EEG Bad-Channel Detection Using Multi-Feature Thresholding and Co-Occurrence of High-Amplitude Transients

Este trabajo presenta un módulo de MATLAB para la detección de canales defectuosos en registros de EEG que combina métricas multifecha y el agrupamiento de transitorios de alta amplitud para facilitar una validación interactiva y estructurada antes de aplicar análisis posteriores como la ICA.

Lo esencial

¡Claro que sí! Imagina que el cerebro es como una orquesta gigante con cientos de instrumentos (los electrodos) tocando al mismo tiempo. El objetivo de los científicos es escuchar la música (las ondas cerebrales) para entender cómo funciona la mente.

Sin embargo, a veces, algunos instrumentos están desafinados, tienen el cable suelto o se les cae la partitura. En el mundo de la electroencefalografía (EEG), a estos instrumentos defectuosos los llamamos "canales malos". Si no los detectamos, el ruido que hacen arruina toda la grabación, como si un violín estuviera tocando una nota estridente y muy fuerte mientras el resto de la orquesta toca suavemente.

Aquí te explico qué hace este nuevo "módulo" (una herramienta de software) que crearon Malave y Kaneshiro, usando una analogía sencilla:

🎻 El Problema: ¿Quién está tocando mal?

En una grabación larga, algunos cables se mueven o fallan. A veces, el problema es solo de un instrumento (un electrodo suelto), pero otras veces, varios instrumentos fallan al mismo tiempo porque algo externo los afecta (como un movimiento brusco del paciente o un problema en el cableado).

Los métodos antiguos eran como un director de orquesta muy estricto y automático: si un instrumento hacía un ruido fuerte, ¡lo expulsaba de la orquesta inmediatamente! El problema es que a veces ese "ruido fuerte" era en realidad parte de la música (como un parpadeo de ojos o un movimiento natural) y no un fallo del instrumento. Al expulsarlos automáticamente, perdíamos información valiosa.

🕵️‍♂️ La Solución: El Detective Humano con Ayuda de IA

Este nuevo módulo es como un asistente de investigación inteligente que no toma decisiones finales por ti, sino que te ayuda a encontrar los problemas rápidamente. Funciona en tres pasos mágicos:

1. El Escáner de "Sospechosos" (Puntuación Multicaracterística)

Imagina que el software le da a cada instrumento una puntuación de sospecha basándose en tres cosas:

• ¿Se parece a sus vecinos? Si un electrodo suena muy diferente a los que tiene al lado, es sospechoso (como un violín que suena como una trompeta).
• ¿Tiene picos de volumen extremos? Si un canal grita muy fuerte (amplitud alta) cuando nadie más lo hace, es sospechoso.
• ¿Está muy quieto o muy loco? Si un canal está totalmente plano (como si estuviera dormido) o muy inestable, también es sospechoso.

El software marca a estos canales como "Sospechosos", pero no los elimina todavía. Solo te dice: "Oye, revisa estos, parecen raros".

2. El Grupo de "Amigos en Problema" (Agrupación por Eventos)

Aquí viene la parte más creativa. El software busca patrones en el tiempo.

• Imagina que varios instrumentos hacen un "ruido" gigante al mismo tiempo. ¿Es porque todos están rotos? ¡No necesariamente! Podría ser que el músico se movió y movió todos los cables a la vez.
• El módulo agrupa a los canales que hacen el mismo "ruido" al mismo tiempo. Es como decir: "Estos 5 instrumentos están haciendo el mismo ruido extraño juntos".
• La clave: En lugar de expulsar a todos automáticamente, el software te dice: "Mira, estos 5 están juntos. Revisa si es un fallo de todos o si es algo que pasó en la habitación". Esto evita que borres información útil (como el parpadeo de ojos) que es normal y compartido.

3. La Revisión Humana (El Director de Orquesta)

Aquí es donde entra la magia humana. El software no decide quién se va; te muestra una pantalla interactiva con los canales sospechosos y sus grupos.

• Tú, el investigador, miras las ondas.
• Si ves que un canal está realmente roto, lo marcas como "MALO" y lo eliminas.
• Si ves que el "ruido" era solo un parpadeo de ojos o un movimiento normal, lo dejas como "BUENO" o "sospechoso pero aceptable".

¿Por qué es genial esto?

