JoVE Logo

サインイン

この記事について

  • 要約
  • 要約
  • 概要
  • プロトコル
  • 結果
  • ディスカッション
  • 開示事項
  • 謝辞
  • 資料
  • 参考文献
  • 転載および許可

要約

このプロトコルは、安静時脳波データ用の標準化された MATLAB ベースの前処理パイプラインである PIPEMAT-RS を示しています。これにより、アーチファクトの除去、信号品質の向上、研究全体のデータの再現性の向上が図られます。このパイプラインは、フィルタリング、独立成分分析(ICA)、アーティファクト分類などの主要な前処理ステップを自動化し、神経生理学的研究のための一貫した信頼性の高い脳波分析を促進します。

要約

脳波計(EEG)は、神経科学の研究や臨床応用において重要なツールですが、生の脳波データには、信号品質を損なうノイズやアーチファクトが含まれていることがよくあります。これに対処するために、安静時脳波データ用の標準化された MATLAB ベースの前処理パイプラインである PIPEMAT-RS を開発しました。PIPEMAT-RSは、ファイル形式の変換、EEGモンタージュの設定、ダウンサンプリング、フィルタリング、アーティファクト除去、独立成分分析(ICA)、およびアーティファクトの自動除去のためのICLabel分類の7ステップの構造化されたワークフローに従います。このプロトコルは、アーチファクト除去の精度を維持しながら、人間の介入を最小限に抑えることでEEGデータの品質を向上させます。複数のデータセットを使用して検証され、シグナルインテグリティの向上における堅牢性が実証されました。PIPEMAT-RSは、EEG研究の再現性と信頼性を促進する体系的なアプローチを提供し、現場で一般的に採用されている慣行と一致し、既存のパイプラインを補完できる明確に文書化された構造を提供します。PIPEMAT-RSは、脳波の前処理を標準化することで、神経生理学的研究と臨床応用を促進し、安静時の脳活動とその神経学的および精神医学的状態との関連をより正確に解釈することが可能になります。

概要

脳波(EEG)は、神経科学研究と臨床診療の両方において重要なツールであり、脳の電気的活動に関する貴重な洞察を提供します。特に安静時の脳波データは、脳卒中、線維筋痛症、慢性神経障害性疼痛など、さまざまな神経学的・精神医学的疾患の調査に広く利用されています。その広範な適用にもかかわらず、EEGデータの分析は、アーティファクトやノイズを排除するための厳密な前処理を必要とし、結果の完全性と信頼性を確保します1,2,3。長年にわたり、EEGは脳活動の非侵襲的で高時間分解能の測定を提供する上で非常に貴重であり、脳の動的プロセスの研究に不可欠となっています4,5。しかし、生の脳波信号は、しばしば、関心のある神経信号を不明瞭にする可能性のあるさまざまなノイズ源によって汚染されており、それによってデータの解釈複雑になる6。

EEG信号は、筋肉活動、眼球運動、電気的干渉7などのソースからの汚染に対して非常に影響を受けやすいです。これらのアーチファクトは神経信号を不明瞭にする可能性があるため、EEG分析では前処理が重要なステップとなります。このプロセスには、通常、ファイル形式の変換、ダウンサンプリング、フィルタリング、アーティファクトの除去、独立成分分析(ICA)、ノイズ関連コンポーネントの除外など、複数の段階が含まれます8,9。各ステップは、信号品質を改善し、データが神経活動10を正確に反映することを確保するのに役立つ。これらのプロセスの複雑さは、前処理が効率的かつ効果的であることを保証するために、洗練されたアルゴリズムとソフトウェアツールの使用を必要とする11

EEGデータの前処理における主要な課題の1つは、データのばらつきであり、これは被験者と記録セッション10,12の間で大きく異なる可能性がある。この変動性は、被験者の生理学的および解剖学的特性の違い、ならびに使用される実験条件および機器の変動によって生じる。さらに、標準化された前処理プロトコルの欠如は、データ分析と解釈に一貫性を生じさせる可能性がある13,14。いくつかのパイプラインと前処理スクリプトが利用可能ですが、それらの多くは特定のデータセットに合わせて調整されているか、包括的なドキュメントが不足しているため、より広範な研究コミュニティにとってアクセスしにくくなっています14。GitHubのようなプラットフォームは、多数のEEG前処理スクリプトとプラグインをホストし、これらのツールの共有と共同改善を促進します15。しかし、これらのリソースが断片化されていることから、さまざまなデータセットや研究コンテキストに広く適用できる、堅牢で効率的、かつ標準化された編集可能な前処理パイプラインの必要性が強調されている16。このようなパイプラインは、EEG研究の再現性を向上させるだけでなく、研究コミュニティが特定のニーズ17を構築し適応するための基盤を提供します。

