JoVE Logo

로그인

기사 소개

  • 요약
  • 초록
  • 서문
  • 프로토콜
  • 결과
  • 토론
  • 공개
  • 감사의 말
  • 자료
  • 참고문헌
  • 재인쇄 및 허가

요약

이 프로토콜은 휴지 상태 EEG 데이터를 위한 표준화된 MATLAB 기반 전처리 파이프라인인 PIPEMAT-RS를 제공합니다. 이를 통해 아티팩트 제거를 보장하고, 신호 품질을 개선하며, 연구 전반에 걸쳐 데이터 재현성을 높일 수 있습니다. 이 파이프라인은 필터링, 독립 구성 요소 분석(ICA) 및 아티팩트 분류를 포함한 주요 전처리 단계를 자동화하여 신경 생리학 연구를 위한 일관되고 신뢰할 수 있는 EEG 분석을 촉진합니다.

초록

뇌파검사(EEG)는 신경과학 연구 및 임상 응용 분야에서 중요한 도구이지만, 원시 EEG 데이터에는 신호 품질을 손상시키는 노이즈와 아티팩트가 포함되어 있는 경우가 많습니다. 이 문제를 해결하기 위해 휴지 상태 EEG 데이터를 위한 표준화된 MATLAB 기반 전처리 파이프라인인 PIPEMAT-RS를 개발했습니다. PIPEMAT-RS는 파일 형식 변환, EEG 몽타주 구성, 다운샘플링, 필터링, 아티팩트 제거, 독립 구성 요소 분석(ICA) 및 자동화된 아티팩트 제거를 위한 ICLabel 분류의 구조화된 7단계 워크플로우를 따릅니다. 이 프로토콜은 인적 개입을 최소화하는 동시에 아티팩트 제거에서 높은 정확도를 유지하여 EEG 데이터 품질을 향상시킵니다. 여러 데이터 세트를 사용하여 검증되어 신호 무결성 개선에 대한 견고성을 입증했습니다. PIPEMAT-RS는 EEG 연구에서 재현성과 신뢰성을 촉진하는 체계적인 접근 방식을 제공하며, 현장에서 일반적으로 채택되는 관행과 일치하고 기존 파이프라인을 보완할 수 있는 명확하게 문서화된 구조를 제공합니다. PIPEMAT-RS는 EEG 전처리를 표준화하여 신경 생리학 연구 및 임상 적용을 촉진하여 휴지 상태의 뇌 활동과 신경 및 정신 질환과의 연관성을 보다 정확하게 해석할 수 있습니다.

서문

뇌파(EEG)는 신경 과학 연구와 임상 실습 모두에서 중요한 도구로, 뇌의 전기 활동에 대한 귀중한 통찰력을 제공합니다. 특히 휴지 상태 EEG 데이터는 뇌졸중, 섬유근육통 및 만성 신경병성 통증과 같은 다양한 신경 및 정신 질환을 조사하는 데 광범위하게 활용됩니다. 광범위한 응용 프로그램에도 불구하고 EEG 데이터 분석은 아티팩트와 노이즈를 제거하기 위해 엄격한 전처리가 필요하며 결과 1,2,3의 무결성과 신뢰성을 보장합니다. 수년에 걸쳐 EEG는 뇌 활동의 비침습적이고 높은 시간 해상도 측정을 제공하는 데 매우 중요하여 뇌의 역동적인 과정을 연구하는 데 없어서는 안 될 필수 요소가 되었습니다 4,5. 그러나, 원시 EEG 신호는 관심 있는 신경 신호를 모호하게 할 수 있는 다양한 잡음원에 의해 오염되는 경우가 많아 데이터 해석을 복잡하게 만듭니다(6).

EEG 신호는 근육 활동, 안구 운동 및 전기 간섭과 같은 원인에 의한 오염에 매우 민감하다7. 이러한 아티팩트는 신경 신호를 모호하게 만들 수 있으므로 전처리는 EEG 분석에서 중요한 단계입니다. 이 프로세스에는 일반적으로 파일 형식 변환, 다운샘플링, 필터링, 아티팩트 제거, 독립 구성 요소 분석(ICA) 및 노이즈 관련 구성 요소 제외 8,9 여러 단계가 포함됩니다. 각 단계는 신호 품질을 개선하고 데이터가 신경 활동을 정확하게 반영하도록 하는 데 기여합니다10. 이러한 프로세스의 복잡성으로 인해 전처리가 효율적이고 효과적임을 보장하기 위해 정교한 알고리즘과 소프트웨어 도구를 사용해야 합니다11.

EEG 데이터 전처리의 주요 과제 중 하나는 데이터의 가변성이며, 이는 피험자와 기록 세션 간에 크게 다를 수 있습니다10,12. 이러한 가변성은 피험자의 생리학적, 해부학적 특성의 차이뿐만 아니라 실험 조건 및 사용된 장비의 차이로 인해 발생합니다. 또한 표준화된 전처리 프로토콜이 없기 때문에 데이터 분석 및 해석에 불일치가 발생할 수 있습니다13,14. 여러 파이프라인과 전처리 스크립트를 사용할 수 있지만, 그 중 다수는 특정 데이터 세트에 맞게 조정되거나 포괄적인 문서화가 부족하여 광범위한 연구 커뮤니티에서 접근하기 어렵습니다14. GitHub와 같은 플랫폼은 수많은 EEG 전처리 스크립트와 플러그인을 호스팅하여 이러한 도구의 공유 및 협업 개선을 용이하게 합니다15. 그러나 이러한 리소스의 단편적인 특성은 다양한 데이터 세트 및 연구 컨텍스트에 광범위하게 적용할 수 있는 강력하고 효율적이며 표준화된 편집 가능한 전처리 파이프라인의 필요성을 강조합니다16. 이러한 파이프라인은 EEG 연구의 재현성을 향상시킬 뿐만 아니라 연구 커뮤니티가 특정 요구에 맞게 구축하고 조정할 수 있는 기반을 제공합니다17.

