JoVE Logo

Accedi

In questo articolo

  • Riepilogo
  • Abstract
  • Introduzione
  • Protocollo
  • Risultati
  • Discussione
  • Divulgazioni
  • Riconoscimenti
  • Materiali
  • Riferimenti
  • Ristampe e Autorizzazioni

Riepilogo

Questo protocollo presenta PIPEMAT-RS, una pipeline di pre-elaborazione standardizzata basata su MATLAB per dati EEG in stato di riposo. Garantisce la rimozione degli artefatti, migliora la qualità del segnale e migliora la riproducibilità dei dati tra gli studi. La pipeline automatizza le fasi chiave di pre-elaborazione, tra cui il filtraggio, l'analisi dei componenti indipendenti (ICA) e la classificazione degli artefatti, facilitando un'analisi EEG coerente e affidabile per la ricerca neurofisiologica.

Abstract

L'elettroencefalografia (EEG) è uno strumento cruciale nella ricerca neuroscientifica e nelle applicazioni cliniche, ma i dati EEG grezzi spesso contengono rumore e artefatti che compromettono la qualità del segnale. Per risolvere questo problema, abbiamo sviluppato PIPEMAT-RS, una pipeline di pre-elaborazione standardizzata basata su MATLAB per i dati EEG in stato di riposo. PIPEMAT-RS segue un flusso di lavoro strutturato in sette fasi: conversione del formato file, configurazione del montaggio EEG, downsampling, filtraggio, rifiuto degli artefatti, analisi dei componenti indipendenti (ICA) e classificazione ICLabel per la rimozione automatizzata degli artefatti. Questo protocollo migliora la qualità dei dati EEG riducendo al minimo l'intervento umano e mantenendo un'elevata precisione nel rifiuto degli artefatti. È stato convalidato utilizzando più set di dati, dimostrando la sua robustezza nel migliorare l'integrità del segnale. PIPEMAT-RS fornisce un approccio sistematico che facilita la riproducibilità e l'affidabilità negli studi EEG, allineandosi con le pratiche comunemente adottate sul campo e offrendo una struttura chiaramente documentata in grado di integrare le tubazioni esistenti. Standardizzando la pre-elaborazione EEG, PIPEMAT-RS facilita la ricerca neurofisiologica e le applicazioni cliniche, consentendo interpretazioni più accurate dell'attività cerebrale in stato di riposo e delle sue associazioni con condizioni neurologiche e psichiatriche.

Introduzione

L'elettroencefalogramma (EEG) è uno strumento fondamentale sia nella ricerca neuroscientifica che nella pratica clinica, in quanto offre preziose informazioni sull'attività elettrica cerebrale. I dati EEG in stato di riposo, in particolare, sono ampiamente utilizzati per indagare varie condizioni neurologiche e psichiatriche, come ictus, fibromialgia e dolore neuropatico cronico. Nonostante la sua ampia applicazione, l'analisi dei dati EEG richiede una rigorosa pre-elaborazione per eliminare artefatti e rumore, garantendo l'integrità e l'affidabilità dei risultati 1,2,3. Nel corso degli anni, l'EEG è stato prezioso nel fornire misurazioni non invasive e ad alta risoluzione temporale dell'attività cerebrale, rendendolo indispensabile per lo studio dei processi dinamici del cervello 4,5. Tuttavia, i segnali EEG grezzi sono spesso contaminati da una varietà di sorgenti di rumore che possono oscurare i segnali neurali di interesse, complicando così l'interpretazione dei dati6.

I segnali EEG sono altamente suscettibili alla contaminazione da fonti come l'attività muscolare, i movimenti oculari e le interferenze elettriche7. Questi artefatti possono oscurare i segnali neurali, rendendo la pre-elaborazione un passaggio critico nell'analisi EEG. Questo processo prevede in genere più fasi: conversione del formato del file, downsampling, filtraggio, rifiuto degli artefatti, analisi indipendente dei componenti (ICA) ed esclusione dei componenti correlati al rumore 8,9. Ogni passaggio contribuisce a migliorare la qualità del segnale e a garantire che i dati riflettano accuratamente l'attività neurale10. La complessità di questi processi richiede l'uso di algoritmi e strumenti software sofisticati per garantire che la pre-elaborazione sia efficiente ed efficace11.

Una delle sfide principali nella pre-elaborazione dei dati EEG è la variabilità dei dati, che può differire in modo significativo tra i soggetti e le sessioni di registrazione10,12. Questa variabilità deriva dalle differenze nelle caratteristiche fisiologiche e anatomiche dei soggetti, nonché dalle variazioni delle condizioni sperimentali e delle apparecchiature utilizzate. Inoltre, la mancanza di protocolli di pre-elaborazione standardizzati può portare a incongruenze nell'analisi e nell'interpretazione dei dati13,14. Sebbene siano disponibili diverse pipeline e script di pre-elaborazione, molti di essi sono adattati a set di dati specifici o mancano di una documentazione completa, rendendoli meno accessibili alla più ampia comunità di ricerca14. Piattaforme come GitHub ospitano numerosi script e plug-in di pre-elaborazione EEG, facilitando la condivisione e il miglioramento collaborativo di questi strumenti15. Tuttavia, la natura frammentata di queste risorse sottolinea la necessità di una pipeline di pre-elaborazione modificabile robusta, efficiente e standardizzata che possa essere ampiamente applicata a diversi set di dati e contesti di ricerca16. Tale pipeline non solo migliorerebbe la riproducibilità degli studi EEG, ma fornirebbe anche una base su cui la comunità di ricerca può costruire e adattarsi per esigenze specifiche17.

