Information

So filtern Sie Rauschen in EEG-Daten

So filtern Sie Rauschen in EEG-Daten

Ich studiere Informatik und mache etwas für einen Psychologieprofessor.

Wir haben EEG-Daten aus einem Experiment, bei dem einer Person 140 Bilder für jeweils 2 Sekunden gezeigt wurden. Wir haben 64 Elektroden auf der Kopfhaut platziert, sodass wir 64 Kanäle mit kontinuierlichen Daten haben.

Wir wollen jeden Knoten mit jedem anderen Knoten korrelieren, damit wir ihn mit einem Akkorddiagramm grafisch darstellen können.

Da mein Professor im Ausland ist, habe ich Probleme mit den Anweisungen, die er mir gegeben hat, um die Daten zu manipulieren, um die Korrelationen zu erhalten.

"Sobald Sie in der Lage sind, die Matrix der Kanäle zu lesen, schlage ich vor, das mittlere Signal von jedem zu subtrahieren und zu filtern, um Rauschen über 30 Hz zu entfernen."

Meine Frage ist, wie man das Rauschen über 30 Hz entfernt? Daten für 1 Elektrode für 10 Millisekunden sehen beispielsweise so aus (gemessen in uV):

[ 31172.50, 31173.53, 31174.80, 31177.34, 31173.73, 31172.85, 31172.75, 31172.70, 31174.95, 31178.95]

Das von mir verwendete Python-Skript liefert auch diese Daten:

Abtastrate: 1000,0 Hz Zeit: 0,0 s bis 1883,15 s

Kann mir jemand in die richtige Richtung zeigen, welche Schritte ich unternehmen muss, um Rauschen über 30 Hz zu entfernen? Und ist das auch eine gute Möglichkeit, die Korrelationen zwischen den Elektroden zu berechnen?


Entfernung von Geräuschen kann auf verschiedene Weise erfolgen:

Konventionelle Filter: Sie könnten einen digitalen Tiefpassfilter erstellen, z. B. einen Chebyshev- oder Butterworth-Filter mit einer Grenzfrequenz von 30 Hz (filtern oder filtfilt Funktion in Matlab).

FFT-basierte Filterung: FIR-Filter entfernen Frequenzen im Frequenzbereich. Zuerst wird also eine Fourier-Transformation durchgeführt und dann können die Frequenzen >30 Hz aus dem Signal entfernt werden, indem einfach den FFT-Koeffizienten bei >30 Hz '0' zugewiesen wird. Eine umgekehrte FFT bringt dann Ihr Signal zurück (fftfilt in Matlab).

Wavelet-Transformationen: Da es sich um eine relativ komplexe und rechenleistungsintensive Methode handelt, ist dies möglicherweise nicht die Methode, die Sie suchen. Es kann jedoch effizienter sein, bestimmte Arten von Rauschen zu entfernen oder bestimmte Merkmale aus einem Signal zu extrahieren (cwt oder dwt Funktionen in Matlab).

Ich kenne mich mit Python nicht aus. Das Finden der entsprechenden Filter in Python sollte ziemlich einfach sein. Es gibt mehr Filterverfahren, aber die oben genannten sollten Sie weiterbringen.

Korrelationsanalyse kann mit verschiedenen Methoden durchgeführt werden, einschließlich Korrelation des Pearson-Produktmoments, Spearman Rangordnungskorrelation, Kendall-Rangordnungskorrelation und gegenseitige Information. Siehe Bonita et al., 2014, DOI: 10.1007/s11571-013-9267-8.

Subtrahieren des mittleren Signals von einem bestimmten Kanal reduziert im Wesentlichen den Signal-Offset (das DC-Signal), vergleichbar mit einem Hochpassfilter mit einer sehr niedrigen Grenzfrequenz.


Die üblichen Schritte sind: - Rohsignal (nach Vorverstärker und Verstärkung) - Bandpassfilter - Bandunterdrückung/Notch-Filter (Cutoff hängt davon ab, wo Sie sich befinden) - Anti-Aliasing-Filter - Sample/Hold - MUX (falls vorhanden) mehrere Kanäle) - ADC - Digitales Signal

Wie AliceD erwähnt, können Sie FFT-basierte Filter und WT als Filter verwenden. Für WT wenden Sie es grundsätzlich auf das Signal an (nach Auswahl eines Mutter-Wavelets) und Sie erhalten eine Reihe von Koeffizienten, die verschiedene Frequenzkomponenten darstellen, die dann vom Rohsignal subtrahiert werden können, um das Rauschen zu entfernen.

Abgesehen von diesen Filtern können Sie auch Raumfilter verwenden, ein sehr verbreiteter ist CSP (Common Spatial Patterns) oder andere wie MEC, CCA, AC, CAR, ICA usw.


