Mein 30.000-Fuß-Verständnis des Datenflusses der EEG-Signalverarbeitung ist also:
Also zunächst einmal, wenn das obige Verständnis in irgendeiner Weise in die Irre geführt wird, beginnen Sie bitte damit, mich zu korrigieren!
Angenommen, ich liege mehr oder weniger richtig, besteht meine spezifische Anwendung darin, dass ich bestimmte Rohwellenformen mit Ereignissen korrelieren möchte (z. B. " an eine Schildkröte denken ", " Kopf auf und ab bewegen " usw.). Ich glaube, ereignisbezogene Potenziale sind das, wonach ich suche, aber...
Womit ich zu kämpfen habe, ist: Wie muss mein „Signal Processing Network“ aussehen, um ERP zu implementieren? Aus architektonischer Sicht suche ich nach diesem "Netzwerk", um rohe Wellenformen als Eingabe aufzunehmen und Ereignisse auszugeben, wie die wenigen, die ich oben erwähnt habe.
Ist FFT hier ein Akteur? Einige Arten von Filtern? Aus welchen Prozessoren besteht ein ERP-System und wie sieht ihr jeweiliges „Netzwerk“ (Data Flow Pipeline) aus?
Ereignisbezogene Potenziale sind in vielen Aspekten der Physiologie ein Thema, nicht nur in der EEG-Analyse, daher ist diese Antwort allgemeiner.
Das Hauptproblem besteht darin, dass elektrische oder andere Signale, die einem „Ereignis“ zugeordnet sind, typischerweise eine viel geringere Größe haben als das Hintergrundrauschen in dem untersuchten System. Elektrokardiogramme sind in dieser Hinsicht die Ausnahme. Die Kunst besteht dann darin, das ereignisbezogene Signal aus dem Rauschen herauszuholen.
Dies geschieht durch mehrfache Wiederholung des "Ereignisses" kombiniert mit Signalmittelung . Sie markieren die elektrische Aufzeichnung mit der Zeit jedes Ereignisses, richten Teile der Aufzeichnung an den Ereignismarkierungen aus und mitteln die aufgereihten Signale um die mehreren Ereignisse herum. Dies kann die vollständige Wellenform für sensorisch evozierte Potenziale sein oder, wenn Sie Aktionspotenziale in einem Nerv untersuchen, das Histogramm der Zeitpunkte des Auftretens von Aktionspotenzialen nach dem Ereignis .
Die speziellen Signalverarbeitungsmechanismen, die verwendet werden, haben sich mit der Technologie entwickelt. Ich bin alt genug, um Leute zu kennen, die vor 60 Jahren elektrische neuronale Aktivität auf Magnetband aufgezeichnet und die Daten nach der Analog-Digital-Wandlung auf damals hochmodernen Computern mit 65.000 Wörtern Speicher verarbeitet haben. Schon damals gab es Diskussionen über die besten Technologien für bestimmte Zwecke, wie diese MIT-Monographie von 1959 zeigt.
Das Hauptproblem, der geringe Pegel ereignisbezogener Signale gegenüber dem Rauschen anderer elektrischer Aktivitäten, besteht auch 60 Jahre später noch. Das Rauschen ist eher biologisch als technisch, daher haben neuere Verbesserungen eher mit der Leichtigkeit und Geschwindigkeit der Verarbeitung zu tun als mit dem grundlegenden Signal-Rausch-Problem. Verwenden Sie für ereignisbezogene Potenziale jede Technologie, die es Ihnen ermöglicht, die elektrischen Daten zusammen mit verknüpften Notationen der Ereigniszeiten zu sammeln und dann die mit den Ereignissen synchronisierten Signale zu mitteln, um das Signal aus dem Rauschen aufzubauen. Bei einer klinischen Standardanwendung von akustisch evozierten Hirnstammpotenzialen zur Bewertung des Hörvermögens müssen Sie möglicherweise über 500 oder mehr Stimuluspräsentationen mitteln.
Dieses Signal-in-Rausch-Problem wird auch in der funktionellen Magnetresonanztomographie (fMRI) der Gehirnfunktion gesehen, die nicht nur das Signal über die Zeit, sondern auch Unterschiede zwischen Gehirnregionen innerhalb von Individuen und Unterschiede zwischen Individuen berücksichtigen muss. Die Wikipedia-Seite zu fMRI geht detailliert auf Methoden ein, um bestimmte Signale aus dem Hintergrundrauschen herauszuholen. Besondere Aufmerksamkeit sollten Sie dem Thema „Block versus eventbezogenes Design“ auf dieser Seite widmen. Mein Verständnis ist, dass für "Ereignisse" der Art, die Sie in Betracht ziehen, wie "an eine Schildkröte denken", das Blockdesign in fMRI am besten funktioniert. Das Papier von Thierry et al ., bereitgestellt in der hilfreichen Antwort von @Christiaan,
Die Methoden in dieser Arbeit von Thierry et al. weisen auch auf die Art der praktischen Sorgfalt hin, die bei professionellen Analysen dieser Art angewendet wird. Die Autoren gehen detailliert auf die Art und Platzierung der Elektroden, die Auswahl der für die Analyse zu verwendenden Elektroden, die Signalabtastraten und so weiter ein. Zum Beispiel:
Die Kopfhautaktivität wurde mit einer Abtastrate von 1 kHz von 64 Ag/AgCl-Elektroden digitalisiert, die gemäß der 10–20-Konvention über die Kopfhaut verteilt waren, wobei Cz als Referenz verwendet wurde. Impedanzen wurden unter 7 kOhm gehalten. Das Elektroenzephalogramm wurde online zwischen 0,01 und 200 Hz und offline bei 35 Hz tiefpassgefiltert, wobei ein digitales Filter mit Nullphasenverschiebung verwendet wurde. Augenblinzelartefakte wurden mathematisch korrigiert und Signale überschritten 75 V in jeder gegebenen Epoche wurden automatisch verworfen.
Das Lesen von Artikeln wie diesem ist wahrscheinlich der beste Weg, um zu erfahren, worum es geht, und um Leute zu finden, die Ihnen beibringen können, wie man es macht.
ERPs werden typischerweise in Bezug auf Amplitude und Latenz analysiert. FFT ist nicht wirklich eine Option; es macht keinen Sinn. Es kann einige Anwendungen geben, bei denen es nützlich sein kann, aber diese sind ziemlich spezifisch. Wenn beispielsweise wiederholte Stimuli präsentiert werden und Sie sie nicht mitteln, aber Sie ein EEG erfassen, kann Ihnen die FFT dabei helfen, abzuleiten, ob die Stimulusfrequenz (z. B. 1/s) mit der Antwortfrequenz übereinstimmt und wie groß die Phasendifferenz zwischen ihnen ist . Beachten Sie, dass FFT Amplituden- und Phasendaten liefert. Aber im Allgemeinen werden ERPs einfach analysiert, indem Amplitude und Latenz genommen werden (Abb. 1).
Abb. 1. ERPs werden durch Aufnahme der Spitzen charakterisiert, hier die positive Spitze (P) bei 100 ms (P1) und die negative Spitze (N) bei 170 ms (N170). Die Amplitude des N170-Peaks wurde analysiert und aufgetragen. Quelle: Thierry et al ., (2007)
Referenz
– Thierry et al ., Nature Neuroscience (2007); 10 : 505-11
smeeb
Daniel
smeeb
smeeb
smeeb
Daniel
AliceD
Léo Léopold Hertz 준영