Oltre a EEGLAB, che costituisce la base di PIPEMAT-RS grazie alla sua ampia base di utenti e all'integrazione con MATLAB, anche altri toolbox per l'elaborazione EEG sono ampiamente utilizzati sul campo. Ad esempio, MNE-Python è una piattaforma open source basata su Python che offre funzionalità avanzate per la localizzazione delle sorgenti, l'analisi dello spazio dei sensori e l'integrazione con i flussi di lavoro di apprendimento automatico. FieldTrip, un toolbox basato su MATLAB come EEGLAB, è noto per il suo ambiente di scripting flessibile e il supporto completo per le analisi di tempo-frequenza e connettività. Sebbene queste piattaforme forniscano potenti alternative, in genere richiedono curve di apprendimento più ripide e competenze di programmazione più avanzate. PIPEMAT-RS è stato progettato per collegare accessibilità e trasparenza, in particolare per i ricercatori che cercano una soluzione modificabile e modulare per la pre-elaborazione EEG in stato di riposo utilizzando EEGLAB. Ciononostante, la struttura concettuale di PIPEMAT-RS può essere adattata ad altri toolbox, se necessario, favorendo l'interoperabilità e la personalizzazione in diversi ambienti software.

Negli ultimi anni sono state sviluppate diverse pipeline di pre-elaborazione EEG automatizzate, come RELAX18, Automagic19, APP20 e PREP7. Queste pipeline incorporano algoritmi avanzati per la rimozione degli artefatti e la pulizia dei dati, spesso impiegando strategie basate su ICA con trasparenza o personalizzazione limitate per gli utenti non esperti. Ad esempio, RELAX introduce un metodo di pulizia ICA in più fasi che migliora l'espulsione degli artefatti, ma si basa su configurazioni complesse che potrebbero non essere facilmente modificabili21. Al contrario, PIPEMAT-RS è progettato per fornire un'alternativa flessibile, trasparente e accessibile dal punto di vista didattico, consentendo ai ricercatori di comprendere e regolare manualmente ogni fase di pre-elaborazione. Questa trasparenza consente di utilizzare PIPEMAT-RS sia come strumento di ricerca che come strumento didattico, mantenendo al contempo il rigore e la riproducibilità. Inoltre, PIPEMAT-RS enfatizza la documentazione, l'esecuzione modulare e l'adattabilità tra i set di dati, caratteristiche che sono spesso sottostimate o assenti in altre pipeline.

Dal punto di vista economico, lo sviluppo e l'implementazione di una pipeline di pre-elaborazione standardizzata e modificabile per i dati EEG può avere un impatto significativo. Il mercato globale dei dispositivi EEG è stato valutato a circa 1,2 miliardi di dollari nel 2020 e si prevede che crescerà a un tasso di crescita annuale composto (CAGR) del 7,5% dal 2021 al 202822. Pipeline di pre-elaborazione efficienti, in particolare quelle modificabili e modulari, possono ridurre i tempi e i costi associati all'analisi dei dati, una considerazione importante negli studi clinici su larga scala e nella ricerca sulla salute pubblica. Riducendo al minimo l'errore umano e automatizzando le attività ripetitive, tali pipeline possono migliorare l'accuratezza dell'analisi dei dati EEG e portare a risultati di ricerca più affidabili13. Questo, a sua volta, può accelerare lo sviluppo di nuovi strumenti diagnostici e interventi terapeutici, riducendo potenzialmente i costi sanitari e migliorando gli esiti dei pazienti1.

Questo articolo ha lo scopo di presentare e convalidare una pipeline integrata di pre-elaborazione standardizzata e modificabile per l'EEG in stato di riposo utilizzando MATLAB (PIPEMAT-RS). Progettata per essere robusta ed efficiente, questa pipeline modificabile è versatile e può essere ampiamente applicata a vari set di dati e scenari di ricerca. I sette passaggi completi includono la conversione del formato dei file, il downsampling, il filtraggio, il rifiuto degli artefatti, l'analisi indipendente dei componenti (ICA) e l'esclusione dei componenti relativi al rumore, il tutto integrato in un flusso di lavoro coeso23,24. Lo sviluppo di PIPEMAT-RS è stato guidato dalla necessità di affrontare le sfide comuni nella pre-elaborazione EEG e di fornire uno strumento che i ricercatori possano utilizzare per semplificare i processi di analisi dei dati25. Integrandosi con le pratiche comunemente adottate sul campo e sfruttando le capacità di MATLAB, PIPEMAT-RS mira a offrire un framework affidabile, modificabile e di facile utilizzo per supportare la pre-elaborazione dei dati EEG26.

Per convalidare l'efficacia di PIPEMAT-RS, lo abbiamo applicato in diversi studi. In uno studio, PIPEMAT-RS è stato utilizzato per studiare i biomarcatori EEG nei pazienti con ictus, identificando correlazioni significative tra funzione motoria disadattiva e profili depressivi27. Un altro studio ha applicato PIPEMAT-RS per analizzare le firme neurali della compensazione cerebrale nei pazienti con ictus utilizzando EEG e TMS, rivelando informazioni critiche sui meccanismi di adattamento del cervello dopo l'ictus28. Un'ulteriore convalida proviene da uno studio che ha esplorato gli adattamenti e le compensazioni neurali nei pazienti con fibromialgia29. Inoltre, un altro studio ha dimostrato come le bande delta e theta nell'EEG in stato di riposo fungano da meccanismi compensatori nel dolore neuropatico cronico30.