Signal-Rausch-Verhältnis im EEG

Die Elektroenzephalographie (EEG) ist eine der Schlüsseltechnologien zur Beobachtung der Gehirnaktivität in der Neuromarketingforschung. Im Vergleich zu anderen Methoden ist es präzise: Veränderungen von Hirnzuständen, die sich in Tausendstelsekunden vollziehen, buchstäblich „in Gedankengeschwindigkeit“ messen. Es ist auch relativ niedrig kosten und einfach zu bedienen. Die Verwendung des EEG ist jedoch nicht ganz ohne Hindernisse. Das Signal-Rausch-Verhältnis (SNR) ist eine der wichtigsten methodischen Herausforderungen für die EEG-Datenerhebung und -analyse. Dieser Artikel bietet eine kurze Einführung in das Thema SNR: woher es kommt, warum es wichtig ist, wie es reduziert werden kann und was Käufer wissen müssen, um zu verstehen, wie SNR in ihren Studien gehandhabt wird

Aufnahmen

Was ist SNR? Die beste Erklärung ist, dass es sich um das Verhältnis von „alles, was Sie in Ihrer Analyse messen möchten“ zu „alles andere vom EEG-Signal erfasste“ handelt. Dieses Rauschen ist ein Problem, da es in EEG-Signalen zwei Hauptrauschquellen gibt. Der erste ist das allgemeine Hintergrundrauschen, das von außerhalb des Gehirns kommt. Das zweite ist das natürliche Rauschen, das in unserem Gehirn entsteht, weil unser Gehirn immer damit beschäftigt ist, viele Dinge gleichzeitig zu tun, nicht nur den einzelnen Aspekt, auf den Sie sich in Ihrem Studium konzentrieren möchten. Alle diese Aktivitäten verunreinigen das EEG-Signal.

Die Quellen des verunreinigenden Lärms

Betrachten wir zunächst externes Rauschen. Eine der Herausforderungen der EEG-Technologie besteht darin, dass die vom Gehirn erzeugte elektrische Aktivität winzig klein ist, in der Größenordnung von einem Millionstel Volt. Folglich besteht die aufgezeichnete elektrische Aktivität der Kopfhaut aus einer Mischung aus echten Gehirnsignalen, kombiniert mit viel Rauschen - als Artefakt bezeichnet -, das von anderen Körperteilen wie Herzaktivität, Augenbewegungen und Blinzeln, anderen Gesichtsmuskelbewegungen usw erzeugen elektrische Signale, die etwa 100-mal größer sind als die, die vom Gehirn erzeugt werden. Eine erste Aufgabe jeder EEG-Datenanalyse ist daher die Entfernung von Artefakten, die darin besteht, diese anderen Signale von den Signalen zu trennen, die vom Gehirn selbst ausgesendet werden.

Eine weitere externe Geräuschquelle ist die Umgebung, in der die EEG-Daten aufgezeichnet werden. Die häufigsten Quellen für diese Umgebungsgeräusche sind der elektrische Umgebungsstrom in jedem Raum mit Elektroverkabelung, entweder 50 Hz oder 60 Hz (je nach Land, in dem Sie sich befinden, und alle anderen elektrischen Geräte in unmittelbarer Nähe der EEG-Sensoren. Diese Signale werden normalerweise mit einem Notch-Filter aus der EEG-Aufzeichnung entfernt, der Signale bei bestimmten Frequenzen eliminiert.

Internes Rauschen ist schwieriger. Dies liegt daran, dass unser Gehirn zu jedem Zeitpunkt mit vielen verschiedenen Aktivitäten beschäftigt ist und jede dieser Aktivitäten elektrische Aktivität erzeugt, die in das Gesamtsignal eingemischt wird, das von EEG-Sensoren auf der Kopfhaut aufgenommen wird. Das Problem wird durch die Tatsache kompliziert, dass Aktivität immer im gesamten Gehirn stattfindet, sowohl auf der kortikalen Oberfläche in der Nähe der Kopfhaut als auch in Strukturen tief im Gehirn, und die Kopfhaut auf viele verschiedene Arten erreicht. All diese Signale zu entwirren, um sich auf ein bestimmtes Signal von Interesse für eine gegebene Studie zu konzentrieren, ist eine große Herausforderung, die am häufigsten durch die Prinzipien der kontrollierten Wiederholung und der Mittelwertbildung angegangen wird.

Warum spielt es eine Rolle?

Wenn das Signal in einer EEG-Analyse nicht richtig vom umgebenden Rauschen getrennt wird – sowohl von externem als auch internem Rauschen –, sind die Ergebnisse wahrscheinlich falsch und stark irreführend. Es mag den Anschein haben, als ob eine bestimmte Reaktion auftritt, aber wenn Sie das Signal-Rausch-Verhältnis nicht explizit korrigiert haben, ist diese Reaktion im Grunde bedeutungslos.

Verbesserung des Signal-Rausch-Verhältnisses

Maßnahmen zur Kontrolle des SNR bestehen aus zwei Arten: Eliminieren externer Rauschquellen und Trennen von internem Rauschen vom interessierenden Signal. Wenn möglich, ist der beste Weg, Außengeräusche zu vermeiden, sie von vornherein zu vermeiden. Um Gerätegeräusche zu vermeiden, verwenden Sie am besten hochwertige Geräte und Elektroden (z. Computermonitore usw. aus dem Aufnahmebereich. Dies ist relativ einfach im Vergleich zur Beseitigung von Rauschen, das von der Person selbst erzeugt wird. Es ist eine gängige Praxis, den Teilnehmer aufzufordern, still zu sitzen, aber es ist im Wesentlichen unmöglich, alle Blinzel- oder Gesichtsmuskelbewegungen zu verhindern.

Dieses Problem wird oft durch ein intelligentes experimentelles Protokoll angegangen, das interne Hirngeräusche minimieren kann, indem es den Teilnehmer konzentriert und mit der anstehenden Aufgabe beschäftigt hält und gleichzeitig häufige Pausen bietet, damit sich die Teilnehmer zwischen den experimentellen Aufgaben regelmäßig winden und blinzeln können. Auch gut ausgebildete EEG-Techniker können dazu beitragen, dass sich die Teilnehmer wohlfühlen und eine entspannte, professionelle Atmosphäre bei der Datenerhebung schaffen.

