Improving TMS EEG Signal Quality for Closed-Loop Neuro Stimulation via Source-Domain Denoising

Resumen Técnico: Mejora de la Calidad de la Señal TMS–EEG para la Neuroestimación en Bucle Cerrado mediante Eliminación de Ruido en el Dominio de la Fuente

Enunciado del Problema
La Estimación Magnética Transcraneal combinada con Electroencefalografía (TMS–EEG) ofrece un método poderoso para explorar la dinámica cortical y desarrollar sistemas de Interfaz Cerebro-Computadora (BCI) en bucle cerrado. Sin embargo, la utilidad de la TMS–EEG se ve severamente restringida por la presencia de artefactos masivos que oscurecen las señales neuronales subyacentes. Estos artefactos incluyen actividad muscular inducida por TMS (EMG), transitorios de recarga del estimulador, potenciales evocados somatosensoriales y ruido ambiental. El desafío se complica por la "maldición de la dimensionalidad", lo que dificulta mapear datos de TMS–EEG ruidosos a estados específicos de circuitos cerebrales. Además, aunque existen diversos métodos de eliminación de artefactos, falta un conjunto de datos de referencia estandarizado y cuidadosamente preprocesado para comparar y validar sistemáticamente estrategias de limpieza automatizada, particularmente dada la ausencia de una verdad fundamental fisiológica real.

Metodología
El estudio establece una tubería de preprocesamiento robusta para generar un conjunto de datos de referencia y evalúa dos enfoques principales de eliminación de artefactos basados en la fuente: la Proyección del Espacio de Señal (SSP) y el algoritmo de Estimación de Fuente que Utiliza Descarte de Ruido (SOUND).

1. Adquisición de Datos y Preprocesamiento Inicial:

   • Configuración: Los datos de EEG se registraron utilizando un sistema EasyCap de 32 canales con TMS aplicada sobre la corteza motora primaria izquierda (M1) al 100% del umbral motor en reposo.
   • Limpieza Inicial: Los datos crudos sufrieron filtrado (1–40 Hz), reducción de tasa de muestreo a 250 Hz y marcado de artefactos (rechazando puntos > ±500 µV).
   • ICA y Rechazo de Componentes: Los datos se segmentaron en pseudo-épocas y se sometieron a Análisis de Componentes Independientes Infomax (ICA). Los componentes se clasificaron utilizando ICLabel e inspección visual. Se excluyeron los componentes identificados como oculares, musculares, cardíacos, ruido de línea o ruido de canal. El estudio enfatiza eliminar solo los componentes que son casi 100% artefactuales para minimizar la distorsión de las señales neuronales superpuestas.

2. Tuberías de Eliminación de Artefactos:

   • Proyección del Espacio de Señal (SSP): Aplicada para suprimir artefactos transitorios de alta amplitud. Los autores señalan que SSP se suele emparejar con Reconstrucción Informada por la Fuente (SIR) para restaurar patrones espaciales; sin embargo, SIR se omitió en este estudio debido a la indisponibilidad de datos de resonancia magnética estructural requeridos para construir un modelo directo.
   • Algoritmo SOUND: Implementado en Python basado en la caja de herramientas MATLAB TESA de código abierto. Este método en el dominio de la fuente valida cruzadamente las señales de EEG utilizando un modelo directo de EEG para identificar y descartar componentes de ruido mientras preserva la actividad neural genuina. La implementación utilizó la Descomposición en Valores Singulares (SVD) para comprimir la matriz de campo de plomo, mejorando la eficiencia computacional.

Resultados Clave

• Caracterización de Artefactos: El estudio identificó fuentes específicas de artefactos, incluidos artefactos de pulso (1 ms), respuestas escalón (5–7 ms), artefactos musculares craneales (5–10 ms), artefactos de decaimiento (10–100 ms) y artefactos de recarga.
• Rendimiento de SSP: Aunque SSP redujo eficazmente los transitorios de gran amplitud inmediatamente después del pulso TMS, la ausencia de SIR condujo a artefactos residuales y distorsión potencial de la señal, con algunos canales que excedieron los rangos de amplitud fisiológica típicos (5–8 µV).
• Rendimiento de SOUND: El algoritmo SOUND demostró una eficacia superior en la limpieza en el dominio de la fuente.
  • Reducción de Amplitud: Las trazas posteriores a SOUND se confinaron dentro de un rango de ±5 µV, un orden de magnitud menor que las señales crudas.
  • Consistencia de la Señal: La varianza intercanal se igualó, revelando trazas altamente superpuestas que indican actividad cortical compartida con ruido de sensor no correlacionado mínimo.
  • Análisis Tiempo-Frecuencia: Antes de la limpieza con SOUND, la Representación Tiempo-Frecuencia (TFR) estaba dominada por ruido de banda ancha y resonancia de la bobina, oscureciendo las oscilaciones neuronales. Después de la limpieza con SOUND, un rebote beta post-estimulo pronunciado (15–30 Hz) se volvió claramente visible, indicando la recuperación exitosa de la actividad oscilatoria genuina.
• Preservación de la Dinámica Neural: A diferencia de ICA o SSP por sí solos, que corren el riesgo de distorsionar patrones espaciales o eliminar señales neuronales superpuestas, el enfoque en el dominio de la fuente de SOUND preservó las fluctuaciones temporales rápidas y la estructura principal de la respuesta cortical.

Contribuciones Clave

1. Creación de Conjunto de Datos de Referencia: El estudio produjo un conjunto de datos de TMS–EEG cuidadosamente preprocesado que sirve como referencia para validar futuros algoritmos de eliminación de artefactos. Los autores declaran explícitamente que, debido a la falta de una verdad fundamental fisiológica real, este conjunto de datos debe considerarse como una "referencia cuidadosamente preprocesada" en lugar de una representación absoluta de la actividad limpia.
2. Implementación en Python de SOUND: La investigación portó exitosamente el algoritmo SOUND desde la caja de herramientas MATLAB TESA a Python, mejorando la accesibilidad y la reproducibilidad para una futura integración en sistemas en tiempo real.
3. Validación de la Tubería: El trabajo proporciona una evaluación sistemática de SSP (sin SIR) y SOUND, demostrando que la eliminación de ruido en el dominio de la fuente es un paso crítico para mejorar la fiabilidad de los datos tanto en contextos de investigación como clínicos.

Significado y Afirmaciones
El artículo afirma que el flujo de trabajo propuesto mejora significativamente la fiabilidad de los datos, lo cual es un prerrequisito para integrar TMS–EEG en marcos de BCI en bucle cerrado. Al suprimir eficazmente los artefactos mientras se preserva la dinámica cortical, el estudio apoya el desarrollo de intervenciones personalizadas en bucle cerrado para afecciones como el dolor crónico, donde los sistemas abiertos tradicionales a menudo fallan.

Los autores mantienen una postura modesta respecto a sus afirmaciones: no afirman que sus datos limpiados representen la "verdad" absoluta de la actividad cerebral. En cambio, posicionan su trabajo como un paso fundamental hacia el establecimiento de referencias estandarizadas. El objetivo último identificado es la integración de estas señales de TMS–EEG limpiadas en sistemas BCI más grandes para mejorar la comprensión de la dinámica cortical y expandir las aplicaciones clínicas. Se propone trabajo futuro para explorar variantes en tiempo real del algoritmo SOUND (FAST SOUND) e investigar modelos de estimación de plasticidad sináptica y fase adaptados a paradigmas específicos de provocación de síntomas.