نویزهای EEG و ابزارهای فیلتر سیگنال

آرتیفکت‌های EEG

یکی از نگرانی‌های اصلی در برخورد با سیگنال‌های الکتروانسفالوگرافی(EEG) اطمینان از ثبت داده‌های تمیز با نسبت سیگنال به نویز بالا است. دامنه سیگنال EEG در محدوده میکروولت است و به‌راحتی با نویز آلوده می‌شود که به‌عنوان “آرتیفکت” شناخته می‌شود و برای حفظ اطلاعات ارزشمند موردنیاز برای کاربردهای ما باید از فرایندهای عصبی فیلتر شود. در این پست آرتیفکت‌های مختلف EEG و ابزارها و تکنیک‌های اصلی برای حذف آن‌ها را بررسی می‌کنیم.

آرتیفکت EEG چیست؟

مغز ما به طور مداوم در حال کار است. تبادلات بیوشیمیایی بین سلول‌ها هنگام ارتباط بین نورون‌ها فعالیت الکتریکی کوچکی تولید می‌کند. یک سیگنال الکتریکی منفرد از نورون به نورون قابل ثبت نیست؛ اما زمانی که میلیون‌ها نورون همگام می‌شوند، میدان الکتریکی تولید شده را می‌توان از روی پوست سر اندازه‌گیری کرد. این سیگنال‌های الکتروانسفالوگرافی (EEG) قبل از ثبت از طریق بافت، استخوان و مو منتقل می‌شوند و در آن زمان دامنه آن بسیار تضعیف می‌شود.

ما یک “آرتیفکت” را به‌عنوان هر جزء از سیگنال EEG که مستقیماً توسط فعالیت مغز انسان تولید نمی‌شود تعریف می‌کنیم (در برخی شرایط، فرایندهای عصبی تولید شده توسط مغز خود می‌توانند آرتیفکت باشند، اما آن‌ها را از متن حذف می‌کنیم؛ زیرا آن‌ها محدود به زمینه‌های تحقیقاتی بسیار خاص هستند)؛ بنابراین، یک آرتیفکت زمانی رخ می‌دهد که نویز ثبت شده توسط سیستم داده‌های عصبی EEG را آلوده کند.

“آرتیفکت‌ها سیگنال‌هایی هستند که توسط EEG ثبت می‌شوند؛ اما توسط مغز تولید نمی‌شوند. برخی از آرتیفکت‌ها ممکن است شبیه ناهنجاری‌های واقعی صرعی یا تشنج باشند. آگاهی از میدان توزیع توپوگرافیک منطقی برای ناهنجاری واقعی EEG در تشخیص آرتیفکت از امواج مغزی مهم است. آرتیفکت‌های فیزیولوژیکی منشأ از بیمار دارند و آرتیفکت‌های غیرفیزیولوژیکی منشأ از محیط بیمار دارند.

انواع آرتیفکت‌های EEG

توانایی تشخیص آرتیفکت‌ها اولین قدم در حذف آن‌ها است. آرتیفکت‌های EEG را می‌توان بسته به منشأ آن‌ها طبقه‌بندی کرد که می‌تواند فیزیولوژیکی یا خارجی بدن انسان (غیرفیزیولوژیکی) باشد.

رایج‌ترین آن‌ها عبارت‌اند از:

• آرتیفکت‌های فیزیولوژیکی
  • فعالیت چشمی
  • فعالیت عضلانی
  • فعالیت قلبی
  • تعریق
  • تنفس
• آرتیفکت‌های غیرفیزیولوژیکی / فنی
  • پاپ الکترود
  • حرکت کابل
  • قرارگیری نادرست مرجع
  • تداخل الکتریکی و الکترومغناطیسی AC
  • حرکات بدن

دستگاه EEG مورداستفاده برای ایجاد بیشتر تصاویر نشان‌دهنده آرتیفکت‌ها با سیستم ۱۶ کاناله EEG جمع‌آوری شد که بین ۰.۵ تا ۳۰ هرتز فیلتر شده بود. اجزای مستقل با استفاده از الگوریتم ICA اطلاعات لجستیک استخراج شدند.