Nachdem die Daten aufgezeichnet wurden, werden in der sogenannten Nachbearbeitung häufig fortschrittliche statistische Algorithmen verwendet, um themenbezogenes Rauschen wie Bewegungsartefakte, Augenzwinkern und Muskelverspannungen aus dem Roh-EEG-Signal zu identifizieren und zu entfernen. Algorithmen für maschinelles Lernen können beispielsweise Muster im Signal identifizieren, die mit externem oder internem Rauschen verbunden sind, und diese Signale von den interessierenden Gehirnsignalen trennen. Für diese Aufgabe wird häufig eine Familie statistischer Techniken verwendet, die als Blind Signal Separation (BSS)-Algorithmen bezeichnet werden. Häufig werden diese Techniken von einer manuellen Reinigung begleitet, bei der ein EEG-Experte das Signal visuell untersucht und Artefakte und verrauschte Abschnitte von Hand entfernt.

ERP: Mittelung der Ergebnisse

Die Haupttechnik, die verwendet wird, um mit internem Rauschen umzugehen, ist Wiederholung und Mittelwertbildung. Dies lässt sich am besten anhand einer Unterkategorie der EEG-Analyse veranschaulichen, die als Event Related Potential (ERP)-Analyse bezeichnet wird, eine sehr verbreitete Methode, die in vielen Neuromarketing-EEG-Studien verwendet wird. ERP ist ein Signal im EEG, das aufzeigt, wie Informationen im Gehirn verarbeitet werden. Dieses Signal kann erhalten werden, indem die Aufzeichnung des EEG mit dem Einsetzen eines Ereignisses, beispielsweise der Präsentation eines Wortes oder eines Bildes, zeitlich synchronisiert wird.

Wiederholung und Mittelwertbildung werden in ERP-Studien verwendet, um das interessierende Signal vom Rauschen anderer Gehirnaktivitäten zu trennen. Die zugrunde liegende Annahme ist, dass das durch ein Stimulusereignis ausgelöste Signal über mehrere Versuche hinweg relativ konstant bleibt, während alle anderen Signale zufällig über die Versuche hinweg auftreten. Wenn Sie also mehrere Versuche mit einer oder mehreren Personen, die immer wieder demselben Reizereignis ausgesetzt sind, mitteln, wird das Signal weiterhin auffallen, da es nicht zufällig verteilt ist, aber das Rauschen tendiert dazu, auf Null zu mitteln, also in Effekt, der aus dem Durchschnitt verschwindet und das Signal, das Sie untersuchen möchten, in seiner ganzen Pracht hervorhebt.

Wenn Sie sicher sind, dass alle Personen in Ihrer Stichprobe ähnlich sind, können Sie ihre einzelnen Durchschnittswerte zusammenstellen, um den sogenannten Großen Durchschnitt zu erhalten. Dies wird normalerweise in wissenschaftlichen Artikeln berichtet, die die ERP-Technik verwenden.


Digitales Filterdesign für elektrophysiologische Daten – ein praktischer Ansatz

Hintergrund: Filterung ist ein allgegenwärtiger Schritt bei der Vorverarbeitung von elektroenzephalografischen (EEG) und magnetoenzephalografischen (MEG) Daten. Neben dem beabsichtigten Effekt der Dämpfung von Signalkomponenten, die als Rauschen betrachtet werden, kann die Filterung auch verschiedene unbeabsichtigte nachteilige Filtereffekte (Verzerrungen wie Glättung) und Filterartefakte zur Folge haben.

Methode: Wir geben einige praktische Hinweise zur Bewertung von Filterantworten (Impuls- und Frequenzgang) und zur Auswahl der Filtertypen (Hochpass/Tiefpass/Bandpass/Bandsperre endliche/unendliche Impulsantwort, FIR/IIR) und Filterparameter (Grenzfrequenzen, Filterordnung und -abfall, Welligkeit, Verzögerung und Kausalität) zur Optimierung des Signal-Rausch-Verhältnisses und zur Vermeidung oder Reduzierung von Signalverzerrungen für ausgewählte elektrophysiologische Anwendungen.

Ergebnisse: Verschiedene Filterimplementierungen in gängigen Elektrophysiologie-Softwarepaketen werden vorgestellt und diskutiert. Resultierende Filterantworten werden verglichen und bewertet.

Abschluss: Wir stellen Strategien zur Erkennung häufiger unerwünschter Filtereffekte und Filterartefakte vor und demonstrieren diese an praktischen Beispielen. Es werden bewährte Verfahren und Empfehlungen für die Auswahl und Berichterstellung von Filterparametern, Einschränkungen und Alternativen zum Filtern erörtert.

Schlüsselwörter: Elektrophysiologie Filterverzerrungen Filterparameter Filterung Vorverarbeitung.