Questi studi evidenziano collettivamente l'utilità di PIPEMAT-RS nell'elaborazione e nell'analisi dei dati EEG, stabilendone l'efficacia in varie condizioni e applicazioni. Fornendo un approccio standardizzato, questa pipeline non solo migliora la riproducibilità degli studi EEG, ma facilita anche l'adozione più ampia di metodi di pre-elaborazione coerenti nella comunità di ricerca. Attraverso questo articolo, miriamo a contribuire con una risorsa preziosa al campo, promuovendo un'analisi dei dati EEG più accurata e affidabile16,17. In tal modo, speriamo di sostenere il progresso della ricerca in neurofisiologia e lo sviluppo di nuovi approcci terapeutici per le condizioni neurologiche e psichiatriche.

Le fasi fondamentali di pre-elaborazione utilizzate in PIPEMAT-RS sono radicate in metodi robusti e ampiamente convalidati che sono diventati essenziali nella ricerca EEG per garantire la qualità e la riproducibilità dei dati 2,8,14. Sebbene queste metodologie siano ben consolidate, rimangono cruciali per la loro efficacia nell'affrontare gli artefatti EEG e il rumore comuni, che continuano a supportare analisi affidabili in tutti gli studi. Tuttavia, pochi studi hanno recentemente fornito una pipeline standardizzata completamente documentata su misura per l'EEG in stato di riposo. Integrando queste tecniche collaudate con i recenti progressi, come ICLabel per la classificazione automatizzata degli artefatti, PIPEMAT-RS offre un approccio moderno e strutturato che migliora la replicabilità e l'accessibilità per i ricercatori, soddisfacendo la continua necessità di flussi di lavoro di pre-elaborazione rigorosamente documentati sul campo.

Sebbene la pipeline PIPEMAT-RS segua le fasi di pre-elaborazione comunemente impiegate negli studi EEG, la sua documentazione sotto forma di articolo scientifico colma un'importante lacuna nella letteratura. Molti studi EEG si basano su metodi di pre-elaborazione simili, ma spesso mancano di una descrizione completa e passo dopo passo che consenta la piena riproducibilità e facilità di adozione da parte di altri ricercatori. Descrivendo in dettaglio ogni componente di PIPEMAT-RS e presentando una sequenza standardizzata per l'analisi EEG in stato di riposo, questo lavoro mira a migliorare la trasparenza, ridurre al minimo la variabilità dell'utente e fornire un quadro replicabile applicabile a tutti gli studi. Piuttosto che introdurre nuovi metodi, questo contributo vuole fungere da guida didattica e pratica che aiuti a standardizzare le pratiche di pre-elaborazione e a migliorare l'accessibilità per un'ampia gamma di ricercatori EEG, in particolare quelli che lavorano con dati in stato di riposo.

La pre-elaborazione dei dati EEG è una fase critica che influenza in modo significativo la qualità e l'affidabilità delle analisi successive. La pipeline integrata di pre-elaborazione per l'EEG in stato di riposo con MATLAB (PIPEMAT-RS) è stata sviluppata per affrontare le sfide comuni nella pre-elaborazione dei dati EEG, fornendo un approccio completo e standardizzato applicabile a vari set di dati. Questa pipeline strutturata e modificabile è composta da sette passaggi chiave: i) Conversione del formato file; ii) Montaggio EEG; iii) Downsampling e Filtraggio; iv) Rifiuto e rifacimento degli artefatti; v) Analisi delle Componenti Indipendenti (ICA); vi) Classificazione ICLabel; vii) Normalizzazione dei dati. Ogni fase è meticolosamente progettata per migliorare la qualità del segnale e facilitare l'estrazione di informazioni significative dai dati EEG grezzi.

Una caratteristica fondamentale di PIPEMAT-RS è che ogni fase di pre-elaborazione si conclude con il salvataggio del set di dati con un nome file distinto. Questa struttura garantisce che, per ogni file elaborato, venga generata una versione derivata corrispondente a ogni passaggio specifico. Questo approccio sistematico consente agli utenti di accedere ai dati in qualsiasi punto all'interno della pipeline di pre-elaborazione in sette fasi. I file salvati includono identificatori che indicano chiaramente la fase di pre-elaborazione, semplificando il monitoraggio e la gestione dei dati durante il flusso di lavoro.

PIPEMAT-RS inizia con la conversione del formato di file, in cui i file di dati EEG grezzi vengono trasformati in un formato compatibile con MATLAB. Questa conversione è essenziale per la gestione senza soluzione di continuità dei dati nel robusto ambiente computazionale di MATLAB. Successivamente, la fase di montaggio EEG assegna posizioni spaziali precise a ciascun elettrodo sul cuoio capelluto in base a sistemi di posizionamento degli elettrodi standardizzati. Queste informazioni spaziali sono fondamentali per l'interpretazione accurata dei dati EEG negli studi neurofisiologici.

Successivamente, la pipeline applica il downsampling e il filtraggio per ridurre la frequenza di campionamento dei dati ed eliminare il rumore, mantenendo al contempo le componenti di frequenza rilevanti per la ricerca neurofisiologica. Il downsampling riduce il carico computazionale e i requisiti di archiviazione senza compromettere la qualità dei dati. Il filtraggio rimuove componenti di frequenza specifiche note per essere associate agli artefatti, preservando così i segnali neurali essenziali.