광범위한 사용자 기반과 MATLAB과의 통합으로 인해 PIPEMAT-RS의 기초를 형성하는 EEGLAB 외에도 다른 EEG 처리 도구 상자도 현장에서 널리 사용됩니다. 예를 들어, MNE-Python은 소스 현지화, 센서 공간 분석 및 기계 학습 워크플로와의 통합을 위한 고급 기능을 제공하는 오픈 소스 Python 기반 플랫폼입니다. EEGLAB과 같은 MATLAB 기반 툴박스인 FieldTrip은 유연한 스크립팅 환경과 시간-주파수 및 연결성 분석을 위한 포괄적인 지원으로 잘 알려져 있습니다. 이러한 플랫폼은 강력한 대안을 제공하지만 일반적으로 더 가파른 학습 곡선과 고급 프로그래밍 기술이 필요합니다. PIPEMAT-RS는 특히 EEGRAB을 사용하여 휴지 상태 EEG 전처리를 위한 편집 가능한 모듈식 솔루션을 찾는 연구자를 위해 접근성과 투명성을 연결하도록 설계되었습니다. 그럼에도 불구하고 PIPEMAT-RS의 개념 구조는 필요에 따라 다른 도구 상자에 맞게 조정할 수 있으므로 다양한 소프트웨어 환경에서 상호 운용성 및 사용자 지정을 촉진할 수 있습니다.

최근 몇 년 동안 RELAX18, Automagic19, APP20 및 PREP7과 같은 여러 자동화된 EEG 전처리 파이프라인이 개발되었습니다. 이러한 파이프라인에는 아티팩트 제거 및 데이터 정리를 위한 고급 알고리즘이 통합되어 있으며, 투명성이 제한적인 ICA 기반 전략이나 비전문가 사용자를 위한 사용자 지정을 사용하는 경우가 많습니다. 예를 들어, RELAX는 아티팩트 제거를 개선하는 다단계 ICA 세척 방법을 도입하지만 쉽게 수정할 수 없는 복잡한 구성에 의존합니다21. 이와 대조적으로, PIPEMAT-RS는 유연하고 투명하며 교육적으로 접근 가능한 대안을 제공하도록 설계되어 연구원이 각 전처리 단계를 이해하고 수동으로 조정할 수 있습니다. 이러한 투명성을 통해 PIPEMAT-RS는 엄격함과 재현성을 유지하면서 연구 및 교육 도구로 사용할 수 있습니다. 또한 PIPEMAT-RS는 다른 파이프라인에서 종종 과소 보고되거나 부재하는 데이터 세트 기능 전반에 걸쳐 문서화, 모듈식 실행 및 적응성을 강조합니다.

경제적으로 EEG 데이터를 위한 표준화된 편집 가능한 전처리 파이프라인의 개발 및 구현은 상당한 영향을 미칠 수 있습니다. 글로벌 EEG 장치 시장은 2020년에 약 12억 달러로 평가되었으며 2021년부터 2028년까지 7.5%의 연평균 성장률(CAGR)로 성장할 것으로 예상됩니다22. 효율적인 전처리 파이프라인, 특히 편집 가능하고 모듈화된 파이프라인은 대규모 임상시험 및 공중 보건 연구에서 중요한 고려 사항인 데이터 분석과 관련된 시간과 비용을 줄일 수 있습니다. 이러한 파이프라인은 인적 오류를 최소화하고 반복적인 작업을 자동화함으로써 EEG 데이터 분석의 정확도를 높이고 보다 신뢰할 수 있는 연구 결과를 도출할 수 있습니다13. 이를 통해 새로운 진단 도구 및 치료 개입의 개발을 가속화하여 잠재적으로 의료 비용을 절감하고 환자 결과를 개선할 수 있습니다1.

이 논문은 MATLAB(PIPEMAT-RS)을 사용하여 휴지 상태 EEG를 위한 표준화된 편집 가능한 전처리 통합 파이프라인을 제시하고 검증하는 것을 목표로 합니다. 강력하고 효율적으로 설계된 이 편집 가능한 파이프라인은 다용도로 사용할 수 있으며 다양한 데이터 세트 및 연구 시나리오에 널리 적용할 수 있습니다. 7가지 포괄적인 단계에는 파일 형식 변환, 다운샘플링, 필터링, 아티팩트 제거, 독립 구성 요소 분석(ICA) 및 노이즈 관련 구성 요소 제외가 포함되며, 모두 응집력 있는 워크플로우에 통합됩니다23,24. PIPEMAT-RS의 개발은 EEG 전처리의 일반적인 문제를 해결하고 연구자가 데이터 분석 프로세스를 간소화하는 데 사용할 수 있는 도구를 제공해야 할 필요성에 따라 진행되었습니다25. PIPEMAT-RS는 현장에서 일반적으로 채택되는 관행과 통합하고 MATLAB의 기능을 활용함으로써 EEG 데이터 전처리를 지원하는 신뢰할 수 있고 편집 가능하며 사용자 친화적인 프레임워크를 제공하는 것을 목표로 합니다26.

PIPEMAT-RS의 효과를 검증하기 위해 여러 연구에 적용했습니다. 한 연구에서는 뇌졸중 환자의 EEG 바이오마커를 조사하기 위해 PIPEMAT-RS를 사용하여 부적응 운동 기능과 우울 프로필 사이의 유의미한 상관관계를 확인했다27. 또 다른 연구에서는 PIPEMAT-RS를 적용하여 EEG 및 TMS를 사용하여 뇌졸중 환자의 뇌 보상의 신경 신호를 분석함으로써 뇌졸중 후 뇌의 적응 메커니즘에 대한 중요한 통찰력을 밝혔습니다28. 추가적인 검증은 섬유근육통 환자의 신경 적응과 보상을 조사한 연구에서 비롯되었다29. 또한, 또 다른 연구에서는 휴지 상태 EEG의 델타와 세타 밴드가 어떻게 만성 신경병성 통증의 보상 기전으로 작용하는지를 입증했다30.