Filter im Elektroenzephalogramm

Die Abbildungen 7-1 und 7-2 veranschaulichen die Auswirkungen von Filtern auf eine EEG-Seite. Abbildung 7-1 zeigt ein EEG, das während einer moderaten Patientenbewegung aufgezeichnet wurde, eine „rohe“ EEG-Kurve, die ohne explizite Verwendung von Filtern angezeigt wird. Abbildung 7-2 zeigt dieselbe Seite mit typischen Filtereinstellungen. Beachten Sie, dass trotz der Tatsache, dass Muskelartefakte immer noch Teile der oberen vier und unteren vier Linien des EEGs (der Schläfenbereiche) auslöschen, im gefilterten Beispiel die Amplitude dieses Muskelartefakts reduziert wird, wodurch benachbarte Kanäle leichter zu erkennen sind . Tatsächlich kann in dem gefilterten Beispiel das Vorhandensein bestimmter Wellenformen in den Bereichen von Muskelartefakten (diese Artefakte wird durch Kontraktion der Schläfenmuskeln erzeugt) intermittierend erkannt werden, die ansonsten nicht erkennbar gewesen wären. Beachten Sie auch, dass die Grundlinie jedes Kanals flacher ist, was eine einfachere Interpretation ermöglicht – jeder Kanal bleibt wahrscheinlicher in seinem eigenen horizontalen Bereich, nachdem die Filter verwendet wurden.


Wie berechnet man das SNR für EEG-Daten?

Ich interessiere mich für die Berechnung des SNR eines ERP. Meine Motivation ist: Das "Signal-Rausch-Verhältnis" zu berechnen und daraus die Information (wie?) zu extrahieren, wie viele Versuche benötigt werden, um ein stabiles ERP aufzubauen.

meine hauptfrage ist: Wie berechne ich und SNR für ein solches Szenario?

einige weitere Erläuterungen zu EEG und ERP sind beigefügt: EEG:

Die laufende elektrische Aktivität des Gehirns, die von Kopfhautelektroden gemessen wird, wird als Elektroenzephalogramm oder EEG bezeichnet. im EEG ist ein Signal, das aufschlussreicher über die Informationsverarbeitung im Gehirn ist. Dieses Signal kann erhalten werden, indem die Aufzeichnung des EEG zeitlich mit dem Einsetzen von Ereignissen verbunden wird, z. B. wenn eine Person ein Wort auf einem Computerbildschirm liest, eine auf einem Instrument gespielte Musiknote hört oder ein Bild in einer Zeitschrift ansieht. Die daraus resultierende Aktivität wird als „ereignisbezogenes Potenzial“ (ERP) bezeichnet.

Die Anzahl der Versuche, die erforderlich sind, um ein ERP zu erhalten, hängt von einer Reihe von Faktoren ab, wobei der wichtigste das "Signal-Rausch-Verhältnis" ist, d. h. die relative Größe des Signals (das ERP) im Verhältnis zur Größe des Rauschens (das Hintergrund-EEG). In kognitiven Experimenten sind typischerweise 30 bis 50 Stimuluspräsentationen erforderlich, um ein gutes sauberes durchschnittliches ERP zu erhalten.


Filter im Bereich Neurodiagnostik

In dieser Episode heißen Jen und Meshia Petra Davidson willkommen, um Fragen zu diskutieren, die wir zu Filtern erhalten haben.

Petra definiert Filter sehr weit gefasst als elektronische Vorhänge, die wir verwenden, um unerwünschte elektrische Signale auszublenden. Ein EEG ist eine Zeichnung, der graphische Teil, der elektrischen Signale, die von der Hirnrinde ausgehen. Unsere Ausrüstung, egal wie gut sie gemacht ist, kann nicht nur elektrische Signale des Gehirns aufzeichnen. Er nimmt alle elektrischen Signale in den voreingestellten Frequenzbereichen auf. Dazu gehören andere elektronische Geräte, unwillkürliche und willkürliche Muskelaktivität, elektrische Signale von Augen- und Zungenbewegungen und alle anderen elektrischen Entladungen. Alles von 0 Zyklen pro Sekunde oder Hz bis 120 Hz. Wir verwenden dann Filter oder Vorhänge, um unerwünschte Signale zu blockieren, ähnlich wie wir Vorhänge verwenden, um unerwünschte Lichtquellen auszublenden. Es gibt drei grundlegende Arten von Filtern, Niederfrequenz-, Hochfrequenz- und Kerbfilter.

Aliasing: Änderung des Signals durch Unterabtastung. Wenn der Analog-Digital-Wandler das Signal einbringt, muss er diskrete Datenpunkte auswählen und ist folglich auf eine endliche Anzahl von Daten beschränkt, die er richtig auswerten kann. Anschließend werden die Daten abgetastet und erneut übertragen. Es ist ähnlich wie das Telefonspiel zu spielen und nur jedes zweite Wort weiterzugeben.

Nyquist-Theorie: Um ein korrektes Ausgangssignal zu erhalten, muss das eingehende Sample doppelt so hoch sein wie die höchste aufzuzeichnende Frequenz.

Bandbreite: bezieht sich auf den Frequenzbereich zwischen den etablierten Filtern.

Elektrodenimpedanz: der gesamte effektive Widerstand gegen Wechselstrom. Wir brauchen einen gewissen Widerstand gegen Wechselstrom, was ein Grund dafür ist, dass die Impedanz NICHT kleiner als 1 sein soll.

Paul fragte: „Unterdrücken die Filter alle unerwünschten Signale oder nur bei diesen spezifischen Frequenzen?

Die Filter dämpfen oder glätten die Amplitude des angegebenen Signals um maximal 20-30% der ursprünglichen Amplitude. Bei Tiefpassfiltern, auch als Hochfrequenzfilter bekannt, werden die Signale oberhalb der eingestellten Grenze gedämpft oder in der Amplitude schrittweise über 20-30% reduziert, bis sie eliminiert werden. Bei Hochpass- oder Niederfrequenzfiltern werden die Signale unterhalb des eingestellten Grenzwerts schrittweise über 20-30% abgeschwächt oder in der Amplitude reduziert, bis sie eliminiert werden. Filter sind nicht perfekt, nach Industriestandards können Filter bis zu 20-30% des Originalsignals für den spezifischen benannten Filter anzeigen lassen.