広範なユーザーベースとMATLABとの統合によりPIPEMAT-RSの基盤を形成するEEGLABに加えて、他のEEG処理ツールボックスも現場で広く使用されています。たとえば、MNE-PythonはオープンソースのPythonベースのプラットフォームであり、ソースのローカリゼーション、センサー空間分析、機械学習ワークフローとの統合のための高度な機能を提供します。EEGLABのようなMATLABベースのツールボックスであるFieldTripは、柔軟なスクリプト環境と、時間-周波数および接続性解析の包括的なサポートで知られています。これらのプラットフォームは強力な代替手段を提供しますが、通常、より急な学習曲線とより高度なプログラミングスキルが必要です。PIPEMAT-RSは、特にEEGLABを使用した安静時のEEG前処理のための編集可能でモジュール式のソリューションを求める研究者のために、アクセシビリティと透明性を橋渡しするように設計されています。それにもかかわらず、PIPEMAT-RSの概念構造は、必要に応じて他のツールボックスに適合させることができ、異なるソフトウェア環境間での相互運用性とカスタマイズを促進します。

近年、RELAX18、Automagic19、APP20、PREP7など、いくつかの自動脳波前処理パイプラインが開発されています。これらのパイプラインには、アーティファクトの除去とデータクリーニングのための高度なアルゴリズムが組み込まれており、多くの場合、ICAベースの戦略を採用しており、透明性や専門家でないユーザー向けのカスタマイズは限られています。例えば、RELAXは、アーティファクトの除去を改善するマルチステップのICAクリーニング方法を導入しているが、簡単には変更できない可能性のある複雑な構成に依存している21。対照的に、PIPEMAT-RSは、柔軟性があり、透明性があり、教育的にアクセス可能な代替手段を提供するように設計されており、研究者は各前処理ステップを理解し、手動で調整することができます。この透明性により、PIPEMAT-RSは、厳密さと再現性を維持しながら、研究と教育の両方のツールとして使用できます。さらに、PIPEMAT-RSは、他のパイプラインでは過小報告されたり欠けたりしがちなデータセット機能全体の文書化、モジュール式の実行、適応性を強調しています。

経済的には、EEGデータ用の標準化された編集可能な前処理パイプラインの開発と実装は、大きな影響を与える可能性があります。世界のEEGデバイス市場は2020年に約12億米ドルと評価され、2021年から2028年にかけて7.5%の年平均成長率(CAGR)で成長すると予想されています22。効率的な前処理パイプライン、特に編集可能でモジュール式のパイプラインは、大規模な臨床試験や公衆衛生研究において重要な考慮事項であるデータ分析に関連する時間とコストを削減できます。このようなパイプラインは、人為的ミスを最小限に抑え、反復的なタスクを自動化することにより、EEGデータ分析の精度を向上させ、より信頼性の高い研究結果につながる可能性があります13。これにより、新しい診断ツールや治療介入の開発が加速し、医療費を削減し、患者の転帰を改善する可能性があります1

この論文は、MATLAB(PIPEMAT-RS)を使用した安静時脳波のための標準化された編集可能な前処理統合パイプラインを提示し、検証することを目的としています。堅牢かつ効率的であるように設計されたこの編集可能なパイプラインは、汎用性が高く、さまざまなデータセットや研究シナリオに広く適用できます。7つの包括的なステップには、ファイル形式の変換、ダウンサンプリング、フィルタリング、アーティファクトの除去、独立成分分析(ICA)、およびノイズ関連成分の除外が含まれ、すべてがまとまりのあるワークフローに統合されています23,24。PIPEMAT-RSの開発は、EEG前処理における一般的な課題に対処し、研究者がデータ分析プロセスを合理化するために使用できるツールを提供する必要性によって導かれました25。PIPEMAT-RSは、現場で一般的に採用されているプラクティスと統合し、MATLABの機能を活用することにより、EEGデータの前処理26をサポートするための信頼性、編集性、およびユーザーフレンドリーなフレームワークを提供することを目指しています。

PIPEMAT-RSの有効性を検証するために、いくつかの研究に適用しました。ある研究では、PIPEMAT-RSを使用して脳卒中患者のEEGバイオマーカーを調査し、不適応な運動機能と抑うつプロファイルとの間に有意な相関関係を特定しました27。別の研究では、PIPEMAT-RSを適用して、脳卒中患者の脳補償の神経シグネチャをEEGとTMSを使用して分析し、脳卒中後の脳の適応メカニズムに関する重要な洞察を明らかにしました28。さらなる検証は、線維筋痛症患者における神経適応と代償を調査した研究から来ています29。さらに、別の研究では、安静時脳波のデルタバンドとシータバンドが慢性神経障害性疼痛の代償メカニズムとしてどのように機能するかが示されました30

