PIPEMAT-RS: Desenvolvimento e validação de um pipeline padronizado de MATLAB para pré-processamento de EEG em estado de repouso

Este protocolo apresenta o PIPEMAT-RS, um pipeline de pré-processamento padronizado baseado em MATLAB para dados de EEG em estado de repouso. Ele garante a remoção de artefatos, melhora a qualidade do sinal e aumenta a reprodutibilidade dos dados entre os estudos. O pipeline automatiza as principais etapas de pré-processamento, incluindo filtragem, análise de componentes independentes (ICA) e classificação de artefatos, facilitando a análise consistente e confiável de EEG para pesquisa neurofisiológica.

A eletroencefalografia (EEG) é uma ferramenta crucial na pesquisa em neurociência e aplicações clínicas, mas os dados brutos de EEG geralmente contêm ruídos e artefatos que comprometem a qualidade do sinal. Para resolver isso, desenvolvemos o PIPEMAT-RS, um pipeline de pré-processamento padronizado baseado em MATLAB para dados de EEG em estado de repouso. O PIPEMAT-RS segue um fluxo de trabalho estruturado de sete etapas: conversão de formato de arquivo, configuração de montagem de EEG, downsampling, filtragem, rejeição de artefatos, análise de componentes independentes (ICA) e classificação ICLabel para remoção automatizada de artefatos. Este protocolo melhora a qualidade dos dados de EEG, minimizando a intervenção humana, mantendo alta precisão na rejeição de artefatos. Foi validado usando vários conjuntos de dados, demonstrando sua robustez na melhoria da integridade do sinal. O PIPEMAT-RS fornece uma abordagem sistemática que facilita a reprodutibilidade e confiabilidade em estudos de EEG, alinhando-se com as práticas comumente adotadas no campo e oferecendo uma estrutura claramente documentada que pode complementar os dutos existentes. Ao padronizar o pré-processamento de EEG, o PIPEMAT-RS facilita a pesquisa neurofisiológica e as aplicações clínicas, permitindo interpretações mais precisas da atividade cerebral em estado de repouso e suas associações com condições neurológicas e psiquiátricas.

O eletroencefalograma (EEG) é uma ferramenta crítica tanto na pesquisa em neurociência quanto na prática clínica, oferecendo informações valiosas sobre a atividade elétrica cerebral. Os dados de EEG em estado de repouso, em particular, são amplamente utilizados para investigar várias condições neurológicas e psiquiátricas, como acidente vascular cerebral, fibromialgia e dor neuropática crônica. Apesar de sua ampla aplicação, a análise de dados de EEG requer pré-processamento rigoroso para eliminar artefatos e ruídos, garantindo a integridade e confiabilidade dos resultados ^1,2,3. Ao longo dos anos, o EEG tem sido inestimável no fornecimento de medições não invasivas e de alta resolução temporal da atividade cerebral, tornando-o indispensável para o estudo dos processos dinâmicos do cérebro ^4,5. No entanto, os sinais brutos de EEG são frequentemente contaminados por uma variedade de fontes de ruído que podem obscurecer os sinais neurais de interesse, complicando assim a interpretação dos dados⁶.

Os sinais de EEG são altamente suscetíveis à contaminação de fontes como atividade muscular, movimentos oculares e interferência elétrica⁷. Esses artefatos podem obscurecer os sinais neurais, tornando o pré-processamento uma etapa crítica na análise do EEG. Esse processo normalmente envolve vários estágios - conversão de formato de arquivo, downsampling, filtragem, rejeição de artefatos, análise de componentes independentes (ICA) e exclusão de componentes relacionados ao ruído ^8,9. Cada etapa contribui para melhorar a qualidade do sinal e garantir que os dados reflitam com precisão a atividade neural¹⁰. A complexidade desses processos exige o uso de algoritmos sofisticados e ferramentas de software para garantir que o pré-processamento seja eficiente e eficaz¹¹.

Um dos principais desafios no pré-processamento de dados de EEG é a variabilidade nos dados, que pode diferir significativamente entre os sujeitos e as sessões de gravação^10,12. Essa variabilidade surge devido a diferenças nas características fisiológicas e anatômicas dos sujeitos, bem como variações nas condições experimentais e equipamentos utilizados. Além disso, a falta de protocolos padronizados de pré-processamento pode levar a inconsistências na análise e interpretação dos dados^13,14. Embora vários pipelines e scripts de pré-processamento estejam disponíveis, muitos deles são adaptados a conjuntos de dados específicos ou carecem de documentação abrangente, tornando-os menos acessíveis à comunidade de pesquisa mais ampla¹⁴. Plataformas como o GitHub hospedam vários scripts e plug-ins de pré-processamento de EEG, facilitando o compartilhamento e a melhoria colaborativa dessas ferramentas¹⁵. No entanto, a natureza fragmentada desses recursos ressalta a necessidade de um pipeline de pré-processamento editável robusto, eficiente e padronizado que possa ser amplamente aplicado em diferentes conjuntos de dados e contextos de pesquisa¹⁶. Esse pipeline não apenas aumentaria a reprodutibilidade dos estudos de EEG, mas também forneceria uma base sobre a qual a comunidade de pesquisa pode construir e se adaptar a necessidades específicas¹⁷.