Ron fragte – Wäre es dann am besten, Ihre Low-Filter so hoch wie möglich und die High-Filter so niedrig wie möglich einzustellen, um ein schmales Aktivitätsband zu erhalten? Wäre das nicht das sauberste Signal?

Absolut nicht. Da sich EEG-Geräte in den letzten Jahrzehnten verbessert haben, hat die Forschung gezeigt, dass wir erst begonnen haben, die vollen Frequenzen zu erschließen, die das Gehirn erreichen kann. Es wird empfohlen, die Filter so offen wie möglich zu halten, um eine maximale Visualisierung der vom Gehirn erzeugten Frequenzen zu ermöglichen.

Cyndi fragte – Was kann passieren, wenn die Filter zu schmal sind? Beeinflusst das die Aufnahme?

Wenn die Filter zu eng sind, ist die Fähigkeit des Arztes, den Patienten richtig zu diagnostizieren, gefährdet. Wenn die Niederfrequenzfilter zu hoch eingestellt sind, werden langsamere Frequenzen blockiert. Bei Enzephalopathien, Komas und verändertem Geisteszustand ist es wichtig, die langsame Aktivität aufzuzeichnen, um das Outcome des Patienten richtig beurteilen zu können. Wenn die Hochfrequenzfilter zu niedrig eingestellt sind, werden die hohen Frequenzen wie Spikes und Sharps und sogar der gesamte Hintergrundrhythmus.

Connor fragte: – Sollten wir bei der Durchführung einer EEG-Studie jederzeit den Notch-Filter verwenden, wenn wir auf der Intensivstation sind?

Beim EEG und anderen neurodiagnostischen Modalitäten sollte der erste Instinkt zur Klärung der Ergebnisse immer die Fehlersuche sein, wie Sie erwähnt haben. Wenden Sie immer zuerst die Fehlerbehebung an. Wenn Sie dann Rauschquellen eliminiert oder gekennzeichnet und überwacht haben, ist die geeignete Anwendung von Filtern akzeptabel. Stellen Sie sicher, dass die Impedanzen ausgeglichen sind, bevor Sie den Notch-Filter verwenden. Wenn die Impedanzen nicht ausgeglichen sind, kann der Kerbfilter das Auftreten einer schlechten Elektroden-Oberflächen-Grenzfläche blockieren. Dies bedeutet, dass der Kerbfilter die Fähigkeit hat, eine schlechte Elektrode zu verschleiern. Diese Tarnung erscheint auf einem EEG als normale Wellenform, als Alpha-Koma, als sinusförmige Theta-Entladung oder sogar als intermittierende Ausbrüche von Spindeln. Das Artefakt von einer schlechten Elektrode kommt nicht immer in Form von dicken schwarzen Fuzzy-Linien mit hoher Amplitude. Insbesondere bei den kritischsten Patienten kann die schlechte Elektrode entweder als fokales oder generalisiertes Alpha erscheinen.

Bedeutet das, dass bei hohen, aber symmetrischen Impedanzen die Testqualität ausreichend ist?

Höchstwahrscheinlich führen bei modernen Verstärkern hohe, aber symmetrische Impedanzen zu einem ausreichenden Test, obwohl es besser wäre, niedrige und symmetrische Impedanzen zu haben. Trotzdem sollten Impedanzen nie unter 1 kOhm liegen.

Was sind die typischen Geräusch- und Signalquellen im EEG, die Sie suchen?

Häufiges Rauschen im EEG oder das unerwünschte Signal entsteht typischerweise aus den folgenden Quellen: EOG oder Augenbewegung, EMG oder Muskelartefakt und Stromleitungsartefakt. Häufige kortikale Signale im EEG oder unsere gewünschten Signale sind winzige Signale, die nur vom Kortex oder dem Gehirn selbst stammen. Die Rauschsignale und Gehirnsignale haben gemeinsame Frequenzen, weshalb Filter notwendig sind, aber vorsichtig verwendet werden müssen. Rauschsignale von Augenbewegungen betragen typischerweise 1-3 Hz, das gleiche wie bei der Delta-Kortikalaktivität. Rauschsignale von EMG oder Muskel und von Stromleitungen sind 50-120 Hz, die im gleichen Bereich wie Krampfanfälle wie Sharps und Spike-Wave-Aktivität liegen.

Amanda fragte: – Gibt es andere Nachteile und Vorteile bei jedem Filtertyp?

Laut UC Davis, Physics Department, gibt es bei jedem Filtertyp viele Nachteile und Vorteile. Ich bin zuversichtlich, dass Elektronikspezialisten aus folgenden Gründen digitale Filter bevorzugen:

  1. Digitalfilter sind programmierbar. Analoge Filter erfordern eine physische Umstrukturierung, um unterschiedliche Einstellungen zu handhaben.
  2. Digitale Filter sind zeit- und temperaturstabiler.
  3. Digitale Filter lassen sich leichter testen, entwickeln und verwenden.
  4. Digitalfilter sind vielseitiger.
  5. Digitalfilter können einen breiteren Frequenzbereich leichter handhaben.

