NESTApp — elektroensefalografiya (EEG), ayniqsa transkranial magnit stimulyatsiya bilan bir vaqtda qayd etilgan EEG (TMS-EEG) yozuvlarini oldindan qayta ishlashni MATLAB ichida vizual ish oqimiga aylantirish maqsadida ishlab chiqilgan grafik foydalanuvchi interfeysiga asoslangan ilova. TMS-EEG maʼlumotlarida magnit stimulyatsiya impulsi, bosh suyagi mushak faolligi, ko‘z qoqish, elektrod harakati, so‘nish va recharge artefaktlari kabi ko‘plab ifloslantiruvchi manbalar bo‘lishi mumkinligi sababli mos tozalash zanjirini tuzish muhim, biroq texnik jihatdan murakkab bosqichdir. NESTApp bu muammoni bitta majburiy tozalash algoritmini yuklash orqali emas, balki foydalanuvchiga EEGLAB, TESA, ICLabel, fastICA va tegishli funksiyalardan iborat modulli pipeline yaratish, amallar ketma-ketligini o‘zgartirish, parametrlarni sozlash, shablonni saqlash va ayni zanjirni bir nechta maʼlumotlar to‘plamiga ommaviy qo‘llash imkonini berish orqali hal qiladi.
Ilova MATLAB App Designer yordamida ishlab chiqilgan va maqolada taʼriflangan NESTApp v2.0 versiyasida asosiy foydalanuvchi tajribasi ikki bosh yorliqqa ajratilgan: Cleaning va Visualizing. Cleaning yorlig‘i maʼlumotlarni yuklashdan filtrlashgacha, ICA yordamida TMS artefaktlarini olib tashlashdan kanal interpolatsiyasi va TEP ajratib olishgacha bo‘lgan keng amallar majmuasini foydalanuvchi tartiblashi mumkin bo‘lgan modullar ko‘rinishida taqdim etadi. Visualizing yorlig‘i esa tozalangan maʼlumotlarni EEG to‘lqinlari, TMS-evoked potential (TEP) egri chiziqlari va bosh yuzasi topografiyalari orqali tez ko‘rib chiqish imkonini beradi. Tadqiqotning maqsadi yangi klinik biomarker yoki yangi EEG tozalash algoritmining aniqligini isbotlash emas; mavjud MATLAB/EEGLAB ekotizimidagi vositalarni yanada qulay, qayta foydalaniladigan va moslashtiriladigan grafik interfeys ostida birlashtirishdir.
TMS-EEG maʼlumotlarini tozalash nega qiyin?
EEG miya faoliyatini millisekund darajasidagi vaqt aniqligi bilan kuzata oladigan noinvaziv qayd etish usulidir. Shunga qaramay, xom EEG signalida ko‘z harakatlari, mushak faolligi, atrof-muhit elektromagnit shovqini va yurak taʼsirlari kabi asab tizimiga bog‘liq bo‘lmagan komponentlar bo‘lishi mumkin.
TMS va EEG bir tajribada birlashtirilganda muammo yanada murakkablashadi. Manba tadqiqot TMS g‘altagining razryadi va magnit maydonning qayd tizimi bilan o‘zaro taʼsiriga bog‘liq ravishda bosh suyagi mushak faolligi, TMS qo‘zg‘atgan ko‘z qoqish, so‘nish va qayta zaryadlash artefaktlari, elektrod harakati hamda ringing artefaktlari kabi qo‘shimcha ifloslantiruvchi manbalarni taʼkidlaydi.
Shu sabab TMS-EEG oldindan qayta ishlashida bitta “to‘g‘ri filtr” mavjud emas. Qo‘llanilgan qayd protokoli, tadqiqot savoli va maʼlumotlardagi artefaktlar kuchi qaysi amallar bajarilishini hamda ular qaysi ketma-ketlikda ishga tushirilishini o‘zgartirishi mumkin. Maqolaning asosiy motivatsiyasi aynan shunda: tadqiqotchi turli tozalash strategiyalarini doim MATLAB kodini qayta yozib sinash o‘rniga ularni vizual pipeline sifatida tuza olishi.
EEGLAB allaqachon mavjud bo‘lsa, NESTApp nega ishlab chiqilgan?
