Forwarded from EEG workshop
برای دسترسی و جستجوی منابع مرتبط با EEG/ERP لطفا با book# اقدام کنید
Ernst_Niedermeyer,_Electroencephalography_Basic_260223_095411.pdf
18.6 MB
#book
Electroencephalography
Basic Principles, Clinical Applications, and Related Fields
FIFTH EDITION
ERNST NIEDERMEYER, M.D.
Consultant in Neurology
Sinai Hospital of Baltimore
Professor Emeritus of Neurology and Neurological Surgery
The Johns Hopkins University School of Medicine
Baltimore, Maryland
FERNANDO LOPES DA SILVA, M.D., PH.D.
Professor Emeritus
Swammerdam Institute for Life Sciences
University of Amsterdam
Amsterdam, The Netherlan
Electroencephalography
Basic Principles, Clinical Applications, and Related Fields
FIFTH EDITION
ERNST NIEDERMEYER, M.D.
Consultant in Neurology
Sinai Hospital of Baltimore
Professor Emeritus of Neurology and Neurological Surgery
The Johns Hopkins University School of Medicine
Baltimore, Maryland
FERNANDO LOPES DA SILVA, M.D., PH.D.
Professor Emeritus
Swammerdam Institute for Life Sciences
University of Amsterdam
Amsterdam, The Netherlan
EEG workshop
Ernst_Niedermeyer,_Electroencephalography_Basic_260223_095411.pdf
یکی از مراجع اصلی در سیگنالهای مغزی
NEMAR is an open access data, tools, and compute resource for finding, accessing, assessing and processing human NeuroElectroMagnetic data (EEG, MEG, iEEG) shared by its authors thru OpenNeuro.org.
EEG workshop
بر اساس فصل اول هندبوک نایدرمایر
بر اساس این کتاب با نوتبوک ال ام فصلها را بصورت پادکست داشتیم در می آوردیم که آن شد که نباید میشد
EEG workshop
Video
لطفا اگر نکته نظری دارید در پی وی بگید
بعضی تلفظ ها خوب نیست
لهجه داره😁
به نظر کاریش نمیشه کرد چندین ورژن روش زدیم لهجه اش نمیره😁
بعضی تلفظ ها خوب نیست
لهجه داره😁
به نظر کاریش نمیشه کرد چندین ورژن روش زدیم لهجه اش نمیره😁
این یک مجموعه داده علمی (دیتاست) از سیگنالهای مغزی (EEG/ERP) متعلق به "Nencki-Symfonia" است که برای مطالعه توجه و کنترل شناختی در مغز افراد سالم طراحی شده است.
در ادامه به زبان ساده توضیح میدهم که این داده دقیقا شامل چه چیزی است، چگونه جمعآوری شده و محققان از آن برای چه کاربردهایی استفاده میکنند.
### 📊 دیتاست شامل چه چیزهایی است؟
این دادهها از ۴۲ فرد جوان و سالم (بدون مشکل عصبی یا روانپزشکی) هنگام انجام چهار نوع فعالیت مختلف ثبت شده است:
1. تکالیف شناختی (Cognitive Tasks):
* وظایف تعارض (MSIT+): شامل تستهای استاندارد "Flanker" و "Simon" که برای سنجش نحوه برخورد مغز با اطلاعات متناقض و حواسپرتی طراحی شدهاند.
* وظیفه اُدبال (Oddball): یک تست کلاسیک که برای سنجش توجه و پردازش محرکهای غیرمنتظره استفاده میشود.
2. وظیفه حرکتی ساده (SRT): صرفاً برای سنجش سرعت واکنش حرکتی افراد.
3. وظیفه استراحت (REST): ثبت فعالیت مغز در حالتی که فرد چشم بسته و در حال استراحت است (به عنوان خط پایه).
> علاوه بر این، دادههای وضعیت روحی، سطح استرس و اطلاعات دموگرافیک (مانند سن و جنسیت) افراد نیز در این مجموعه گنجانده شده است تا محققان بتوانند تحلیل دقیقتری انجام دهند.
### 🧠 چرا این دیتاست ارزشمند است؟
ارزش اصلی این دادهها به چند دلیل است:
1. کیفیت بالا: سیگنالها با استفاده از دستگاه ۱۲۸ کاناله (الکترود) با کیفیت بالا ثبت شدهاند و صحت آنها توسط محققان تأیید شده است.
2. کاربرد گسترده: این دیتاست یک منبع عالی برای توسعه و آزمایش الگوریتمهای یادگیری ماشین و هوش مصنوعی برای تشخیص الگوهای فعالیت ذهنی است. همچنین برای محققان علوم اعصاب که میخواهند فعالیت مغز را در شرایط مختلف مقایسه کنند، بسیار مفید است.
