NESTApp ni programu yenye kiolesura cha picha cha mtumiaji iliyotengenezwa ili kubadilisha uchakataji wa awali wa rekodi za electroencephalography (EEG), hasa EEG inayorekodiwa kwa wakati mmoja na transcranial magnetic stimulation (TMS-EEG), kuwa mtiririko wa kazi unaoonekana ndani ya MATLAB. Kwa kuwa data za TMS-EEG zinaweza kuwa na vyanzo vingi vya uchafuzi kama mpigo wa msisimko wa sumaku, shughuli za misuli ya fuvu, kupepesa macho, kusogea kwa elektrodi, pamoja na artefakti za decay na recharge, kuunda mlolongo unaofaa wa usafishaji ni hatua muhimu lakini ngumu kiufundi. Badala ya kutatua tatizo hili kwa kulazimisha algoriti moja ya lazima ya usafishaji, NESTApp humwezesha mtumiaji kuunda pipeline ya moduli inayojumuisha EEGLAB, TESA, ICLabel, fastICA na kazi husika, kubadilisha mpangilio wa hatua, kurekebisha vigezo, kuhifadhi kiolezo, na kutumia mlolongo uleule kwa seti nyingi za data kwa pamoja.
Programu imetengenezwa kwa MATLAB App Designer na katika toleo la NESTApp v2.0 lililoelezwa katika makala, matumizi ya msingi ya mtumiaji yamegawanywa katika vichupo viwili vikuu: Cleaning na Visualizing. Kichupo cha Cleaning hutoa mkusanyiko mpana wa hatua, kuanzia kupakia data hadi kuchuja, kuondoa artefakti za TMS kupitia ICA, kuingiza thamani za njia kwa interpolation hadi kutoa TEP, zikiwa moduli ambazo mtumiaji anaweza kupanga upya. Kichupo cha Visualizing huruhusu data zilizosafishwa kuchunguzwa haraka kupitia mawimbi ya EEG, mikunjo ya TMS-evoked potential (TEP) na topografia za uso wa kichwa. Lengo la utafiti si kuthibitisha usahihi wa biomarker mpya ya kliniki au algoriti mpya ya kusafisha EEG; bali ni kuunganisha zana zilizopo katika mfumo wa MATLAB/EEGLAB chini ya kiolesura cha picha kinachofikika zaidi, kinachoweza kutumiwa tena na kubinafsishwa.
Kwa nini kusafisha data za TMS-EEG ni vigumu?
EEG ni mbinu isiyovamizi ya kurekodi inayoweza kufuatilia shughuli za ubongo kwa azimio la muda la kiwango cha milisekunde. Hata hivyo, ishara ghafi ya EEG inaweza kuwa na vipengele visivyo vya neva kama mienendo ya macho, shughuli za misuli, kelele za sumakuumeme za mazingira na athari za moyo.
TMS na EEG zinapounganishwa katika jaribio moja, tatizo huwa changamano zaidi. Utafiti chanzo unasisitiza vyanzo vya ziada vya uchafuzi kama shughuli za misuli ya fuvu, kupepesa macho kunakochochewa na TMS, artefakti za decay na recharge, kusogea kwa elektrodi na artefakti za ringing, zinazohusishwa na kutokwa kwa coil ya TMS na mwingiliano wa uga wa sumaku na mfumo wa kurekodi.
Kwa hiyo, hakuna “kichujio sahihi” kimoja katika uchakataji wa awali wa TMS-EEG. Itifaki ya kurekodi, swali la utafiti na ukubwa wa artefakti ndani ya data vinaweza kubadilisha hatua zinazotumika na mpangilio wa utekelezaji wake. Hii ndiyo motisha kuu ya makala: kumwezesha mtafiti kuunda mikakati tofauti ya usafishaji kama pipeline inayoonekana badala ya kujaribu kila mkakati kwa kuandika upya msimbo wa MATLAB mara kwa mara.
Kwa nini NESTApp ilitengenezwa ikiwa EEGLAB tayari ipo?
EEGLAB ni kisanduku pana cha zana kinachotumika kwa uchakataji na uchanganuzi wa EEG katika mazingira ya MATLAB. Kulingana na utafiti chanzo, ingawa EEGLAB hutoa kazi nyingi za uchakataji wa awali, watumiaji wanaotaka kuunda mlolongo maalumu wa TMS-EEG mara nyingi hulazimika kuandika script za MATLAB, kuunganisha kazi mbalimbali kwa mikono na kusimamia vigezo vya programu-jalizi za wahusika wengine.