EEGLAB MATLAB ekotizimida EEGni qayta ishlash va tahlil qilish uchun ishlatiladigan keng qamrovli vositalar to‘plamidir. Manba tadqiqotga ko‘ra, EEGLAB ko‘plab oldindan qayta ishlash funksiyalarini taqdim etsa-da, TMS-EEG uchun moslashtirilgan zanjir tuzmoqchi bo‘lgan foydalanuvchilar ko‘pincha MATLAB skriptlarini yozishi, turli funksiyalarni qo‘lda bir-biriga ulashi va uchinchi tomon plaginlarining parametrlarini boshqarishi kerak.
TMS-EEG amallarida TESA kabi qo‘shimcha paketlar ham kerak bo‘lishi mumkin. TESA TMS impulsi atrofidagi maʼlumotlarni olib tashlash, TMSga qulflangan epoch yaratish va ICA asosida artefakt tanlash kabi maxsus funksiyalarni taqdim etadi. ICLabel ICA komponentlarini belgilashga yordam berishi mumkin; fastICA esa mustaqil komponent tahlili uchun ishlatilishi mumkin.
NESTApp bu turli vositalarni bitta yangi algoritm bilan almashtirmaydi. Aksincha, mavjud funksiyalarni modulli foydalanuvchi interfeysida birlashtiradi.
NESTAppning asosiy dizayn tamoyili nima?
Har bir oldindan qayta ishlash amali mustaqil modul sifatida qaraladi. Foydalanuvchi qaysi modullar ishlatilishini tanlashi, ularni xohlagan tartibda joylashtirishi va har bir modul parametrlarini o‘zgartirishi mumkin. Tayyorlangan pipeline MAT formatida saqlanib, keyin qayta yuklanishi yoki boshqa foydalanuvchilar bilan ulashilishi mumkin.
Bu yondashuvning muhim natijasi — pipeline qatʼiy emas. NESTApp foydalanuvchiga “TMS-EEG albatta shu ketma-ketlikda tozalanishi kerak” demaydi; maʼlumotlar va tadqiqot maqsadiga qarab zanjirni qayta tartiblash imkonini beradi.
| field | value |
|---|---|
| title | NESTApp bilan vizual EEG oldindan qayta ishlash ish oqimi |
| subtitle | EEGLAB muhitini tayyorlash, amal tanlash, pipeline ketma-ketligi, parametrlarni sozlash, ommaviy ishga tushirish va vizual tekshiruvni birlashtiruvchi TMS-EEG oldindan qayta ishlash zanjiri |
- 1. EEGLAB papkasi MATLAB path’ga qo‘shiladi va qayta ishlanadigan EEG/TMS-EEG fayllari tanlanib tahlil muhiti tayyorlanadi
- 2. Steps panelidagi EEGLAB, TESA va boshqa modullardan kerakli amallar tanlanib nomzod tozalash zanjiri yaratiladi
- 3. Tanlangan modullar qo‘shiladi, olib tashlanadi yoki yuqoriga-pastga siljitilib pipeline tartibi maʼlumotlar to‘plamiga moslashtiriladi
- 4. Har bir modul parametrlari Parameter(s) panelidan tahrirlanadi yoki standart qiymatlarga qaytariladi
- 5. Tayyorlangan amallar zanjiri MAT formatida saqlanadi va kerak bo‘lganda keyin qayta yuklanadi
- 6. Run Analysis tanlangan funksiyalarni ketma-ket barcha tanlangan maʼlumot fayllariga qo‘llaydi va bir nechta maʼlumotlar to‘plami ayni ish oqimi bilan qayta ishlanadi
- 7. Visualizing yorlig‘ida EEG, TEP va topografik xaritalar ko‘rib chiqilib, tozalash natijasining tezkor vizual bahosi amalga oshiriladi
- 8. TEP grafiklari va ishlatilgan maʼlumotlar keyingi statistik yoki vizual tahlillar uchun eksport qilinadi
fidelity: source-faithful
source: Jarayon manba tadqiqotning Cleaning va Visualizing yorliqlari uchun bergan foydalanish tavsifiga asoslanadi.
Cleaning yorlig‘ida nimalar bor?
Maqolaning 1-rasmida Cleaning yorlig‘ining haqiqiy foydalanuvchi interfeysi ko‘rsatilgan. Interfeysning chap qismida Steps ro‘yxati, uning ostida tanlangan amal haqida izoh beruvchi Info maydoni joylashgan. O‘rta qismdagi Selected Steps maydoni tuzilgan pipeline-ni ko‘rsatadi, uning o‘ngidagi Parameter(s) bo‘limi esa tanlangan funksiyaning sozlanadigan parametrlarini taqdim etadi.