これらの研究は、脳波データの処理と分析におけるPIPEMAT-RSの有用性を総合的に強調し、さまざまな条件やアプリケーションでの有効性を確立しています。標準化されたアプローチを提供することにより、このパイプラインはEEG研究の再現性を向上させるだけでなく、研究コミュニティでの一貫した前処理方法の広範な採用を促進します。この論文を通じて、私たちはこの分野に貴重なリソースを提供し、より正確で信頼性の高い脳波データ分析を促進することを目指しています16,17。これにより、神経生理学の研究の進展や、神経疾患や精神疾患に対する新たな治療法の開発を支援したいと考えています。

PIPEMAT-RSで使用される基本的な前処理ステップは、データの品質と再現性を確保するためにEEG研究に不可欠となっている、堅牢で広く検証された方法に根ざしています2,8,14。これらの方法論は十分に確立されていますが、一般的な脳波アーチファクトやノイズに対処する効果があるため、依然として重要であり、研究全体で信頼性の高い分析をサポートし続けています。しかし、安静時脳波に合わせた完全に文書化された標準化されたパイプラインを提供した研究は、最近はほとんどありません。これらの実証済みの技術を、自動アーティファクト分類のためのICLabelなどの最近の進歩と統合することにより、PIPEMAT-RSは、研究者の再現性とアクセシビリティを向上させる現代的で構造化されたアプローチを提供し、現場での厳密に文書化された前処理ワークフローの継続的なニーズを満たします。

PIPEMAT-RSパイプラインは、脳波研究で一般的に採用されている確立された前処理ステップに従いますが、科学論文の形での文書化は、文献の重要なギャップを埋めます。多くの脳波研究は、同様の前処理方法に依存していますが、多くの場合、完全な再現性と他の研究者による採用の容易さを可能にする包括的なステップバイステップの説明が欠けています。この作業は、PIPEMAT-RSの各コンポーネントを詳細に説明し、安静時EEG分析の標準化されたシーケンスを提示することにより、透明性を高め、ユーザーのばらつきを最小限に抑え、研究間で適用可能な複製可能なフレームワークを提供することを目的としています。この寄稿は、新しい方法を紹介するのではなく、前処理の実践を標準化し、幅広い脳波研究者、特に安静時データを扱う研究者のアクセシビリティを向上させるのに役立つ教育的および実践的なガイドとして機能することを目的としています。

脳波データの前処理は、その後の分析の品質と信頼性に大きく影響する重要なステップです。Preprocessing Integrated Pipeline for Resting-State EEG using MATLAB(PIPEMAT-RS)は、さまざまなデータセットに適用可能な包括的で標準化されたアプローチを提供することで、EEGデータの前処理における一般的な課題に対処するために開発されました。この構造化された編集可能なパイプラインは、次の 7 つの主要なステップで構成されています。ii)EEGモンタージュ;iii)ダウンサンプリングとフィルタリング。iv)アーティファクトの拒否と再参照。v) 独立成分分析 (ICA)vi) ICLabel分類vii) データの正規化。各ステップは、信号品質を向上させ、生のEEGデータから意味のある情報を抽出するのを容易にするために細心の注意を払って設計されています。

PIPEMAT-RSの重要な特徴は、各前処理ステップがデータセットを個別のファイル名で保存することで終了することです。この構造により、処理されたファイルごとに、各特定のステップに対応する派生バージョンが生成されます。この体系的なアプローチにより、ユーザーは7ステップの前処理パイプライン内の任意のポイントでデータにアクセスできます。保存されたファイルには、前処理の段階を明確に示す識別子が含まれているため、ワークフロー全体でのデータの追跡と管理が容易になります。

PIPEMAT-RSは、生のEEGデータファイルをMATLAB互換形式に変換するファイル形式変換から始まります。この変換は、MATLAB の堅牢な計算環境でデータをシームレスに処理するために不可欠です。これに続いて、EEGモンタージュステップは、標準化された電極配置システムに基づいて、頭皮上の各電極に正確な空間位置を割り当てます。この空間情報は、神経生理学的研究における脳波データの正確な解釈にとって非常に重要です。

次に、パイプラインはダウンサンプリングとフィルタリングを適用して、神経生理学的研究に関連する周波数成分を保持しながら、データのサンプリングレートを下げ、ノイズを排除します。ダウンサンプリングにより、データ品質を損なうことなく、計算負荷とストレージ要件が軽減されます。フィルタリングは、アーティファクトに関連することが知られている特定の周波数成分を除去し、それによって重要な神経信号を保持します。