이러한 연구는 EEG 데이터를 처리 및 분석하는 데 있어 PIPEMAT-RS의 유용성을 총체적으로 강조하여 다양한 조건 및 응용 분야에서 그 효능을 확립합니다. 표준화된 접근 방식을 제공함으로써 이 파이프라인은 EEG 연구의 재현성을 향상시킬 뿐만 아니라 연구 커뮤니티에서 일관된 전처리 방법의 광범위한 채택을 촉진합니다. 이 논문을 통해 우리는 보다 정확하고 신뢰할 수 있는 EEG 데이터 분석을 촉진하여 이 분야에 귀중한 자원에 기여하는 것을 목표로 합니다16,17. 이를 통해 신경 생리학 연구의 발전과 신경 및 정신 질환에 대한 새로운 치료법의 개발을 지원하고자 합니다.

PIPEMAT-RS에 사용되는 기본 전처리 단계는 데이터 품질과 재현성을 보장하기 위해 EEG 연구에서 필수가 된 강력하고 널리 검증된 방법에 뿌리를 두고 있습니다 2,8,14. 이러한 방법론은 잘 확립되어 있지만, 일반적인 EEG 인공물 및 소음을 해결하는 효과로 인해 여전히 중요하며, 이는 연구 전반에 걸쳐 신뢰할 수 있는 분석을 계속 지원합니다. 그러나 최근 휴지 상태 EEG에 맞게 조정된 완전히 문서화되고 표준화된 파이프라인을 제공한 연구는 거의 없습니다. PIPEMAT-RS는 이러한 입증된 기술을 자동화된 아티팩트 분류를 위한 ICLabel과 같은 최신 기술과 통합함으로써 연구자의 복제 가능성과 접근성을 향상시키는 현대적이고 구조화된 접근 방식을 제공하여 현장에서 엄격하게 문서화된 전처리 워크플로에 대한 지속적인 요구를 충족합니다.

PIPEMAT-RS 파이프라인은 EEG 연구에 일반적으로 사용되는 확립된 전처리 단계를 따르지만, 과학 논문 형식의 문서화는 문헌의 중요한 공백을 메웁니다. 많은 EEG 연구가 유사한 전처리 방법에 의존하지만 완전한 재현성과 다른 연구자의 채택 용이성을 허용하는 포괄적인 단계별 설명이 부족한 경우가 많습니다. 이 작업은 PIPEMAT-RS의 각 구성 요소를 자세히 설명하고 휴지 상태 EEG 분석을 위한 표준화된 시퀀스를 제시함으로써 투명성을 높이고 사용자 변동성을 최소화하며 연구 전반에 적용할 수 있는 복제 가능한 프레임워크를 제공하는 것을 목표로 합니다. 이 기고는 새로운 방법을 소개하는 것이 아니라 전처리 관행을 표준화하고 광범위한 EEG 연구자, 특히 휴지 상태 데이터로 작업하는 연구자의 접근성을 개선하는 데 도움이 되는 교육 및 실용적인 가이드 역할을 하기 위한 것입니다.

EEG 데이터의 전처리는 후속 분석의 품질과 신뢰성에 큰 영향을 미치는 중요한 단계입니다. MATLAB을 사용한 휴지 상태 EEG를 위한 전처리 통합 파이프라인(PIPEMAT-RS)은 다양한 데이터 세트에 적용할 수 있는 포괄적이고 표준화된 접근 방식을 제공하여 EEG 데이터 전처리의 일반적인 문제를 해결하기 위해 개발되었습니다. 이 구조화되고 편집 가능한 파이프라인은 7가지 주요 단계로 구성됩니다: i) 파일 형식 변환; ii) EEG 몽타주; iii) 다운샘플링 및 필터링; iv) 아티팩트 거부 및 재참조; v) 독립 성분 분석(ICA) vi) ICLabel 분류; vii) 데이터 정규화. 각 단계는 신호 품질을 향상시키고 원시 EEG 데이터에서 의미 있는 정보를 쉽게 추출할 수 있도록 세심하게 설계되었습니다.

PIPEMAT-RS의 중요한 기능은 각 전처리 단계가 데이터 세트를 고유한 파일 이름으로 저장하는 것으로 끝난다는 것입니다. 이 구조는 처리된 각 파일에 대해 각 특정 단계에 해당하는 파생 버전이 생성되도록 합니다. 이 체계적인 접근 방식을 통해 사용자는 7단계 전처리 파이프라인 내의 어느 지점에서나 데이터에 액세스할 수 있습니다. 저장된 파일에는 사전 처리 단계를 명확하게 나타내는 식별자가 포함되어 있어 워크플로우 전체에서 데이터를 쉽게 추적하고 관리할 수 있습니다.

PIPEMAT-RS는 원시 EEG 데이터 파일이 MATLAB 호환 형식으로 변환되는 파일 형식 변환으로 시작합니다. 이 변환은 MATLAB의 강력한 계산 환경에서 데이터를 원활하게 처리하는 데 필수적입니다. 그 후, EEG 몽타주 단계는 표준화된 전극 배치 시스템을 기반으로 두피의 각 전극에 정확한 공간 위치를 할당합니다. 이 공간 정보는 신경 생리학 연구에서 EEG 데이터를 정확하게 해석하는 데 매우 중요합니다.

다음으로, 파이프라인은 다운샘플링 및 필터링을 적용하여 데이터의 샘플링 속도를 줄이고 노이즈를 제거하는 동시에 신경 생리학 연구와 관련된 주파수 구성 요소를 유지합니다. 다운샘플링은 데이터 품질을 손상시키지 않으면서 계산 부하 및 스토리지 요구 사항을 줄입니다. 필터링은 아티팩트와 관련된 것으로 알려진 특정 주파수 성분을 제거하여 필수 신경 신호를 보존합니다.