Foydalanuvchi qadamni qo‘shishi, olib tashlashi, yuqoriga yoki pastga ko‘chirishi mumkin. Pipeline-ni saqlash va qayta yuklash ham mumkin. Shunday qilib, nafaqat funksiyalar tanlovi, balki amallar ketma-ketligi ham tadqiqotchi nazoratidadir.
O‘ng tomondagi maʼlumot tanlash maydoni EEGLAB yo‘lini belgilash va tahlil qilinadigan fayllarni yuklash imkonini beradi. Ilova qayta ishlash paytida qaysi fayl va qaysi qadam bajarilayotganini ham ko‘rsatishi mumkin.
1-jadval nechta turli amalni taklif qiladi?
Manba tadqiqotning 1-jadvalida 38 ta alohida amal/modul keltirilgan. Ular faqat TMS artefaktini tozalashni emas, balki umumiy EEG maʼlumotlarini tayyorlash zanjirining juda turli bosqichlarini ham qamrab oladi.
| Amallar guruhi | NESTAppdagi namunaviy funksiyalar |
|---|---|
| Maʼlumotlarni boshqarish | Loading data, Load Channel Location, Save New Set, Choose Data Set |
| Kanal va baseline amallari | Remove unneeded Channels, Remove Baseline, Remove Bad Channels, Interpolate Channels |
| Avtomatik tozalash | Clean Artifact, Automatic Continuous Rejection, Automatic Cleaning Data |
| Trend va namunalash | De-Trend Epoch, TESA De-Trend, Re-Sample, Re-Reference |
| Filtrlash | CleanLine, TESA frequency filter, EEGLAB frequency filter, Median Filter |
| ICA | Run ICA, Run TESA ICA, ICLabel, ICA component flagging va component removal |
| Epoch amallari | Epoching va Remove Bad Epoch |
| TMSga xos amallar | Find TMS Pulses, Remove TMS Artifacts, Fix TMS Pulse, Interpolate Missing Data |
| Ilg‘or artefakt amallari | TESA EDM, SSP-SIR va SOUND |
| TEP tahlili | Extract TEP, Find TEP va TEP Peak Output |
| Vizualizatsiya / maxsus kod | Visualize EEG Data va Manual Command |
Manual Command nega muhim?
NESTApp faqat oldindan belgilangan amallar ro‘yxati bilan cheklanmaydi. Manual Command tanlovi foydalanuvchiga to‘g‘ridan-to‘g‘ri EEGLABga mos MATLAB buyrug‘ini qo‘shish imkonini beradi.
Manbada buyruq EEGLAB maʼlumotlar tuzilmasidan foydalanishi kerakligi aytilgan. Asosiy sintaksis:
EEG = someFunction(EEG, arguments)
ko‘rinishidadir.
Shu tariqa NESTApp interfeysida hali maxsus moduli bo‘lmagan, biroq EEG o‘zgaruvchisi ustida ishlaydigan boshqa funksiya ham pipeline-ga joylashtirilishi mumkin. Bu xususiyat GUI qulayligi bilan MATLAB dasturlanuvchanligi o‘rtasida ko‘prik yaratadi.
Pipeline-ni saqlash qayta ishlab chiqariluvchanlik uchun nega muhim?
EEG maʼlumotlar to‘plami “tozalandi” deb aytishning o‘zi usulni qayta ishlab chiqarish uchun yetarli emas. Qaysi filtrlar qaysi tartibda, qaysi chegaralar va qaysi ICA tanlovlari bilan ishlatilgani ham maʼlum bo‘lishi kerak.
NESTApp tanlangan pipeline va uning parametrlarini saqlashga imkon beradi. Manbaga ko‘ra, qo‘llangan qadamlar va tanlangan parametrlar maʼlumotnoma sifatida EEG o‘zgaruvchisiga ham qo‘shiladi.
Bu yondashuv bir xil pipeline-ni turli ishtirokchilar yoki tajriba sessiyalarida qayta qo‘llash mumkinligi nuqtai nazaridan muhim. Biroq tadqiqot ayni pipeline barcha maʼlumotlar to‘plami uchun ilmiy jihatdan optimal ekanini daʼvo qilmaydi; aksincha, maqolaning asosiy motivatsiyalaridan biri turli maʼlumotlar turli oldindan qayta ishlash ehtiyojlariga ega bo‘lishi mumkinligidir.
Saqlash bosqichi unutilsa nima bo‘ladi?