Além do EEGLAB, que forma a base do PIPEMAT-RS devido à sua extensa base de usuários e integração com o MATLAB, outras caixas de ferramentas de processamento de EEG também são amplamente utilizadas no campo. Por exemplo, o MNE-Python é uma plataforma baseada em Python de código aberto que oferece funcionalidades avançadas para localização de origem, análises de espaço de sensor e integração com fluxos de trabalho de aprendizado de máquina. O FieldTrip, uma caixa de ferramentas baseada em MATLAB como o EEGLAB, é conhecido por seu ambiente de script flexível e suporte abrangente para análises de tempo-frequência e conectividade. Embora essas plataformas forneçam alternativas poderosas, elas normalmente exigem curvas de aprendizado mais acentuadas e habilidades de programação mais avançadas. O PIPEMAT-RS foi projetado para unir acessibilidade e transparência, especialmente para pesquisadores que buscam uma solução editável e modular para o pré-processamento de EEG em estado de repouso usando EEGLAB. No entanto, a estrutura conceitual do PIPEMAT-RS pode ser adaptada a outras caixas de ferramentas conforme necessário, promovendo a interoperabilidade e a customização em diferentes ambientes de software.

Vários pipelines automatizados de pré-processamento de EEG foram desenvolvidos nos últimos anos, como RELAX¹⁸, Automagic¹⁹, APP²⁰ e PREP⁷. Esses pipelines incorporam algoritmos avançados para remoção de artefatos e limpeza de dados, muitas vezes empregando estratégias baseadas em ICA com transparência ou personalização limitada para usuários não especialistas. Por exemplo, o RELAX introduz um método de limpeza ICA de várias etapas que melhora a rejeição de artefatos, mas depende de configurações complexas que podem não ser facilmente modificáveis²¹. Por outro lado, o PIPEMAT-RS foi projetado para fornecer uma alternativa flexível, transparente e educacionalmente acessível, permitindo que os pesquisadores entendam e ajustem manualmente cada etapa do pré-processamento. Essa transparência permite que o PIPEMAT-RS seja utilizado como ferramenta de pesquisa e ensino, mantendo o rigor e a reprodutibilidade. Além disso, o PIPEMAT-RS enfatiza a documentação, a execução modular e a adaptabilidade entre conjuntos de dados - recursos que muitas vezes são subnotificados ou ausentes em outros pipelines.

Economicamente, o desenvolvimento e a implementação de um pipeline de pré-processamento editável padronizado para dados de EEG podem ter impactos significativos. O mercado global de dispositivos de EEG foi avaliado em aproximadamente US$ 1,2 bilhão em 2020 e deve crescer a uma taxa composta de crescimento anual (CAGR) de 7,5% de 2021 a 2028²². Pipelines de pré-processamento eficientes, particularmente aqueles que são editáveis e modulares, podem reduzir o tempo e o custo associados à análise de dados - uma consideração importante em ensaios clínicos em larga escala e pesquisas em saúde pública. Ao minimizar o erro humano e automatizar tarefas repetitivas, esses pipelines podem melhorar a precisão da análise de dados de EEG e levar a resultados de pesquisa mais confiáveis¹³. Isso, por sua vez, pode acelerar o desenvolvimento de novas ferramentas diagnósticas e intervenções terapêuticas, potencialmente reduzindo os custos de saúde e melhorando os resultados dos pacientes¹.

Este trabalho tem como objetivo apresentar e validar um Pipeline Integrado de Pré-processamento editável padronizado para EEG em Estado de Repouso usando MATLAB (PIPEMAT-RS). Projetado para ser robusto e eficiente, esse pipeline editável é versátil e pode ser amplamente aplicado a vários conjuntos de dados e cenários de pesquisa. As sete etapas abrangentes incluem conversão de formato de arquivo, redução de amostragem, filtragem, rejeição de artefatos, análise de componentes independentes (ICA) e exclusão de componentes relacionados a ruído, todos integrados em um fluxo de trabalho coeso^23,24. O desenvolvimento do PIPEMAT-RS foi guiado pela necessidade de enfrentar desafios comuns no pré-processamento de EEG e fornecer uma ferramenta que os pesquisadores possam usar para agilizar seus processos de análise de dados²⁵. Ao integrar-se às práticas comumente adotadas no campo e alavancar os recursos do MATLAB, o PIPEMAT-RS visa oferecer uma estrutura confiável, editável e fácil de usar para apoiar o pré-processamento de dados de EEG²⁶.

Para validar a eficácia do PIPEMAT-RS, aplicamos em vários estudos. Em um estudo, o PIPEMAT-RS foi utilizado para investigar biomarcadores de EEG em pacientes com AVC, identificando correlações significativas entre a função motora desadaptativa e os perfis depressivos²⁷. Outro estudo aplicou o PIPEMAT-RS para analisar assinaturas neurais de compensação cerebral em pacientes com AVC usando EEG e TMS, revelando insights críticos sobre os mecanismos adaptativos do cérebro pós-AVC²⁸. Outra validação vem de um estudo que explorou as adaptações e compensações neurais em pacientes com fibromialgia²⁹. Além disso, outro estudo demonstrou como as bandas delta e no EEG em estado de repouso servem como mecanismos compensatórios na dor neuropática crônica³⁰.