그 후, 아티팩트 거부 및 재참조가 수행됩니다. 이 단계는 눈 깜박임, 근육 활동 및 전극 움직임과 같은 노이즈 소스에 의해 오염된 데이터 세그먼트를 식별하고 제거합니다. 자동 아티팩트 제거 알고리즘을 사용하여 수동 개입을 최소화하고 인적 오류 가능성을 줄이며 전처리 효율성을 높입니다. 데이터를 모든 전극의 평균으로 재참조하면 단일 전극의 영향을 완화하는 데 도움이 되며 EEG 신호에 대한 안정적인 참조를 제공합니다.

ICA(Independent Component Analysis) 단계는 혼합된 신호를 독립 소스로 분리하여 데이터를 더욱 구체화합니다. 이 분해는 눈 깜박임, 근육 인공물 및 라인 노이즈와 같은 아티팩트의 식별 및 제거를 용이하게 합니다. ICA는 나머지 데이터가 기본 신경 활동을 정확하게 반영하도록 하는 강력한 기술입니다.

마지막으로 ICLabel 분류가 적용되어 아티팩트로 분류된 구성 요소를 자동으로 식별하고 제거합니다. ICLabel은 독립적인 구성 요소에 확률론적 레이블을 할당하여 뇌 활동, 근육 활동, 눈 깜박임, 심장 박동, 라인 노이즈 또는 채널 노이즈로 분류합니다. 뇌 활동을 나타낼 확률이 높은 구성 요소는 유지되고 인공물로 식별된 구성 요소는 제거됩니다. 이 자동화된 접근 방식은 수동 작업을 크게 줄이고 데이터 세트 전반에 걸쳐 일관되고 객관적인 분류를 보장합니다.

이러한 각 전처리 단계는 EEG 데이터의 품질을 개선하는 데 필수적입니다. PIPEMAT-RS는 전처리 워크플로우를 표준화하여 다양한 전처리 방법으로 인한 변동성을 최소화하여 연구 간 결과 비교를 용이하게 합니다. 신경과학 커뮤니티에서 널리 사용되는 플랫폼인 MATLAB에 파이프라인을 구현하면 접근성이 향상되고 기존 연구 워크플로에 쉽게 통합할 수 있습니다.

PIPEMAT-RS의 개발은 이전 연구에서 검증된 방법과 기술을 통합하여 EEG 데이터 분석에서 일반적으로 채택된 관행에 따라 진행되었습니다. 각 단계는 데이터 품질 향상에 대한 효과를 보장하기 위해 신중하게 설계되고 엄격한 테스트를 거쳤습니다(그림 1). 이 포괄적인 접근 방식은 EEG 데이터의 신뢰성을 향상시킬 뿐만 아니라 다양한 신경 및 정신 질환을 이해하는 데 중요한 신경 생리학적 마커의 식별을 지원합니다.

프로토콜

PIPEMAT-RS는 상파울루 대학교 의과대학 클리닉 병원 윤리 위원회(CAAE: 86832518.7.0000.0068)의 승인을 받은 진행 중인 연구 프로젝트의 일환으로 개발되었습니다. 이 프로젝트는 다양한 신경학 및 정신과 연구를 위한 휴지 상태 EEG 데이터의 품질과 신뢰성을 향상시키는 것을 목표로 합니다. 이 연구에 사용된 데이터는 코호트 연구에서 파생되었으며, 이 프로토콜은 이전에 Simis et al. (2021)31에 의해 발표되었습니다. 주요 연구는 아직 진행 중이며 나머지 임상 그룹에 대한 데이터 수집이 진행 중입니다. 파이프라인에 대한 스크립트는 보충 파일 1에 제공됩니다.

1. 파일 형식 변환

  1. 데이터 디렉토리를 준비합니다.
    1. MATLAB을 열고 원시 EEG 데이터 파일이 포함된 디렉터리로 이동합니다.
    2. pathname = 'C:\\Path\\To\\RawData\\'를 사용하여 경로를 정의합니다. name_subj_raw = {'subject1', 'subject2', ...};로 제목을 나열합니다.
    3. 데이터 세트가 이미 . mat 형식의 경우 이 단계를 건너뛰고 EEG 몽타주로 진행합니다.
  2. 파일을 변환합니다.
    1. 파일 형식에 적합한 MATLAB 함수를 사용하여 각 원시 데이터 파일을 불러옵니다. 예를 들어, .mat 파일이나 파일별 EEGLAB 함수( 예: pop_biosig (.edf, .bdf) 또는 pop_fileio (다양한 소유 형식))에 load를 사용합니다.
      참고: 사용자는 원시 EEG 파일의 형식에 따라 이 단계를 조정하고 추가 파일 지원에 대해서는 EEGLAB의 설명서를 참조해야 합니다.
    2. 각 파일을 .mat 형식으로 저장하여 데이터 무결성을 보장하고 모든 관련 메타데이터를 보존합니다.

2. EEG 몽타주

  1. EEG 데이터를 로드합니다.
    1. MATLAB을 열고 .mat 파일이 있는 디렉터리로 이동합니다.
    2. EEGLAB 툴박스의 pop_loadset 함수를 사용하여 각 피험자의 EEG 데이터셋을 불러옵니다(예: EEG = pop_loadset('filename.set');).
  2. 전극 위치를 적용합니다.
    1. 적절한 전극 위치 확인 file (예: EEGSystem_128.loc) EEG 캡 구성에 해당하는 것을 사용할 수 있습니다.
    2. pop_chanedit 기능을 사용하여 전극 위치를 적용합니다. 예를 들어:
      EEG = pop_chanedit(EEG, '로드', {'EEGSystem_128.loc', '파일 유형', 'loc'});
    3. EEGLAB의 GUI를 사용하여 채널 레이아웃을 검토하여 전극 위치가 올바르게 로드되었는지 육안으로 확인합니다.
  3. 데이터 세트를 저장합니다.
    1. pop_saveset 함수를 사용하여 업데이트된 EEG 데이터셋을 저장합니다(예: pop_saveset(EEG, 'filename', 'subject1_loc.set')).