Manba tadqiqot muhim operatsion ogohlantirish beradi. Pipeline oxirida Save New Set bosqichi bo‘lmasa, tozalangan natija faylga saqlanmaydi va bajarilgan amallar doimiy natijaga aylanmaydi.
Ilova saqlash nomi uchun ikki usul beradi: asl fayl nomini saqlab qo‘shimcha qo‘shish yoki mutlaqo yangi nom belgilash.
Visualizing yorlig‘i nima beradi?
Manbaning 2-rasmi Visualizing yorlig‘ini ko‘rsatadi. Chap tomonda ko‘plab EEG elektrodlarini ifodalovchi bosh sxemasi, o‘rta qismda TMS Evoked Potential grafigi va topoplot maydoni, o‘ng tomonda esa maʼlumotlar to‘plamini tanlash va ko‘rsatish boshqaruvlari mavjud.
Foydalanuvchi ayrim elektrodlarni region of interest (ROI) sifatida belgilashi mumkin. Maqolada oldindan tanlangan namunaviy elektrodlar AF3, F1, F3, FC3 va FC1 sifatida berilgan.
Bir nechta fayl birga ko‘rsatilganda NESTApp ushbu fayllarning umumiy elektrodlarini avtomatik aniqlaydi va umumiy bo‘lmagan elektrodlarni o‘chiradi. Masalan, stimulyatsiyadan oldingi va keyingi sessiyalarning TEP egri chiziqlarini bitta grafikda taqqoslash mumkin.
TEP nima va NESTApp uni qanday ko‘rsatadi?
TMS-evoked potential (TEP) — TMS impulsi bilan vaqt jihatdan bog‘liq EEG javoblarini sinovlar bo‘yicha o‘rtachalash orqali olingan potensial profili. NESTAppning Visualizing yorlig‘i tanlangan elektrodlar va fayllar uchun ushbu egri chiziqlarni tez chizish imkonini beradi.
Foydalanuvchi TEP ko‘rsatish vaqt oralig‘ini slider orqali o‘zgartirishi mumkin. Grafikda ishlatilgan maʼlumot keyingi statistik tahlil uchun MATLAB Workspace-ga o‘tkazilishi mumkin.
Topoplot nimani ko‘rsatadi?
Topoplot tanlangan vaqtda yoki maʼlum vaqt oralig‘ining o‘rtachasida EEG faolligining bosh yuzasidagi fazoviy taqsimotini tez ko‘rib chiqish uchun ishlatiladi.
NESTApp foydalanuvchiga maqsad vaqtini slider yoki spinner orqali o‘zgartirish imkonini beradi. Istalsa, tanlangan vaqt oldi va ortidagi maʼlum kenglikdagi oyna bo‘yicha o‘rtacha olinib topografik ko‘rinish yaratilishi mumkin.
Bu bo‘lim ilmiy natija ishlab chiqarishdan ko‘ra, oldindan qayta ishlashdan keyin maʼlumotlarni tezkor sifat nazoratidan o‘tkazishga xizmat qiladi.
NESTLAB/TESA namunaviy pipeline-i qanday ishlaydi?
Maqola ilova bilan birga ulashilgan, TESA namunaviy pipeline-idan moslashtirilgan TMS-EEG oldindan qayta ishlash zanjirini ham batafsil bayon qiladi. Mualliflar bu zanjir o‘z laboratoriyalarida olingan turli TMS-EEG maʼlumotlar to‘plamlari bilan to‘plangan tajriba asosida moslashtirilgani va takomillashtirilganini bildiradi.