Esses estudos destacam coletivamente a utilidade do PIPEMAT-RS no processamento e análise de dados de EEG, estabelecendo sua eficácia em várias condições e aplicações. Ao fornecer uma abordagem padronizada, esse pipeline não apenas aumenta a reprodutibilidade dos estudos de EEG, mas também facilita a adoção mais ampla de métodos de pré-processamento consistentes na comunidade de pesquisa. Por meio deste artigo, pretendemos contribuir com um recurso valioso para o campo, promovendo uma análise de dados de EEG mais precisa e confiável^16,17. Ao fazer isso, esperamos apoiar o avanço da pesquisa em neurofisiologia e o desenvolvimento de novas abordagens terapêuticas para condições neurológicas e psiquiátricas.

As etapas fundamentais de pré-processamento usadas no PIPEMAT-RS estão enraizadas em métodos robustos e amplamente validados que se tornaram essenciais na pesquisa de EEG para garantir a qualidade e reprodutibilidade dos dados ^2,8,14. Embora essas metodologias estejam bem estabelecidas, elas continuam sendo cruciais devido à sua eficácia no tratamento de artefatos e ruídos comuns de EEG, o que continua a apoiar análises confiáveis em todos os estudos. No entanto, poucos estudos forneceram recentemente um pipeline padronizado e totalmente documentado, adaptado para EEG em estado de repouso. Ao integrar essas técnicas comprovadas com avanços recentes, como o ICLabel para classificação automatizada de artefatos, o PIPEMAT-RS oferece uma abordagem contemporânea e estruturada que aprimora a replicabilidade e a acessibilidade para os pesquisadores, atendendo a uma necessidade contínua de fluxos de trabalho de pré-processamento rigorosamente documentados no campo.

Embora o pipeline do PIPEMAT-RS siga etapas de pré-processamento estabelecidas comumente empregadas em estudos de EEG, sua documentação na forma de um artigo científico preenche uma lacuna importante na literatura. Muitos estudos de EEG dependem de métodos de pré-processamento semelhantes, mas muitas vezes carecem de uma descrição abrangente e passo a passo que permita total reprodutibilidade e facilidade de adoção por outros pesquisadores. Ao detalhar cada componente do PIPEMAT-RS e apresentar uma sequência padronizada para análise de EEG em estado de repouso, este trabalho visa aumentar a transparência, minimizar a variabilidade do usuário e fornecer uma estrutura replicável aplicável em todos os estudos. Em vez de introduzir novos métodos, esta contribuição pretende servir como um guia instrucional e prático que ajuda a padronizar as práticas de pré-processamento e melhorar a acessibilidade para uma ampla gama de pesquisadores de EEG, particularmente aqueles que trabalham com dados em estado de repouso.

O pré-processamento dos dados do EEG é uma etapa crítica que influencia significativamente a qualidade e a confiabilidade das análises subsequentes. O Pipeline Integrado de Pré-processamento para EEG em Estado de Repouso usando MATLAB (PIPEMAT-RS) foi desenvolvido para enfrentar desafios comuns no pré-processamento de dados de EEG, fornecendo uma abordagem abrangente e padronizada aplicável a vários conjuntos de dados. Este pipeline estruturado e editável consiste em sete etapas principais: i) Conversão de formato de arquivo; ii) Montagem de EEG; iii) Downsampling e Filtragem; iv) Rejeição e Rereferenciamento de Artefatos; v) Análise de Componentes Independentes (ACI); vi) Classificação ICLabel; vii) Normalização de dados. Cada etapa é meticulosamente projetada para melhorar a qualidade do sinal e facilitar a extração de informações significativas dos dados brutos do EEG.

Uma característica crítica do PIPEMAT-RS é que cada etapa de pré-processamento termina com o salvamento do conjunto de dados com um nome de arquivo distinto. Essa estrutura garante que, para cada arquivo processado, seja gerada uma versão derivada correspondente a cada etapa específica. Essa abordagem sistemática permite que os usuários acessem dados em qualquer ponto do pipeline de pré-processamento de sete etapas. Os arquivos salvos incluem identificadores que indicam claramente o estágio de pré-processamento, facilitando o rastreamento e o gerenciamento de dados em todo o fluxo de trabalho.

O PIPEMAT-RS começa com a conversão do formato de arquivo, onde os arquivos de dados brutos do EEG são transformados em um formato compatível com o MATLAB. Essa conversão é essencial para o manuseio contínuo de dados no ambiente computacional robusto do MATLAB. Em seguida, a etapa de montagem do EEG atribui localizações espaciais precisas a cada eletrodo no couro cabeludo com base em sistemas padronizados de colocação de eletrodos. Essas informações espaciais são cruciais para a interpretação precisa dos dados do EEG em estudos neurofisiológicos.

