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

Questo lavoro presenta un modulo MATLAB per l'identificazione dei canali EEG difettosi che combina analisi multi-caratteristica e raggruppamento basato sulla co-occorrenza di transitori ad alta ampiezza, favorendo un processo di validazione interattiva e interpretabile prima delle fasi successive di pulizia dei dati.

L'essenziale

Immagina di avere un'orchestra di 128 o 256 musicisti (i canali EEG) che suonano insieme per registrare la musica del tuo cervello. L'obiettivo è catturare la melodia perfetta. Ma cosa succede se uno strumento è rotto, se un musicista tossisce, o se un microfono si muove e fa un rumore strano? Se lasci questi errori, l'intera registrazione diventa inutilizzabile.

Questo articolo presenta un nuovo assistente intelligente (un software scritto in MATLAB) progettato per aiutare i ricercatori a trovare e gestire questi "strumenti rotti" prima di analizzare la musica del cervello.

Ecco come funziona, spiegato con parole semplici e analogie:

1. Il Problema: Non tutti i rumori sono uguali

Spesso, i computer tentano di trovare i canali rotti in modo automatico, come un giudice severo che dice: "Questo canale fa troppo rumore, buttalo via!".
Ma c'è un problema: a volte, un "rumore" non è un canale rotto, ma un evento che succede a tutti i musicisti insieme (come un colpo di tosse del direttore d'orchestra o un lampo di luce). Se il computer butta via tutti i canali che fanno quel rumore, perde informazioni preziose.

2. La Soluzione: L'Assistente "Detective"

Il nuovo metodo non è un giudice automatico, ma un detective con un assistente umano. Funziona in tre fasi:

Fase A: I Controllo Rapidi (Le "Spie Rosse")

Il software guarda ogni canale e fa tre controlli veloci, come un meccanico che controlla un'auto:

1. Il vicino: "Sei in sintonia con i tuoi vicini?" Se un canale suona in modo completamente diverso dai canali vicini (che dovrebbero essere simili), è sospetto.
2. Il volume: "Hai fatto un picco di volume pazzesco?" Se un canale esplode in un rumore fortissimo, viene segnato come "rotto".
3. La stabilità: "Sei troppo silenzioso o troppo caotico?" Un canale che non si muove mai (come se fosse spento) o che vibra senza senso è sospetto.

Se un canale supera questi controlli, viene messo in una lista di "Sospetti".

Fase B: Il Gruppo di Amici (Il Clustering)

Qui arriva la parte geniale. Il software guarda i "Sospetti" e si chiede: "Chi fa il rumore insieme a chi?"
Immagina di vedere un gruppo di persone che ridono tutte insieme. Se ridono insieme, probabilmente stanno ascoltando la stessa battuta (un evento condiviso), non che sono tutte malate.
Il software raggruppa i canali che fanno gli stessi "scatti" o rumori improvvisi nello stesso momento.

• Se un gruppo di canali fa rumore insieme, probabilmente è un problema esterno (come un movimento della testa o un'interferenza elettrica) che colpisce tutti.
• Se un canale fa rumore da solo, è probabilmente rotto.

Questo passaggio è fondamentale: non butta via i gruppi, li mette da parte per farli guardare all'umano.

Fase C: L'Ispezione Umana (Il "Cervello" finale)

Il software non decide da solo chi buttare via. Apre una finestra interattiva e dice al ricercatore: "Ehi, guarda questi canali. Sono stati raggruppati perché fanno rumore insieme. Tu cosa ne pensi? Sono rotti o stanno solo reagendo a qualcosa?"
Il ricercatore guarda i grafici, clicca su "Buono", "Sospetto" o "Cattivo".

• Buono: Lo lasciamo.
• Sospetto: Lo teniamo d'occhio, ma non lo buttiamo.
• Cattivo: Lo rimuoviamo definitivamente.

Perché è meglio dei metodi vecchi?

• Non è "cieco": I vecchi metodi spesso buttavano via tutto ciò che faceva rumore. Questo metodo capisce la differenza tra un canale rotto e un evento che colpisce tutto il gruppo.
• È trasparente: Non è una "scatola nera". Ti mostra perché ha segnato un canale come sospetto.
• L'umano è al volante: Il computer fa il lavoro sporco di trovare i sospetti, ma lascia all'esperto la decisione finale. È come avere un assistente che ti passa i documenti importanti, ma sei tu a firmarli.