Katika uchakataji wa TMS-EEG, vifurushi vya ziada kama TESA vinaweza pia kuhitajika. TESA hutoa kazi maalumu kama kuondoa data karibu na mpigo wa TMS, kuunda epoch iliyofungwa kwa TMS na kuchagua artefakti kwa msingi wa ICA. ICLabel inaweza kusaidia kuweka lebo kwenye vipengele vya ICA; fastICA inaweza kutumika kwa independent component analysis.
NESTApp haibadilishi zana hizi tofauti kwa algoriti moja mpya. Badala yake, huunganisha kazi zilizopo katika kiolesura cha mtumiaji cha moduli.
Kanuni kuu ya usanifu wa NESTApp ni ipi?
Kila hatua ya uchakataji wa awali huchukuliwa kama moduli huru. Mtumiaji anaweza kuchagua moduli zitakazotumika, kuzipanga kwa mpangilio anaotaka na kubadilisha vigezo vya kila moduli. Pipeline iliyoandaliwa inaweza kuhifadhiwa katika umbizo la MAT, kupakiwa tena baadaye au kushirikiwa na watumiaji wengine.
Matokeo muhimu ya mtazamo huu ni kwamba pipeline si thabiti. NESTApp haimwambii mtumiaji kwamba “TMS-EEG lazima isafishwe kwa mpangilio huu”; badala yake huruhusu mlolongo kupangwa upya kulingana na data na lengo la utafiti.
| field | value |
|---|---|
| title | Mtiririko wa kazi wa kuona wa uchakataji wa awali wa EEG kwa NESTApp |
| subtitle | Mlolongo wa uchakataji wa awali wa TMS-EEG unaounganisha maandalizi ya mazingira ya EEGLAB, uteuzi wa hatua, mpangilio wa pipeline, upangaji wa vigezo, utekelezaji wa pamoja na uthibitishaji wa kuona |
- 1. Folda ya EEGLAB huongezwa kwenye MATLAB path na mazingira ya uchanganuzi huandaliwa kwa kuchagua faili za EEG/TMS-EEG zitakazochakatwa
- 2. Hatua zinazohitajika huchaguliwa kutoka EEGLAB, TESA na moduli nyingine kwenye paneli ya Steps ili kuunda mlolongo wa awali wa usafishaji
- 3. Moduli zilizochaguliwa huongezwa, huondolewa au husogezwa juu na chini ili kubinafsisha mpangilio wa pipeline kulingana na seti ya data
- 4. Vigezo vya kila moduli hubadilishwa kupitia paneli ya Parameter(s) au kurejeshwa kwenye thamani chaguomsingi
- 5. Mlolongo wa hatua ulioandaliwa huhifadhiwa katika umbizo la MAT na unaweza kupakiwa tena baadaye inapohitajika
- 6. Run Analysis hutumia kazi zilizochaguliwa kwa mpangilio kwenye faili zote za data zilizochaguliwa, na seti nyingi za data huchakatwa kwa mtiririko huo huo wa kazi
- 7. Katika kichupo cha Visualizing, EEG, TEP na ramani za topografia huchunguzwa ili kufanya tathmini ya haraka ya kuona ya matokeo ya usafishaji
- 8. Grafu za TEP na data zilizotumika husafirishwa kwa uchanganuzi wa baadaye wa takwimu au wa kuona
fidelity: source-faithful
source: Mchakato unategemea maelezo ya matumizi ya vichupo vya Cleaning na Visualizing yaliyotolewa katika utafiti chanzo.
Kuna nini katika kichupo cha Cleaning?
Kielelezo cha 1 cha makala kinaonyesha kiolesura halisi cha mtumiaji cha kichupo cha Cleaning. Upande wa kushoto wa kiolesura kuna orodha ya Steps na chini yake eneo la Info linalotoa maelezo kuhusu hatua iliyochaguliwa. Katikati, eneo la Selected Steps linaonyesha pipeline iliyoundwa, huku sehemu ya Parameter(s) upande wa kulia ikionyesha vigezo vinavyoweza kubadilishwa vya kazi iliyochaguliwa.