Manba ketma-ketligi saqlangan holda namunaviy zanjir quyidagicha:
| Tartib | Oldindan qayta ishlash bosqichi | Manbada berilgan maqsad / sozlama |
|---|---|---|
| 1 | EEG maʼlumotlarini yuklash | Tanlangan EEG maʼlumotlar to‘plamini ish maydoniga olish |
| 2 | Keraksiz elektrodlarni olib tashlash | Tajriba tuzilishiga ko‘ra ishlatilmaydigan kanallarni chiqarib tashlash |
| 3 | TMS impulsini topish | Kerak bo‘lsa tesa_findpulse orqali TMS hodisalarini aniqlash |
| 4 | Epoch yaratish | TMS impulsiga nisbatan -1 dan +1 s gacha epoch yaratish |
| 5 | Baseline tuzatish | -500 ms dan -50 ms gacha bo‘lgan pre-stimulus sohani ishlatish |
| 6 | TMS impuls artefaktini olib tashlash | -2 ms dan +10 ms gacha segmentni olib tashlash |
| 7 | Yomon kanallarni olib tashlash | Kurtosis va spektral og‘ish kabi avtomatik mezonlardan foydalanish |
| 8 | Yetishmayotgan TMS qismini interpolate qilish | Olib tashlangan impuls sohasidagi uzluksizlikni qayta tiklash |
| 9 | Resampling | Keyingi tahlillar uchun pastroq namunalash chastotasiga o‘tish |
| 10 | Yomon epochlarni avtomatik rad etish | Haddan tashqari amplituda yoki statistik og‘ishga ega epochlarni olib tashlash |
| 11 | Interpolatsiya qilingan TMS oynasini qayta olib tashlash | Birinchi ICA oldidan TMS segmentini yana olib tashlash |
| 12 | Birinchi ICA | fastICA va Gaussian nonlinearity yordamida TMS bilan bog‘liq komponentlarni aniqlab olib tashlash |
| 13 | TMS oynasini qayta interpolate qilish | ICA dan keyin vaqt uzluksizligini qayta tiklash |
| 14 | Filtrlash | 60 Hz notch va 1–80 Hz band-pass filtrni qo‘llash |
| 15 | TMS oynasini so‘nggi marta olib tashlash | Ikkinchi ICA uchun toza kirish yaratish |
| 16 | Ikkinchi ICA | Ko‘z harakati, mushak, blink va qolgan TMS artefaktlari bilan bog‘liq komponentlarni olib tashlash |
| 17 | Yetishmayotgan maʼlumot va kanallarni qayta interpolate qilish | Yetishmayotgan segmentlar va olib tashlangan kanallarni, kanallar uchun sferik interpolatsiyani ham o‘z ichiga olgan holda, qayta tiklash |
| 18 | Re-reference, yakuniy baseline va saqlash | O‘rtacha referensga o‘tish, yakuniy baseline tuzatishini bajarish va tozalangan maʼlumotlar to‘plamini saqlash |
Nega ikkita alohida ICA qo‘llanadi?
Manbada berilgan namunaviy pipeline-da birinchi ICA ayniqsa TMS impulsi bilan bog‘liq komponentlarni olib tashlashga qaratilgan. Shundan so‘ng TMS oynasi qayta interpolate qilinadi, filtrlash bajariladi va ikkinchi ICA oldidan tegishli oyna yana olib tashlanadi.
Ikkinchi ICA maqsadi kengroq: ko‘z harakatlari, mushak faolligi, blink va qolgan TMS bilan bog‘liq artefakt komponentlarini olib tashlash.
Bu ikki bosqichli tuzilma NESTAppning yagona majburiy ishlash usuli emas; maqolada ulashilgan namunaviy TMS-EEG pipeline-ining bir qismidir.
60 Hz notch filtrini Turkiyada to‘g‘ridan-to‘g‘ri ishlatish kerakmi?
Manba namunaviy pipeline-da notch filtrni aniq “North America: 60 Hz” deb beradi. Bu qiymat tadqiqotning Kanada/Shimoliy Amerika kontekstidagi namunaviy ish oqimiga tegishli.
Shuning uchun bu qiymatni elektr tarmog‘i chastotasi boshqa bo‘lgan laboratoriyada aynan qo‘llash kerak degan xulosa tadqiqotdan chiqarib bo‘lmaydi. NESTAppning asosiy afzalligi shundaki, bunday parametrlarni foydalanuvchi o‘zgartira oladi.
Turkiya nuqtai nazaridan bu nimani anglatadi?
Tadqiqotda Turkiyada to‘plangan EEG yoki TMS-EEG maʼlumotlari, Turkiyadagi laboratoriyada qo‘llash yoki mahalliy klinik samaradorlik bahosi mavjud emas. Shu sabab ilovaning Turkiyadagi EEG laboratoriyalarida maʼlum muvaffaqiyat darajasi bilan ishlashi haqida miqdoriy xulosa chiqarib bo‘lmaydi.
Biroq vosita dasturiy arxitektura jihatidan maʼlumotlar to‘plamiga xos pipeline dizaynini qo‘llab-quvvatlaydi. Turkiyadagi tadqiqot guruhi NESTAppdan foydalanmoqchi bo‘lsa, o‘z qayd protokoli, qurilmasi, tarmoq chastotasi, kanallar joylashuvi va artefakt tuzilishiga mos parametrlarni alohida belgilashi kerak.