3. 다운샘플링 및 필터링

  1. EEG 데이터를 다운샘플링합니다.
    1. pop_resample 기능(옵션)을 사용하여 EEG 데이터의 샘플링 속도를 250Hz로 줄입니다.
      참고: pop_resample 기능은 다운샘플링 전에 적절한 저역 통과 안티앨리어싱 필터를 자동으로 적용합니다. 이 단계는 리샘플링 전에 고주파 구성 요소가 감쇠되도록 하여 앨리어싱 아티팩트를 방지하고 EEG 신호의 품질을 보존합니다.
  2. 대역 통과 필터링을 적용합니다.
    1. 버터워스 설계 및 필터 차수가 2인 pop_basicfilter 함수를 사용하여 1Hz에서 50Hz까지의 대역통과 필터를 채널 1-64에 적용합니다.
    2. 제로 위상 순방향 및 역방향 필터링을 사용하여 위상 왜곡을 방지합니다.
  3. 노치 필터링을 적용합니다(선택 사항).
    1. 'PMnotch' 설계 및 필터 차수가 180인 pop_basicfilter를 사용하여 50 또는 60Hz에서 채널 1-64에 노치 필터를 적용합니다.
      참고: 이 단계는 선택 사항이며 30Hz 이상의 진동 활동(예: 감마 대역)을 분석할 때 사용해야 합니다. 이러한 경우 연구원은 대역 통과 필터의 상한을 높일 수 있으므로(예: 최대 80 또는 100Hz) 노치 필터는 전력선 간섭을 제거하는 데 매우 중요합니다. 이 명령은 편의를 위해 파이프라인에 제공되며 현지 전기 주파수(예: 50Hz 또는 60Hz)에 따라 쉽게 조정할 수 있습니다.

4. 아티팩트 거부 및 재참조

  1. 자동 아티팩트 거부를 수행합니다.
    1. clean_rawdata 함수를 파라미터 (5, [-1], 0.7, -1, 8, 0.85)와 함께 사용하면 평탄 채널, 잡음이 있는 세그먼트 및 저주파 드리프트를 자동으로 감지하고 제거할 수 있습니다. 이러한 매개변수는 각각 다음에 해당합니다.
      FlatlineCriterion (5): 5초 이상 동안 채널을 플랫하게 제거합니다.
      ChannelCriterion ([-1]): 채널 상관 관계 기반 거부를 비활성화합니다.
      LineNoiseCriterion (0.7): 이 임계값을 초과하는 과도한 라인 노이즈가 있는 채널을 제거합니다.
      고역 통과(-1): 청소 중 추가 고역 통과 필터링을 비활성화합니다.
      BurstCriterion (8): 8 표준 편차를 초과하는 데이터 버스트를 제거합니다.
      WindowCriterion(0.85): 창에 있는 데이터의 85%를 유지하려면 정리해야 합니다.
      참고: 사용자는 데이터 세트 특성에 따라 이러한 값을 조정할 수 있습니다. 예를 들어, BurstCriterion을 줄이면 아티팩트 거부가 더 적극적이고, WindowCrition을 낮추면 노이즈가 있는 데이터 창에 대한 허용 오차가 증가합니다.
  2. 수동 아티팩트 검사를 수행합니다(선택 사항).
    1. 필요한 경우 EEGLABeegplot을 사용하여 EEG 데이터를 육안으로 검사하여 자동 방법으로 감지되지 않는 잔류 아티팩트를 식별합니다.
    2. 높은 데이터 품질을 보장하기 위해 남아 있는 아티팩트를 수동으로 표시하고 제거합니다.
      참고: 이 단계는 선택 사항이며 비표준 노이즈 패턴을 나타내는 데이터 세트를 처리하거나 자동화된 절차를 넘어 더 높은 정밀도가 필요한 경우에 주로 권장됩니다.
  3. 데이터를 다시 참조합니다.
    1. pop_reref 함수를 사용하여 EEG 신호를 모든 전극의 평균으로 다시 참조하여 원래 참조 전극이 데이터셋에 유지되도록 합니다.
      참고: 이 파이프라인에서 평균 재참조는 원래 참조 전극을 재구성하지 않고 사용 가능한 채널을 사용하여 수행됩니다. 그러나 향상된 순위 일관성과 주제 간 비교를 목표로 하는 사용자는 다시 참조하기 전에 원래 참조 전극(예: Cz)을 값이 0인 시계열로 임시로 다시 삽입하는 것을 고려할 수 있습니다. 이렇게 하면 참조가 평균 계산에 기여할 수 있습니다. 그런 다음 ICA를 수행하기 전에 순위 부족을 방지하기 위해 추가된 채널을 제거할 수 있습니다. 이 프로세스는 RELAX 파이프라인의 RELAX_average_rereference.m 함수에서 확인할 수 있으며, 여기에는 참조 전에 모든 채널의 보간도 포함됩니다. PIPEMAT-RS는 명확성과 접근성을 위해 간소화된 버전을 유지하지만 사용자는 분석 목표에 따라 필요에 따라 이 단계를 조정하는 것이 좋습니다.

5. 독립 성분 분석(ICA)

  1. 전처리된 EEG 데이터를 로드합니다.
    1. pop_loadset 함수를 사용하여 접미사 _loc_filt_cleanraw_reref.set이 있는 파일을 로드합니다.
  2. ICA를 수행합니다.
    1. pop_runica 함수와 runica 알고리즘을 함께 사용하여 ICA를 실행하여 데이터를 독립적인 구성요소로 분해합니다. Infomax 접근 방식을 기반으로 하는 'runica' 알고리즘은 구성 요소의 통계적 독립성을 극대화하며 EEG 전처리에 널리 사용됩니다.
      참고: 더 빠른 ICA 계산을 원하는 사용자의 경우 함수 호출에서 icatype, picard를 지정하여 picard와 같은 대체 알고리즘을 사용할 수 있습니다. 이러한 대안은 비슷한 성능을 제공하며 계산 시간을 줄일 수 있습니다.
  3. ICA 데이터셋을 저장합니다.
    1. 접미사 _loc_filt_cleanraw_reref_ICA 사용하여 pop_saveset 를 사용하여 ICA가 수행되었음을 나타내는 데이터 세트를 저장합니다.