Mtumiaji anaweza kuongeza hatua, kuiondoa, kuisogeza juu au chini. Pipeline inaweza pia kuhifadhiwa na kupakiwa tena. Hivyo, si uchaguzi wa kazi pekee, bali pia mpangilio wa hatua uko chini ya udhibiti wa mtafiti.
Eneo la kuchagua data upande wa kulia huruhusu njia ya EEGLAB kufafanuliwa na faili za kuchanganuliwa kupakiwa. Programu inaweza pia kuonyesha ni faili gani na hatua gani inatekelezwa wakati wa uchakataji.
Jedwali la 1 linatoa hatua ngapi tofauti?
Katika Jedwali la 1 la utafiti chanzo, hatua/moduli 38 tofauti zimeorodheshwa. Hizi hazihusu tu kusafisha artefakti za TMS, bali pia hatua nyingi tofauti za mlolongo wa jumla wa kuandaa data za EEG.
| Kundi la hatua | Mifano ya kazi katika NESTApp |
|---|---|
| Usimamizi wa data | Loading data, Load Channel Location, Save New Set, Choose Data Set |
| Hatua za njia na baseline | Remove unneeded Channels, Remove Baseline, Remove Bad Channels, Interpolate Channels |
| Usafishaji wa kiotomatiki | Clean Artifact, Automatic Continuous Rejection, Automatic Cleaning Data |
| Trend na sampling | De-Trend Epoch, TESA De-Trend, Re-Sample, Re-Reference |
| Uchujaji | CleanLine, TESA frequency filter, EEGLAB frequency filter, Median Filter |
| ICA | Run ICA, Run TESA ICA, ICLabel, ICA component flagging na component removal |
| Hatua za Epoch | Epoching na Remove Bad Epoch |
| Hatua maalumu za TMS | Find TMS Pulses, Remove TMS Artifacts, Fix TMS Pulse, Interpolate Missing Data |
| Hatua za hali ya juu za artefakti | TESA EDM, SSP-SIR na SOUND |
| Uchanganuzi wa TEP | Extract TEP, Find TEP na TEP Peak Output |
| Uonyeshaji / msimbo maalumu | Visualize EEG Data na Manual Command |
Kwa nini Manual Command ni muhimu?
NESTApp haifungwi tu na orodha ya hatua zilizoainishwa mapema. Manual Command humwezesha mtumiaji kuongeza moja kwa moja amri ya MATLAB inayolingana na EEGLAB.
Chanzo kinaeleza kuwa amri inapaswa kutumia muundo wa data wa EEGLAB. Sintaksia ya msingi ni:
EEG = someFunction(EEG, arguments)
.
Kwa njia hii, kazi nyingine ambayo bado haina moduli maalumu katika kiolesura cha NESTApp lakini hufanya kazi kwenye kigezo cha EEG inaweza kuingizwa kwenye pipeline. Kipengele hiki huunda daraja kati ya urahisi wa GUI na uwezo wa MATLAB kupangwa kwa programu.
Kwa nini kuhifadhi pipeline ni muhimu kwa uzalishaji upya wa matokeo?
Kusema tu kwamba seti ya data ya EEG “imesafishwa” hakutoshi ili mbinu iweze kurudiwa. Ni lazima pia ijulikane ni vichujio gani vilitumika, kwa mpangilio gani, kwa vizingiti gani na kwa chaguo gani za ICA.
NESTApp huruhusu pipeline iliyochaguliwa na vigezo vyake kuhifadhiwa. Kulingana na chanzo, hatua zilizotumika na vigezo vilivyochaguliwa pia huongezwa kwenye kigezo cha EEG kwa madhumuni ya rejea.
Mtazamo huu ni muhimu kwa sababu pipeline ileile inaweza kutumika tena kwa washiriki tofauti au vipindi tofauti vya jaribio. Hata hivyo, utafiti haudai kwamba pipeline ileile ndiyo bora kisayansi kwa seti zote za data; kinyume chake, mojawapo ya motisha kuu za makala ni kwamba data tofauti zinaweza kuwa na mahitaji tofauti ya uchakataji wa awali.
Nini hutokea hatua ya kuhifadhi ikisahaulika?
Utafiti chanzo unatoa onyo muhimu la kiutendaji. Ikiwa hakuna hatua ya Save New Set mwishoni mwa pipeline, matokeo yaliyosafishwa hayatahifadhiwa kwenye faili na hatua zilizofanywa hazitakuwa pato la kudumu.