Em seguida, o pipeline aplica downsampling e filtragem para reduzir a taxa de amostragem dos dados e eliminar o ruído, mantendo os componentes de frequência relevantes para a pesquisa neurofisiológica. A redução da amostragem diminui a carga computacional e os requisitos de armazenamento sem comprometer a qualidade dos dados. A filtragem remove componentes de frequência específicos conhecidos por estarem associados a artefatos, preservando assim os sinais neurais essenciais.

Posteriormente, a rejeição e o rereferenciamento do artefato são realizados. Esta etapa identifica e remove segmentos de dados contaminados por fontes de ruído, como piscar de olhos, atividade muscular e movimento do eletrodo. Algoritmos automáticos de rejeição de artefatos são utilizados para minimizar a intervenção manual, reduzindo o potencial de erro humano e aumentando a eficiência do pré-processamento. Rereferenciar os dados para a média de todos os eletrodos ajuda a mitigar a influência de qualquer eletrodo único e fornece uma referência estável para os sinais de EEG.

A etapa de Análise de Componentes Independentes (ICA) refina ainda mais os dados, separando os sinais mistos em suas fontes independentes. Essa decomposição facilita a identificação e remoção de artefatos como piscar de olhos, artefatos musculares e ruído de linha. A ICA é uma técnica poderosa que garante que os dados restantes reflitam com precisão a atividade neural subjacente.

Por fim, a classificação ICLabel é aplicada para identificar e remover automaticamente componentes classificados como artefatos. O ICLabel atribui rótulos probabilísticos a componentes independentes, categorizando-os como atividade cerebral, atividade muscular, piscar de olhos, batimentos cardíacos, ruído de linha ou ruído de canal. Os componentes com alta probabilidade de representar a atividade cerebral são retidos, enquanto aqueles identificados como artefatos são removidos. Essa abordagem automatizada reduz significativamente o esforço manual e garante uma classificação consistente e objetiva em todos os conjuntos de dados.

Cada uma dessas etapas de pré-processamento é essencial para melhorar a qualidade dos dados de EEG. Ao padronizar o fluxo de trabalho de pré-processamento, o PIPEMAT-RS minimiza a variabilidade introduzida por diferentes métodos de pré-processamento, facilitando a comparação dos resultados entre os estudos. A implementação do pipeline no MATLAB, uma plataforma amplamente utilizada na comunidade de neurociência, garante acessibilidade e facilidade de integração nos fluxos de trabalho de pesquisa existentes.

O desenvolvimento do PIPEMAT-RS foi orientado por práticas comumente adotadas na análise de dados de EEG, incorporando métodos e técnicas validados em pesquisas anteriores. Cada etapa foi cuidadosamente projetada e rigorosamente testada para garantir sua eficácia na melhoria da qualidade dos dados (Figura 1). Essa abordagem abrangente não apenas melhora a confiabilidade dos dados do EEG, mas também apóia a identificação de marcadores neurofisiológicos críticos para a compreensão de várias condições neurológicas e psiquiátricas.

O PIPEMAT-RS foi desenvolvido como parte de nosso projeto de pesquisa em andamento, aprovado pelo Comitê de Ética do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (CAAE: 86832518.7.0000.0068). Este projeto visa melhorar a qualidade e a confiabilidade dos dados de EEG em estado de repouso para vários estudos neurológicos e psiquiátricos. Os dados utilizados neste estudo são derivados de um estudo de coorte, cujo protocolo foi publicado anteriormente por Simis et al. (2021)³¹. O estudo principal ainda está em andamento, com coleta de dados em andamento para os demais grupos clínicos. O script para o pipeline é fornecido no Arquivo Suplementar 1.

1. Conversão de formato de arquivo

1. Prepare o diretório de dados.
   1. Abra o MATLAB e navegue até o diretório que contém os arquivos de dados brutos do EEG.
   2. Defina o caminho usando pathname = 'C:\\Path\\To\\RawData\\'; e listar assuntos com name_subj_raw = {'sujeito1', 'sujeito2', ...};.
   3. Se o conjunto de dados já estiver em . mat , pule esta etapa e prossiga para EEG Montage.
2. Converta arquivos.
   1. Carregue cada arquivo de dados brutos usando a função MATLAB apropriada para o tipo de arquivo. Por exemplo, use load para arquivos .mat ou funções EEGLAB específicas de arquivo, como pop_biosig (para .edf, .bdf) ou pop_fileio (para vários formatos proprietários).
      NOTA: Os usuários devem adaptar esta etapa com base no formato de seus arquivos EEG brutos e consultar a documentação do EEGLAB para suporte adicional a arquivos.
   2. Salve cada arquivo no formato .mat , garantindo a integridade dos dados e retendo todos os metadados relevantes.