6. ICLabel 분류

  1. ICA 데이터셋을 로드합니다.
    1. pop_loadset 함수를 사용하여 ICA 구성요소가 포함된 데이터셋을 가져옵니다.
  2. ICLabel 분류를 적용합니다.
    1. pop_iclabel 함수를 디폴트 모델로 실행하여 독립적인 구성요소를 브레인 범주와 아티팩트 범주로 분류합니다.
    2. 뇌 활동을 나타낼 확률이 0.7보다 큰 성분을 식별합니다.
  3. 아티팩트 구성 요소를 제거합니다.
    1. pop_subcomp 함수를 사용하여 ICLabel 브레인 확률이 0.7 미만인 모든 성분을 제거합니다.
    2. 뇌 활동 확률이 0.7 이상인 구성 요소만 유지합니다. 임계값 0.7은 아티팩트의 효과적인 제거를 보장하면서 실제 신경 신호를 보존해야 할 필요성의 균형을 맞춥니다.
  4. 정리된 데이터 세트를 저장합니다.
    1. 정리된 데이터 세트를 접미사 _loc_filt_cleanraw_reref_ICA_Cleaned 사용하여 아티팩트 구성 요소의 제거를 나타내는 pop_saveset 사용하여 저장합니다.

7. 데이터 정규화

  1. 정리된 EEG 데이터를 로드합니다.
    1. 아티팩트가 없는 ICA 구성요소가 있는 데이터셋을 pop_loadset 함수를 사용하여 가져옵니다.
  2. Z-Score 정규화를 적용합니다.
    1. 각 채널에 대해 (x - mean(x)) / std(x) 를 개별적으로 계산하여 Z-score 변환을 사용하여 각 EEG 채널을 정규화합니다.
      참고: Z-점수 정규화는 선택 사항이며 연구의 분석 목표에 따라 적용해야 합니다. 주제 간 변동성을 줄이고 그룹 수준 비교를 위해 데이터를 표준화하는 한편, 지형적 구분을 약화시키고 채널 간에 의미 있는 진폭 차이를 제거할 수도 있습니다. 원시 신호 크기 또는 공간 분포를 보존하는 데 관심이 있는 연구자는 이 단계를 건너뛰는 것이 좋습니다.
  3. 최종 데이터 세트를 저장합니다.
    1. 완전히 전처리되고 정규화된 데이터셋을 pop_saveset 사용하여 접미사 _loc_filt_cleanraw_reref_ICA_Normalized 사용하여 저장하여 전처리가 완료되었음을 나타냅니다.

결과

EEG 전처리 파이프라인의 검증은 의미 있는 신경생리학적 데이터를 추출하는 데 사용되는 방법의 신뢰성과 효율성을 보장하는 데 필수적입니다. 이 프로세스에는 발표된 연구의 경험적 증거, 통계적 평가 및 해당 분야에서 확립된 벤치마크와의 비교가 포함됩니다.

PIPEMAT-RS의 견고성과 유용성은 다양한 신경 및 정신 질환에 걸쳐 발표된 여러 연구에서 성공적으로 적용됨으로써 입증되었습니다. 예를 들어, 뇌졸중 환자의 EEG 바이오마커 조사에서 부적응 운동 기능, 우울 프로필 및 특정 EEG 마커 간에 유의미한 상관관계가 발견되어 신호 품질을 향상시키고 의미 있는 데이터 분석을 촉진하는 데 있어 전처리 단계의 효과를 검증했습니다32. 마찬가지로, 뇌졸중 환자의 뇌 보상의 신경 서명을 분석한 결과, 뇌졸중 후 뇌의 적응 메커니즘에 대한 중요한 통찰력이 드러났으며, 이는 복잡한 데이터 세트를 처리하고 신뢰할 수 있는 결과를 생성하는 PIPEMAT-RS의 능력을 입증했습니다28. 섬유근육통 환자의 신경 적응 및 보상을 탐구하는 연구에서는 통증 및 보상 메커니즘과 관련된 뚜렷한 신경 신호를 확인하여 다양한 임상 맥락에서 전처리 방법을 뒷받침하는 추가 검증이 분명합니다29. 또한, 만성 신경병성 통증의 보상 기전에 대한 조사는 만성 통증 상태에서 델타 및 세타 밴드의 관련성을 강조했으며, 다양한 신경생리학적 조건에서 PIPEMAT-RS의 효과를 더욱 입증했습니다30.