Successivamente, vengono eseguiti il rifiuto e il riferimento degli artefatti. Questo passaggio identifica e rimuove i segmenti di dati contaminati da fonti di rumore come le palpebre, l'attività muscolare e il movimento degli elettrodi. Gli algoritmi di rifiuto automatico degli artefatti vengono utilizzati per ridurre al minimo l'intervento manuale, riducendo il potenziale di errore umano e aumentando l'efficienza della preelaborazione. Il riferimento dei dati alla media di tutti gli elettrodi aiuta a mitigare l'influenza di ogni singolo elettrodo e fornisce un riferimento stabile per i segnali EEG.

La fase di analisi delle componenti indipendenti (ICA) perfeziona ulteriormente i dati separando i segnali misti nelle loro fonti indipendenti. Questa scomposizione facilita l'identificazione e la rimozione di artefatti come battiti di ciglia, artefatti muscolari e rumore di linea. L'ICA è una tecnica potente che garantisce che i dati rimanenti riflettano accuratamente l'attività neurale sottostante.

Infine, la classificazione ICLabel viene applicata per identificare e rimuovere automaticamente i componenti classificati come artefatti. ICLabel assegna etichette probabilistiche a componenti indipendenti, classificandoli come attività cerebrale, attività muscolare, battiti di ciglia, battiti cardiaci, rumore di linea o rumore di canale. I componenti con un'alta probabilità di rappresentare l'attività cerebrale vengono mantenuti, mentre quelli identificati come artefatti vengono rimossi. Questo approccio automatizzato riduce significativamente il lavoro manuale e garantisce una classificazione coerente e obiettiva tra i set di dati.

Ognuna di queste fasi di pre-elaborazione è essenziale per migliorare la qualità dei dati EEG. Standardizzando il flusso di lavoro di pre-elaborazione, PIPEMAT-RS riduce al minimo la variabilità introdotta dai diversi metodi di pre-elaborazione, facilitando il confronto dei risultati tra gli studi. L'implementazione della pipeline in MATLAB, una piattaforma ampiamente utilizzata nella comunità delle neuroscienze, garantisce l'accessibilità e la facilità di integrazione nei flussi di lavoro di ricerca esistenti.

Lo sviluppo di PIPEMAT-RS è stato guidato dalle pratiche comunemente adottate nell'analisi dei dati EEG, incorporando metodi e tecniche convalidati in ricerche precedenti. Ogni fase è stata attentamente progettata e rigorosamente testata per garantirne l'efficacia nel migliorare la qualità dei dati (Figura 1). Questo approccio completo non solo migliora l'affidabilità dei dati EEG, ma supporta anche l'identificazione di marcatori neurofisiologici fondamentali per la comprensione di varie condizioni neurologiche e psichiatriche.

Protocollo

PIPEMAT-RS è stato sviluppato nell'ambito del nostro progetto di ricerca in corso, approvato dal Comitato Etico delle Cliniche Ospedaliere della Facoltà di Medicina dell'Università di San Paolo (CAAE: 86832518.7.0000.0068). Questo progetto mira a migliorare la qualità e l'affidabilità dei dati EEG in stato di riposo per vari studi neurologici e psichiatrici. I dati utilizzati in questo studio derivano da uno studio di coorte, il cui protocollo è stato precedentemente pubblicato da Simis et al. (2021)31. Lo studio principale è ancora in corso, con la raccolta di dati in corso per i restanti gruppi clinici. Lo script per la pipeline è fornito nel file supplementare 1.

1. Conversione del formato del file

  1. Preparare la directory dei dati.
    1. Apri MATLAB e vai alla directory contenente i file di dati EEG grezzi.
    2. Definisci il percorso utilizzando pathname = 'C:\\Path\\To\\RawData\\'; ed elencare gli argomenti con name_subj_raw = {'subject1', 'subject2', ...};.
    3. Se il dataset è già in . , saltare questo passaggio e procedere al montaggio EEG.
  2. Converti file.
    1. Carica ogni file di dati grezzi utilizzando la funzione MATLAB appropriata per il tipo di file. Ad esempio, utilizza load per i file .mat o le funzioni EEGLAB specifiche del file, come pop_biosig (per .edf, .bdf) o pop_fileio (per vari formati proprietari).
      NOTA: Gli utenti devono adattare questo passaggio in base al formato dei loro file EEG grezzi e fare riferimento alla documentazione di EEGLAB per ulteriore supporto dei file.
    2. Salva ogni file in formato .mat , garantendo l'integrità dei dati e conservando tutti i metadati pertinenti.

2. Montaggio EEG

  1. Carica i dati EEG.
    1. Apri MATLAB e vai alla directory con i file .mat.
    2. Usa la funzione pop_loadset dal toolbox EEGLAB per caricare il set di dati EEG di ciascun soggetto (ad esempio, EEG = pop_loadset('nomefile.set');).
  2. Applicare le posizioni degli elettrodi.
    1. Assicurarsi che sia disponibile il file di posizione dell'elettrodo appropriato (ad es. EEGSystem_128.loc) corrispondente alla configurazione del cappuccio EEG.
    2. Utilizzare la funzione pop_chanedit per applicare le posizioni degli elettrodi. Per esempio:
      EEG = pop_chanedit(EEG, 'carico', {'EEGSystem_128.loc', 'tipo di file', 'loc'});
    3. Confermare visivamente che le posizioni degli elettrodi siano state caricate correttamente rivedendo il layout del canale utilizzando l'interfaccia grafica di EEGLAB.
  3. Salvare il set di dati.
    1. Salvare il set di dati EEG aggiornato utilizzando la funzione pop_saveset (ad esempio, pop_saveset(EEG, 'filename', 'subject1_loc.set')).