2. Montagem de EEG

1. Carregue os dados do EEG.
   1. Abra o MATLAB e navegue até o diretório com os arquivos .mat.
   2. Use a função pop_loadset da caixa de ferramentas EEGLAB para carregar o conjunto de dados de EEG de cada sujeito (por exemplo, EEG = pop_loadset('filename.set');).
2. Aplique os locais dos eletrodos.
   1. Certifique-se de que o local apropriado do eletrodo file (por exemplo, EEGSystem_128.loc) correspondente à configuração da tampa do EEG esteja disponível.
   2. Use a função pop_chanedit para aplicar os locais dos eletrodos. Por exemplo:
      EEG = pop_chanedit(EEG, 'load', {'EEGSystem_128.loc', 'filetype', 'loc'});
   3. Confirme visualmente se as posições dos eletrodos foram carregadas corretamente revisando o layout do canal usando a GUI do EEGLAB.
3. Salve o conjunto de dados.
   1. Salve o conjunto de dados de EEG atualizado usando a função pop_saveset (por exemplo, pop_saveset(EEG, 'filename', 'subject1_loc.set')).

3. Redução da amostragem e filtragem

1. Reduza a amostra dos dados de EEG.
   1. Reduza a taxa de amostragem dos dados de EEG para 250 Hz usando a função pop_resample (opcional).
      NOTA: A função pop_resample aplica automaticamente um filtro anti-aliasing passa-baixa apropriado antes da redução da resolução. Esta etapa garante que os componentes de alta frequência sejam atenuados antes da reamostragem, evitando artefatos de aliasing e preservando a qualidade do sinal de EEG.
2. Aplique filtragem passa-banda.
   1. Aplique um filtro passa-banda de 1 Hz a 50 Hz aos canais 1-64 usando a função pop_basicfilter com um design Butterworth e ordem de filtro de 2.
   2. Use filtragem direta e reversa de fase zero para evitar distorção de fase.
3. Aplique filtragem de entalhe (opcional).
   1. Aplique um filtro de entalhe a 50 ou 60 Hz aos canais 1-64 usando pop_basicfilter com o design 'PMnotch' e ordem de filtro de 180.
      NOTA: Esta etapa é opcional e deve ser usada ao analisar a atividade oscilatória acima de 30 Hz (por exemplo, banda gama). Nesses casos, os pesquisadores podem aumentar o limite superior do filtro passa-banda (por exemplo, até 80 ou 100 Hz), tornando o filtro de entalhe crucial para eliminar a interferência da linha de energia. O comando é fornecido na tubulação por conveniência e pode ser facilmente ajustado dependendo da frequência elétrica local (por exemplo, 50 Hz ou 60 Hz).

4. Rejeição e rereferenciamento de artefatos

1. Execute a rejeição automática de artefatos.
   1. Use a função clean_rawdata com parâmetros (5, [-1], 0.7, -1, 8, 0.85) para detectar e remover automaticamente canais flatline, segmentos ruidosos e desvios de baixa frequência. Esses parâmetros correspondem, respectivamente, a:
      FlatlineCriterion (5): remove os canais planos por mais de 5 s.
      ChannelCriterion ([-1]): desabilita a rejeição baseada em correlação de canal.
      LineNoiseCriterion (0,7): remove canais com ruído de linha excessivo acima desse limite.
      Passa-alta (−1): desativa a filtragem passa-alta adicional durante a limpeza.
      BurstCriterion (8): remove intermitências de dados que excedem 8 desvios padrão.
      WindowCriterion (0,85): requer que 85% dos dados em uma janela estejam limpos para retê-los.
      NOTA: Os usuários podem ajustar esses valores dependendo das características do conjunto de dados. Por exemplo, reduzir o BurstCriterion resultará em uma rejeição de artefato mais agressiva, enquanto a redução do WindowCriterion aumentará a tolerância para janelas de dados ruidosas.
2. Execute a inspeção manual de artefatos (opcional).
   1. Se necessário, inspecione visualmente os dados de EEG usando eegplot do EEGLAB para identificar artefatos residuais não detectados por métodos automáticos.
   2. Marque e remova manualmente os artefatos restantes para garantir alta qualidade de dados.
      NOTA: Esta etapa é opcional e recomendada principalmente ao lidar com conjuntos de dados que apresentam padrões de ruído fora do padrão ou quando é necessária maior precisão além dos procedimentos automatizados.
3. Faça referência aos dados.
   1. Use a função pop_reref para rereferenciar os sinais de EEG para a média de todos os eletrodos, garantindo que o eletrodo de referência original seja retido no conjunto de dados.
      NOTA: Neste pipeline, o re-referenciamento médio é realizado usando os canais disponíveis sem reconstruir o eletrodo de referência original. No entanto, os usuários que buscam maior consistência de classificação e comparabilidade entre assuntos podem considerar a reinserção temporária do eletrodo de referência original (por exemplo, Cz) como uma série temporal de valor zero antes de refazer a referência. Isso permite que a referência contribua para o cálculo da média. Posteriormente, o canal adicionado pode ser removido para evitar deficiência de classificação antes de realizar o ICA. Esse processo é exemplificado na função RELAX_average_rereference.m do pipeline RELAX, que também inclui a interpolação de todos os canais antes da referência. Embora o PIPEMAT-RS mantenha uma versão simplificada para maior clareza e acessibilidade, os usuários são incentivados a adaptar esta etapa conforme necessário, dependendo dos objetivos de sua análise.