Tadqiqot qo‘llab-quvvatlaydigan xulosalar
- NESTApp MATLAB App Designer ustida EEGLABga asoslangan modulli EEG/TMS-EEG oldindan qayta ishlash GUI-sini taqdim etadi.
- Foydalanuvchi oldindan qayta ishlash modullarini tanlashi, tartiblashi, olib tashlashi va parametrlarini tahrirlashi mumkin.
- Pipeline-larni MAT formatida saqlab, qayta ishlatish mumkin.
- Bir nechta EEG maʼlumotlar to‘plamini bitta tayyorlangan pipeline bilan batch tarzida qayta ishlash mumkin.
- EEGLAB, TESA, ICLabel va fastICA bilan bog‘liq funksiyalar bitta interfeys ostida ishlatilishi mumkin.
- Manual Command orqali oldindan belgilanmagan, EEGLABga mos MATLAB funksiyalarini pipeline-ga qo‘shish mumkin.
- Visualizing yorlig‘i EEG, TEP va topografik ko‘rinishlarni tez ko‘rib chiqishni qo‘llab-quvvatlaydi.
- Maqola TMS-EEG uchun batafsil namunaviy oldindan qayta ishlash pipeline-ni taqdim etadi.
Tadqiqot qo‘llab-quvvatlamaydigan yoki sinamagan xulosalar
- NESTApp barcha boshqa TMS-EEG pipeline-laridan aniqroq ekani ko‘rsatilmagan.
- Muayyan tozalash pipeline-i barcha TMS-EEG maʼlumotlari uchun optimal ekani ko‘rsatilmagan.
- Yangi ishtirokchi maʼlumotlar to‘plamida SNR, TEP aniqligi yoki artefakt kamayish foizi xabar qilinmagan.
- NESTAppdan foydalanish klinik tashxis aniqligi yoki davolash muvaffaqiyatini oshirishi ko‘rsatilmagan.
- Ilova har bir shaxs uchun optimal parametrlarni avtomatik aniqlamaydi.
- Topoplot va TEP vizualizatsiyalari o‘z-o‘zicha klinik talqin yoki tashxis vositasi sifatida tasdiqlanmagan.
- Maqoladagi namunaviy pipeline barcha qurilmalar, laboratoriyalar va elektr tarmog‘i sharoitlarida o‘zgartirmasdan foydalaniladigan universal standart emas.
Tadqiqot Usuli va Natijalari
Tadqiqotning ilmiy dizayni
Bu tadqiqot klassik maʼnodagi ishtirokchi guruhlari, tajriba-nazorat guruhi yoki gipoteza sinoviga ega biotibbiy tajriba emas. Asosiy tadqiqot natijasi MATLAB grafik foydalanuvchi interfeysining dizayni va funksiyalarining tavsifidir.
| Texnik unsur | Manbada bildirilgan tuzilma |
|---|---|
| Ilova | NESTApp v2.0 |
| Asosiy ishlab chiqish muhiti | MATLAB App Designer R2024b |
| EEG infratuzilmasi | EEGLAB 2025.0.0 |
| Maxsus TMS-EEG funksiyalari | TESA |
| ICA belgilash | ICLabel |
| ICA algoritmi | fastICA qo‘llab-quvvatlashi |
| Asosiy GUI yorliqlari | Cleaning va Visualizing |
| Ro‘yxatdagi pipeline amali | 38 modul/amal |
| Pipeline-ni saqlash | MAT formati |
| Batch processing | Qo‘llab-quvvatlanadi |
| Yangi maʼlumotlar to‘plami tahlili | Ushbu tadqiqotda bajarilmagan |
Cleaning interfeysining funksional tuzilishi
PDFdagi 1-rasm ilovaning Cleaning yorlig‘ini bevosita ko‘rsatadi. Tasvirda chapda Steps va Info, markazda Selected Steps, o‘ngda Parameter(s) maydonlari joylashgan. O‘ng chekkadagi boshqaruvlar EEGLAB yo‘lini tanlash, maʼlumot fayllarini yuklash, qayta ishlash holatini kuzatish, pipeline-ni qayta o‘rnatish va tahlilni boshlash uchun ishlatiladi.
Ushbu rasmning asosiy ilmiy/dasturiy xabari shuki, pipeline dastur kodida yashirin bo‘lish o‘rniga foydalanuvchi tomonidan vizual ko‘rinadi va qayta tartiblanadi.