Bei all diesen Vorteilen scheint es, dass digitale Filter der einzige Weg sind. Nun ist es wichtig zu verstehen, dass analoge Filter den Vorteil haben, dass sie das Signal vollständig abtasten können. Digitale Filter müssen diskrete Proben auswählen. Hier ist Aliasing wichtig. Es kann alle Vorteile, die wir gerade aufgelistet haben, machen oder brechen. Unterabgetastete Signale, egal wie gut gefiltert, sind keine genaue Darstellung der kortikalen Aktivität.

Wenn Sie für Ihre Boards lernen, ist es wichtig, viele Ressourcen zu studieren, da Sie möglicherweise eine finden, die Sie mehr anspricht als eine andere. Zum Beispiel gibt es ein fantastisches YouTube-Video von UCL Medical Physics and Biomedical Engineering mit dem Titel „Understanding Frequency Filters in 10 minutes“. Wenn Sie sich schon einmal auf der Website der Trusted Academy aufgehalten haben, wissen Sie, dass wir CEU-Kurse, Foundations, Board-Vorbereitungskurse für eine Reihe verschiedener neurodiganostischer Bereiche und jede Menge Ressourcen zum besseren Verständnis von Filtern anbieten.


Fallstricke beim Filtern des EEG-Signals

Die digitale Filterung ist ein üblicher Vorverarbeitungsschritt bei der Analyse von EEG-Daten. Die typische Praxis bei der EEG-Signalverarbeitung besteht darin, einen Hochpassfilter zum Herausfiltern langsamer Frequenzen unter 0,1 Hz oder oft sogar 1 Hz und einen Tiefpassfilter zum Herausfiltern von Frequenzen über 40 oder 50 Hz einzusetzen. Obwohl Filter (und davon gibt es viele!) äußerst nützlich sein können, um Rauschen vom interessierenden Signal zu reduzieren und/oder zu trennen, sind sie nicht ganz ungefährlich. Zahlreiche Studien zeigen, dass die Filterung die Form/zeitliche Struktur von EEG-Signalen oder ereignisbezogenen Potenzialdaten (ERP) beeinflussen und verzerren kann (1-4). Sind sie also ein notwendiges Übel für die EEG-Signalverarbeitung? Oder können wir ohne sie auskommen?

Einige Grundlagen der digitalen Filterung

Filter können so entworfen werden, dass sie eine endliche Impulsantwort (FIR) oder eine unendliche Impulsantwort (IIR) haben. Eine Impulsantwort ist einfach, wie das Filter ein Einheitsimpulssignal im Zeitbereich behandelt (was es mit der Signalstruktur macht) und seine Fourier-Transformation ist als Frequenzantwort bekannt. Die Kenntnis der Impulsantwort kann Ihnen sagen, was Sie wissen müssen, um das Verhalten des Filters zu charakterisieren.

Ein FIR-Filter hat, wie der Name schon sagt, eine Impulsantwort für eine endliche Dauer, wonach der Ausgang auf Null geht und bei allen Frequenzen gleiche Verzögerungen erzeugt (auch als linearer Phasengang bekannt). Im Gegensatz dazu haben IIR-Filter (auch als rekursive Filter bekannt) eine unendliche Impulsantwort, bei der ein Teil der Ausgabe des Filters als Feedback verwendet wird. Dies erzeugt ungleiche Verzögerungen bei unterschiedlichen Frequenzen (nichtlineare Phasencharakteristik). Dies bedeutet, dass das Ausgangssignal gegenüber dem Eingang zeitlich verschoben ist, wobei einige Frequenzkomponenten stärker als andere verschoben sind. Der Hauptvorteil von IIR-Filtern besteht jedoch darin, dass sie rechnerisch effizienter sind.

Ein weiterer Aspekt des Filterdesigns ist die Richtung des als Eingang verwendeten Signals. Filter, die nur vergangene und aktuelle Informationen enthalten, werden als . bezeichnet Kausalfilter während Filter, die von der vergangenen und zukünftigen Eingabe abhängen, als an . bekannt sind kausal oder nichtkausal filtert. Kausalfilter erzeugt Reaktion nach dem Einsetzen (t=0). Nichtkausale Filter erzeugen durch Rückwärtsfilterung eine Reaktion schon vor dem Einsetzen und auch erzeugen größere Nebenkeulen. Die folgende Abbildung aus Rousselet [5] veranschaulicht den Unterschied zwischen kausalen und nichtkausalen Filtern anhand ihrer Impulsantworten. Akausale Filterung wird in der Praxis durch Filtern der Daten einmal vorwärts und dann wieder rückwärts erreicht und kann helfen, die Einführung von Phasenverzögerungen in das Signal zu minimieren. Da ein kausaler oder nicht-kausaler Filter die vollständigen Daten erfordert, kann dies nicht online oder in Echtzeit (wie der kausale Filter) erfolgen, sondern ist ein Offline-Vorgang, der nach der Datenerfassung durchgeführt wird.

Die folgende Abbildung von Acunzo et al. [7] zeigt, wie ein kausaler Filter die Signalform verzerrt, während ein kausaler oder nichtkausaler Filter die Signalform sehr gut beibehält, aber Unterschiede in das Signal sogar vor seinem Einsetzen bei t=0 aufgrund der Rückwärtsfilterung.