3. فرمت استاندارد: دادهها با فرمت استاندارد BIDS ذخیره شدهاند و در آرشیو معتبر OpenNeuro با شناسه ds004621 قابل دسترسی هستند (حجم تقریبی ۷۷.۴ گیگابایت). این موضوع کار با آن را برای محققان سراسر جهان بسیار آسان میکند.
### 🎯 کاربردهای اصلی این دیتاست
محققان میتوانند از این دادهها برای اهداف زیر استفاده کنند:
* مطالعه مکانیزمهای توجه و تفاوت بین تداخل اطلاعات بصری در مقابل تداخل پاسخ حرکتی.
* یافتن ارتباط بین فعالیت مغز و ویژگیهای روانشناختی (مانند استرس یا خلقوخو).
* توسعه واسطهای مغز و کامپیوتر (BCI) با استفاده از دادههای توجه و کنترل شناختی.
* تست و اعتبارسنجی روشهای آماری و یادگیری ماشین جدید در پردازش سیگنالهای مغزی.
### 📚 منبع و دسترسی
اگر بخواهید برای مطالعه یا کدنویسی به این مقاله ارجاع دهید، میتوانید از لینک دائمی آن استفاده کنید:
* مقاله اصلی: Dzianok P, et al. *The Nencki-Symfonia EEG/ERP dataset*. GigaScience (2022). [DOI: 10.1093/gigascience/giac015](https://doi.org/10.1093/gigascience/giac015)
* دسترسی به داده: [DOI: 10.5524/100990](https://doi.org/10.5524/100990)
در ادامه به زبان ساده توضیح میدهم که این داده دقیقا شامل چه چیزی است، چگونه جمعآوری شده و محققان از آن برای چه کاربردهایی استفاده میکنند.
### 📊 دیتاست شامل چه چیزهایی است؟
این دادهها از ۴۲ فرد جوان و سالم (بدون مشکل عصبی یا روانپزشکی) هنگام انجام چهار نوع فعالیت مختلف ثبت شده است:
1. تکالیف شناختی (Cognitive Tasks):
* وظایف تعارض (MSIT+): شامل تستهای استاندارد "Flanker" و "Simon" که برای سنجش نحوه برخورد مغز با اطلاعات متناقض و حواسپرتی طراحی شدهاند.
* وظیفه اُدبال (Oddball): یک تست کلاسیک که برای سنجش توجه و پردازش محرکهای غیرمنتظره استفاده میشود.
2. وظیفه حرکتی ساده (SRT): صرفاً برای سنجش سرعت واکنش حرکتی افراد.
3. وظیفه استراحت (REST): ثبت فعالیت مغز در حالتی که فرد چشم بسته و در حال استراحت است (به عنوان خط پایه).
> علاوه بر این، دادههای وضعیت روحی، سطح استرس و اطلاعات دموگرافیک (مانند سن و جنسیت) افراد نیز در این مجموعه گنجانده شده است تا محققان بتوانند تحلیل دقیقتری انجام دهند.
### 🧠 چرا این دیتاست ارزشمند است؟
ارزش اصلی این دادهها به چند دلیل است:
1. کیفیت بالا: سیگنالها با استفاده از دستگاه ۱۲۸ کاناله (الکترود) با کیفیت بالا ثبت شدهاند و صحت آنها توسط محققان تأیید شده است.
2. کاربرد گسترده: این دیتاست یک منبع عالی برای توسعه و آزمایش الگوریتمهای یادگیری ماشین و هوش مصنوعی برای تشخیص الگوهای فعالیت ذهنی است. همچنین برای محققان علوم اعصاب که میخواهند فعالیت مغز را در شرایط مختلف مقایسه کنند، بسیار مفید است.
3. فرمت استاندارد: دادهها با فرمت استاندارد BIDS ذخیره شدهاند و در آرشیو معتبر OpenNeuro با شناسه ds004621 قابل دسترسی هستند (حجم تقریبی ۷۷.۴ گیگابایت). این موضوع کار با آن را برای محققان سراسر جهان بسیار آسان میکند.
### 🎯 کاربردهای اصلی این دیتاست
محققان میتوانند از این دادهها برای اهداف زیر استفاده کنند:
* مطالعه مکانیزمهای توجه و تفاوت بین تداخل اطلاعات بصری در مقابل تداخل پاسخ حرکتی.