3. Downsampling e filtraggio

  1. Sottocampionare i dati EEG.
    1. Ridurre la frequenza di campionamento dei dati EEG a 250 Hz utilizzando la funzione pop_resample (opzionale).
      NOTA: La funzione pop_resample applica automaticamente un filtro anti-aliasing passa-basso appropriato prima del downsampling. Questo passaggio garantisce che i componenti ad alta frequenza vengano attenuati prima del ricampionamento, prevenendo artefatti di aliasing e preservando la qualità del segnale EEG.
  2. Applicare il filtro passa-banda.
    1. Applica un filtro passa-banda da 1 Hz a 50 Hz ai canali 1-64 utilizzando la funzione pop_basicfilter con un design Butterworth e un ordine dei filtri di 2.
    2. Utilizzare il filtraggio in avanti e all'indietro a fase zero per evitare la distorsione di fase.
  3. Applica il filtro notch (facoltativo).
    1. Applica un filtro notch a 50 o 60 Hz ai canali 1-64 utilizzando pop_basicfilter con il design "PMnotch" e l'ordine dei filtri di 180.
      NOTA: Questo passaggio è facoltativo e deve essere utilizzato quando si analizza l'attività oscillatoria superiore a 30 Hz (ad esempio, banda gamma). In tali casi, i ricercatori possono aumentare il limite superiore del filtro passa-banda (ad esempio, fino a 80 o 100 Hz), rendendo il filtro notch cruciale per eliminare l'interferenza della linea elettrica. Il comando è fornito nella tubazione per comodità e può essere facilmente regolato in base alla frequenza elettrica locale (ad esempio, 50 Hz o 60 Hz).

4. Rifiuto e rifacimento degli artefatti

  1. Eseguire il rifiuto automatico degli artefatti.
    1. Utilizzare la funzione clean_rawdata con i parametri (5, [-1], 0,7, -1, 8, 0,85) per rilevare e rimuovere automaticamente i canali flatline, i segmenti rumorosi e le derive delle basse frequenze. Questi parametri corrispondono rispettivamente a:
      FlatlineCriterion (5): rimuove i canali in piano per più di 5 s.
      ChannelCriterion ([-1]): disabilita il rifiuto basato sulla correlazione del canale.
      LineNoiseCriterion (0.7): rimuove i canali con rumore di linea eccessivo al di sopra di questa soglia.
      Passa alto (-1): disabilita il filtraggio passa-alto aggiuntivo durante la pulizia.
      BurstCriterion (8): rimuove i burst di dati che superano le 8 deviazioni standard.
      WindowCriterion (0,85): richiede che l'85% dei dati in una finestra sia pulito per conservarli.
      NOTA: Gli utenti possono regolare questi valori in base alle caratteristiche del set di dati. Ad esempio, la riduzione di BurstCriterion comporterà un rifiuto degli artefatti più aggressivo, mentre la riduzione di WindowCriterion aumenterà la tolleranza per le finestre di dati rumorose.
  2. Eseguire l'ispezione manuale degli artefatti (opzionale).
    1. Se necessario, ispezionare visivamente i dati EEG utilizzando eegplot di EEGLAB per identificare gli artefatti residui non rilevati con metodi automatici.
    2. Contrassegna e rimuovi manualmente gli artefatti rimanenti per garantire un'elevata qualità dei dati.
      NOTA: questo passaggio è facoltativo e consigliato principalmente quando si gestiscono set di dati che presentano modelli di rumore non standard o quando è necessaria una maggiore precisione oltre alle procedure automatizzate.
  3. Fare nuovamente riferimento ai dati.
    1. Utilizzare la funzione pop_reref per rifare riferimento ai segnali EEG alla media di tutti gli elettrodi, assicurandosi che l'elettrodo di riferimento originale venga mantenuto nel set di dati.
      NOTA: In questa pipeline, la rireferenziazione media viene eseguita utilizzando i canali disponibili senza ricostruire l'elettrodo di riferimento originale. Tuttavia, gli utenti che mirano a una maggiore coerenza del rango e alla comparabilità tra soggetti possono prendere in considerazione la possibilità di reinserire temporaneamente l'elettrodo di riferimento originale (ad esempio, Cz) come serie temporale a valore zero prima di rifare il riferimento. Ciò consente al riferimento di contribuire al calcolo della media. Successivamente, il canale aggiunto può essere rimosso per evitare carenze di grado prima di eseguire l'ICA. Questo processo è esemplificato nella funzione RELAX_average_rereference.m della pipeline RELAX, che include anche l'interpolazione di tutti i canali prima del referenziamento. Sebbene PIPEMAT-RS mantenga una versione semplificata per garantire chiarezza e accessibilità, gli utenti sono incoraggiati ad adattare questo passaggio secondo necessità a seconda degli obiettivi della loro analisi.

5. Analisi delle componenti indipendenti (ICA)

  1. Carica i dati EEG pre-elaborati.
    1. Caricare il file con il suffisso _loc_filt_cleanraw_reref.set utilizzando la funzione pop_loadset .
  2. Eseguire ICA.
    1. Esegui ICA utilizzando la funzione pop_runica con l'algoritmo runica per scomporre i dati in componenti indipendenti. L'algoritmo 'runica', basato sull'approccio Infomax, massimizza l'indipendenza statistica dei componenti ed è ampiamente utilizzato nella pre-elaborazione EEG.
      NOTA: Per gli utenti che cercano un calcolo ICA più veloce, è possibile utilizzare algoritmi alternativi come picard specificando icatype, picard nella chiamata di funzione. Queste alternative offrono prestazioni comparabili e possono ridurre i tempi di calcolo.
  3. Salvare il set di dati ICA.
    1. Salvare il set di dati con il suffisso _loc_filt_cleanraw_reref_ICA utilizzando pop_saveset per indicare che l'ICA è stato eseguito.