その後、アーティファクトの拒否と再参照が実行されます。この手順では、まばたき、筋肉活動、電極の動きなどのノイズ源によって汚染されたデータのセグメントを特定して削除します。自動アーティファクト除去アルゴリズムは、手動介入を最小限に抑えるために利用され、人為的ミスの可能性を減らし、前処理の効率を向上させます。データをすべての電極の平均値に再参照することで、単一の電極の影響を軽減し、EEG信号の安定した参照を提供します。

独立成分分析(ICA)ステップでは、混合信号を独立したソースに分離することで、データをさらに絞り込みます。この分解により、まばたき、筋肉のアーチファクト、ラインノイズなどのアーチファクトの特定と除去が容易になります。ICAは、残りのデータが根底にある神経活動を正確に反映することを保証する強力な手法です。

最後に、ICLabel 分類を適用して、アーティファクトとして分類されたコンポーネントを自動的に識別して削除します。ICLabelは、脳活動、筋肉活動、まばたき、心拍、ラインノイズ、またはチャネルノイズとして分類する、独立したコンポーネントに確率的ラベルを割り当てます。脳の活動を表す可能性が高いコンポーネントは保持され、アーティファクトとして識別されたコンポーネントは削除されます。この自動化されたアプローチにより、手作業が大幅に削減され、データセット間で一貫性のある客観的な分類が保証されます。

これらの各前処理ステップは、EEGデータの品質を向上させるために不可欠です。前処理ワークフローを標準化することにより、PIPEMAT-RSはさまざまな前処理方法によってもたらされるばらつきを最小限に抑え、研究間での結果の比較を容易にします。このパイプラインは、神経科学コミュニティで広く使用されているプラットフォームである MATLAB に実装されているため、既存の研究ワークフローへのアクセシビリティと容易な統合が保証されます。

PIPEMAT-RSの開発は、以前の研究で検証された方法と技術を取り入れて、EEGデータ分析で一般的に採用されている手法によって導かれました。各ステップは、データ品質の向上に効果があることを確認するために、慎重に設計され、厳密にテストされています(図1)。この包括的なアプローチは、脳波データの信頼性を向上させるだけでなく、さまざまな神経学的および精神医学的状態を理解するために重要な神経生理学的マーカーの特定もサポートします。

プロトコル

PIPEMAT-RSは、サンパウロ大学医学部クリニック病院の倫理委員会(CAAE:86832518.7.0000.0068)によって承認された、進行中の研究プロジェクトの一部として開発されました。このプロジェクトは、さまざまな神経学的および精神医学的研究のための安静時脳波データの品質と信頼性を向上させることを目的としています。この研究で使用されたデータは、Simis et al. (2021)31によって以前に発表されたプロトコルであるコホート研究から得られたものである。主な研究はまだ進行中であり、残りの臨床グループについてはデータ収集が進行中です。パイプラインのスクリプトは、 補足ファイル 1 で提供されています。

1. ファイル形式の変換

  1. データディレクトリを準備します。
    1. MATLAB を開き、生の EEG データ ファイルを含むディレクトリに移動します。
    2. パスを定義する using pathname = 'C:\\Path\\To\\RawData\\'; name_subj_raw = {'subject1', 'subject2', ...}; の件名をリストします。
    3. データセットがすでに .mat 形式の場合は、この手順をスキップしてEEGモンタージュに進みます。
  2. ファイルを変換します。
    1. ファイル タイプに適した MATLAB 関数を使用して、各生データ ファイルを読み込みます。たとえば、.mat ファイルや、pop_biosig (.edf、.bdf) や pop_fileio (さまざまな独自形式) などのファイル固有の EEGLAB 関数には load を使用します。
      注:ユーザーは、生のEEGファイルの形式に基づいてこの手順を調整し、追加のファイルサポートについては EEGLABの ドキュメントを参照する必要があります。
    2. 各ファイルを .mat 形式で保存し、データの整合性を確保し、関連するすべてのメタデータを保持します。

2. 脳波モンタージュ

  1. EEGデータをロードします。
    1. MATLAB を開き、.mat ファイルがあるディレクトリに移動します。
    2. EEGLABツールボックスのpop_loadset機能を使用して、各被験者のEEGデータセットを読み込みます(例:EEG = pop_loadset('filename.set');)。
  2. 電極の位置を適用します。
    1. 適切な電極位置を確認してください file EEGキャップ構成に対応するファイル( 例:EEGSystem_128.loc)が利用可能である。
    2. pop_chanedit機能を使用して、電極の位置を適用します。例えば:
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'});
    3. EEGLABのGUIでチャネルレイアウトを見直し、電極位置が正しくロードされていることを目視で確認します。
  3. データセットを保存します。
    1. pop_saveset関数(例:pop_saveset(EEG, 'filename', 'subject1_loc.set'))を使用して、更新した脳波データセットを保存します。