Programu hutoa njia mbili za kutaja faili ya kuhifadhi: kuhifadhi jina la awali la faili na kuongeza kiambishi, au kuweka jina jipya kabisa.
Kichupo cha Visualizing hutoa nini?
Kielelezo cha 2 cha chanzo kinaonyesha kichupo cha Visualizing. Upande wa kushoto kuna mchoro wa kichwa unaowakilisha elektrodi nyingi za EEG, katikati kuna grafu ya TMS Evoked Potential na eneo la topoplot, na upande wa kulia kuna uteuzi wa seti ya data na vidhibiti vya uonyeshaji.
Mtumiaji anaweza kufafanua elektrodi fulani kama region of interest (ROI) . Katika makala, elektrodi za mfano zilizochaguliwa mapema ni AF3, F1, F3, FC3 na FC1.
Faili nyingi zinapoonyeshwa pamoja, NESTApp hutambua kiotomatiki elektrodi zinazofanana kati ya faili hizo na kuzima zisizo za pamoja. Kwa mfano, mikunjo ya TEP ya vipindi vya kabla na baada ya stimulyatsia inaweza kulinganishwa kwenye grafu moja.
TEP ni nini na NESTApp huionyeshaje?
TMS-evoked potential (TEP) ni wasifu wa potential unaopatikana kwa kuchukua wastani wa majibu ya EEG yanayohusiana kwa wakati na mpigo wa TMS katika majaribio mbalimbali. Kichupo cha Visualizing cha NESTApp huruhusu mikunjo hii kuchorwa haraka kwa elektrodi na faili zilizochaguliwa.
Mtumiaji anaweza kubadilisha kipindi cha muda cha kuonyesha TEP kwa slider. Data iliyotumika kwenye mchoro inaweza kuhamishwa hadi MATLAB Workspace kwa uchanganuzi wa takwimu wa baadaye.
Topoplot huonyesha nini?
Topoplot hutumika kuchunguza haraka mgawanyo wa anga wa shughuli za EEG kwenye uso wa kichwa katika muda uliochaguliwa au wastani wa kipindi fulani cha muda.
NESTApp humwezesha mtumiaji kubadilisha muda lengwa kwa slider au spinner. Ikihitajika, mwonekano wa topografia unaweza kuundwa kwa kuchukua wastani wa dirisha la upana fulani kabla na baada ya muda uliochaguliwa.
Sehemu hii inalenga zaidi udhibiti wa haraka wa ubora wa data baada ya uchakataji wa awali kuliko kutoa hitimisho jipya la kisayansi.
Pipeline ya mfano ya NESTLAB/TESA inafanyaje kazi?
Makala pia inaeleza kwa kina mlolongo wa uchakataji wa awali wa TMS-EEG ulioshirikiwa pamoja na programu na uliorekebishwa kutoka pipeline ya mfano ya TESA. Waandishi wanaeleza kuwa mlolongo huu ulirekebishwa na kuboreshwa kutokana na uzoefu waliopata kwa seti mbalimbali za data za TMS-EEG katika maabara yao.
Kwa kuhifadhi mpangilio wa chanzo, mlolongo wa mfano ni huu:
| Mpangilio | Hatua ya uchakataji wa awali | Lengo / mpangilio uliotolewa katika chanzo |
|---|---|---|
| 1 | Kupakia data ya EEG | Kuingiza seti ya data ya EEG iliyochaguliwa kwenye eneo la kazi |
| 2 | Kuondoa elektrodi zisizohitajika | Kuondoa njia ambazo hazitatumika kulingana na muundo wa jaribio |
| 3 | Kutafuta mpigo wa TMS | Ikihitajika, kutumia tesa_findpulse kutambua matukio ya TMS |
| 4 | Kuunda Epoch | Kuunda epoch kuanzia -1 hadi +1 s kuhusiana na mpigo wa TMS |
| 5 | Marekebisho ya Baseline | Kutumia eneo la pre-stimulus kati ya -500 ms na -50 ms |
| 6 | Kuondoa artefakti ya mpigo wa TMS | Kuondoa segmenti kati ya -2 ms na +10 ms |
| 7 | Kuondoa njia mbaya | Kutumia vigezo vya kiotomatiki kama Kurtosis na mkengeuko wa spektra |
| 8 | Kufanya interpolation ya sehemu ya TMS inayokosekana | Kurejesha mwendelezo katika eneo la mpigo lililoondolewa |