6. Classificazione ICLabel

  1. Caricare il set di dati ICA.
    1. Importare il set di dati con i componenti ICA utilizzando la funzione pop_loadset .
  2. Applicare la classificazione ICLabel.
    1. Eseguire la funzione pop_iclabel con il modello predefinito per classificare i componenti indipendenti in categorie di cervello e artefatti.
    2. Identificare i componenti con una probabilità maggiore di 0,7 di rappresentare l'attività cerebrale.
  3. Rimuovi i componenti dell'artefatto.
    1. Utilizzare la funzione pop_subcomp per rimuovere tutti i componenti con probabilità cerebrale ICLabel inferiore a 0,7.
    2. Conserva solo i componenti con una probabilità di attività cerebrale superiore a 0,7. La soglia di 0,7 bilancia la necessità di preservare i segnali neurali autentici garantendo al contempo l'efficace rimozione degli artefatti.
  4. Salvare il set di dati pulito.
    1. Salvare il set di dati pulito con il suffisso _loc_filt_cleanraw_reref_ICA_Cleaned utilizzando pop_saveset per indicare la rimozione dei componenti dell'artefatto.

7. Normalizzazione dei dati

  1. Caricare i dati EEG puliti.
    1. Importa il set di dati con componenti ICA privi di artefatti utilizzando la funzione pop_loadset .
  2. Applicare la normalizzazione Z-Score.
    1. Normalizza ciascun canale EEG utilizzando la trasformazione Z-score calcolando (x - media(x)) / std(x) per ciascun canale individualmente.
      NOTA: La normalizzazione dello Z-score è facoltativa e deve essere applicata in base agli obiettivi analitici dello studio. Se da un lato riduce la variabilità tra soggetti e standardizza i dati per i confronti a livello di gruppo, dall'altro può attenuare le distinzioni topografiche ed eliminare le differenze di ampiezza significative tra i canali. Si consiglia ai ricercatori interessati a preservare l'ampiezza del segnale grezzo o la distribuzione spaziale di saltare questo passaggio.
  3. Salvare il set di dati finale.
    1. Salvare il set di dati completamente pre-elaborato e normalizzato con il suffisso _loc_filt_cleanraw_reref_ICA_Normalized utilizzando pop_saveset per indicare il completamento della pre-elaborazione.

Risultati

La convalida della pipeline di pre-elaborazione EEG è essenziale per garantire l'affidabilità e l'efficacia dei metodi impiegati per l'estrazione di dati neurofisiologici significativi. Questo processo coinvolge prove empiriche provenienti da studi pubblicati, valutazioni statistiche e confronti con benchmark stabiliti nel campo.

La robustezza e l'utilità di PIPEMAT-RS sono state dimostrate attraverso la sua applicazione di successo in diversi studi pubblicati che abbracciano una vasta gamma di condizioni neurologiche e psichiatriche. Ad esempio, nell'indagine sui biomarcatori EEG nei pazienti con ictus, sono state trovate correlazioni significative tra funzione motoria disadattiva, profili depressivi e marcatori EEG specifici, convalidando l'efficacia delle fasi di pre-elaborazione nel migliorare la qualità del segnale e facilitare un'analisi significativa dei dati32. Allo stesso modo, l'analisi delle firme neurali della compensazione cerebrale nei pazienti con ictus ha rivelato informazioni critiche sui meccanismi di adattamento del cervello dopo l'ictus, dimostrando la capacità di PIPEMAT-RS di gestire set di dati complessi e produrre risultati affidabili28. Un'ulteriore convalida è evidente negli studi che esplorano gli adattamenti neurali e le compensazioni nei pazienti con fibromialgia, che hanno identificato firme neurali distinte associate al dolore e ai meccanismi di compensazione, supportando i metodi di pre-elaborazione in diversi contesti clinici29. Inoltre, l'indagine sui meccanismi di compensazione nel dolore neuropatico cronico ha evidenziato la rilevanza delle bande delta e theta negli stati di dolore cronico, dimostrando ulteriormente l'efficacia di PIPEMAT-RS in varie condizioni neurofisiologiche30.

La convalida statistica di PIPEMAT-RS include valutazioni quantitative e qualitative per garantire la robustezza dei metodi di pre-elaborazione. Misure quantitative come il rapporto segnale/rumore (SNR), la curtosi e l'asimmetria sono state utilizzate per valutare oggettivamente la qualità dei dati. L'SNR è stato calcolato come il rapporto tra la potenza del segnale nell'intervallo di frequenza 1-50 Hz e la potenza al di fuori di questo intervallo (ad esempio, <1 Hz e >50 Hz), che in genere contiene rumore non neurale. L'aumento di questo rapporto dopo la pre-elaborazione indica una maggiore conservazione delle informazioni neurali rispetto al rumore. Allo stesso modo, la curtosi e l'asimmetria sono state valutate per valutare le caratteristiche di distribuzione del segnale EEG. L'elevata curtosi riflette spesso la presenza di transienti bruschi o artefatti muscolari, mentre un'elevata asimmetria può derivare da distribuzioni asimmetriche del segnale causate da rumore o problemi di registrazione. Le riduzioni di questi valori a seguito della pre-elaborazione suggeriscono una migliore regolarità del segnale e una ridotta contaminazione da fonti non neurali, supportando il miglioramento generale della qualità dei dati. La pre-elaborazione ha portato a notevoli miglioramenti nell'SNR, indicando che PIPEMAT-RS riduce efficacemente il rumore e migliora il segnale neurale. Ad esempio, nei set di dati con valori SNR inizialmente bassi (~5 dB), le fasi di pre-elaborazione hanno aumentato l'SNR a circa 7,5 dB, riflettendo un segnale neurale più chiaro. Allo stesso modo, le riduzioni della curtosi (ad esempio, da 5,2 a 2,3) e dell'asimmetria (ad esempio, da 1,5 a 0,8) hanno ulteriormente confermato l'attenuazione degli artefatti non neurali². Le valutazioni qualitative hanno comportato l'ispezione visiva dei dati pre-elaborati per garantire che gli artefatti fossero adeguatamente rimossi e che i dati riflettessero accuratamente l'attività neurale sottostante (Figura 2). Questo passaggio ha permesso ai ricercatori di verificare manualmente l'efficacia delle fasi di pre-elaborazione automatica, garantendo che non rimanessero artefatti significativi.