3. ダウンサンプリングとフィルタリング

  1. EEGデータをダウンサンプリングします。
    1. pop_resample機能(オプション)を使用して、EEGデータのサンプリングレートを250Hzに下げます。
      注: pop_resample 機能は、ダウンサンプリングの前に適切なローパスアンチエイリアシングフィルターを自動的に適用します。このステップにより、リサンプリングの前に高周波成分が減衰し、エイリアシングアーチファクトが防止され、EEG信号の品質が維持されます。
  2. バンドパスフィルタリングを適用します。
    1. pop_basicfilter 関数を使用して、バターワース設計とフィルター次数 2 の 1 Hz から 50 Hz までのバンドパス フィルターをチャネル 1 から 64 に適用します。
    2. ゼロ位相の順方向および逆方向のフィルタリングを使用して、位相の歪みを防ぎます。
  3. ノッチフィルタリングを適用します(オプション)。
    1. PMnotch」設計とフィルター次数180のpop_basicfilterを使用して、50Hzまたは60Hzのノッチフィルターをチャネル1〜64に適用します。
      注:この手順はオプションであり、30 Hzを超える振動活動(ガンマバンドなど)を分析するときに使用する必要があります。このような場合、研究者はバンドパスフィルタの上限(たとえば、最大80Hzまたは100Hz)を増やすことがあり、ノッチフィルタは電力線干渉を排除するために重要になります。このコマンドは、便宜上パイプラインで提供されており、地域の電気周波数(50Hzや60Hzなど)に応じて簡単に調整できます。

4. アーティファクトの除去と再参照

  1. 自動アーティファクト拒否を実行します。
    1. パラメーター (5、[-1]、0.7、-1、8、0.85) で clean_rawdata 関数を使用すると、フラットライン チャネル、ノイズの多いセグメント、低周波ドリフトを自動的に検出して除去できます。これらのパラメータは、それぞれ以下に対応します。
      FlatlineCriterion (5): チャネルを 5 秒以上フラットに削除します。
      ChannelCriterion ([-1]): チャネル相関ベースの拒否を無効にします。
      LineNoiseCriterion (0.7): このしきい値を超える過剰なライン ノイズを持つチャネルを削除します。
      ハイパス(-1):クリーニング中に追加のハイパスフィルタリングを無効にします。
      BurstCriterion (8): 8 標準偏差を超えるデータ バーストを削除します。
      WindowCriterion (0.85): ウィンドウ内のデータの 85% がクリーンであることが、それを保持するために必要です。
      注:ユーザーは、データセットの特性に応じてこれらの値を調整できます。たとえば、BurstCriterion を小さくすると、アーティファクトの拒否がより積極的になり、WindowCriterion を小さくすると、ノイズの多いデータ ウィンドウの許容範囲が増加します。
  2. 手動アーティファクト検査を実行します(オプション)。
    1. 必要に応じて、EEGLABeegplotを使用してEEGデータを視覚的に検査し、自動方法で検出されない残留アーティファクトを特定します。
    2. 残りのアーティファクトを手動でマークして削除し、高いデータ品質を確保します。
      注:この手順はオプションであり、非標準のノイズパターンを示すデータセットを処理する場合、または自動化された手順を超えてより高い精度が必要な場合に主に推奨されます。
  3. データを再参照します。
    1. pop_reref機能を使用して、EEG信号をすべての電極の平均に再参照し、元の参照電極がデータセットに保持されるようにします。
      注:このパイプラインでは、元の参照電極を再構築せずに、使用可能なチャネルを使用して平均再参照が実行されます。ただし、ランクの一貫性と主題間の比較可能性の向上を目指すユーザーは、再参照する前に、元の参照電極(Czなど)をゼロ値の時系列として一時的に再挿入することを検討することができます。これにより、参照が平均計算に寄与できます。その後、ICAを実行する前に、ランクの不足を避けるために、追加されたチャネルを削除できます。このプロセスは、RELAX パイプラインの RELAX_average_rereference.m 関数で例示されており、参照する前にすべてのチャネルを補間することも含まれます。PIPEMAT-RSは、明瞭さとアクセシビリティのために簡略化されたバージョンを維持していますが、ユーザーは分析の目標に応じて必要に応じてこの手順を適応させることをお勧めします。

5. 独立成分分析(ICA)

  1. 前処理された脳波データを読み込みます。
    1. pop_loadset 関数を使用して、接尾辞 _loc_filt_cleanraw_reref.set を付けてファイルを読み込みます。
  2. ICA を実行します。
    1. pop_runica関数とrunicaアルゴリズムを使用してICAを実行し、データを独立したコンポーネントに分解します。「runica」アルゴリズムは、Infomaxのアプローチに基づいており、コンポーネントの統計的独立性を最大化し、EEGの前処理に広く使用されています。
      注:より高速なICA計算を求めるユーザーの場合は、関数呼び出しでicatype、picardを指定することにより、picardなどの代替アルゴリズムを使用できます。これらの代替手段は同等のパフォーマンスを提供し、計算時間を短縮できる可能性があります。
  3. ICA データセットを保存します。
    1. データセットを接尾辞 _loc_filt_cleanraw_reref_ICA を付けて保存し、ICA が実行されたことを示すために pop_saveset を使用します。