| 9 | Resampling | Kuhamia kiwango cha chini cha sampling kwa uchanganuzi unaofuata |
| 10 | Kukataa kiotomatiki epoch mbaya | Kuondoa epoch zenye amplitude kubwa kupita kiasi au mkengeuko wa takwimu |
| 11 | Kuondoa tena dirisha la TMS lililofanyiwa interpolation | Kuondoa tena segmenti ya TMS kabla ya ICA ya kwanza |
| 12 | ICA ya kwanza | Kutambua na kuondoa vipengele vinavyohusiana na TMS kwa kutumia fastICA na Gaussian nonlinearity |
| 13 | Kufanya interpolation tena ya dirisha la TMS | Kurejesha mwendelezo wa muda baada ya ICA |
| 14 | Uchujaji | Kutumia kichujio cha 60 Hz notch na 1–80 Hz band-pass |
| 15 | Kuondoa dirisha la TMS kwa mara ya mwisho | Kuunda ingizo safi kwa ICA ya pili |
| 16 | ICA ya pili | Kuondoa vipengele vinavyohusiana na mienendo ya macho, misuli, blink na artefakti za TMS zilizobaki |
| 17 | Kufanya interpolation tena ya data na njia zinazokosekana | Kurejesha segmenti zinazokosekana na njia zilizoondolewa, ikiwa ni pamoja na spherical interpolation kwa njia |
| 18 | Re-reference, baseline ya mwisho na kuhifadhi | Kuhamia rejea ya wastani, kufanya marekebisho ya mwisho ya baseline na kuhifadhi seti ya data iliyosafishwa |
Kwa nini ICA mbili tofauti zinatumika?
Katika pipeline ya mfano iliyotolewa na chanzo, ICA ya kwanza inalenga hasa kuondoa vipengele vinavyohusiana na mpigo wa TMS. Baada ya hatua hii, dirisha la TMS hufanyiwa interpolation tena, uchujaji hufanywa, na kabla ya ICA ya pili dirisha husika huondolewa tena.
Lengo la ICA ya pili ni pana zaidi: kuondoa vipengele vya artefakti vinavyohusiana na mienendo ya macho, shughuli za misuli, blink na TMS iliyobaki.
Muundo huu wa hatua mbili si namna pekee ya lazima ya kutumia NESTApp; ni sehemu ya pipeline ya mfano ya TMS-EEG iliyoshirikiwa katika makala.
Je, kichujio cha 60 Hz notch kinapaswa kutumiwa moja kwa moja kwa Uturuki?
Katika pipeline ya mfano, chanzo kinataja wazi kichujio cha notch kama “North America: 60 Hz” . Thamani hii ni ya mfano wa mtiririko wa kazi katika muktadha wa Kanada/Amerika Kaskazini.
Kwa hiyo, utafiti hauonyeshi kwamba thamani hii inapaswa kutumiwa bila kubadilishwa katika maabara yenye marudio tofauti ya umeme wa gridi. Faida kuu ya NESTApp ni kwamba vigezo vya aina hii vinaweza kubadilishwa na mtumiaji.
Hii ina maana gani kwa Uturuki?
Utafiti haujumuishi data za EEG au TMS-EEG zilizokusanywa Uturuki, matumizi katika maabara ya Uturuki, wala tathmini ya utendaji wa kliniki wa ndani. Kwa hiyo, haiwezekani kutoa hitimisho la kiasi kwamba programu itafanya kazi kwa kiwango fulani cha mafanikio katika maabara za EEG nchini Uturuki.
Hata hivyo, kwa upande wa usanifu wa programu, zana hii inaunga mkono muundo wa pipeline unaolengwa kwa seti mahususi ya data. Ikiwa timu ya utafiti nchini Uturuki itatumia NESTApp, inapaswa kuamua kando vigezo vinavyolingana na itifaki yake ya kurekodi, kifaa, marudio ya gridi, mpangilio wa njia na muundo wa artefakti.
Hitimisho zinazoungwa mkono na utafiti
- NESTApp hutoa GUI ya moduli ya uchakataji wa awali wa EEG/TMS-EEG inayotegemea EEGLAB ndani ya MATLAB App Designer.
- Mtumiaji anaweza kuchagua, kupanga, kuondoa moduli za uchakataji wa awali na kurekebisha vigezo vyake.
