Preprocessing: od surowego sygnału do danych

Kliknij etap na pasku, aby zobaczyć sygnał po danej transformacji. Możesz włączyć porównanie z poprzednim etapem (czerwone nałożenie). Pod sygnałem czasowym znajdziesz widmo mocy (PSD) — to w nim najlepiej widać, co robi każdy filtr (zwłaszcza ostry dołek przy 50 Hz po filtrze notch). Dane są syntetyczne (256 Hz, montaż 10-20, 8 z 19 kanałów na wykresie), wygenerowane tak, by efekt każdego kroku był wyraźnie widoczny — celowo użyto filtra dolnoprzepustowego 70 Hz, aby składowa sieci 50 Hz przetrwała aż do filtra notch.

Przed analizą tworzymy workspace w programie Brain Vision Analyzer (BVA) z folderami: Raw (surowe dane), History (kroki analizy — BVA automatycznie zapisuje każdy krok jako osobny plik), Export (dane do dalszej analizy).

Interpolacja: Gdy jedna lub więcej elektrod nie działają poprawnie (wysoka impedancja, ciągłe zakłócenia), możemy je usunąć i zastąpić sztucznym sygnałem wyliczonym metodą interpolacji sferycznych splinów (spherical spline interpolation, Perrin i in., 1989). Metoda uwzględnia sferyczną geometrię skalpową i odległości kątowe między elektrodami — nie jest to prosta średnia arytmetyczna z sąsiadów. W BVA interpolację wykonuje się przez Interpolate Bad Channels (zakładka Transformations). Ważne: interpolację wykonujemy tylko przy ewidentnie złych elektrodach — nie powinna obejmować więcej niż 5–10% elektrod.

Filtrowanie usuwa składowe częstotliwościowe, które nie są istotne dla analizy lub stanowią zakłócenia:

Filtr górnoprzepustowy (high-pass filter, HPF) — odcina składowe poniżej ustalonej granicy (np. 0,1 Hz lub 1 Hz). Usuwa powolne dryfty sygnału spowodowane m.in. poceniem się skóry i zmianami potencjału skóry. Zbyt wysoka granica (np. 2 Hz) może zniekształcić powolne komponenty ERP.

Filtr dolnoprzepustowy (low-pass filter, LPF) — odcina składowe powyżej ustalonej granicy (np. 30 Hz lub 40 Hz). Usuwa szybkie zakłócenia (w tym zakłócenia sieci 50 Hz). Przy analizie ERP zazwyczaj stosuje się LPF 30–40 Hz.

Filtr notch (pasmowo-zaporowy) — usuwa wąskie pasmo (np. 50 Hz — zakłócenia sieci elektrycznej, lub 60 Hz w USA). Stosuje się go gdy nie chcemy obciąć zbyt szerokiego pasma.

Kolejność filtrowania: Filtrowanie przed segmentacją zapobiega „edge effects" (zniekształceniom na początku/końcu epok). W BVA: Transformations → Data Filtering → IIR Filters.

Segmentacja (epoching) polega na pocięciu ciągłego sygnału na krótkie odcinki (epoki) względem momentów zdarzeń (markerów). Typowy zakres: -200 ms (baseline) do +800–1000 ms po bodźcu. Fragment -200–0 ms służy jako linia bazowa (baseline period).

W BVA: Transformations → Segmentation → wybieramy markery i podajemy zakres czasowy.

Manualne odrzucanie artefaktów: Przegląd próba po próbie — zaznaczamy segmenty zawierające artefakty i wyrzucamy je z analizy. Metoda subiektywna, ale pozwala zachować użyteczne segmenty mimo artefaktów lokalnych.

Automatyczne odrzucanie: Definiujemy progi (np. amplituda > ±100 μV = artefakt). Program automatycznie odrzuca segmenty przekraczające próg. Szybsze, ale może opuścić subtelne artefakty lub niepotrzebnie odrzucić dobre dane.

ICA (Independent Component Analysis): Metoda rozkłada sygnał EEG na niezależne statystycznie składowe (komponenty). Każdy komponent ma swój topograficzny wzorzec aktywacji i przebieg czasowy. Komponenty odpowiadające mrugnięciom mają charakterystyczną topografię frontalną i kształt — można je zidentyfikować i usunąć bez wyrzucania całych segmentów. W BVA: Transformations → Ocular Correction ICA. Uwaga: stosuj ICA ostrożnie — można przypadkowo usunąć aktywność mózgową.

Baseline correction (korekcja linii bazowej) wyrównuje sygnał do wartości bazowej, eliminując powolne przesunięcia potencjału powstałe podczas uśredniania i segmentacji.

Procedura: od każdej próbki odejmuje się średnią amplitudę z okresu bazowego (typowo -200 do 0 ms, czyli 200 ms przed bodźcem). Efekt: sygnał z okresu bazowego ma amplitudę zbliżoną do zera, a wszelkie wychylenia po bodźcu odnoszą się do tego poziomu.

W BVA: Transformations → Baseline Correction → podajemy zakres bazowy.

Uśrednianie: Po oczyszczeniu danych i podziale na warunki, segmenty z każdego warunku uśrednia się. Wynikiem jest jeden ERP (Event-Related Potential) dla każdego warunku u każdego badanego. Transformations → Average.

Kluczowe założenie ICA: mieszanie sygnałów jest liniowe i stacjonarne. Neurony generują pola elektryczne sumujące się liniowo na elektrodach. ICA próbuje odwrócić tę mieszankę, znajdując macierz rozmieszania, przy której składowe są możliwie najbardziej niezależne.

Po identyfikacji IC artefaktowego: jego waga w rekonstrukcji sygnału jest zerowana, a sygnał na elektrodach rekonstruuje się z pozostałych IC. Efekt: oryginalna aktywność mózgowa na elektrodach frontalnych zostaje przywrócona bez udziału artefaktowego IC. Uwaga: ICA może nieświadomie usunąć prawdziwą aktywność mózgową — szczególnie z elektrod frontalnych (np. aktywność theta czołowa podczas zadań poznawczych). Zawsze weryfikuj manualne identyfikacje.