• No es un robot tonto: No elimina cosas importantes por error. Te deja ser el juez final.
• Ahorra tiempo: En lugar de revisar 128 canales uno por uno (lo cual es aburrido y lento), el software te dice: "Revisa solo estos 5 que están sospechosos y este grupo de 3 que hacen ruido juntos".
• Es transparente: Puedes ver exactamente por qué el software pensó que algo estaba mal.

En resumen

Este módulo es como un sistema de seguridad inteligente para una orquesta. En lugar de echar a los músicos automáticamente cuando suenan fuerte, les pone una etiqueta de "revisión", agrupa a los que suenan igual para ver si es un problema común, y luego deja que el director humano (tú) decida con calma quién necesita ser reemplazado.

Así, la música del cerebro se escucha más limpia, sin perder las notas importantes que podrían haber sido borradas por un robot demasiado estricto.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo prepublicado en español, estructurado según los puntos solicitados:

Título: Detección de Canales Defectuosos en EEG mediante Umbralización Multi-Feature y Co-ocurrencia de Transitorios de Alta Amplitud

Autores: Amilcar J. Malave y Blair Kaneshiro (Stanford University)
Herramienta: Módulo MATLAB "SENSI EEG PREPROC Bad-Channel Detection"

---

1. El Problema

Las grabaciones de electroencefalografía (EEG), especialmente en montajes de alta densidad, son susceptibles a contaminación no fisiológica derivada de acoplamientos defectuosos entre electrodo y cuero cabelludo, movimiento o interferencia de hardware.

• Impacto: Los canales defectuosos pueden degradar significativamente los análisis posteriores, sesgar la re-referenciación y distorsionar la estructura espacial multicanal.
• Limitaciones de los métodos actuales: Aunque existen pipelines automatizados (como FASTER, PREP, EEGLAB), estos a menudo toman decisiones binarias (rechazar/mantener) que pueden ocultar la razón detrás de la detección. Además, tienden a confundir la estructura de artefactos compartidos (como parpadeos oculares o actividad muscular global) con fallos específicos de un canal. Rechazar prematuramente canales que comparten transitorios puede eliminar información fisiológica válida y perjudicar etapas posteriores como el Análisis de Componentes Independientes (ICA), que depende de la covarianza cruzada para limpiar datos.

2. Metodología

El módulo propuesto es un enfoque de "control de calidad con intervención humana" (human-in-the-loop) que no busca la eliminación automática total, sino priorizar y organizar la revisión manual. El flujo de trabajo consta de tres etapas principales:

A. Puntuación de Sospecha Multi-Feature (Pre-etiquetado)

Se calculan características complementarias para pre-etiquetar canales como buenos, sospechosos o malos:

1. Disimilitud del Vecino (Time-resolved Neighbor Dissimilarity): Se calcula la correlación de Pearson entre un canal y sus vecinos espaciales en ventanas de tiempo. Se utiliza la mediana de estas correlaciones para obtener una medida de disimilitud. Un valor alto indica que el canal se comporta de manera anómala respecto a su entorno local.
2. Amplitud Extrema y Elevada:
   • Umbral duro: Si la amplitud máxima absoluta supera un límite (ej. 1000 µV), se marca como malo.
   • Puntuación estandarizada: Se aplica una transformación logarítmica y z-score a la amplitud máxima. Valores atípicos se marcan como sospechosos.
3. Variabilidad (Global y Temporal): Se evalúa la varianza global (ruido excesivo o canales planos) y la variabilidad temporal (inestabilidad a lo largo del tiempo). Se utilizan umbrales asimétricos para evitar marcar regiones naturales de baja actividad como defectuosas.

B. Agrupamiento (Clustering) Basado en Co-ocurrencia de Transitorios

Esta es la innovación central del método. En lugar de analizar canales en aislamiento, se agrupan según la similitud temporal de sus eventos de alta amplitud.