6. ICLabelの分類

  1. ICAデータセットを読み込みます。
    1. pop_loadset機能を使用して、ICAコンポーネントを含むデータセットをインポートし ます
  2. ICLabel 分類を適用します。
    1. 既定のモデルで関数 (pop_iclabel) を実行して、独立したコンポーネントをブレイン カテゴリとアーティファクト カテゴリに分類します。
    2. 脳活動を表す確率が 0.7 を超える成分を特定します。
  3. アーティファクトコンポーネントを削除します。
    1. pop_subcomp 関数を使用して、ICLabel の脳の確率が 0.7 未満のすべてのコンポーネントを削除します。
    2. 脳活動確率が0.7を超える成分のみを保持します。0.7の閾値は、アーティファクトの効果的な除去を確保しながら、本物の神経信号を保持する必要性のバランスを取ります。
  4. クリーニングしたデータセットを保存します。
    1. クリーニングされたデータセットを、アーティファクト コンポーネントの削除を示すために pop_saveset を使用してサフィックス _loc_filt_cleanraw_reref_ICA_Cleaned を付けて保存します。

7. データの正規化

  1. クリーニングされた脳波データをロードします。
    1. アーティファクトのないICAコンポーネントを含むデータセットを 、pop_loadset 機能を使用してインポートします。
  2. Zスコアの正規化を適用します。
    1. 各チャネルの (x - mean(x)) / std(x) を個別に計算することにより、Z スコア変換を使用して各 EEG チャネルを正規化します。
      注: Z スコアの正規化はオプションであり、研究の分析目標に基づいて適用する必要があります。これにより、被験者間のばらつきが減少し、グループレベルの比較のためにデータが標準化されますが、地形的な区別が弱まり、チャネル間の意味のある振幅の違いが解消される可能性もあります。生の信号の大きさや空間分布の保存に関心のある研究者は、このステップをスキップすることをお勧めします。
  3. 最終的なデータセットを保存します。
    1. 完全に前処理され、正規化されたデータセットを、前処理の完了を示すサフィックス _loc_filt_cleanraw_reref_ICA_Normalized using pop_saveset を付けて保存します。

結果

EEG前処理パイプラインの検証は、意味のある神経生理学的データの抽出に採用された方法の信頼性と有効性を確保するために不可欠です。このプロセスには、発表された研究からの経験的証拠、統計的評価、およびその分野で確立されたベンチマークとの比較が含まれます。

PIPEMAT-RSの堅牢性と有用性は、さまざまな神経学的および精神医学的状態にわたるいくつかの公開された研究での成功的な適用を通じて実証されています。例えば、脳卒中患者における脳波バイオマーカーの調査では、不適応運動機能、抑うつプロファイル、および特定の脳波マーカーとの間に有意な相関関係が見出され、信号品質を向上させ、有意義なデータ分析を促進する前処理ステップの有効性が検証された32。同様に、脳卒中患者における脳補償の神経シグネチャの分析により、脳卒中後の脳の適応メカニズムに関する重要な洞察が明らかになり、複雑なデータセットを処理し、信頼性の高い結果を生成するPIPEMAT-RSの能力が実証されました28。線維筋痛症患者における神経適応と代償を調査する研究でさらなる検証が明らかであり、痛みと代償メカニズムに関連する明確な神経シグネチャを特定し、多様な臨床状況での前処理方法を裏付けています29。さらに、慢性神経障害性疼痛における代償性メカニズムの調査は、慢性疼痛状態におけるデルタバンドとシータバンドの関連性を強調し、さまざまな神経生理学的状態におけるPIPEMAT-RSの有効性をさらに実証しました30