In sintesi

Questo software è come un controllore di qualità per un'orchestra. Invece di licenziare tutti i musicisti che fanno un rumore strano, li raggruppa in base a chi sta facendo quel rumore e chiede al direttore d'orchestra (il ricercatore umano) di decidere chi è davvero fuori posto.

Il risultato? Dati più puliti, meno errori e la certezza che non stiamo buttando via informazioni importanti solo perché un computer ha avuto paura di un po' di rumore.

Sommario tecnico

Titolo: Rilevamento dei canali EEG difettosi mediante sogliatura multi-caratteristica e co-occorrenza di transitori ad alta ampiezza

Autori: Amilcar J. Malave e Blair Kaneshiro (Stanford University)
Contesto: Controllo di qualità (QC) per dati di Elettroencefalografia (EEG) ad alta densità.

---

1. Il Problema

Le registrazioni EEG sono sensibili a contaminazioni non fisiologiche derivanti da un cattivo accoppiamento elettrodo-scalpo, movimenti, interferenze hardware o ambientali. In dataset ad alta densità, questi problemi possono manifestarsi in modo strutturato, colpendo gruppi di elettrodi.

• Limiti degli approcci attuali: Esistono pipeline automatizzate (es. FASTER, PREP, EEGLAB) che utilizzano soglie su statistiche di canale (correlazione, varianza, ampiezza). Tuttavia, queste decisioni puramente automatizzate spesso:
  • Oscurano il motivo per cui un canale è stato segnalato.
  • Rischiano di scartare erroneamente canali che mostrano transitori ad alta ampiezza condivisi (es. artefatti oculari o muscolari diffusi), che sono invece cruciali per analisi successive come l'Analisi delle Componenti Indipendenti (ICA).
  • Non gestiscono bene i fallimenti temporali variabili o strutturati spazialmente.
• Necessità: È richiesto un approccio che preservi la struttura degli artefatti condivisi (necessari per l'ICA) rimuovendo solo i canali difettosi specifici, mantenendo un controllo umano ("human-in-the-loop") per la validazione finale.

2. Metodologia

Il modulo proposto, scritto in MATLAB, è un framework di controllo qualità che combina screening multi-caratteristica, clustering basato su eventi e revisione interattiva. Il flusso di lavoro si articola in tre fasi principali:

A. Sogliatura Multi-Caratteristica (Multi-feature Scoring)

Il sistema calcola diverse caratteristiche per pre-etichettare i canali come "buoni", "sospetti" o "cattivi":

1. Dissimilarità del Vicino (Time-resolved): Calcola la correlazione di Pearson tra un canale e i suoi vicini spaziali (definiti da mappe di montaggi specifici). Una bassa correlazione (alta dissimilarità) indica un possibile malfunzionamento locale.
2. Ampiezza Estrema (Hard Failure) e Elevata (Soft Warning):
   • Hard cutoff: Se l'ampiezza massima assoluta supera una soglia fissa (es. 1000 µV), il canale è pre-etichettato come "cattivo".
   • Soft warning: Viene calcolato uno score standardizzato (log-transform + z-score) per rilevare deviazioni anomale che non raggiungono il cutoff assoluto ma sono sospette.
3. Variabilità: Analizza la varianza globale e temporale. Canali con varianza eccessiva (rumorosi) o troppo bassa (piatti/scarsi contatti) vengono segnalati.

• Pre-elaborazione: Tutti i segnali vengono standardizzati robustamente usando la mediana e la Deviazione Assoluta Mediana (MAD) per stabilizzare la scala in presenza di transitori.

B. Clustering basato sulla Co-occorrenza di Transitori

Questa è l'innovazione centrale del metodo. Invece di analizzare i canali in isolamento, il sistema raggruppa quelli che condividono la stessa struttura temporale di eventi anomali.

1. Rilevamento Transitori: Dopo la standardizzazione robusta, vengono identificati i transitori ad alta ampiezza (es. $|Z| \ge 14$) creando una maschera binaria temporale per ogni canale.
2. Pooling Temporale: Le maschere binarie vengono raggruppate in blocchi temporali (es. 200ms) per ridurre la ridondanza.
3. Distanza Jaccard-like: Viene calcolata una distanza tra le coppie di canali basata sulla sovrapposizione (intersezione) dei loro transitori ad alta ampiezza.
   • La formula è: $D = 1 - \frac{I}{max(N_1, N_2)}$, dove $I$ è il numero di blocchi con transitori comuni.
   • Questo approccio ignora i periodi di silenzio condiviso e si concentra solo sulla co-occorrenza di eventi estremi.
4. Clustering: I canali con una distanza inferiore a una soglia ($\epsilon$) vengono raggruppati in cluster (componenti connesse).
   • Interpretazione: I cluster piccoli o isolati sono più probabili indicatori di fallimenti specifici del canale. I grandi cluster spesso riflettono artefatti fisiologici o ambientali diffusi (es. battito di ciglia) che non dovrebbero portare alla cancellazione automatica.
   • Gestione EOG: I canali EOG vengono identificati e il loro cluster viene trattato con cautela per evitare di scartare erroneamente l'attività oculare fisiologica.

C. Revisione Interattiva (Human-in-the-Loop)

Il modulo non impone etichette finali automatiche.

• Interfaccia GUI: Viene lanciata un'interfaccia grafica (reviewBadChsUI) che organizza i canali in base ai cluster e alle segnalazioni di "sospetto".
• Processo: L'utente visualizza le tracce temporali, le statistiche e i cluster. Può cambiare lo stato del canale (Buono/Sospetto/Cattivo).
• Output: Solo i canali etichettati esplicitamente come "Cattivi" (stato 2) dall'utente vengono restituiti nella lista finale per l'interpolazione o l'eliminazione.

3. Risultati e Implementazione

• Disponibilità: Il codice è rilasciato come repository GitHub pubblico (SENSI-EEG-Preproc-bad-ch) sotto licenza MIT, con dataset di esempio e documentazione completa.
• Validazione: Il modulo è stato testato su dati EEG ad alta densità (reti EGI 128/256, BioSemi 64, Easycap 74).
• Efficacia Visiva: L'analisi illustrativa mostra come il clustering permetta di identificare rapidamente pattern di artefatti condivisi. L'interfaccia interattiva riduce il tempo di revisione manuale raggruppando i canali problematici, evitando di dover scansionare manualmente l'intero set di dati.
• Gestione degli Artefatti: Il metodo dimostra di non confondere la struttura degli artefatti condivisi (adatti all'ICA) con il malfunzionamento del sensore, preservando la qualità dei dati per le fasi successive di pulizia.

4. Contributi Chiave

1. Approccio Ibrido: Unisce screening statistico automatizzato con clustering basato su eventi e validazione umana, colmando il divario tra metodi totalmente automatici e revisione manuale pura.
2. Metrica di Similarità basata su Eventi: L'uso della distanza Jaccard sui transitori ad alta ampiezza (anziché sulla correlazione lineare su tutto il segnale) permette di identificare specificamente canali colpiti da disturbi esterni comuni, distinguendoli dai canali sani.
3. Interpretabilità e Tracciabilità: Fornisce un audit trail completo (visualizzazioni, score, decisioni utente) e non nasconde il processo decisionale dietro una "scatola nera".
4. Preservazione dell'Informazione: Evita la rimozione prematura di canali che contengono artefatti fisiologici strutturati, ottimizzando i dati per l'ICA.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo significativo verso un controllo qualità EEG più robusto e trasparente, specialmente per studi con dati ad alta densità e sessioni lunghe.

• Riproducibilità: Fornisce un workflow standardizzato e documentato che facilita la riproducibilità degli studi neuroscientifici.
• Flessibilità: Si adatta a diversi paradigmi sperimentali, permettendo agli utenti di bilanciare automazione e giudizio esperto.
• Posizionamento: È progettato come un passo di QC preliminare prima dell'ICA, non come sostituto delle pipeline di pulizia end-to-end, ma come filtro intelligente per identificare i sensori da interpolare.
• Limitazioni: Richiede una definizione corretta del montaggio (mappa dei vicini) e un intervento umano finale; non è un classificatore completamente automatico.

In sintesi, il modulo offre un equilibrio pragmatico tra l'efficienza computazionale e la necessità di giudizio esperto, migliorando la qualità dei dati EEG prima delle analisi multivariata avanzate.