1. Detección de Transitorios: Se estandariza robustamente la señal (usando mediana y MAD) y se aplica un umbral alto (ej. $|Z| > 14$) para crear una máscara binaria de transitorios. Esto elimina la actividad fisiológica normal y se centra en eventos extremos.
2. Max-Pooling Temporal: Las máscaras binarias se agrupan en bloques de tiempo (ej. 200 ms) para reducir la redundancia y obtener un vector de eventos esparsos.
3. Distancia de Jaccard-like: Se calcula la distancia entre canales basada en la superposición de sus eventos transitorios (intersección sobre la unión).
4. Clustering: Se construye un grafo de adyacencia donde los canales están conectados si su distancia es inferior a un umbral $\epsilon$. Los componentes conectados forman los clústeres.
   • Propósito: Identificar canales que comparten fuentes de artefactos comunes (ej. movimiento de un cable, fallo de hardware en un grupo).
   • Manejo de Ojos: Se identifica específicamente el clúster que solapa con canales EOG para evitar su rechazo automático por amplitud, preservando la estructura ocular para ICA.

C. Revisión Interactiva y Validación Humana

El sistema no rechaza canales automáticamente basándose en el clustering.

• Interfaz Gráfica (GUI): Se lanza una interfaz (reviewBadChsUI) que presenta los canales organizados por clústeres y priorizados por puntuaciones de sospecha.
• Toma de Decisiones: El usuario inspecciona las trazas temporales y asigna un estado final: Bueno (0), Sospechoso (1) o Malo (2).
• Salida: Solo los canales explícitamente marcados como "Malos" por el usuario se incluyen en la lista final de exclusión. Esto genera un registro de auditoría completo de las decisiones.

3. Contribuciones Clave

• Enfoque Interpretativo: Combina métricas estadísticas robustas con una visualización clara de la estructura de los datos, permitiendo al investigador entender por qué un canal fue marcado.
• Clustering de Eventos Compartidos: Utiliza una métrica de similitud basada en la co-ocurrencia de transitorios (derivada de Jaccard) para agrupar canales con fallos estructurados, diferenciándolos de artefactos fisiológicos globales.
• Validación Humana Estructurada: Transforma la revisión manual de un proceso de escaneo aleatorio a uno dirigido por datos, reduciendo la carga cognitiva y la subjetividad.
• Código Abierto y Documentado: Se libera como un módulo de MATLAB completo (licencia MIT) con un conjunto de datos de ejemplo, documentación detallada y scripts de demostración.

4. Resultados (Análisis Ilustrativo)

El artículo demuestra el flujo de trabajo con datos reales de EEG (plataforma EGI GES 300):

• Visualización de Clústeres: La herramienta generó gráficos de fuerza y matrices de distancia que mostraron claramente grupos de canales con patrones de transitorios idénticos. Se identificaron clústeres pequeños (ej. 1-3 canales) que eran candidatos fuertes para revisión manual, sugiriendo fallos localizados.
• Reducción de Rango de Amplitud: En el ejemplo, la eliminación de 7 canales marcados manualmente redujo el rango de amplitud de visualización de $\pm 20,000$ µV a $\pm 1,000$ µV, demostrando que los canales eliminados dominaban visualmente la señal y ocultaban la actividad cerebral subyacente.
• Eficacia en la Priorización: La interfaz permitió a los usuarios revisar rápidamente los canales más problemáticos sin necesidad de inspeccionar manualmente todo el montaje.

5. Significado e Implicaciones

• Equilibrio entre Automatización y Control: El módulo llena un vacío práctico al ofrecer automatización para la detección y organización, pero mantiene al humano en el bucle para la decisión final. Esto es crucial en estudios donde la pérdida de datos (rechazo de canales) es costosa.
• Preservación para ICA: Al no rechazar automáticamente canales que comparten transitorios (que podrían ser artefactos oculares o musculares válidos para ICA), el método preserva la información necesaria para la descomposición de componentes independiente.
• Reproducibilidad: Al documentar explícitamente qué canales fueron revisados y cómo se clasificaron, mejora la transparencia y la reproducibilidad de los estudios de neurociencia.
• Limitaciones y Futuro: Actualmente requiere definiciones de montajes específicas (EGI, BioSemi, Easycap) y depende de la intervención humana. Futuras versiones podrían automatizar la selección de umbrales de clustering y mejorar la binarización de eventos para diferentes dinámicas de canal.

En resumen, este trabajo presenta una herramienta robusta y transparente para la limpieza de datos EEG que prioriza la interpretabilidad y la validación experta sobre la automatización ciega, mejorando la calidad de los datos antes de aplicar técnicas avanzadas de análisis como el ICA.