PIPEMAT-RS의 통계적 검증에는 전처리 방법의 견고성을 보장하기 위한 정량적 및 정성적 평가가 모두 포함됩니다. 데이터 품질을 객관적으로 평가하기 위해 신호 대 잡음비(SNR), 첨도 및 왜도와 같은 정량적 측정이 사용되었습니다. SNR은 1-50Hz 주파수 범위의 신호 전력과 일반적으로 비신경 잡음을 포함하는 이 범위(예: <1Hz 및 >50Hz)를 벗어난 전력 간의 비율로 계산되었습니다. 전처리 후 이 비율이 증가하면 노이즈에 비해 신경 정보의 보존이 향상되었음을 나타냅니다. 유사하게, EEG 신호의 분포 특성을 평가하기 위해 첨도와 왜도를 평가했습니다. 높은 첨도는 종종 날카로운 과도 현상 또는 근육 아티팩트의 존재를 반영하는 반면, 높은 왜도는 노이즈 또는 녹음 문제로 인한 비대칭 신호 분포로 인해 발생할 수 있습니다. 전처리 후 이러한 값이 감소하면 신호 규칙성이 개선되고 비신경 소스에 의한 오염이 감소하여 데이터 품질의 전반적인 향상을 지원할 수 있음을 시사합니다. 전처리는 SNR의 현저한 개선으로 이어졌으며, 이는 PIPEMAT-RS가 노이즈를 효과적으로 줄이고 신경 신호를 향상시킨다는 것을 나타냅니다. 예를 들어, 초기에 SNR 값이 낮은(~5dB) 데이터 세트에서 전처리 단계는 SNR을 약 7.5dB로 증가시켜 더 명확한 신경 신호를 반영했습니다. 마찬가지로, 첨도(예: 5.2에서 2.3으로) 및 왜도(예: 1.5에서 0.8로)의 감소는 비신경 인공물²의 감쇠를 추가로 확인했습니다. 정성적 평가에는 아티팩트가 적절하게 제거되었는지, 데이터가 근본적인 신경 활동을 정확하게 반영하는지 확인하기 위해 전처리된 데이터를 육안으로 검사하는 것이 포함되었습니다(그림 2). 이 단계를 통해 연구원들은 자동 전처리 단계의 효과를 수동으로 확인하여 중요한 아티팩트가 남지 않도록 할 수 있었습니다.

아티팩트 제거를 위한 ICA(Independent Component Analysis) 및 ICLabel과 같은 고급 기술의 포함은 특히 문헌에서 검증되었습니다. 연구에 따르면 ICLabel과 같은 자동 분류 알고리즘과 결합하면 전문가가 라벨링한 구성 요소와 밀접하게 일치하는 분류 정확도를 달성할 수 있습니다. ICLabel은 약 91%의 평균 분류 정확도를 보여주며, 이는 인간 전문가 분류에 대한 강력한 일치를 반영하고 대규모 EEG 데이터 세트에 대한 표준화되고 확장 가능한 솔루션을 제공하는 동시에 평가자 간 변동성을 최소화합니다32.

검증의 또 다른 측면은 해당 분야에서 확립된 벤치마크와의 비교입니다. 파이프라인의 방법과 결과는 주요 연구자와 기관에서 권장하는 EEG 전처리의 표준 관행 및 지침과 일치했습니다14. PIPEMAT-RS가 기존 파이프라인보다 우수하다고 주장하지는 않지만, 모듈식 구조, 투명성 및 사용 편의성은 이 분야에서 일반적으로 허용되는 품질 표준을 충족하거나 보완하는 것을 목표로 합니다(표 1).

figure-results-2577
그림 1: PIPEMAT-RS 파이프라인 코드 구조. PIPEMAT-RS 전처리 파이프라인의 각 단계를 구현하는 MATLAB 코드의 개요입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-2988
그림 2: 전처리 전과 후의 EEG 신호 품질. (A) 원시 데이터, (B) 수동으로 정리된 데이터 및 (C) PIPEMAT-RS로 처리된 데이터를 비교하여 아티팩트 감소 및 신호 선명도 개선을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 1: PIPEMAT-RS를 사용한 수동 및 자동 EEG 전처리의 비교. 이 표를 다운로드하려면 여기를 클릭하십시오.

보충 파일 1: MATLAB(PIPEMAT-RS) 스크립트를 사용하여 휴지 상태 EEG를 위한 완전한 전처리 통합 파이프라인. 이 스크립트는 파일 형식 변환에서 데이터 품질 보증에 이르기까지 프로토콜 섹션에 자세히 설명된 모든 단계를 포함합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

PIPEMAT-RS 파이프라인은 휴지 상태 EEG 데이터를 전처리하기 위한 표준화되고 효율적인 방법을 제공하기 위해 개발되었습니다. 이 프로토콜의 중요한 단계에는 아티팩트 제거 및 ICA(Independent Component Analysis)가 포함되며, 둘 다 신호 대 잡음 비율을 크게 향상시키고 의미 있는 신경 신호의 추출을 보장합니다. clean_rawdata 기능을 사용한 자동 아티팩트 제거와 eegplot을 통한 수동 검사의 조합은 포괄적인 아티팩트 관리를 보장하고 효율성과 정확성의 균형을 유지합니다. 독립 구성 요소의 자동 분류를 위해 ICLabel을 적용하면 데이터를 더욱 구체화하여 수동 작업량을 줄이는 동시에 인간 전문가 라벨링과 일치하는 높은 분류 정확도(91%)를 유지할 수 있습니다32.

데이터 세트의 특성에 따라 프로토콜 수정이 필요할 수 있습니다. 예를 들어, 파이프라인은 휴지 상태 EEG 데이터용으로 설계되었지만, 연구원들은 작업 기반 EEG 기록 또는 샘플링 속도가 다른 데이터 세트에 대한 필터 설정 및 아티팩트 제거 임계값을 조정할 수 있습니다. 문제 해결 단계에는 과도한 채널 제거가 발생하거나 자동 청소 후에도 잔류 노이즈가 지속되는 경우 clean_rawdata 플랫라인 기준 및 채널 상관 관계 임계값을 조정하는 것이 포함됩니다. 또한 ICA는 일반적으로 32개 이상의 전극으로 구성된 데이터 세트에서 잘 수행되지만 전극 수가 적은 데이터 세트는 최적의 결과를 얻기 위해 수동 미세 조정 또는 대체 아티팩트 보정 방법이 필요할 수 있습니다2.