PIPEMAT-RSの統計的検証には、前処理法の堅牢性を確保するための定量的評価と定性的評価の両方が含まれます。S/N比(SNR)、尖度、歪度などの定量的測定を使用して、データ品質を客観的に評価しました。SNRは、1〜50Hzの周波数範囲の信号の電力と、この範囲外の電力(<1Hzや>50Hzなど)との比として計算され、通常は非ニューラルノイズが含まれています。前処理後にこの比率が増加すると、ノイズに対する神経情報の保存が強化されていることを示しています。同様に、脳波信号の分布特性を評価するために、尖度と歪度を評価しました。尖度の上昇は、多くの場合、急激な過渡現象や筋肉のアーチファクトの存在を反映していますが、高い歪度は、ノイズや録音の問題によって引き起こされる非対称の信号分布に起因する可能性があります。前処理後にこれらの値が減少すると、信号の規則性が向上し、非神経源による汚染が減少することが示唆され、データ品質の全体的な向上を支えています。前処理により、SNRが著しく改善され、PIPEMAT-RSが効果的にノイズを低減し、神経信号を増強することが示されています。たとえば、最初は SNR 値が低かったデータセット(~5 dB)では、前処理ステップによって SNR が約 7.5 dB に増加し、より明確な神経信号が反映されました。同様に、尖度の低下(例:5.2から2.3)と歪度の低下(例:1.5から0.8)により、非神経人工物の減衰がさらに確認されました²。定性的評価では、前処理されたデータを目視検査して、アーティファクトが適切に除去されていること、およびデータが根底にある神経活動を正確に反映していることを確認します(図2)。このステップにより、研究者は自動前処理ステップの有効性を手動で検証し、重大なアーティファクトが残っていないことを確認できます。

アーティファクト除去のための独立成分分析(ICA)やICLabelなどの高度な技術が含まれていることは、文献で特に検証されています。ICAをICLabelのような自動分類アルゴリズムと組み合わせると、専門家がラベル付けしたコンポーネントと厳密に一致する分類精度が得られることが研究で示されています。ICLabelは、人間の専門家による分類との強い一致を反映して、平均91%の分類精度を示し、評価者間の変動を最小限に抑えながら、大規模なEEGデータセットに対して標準化されたスケーラブルなソリューションを提供する32

検証のもう一つの側面は、その分野で確立されたベンチマークとの比較です。私たちのパイプラインの方法と結果は、主要な研究者や機関が推奨しているように、EEG前処理の標準的な慣行とガイドラインと一致していました14。PIPEMAT-RSは既存のパイプラインに対する優位性を主張するものではありませんが、そのモジュール構造、透明性、および使いやすさは、現場で一般的に受け入れられている品質基準を満たすか補完することを目指しています(表1)。

figure-results-2332
図1:PIPEMAT-RSパイプラインのコード構造。 PIPEMAT-RS 前処理パイプラインの各ステップを実装する MATLAB コードの概要。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-2736
図2:前処理前後の脳波信号品質。 (A)生データ、(B)手動でクリーニングされたデータ、(C)PIPEMAT-RSで処理されたデータの比較により、アーチファクトの低減と信号の明瞭度の向上が示されています。 この図の拡大版を表示するには、ここをクリックしてください。

表1:PIPEMAT-RSを使用した手動EEG前処理と自動EEG前処理の比較。この表をダウンロードするには、ここをクリックしてください。

補足ファイル1:MATLAB(PIPEMAT-RS)スクリプトを使用した安静時脳波の完全な前処理統合パイプライン。 このスクリプトには、ファイル形式の変換からデータ品質保証まで、「プロトコル」セクションで詳しく説明されているすべての手順が含まれています。 このファイルをダウンロードするには、ここをクリックしてください。

ディスカッション

PIPEMAT-RSパイプラインは、安静時EEGデータを前処理するための標準化された効率的な方法を提供するために開発されました。このプロトコルの重要なステップには、アーティファクト除去と独立成分分析(ICA)が含まれ、どちらも信号対雑音比を大幅に向上させ、意味のある神経信号の抽出を確実にします。clean_rawdata機能を使用した自動アーチファクト除去とeegplotによる手動検査の組み合わせにより、効率と精度のバランスを取りながら、包括的なアーチファクト管理を実現します。独立したコンポーネントの自動分類にICLabelを適用すると、データがさらに洗練され、手作業の作業負荷が削減されると同時に、人間による専門家によるラベリング32と一致する高い分類精度(91%)が維持されます。

データセットの特性によっては、プロトコルの変更が必要になる場合があります。たとえば、パイプラインは安静時の脳波データ用に設計されていますが、研究者は、タスクベースの脳波記録や異なるサンプリングレートのデータセットにフィルター設定とアーティファクト除去しきい値を適応させることができます。トラブルシューティングの手順には、チャネルの過剰な除去が発生した場合や、自動クリーニング後に残留ノイズが持続する場合clean_rawdata、フラットライン基準とチャネル相関しきい値の調整が含まれます。さらに、ICAは通常、32個以上の電極のデータセットで良好なパフォーマンスを発揮しますが、電極の数が少ないデータセットでは、最適な結果を得るために手動の微調整または代替のアーティファクト補正方法が必要になる場合があります2