L'inclusione di tecniche avanzate come l'Independent Component Analysis (ICA) e l'ICLabel per la rimozione degli artefatti è stata particolarmente convalidata in letteratura. Gli studi hanno dimostrato che l'ICA, se combinato con algoritmi di classificazione automatizzati come ICLabel, raggiunge precisioni di classificazione che corrispondono strettamente ai componenti etichettati dagli esperti. ICLabel dimostra un'accuratezza media della classificazione di circa il 91%, riflettendo un forte accordo con le classificazioni degli esperti umani e offrendo una soluzione standardizzata e scalabile per grandi set di dati EEG, riducendo al minimo la variabilità tra i valutatori32.

Un altro aspetto della validazione è il confronto con i benchmark consolidati nel settore. I metodi e i risultati della nostra pipeline sono stati allineati con le pratiche standard e le linee guida nella pre-elaborazione EEG, come raccomandato da importanti ricercatori e istituzioni14. Sebbene PIPEMAT-RS non rivendichi la superiorità rispetto alle tubazioni esistenti, la sua struttura modulare, la trasparenza e la facilità d'uso mirano a soddisfare o integrare gli standard di qualità comunemente accettati nel settore (Tabella 1).

figure-results-5576
Figura 1: Struttura del codice della pipeline PIPEMAT-RS. Panoramica del codice MATLAB che implementa ogni fase della pipeline di pre-elaborazione di PIPEMAT-RS. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-6108
Figura 2: Qualità del segnale EEG prima e dopo la pre-elaborazione. Confronto tra (A) dati grezzi, (B) dati puliti manualmente e (C) dati elaborati con PIPEMAT-RS, illustrando la riduzione degli artefatti e una migliore chiarezza del segnale. Clicca qui per visualizzare una versione più grande di questa figura.

Tabella 1: Confronto tra pre-elaborazione EEG manuale e automatizzata con PIPEMAT-RS. Clicca qui per scaricare questa tabella.

File supplementare 1: Pipeline integrata di pre-elaborazione completa per EEG in stato di riposo utilizzando lo script MATLAB (PIPEMAT-RS). Questo script comprende tutti i passaggi descritti in dettaglio nella sezione Protocollo, dalla conversione del formato di file al controllo della qualità dei dati. Clicca qui per scaricare questo file.

Discussione

La pipeline PIPEMAT-RS è stata sviluppata per fornire un metodo standardizzato ed efficiente per la pre-elaborazione dei dati EEG in stato di riposo. Le fasi critiche di questo protocollo includono il rifiuto degli artefatti e l'analisi dei componenti indipendenti (ICA), che migliorano significativamente il rapporto segnale/rumore e garantiscono l'estrazione di segnali neurali significativi. La combinazione di espulsione automatica degli artefatti tramite la funzione clean_rawdata e l'ispezione manuale tramite eegplot garantisce una gestione completa degli artefatti, bilanciando efficienza e precisione. L'applicazione di ICLabel per la classificazione automatizzata di componenti indipendenti perfeziona ulteriormente i dati, riducendo il carico di lavoro manuale e mantenendo un'elevata precisione di classificazione (91%) in linea con l'etichettatura umana32.

Potrebbero essere necessarie modifiche al protocollo a seconda delle caratteristiche del set di dati. Ad esempio, mentre la pipeline è progettata per i dati EEG in stato di riposo, i ricercatori possono adattare le impostazioni del filtro e le soglie di rifiuto degli artefatti per registrazioni EEG basate su attività o set di dati con diverse frequenze di campionamento. La procedura per la risoluzione dei problemi include la regolazione del criterio della linea piatta e delle soglie di correlazione dei canali in clean_rawdata se si verifica un'eccessiva rimozione dei canali o se il rumore residuo persiste dopo la pulizia automatica. Inoltre, mentre l'ICA in genere funziona bene con set di dati di 32 o più elettrodi, i set di dati con meno elettrodi possono richiedere una messa a punto manuale o metodi alternativi di correzione degli artefatti per ottenere risultati ottimali2.

Nonostante i suoi punti di forza, PIPEMAT-RS presenta dei limiti. L'efficacia di ICA e ICLabel può variare in base al numero di canali e alla qualità dei dati grezzi. Alti livelli di rumore o scarso contatto dell'elettrodo possono ridurre l'accuratezza della separazione e della classificazione dei componenti. Inoltre, la pipeline è ottimizzata per studi su un singolo sito e potrebbe richiedere ulteriori passaggi di armonizzazione, come ComBat, per ridurre al minimo la variabilità sito-specifica nella ricerca multicentrica33. Sebbene PIPEMAT-RS migliori la qualità dei dati attraverso una pre-elaborazione standardizzata, il potenziale di variabilità indotta dall'utente rimane se le impostazioni predefinite vengono modificate senza un'attenta convalida.