آرتیفکت‌های فیزیولوژیکی

• فعالیت چشمی:
  • منشأ: چشم را می‌توان به‌صورت یک دیپل مغناطیسی مدل‌سازی کرد و هنگام حرکت میدان الکتریکی را در منطقه تغییر شکل می‌دهد.
  • چرا روی EEG تأثیر می‌گذارد: این امواج به‌عنوان سیگنال EOG (الکترواکولوگرام) شناخته می‌شود و دامنه‌ای معمولاً یک‌مرتبه بزرگ‌تر از سیگنال EEG دارد و به مقادیر حدود ۱۰۰-۲۰۰ میکروولت می‌رسد.
  • انواع اثرات: پلک‌زدن، حرکت جانبی، حرکات چشم
  • تأثیر بر حوزه زمان: پلک‌زدن یک تغییر سریع با دامنه بالا در سیگنال‌های EEG در الکترودهای ناحیه پیشانی ایجاد می‌کند که در الکترودهای نزدیک‌تر به چشم‌ها برجسته‌تر است. حرکات جانبی چشم نیز بر نواحی جلویی تأثیر می‌گذارند؛ اما در نزدیکی شقیقه‌ها قابل‌توجه‌تر هستند. به‌طورکلی دامنه آرتیفکت تقریباً متناسب با زاویه دید است.
  • تأثیر بر حوزه فرکانس: تأثیر در فرکانس‌های پایین که می‌تواند با باندهای دلتا و تتا اشتباه گرفته شود.

فعالیت عضلانی (EMG)

• منشأ: عضلات هنگام انقباض فعالیت الکتریکی تولید می‌کنند. این فعالیت را می‌توان اندازه‌گیری کرد و سیگنال حاصل الکترومیوگرافی (EMG) نامیده می‌شود.
• چرا روی EEG تأثیر می‌گذارد: فعالیت الکتریکی تولید شده توسط عضلات می‌تواند با فعالیت واقعی EEG تداخل کند. می‌توانیم این آرتیفکت‌های فرکانس بالا را با چشم غیرمسلح مشاهده کنیم.
• انواع اثرات: فشردن فک، تنش عضلات گردن و شانه، بلع، جویدن، صحبت‌کردن، مکیدن، بوکشیدن، اخم‌کردن یا هیکیک زدن
• تأثیر بر حوزه زمان: می‌توانیم یک سیگنال فرکانس بالا را مشاهده کنیم که روی سیگنال EEG همپوشانی دارد. دامنه باقدرت انقباض عضله همبستگی دارد.
• تأثیر بر حوزه فرکانس: اثر در فرکانس‌های با همپوشانی بالای آرتیفکت‌ها در باندهای بتا و گاما  EEG. 

فعالیت قلبی

• منشأ: فعالیت الکتریکی از قلب. این سیگنال الکتروکاردیوگرام (ECG) نامیده می‌شود اما به‌عنوان آرتیفکت پالس نیز شناخته می‌شود.
• چرا روی EEG تأثیر می‌گذارد: اگرچه دامنه ECG روی پوست سر کم است، اما گاهی اوقات بسته به قرارگیری الکترود یا شکل بدن شرکت‌کننده، یک اعوجاج ریتمیک در سیگنال‌های EEG مشاهده می‌شود.
• انواع اثرات: فعالیت قلبی، پالس
• تأثیر بر حوزه زمان: یک الگوی ریتمیک، مطابق با ضربان قلب که روی سیگنال EEG همپوشانی دارد.
• تأثیر بر حوزه فرکانس: اجزای فرکانسی ECG با فرکانس‌های باند EEG همپوشانی دارند؛ بنابراین تجسم آن‌ها با چشم غیرمسلح دشوار است.

تعریق

• منشأ: غدد عرق پوست
• چرا روی EEG تأثیر می‌گذارد: قطرات کوچک عرق تولید شده توسط غدد باعث تغییرات در خط پایه الکتریکی الکترودها می‌شود. در صورت تعریق شدید حتی می‌تواند باعث ایجاد اتصال کوتاه‌بین الکترودها شود.
• انواع اثرات: غدد عرق، پتانسیل‌های پوستی
• تأثیر بر حوزه زمان: امواج آهسته روی‌هم‌رفته سیگنال EEG.
• تأثیر بر حوزه فرکانس: آرتیفکت فرکانس پایین که عمدتاً با باندهای دلتا و تتا همپوشانی دارد.