5. Análise de componentes independentes (ICA)

1. Carregue dados de EEG pré-processados.
   1. Carregue o arquivo com o sufixo _loc_filt_cleanraw_reref.set usando a função pop_loadset .
2. Execute ICA.
   1. Execute o ICA usando a função pop_runica com o algoritmo runica para decompor os dados em componentes independentes. O algoritmo 'runica', baseado na abordagem Infomax, maximiza a independência estatística dos componentes e é amplamente utilizado no pré-processamento de EEG.
      NOTA: Para usuários que buscam computação ICA mais rápida, algoritmos alternativos como picard podem ser usados especificando icatype, picard na chamada de função. Essas alternativas oferecem desempenho comparável e podem reduzir o tempo de computação.
3. Salve o conjunto de dados ICA.
   1. Salve o conjunto de dados com o sufixo _loc_filt_cleanraw_reref_ICA usando pop_saveset para indicar que o ICA foi executado.

6. Classificação ICLabel

1. Carregue o conjunto de dados ICA.
   1. Importe o conjunto de dados com componentes ICA usando a função pop_loadset .
2. Aplique a classificação ICLabel.
   1. Execute a função pop_iclabel com o modelo padrão para classificar componentes independentes em categorias de cérebro e artefato.
   2. Identifique componentes com probabilidade superior a 0,7 de representar a atividade cerebral.
3. Remova os componentes do artefato.
   1. Use a função pop_subcomp para remover todos os componentes com probabilidade cerebral ICLabel abaixo de 0,7.
   2. Reter apenas componentes com uma probabilidade de atividade cerebral acima de 0,7. O limite de 0,7 equilibra a necessidade de preservar sinais neurais genuínos, garantindo a remoção efetiva de artefatos.
4. Salve o conjunto de dados limpo.
   1. Salve o conjunto de dados limpo com o sufixo _loc_filt_cleanraw_reref_ICA_Cleaned usando pop_saveset para indicar a remoção de componentes do artefato.

7. Normalização de dados

1. Carregue os dados de EEG limpos.
   1. Importe o conjunto de dados com componentes ICA livres de artefatos usando a função pop_loadset .
2. Aplique a normalização do Z-Score.
   1. Normalize cada canal de EEG usando a transformação Z-score calculando (x - média (x)) / std (x) para cada canal individualmente.
      NOTA: A normalização do escore Z é opcional e deve ser aplicada com base nos objetivos analíticos do estudo. Embora reduza a variabilidade entre os sujeitos e padronize os dados para comparações em nível de grupo, também pode atenuar as distinções topográficas e eliminar diferenças significativas de amplitude entre os canais. Pesquisadores interessados em preservar a magnitude do sinal bruto ou a distribuição espacial são aconselhados a pular esta etapa.
3. Salve o conjunto de dados final.
   1. Salve o conjunto de dados totalmente pré-processado e normalizado com o sufixo _loc_filt_cleanraw_reref_ICA_Normalized usando pop_saveset para indicar a conclusão do pré-processamento.

A validação do pipeline de pré-processamento de EEG é essencial para garantir a confiabilidade e eficácia dos métodos empregados para extrair dados neurofisiológicos significativos. Esse processo envolve evidências empíricas de estudos publicados, avaliações estatísticas e comparações com benchmarks estabelecidos no campo.

A robustez e a utilidade do PIPEMAT-RS foram demonstradas por meio de sua aplicação bem-sucedida em vários estudos publicados abrangendo uma variedade de condições neurológicas e psiquiátricas. Por exemplo, na investigação de biomarcadores de EEG em pacientes com AVC, foram encontradas correlações significativas entre função motora desadaptativa, perfis depressivos e marcadores específicos de EEG, validando a eficácia das etapas de pré-processamento na melhoria da qualidade do sinal e facilitando a análise significativa dos dados³². Da mesma forma, a análise das assinaturas neurais de compensação cerebral em pacientes com AVC revelou insights críticos sobre os mecanismos adaptativos do cérebro pós-AVC, demonstrando a capacidade do PIPEMAT-RS de lidar com conjuntos de dados complexos e produzir resultados confiáveis²⁸. Validação adicional é evidente em estudos que exploram adaptações e compensações neurais em pacientes com fibromialgia, que identificaram assinaturas neurais distintas associadas a mecanismos de dor e compensação, apoiando os métodos de pré-processamento em diversos contextos clínicos²⁹. Além disso, a investigação de mecanismos compensatórios na dor neuropática crônica destacou a relevância das bandas delta e nos estados de dor crônica, demonstrando ainda mais a eficácia do PIPEMAT-RS em várias condições neurofisiológicas³⁰.