Sebbene l'ICA combinato con la classificazione ICLabel offra una soluzione efficiente e automatizzata per il rifiuto degli artefatti, è importante riconoscerne i limiti. La separazione dei componenti neurali e non neurali non è perfetta e il rifiuto dei componenti classificati come artefatti può comunque comportare la rimozione non intenzionale dei segnali neurali, specialmente quando le fonti sono miste22. Sebbene PIPEMAT-RS applichi una soglia conservativa (mantenendo i componenti con una probabilità cerebrale > 0,7) per ridurre questo rischio, non lo elimina. Questa soglia segue le pratiche standard per bilanciare la conservazione del segnale e la rimozione degli artefatti, ma i futuri miglioramenti alla pipeline potrebbero incorporare strategie più raffinate, come l'adattamento del dipolo, l'ICA potenziato con wavelet o la pulizia mirata dell'ICA, per migliorare ulteriormente la specificità e l'accuratezza del rifiuto degli artefatti.

Rispetto ai metodi esistenti, PIPEMAT-RS offre una sequenza semplificata e standardizzata di fasi di pre-elaborazione che riduce la variabilità tra gli studi. A differenza delle piattaforme flessibili come BEAPP, che consentono agli utenti di personalizzare le sequenze di pre-elaborazione, PIPEMAT-RS applica una struttura fissa, garantendo la coerenza tra i set di dati34. Questo approccio riduce al minimo l'intervento manuale, riduce l'errore umano e garantisce la riproducibilità, in particolare negli studi su larga scala. Inoltre, l'integrazione di strumenti avanzati come ICLabel e l'attenzione ai dati EEG in stato di riposo distinguono PIPEMAT-RS da altre pipeline che potrebbero non dare la stessa priorità al rifiuto degli artefatti e all'analisi dei componenti indipendenti.

L'importanza di PIPEMAT-RS risiede nella sua capacità di produrre dati EEG affidabili e di alta qualità, adatti a diverse applicazioni nel campo delle neuroscienze e della ricerca clinica. La pipeline è stata applicata con successo a studi che indagano i marcatori neurali del recupero da ictus, dolore cronico e fibromialgia, dimostrando la sua versatilità e robustezza 27,28,29,30. Migliorando la qualità dei dati e riducendo i tempi di pre-elaborazione, PIPEMAT-RS facilita gli studi su larga scala, contribuisce all'identificazione di biomarcatori neurofisiologici e supporta i progressi nella medicina personalizzata. Il suo approccio standardizzato garantisce che i risultati siano comparabili tra gli studi, migliorando la riproducibilità e l'affidabilità della ricerca EEG sia in ambito clinico che accademico.

In conclusione, PIPEMAT-RS fornisce una soluzione robusta e standardizzata per la pre-elaborazione dei dati EEG in stato di riposo, affrontando le sfide comuni relative alla reiezione degli artefatti, alla chiarezza del segnale e alla coerenza dei dati. Integrando tecniche automatizzate come ICA e ICLabel con fasi di verifica manuale, la pipeline garantisce dati riproducibili e di alta qualità adatti a un'ampia gamma di applicazioni di ricerca neurologica e psichiatrica. La sua sequenza fissa di fasi di pre-elaborazione riduce al minimo la variabilità indotta dall'utente, facilitando risultati coerenti tra gli studi. Sebbene la pipeline dimostri ottime prestazioni in vari contesti clinici, tra cui la ricerca sull'ictus e sul dolore cronico, il lavoro futuro dovrebbe concentrarsi sulla convalida della sua applicabilità in diversi paradigmi sperimentali e studi multi-sito. Nel complesso, PIPEMAT-RS offre un'alternativa strutturata e ben documentata per la pre-elaborazione EEG, progettata per migliorare la qualità, la riproducibilità e l'accessibilità dei dati in tutti gli studi.

Divulgazioni

Gli autori dichiarano di non avere interessi finanziari concorrenti noti o relazioni personali che possano aver influenzato il lavoro riportato in questo articolo.

Riconoscimenti

In particolare, LMM è stato supportato da una borsa di ricerca post-dottorato #21/05897-5, São Paulo Research Foundation (FAPESP). AC è stato supportato da una sovvenzione di iniziazione scientifica #21/12790-2, São Paulo Research Foundation (FAPESP). SPB è stato supportato da una borsa di ricerca post-dottorato #20/08512-4, São Paulo Research Foundation (FAPESP). FF e LRB sono supportati dalla borsa di ricerca #17/12943-8, São Paulo Research Foundation (FAPESP). Individualmente, FF ha ricevuto il supporto di NHI 2020 R01 AT, Progetto #1R01AT009491-01A1.

Materiali

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) 

Riferimenti

  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).

Ristampe e Autorizzazioni

Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE

Richiedi Autorizzazione

Esplora altri articoli

NeuroscienzeEEGpipeline di preprocessingMATLABEEG in stato di riposoreiezione degli artefattianalisi dei componenti indipendentiPIPEMAT RS

This article has been published

Video Coming Soon

JoVE Logo

Riservatezza

Condizioni di utilizzo

Politiche

Ricerca

Didattica

CHI SIAMO

Copyright © 2025 MyJoVE Corporation. Tutti i diritti riservati