موانع فیلتر کردن سیگنال EEG و رفع آنها در Sensio
فیلتر کردن سیگنال EEG برای حذف آرتیفکت‌ها یک مرحله پیش‌پردازش رایج است، اما تغییرات زمانی در سیگنال ایجاد می‌کند. چگونه فیلتری را برای اهداف خاص تحلیل خود انتخاب می‌کنید؟
فیلتر کردن دیجیتال یک مرحله پیش‌پردازش رایج هنگام تجزیه و تحلیل داده‌های EEG است. روش معمول در پردازش سیگنال EEG، اعمال یک فیلتر بالاگذر برای فیلتر کردن فرکانس‌های پایین کمتر از ۰.۱ هرتز یا اغلب حتی ۱ هرتز و یک فیلتر پایین‌گذر برای فیلتر کردن فرکانس‌های بالای ۴۰ یا ۵۰ هرتز است. اگرچه فیلترها (و انواع مختلفی از آنها) می‌توانند در کاهش و/یا جداسازی نویز از سیگنال مورد نظر بسیار مفید باشند، اما کاملاً بی اشکال نیستند. مطالعات متعدد نشان می‌دهد که فیلتر کردن می‌تواند بر شکل/ساختار زمانی سیگنال‌های EEG یا داده‌های پتانسیل وابسته به رویداد (ERP) تأثیر بگذارد و آنها را مخدوش کند (۱-۴). بنابراین، آیا آنها یک مشکل ضروری برای پردازش سیگنال EEG هستند؟ یا می‌توانیم بدون آنها کار کنیم؟
برخی از اصول اولیه فیلتر کردن دیجیتال
فیلترها را می‌توان طوری طراحی کرد که پاسخ ضربه محدود (FIR) یا پاسخ ضربه نامحدود (IIR) داشته باشند. پاسخ ضربه به زبان ساده نحوه مدیریت یک سیگنال ضربه واحد در حوزه زمان توسط فیلتر (کاری که با ساختار سیگنال انجام می‌دهد) است و تبدیل فوریه آن به عنوان پاسخ فرکانسی شناخته می‌شود. دانستن پاسخ ضربه می‌تواند آنچه را که برای توصیف رفتار فیلتر نیاز دارید به شما بگوید.
یک فیلتر FIR، همانطور که از نامش پیداست، دارای پاسخ ضربه برای مدت زمان محدودی است که پس از آن خروجی به صفر می‌رسد و در تمام فرکانس‌ها تأخیرهای مساوی ایجاد می‌کند (همچنین به عنوان پاسخ فاز خطی شناخته می‌شود). در مقابل، فیلترهای IIR (همچنین به عنوان فیلترهای بازگشتی شناخته می‌شوند) دارای پاسخ ضربه نامحدود هستند که در آن بخشی از خروجی فیلتر به عنوان بازخورد استفاده می‌شود. این امر باعث ایجاد تأخیرهای نابرابر در فرکانس‌های مختلف (مشخصه‌های فاز غیرخطی) می‌شود. این بدان معناست که سیگنال خروجی نسبت به ورودی در زمان جابجا می‌شود و برخی از مولفه‌های فرکانسی بیشتر از بقیه جابجا می‌شوند. با این حال، مزیت اصلی فیلترهای IIR این است که از نظر محاسباتی کارآمدتر هستند و خروجی فیلتر سریعتر آماده می‌شود.
جنبه دیگر طراحی فیلتر، جهت سیگنال مورد استفاده به عنوان ورودی است. فیلترهایی که فقط شامل اطلاعات گذشته و حال هستند به عنوان فیلترهای عِلّی شناخته می‌شوند، در حالی که فیلترهایی که به ورودی گذشته و آینده بستگی دارند به عنوان فیلترهای غیر علی یا غیر سببی شناخته می‌شوند. فیلتر علی پس از شروع (t=0) پاسخ تولید می‌کند. فیلترهای غیر علی به دلیل فیلتر کردن با فیدبک و در نظر گرفتن خروجی حتی قبل از شروع پاسخ تولید می‌کنند. شکل زیر از Rousselet [5] تفاوت بین فیلتر علی و غیر علی را از طریق پاسخ‌های ضربه آنها نشان می‌دهد. فیلتر کردن غیر علی در عمل با فیلتر کردن داده‌ها یک بار به جلو و سپس دوباره به عقب به دست می‌آید و می‌تواند به حداقل رساندن تأخیر فاز در سیگنال کمک کند. از آنجایی که فیلتر غیر علی به داده‌ی کامل نیاز دارد، این کار را نمی‌توان به صورت آنلاین یا بلادرنگ (مانند فیلتر علی) انجام داد، بلکه یک عملیات آفلاین است که پس از جمع‌آوری داده‌ها انجام می‌شود.
Figure 1: این نمودار پاسخ ضربه فیلتر FIR را در دو حالت علی و غیر علی نشان می‌دهد.
شکل زیر از Acunzo [7] تاثیر فیلترهای علی و غیر علی را بر شکل سیگنال نشان می‌دهد.
با توجه به شکل بالا، فیلتر علی باعث اعوجاج در شکل سیگنال می‌شود و شکل اصلی آن را تغییر می‌دهد. همچنین فیلتر غیر علی شکل سیگنال را به خوبی حفظ می‌کند، اما به دلیل فیلتر کردن رو به عقب، قبل از شروع سیگنال در t=0 نیز تغییراتی در آن ایجاد می‌کند.