* یافتن ارتباط بین فعالیت مغز و ویژگیهای روانشناختی (مانند استرس یا خلقوخو).
* توسعه واسطهای مغز و کامپیوتر (BCI) با استفاده از دادههای توجه و کنترل شناختی.
* تست و اعتبارسنجی روشهای آماری و یادگیری ماشین جدید در پردازش سیگنالهای مغزی.
### 📚 منبع و دسترسی
اگر بخواهید برای مطالعه یا کدنویسی به این مقاله ارجاع دهید، میتوانید از لینک دائمی آن استفاده کنید:
* مقاله اصلی: Dzianok P, et al. *The Nencki-Symfonia EEG/ERP dataset*. GigaScience (2022). [DOI: 10.1093/gigascience/giac015](https://doi.org/10.1093/gigascience/giac015)
* دسترسی به داده: [DOI: 10.5524/100990](https://doi.org/10.5524/100990)
OUP Academic
The Nencki-Symfonia electroencephalography/event-related potential dataset: Multiple cognitive tasks and resting-state data collected…
AbstractBackground. One of the goals of neuropsychology is to understand the brain mechanisms underlying aspects of attention and cognitive control. Several tas
چالش در یکی از یافتههای کلیدی علوم اعصاب ادراکی: هیچ مدرکی برای فعالسازی پیشبینیکننده جمعیتهای نورونی یافت نشد
تهران، خرداد ۱۴۰۵ – گروهی از پژوهشگران با بازتحلیل دقیق یک مجموعهداده معروف و بازدسترس MEG، ادعای پیشین درباره توانایی مغز در «پیشفعالسازی» الگوی عصبی یک محرک قابل پیشبینی را رد کردند. این یافتهها که در نشریه Nature Communications منتشر شده، پیامدهای مهمی برای نحوه تفسیر مطالعات رمزگشایی (decoding) در علوم اعصاب دارد.
در سال ۲۰۱۹، Demarchi و همکاران گزارش کردند که هنگام گوش دادن به دنبالهای منظم از صداها، مغز انسان قبل از پخش صدا، جمعیت نورونی همان صدا را فعال میکند. این پدیده «فعالسازی پیشبینیکننده ویژه ویژگی» نام گرفت و به عنوان مدرکی برای مکانیسمهای پیشبینی در قشر حسی تلقی شد.
اما Oussama Abdoun و Romain Quentin با همکارانشان، با استفاده از همان دادهها نشان دادند که این نتیجهگیری حاصل یک خطای آماری سیستماتیک است.
روش بازتحلیل (به طور خلاصه)
پژوهشگران سه رویکرد مجزا اتخاذ کردند:
بازتولید نتایج اصلی (Pipeline 1) – برای اطمینان از صحت بازتولید الگوهای اصلی.
رویکرد نول تجربی (Pipeline 2) – بازچینش دادههای ثبتشده حین دنبالههای کاملاً تصادفی به گونهای که ترتیب محرکها مانند دنبالههای منظم شود. در این دادهی بازچینششده، هیچ فعالیت پیشبینیکننده واقعی وجود ندارد.
رویکرد نول نظری (Pipeline 3) – محاسبه سطح شانس واقعی با استفاده از ماتریس آشفتگی طبقهبند و ماتریس انتقال محرکها.
نتایج اصلی (با تأکید برای متخصصان علوم اعصاب)
۱. سطح شانس سادهی ۰٫۲۵ اشتباه است
در مطالعات رمزگشایی چندکلاسی با ۴ طبقه، معمولاً سطح شانس را ۰٫۲۵ در نظر میگیرند. این مطالعه نشان میدهد که در شرایطی که دنباله محرکها از یک فرآیند مارکوف مرتبه اول پیروی کند، سطح شانس واقعی از رابطه زیر به دست میآید:
P=14+∑iCov(Ci,Ti)P=41+i∑Cov(Ci,Ti)
که در آن CC ماتریس آشفتگی طبقهبند و TT ماتریس انتقال محرکهاست. به عبارت دیگر، اگر خطاهای طبقهبند به صورت غیرتصادفی با محرکهای مشابه فیزیکی (فرکانسهای نزدیک) همبسته باشد و ماتریس انتقال نیز انتقال به فرکانسهای نزدیک را ترجیح دهد، آنگاه سطح شانس به طور خودکار بالاتر از ۰٫۲۵ میرود – حتی بدون وجود هیچ فعالیت پیشبینیکننده عصبی.