A validação estatística do PIPEMAT-RS inclui avaliações quantitativas e qualitativas para garantir a robustez dos métodos de pré-processamento. Medidas quantitativas como relação sinal-ruído (SNR), curtose e assimetria foram usadas para avaliar objetivamente a qualidade dos dados. A SNR foi calculada como a razão entre a potência do sinal na faixa de frequência de 1-50 Hz e a potência fora dessa faixa (por exemplo, <1 Hz e >50 Hz), que normalmente contém ruído não neural. Aumentos nessa proporção após o pré-processamento indicam maior preservação da informação neural em relação ao ruído. Da mesma forma, curtose e assimetria foram avaliadas para avaliar as características de distribuição do sinal de EEG. A curtose elevada geralmente reflete a presença de transientes agudos ou artefatos musculares, enquanto a alta assimetria pode resultar de distribuições assimétricas de sinal causadas por ruído ou problemas de gravação. Reduções nesses valores após o pré-processamento sugerem melhor regularidade do sinal e redução da contaminação por fontes não neurais, apoiando a melhoria geral da qualidade dos dados. O pré-processamento levou a melhorias notáveis na SNR, indicando que o PIPEMAT-RS reduz efetivamente o ruído e aprimora o sinal neural. Por exemplo, em conjuntos de dados com valores de SNR inicialmente baixos (~ 5 dB), as etapas de pré-processamento aumentaram o SNR para aproximadamente 7,5 dB, refletindo um sinal neural mais claro. Da mesma forma, reduções na curtose (por exemplo, de 5,2 para 2,3) e assimetria (por exemplo, de 1,5 para 0,8) confirmaram ainda mais a atenuação de artefatos não neurais². As avaliações qualitativas envolveram inspeção visual dos dados pré-processados para garantir que os artefatos fossem removidos adequadamente e que os dados refletissem com precisão a atividade neural subjacente (Figura 2). Essa etapa permitiu que os pesquisadores verificassem manualmente a eficácia das etapas de pré-processamento automático, garantindo que nenhum artefato significativo permanecesse.

A inclusão de técnicas avançadas, como Análise de Componentes Independentes (ICA) e ICLabel para remoção de artefatos, foi particularmente validada na literatura. Estudos mostraram que o ICA, quando combinado com algoritmos de classificação automatizados como o ICLabel, alcança precisões de classificação que correspondem aos componentes rotulados por especialistas. O ICLabel demonstra uma precisão média de classificação de aproximadamente 91%, refletindo forte concordância com classificações de especialistas humanos e oferecendo uma solução padronizada e escalável para grandes conjuntos de dados de EEG, minimizando a variabilidade entre avaliadores³².

Outro aspecto da validação é a comparação com benchmarks estabelecidos no campo. Os métodos e resultados de nosso pipeline foram alinhados com as práticas e diretrizes padrão no pré-processamento de EEG, conforme recomendado pelos principais pesquisadores e instituições¹⁴. Embora o PIPEMAT-RS não reivindique superioridade sobre os dutos existentes, sua estrutura modular, transparência e facilidade de uso visam atender ou complementar os padrões de qualidade comumente aceitos na área (Tabela 1).

Figura 1: Estrutura do código do pipeline PIPEMAT-RS. Visão geral do código MATLAB implementando cada etapa do pipeline de pré-processamento do PIPEMAT-RS. Clique aqui para ver uma versão maior desta figura.

Figura 2: Qualidade do sinal de EEG antes e depois do pré-processamento. Comparação de (A) dados brutos, (B) dados limpos manualmente e (C) dados processados com PIPEMAT-RS, ilustrando a redução de artefatos e maior clareza do sinal. Clique aqui para ver uma versão maior desta figura.

Tabela 1: Comparação entre o pré-processamento manual e automatizado de EEG usando o PIPEMAT-RS. Clique aqui para baixar esta tabela.

Arquivo Suplementar 1: Pipeline Integrado de Pré-processamento Completo para EEG em Estado de Repouso usando o script MATLAB (PIPEMAT-RS). Esse script abrange todas as etapas detalhadas na seção Protocolo, desde a conversão do formato do arquivo até a garantia da qualidade dos dados. Clique aqui para baixar este arquivo.

A tubulação PIPEMAT-RS foi desenvolvida para fornecer um método padronizado e eficiente para o pré-processamento de dados de EEG em estado de repouso. As etapas críticas neste protocolo incluem a rejeição de artefatos e a Análise de Componentes Independentes (ICA), que aumentam significativamente a relação sinal-ruído e garantem a extração de sinais neurais significativos. A combinação de rejeição automática de artefatos usando a função clean_rawdata e inspeção manual via eegplot garante um gerenciamento abrangente de artefatos, equilibrando eficiência e precisão. A aplicação do ICLabel para classificação automatizada de componentes independentes refina ainda mais os dados, reduzindo a carga de trabalho manual e mantendo alta precisão de classificação (91%) consistente com a rotulagem de especialistas humanos³².

Modificações no protocolo podem ser necessárias dependendo das características do conjunto de dados. Por exemplo, embora o pipeline seja projetado para dados de EEG em estado de repouso, os pesquisadores podem adaptar as configurações de filtro e os limites de rejeição de artefatos para gravações de EEG baseadas em tarefas ou conjuntos de dados com diferentes taxas de amostragem. As etapas de solução de problemas incluem o ajuste do critério de linha plana e dos limites de correlação de canal em clean_rawdata se ocorrer remoção excessiva de canal ou se o ruído residual persistir após a limpeza automática. Além disso, embora a ACI normalmente tenha um bom desempenho com conjuntos de dados de 32 ou mais eletrodos, conjuntos de dados com menos eletrodos podem exigir ajuste fino manual ou métodos alternativos de correção de artefatos para obter resultados ideais².