تنفس

• منشأ: حرکت قفسه سینه و سر هنگام تنفس (دم/بازدم)
• چرا روی EEG تأثیر می‌گذارد: این امر در ضبط خواب رایج‌تر است؛ زیرا حرکت مرتبط با تنفس در صورت خوابیدن شرکت‌کننده روی تخت، تماس بین الکترودها و پوست سر را تغییر می‌دهد.
• انواع اثرات: دم، بازدم
• تأثیر بر حوزه زمان: امواج آهسته همگام با ریتم تنفس که روی سیگنال‌های EEG همپوشانی دارند.
• تأثیر بر حوزه فرکانس: آرتیفکت فرکانس پایین که با باندهای دلتا و تتا همپوشانی دارد.

آرتیفکت‌های غیرفیزیولوژیکی / فنی

پاپ الکترود

• منشأ: خرابی‌های موقت در تماس بین سنسور EEG و پوست سر که با لمس سنسور یا تغییرات خود به خودی در تماس الکترود – پوست ایجاد می‌شود.
• چرا روی EEG تأثیر می‌گذارد: به دلیل تغییرات در پتانسیل تماس بین پوست سر و الکترود است.
• انواع اثرات: پاپ الکترود
• تأثیر بر حوزه زمان: تداخل ناگهانی و معمولاً با دامنه بالا در سیگنال EEG که معمولاً در یک کانال واحد موضعی است.
• تأثیر بر حوزه زمان: توصیف یک پاپ الکترود به دلیل طیف گسترده‌ای از اعوجاج‌های ممکن دشوار است.

حرکت کابل

• منشأ: حرکت کابل‌های اتصال الکترودها و سیستم تقویت‌کننده.
• چرا تأثیر می‌گذارد: تغییرات در میدان‌های الکترومغناطیسی باعث اعوجاج در سیگنال ثبت شده و همچنین در تماس سنسور – پوست سر می‌شود.
• انواع اثرات: حرکت کابل، لمس کابل
• تأثیر بر حوزه زمان: بسیار وابسته به نوع حرکت کابل است. اگر حرکت ریتمیک باشد، اعوجاج‌های همپوشانی سیگنال‌های EEG با همان ریتم حرکت کابل ظاهر می‌شوند.
• تأثیر بر حوزه فرکانس: همچنین به نوع حرکت بستگی دارد. اگر حرکات ریتمیک باشد می‌توانیم پیک‌های فرکانسی غیر EEG را پیدا کنیم.

قرارگیری نادرست مرجع

• منشأ: کانال مرجع قرار نگرفته یا تماس بد در کانال مرجع.
• چرا تأثیر می‌گذارد: سیگنال ثبت شده EEG نیست.
• انواع اثرات: سنسور مرجع قرار نگرفته
• تأثیر بر حوزه زمان: تغییرات ناگهانی در همه کانال‌ها با دامنه بالا. همه کانال‌ها به‌آرامی (اثرات فیلترینگ) به سیگنال‌های واقعی EEG همگرا می‌شوند زمانی که مرجع به‌درستی قرار گیرد.
• تأثیر بر حوزه فرکانس: توان بسیار بالا در تمام کانال‌ها و در سیگنال‌های غیر EEG.

تداخل‌های الکتریکی و الکترومغناطیسی AC

• منشأ: خطوط و دستگاه‌های برق AC
• چرا روی EEG تأثیر می‌گذارد: به دلیل عدم کفایت یا عدم وجود محافظ کابل، سیگنال می‌تواند تحت‌تأثیر میدان‌های الکترومغناطیسی اطراف مانند منابع برق AC و سیم‌ها قرار گیرد.
• انواع اثرات: ۵۰ هرتز یا ۶۰ هرتز
• تأثیر بر حوزه زمان: می‌توانید یک نویز فرکانس بالا را مشاهده کنید که به طور مداوم روی سیگنال EEG همپوشانی دارد.
• تأثیر بر حوزه فرکانس: یک پیک بزرگ در حدود ۵۰ هرتز یا ۶۰ هرتز بسته به استاندارد فرکانس AC کشور شما (آرتیفکت ۵۰ هرتز یا ۶۰ هرتز) مشاهده خواهید کرد.