یکی دیگر از پارامترهای مهم فیلترها، «مرتبه» (order) است که به میزان اطلاعات گذشته‌ای که در نظر گرفته می‌شود بستگی دارد و تعیین می‌کند که دامنه فرکانس‌های فراتر از قطع فیلتر چقدر سریع کاهش می‌یابد یا «roll off» می‌شود. با افزایش مرتبه فیلتر، تیزی roll-off افزایش می‌یابد. این مسئله ممکن است چیز خوبی به نظر برسد، اما منجر به هزینه محاسباتی بیشتر و ایجاد تأخیر زمانی در داده ها می‌شود.
بنابراین معیارهای زیادی در طراحی و انتخاب یک فیلتر دیجیتال باید در نظر گرفته شود.
انتخاب فیلتر در تجزیه و تحلیل EEG
نوع فیلتری که باید انتخاب شود به نوع تحلیلی که با داده‌های EEG انجام می‌شود بستگی دارد. این امر به ویژه برای تحلیلی که در آن عناصر ساختار زمانی مانند ERPها تجزیه و تحلیل می‌شوند، اهمیت دارد، جایی که انتخاب فیلتر می‌تواند نتایج را به طور چشمگیری تغییر دهد.
مطالعه‌ای توسط Vanrullen با استفاده از داده‌های شبیه‌سازی شده [8] نشان می‌دهد که تأخیر شروع در ERP می‌تواند به دلیل اثرات هموارسازی فیلتر پایین گذر، ده‌ها تا صدها میلی‌ثانیه تحت تأثیر قرار گیرد، نتیجه‌ای که بیشتر با استفاده از فیلترهای غیر علی [6] به وجود می‌آید. در مجموع استفاده از فیلتر نادرست می‌تواند منجر به تفسیرهای نادرست در مطالعات ERP و به طور کلی در تحلیل EEG شود. بنابراین، پیشنهاد این تحقیق استفاده از فیلترهای علی برای مطالعه ERP بود.
فیلتر کردن در عمل: برنامه Sensio
درک مفاهیم تئوری فیلتر کردن سیگنال EEG بسیار مهم است، اما پیاده‌سازی این مفاهیم در عمل نیز به همان اندازه حائز اهمیت است. برنامه Sensio با ارائه ابزارهای قدرتمند و کاربرپسند، به شما امکان می‌دهد تا به راحتی سیگنال‌های EEG خود را فیلتر کنید و در ادامه تحلیل‌های دقیقی را انجام دهید.
ویژگی‌های کلیدی:
- فیلترهای پیش‌فرض:Sensio شامل فیلترهای پیش‌فرض مانند notch، lowpass، و highpass است که به شما امکان می‌دهد به سرعت آرتیفکت‌ها و نویزهای رایج را از سیگنال EEG حذف کنید.
- طراحی فیلتر:با استفاده از زبانه “طراحی فیلتر”، می‌توانید فیلترهای مختلفی را با مشخصات دلخواه خود طراحی کنید. این امکان به شما انعطاف‌پذیری کامل در انتخاب نوع فیلتر، فرکانس قطع، و مرتبه فیلتر را می‌دهد.
- نمایش پاسخ فرکانسی:قبل از اعمال فیلتر، می‌توانید پاسخ فرکانسی آن را مشاهده کنید تا از عملکرد صحیح فیلتر اطمینان حاصل کنید.
- اعمال فیلتر بر روی کانال‌های انتخابی:می‌توانید فیلتر را بر روی همه کانال‌ها یا فقط بر روی کانال‌های انتخابی اعمال کنید.
- ذخیره و بارگذاری فیلتر:می‌توانید فیلترهای طراحی شده خود را ذخیره و در آینده بارگذاری کنید.
مزایا:
- رابط کاربری آسان:Sensio با رابط کاربری ساده و کاربرپسند خود، فیلتر کردن سیگنال EEG را برای همه کاربران، حتی کاربران تازه‌کار، آسان می‌کند.
- انعطاف‌پذیری:Sensio به شما امکان کنترل کامل بر روی پارامترهای فیلتر را می‌دهد و به شما کمک می‌کند تا بهترین نتایج را در تحلیل داده‌های EEG خود به دست آورید.
- صرفه‌جویی در زمان:با استفاده از Sensio، می‌توانید در زمان صرفه‌جویی کنید و به جای درگیر شدن با جزئیات فنی، بر روی تحلیل داده‌های خود تمرکز کنید.
منابع:
- Lyons R. G. (2004). Understanding Digital Signal Processing. Upper Saddle River, NJ: Prentice Hall PTR
- Luck S. J. (2005). An Introduction to the Event-Related Potential Technique. Cambridge
- Kappenman ES, Luck SJ (2010) The effects of electrode impedance on data quality and statistical significance in ERP recordings.
- May PJ, Tiitinen H (2010) Mismatch negativity (MMN), the deviance-elicited auditory deflection, explained.
- Rousselet (2012) Does Filtering Preclude Us from Studying ERP Time-Courses?
- Andreas Widmann and Erich Schröger (2012) Filter Effects and Filter Artifacts in the Analysis of Electrophysiological Data
- Acunzo, Mackenzie and van Rossum (2012) Systematic biases in early ERP and ERF components as a result of high-pass filtering
- Vanrullen R. (2011). Four common conceptual fallacies in mapping the time course of recognition.