Ein weiterer wichtiger Parameter von Filtern ist der Auftrag Dies hängt davon ab, wie viel von der Vergangenheitsinformation enthalten ist und bestimmt daher, wie steil die Amplitude von Frequenzen jenseits der Cut-Off-Grenze des Filters abnimmt oder ‚roll off‘. Wenn die Filterordnung erhöht wird, nimmt die Schärfe des Roll-offs zu. Dies scheint eine gute Sache zu sein, hat aber seinen Preis – es führt zu einem höheren Rechenaufwand und führt zu Zeitverzögerungen in den Daten.

Daher sind bei der Auslegung und Auswahl eines digitalen Filters viele Kriterien und Kompromisse zu berücksichtigen.

Filterauswahl in der EEG-Analyse

Der zu wählende Filtertyp hängt von der Art der Analyse ab, die mit den EEG-Daten durchgeführt wird. Dies ist besonders wichtig für Analysen, bei denen Elemente der zeitlichen Struktur analysiert werden, wie z. B. in ERPs, bei denen die Filterauswahl die Ergebnisse dramatisch verändern kann.

Eine Studie von Vanrullen mit simulierten Daten [8] zeigt, dass die Onset-Latenz im ERP durch die Glättungseffekte der Tiefpassfilterung um zehn bis Hunderte von Millisekunden beeinflusst werden kann, ein Ergebnis, das am deutlichsten bei der Verwendung von nicht-kausalen Filter [6]. Obwohl nicht-kausale Filter die wünschenswerte Eigenschaft der Nullphasenverzögerung bieten, führen sie noch vor der Impulsantwort Nebenkeulen ein (dies ist auf die Rückwärtsfilterung zurückzuführen, siehe Abbildung oben), die dazu führen können, dass der ERP-Einsatz früher auftritt als er ist , was in ERP-Studien zu Fehlinterpretationen führen kann. Daher schlug er vor, kausale Filter zu verwenden, um ERP-Einbrüche zu untersuchen.

Über die Einzelheiten wird jedoch heftig diskutiert. Im Gegensatz zu der Studie von Vanrullen stellte Rousselet [5] fest, dass die Tiefpassfilterung keinen Einfluss auf die ERP-Einsätze seiner Daten hatte, sondern dass die Hochpassfilterung problematischer war, was die Verwendung eines kausalen Hochpassfilters nahelegte . In einer anderen Studie verglichen Wildman und Schröger [6] die Auswirkungen verschiedener Filteroptionen auf die Signallatenz und -form sowie Artefakte unter Verwendung von Vanrullens simulierten Daten. Sie berichten, dass die von Vanrullen und Kollegen berichteten Effekte um eine Größenordnung überschätzt werden und dass die Verwendung von asymmetrischen „kausalen“ FIR-Filtern, häufiger als Minimalphasenfilter bezeichnet, die Verzögerung bei der kausalen Filterung auf wenige Millisekunden reduzieren kann [ 6].

Acunzo und Kollegen [7] stellen die Probleme mit nicht-kausaler Hochpassfilterung (Hochpassfilterung) bei der Schätzung von ERP-Latenzen unter Verwendung echter statt simulierter Daten vor. Wenn die Cut-Off-Frequenz erhöht wird, sehen wir, dass die späteren Komponenten des ERP in Bezug auf Gesichtsreize (neutale, ängstliche und emotionale) verschwinden und die früheren ERP-Komponenten nach unten gedrückt werden. Bei der Grenzfrequenz von 0,1 Hz ist dieser Effekt weniger dramatisch. Wenn die Grenzfrequenz erhöht wird, werden die Effekte schlimmer.

Andere Messungen, die eine zeitliche Struktur beinhalten und ebenfalls beeinflusst werden können, sind Entropie- und DFA-Messungen.

Daher ist es wichtig zu bedenken, dass das Filtern wird deine Daten ändern und dies sollte bei der Interpretation der Ergebnisse berücksichtigt werden. Obwohl die Filterung nicht ganz vermieden werden kann, gilt: Je weniger Filterung durchgeführt wird, desto besser!


Hochpassfilter und Basislinienkorrektur in der M/EEG-Analyse. Kommentar zu: "Wie ungeeignete Hochpassfilter Artefakte und falsche Schlussfolgerungen in ERP-Studien zu Sprache und Kognition erzeugen können"

Tanneret al. (2015. Psychophysiology, 52(8), 1009. doi: 10.1111/psyp.12437) demonstrieren überzeugend, wie eine späte Auslenkung wie beim N400 oder P600 durch die Anwendung von Hochpassfiltern mit Cutoff sowohl in frühere als auch spätere Latenzen reflektiert wird Frequenzen höher als 0,1 Hz. Es unterstreicht die Bedeutung der testweisen Anwendung von Filtern mit unterschiedlichen Parametern auf elektrophysiologische Daten, um solche unerwünschten Filtereffekte zu identifizieren. Im Allgemeinen stimmen wir ihrem Ansatz und ihren Schlussfolgerungen zu, insbesondere der Auffassung, dass die Anwendung eines Hochpassfilters sinnvoll ist, wenn es das Signal-Rausch-Verhältnis (SNR) des interessierenden Signals verbessert, und dass niederfrequente Signale können wichtige Informationen enthalten. Allerdings sind wir uns in zweierlei Hinsicht nicht einig: Zum einen sind die Testdaten von Tanner et al. sind nicht optimal geeignet, um die Vorteile der Hochpassfilterung zu demonstrieren, da sie nur minimal durch niederfrequentes Rauschen verunreinigt sind, und zweitens sollte die Standard-Basislinienkorrektur für bestimmte Anwendungen in der M/EEG-Datenanalyse durch eine Hochpassfilterung ersetzt werden-wie empfohlen von Widmann et al. (2015. J Neurosci Methods, 250, 46. doi: 10.1016/j.jneumeth.2014.08.002).

