen un rendimiento comparable y pueden reducir el tiempo de cálculo.
  3. Guarde el conjunto de datos ICA.
    1. Guarde el conjunto de datos con el sufijo _loc_filt_cleanraw_reref_ICA utilizando pop_saveset para indicar que se ha realizado ICA.

6. Clasificación de ICLabel

  1. Cargue el conjunto de datos ICA.
    1. Importe el conjunto de datos con componentes ICA mediante la función pop_loadset .
  2. Aplicar la clasificación ICLabel.
    1. Ejecute la función pop_iclabel con el modelo predeterminado para clasificar los componentes independientes en categorías de cerebro y artefacto.
    2. Identificar componentes con una probabilidad superior a 0,7 de representar la actividad cerebral.
  3. Elimine los componentes del artefacto.
    1. Utilice la función pop_subcomp para eliminar todos los componentes con una probabilidad cerebral de ICLabel inferior a 0,7.
    2. Retenga solo los componentes con una probabilidad de actividad cerebral superior a 0,7. El umbral de 0,7 equilibra la necesidad de preservar las señales neuronales genuinas al tiempo que garantiza la eliminación efectiva de artefactos.
  4. Guarde el conjunto de datos limpio.
    1. Guarde el conjunto de datos limpio con el sufijo _loc_filt_cleanraw_reref_ICA_Cleaned utilizando pop_saveset para indicar la eliminación de componentes de artefactos.

7. Normalización de datos

  1. Cargue datos de EEG limpios.
    1. Importe el conjunto de datos con componentes ICA sin artefactos mediante la función pop_loadset .
  2. Aplique la normalización de Z-Score.
    1. Normalice cada canal de EEG utilizando la transformación de la puntuación Z calculando (x - mean(x)) / std(x) para cada canal individualmente.
      NOTA: La normalización de la puntuación Z es opcional y debe aplicarse en función de los objetivos analíticos del estudio. Si bien reduce la variabilidad entre sujetos y estandariza los datos para las comparaciones a nivel de grupo, también puede atenuar las distinciones topográficas y eliminar las diferencias de amplitud significativas entre canales. Se recomienda a los investigadores interesados en preservar la magnitud de la señal bruta o la distribución espacial que omitan este paso.
  3. Guarde el conjunto de datos final.
    1. Guarde el conjunto de datos totalmente preprocesado y normalizado con el sufijo _loc_filt_cleanraw_reref_ICA_Normalized utilizando pop_saveset para indicar la finalización del preprocesamiento.

Resultados

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).

figure-results-5740
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.

figure-results-6286
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.

Discusión

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.

Divulgaciones

Los autores declaran que no tienen intereses financieros o relaciones personales contrapuestas que puedan haber influido en el trabajo reportado en este artículo.

Agradecimientos

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.

Materiales

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) 

Referencias

  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).

Reimpresiones y Permisos

Solicitar permiso para reutilizar el texto o las figuras de este JoVE artículos

Solicitar permiso

Explorar más artículos

Neurociencian mero 220EEGproceso de preprocesamientoMATLABEEG en estado de reposorechazo de artefactosan lisis independiente de componentesPIPEMAT RS

This article has been published

Video Coming Soon

JoVE Logo

Privacidad

Condiciones de uso

Políticas

Investigación

Educación

ACERCA DE JoVE

Copyright © 2025 MyJoVE Corporation. Todos los derechos reservados