その長所にもかかわらず、PIPEMAT-RSには制限があります。ICA と ICLabel の有効性は、チャネルの数と生データの品質によって異なる場合があります。ノイズレベルが高い場合や電極の接触が不十分な場合、コンポーネントの分離と分類の精度が低下する可能性があります。さらに、パイプラインは単一施設研究用に最適化されており、多施設研究における施設固有のばらつきを最小限に抑えるために、ComBatなどの追加の調和ステップが必要になる場合があります33。PIPEMAT-RSは標準化された前処理によってデータ品質を向上させますが、慎重な検証なしにデフォルト設定を変更すると、ユーザーによるばらつきの可能性が残ります。

ICA と ICLabel 分類を組み合わせると、成果物の拒否に対する効率的で自動化されたソリューションが提供されますが、その制限を認識することが重要です。神経成分と非神経成分の分離は完全ではなく、アーティファクトとして分類された成分を拒絶しても、特にソースが混合されている場合には、神経信号の意図しない除去をもたらす可能性がある22。PIPEMAT-RSは、このリスクを減らすために保守的な閾値(脳の確率が0.7>の成分を保持する)を適用しますが、それを排除するものではありません。このしきい値は、信号の保存とアーティファクトの除去のバランスを取るための標準的な手法に従いますが、パイプラインの将来の機能強化では、ダイポールフィッティング、ウェーブレット拡張ICA、ターゲットICAクリーニングなど、より洗練された戦略が組み込まれ、アーティファクト除去の特異性と精度がさらに向上する可能性があります。

既存の方法と比較して、PIPEMAT-RSは、研究間のばらつきを減らす前処理ステップの合理化された標準化されたシーケンスを提供します。BEAPPのような柔軟なプラットフォームとは異なり、PIPEMAT-RSは固定構造を強制し、データセット34間の一貫性を確保する。このアプローチにより、特に大規模な研究において、手作業による介入が最小限に抑えられ、人為的ミスが減少し、再現性が確保されます。さらに、ICLabelのような高度なツールの統合と安静時の脳波データへの注目により、PIPEMAT-RSは、アーティファクトの除去や独立した成分分析を同程度に優先しない可能性のある他のパイプラインと区別されます。

PIPEMAT-RSの重要性は、神経科学や臨床研究の多様なアプリケーションに適した高品質で信頼性の高い脳波データを生成する能力にあります。このパイプラインは、脳卒中の回復、慢性疼痛、線維筋痛症の神経マーカーを調査する研究に成功裏に適用されており、その汎用性と堅牢性を実証しています27,28,29,30PIPEMAT-RSは、データ品質を向上させ、前処理時間を短縮することで、大規模な研究を促進し、神経生理学的バイオマーカーの同定に貢献し、個別化医療の進歩をサポートします。その標準化されたアプローチにより、研究間で結果が比較可能になり、臨床と学術の両方の環境でのEEG研究の再現性と信頼性が向上します。

結論として、PIPEMAT-RSは、安静時EEGデータの前処理のための堅牢で標準化されたソリューションを提供し、アーチファクト除去、信号の明瞭さ、およびデータの一貫性に関連する一般的な課題に対処します。ICAやICLabelなどの自動化技術を手動の検証ステップと統合することで、パイプラインは、幅広い神経学および精神医学研究アプリケーションに適した高品質で再現性のあるデータを保証します。前処理ステップの固定されたシーケンスにより、ユーザーによるばらつきが最小限に抑えられ、研究間で一貫した結果が得られます。このパイプラインは、脳卒中や慢性疼痛の研究など、さまざまな臨床状況で優れたパフォーマンスを発揮していますが、今後の研究では、多様な実験パラダイムやマルチサイト研究への適用性を検証することに焦点を当てる必要があります。全体として、PIPEMAT-RSは、データの品質、再現性、および研究全体のアクセシビリティを向上させるように設計された、EEG前処理のための構造化され、十分に文書化された代替手段を提供します。

開示事項

著者らは、この論文で報告された研究に影響を与えたと思われる可能性のある既知の競合する金銭的利益や個人的な関係がないことを宣言します。

謝辞

具体的には、LMMは、サンパウロ研究財団(FAPESP)のポスドク研究助成金#21/05897-5の支援を受けました。ACは、サンパウロ研究財団(FAPESP)の科学開始助成金#21/12790-2の支援を受けました。SPBは、サンパウロ研究財団(FAPESP)のポスドク研究助成金#20/08512-4の支援を受けました。FFとLRBは、サンパウロ研究財団(FAPESP)の研究助成金#17/12943-8によってサポートされています。FFは、個別にはNHI 2020 R01 AT, Project #1R01AT009491-01A1の支援を受けました。

資料

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) 

参考文献

  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).

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

MATLABPIPEMAT RS

This article has been published

Video Coming Soon

JoVE Logo

個人情報保護方針

利用規約

一般データ保護規則

研究

教育

JoVEについて

Copyright © 2023 MyJoVE Corporation. All rights reserved