- Pipeline zinaweza kuhifadhiwa katika umbizo la MAT na kutumiwa tena.
- Seti nyingi za data za EEG zinaweza kuchakatwa kwa batch kwa pipeline ileile iliyoandaliwa.
- Kazi zinazohusiana na EEGLAB, TESA, ICLabel na fastICA zinaweza kutumiwa chini ya kiolesura kimoja.
- Kupitia Manual Command, kazi za MATLAB zinazolingana na EEGLAB ambazo hazijaainishwa mapema zinaweza kuongezwa kwenye pipeline.
- Kichupo cha Visualizing kinaunga mkono uchunguzi wa haraka wa EEG, TEP na mionekano ya topografia.
- Makala inashiriki pipeline ya mfano ya kina ya uchakataji wa awali wa TMS-EEG.
Hitimisho ambazo utafiti hauungi mkono au haujapima
- Haijaonyeshwa kwamba NESTApp ni sahihi zaidi kuliko pipeline nyingine zote za TMS-EEG.
- Haijaonyeshwa kwamba pipeline fulani ya usafishaji ndiyo bora kwa data zote za TMS-EEG.
- Hakujaripotiwa SNR, usahihi wa TEP au asilimia ya kupunguza artefakti kwenye seti mpya ya data ya washiriki.
- Haijaonyeshwa kwamba kutumia NESTApp huongeza usahihi wa utambuzi wa kliniki au mafanikio ya matibabu.
- Programu haiamui kiotomatiki vigezo bora kwa kila mtu.
- Maonyesho ya Topoplot na TEP hayajathibitishwa yenyewe kama zana za tafsiri au utambuzi wa kliniki.
- Pipeline ya mfano iliyotolewa katika makala si kiwango cha jumla kinachoweza kutumiwa bila kubadilishwa kwa vifaa, maabara na hali zote za gridi ya umeme.
Mbinu na Matokeo ya Utafiti
Muundo wa kisayansi wa utafiti
Utafiti huu si jaribio la biomedikali la kawaida lenye makundi ya washiriki, kundi la jaribio-na-udhibiti au upimaji wa dhana. Tokeo kuu la utafiti ni usanifu wa kiolesura cha picha cha mtumiaji cha MATLAB na maelezo ya kazi zake.
| Kipengele cha kiufundi | Muundo ulioripotiwa katika chanzo |
|---|---|
| Programu | NESTApp v2.0 |
| Mazingira makuu ya uendelezaji | MATLAB App Designer R2024b |
| Miundombinu ya EEG | EEGLAB 2025.0.0 |
| Kazi maalumu za TMS-EEG | TESA |
| Uwekaji lebo wa ICA | ICLabel |
| Algoriti ya ICA | Usaidizi wa fastICA |
| Vichupo vikuu vya GUI | Cleaning na Visualizing |
| Hatua ya pipeline iliyoorodheshwa | Moduli/hatua 38 |
| Kuhifadhi pipeline | Umbizo la MAT |
| Batch processing | Inaungwa mkono |
| Uchanganuzi wa seti mpya ya data | Haukufanywa katika utafiti huu |
Muundo wa kiutendaji wa kiolesura cha Cleaning
Kielelezo cha 1 katika PDF kinaonyesha moja kwa moja kichupo cha Cleaning cha programu. Katika picha, Steps na Info ziko kushoto, Selected Steps katikati na Parameter(s) kulia. Vidhibiti vya ukingo wa kulia hutumiwa kuchagua njia ya EEGLAB, kupakia faili za data, kufuatilia hali ya uchakataji, kuweka upya pipeline na kuanzisha uchanganuzi.
Ujumbe mkuu wa kisayansi/kiprogramu wa kielelezo hiki ni kwamba pipeline haijafichwa ndani ya msimbo wa programu, bali inaweza kuonekana na kupangwa upya na mtumiaji.
Muundo wa kiutendaji wa kiolesura cha Visualizing
Kielelezo cha 2 katika PDF kinaonyesha kichupo cha Visualizing. Elektrodi zinaweza kuchaguliwa kwenye mchoro wa kichwa; eneo la TMS Evoked Potential limetengwa kwa grafu ya mfululizo wa muda; sehemu ya Topoplot hutumiwa kuchunguza mgawanyo wa anga wa EEG katika muda fulani au kipindi cha muda.