Schlüsselwörter: Basislinienkorrektur EEG ERF ERP Hochpassfilter MEG.


Signalverarbeitung: Das Rauschen herausfiltern

Mit der Allgegenwart von Cloud Computing und dem Aufkommen des IoT würden sich die Probleme im Zusammenhang mit den drei Vs von Big Data – nämlich Volumen, Geschwindigkeit und Vielfalt – verschärfen. Auf jeder Branchenkonferenz hört man routinemäßig von Rednern über das Ausmaß der drei Vs in ihren jeweiligen Unternehmen. Sehr selten wird jedoch darüber diskutiert, wie man extrahiert umsetzbar Erkenntnisse aus den Daten. Dies ähnelt den berühmten Zeilen von Samuel Taylor Coleridge in „Der Raureif des alten Seemanns:

Eine häufige Herausforderung bei der Datenanalyse besteht im Sprachgebrauch der Signalverarbeitung darin, Rauschen aus dem zugrunde liegenden Signal herauszufiltern. Darüber hinaus gibt es in der Produktion viele andere Probleme mit der Datentreue, wie zum Beispiel:

  • Probleme bei der Datenerfassung
  • Fehlende Daten
  • Exogene Faktoren wie Autoscaling oder Änderung des eingehenden Datenverkehrs
  • Konzeptdrift: Änderungen der bedingten Verteilung der Ausgabe (d. h. Zielvariable) bei gegebener Eingabe (Eingabemerkmale), während die Verteilung der Eingabe unverändert bleiben kann.

Das folgende Diagramm veranschaulicht ein beobachtetes Signal (in Blau) mit Rauschen und das zugrunde liegende Signal ohne Rauschen (in Rot).

Im Gegensatz zum obigen Beispiel, das einer visuellen Analyse zugänglich ist, ist das Filtern des Rauschens zur Bestimmung des Signals in den meisten Fällen nicht durch eine visuelle Analyse möglich. Noch wichtiger ist, dass angesichts des Umfangs der Anzahl der Zeitreihen eine visuelle Analyse nicht praktikabel ist. Es ist zwingend erforderlich, die Datenanalyse algorithmisch durchzuführen.

Außerdem ist das Entfernen des Rauschens aus dem beobachteten Signal kein Endziel an sich. In einer Produktionsumgebung ist es wichtig, umsetzbare Erkenntnisse aus dem Signal zu extrahieren, andernfalls nimmt die Analyse den Charakter einer akademischen Übung an. Schauen wir uns konkret das Zeitreihendiagramm (siehe unten) der Wartezeit für einen Zeitraum von 12 Tagen für healthcare.gov an. From the plot we note that during the night the performance is great (i.e., Wait Time is low) but that during the day it’s slow (i.e., Wait Time is high). This is informative but not actionable as normalcy has not been defined.

While there are spikes in Wait Time in this particular instance, it must first be defined at which point a spike is indicative of a capacity issue. Now, if the upper bound on Wait Time were to be, say, 120 ms, then based on the data, one can deduce that perhaps there are capacity issues as there are multiple instances where Wait Time is more 120ms.

Likewise, from the plot below we note a gradual increase in the value of the three metrics.

This increase can be automatically detected via a simple linear regression. A consistent increase in the three metrics is actionable for the operations team.

On the other hand, there are many examples where the data may shed light on “interesting” insights but is not actionable. For instance, the plot below shows the Response Time of Google.com from various 4G wireless nodes in New York City before, during and after memorial week end. As you can see the performance of Google.com has nothing to do with Google but with the wireless networks being saturated.

Though the comparative analysis is of potential use to the end user, no immediate actionable insights can be gleaned from the data.

How to remove noise?

Over multiple decades, a large amount of work has been done is many different fields – such as, but not limited to, signal processing, statistics, information theory – to improve the signal-to-noise ratio (SNR). Noise reduction plays a key role is large set of applications beyond operations, e.g., image/audio/video processing.

A wide variety of filters have been proposed to address noise reduction. Broadly speaking, filters can be classified into two categories:

  • Low pass filter: It passes signals with a frequency lower than a certain cut-off frequency and attenuates signals with frequencies higher than the cut-off frequency. In the context of a time series, a simple moving average (SMA) exemplifies a low pass filter.

The red line in the plot above is the SMA of the original signal shown in blue. From the plot we note that SMA filters out most of the noise and approximates the underlying signal (shown earlier in the blog) very well. Note that, by construction, there’s a lag between SMA and the underlying signal.

  • High pass filter: It passes signals with a frequency higher than a certain cut-off frequency and attenuates signals with frequencies lower than the cut-off frequency.

Depending on the requirement, either linear filters (such as SMA) or non-linear filters (such as median filter) can be used. Some common filters used are Kalman filter, Recursive Least Square (RLS), Least Mean Square Error (LMS), Wiener-Kolmogorov Filters.

Noise reduction can be achieved in both the time domain as well as frequency domain. In case of the latter, Fourier Transform or Wavelet Transform of the observed signal is obtained and subsequently an appropriate filter is applied.


Schau das Video: #7 SkyTech LP Как перевести EU энергию в FR? Электродвигатель из Forestry (Dezember 2021).