Visualizing interfeysining funksional tuzilishi
PDFdagi 2-rasmda Visualizing yorlig‘i ko‘rsatilgan. Bosh sxemasida elektrodlarni tanlash mumkin; TMS Evoked Potential maydoni vaqt qatori grafigi uchun ajratilgan; Topoplot bo‘limi esa maʼlum vaqt yoki vaqt oralig‘idagi EEG fazoviy taqsimotini ko‘rib chiqish uchun ishlatiladi.
Ayni ekran bir nechta maʼlumot fayllarini tanlash, umumiy elektrodlarni aniqlash va turli maʼlumotlar to‘plamlaridan TEP egri chiziqlarini qiyosiy chizishni qo‘llab-quvvatlaydi.
Namunaviy TMS-EEG pipeline-idagi muhim vaqt va chastota qiymatlari
| Amal parametri | Manbada berilgan qiymat |
|---|---|
| TMSga qulflangan epoch | -1 dan +1 s gacha |
| Birinchi baseline oynasi | -500 dan -50 ms gacha |
| Olib tashlangan TMS artefakt oynasi | -2 dan +10 ms gacha |
| Notch filtr misoli | 60 Hz — manbada Shimoliy Amerika uchun ko‘rsatilgan |
| Band-pass filtr | 1–80 Hz |
| ICA yondashuvi | fastICA, Gaussian nonlinearity |
Bu parametrlar maqolada ulashilgan namunaviy pipeline-ga tegishli. NESTAppning barcha qo‘llanishlari uchun majburiy doimiy qiymatlar sifatida taqdim etilmagan.
Tadqiqotda nega muvaffaqiyat foizi yo‘q?
Maqolaning maqsadi NESTAppning funksional dizaynini tanishtirishdir. Tadqiqotda yangi EEG maʼlumotlar to‘plami yaratilmagan yoki tahlil qilinmagan. Shu sabab:
- signal-shovqin nisbatining yaxshilanishi,
- artefakt kamayish foizi,
- TEP amplituda xatosi,
- algoritm sezgirligi/xosligi,
- pipeline ishlash vaqti taqqoslanishi,
- foydalanuvchi tadqiqoti,
- klinik samaradorlik
kabi miqdoriy benchmarklar xabar qilinmagan.
Shu bois ushbu maqolada ilovaning ilmiy qiymati “X darajada yaxshiroq tozalaydi” degan daʼvodan emas, balki oldindan qayta ishlash zanjirlarini dasturlash ehtiyojini kamaytirib, ularni vizual, modulli va qayta foydalaniladigan qilishidan kelib chiqadi.
Asosiy cheklovlar
- Maqola yangi maʼlumotlar to‘plamida miqdoriy samaradorlik benchmarkini taqdim etmaydi.
- Tozalash natijalari boshqa usullar bilan nazoratli tarzda taqqoslanmagan.
- Pipeline tanlovining mosligi hanuz tadqiqotchining metodologik qarorlariga bog‘liq.
- Manual Command xususiyati yuqori moslashuvchanlik bersa-da, ishlatiladigan buyruq EEGLAB maʼlumotlar tuzilmasi bilan mos bo‘lishi kerak.
- Namunaviy NESTLAB/TESA pipeline-idagi parametrlar muayyan laboratoriya tajribalariga asoslangan va universal standart sifatida taqdim etilmagan.
- Shaxsga xos avtomatik parametr optimallashtirish joriy versiya xususiyati sifatida ko‘rsatilmagan; kelajakdagi rivojlantirish maqsadi sifatida qayd etilgan.
Kelajakda nima rejalashtirilgan?
Mualliflar barcha EEG yozuvlariga bir xil parametrlar bilan yondashish muammoli bo‘lishi mumkinligini taʼkidlaydilar. Shu sabab kelajakdagi versiyalarda parametrlarni har bir ishtirokchiga ko‘ra statistik optimallashtirish va shu orqali yanada avtomatik, moslashuvchan oldindan qayta ishlash tizimini ishlab chiqishni taklif qiladilar.
Bu xususiyat manbada kelajakdagi ish maqsadidir; joriy NESTApp v2.0ning tasdiqlangan xususiyati sifatida baholanmasligi kerak.
Manba va Usul Izohi
Tadqiqotning to‘liq asl nomi: NESTApp: A GUI-Based MATLAB Application for Simplified TMS-EEG Preprocessing with EEGLAB
Mualliflar va asl tartib: Aref Pariz; Jeremie Lefebvre; Sara Tremblay.
