Entonces, mi comprensión de 30,000 pies del flujo de datos de procesamiento de señales EEG es:
Entonces, en primer lugar, si el entendimiento anterior es engañoso de alguna manera, ¡comience por corregirme!
Asumiendo que estoy más o menos en lo correcto, mi aplicación específica es que quiero correlacionar ciertas formas de onda sin procesar con eventos (como " pensar en una tortuga ", " mover la cabeza hacia arriba y hacia abajo ", etc.). Creo que los potenciales relacionados con eventos son lo que estoy buscando, pero...
Con lo que estoy luchando es: ¿cómo debe ser mi "Red de procesamiento de señales" para implementar ERP? Desde una perspectiva arquitectónica, estoy buscando esta "red" para tomar formas de onda sin procesar como entrada y para generar eventos, como los pocos que mencioné anteriormente.
¿FFT es un jugador aquí? ¿Algunos tipos de filtros? ¿Qué procesadores componen un sistema ERP y cómo es su respectiva "red" (canalización de flujo de datos)?
Los potenciales relacionados con eventos son un problema en muchos aspectos de la fisiología, no solo en el análisis de EEG, por lo que esta respuesta es más general.
El principal problema es que las señales eléctricas o de otro tipo que están asociadas con algún "evento" suelen tener una magnitud mucho menor que el ruido de fondo en el sistema que se examina. Los electrocardiogramas son la excepción en este sentido. Entonces, el truco es sacar la señal relacionada con el evento del ruido.
Esto se hace mediante múltiples repeticiones del "evento" combinado con el promedio de la señal . Usted marca el registro eléctrico con la hora de cada evento, alinea partes del registro con los marcadores de eventos y promedia las señales alineadas alrededor de los múltiples eventos. Esta puede ser la forma de onda completa para los potenciales evocados sensoriales , o si está examinando los potenciales de acción en un nervio, el histograma de los tiempos de ocurrencia de los potenciales de acción posteriores al evento .
Los mecanismos particulares de procesamiento de señales utilizados han evolucionado con la tecnología. Tengo la edad suficiente para haber conocido a personas que hace 60 años registraron la actividad neuronal eléctrica en cinta magnética y procesaron los datos, después de la conversión de analógico a digital, en lo que entonces eran computadoras de última generación con 65.000 palabras de memoria. Incluso entonces, se discutía sobre las mejores tecnologías a utilizar para fines específicos, como indica esta monografía del MIT de 1959 .
El problema principal, el bajo nivel de señales relacionadas con el ruido de otra actividad eléctrica, aún persiste 60 años después. El ruido es más biológico que técnico, por lo que las mejoras más recientes tienen más que ver con la facilidad y la velocidad de procesamiento que con el problema fundamental de señal a ruido. Para potenciales relacionados con eventos, use cualquier tecnología que le permita recopilar los datos eléctricos junto con las notaciones vinculadas de los tiempos de los eventos, luego promedie las señales sincronizadas en los eventos para construir la señal a partir del ruido. En una aplicación clínica estándar de potenciales evocados auditivos del tronco del encéfalo para evaluar la audición, es posible que necesite promediar más de 500 o más presentaciones de estímulo.
Este problema de señal en ruido también se ve en la resonancia magnética funcional (fMRI) de la función cerebral, que debe considerar no solo la señal a lo largo del tiempo, sino también las diferencias entre las regiones del cerebro dentro de los individuos y las diferencias entre los individuos. La página de Wikipedia sobre fMRI detalla algunos métodos para obtener señales específicas del ruido de fondo. Debe prestar especial atención al tema de "Bloque versus diseño relacionado con eventos" en esa página. Tengo entendido que para "eventos" del tipo que usted considera, como "pensar en una tortuga", el diseño de bloques funciona mejor en fMRI. El artículo de Thierry et al , proporcionado en la útil respuesta de @Christiaan,
Los métodos en ese artículo de Thierry et al también indican el tipo de cuidado práctico que se utiliza en los análisis profesionales de este tipo. Los autores entran en detalles sobre la naturaleza y la ubicación de los electrodos, la elección de qué electrodos usar para el análisis, las tasas de muestreo de señales, etc. Por ejemplo:
La actividad del cuero cabelludo se digitalizó a una frecuencia de muestreo de 1 kHz a partir de 64 electrodos de Ag/AgCl distribuidos por todo el cuero cabelludo de acuerdo con la convención 10-20 usando Cz como referencia. Las impedancias se mantuvieron por debajo de 7 kOhms. El electroencefalograma se filtró en línea entre 0,01 y 200 Hz y paso bajo fuera de línea a 35 Hz utilizando un filtro digital de cambio de fase cero. Los artefactos de parpadeo se corrigieron matemáticamente y las señales excedían 75 V en cualquier época dada se descartaron automáticamente.
Leer documentos como este es probablemente la mejor manera de aprender sobre lo que implica y de encontrar personas que puedan enseñarle cómo hacerlo.
Los ERP generalmente se analizan en términos de amplitud y latencia. FFT no es realmente una opción; no tiene sentido Puede haber algunas aplicaciones en las que puede ser útil, pero estas son bastante específicas. Por ejemplo, si se presentan estímulos repetidos y no los está promediando, pero está recolectando un EEG, entonces FFT puede ayudarlo a deducir si la frecuencia del estímulo (por ejemplo, 1/s) coincide con la frecuencia de respuesta y cuál es la diferencia de fase entre ellos. . Tenga en cuenta que FFT produce datos de amplitud y fase. Pero, en general, nuevamente, los ERP se analizan simplemente tomando amplitud y latencia (Fig. 1)
Fig. 1. Los ERP se caracterizan por tomar los picos, aquí el pico positivo (P) a los 100 ms (P1) y el pico negativo (N) a los 170 ms (N170). Se analizó y representó gráficamente la amplitud del pico N170. fuente: Thierry et al ., (2007)
Referencia
- Thierry et al ., Nature Neuroscience (2007); 10 : 505-11
smeeb
Daniel
smeeb
smeeb
smeeb
Daniel
aliced
Léo Léopold Hertz 준영