۲. اثر مشاهدهشده در مقاله اصلی صرفاً یک توهم آماری است
دادههای بازچینششده از دنباله تصادفی (که هیچ فعالیت پیشبینیکنندهای ندارند) دقیقاً همان الگوی رمزگشایی قبل از محرک را نشان دادند.
تفاوت آماری بین نتایج اصلی و نتایج نول تجربی غیرمعنادار بود.
تحلیل بیزی نیز شواهد متوسطی علیه وجود تفاوت ارائه داد.
۳. حتی رمزگشایی محتملترین محرک هم نتوانست اثر معناداری نشان دهد
نویسندگان فرض جایگزین و سادهتری را نیز آزمایش کردند: شاید مغز فقط محتملترین محرک بعدی را پیشفعال میکند، نه هر محرکی را. پس از کنترل وابستگیهای آماری (با استفاده از دادههای بازچینششده)، هیچ خوشه معناداری از رمزگشایی قبل از محرک باقی نماند.
پیامدهای مهم برای متخصصان علوم اعصاب
هشدار درباره قالبهای رایج تحلیلی
بسیاری از مطالعات که از طبقهبندهای آموزشدیده روی محرکهای تصادفی و تست روی دنبالههای منظم (یا نیمهمنظم) استفاده میکنند، ممکن است دچار همان سوگیری شده باشند. این سوگیری مستقل از حسگر (MEG/EEG/fMRI) و مستقل از نوع طبقهبند است.
لزوم استفاده از نول تجربی مناسب
به جای تکیه بر سطح شانس اسمی (مثلاً ۱ تقسیم بر تعداد طبقات)، پژوهشگران باید یک شرط کنترلی واقعی بسازند که در آن ساختار آماری دنباله حفظ شود اما هیچ فعالیت پیشبینیکنندهای وجود نداشته باشد – مثلاً بازچینش دادههای تصادفی.
تفسیر مجدد یافتههای پیشین
حداقل یک مطالعه دیگر (Kok et al., 2017) که ادعای مشابهی در حسی بینایی داشت، بر اساس همین تحلیلها نیازمند بازبینی است. همچنین مطالعات اخیری که از پارادایم Demarchi در تینیتوس یا توجه استفاده کردهاند، باید با احتیاط تفسیر شوند.
محدودیت رویکرد رمزگشایی در مطالعات پیشبینی
رمزگشایی به تنهایی نمیتواند بین «فعالسازی پیشبینیکننده» و «بازتاب آماری ساختار دنباله در ماتریس آشفتگی» تمایز قائل شود، مگر اینکه کنترلهای دقیق (مثلاً با دادههای تصادفی بازچینششده) انجام شود.
نتیجهگیری نهایی (به زبان نوروساینس)
تهران، خرداد ۱۴۰۵ – گروهی از پژوهشگران با بازتحلیل دقیق یک مجموعهداده معروف و بازدسترس MEG، ادعای پیشین درباره توانایی مغز در «پیشفعالسازی» الگوی عصبی یک محرک قابل پیشبینی را رد کردند. این یافتهها که در نشریه Nature Communications منتشر شده، پیامدهای مهمی برای نحوه تفسیر مطالعات رمزگشایی (decoding) در علوم اعصاب دارد.
در سال ۲۰۱۹، Demarchi و همکاران گزارش کردند که هنگام گوش دادن به دنبالهای منظم از صداها، مغز انسان قبل از پخش صدا، جمعیت نورونی همان صدا را فعال میکند. این پدیده «فعالسازی پیشبینیکننده ویژه ویژگی» نام گرفت و به عنوان مدرکی برای مکانیسمهای پیشبینی در قشر حسی تلقی شد.
اما Oussama Abdoun و Romain Quentin با همکارانشان، با استفاده از همان دادهها نشان دادند که این نتیجهگیری حاصل یک خطای آماری سیستماتیک است.
روش بازتحلیل (به طور خلاصه)
پژوهشگران سه رویکرد مجزا اتخاذ کردند:
بازتولید نتایج اصلی (Pipeline 1) – برای اطمینان از صحت بازتولید الگوهای اصلی.
رویکرد نول تجربی (Pipeline 2) – بازچینش دادههای ثبتشده حین دنبالههای کاملاً تصادفی به گونهای که ترتیب محرکها مانند دنبالههای منظم شود. در این دادهی بازچینششده، هیچ فعالیت پیشبینیکننده واقعی وجود ندارد.
رویکرد نول نظری (Pipeline 3) – محاسبه سطح شانس واقعی با استفاده از ماتریس آشفتگی طبقهبند و ماتریس انتقال محرکها.