Skrini hiyo hiyo inaunga mkono kuchagua faili nyingi za data, kutambua elektrodi za pamoja na kuchora kwa kulinganisha mikunjo ya TEP kutoka seti tofauti za data.
Thamani muhimu za muda na marudio katika pipeline ya mfano ya TMS-EEG
| Kigezo cha hatua | Thamani iliyotolewa katika chanzo |
|---|---|
| Epoch iliyofungwa kwa TMS | kutoka -1 hadi +1 s |
| Dirisha la kwanza la baseline | kutoka -500 hadi -50 ms |
| Dirisha la artefakti ya TMS lililoondolewa | kutoka -2 hadi +10 ms |
| Mfano wa kichujio cha notch | 60 Hz — chanzo kimeitaja kwa Amerika Kaskazini |
| Kichujio cha band-pass | 1–80 Hz |
| Mbinu ya ICA | fastICA, Gaussian nonlinearity |
Vigezo hivi ni vya pipeline ya mfano iliyoshirikiwa katika makala. Havijawasilishwa kama thamani za lazima na zisizobadilika kwa matumizi yote ya NESTApp.
Kwa nini hakuna asilimia ya mafanikio katika utafiti?
Lengo la makala ni kutambulisha usanifu wa kiutendaji wa NESTApp. Hakuna seti mpya ya data ya EEG iliyozalishwa au kuchanganuliwa katika utafiti. Kwa hiyo:
- uboreshaji wa uwiano wa ishara-kwa-kelele,
- asilimia ya kupunguza artefakti,
- kosa la amplitude ya TEP,
- unyeti/umahususi wa algoriti,
- ulinganisho wa muda wa utekelezaji wa pipeline,
- utafiti wa watumiaji,
- utendaji wa kliniki
hazijaripotiwa kama benchmark za kiasi.
Kwa hiyo, katika makala hii thamani ya kisayansi ya programu haitokani na dai kwamba “inasafisha kwa kiwango X bora zaidi”, bali kutokana na kupunguza hitaji la kuandika programu kwa ajili ya minyororo ya uchakataji wa awali na kuifanya iwe ya kuona, ya moduli na inayoweza kutumiwa tena.
Vikwazo vikuu
- Makala haitoi benchmark ya kiasi ya utendaji kwenye seti mpya ya data.
- Matokeo ya usafishaji hayajalinganishwa kwa udhibiti na mbinu nyingine.
- Ufaafu wa uchaguzi wa pipeline bado unategemea maamuzi ya kimbinu ya mtafiti.
- Ingawa Manual Command hutoa unyumbufu zaidi, amri inayotumiwa lazima ilingane na muundo wa data wa EEGLAB.
- Vigezo vya pipeline ya mfano ya NESTLAB/TESA vinatokana na uzoefu wa maabara mahususi na havijawasilishwa kama kiwango cha jumla.
- Uboreshaji wa kiotomatiki wa vigezo kwa mtu mmoja mmoja haujaonyeshwa kama kipengele cha toleo la sasa; umetajwa kama lengo la maendeleo ya baadaye.
Nini kinapangwa kwa siku zijazo?
Waandishi wanasisitiza kwamba kutumia vigezo vilevile kwa rekodi zote za EEG kunaweza kuwa tatizo. Kwa hiyo, wanapendekeza katika matoleo yajayo vigezo viboreshwe kwa njia ya takwimu kwa kila mshiriki, na hivyo kuendeleza mfumo wa uchakataji wa awali ulio wa kiotomatiki zaidi na unaoweza kubadilika.
Kipengele hiki ni lengo la kazi ya baadaye katika chanzo; hakipaswi kutathminiwa kama kipengele kilichothibitishwa cha NESTApp v2.0 ya sasa.
Maelezo ya Chanzo na Mbinu
Jina kamili la asili la utafiti: NESTApp: A GUI-Based MATLAB Application for Simplified TMS-EEG Preprocessing with EEGLAB
Waandishi na mpangilio wa asili: Aref Pariz; Jeremie Lefebvre; Sara Tremblay.
Waandishi wanaowajibika: Katika chanzo, Aref Pariz na Sara Tremblay wameonyeshwa kwa alama ya nyota na taarifa za mawasiliano.
Mwandishi wa kwanza sawa/mchango sawa: Katika toleo lililopakiwa hakuna tamko la uandishi wa kwanza sawa au mchango sawa.