حرکات بدن

• منشأ: حرکات بدن، عمدتاً تحت‌تأثیر حرکات سر.
• چرا تأثیر می‌گذارد: هنگام حرکت، اگرچه ناخواسته، تماس بین الکترود و پوست تحت‌تأثیر قرار می‌گیرد و سیگنال EEG آلوده می‌شود.
• انواع اثرات: حرکات سر، حرکات دست، راه‌رفتن، دویدن.
• تأثیر بر حوزه زمان: امواج آهسته موقت مطابق با ریتم حرکت.
• تأثیر بر حوزه فرکانس: اثر در فرکانس‌های پایین همپوشانی با باندهای دلتا و تتا.

تکنیک‌های فیلترکردن آرتیفکت EEG با تحلیل داده

چهار روش اصلی برای مقابله با آرتیفکت‌ها بسته به تحلیل داده وجود دارد:

1. ردکردن آرتیفکت EEG اولین رویکرد انتخاب و ردکردن دوره‌های EEG با آرتیفکت است. تکنیک‌های مختلف الگویی (معمولاً یکی از آرتیفکت‌های فوق) را برای انتخاب دوره‌های EEG برای حذف تعریف می‌کنند. روش‌های شناسایی الگو از بازرسی بصری توسط یک متخصص EEG تا آمار خودکار در حوزه زمان یا فرکانس متغیر است. به‌عنوان‌مثال، در یک پروتکل ERP، می‌توانید یک آستانه آماری برای حذف آزمایش‌هایی که دامنه بسیار بالاتری دارند تعریف کنید. ردکردن یک روش بسیار پرهزینه است؛ زیرا درحالی‌که تقریباً تمام آرتیفکت‌ها را می‌توان حذف کرد، تمام اطلاعات ارزشمند EEG دوره نیز حذف می‌شود. معمولاً شما علاقه‌مند به حفظ حداکثر داده‌های واقعی EEG هستید، به‌خصوص زمانی که ضبط‌ها کوتاه هستند.

۲. فیلترینگ هدف این تکنیک‌ها حذف آرتیفکت‌ها با حفظ حداکثر اطلاعات EEG است. این طبقه‌بندی شامل تکنیک‌هایی مانند یک فیلتر خطی ساده برای حذف باندهای فرکانسی خاص روش‌های رگرسیون برای حذف سیگنال‌های EOG یا ECG از EEG با استفاده از یک سیگنال مرجع فیلترهای تطبیقی با سیگنال مرجع، فیلترهای یا فیلترهای بیزی است. به‌عنوان‌مثال، می‌توانیم از فیلترهای خطی برای حذف آرتیفکت ۵۰ هرتز یا ۶۰ هرتز تداخل الکتریکی AC استفاده کنیم. این همچنین اطلاعات EEG (امواج مغزی) را حذف می‌کند، اما چنین فرکانس‌های بالایی معمولاً تمرکز مطالعات EEG نیست. مثال دیگر استفاده از سیگنال EOG به‌عنوان یک کانال مرجع برای حذف آن اطلاعات از سیگنال آلوده EEG با رگرسیون یا فیلترهای تطبیقی است. روش‌های رگرسیون فرض می‌کنند که EEG ضبط شده ترکیبی از EEG واقعی و آرتیفکت‌ها (EOG) است. فیلتر رگرسیون نسبت مرجع‌ها (EOG) موجود در یک کانال EEG واحد را محاسبه می‌کند و آن را کم می‌کند.

۳٫ جداسازی کور منبع اینها تکنیک‌های جداسازی هستند که سعی می‌کنند EEG را به یک ترکیب خطی از منابع سیگنال بر اساس ملاحظات ریاضی مختلف مانند عمود بودن یا استقلال تجزیه کنند. محبوب‌ترین و مفیدترین تکنیک، تحلیل مؤلفه مستقل (ICA) است که EEG را به‌صورت خطی به مؤلفه‌ها یا منابع مستقل ریاضی تجزیه می‌کند. ازآنجایی‌که نویز معمولاً بدون همبستگی و مستقل از منابع EEG است، می‌توانیم مشاهده کنیم که برخی از مؤلفه‌ها شامل اطلاعات آرتیفکت هستند. به‌عنوان‌مثال، می‌توان از آن‌ها برای حذف آرتیفکت‌های EOG یا EMG با علامت‌گذاری منابع نویز به‌صورت دستی یا از طریق تکنیک‌های یادگیری ماشین مانند MARA و سپس حذف آن‌ها و بازسازی خطی داده‌های تمیز EEG از بقیه مؤلفه‌ها استفاده کرد. مزیت روش جداسازی کور منبع این است که نیازی به کانال مرجع یا اطلاعات قبلی در مورد نویز ندارد. محدودیت اصلی این است که از کل ماتریس EEG به‌جای فیلترکردن بر اساس کانال استفاده می‌کند و زمانی که تعداد کانال‌ها کاهش می‌یابد یا داده‌های EEG موجود کوچک است، به‌خوبی کار نمی‌کند.

۴٫ روش‌های تجزیه منبع این روش‌ها هر کانال منفرد را به شکل موج‌های پایه تجزیه می‌کنند، مواردی را که حاوی آرتیفکت هستند حذف می‌کنند و سپس کانال تمیز EEG را بازسازی می‌کنند. مثال اصلی این روش‌ها تجزیه موجک و برخی از انواع کمتر موردمطالعه مانند تجزیه حالت تجربی (EMD)یا تجزیه حالت غیرخطی (NMD) است. در تجزیه موجک، سیگنال هر کانال در ضرایب برای مقیاس‌ها و انحراف‌های مختلف موجک انتخاب شده (“مادر”) تجزیه می‌شود. برای فیلترکردن سیگنال، پس از تجزیه آن، برخی از ضرایب آستانه می‌شوند و سپس سیگنال بازسازی می‌شود. مزیت اصلی این روش‌ها این است که می‌توانیم داده‌های EEG را در سطح کانال حفظ کنیم. عیب اصلی این است که باید یک‌شکل موج پایه صحیح (موجک‌ها، توابع حالت ذاتی، حالت‌های غیرخطی) برای تجزیه نویز پیدا کنیم تا بتوانیم ضرایب را آستانه کنیم که فقط آرتیفکت‌ها را بدون حذف داده‌های EEG حذف می‌کنند. آن‌ها همچنین پیچیده‌تر هستند و هنوز در حال تحقیق هستند.

تکنیک‌های فیلترکردن آرتیفکت EEG با عملکرد آنلاین/آفلاین

جنبه مهم این تکنیک‌ها این است که آن‌ها به‌صورت آفلاین یا آنلاین کار می‌کنند. روش‌های آفلاین خودکار نیستند و نیاز به مداخله انسانی دارند، بنابراین نمی‌توانند در سیستمی که به طور خودکار اجرا می‌شود ادغام شوند. به‌عنوان‌مثال، بازرسی بصری برای ردکردن دوره‌های EEG یا انتخاب بصری مؤلفه‌ها/منابع آرتیفکت روش‌های آفلاین هستند که نیاز به نظارت یک متخصص دارند. روش‌های آنلاین می‌توانند کاملاً خودکار شوند و در سیستمی که به طور خودکار اجرا می‌شود ادغام شوند. به‌عنوان‌مثال، روش‌هایی با سیگنال مرجع مانند رگرسیون یا فیلترهای تطبیقی می‌توانند به‌راحتی به‌صورت آنلاین اجرا شوند. همچنین، فرایندهایی که شامل تجزیه سیگنال مانند جداسازی منبع کور یا روش‌های تجزیه منبع هستند را می‌توان با ایجاد برخی آستانه‌ها یا آستانه‌های آماری از داده‌های EEG تمیز به طور خودکار برای حذف مؤلفه‌ها خودکار کرد.

نرم‌افزار برای آرتیفکت EEG

چندین جعبه‌ابزار و کتابخانه برای فیلترکردن سیگنال EEG موجود است. در اینجا ما قصد داریم روی زیرمجموعه کوچکی از آن‌ها تمرکز کنیم که احتمالاً در زمان‌نگارش این سند بیشترین استفاده را دارند. همه آن‌ها کتابخانه‌های نرم‌افزاری هستند که می‌توانند مستقل از سیستم EEG که داده‌ها را دریافت می‌کند استفاده شوند:

1. EEGLAB (EEGLAB، EEGLAB Wiki): این یک جعبه‌ابزار متلب تعاملی برای پردازش EEG، MEG و سایر داده‌های الکتروفیزیولوژیکی پیوسته و مرتبط با رویداد است. این شامل تکنیک‌های فیلتر مانند تجزیه‌وتحلیل اجزای مستقل (ICA) یا رد مصنوع است و چندین پلاگین فیلتر را می‌توان برای افزایش پتانسیل جعبه‌ابزار دانلود کرد. همچنین شامل تجزیه‌وتحلیل زمان/فرکانس، آمار مربوط به رویداد، و چندین حالت تجسم داده‌های میانگین و تک آزمایشی است. EEGLAB بر روی Windows، Mac OS X، Linux و Unix اجرا می‌شود.
2. FieldTrip (جعبه‌ابزار FieldTrip): این جعبه‌ابزار MATLAB برای تجزیه‌وتحلیل MEG، EEG، iEEG و NIRS است. تکنیک‌های پیش‌پردازش و روش‌های تجزیه‌وتحلیل، مانند تجزیه‌وتحلیل زمان – فرکانس یا بازسازی منبع با استفاده از دوقطبی را ارائه می‌دهد. از فرمت‌های داده همه سیستم‌های اصلی MEG و محبوب‌ترین سیستم‌های EEG، iEEG و NIRS پشتیبانی می‌کند و فرمت‌های داده جدید را می‌توان به‌راحتی اضافه کرد. شما می‌توانید پروتکل‌های تجزیه‌وتحلیل خود را در یک اسکریپت MATLAB با استفاده از توابع سطح بالا FieldTrip پیاده‌سازی کنید. FieldTrip یک نرم‌افزار متن‌باز تحت مجوز عمومی GNU است.
3. MNE (MNE — MNE 0.20.0 مستندات): نرم‌افزار منبع‌باز پایتون برای کاوش، تجسم و تجزیه‌وتحلیل داده‌های عصبی فیزیولوژیکی انسان: MEG، EEG، sEEG، ECoG و موارد دیگر. این نرم‌افزار دارای یک جامعه روبه‌رشد است و چندین بسته پایتون برای افزودن یک رابط کاربری گرافیکی، تشخیص خودکار کانال بد و درون‌یابی، تجزیه‌وتحلیل اجزای مستقل (ICA)، تجزیه‌وتحلیل اتصال، تجزیه‌وتحلیل آماری همه‌منظوره سیگنال‌های MEG/EEG یا پیاده‌سازی پایتون از خط لوله پیش‌پردازش (PREP) برای داده‌های EEG در میان دیگران.

نتیجه‌گیری

چندین مصنوع و روش برای حذف یا رد آنها در این پست ارائه شده است. هنوز یک قاعده جادویی وجود ندارد که بتواند هم‌زمان با تمام طیف نویزها ممکن مقابله کند. بسته به ماهیت تجربی مجموعه‌داده‌ها، برخی از مصنوعات بیشتر مستعد ظاهرشدن هستند و برخی از روش‌های حذف مناسب‌تر هستند.

ادبیات تحقیقاتی زیادی در مورداستفاده از ترکیبی از روش‌ها برای مقابله با مصنوعات وجود دارد. به نظر می‌رسد الگوریتم‌های مبتنی بر ICA اولین رویکرد پیش‌فرض برای فیلتر EEG باشند اگر روش‌های ساده‌تر مانند رگرسیون یا رد برای برنامه شما معتبر نباشد. به‌عنوان یک قاعده، یادآوری ماهیت EEG به شرکت‌کنندگان مهم است و از آنها بخواهید تاحدامکان از حرکات یا اقداماتی که ممکن است سیگنال‌ها را آلوده کنند، اجتناب کنند. علاوه بر این، مصنوعات غیرفیزیولوژیکی باید توسط آزمایشگر به حداقل برسد.

اگر مصنوعات به مواردی که اجتناب‌ناپذیر است کاهش یابد (حرکات چشم یا حرکات کوچک بدن)، انتخاب ابزار صحیح برای حذف آن مصنوعات خاص و پاک‌سازی داده‌های EEG آسان‌تر خواهد بود. بااین‌حال، زمانی که مانیتورینگ EEG در شرایط طبیعی انجام می‌شود، این همیشه امکان‌پذیر نیست.