Apesar de seus pontos fortes, o PIPEMAT-RS tem limitações. A eficácia do ICA e do ICLabel pode variar de acordo com o número de canais e a qualidade dos dados brutos. Altos níveis de ruído ou mau contato do eletrodo podem reduzir a precisão da separação e classificação dos componentes. Além disso, o pipeline é otimizado para estudos de um único local e pode exigir etapas adicionais de harmonização, como o ComBat, para minimizar a variabilidade específica do local na pesquisa multicêntrica³³. Embora o PIPEMAT-RS melhore a qualidade dos dados por meio de pré-processamento padronizado, o potencial de variabilidade induzida pelo usuário permanece se as configurações padrão forem alteradas sem validação cuidadosa.

Embora a ICA combinada com a classificação ICLabel ofereça uma solução eficiente e automatizada para rejeição de artefatos, é importante reconhecer suas limitações. A separação de componentes neurais e não neurais não é perfeita, e a rejeição de componentes classificados como artefatos ainda pode resultar na remoção não intencional de sinais neurais, especialmente quando as fontes são misturadas²². Embora o PIPEMAT-RS aplique um limite conservador (retendo componentes com uma probabilidade cerebral > 0,7) para reduzir esse risco, ele não o elimina. Esse limite segue as práticas padrão para equilibrar a preservação do sinal e a remoção de artefatos, mas aprimoramentos futuros no pipeline podem incorporar estratégias mais refinadas - como ajuste de dipolo, ICA aprimorado por wavelet ou limpeza de ICA direcionada - para melhorar ainda mais a especificidade e a precisão da rejeição de artefatos.

Em comparação com os métodos existentes, o PIPEMAT-RS oferece uma sequência simplificada e padronizada de etapas de pré-processamento que reduz a variabilidade entre os estudos. Ao contrário de plataformas flexíveis como o BEAPP, que permitem aos usuários personalizar sequências de pré-processamento, o PIPEMAT-RS impõe uma estrutura fixa, garantindo consistência entre os conjuntos de dados³⁴. Essa abordagem minimiza a intervenção manual, reduz o erro humano e garante a reprodutibilidade, principalmente em estudos de grande escala. Além disso, a integração de ferramentas avançadas como o ICLabel e o foco nos dados de EEG em estado de repouso distinguem o PIPEMAT-RS de outros pipelines que podem não priorizar a rejeição de artefatos e a análise de componentes independentes na mesma medida.

A importância do PIPEMAT-RS reside em sua capacidade de produzir dados de EEG confiáveis e de alta qualidade, adequados para diversas aplicações em neurociência e pesquisa clínica. O pipeline foi aplicado com sucesso a estudos que investigam marcadores neurais de recuperação de AVC, dor crônica e fibromialgia, demonstrando sua versatilidade e robustez 27,28,29,30. Ao melhorar a qualidade dos dados e reduzir o tempo de pré-processamento, o PIPEMAT-RS facilita estudos em larga escala, contribui para a identificação de biomarcadores neurofisiológicos e apoia os avanços na medicina personalizada. Sua abordagem padronizada garante que os resultados sejam comparáveis entre os estudos, aumentando a reprodutibilidade e a confiabilidade da pesquisa de EEG em ambientes clínicos e acadêmicos.

Em conclusão, o PIPEMAT-RS fornece uma solução robusta e padronizada para o pré-processamento de dados de EEG em estado de repouso, abordando desafios comuns relacionados à rejeição de artefatos, clareza de sinal e consistência de dados. Ao integrar técnicas automatizadas como ICA e ICLabel com etapas de verificação manual, o pipeline garante dados reprodutíveis e de alta qualidade, adequados para uma ampla gama de aplicações de pesquisa neurológica e psiquiátrica. Sua sequência fixa de etapas de pré-processamento minimiza a variabilidade induzida pelo usuário, facilitando resultados consistentes entre os estudos. Embora o pipeline demonstre um forte desempenho em vários contextos clínicos, incluindo pesquisa de AVC e dor crônica, trabalhos futuros devem se concentrar na validação de sua aplicabilidade em diversos paradigmas experimentais e estudos em vários locais. No geral, o PIPEMAT-RS oferece uma alternativa estruturada e bem documentada para o pré-processamento de EEG, projetada para melhorar a qualidade dos dados, a reprodutibilidade e a acessibilidade entre os estudos.

Os autores declaram que não têm interesses financeiros concorrentes conhecidos ou relacionamentos pessoais que possam ter influenciado o trabalho relatado neste artigo.

Especificamente, o LMM foi apoiado por um auxílio de pesquisa de pós-doutorado #21/05897-5, Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP). AC foi apoiado por uma bolsa de iniciação científica #21/12790-2, Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP). O SPB foi apoiado por um auxílio de pós-doutorado #20/08512-4, Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP). FF e LRB são apoiados pelo auxílio à pesquisa #17/12943-8, da Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP). Individualmente, o FF recebeu apoio do NHI 2020 R01 AT, Projeto #1R01AT009491-01A1.