장점에도 불구하고 PIPEMAT-RS에는 한계가 있습니다. ICA 및 ICLabel의 효율성은 채널 수와 원시 데이터의 품질에 따라 달라질 수 있습니다. 높은 수준의 노이즈 또는 전극 접촉 불량은 구성 요소 분리 및 분류의 정확도를 떨어뜨릴 수 있습니다. 또한, 파이프라인은 단일 사이트 연구에 최적화되어 있으며 다기관 연구에서 사이트별 변동성을 최소화하기 위해 ComBat와 같은 추가 조화 단계가 필요할 수 있습니다33. PIPEMAT-RS는 표준화된 전처리를 통해 데이터 품질을 향상시키지만, 신중한 검증 없이 기본 설정을 변경할 경우 사용자로 인한 변동성이 발생할 가능성이 남아 있습니다.

ICLabel 분류와 결합된 ICA는 아티팩트 거부를 위한 효율적이고 자동화된 솔루션을 제공하지만, 그 한계를 인정하는 것이 중요합니다. 신경 구성 요소와 비신경 구성 요소의 분리는 완벽하지 않으며, 인공물로 분류된 구성 요소를 거부하면 특히 소스가 혼합된 경우 신경 신호가 의도하지 않게 제거될 수 있습니다22. PIPEMAT-RS는 이러한 위험을 줄이기 위해 보수적인 임계값(뇌 확률이 0.7인 구성 요소 유지)> 적용하지만 이를 제거하지는 않습니다. 이 임계값은 신호 보존과 아티팩트 제거의 균형을 맞추기 위한 표준 관행을 따르지만, 향후 파이프라인 개선 사항에는 다이폴 피팅, 웨이블릿 강화 ICA 또는 표적 ICA 세척과 같은 보다 정교한 전략이 통합되어 아티팩트 제거의 특이성과 정확성을 더욱 개선할 수 있습니다.

기존 방법과 비교하여 PIPEMAT-RS는 연구 간의 변동성을 줄이는 간소화되고 표준화된 전처리 단계 시퀀스를 제공합니다. 사용자가 전처리 시퀀스를 사용자 정의할 수 있는 BEAPP와 같은 유연한 플랫폼과 달리 PIPEMAT-RS는 고정된 구조를 적용하여 데이터 세트34 전반에 걸쳐 일관성을 보장합니다. 이 접근 방식은 수동 개입을 최소화하고, 인적 오류를 줄이며, 특히 대규모 연구에서 재현성을 보장합니다. 또한 ICLabel과 같은 고급 도구의 통합과 휴지 상태 EEG 데이터에 중점을 두기 때문에 PIPEMAT-RS는 아티팩트 제거 및 독립 구성 요소 분석의 우선 순위를 동일한 정도로 지정하지 않을 수 있는 다른 파이프라인과 구별됩니다.

PIPEMAT-RS의 중요성은 신경 과학 및 임상 연구의 다양한 응용 분야에 적합한 고품질의 신뢰할 수 있는 EEG 데이터를 생성하는 능력에 있습니다. 이 파이프라인은 뇌졸중 회복, 만성 통증 및 섬유근육통의 신경 마커를 조사하는 연구에 성공적으로 적용되어 다양성과 견고성을 입증했습니다 27,28,29,30. PIPEMAT-RS는 데이터 품질을 개선하고 전처리 시간을 단축함으로써 대규모 연구를 촉진하고 신경 생리학적 바이오마커 식별에 기여하며 개인 맞춤형 의학의 발전을 지원합니다. 표준화된 접근 방식은 연구 전반에 걸쳐 결과를 비교할 수 있도록 보장하여 임상 및 학술 환경 모두에서 EEG 연구의 재현성과 신뢰성을 향상시킵니다.

결론적으로, PIPEMAT-RS는 휴지 상태 EEG 데이터를 전처리하기 위한 강력하고 표준화된 솔루션을 제공하여 아티팩트 제거, 신호 선명도 및 데이터 일관성과 관련된 일반적인 문제를 해결합니다. 파이프라인은 ICA 및 ICLabel과 같은 자동화 기술을 수동 검증 단계와 통합함으로써 광범위한 신경 및 정신 의학 연구 응용 분야에 적합한 고품질의 재현 가능한 데이터를 보장합니다. 고정된 일련의 전처리 단계는 사용자로 인한 변동성을 최소화하여 연구 전반에 걸쳐 일관된 결과를 촉진합니다. 파이프라인은 뇌졸중 및 만성 통증 연구를 포함한 다양한 임상 맥락에서 강력한 성능을 보여주지만, 향후 연구는 다양한 실험 패러다임 및 다중 사이트 연구에 대한 적용 가능성을 검증하는 데 중점을 두어야 합니다. 전반적으로 PIPEMAT-RS는 연구 전반에 걸쳐 데이터 품질, 재현성 및 접근성을 향상시키도록 설계된 EEG 전처리를 위한 구조화되고 잘 문서화된 대안을 제공합니다.

공개

저자들은 이 논문에 보고된 연구에 영향을 미칠 수 있는 경쟁적인 재정적 이해관계나 개인적 관계를 알려진 바가 없다고 선언합니다.

감사의 말

특히, LMM은 상파울루 연구 재단(FAPESP)의 박사후 연구 보조금 #21/05897-5의 지원을 받았습니다. AC는 과학 입문 보조금 #21/12790-2, 상파울루 연구 재단(FAPESP)의 지원을 받았습니다. SPB는 상파울루 연구 재단(FAPESP)의 박사후 연구 보조금 #20/08512-4의 지원을 받았습니다. FF 및 LRB는 상파울루 연구 재단(FAPESP)의 연구 보조금 #17/12943-8의 지원을 받습니다. FF는 개별적으로 NHI 2020 R01 AT, Project #1R01AT009491-01A1의 지원을 받았습니다.

자료

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) 

참고문헌

  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).

재인쇄 및 허가

JoVE'article의 텍스트 или 그림을 다시 사용하시려면 허가 살펴보기

허가 살펴보기

더 많은 기사 탐색

EEGMATLABEEGPIPEMAT RS

This article has been published

Video Coming Soon

JoVE Logo

개인 정보 보호

이용 약관

정책

연구

교육

JoVE 소개

Copyright © 2025 MyJoVE Corporation. 판권 소유