نتایج اصلی (با تأکید برای متخصصان علوم اعصاب)
۱. سطح شانس سادهی ۰٫۲۵ اشتباه است
در مطالعات رمزگشایی چندکلاسی با ۴ طبقه، معمولاً سطح شانس را ۰٫۲۵ در نظر میگیرند. این مطالعه نشان میدهد که در شرایطی که دنباله محرکها از یک فرآیند مارکوف مرتبه اول پیروی کند، سطح شانس واقعی از رابطه زیر به دست میآید:
P=14+∑iCov(Ci,Ti)P=41+i∑Cov(Ci,Ti)
که در آن CC ماتریس آشفتگی طبقهبند و TT ماتریس انتقال محرکهاست. به عبارت دیگر، اگر خطاهای طبقهبند به صورت غیرتصادفی با محرکهای مشابه فیزیکی (فرکانسهای نزدیک) همبسته باشد و ماتریس انتقال نیز انتقال به فرکانسهای نزدیک را ترجیح دهد، آنگاه سطح شانس به طور خودکار بالاتر از ۰٫۲۵ میرود – حتی بدون وجود هیچ فعالیت پیشبینیکننده عصبی.
۲. اثر مشاهدهشده در مقاله اصلی صرفاً یک توهم آماری است
دادههای بازچینششده از دنباله تصادفی (که هیچ فعالیت پیشبینیکنندهای ندارند) دقیقاً همان الگوی رمزگشایی قبل از محرک را نشان دادند.
تفاوت آماری بین نتایج اصلی و نتایج نول تجربی غیرمعنادار بود.
تحلیل بیزی نیز شواهد متوسطی علیه وجود تفاوت ارائه داد.
۳. حتی رمزگشایی محتملترین محرک هم نتوانست اثر معناداری نشان دهد
نویسندگان فرض جایگزین و سادهتری را نیز آزمایش کردند: شاید مغز فقط محتملترین محرک بعدی را پیشفعال میکند، نه هر محرکی را. پس از کنترل وابستگیهای آماری (با استفاده از دادههای بازچینششده)، هیچ خوشه معناداری از رمزگشایی قبل از محرک باقی نماند.
پیامدهای مهم برای متخصصان علوم اعصاب
هشدار درباره قالبهای رایج تحلیلی
بسیاری از مطالعات که از طبقهبندهای آموزشدیده روی محرکهای تصادفی و تست روی دنبالههای منظم (یا نیمهمنظم) استفاده میکنند، ممکن است دچار همان سوگیری شده باشند. این سوگیری مستقل از حسگر (MEG/EEG/fMRI) و مستقل از نوع طبقهبند است.
لزوم استفاده از نول تجربی مناسب
به جای تکیه بر سطح شانس اسمی (مثلاً ۱ تقسیم بر تعداد طبقات)، پژوهشگران باید یک شرط کنترلی واقعی بسازند که در آن ساختار آماری دنباله حفظ شود اما هیچ فعالیت پیشبینیکنندهای وجود نداشته باشد – مثلاً بازچینش دادههای تصادفی.
تفسیر مجدد یافتههای پیشین
حداقل یک مطالعه دیگر (Kok et al., 2017) که ادعای مشابهی در حسی بینایی داشت، بر اساس همین تحلیلها نیازمند بازبینی است. همچنین مطالعات اخیری که از پارادایم Demarchi در تینیتوس یا توجه استفاده کردهاند، باید با احتیاط تفسیر شوند.
محدودیت رویکرد رمزگشایی در مطالعات پیشبینی
رمزگشایی به تنهایی نمیتواند بین «فعالسازی پیشبینیکننده» و «بازتاب آماری ساختار دنباله در ماتریس آشفتگی» تمایز قائل شود، مگر اینکه کنترلهای دقیق (مثلاً با دادههای تصادفی بازچینششده) انجام شود.
نتیجهگیری نهایی (به زبان نوروساینس)
در مجموعهداده MEG مورد بررسی، هیچ مدرکی برای فعالسازی قبل از محرک جمعیتهای نورونی ویژه ویژگی که الگوی ادراکی یک محرک قابل پیشبینی را بازتاب دهند، وجود ندارد. به نظر میرسد آنچه در مقاله اصلی به عنوان پیشفعالسازی تعبیر شده بود، در واقع حاصل برهمکنش سوگیری خطای طبقهبند و ساختار آماری دنباله محرکها بوده است.
پژوهشگران علوم اعصاب باید هنگام استفاده از روشهای رمزگشایی در طرحهای پیشبینی، شرط نول تجربی مبتنی بر بازچینش را به عنوان یک استاندارد جدید در نظر بگیرند.