Taasisi: Institute of Mental Health Research at The Royal; Department of Biology, University of Ottawa; Krembil Brain Institute, University Health Network; Department of Physics, University of Ottawa; Department of Mathematics, University of Toronto; The University of Ottawa Brain and Mind Research Institute; Département de psychoéducation et de psychologie, Université du Québec en Outaouais; Department of Neuroscience, Carleton University; Department of Cellular and Molecular Medicine, University of Ottawa.
Aina ya chanzo: Programu ya kisayansi / MATLAB GUI na makala ya mbinu.
Hali ya uchapishaji: Utafiti huu ni preprint ambayo haijapitia uhakiki wa rika; matokeo yake yanapaswa kutathminiwa kwa kuzingatia hatua hii ya uchapishaji.
Jukwaa: SSRN.
Nambari ya abstract ya SSRN: 6204470.
DOI: 10.2139/ssrn.6204470.
Tarehe ya bibliografia: Katika rekodi za bibliografia za nje imeorodheshwa kama Januari 2026. Kwenye PDF iliyopakiwa hakuna siku ya kwanza ya uchapishaji iliyo sahihi zaidi inayoonekana.
Kiungo rasmi cha chanzo: https://ssrn.com/abstract=6204470
Programu: Imefafanuliwa katika makala kama NESTApp v2.0.
Mazingira ya uendelezaji katika makala: MATLAB App Designer R2024b.
Toleo la EEGLAB katika makala: 2025.0.0.
Msimbo chanzo: Makala inatoa anwani https://github.com/arefpz/nestapp.
Leseni: Makala haitaji wazi leseni ya programu katika maandishi yake. Hifadhi ya sasa ya msimbo chanzo inaonyesha leseni ya GPL-3.0; taarifa hii inahusu hali ya sasa ya hifadhi na haijafasiriwa kama tamko la leseni linalorudi nyuma kwa toleo la NESTApp v2.0 katika makala.
Upatikanaji wa data: Waandishi wanaripoti kwamba hakuna seti ya data iliyozalishwa au kuchanganuliwa wakati wa utafiti huu.
Ufadhili: Kwa Sara Tremblay, Natural Sciences and Engineering Council of Canada (NSERC) Discovery Grant RGPIN-2020-05856 imetajwa.
Michango ya waandishi: AP, ST na JL walibuni utafiti; AP aliandika rasimu ya kwanza; waandishi wote waliipitia makala.
Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi lililotambuliwa katika maandishi yaliyopakiwa. Kutokana na hilo, haijahitimishwa kwamba hakuna mgongano wa maslahi.
Maelezo ya muundo wa faili ndani ya chanzo: Ingawa PDF iliyopakiwa ina kurasa 17 za kimwili, sehemu ya kwanza imehesabiwa 9/9 na sehemu ya pili 8/8, na ina mipangilio miwili ya makala inayojirudia kwa kiasi kikubwa kwa mfululizo. Kwa hiyo, kurasa 17 za faili hazijachukuliwa kuwa kurasa 17 za kipekee za maudhui ya kisayansi.
Maelezo ya uhariri ndani ya chanzo: Rejea moja katika maandishi imebaki kama placeholder isiyotatuliwa yenye umbo “Table ??”; jedwali husika linaonekana katika hati kama Table 1. Jina la utafiti limetumiwa zaidi kama NESTApp, ingawa katika baadhi ya maeneo ya picha/maandishi kuna tahajia NESTAPP. Tofauti hizi hazikutumika kimya kimya kubadili kichwa cha asili.
Kikomo cha muundo wa kisayansi: Utafiti huu unaeleza usanifu wa programu wa NESTApp na pipeline ya mfano ya TMS-EEG preprocessing. Haujumuishi kundi jipya la washiriki, kundi la majaribio, matokeo ya kliniki au benchmark ya kiasi ya algoriti.
Kikomo cha maudhui ya kisayansi: Usanifu wa NESTApp, orodha ya kazi, hatua za TMS-EEG pipeline, vigezo vya muda/marudio, vipengele vya uonyeshaji na vikwazo katika makala hii ya Verianla vinategemea utafiti uliopakiwa pekee. Vyanzo vya nje vilitumika tu kuthibitisha DOI, utambulisho wa bibliografia na hali ya upatikanaji/leseni ya hifadhi ya programu iliyopo; hakuna matokeo ya nje yaliyoongezwa kwenye maudhui makuu ya kisayansi.
Acha maoni
Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *