¡Hola a todos!
Este es el círculo de investigación científica de Yinaoyun, soy la hermana Miaojun~
Cuando realizamos un análisis de EEG, lo primero que debemos hacer es una gran acción de preprocesamiento. ¿Cuál es el papel del preprocesamiento en el análisis de EEG? Veamos qué tienen que decir las vacas grandes.
¿Qué papel juega el preprocesamiento en el análisis de datos de EEG?
Después de ordenar la investigación anterior, se encuentra que los investigadores se centran principalmente en los siguientes aspectos:
1. ¿Es el preprocesamiento una condición suficiente y necesaria (suficiente) para el análisis de datos de EEG?
2. ¿Es el preprocesamiento una condición suficiente pero innecesaria para el análisis de datos de EEG?
3. ¿Es el preprocesamiento una condición necesaria pero no suficiente para el análisis de datos de EEG?
4. ¿Es el preprocesamiento una condición insuficiente e innecesaria para el análisis de datos de EEG?
Recientemente, Arnaud Delorme (Nota: el desarrollador de EEGLAB) envió el artículo "EEG es mejor dejarlo solo" en la plataforma de preimpresión de bioRxiv.
El enlace de acceso al artículo es el siguiente:
https://doi.org/10.1101/2022.12.03.518987
Este artículo utiliza plataformas de análisis de datos cruzados (EEGLAB, FieldTrip, MNE y Brainstorm) para analizar la influencia de algunos métodos en el enlace de preprocesamiento del análisis de datos de EEG (tales como: guía incorrecta de interpolación, re-referenciación, ICA, etc.) sobre los resultados del EEG.
En resumen, los resultados de esta preimpresión muestran que, a excepción del filtrado de paso alto y la interpolación de cables defectuosos, la corrección automática de datos no tiene efecto o reduce significativamente el porcentaje de puntos de electrodos importantes.
Los métodos de corrección de la referencia y de la línea de base pueden tener un impacto negativo en la estabilidad de los resultados de los datos.
Rechazar segmentos de datos o ensayos incorrectos no compensa la pérdida de poder estadístico.
El análisis ICA rechaza los artefactos oculográficos, los artefactos EMG y no mejora de forma fiable el rendimiento de los datos.
Además, cuando el análisis de datos se realiza a través de la tubería de las plataformas de análisis, no se han obtenido mejores resultados esperados.
¡Comprendamos juntos el proceso de análisis detallado!
01
filtro de paso alto
Para el conjunto de datos Go/No-go y el conjunto de datos Oddball, el filtrado resultó en un aumento de alrededor del 50 % en el porcentaje de puntos de electrodos, como se muestra en la siguiente figura. Para Face Dataset, el filtrado no trajo una mejora significativa, lo que puede deberse al uso de filtrado de paso alto de 0,1 Hz durante la recopilación de datos.
02
Eliminar ruido lineal
Una mala interpolación de derivaciones puede afectar el porcentaje de puntos de electrodos, el filtrado de muescas no tiene un efecto significativo en el porcentaje de datos. Pero los algoritmos de interpolación en cleanline y Zapline-plus incluso tienen un impacto negativo en el rendimiento de Face Dataset.
Además, la eliminación fuera de línea del ruido lineal puede no ser un paso crítico en el preprocesamiento de datos de EEG, excepto para algunas métricas o métodos de análisis de datos de EEG específicos.
03
referencia pesada
Como se muestra, encontramos que la re-referenciación no aumentó el porcentaje de canales importantes en los tres conjuntos de datos. Además, los métodos de referenciación como mediana, media, REST y PREP pueden causar algunos efectos negativos.
04
línea de base
Como se muestra, restar la actividad de la línea de base no tuvo un impacto negativo en la calidad de los datos, especialmente cuando la línea de base era más corta que 500 ms. Además, se debe omitir la resta de la actividad de referencia media en el análisis ERP si los datos se filtran con paso alto a 0,5 Hz o más.
05
Pipeline de la plataforma de análisis
En la canalización de análisis, no se ha encontrado ninguna canalización de análisis que tenga una clara ventaja.
06
posdata
Los resultados y los puntos de vista de esta preimpresión han provocado acalorados debates entre los académicos. Impulsado por la investigación científica abierta, el intercambio abierto de conjuntos de datos de EEG masivos, enlaces de análisis de datos y materiales de análisis correspondientes están cambiando silenciosamente el actual. El proceso de análisis de datos de EEG también nos permite pensar sobre qué tipo de procesamiento y análisis de datos de EEG es un análisis más científico y objetivo que puede hacer que los resultados sean sólidos.
Además, también debemos observar con cautela los resultados y los puntos de vista en esta preimpresión y en la investigación de EEG de seguimiento, especialmente en la recopilación y el procesamiento de datos, registros más detallados y configuración de parámetros relacionados con informes, para mejorar en el Avanzando en la marea de la ciencia abierta.
Lo anterior es el contenido principal de este intercambio, ¡hasta la próxima!
Referencia:
Delorme, A. (2022). EEG es mejor dejarlo solo. bioRxiv.
https://doi.org/10.1101/2022.12.03.518987
Reimpresión | Autor de Wandering Heart Ball
|
Composición tipográfica de Nian Jingqing | Corrección correcta
|