Masʼul mualliflar: Manbada Aref Pariz va Sara Tremblay yulduzcha belgisi va aloqa maʼlumotlari bilan ko‘rsatilgan.
Teng birinchi/teng hissa: Yuklangan versiyada teng birinchi mualliflik yoki teng hissa bayonoti mavjud emas.
Muassasalar: 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.
Manba turi: Ilmiy dasturiy taʼminot / MATLAB GUI va usul maqolasi.
Nashr holati: Bu tadqiqot taqrizdan o‘tmagan preprintdir; natijalar ushbu nashr bosqichi hisobga olingan holda baholanishi kerak.
Platforma: SSRN.
SSRN abstract raqami: 6204470.
DOI: 10.2139/ssrn.6204470.
Bibliografik sana: Tashqi bibliografik yozuvlarda 2026-yil yanvar deb ko‘rsatilgan. Yuklangan PDFda bundan aniqroq birinchi nashr kuni ko‘rinmaydi.
Rasmiy manba havolasi: https://ssrn.com/abstract=6204470
Dasturiy taʼminot: Maqolada NESTApp v2.0 sifatida taʼriflangan.
Maqoladagi ishlab chiqish muhiti: MATLAB App Designer R2024b.
Maqoladagi EEGLAB versiyasi: 2025.0.0.
Manba kodi: Maqolada https://github.com/arefpz/nestapp manzili berilgan.
Litsenziya: Maqola matnida aniq dasturiy litsenziya ko‘rsatilmagan. Joriy manba kod repozitoriysi GPL-3.0 litsenziyasini ko‘rsatadi; bu maʼlumot repozitoriyning hozirgi holatiga tegishli va maqoladagi NESTApp v2.0 versiyasiga retrospektiv litsenziya bayonoti sifatida talqin qilinmagan.
Maʼlumotlar mavjudligi: Mualliflar ushbu tadqiqot davomida hech qanday maʼlumotlar to‘plami yaratilmagani yoki tahlil qilinmaganini bildiradilar.
Moliyalashtirish: Sara Tremblay uchun Natural Sciences and Engineering Council of Canada (NSERC) Discovery Grant RGPIN-2020-05856 ko‘rsatilgan.
Muallif hissalari: AP, ST va JL tadqiqotni loyihalagan; AP dastlabki qoralamani yozgan; barcha mualliflar maqolani ko‘rib chiqqan.
Manfaatlar to‘qnashuvi: Yuklangan matnda alohida manfaatlar to‘qnashuvi bayonoti aniqlanmagan. Bundan manfaatlar to‘qnashuvi yo‘q degan xulosa chiqarilmagan.
Manba ichidagi fayl tuzilishi izohi: Yuklangan PDF 17 ta jismoniy sahifadan iborat bo‘lsa-da, birinchi qism 9/9, ikkinchi qism 8/8 deb raqamlangan va katta darajada takrorlanuvchi ikki maqola maketini ketma-ket o‘z ichiga oladi. Shu sabab faylning 17 sahifasi 17 ta noyob ilmiy mazmun sahifasi sifatida baholanmagan.
Manba ichidagi tahririy izoh: Matndagi bir havola “Table ??” ko‘rinishida hal qilinmagan placeholder bo‘lib qolgan; tegishli jadval hujjatda Table 1 sifatida berilgan. Tadqiqot nomi asosan NESTApp ko‘rinishida bo‘lsa-da, ayrim rasm/matn joylarida NESTAPP yozilishi uchraydi. Bu farqlar jimgina asl sarlavhaga qo‘llanmagan.
Ilmiy dizayn chegarasi: Bu tadqiqot NESTAppning dasturiy arxitekturasi va namunaviy TMS-EEG preprocessing pipeline-ini taʼriflaydi. Yangi ishtirokchilar kohortasi, tajriba guruhi, klinik natija yoki miqdoriy algoritm benchmarki mavjud emas.
Ilmiy mazmun chegarasi: Ushbu Verianla maqolasidagi NESTApp arxitekturasi, funksiyalar ro‘yxati, TMS-EEG pipeline bosqichlari, vaqt/chastota parametrlari, vizualizatsiya xususiyatlari va cheklovlar faqat yuklangan tadqiqotga asoslangan. Tashqi manbalar faqat DOI, bibliografik identifikatsiya va mavjud dasturiy repozitoriyning mavjudlik/litsenziya holatini tasdiqlash uchun ishlatilgan; asosiy ilmiy mazmunga tashqi natija qo‘shilmagan.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan