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

Deze paper introduceert een interpreteerbare MATLAB-module voor de detectie van slechte EEG-kanalen die multi-functie drempels en co-occurrence van hoge amplitude transiënten combineert om kanalen te scoren en te groeperen voor menselijke validatie, zonder volledige automatische afwijzing.

De kern

Stel je voor dat je een groot orkest hebt met 128 of zelfs 256 muzikanten (de elektroden op het hoofd). Ze spelen allemaal tegelijk een symfonie van hersengolven. Maar soms is er één muzikant die zijn viool niet goed heeft gestemd, of misschien is er een kabeltje losgeraakt. Die ene muzikant maakt een vreselijk gekraak of een piepend geluid dat het hele orkest overstemt. Als je dat geluid niet verwijdert voordat je de opname naar een geluidstechnicus stuurt, kan de hele opname onbruikbaar worden.

In de wereld van hersenonderzoek noemen we die defecte muzikanten "bad channels" (slechte kanalen).

Dit artikel beschrijft een nieuwe, slimme tool (geschreven in de programmeertaal MATLAB) die helpt om deze defecte kanalen te vinden. Maar in plaats van een robot die alles automatisch weggooit, is dit een hulpstuk voor de mens die ervoor zorgt dat we slim en voorzichtig te werk gaan.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Drie Slimme Checkers (De "Voorverkiezing")

Voordat de tool een kanaal als "slecht" bestempelt, laat hij drie verschillende "inspecteurs" aan het werk. Ze kijken naar het signaal op verschillende manieren:

• De Buurman-Check: Stel je voor dat je in een rij huizen woont. Als je buurman plotseling begint te schreeuwen en jij ook, is dat waarschijnlijk omdat er een brandweerwagen voorbij rijdt (een gemeenschappelijke oorzaak). Maar als jouw buurman rustig is en jij schreeuwt, is er iets mis met jou. De tool kijkt of een kanaal "buurt" met zijn buren. Als een kanaal totaal niet meer lijkt op zijn buren, is dat een rode vlag.
• De Schreeuw-Check: Soms is een kanaal gewoon te luid. Als een kanaal een piek maakt die 1000 keer zo hard is als normaal, is het waarschijnlijk kapot. De tool zet een harde grens: als het te hard schreeuwt, is het direct verdacht.
• De Ruis-Check: Is het signaal zo stil dat het klinkt als een dode lijn, of zo onrustig dat het als een statische ruis klinkt? Beide zijn slecht. De tool zoekt naar kanalen die "raar" gedragen, of te stil of te chaotisch.

2. De "Gemeenschappelijke Ruis" Detectie (Het Slimme Clustering)

Dit is het meest creatieve deel van de tool. Soms maken vele kanalen tegelijk een rare piek. Bijvoorbeeld als de proefpersoon even zijn ogen knijpt of zijn hoofd beweegt.

• Het probleem: Als een robot alleen kijkt naar "dit kanaal maakt een rare piek", zou hij al die kanalen weggooien. Maar dat is dom! Die piek was niet omdat het kanaal kapot was, maar omdat de persoon even bewoog. Die informatie is waardevol voor latere analyses.
• De oplossing: De tool kijkt naar wie er tegelijkertijd piekt. Hij groepeert kanalen die precies op hetzelfde moment "storingen" hebben.
  • Analogie: Stel je voor dat je een feestje hebt. Als één persoon per ongeluk een glas breekt, is dat een incident. Maar als 10 mensen tegelijk schreeuwen omdat er een luid geluid van buiten komt, is dat een groepsgedrag. De tool zegt: "Oké, deze groep schreeuwt samen. Laten we ze niet weggooien, maar ze wel apart bekijken om te zien of het een defect is of gewoon een groepsgedrag."

3. De Menselijke Controle (De "Rechter")

Dit is waar de tool echt uniek is. Hij neemt geen definitieve beslissingen.

• De tool maakt een lijstje met kanalen die "verdacht" zijn en groepeert ze.
• Vervolgens opent hij een interactief scherm (een soort dashboard) voor de onderzoeker.
• De onderzoeker kan dan snel door de verdachte kanalen scrollen, de grafieken bekijken en zelf beslissen: "Ja, dit kanaal is echt kapot" of "Nee, dit is gewoon een oogknippering, laat het zitten."
• Het is alsof de tool je een stapel verdachte dossiers geeft, maar jij bent de rechter die het vonnis velt.

Waarom is dit zo belangrijk?

Vroeger deden we dit vaak volledig automatisch. Dat kan gevaarlijk zijn:

1. Je gooit misschien goede data weg omdat een kanaal even een rare piek maakte (bijvoorbeeld door een oogbeweging).
2. Of je gooit een echt kapot kanaal niet weg omdat het "gemiddeld" wel goed leek.

Deze nieuwe tool zorgt voor een balans. Hij gebruikt slimme wiskunde om je te waarschuwen en je te helpen groeperen, maar laat de mens de uiteindelijke knoop doorhakken. Het zorgt ervoor dat je de "slechte muzikanten" verwijdert, maar de "moeilijke stukken" in de muziek (zoals oogbewegingen) behoudt voor latere analyse.

Kort samengevat:
Het is een slimme assistent die je helpt om de "slechte appels" in een grote mand te vinden, door te kijken wie er samen rot zijn en wie er gewoon een beetje vieze schil heeft. Maar jij blijft de boer die beslist welke appels je echt weggooit.

Technische samenvatting

Probleemstelling

Elektro-encefalografie (EEG)-opnames zijn gevoelig voor niet-fysiologische contaminatie veroorzaakt door slechte elektrode-huidkoppeling, beweging en hardware- of omgevingsinterferentie. In hoogdichtheidsetups (high-density montages) kunnen defecte kanalen downstream-analyses aanzienlijk verstoren, vooral door het beïnvloeden van het opnieuw refereren (rereferencing) en het vervormen van de ruimtelijke structuur.

Bestaande geautomatiseerde methoden (zoals FASTER, PREP en ASR in EEGLAB) zijn effectief, maar hebben beperkingen:

1. Ze maken vaak volledig automatische beslissingen die de reden voor het markeren van een kanaal onduidelijk maken.
2. Ze onderscheiden moeilijk tussen een defect kanaal en een kanaal dat een gedeeld artefact (zoals oogbewegingen of spieractiviteit) deelt met andere kanalen.
3. Het voortijdig verwijderen van kanalen met gedeelde transiënten kan fysiologisch valide informatie vernietigen en de prestaties van componentenanalyse (zoals ICA) verslechteren, aangezien ICA juist afhankelijk is van covariantie tussen kanalen om artefacten te verwijderen.

Er is behoefte aan een methode die interpretabel is, de relationele structuur van artefacten benut, en menselijke validatie integreert zonder volledig geautomatiseerde afwijzing.

Methodologie

De auteurs introduceren een MATLAB-module genaamd SENSI EEG PREPROC Bad-Channel Detection Module. De workflow bestaat uit drie hoofdfasen:

1. Multi-feature Verdachtigheids-Scoring (Pre-labeling)

De module berekent complementaire kenmerken per kanaal om deze vooraf te labelen als "goed", "verdacht" of "slecht".

• Robuuste standaardisatie: Het signaal wordt per kanaal gestandaardiseerd met de mediaan en de Mediaan Absolute Afwijking (MAD) om invloed van extreme transiënten op de schaling te minimaliseren.
• Kenmerk 1: Nabijheidsdissimilariteit (Time-resolved): Berekening van de Pearson-correlatie tussen een kanaal en zijn buren. Een hoge dissimilariteit (lage correlatie) duidt op een defect kanaal.
• Kenmerk 2: Extreme Amplitude:
  • Harde drempel: Kanalen met een maximale amplitude boven een vaste drempel (bijv. 1000 µV) worden direct als "slecht" gemarkeerd.
  • Gestandaardiseerde score: Kanalen met ongebruikelijk grote uitwijkingen (log-getransformeerd en ge-z-scored) worden als "verdacht" gemarkeerd.
• Kenmerk 3: Variabiliteit:
  • Globale variantie: Identificeert kanalen die te ruisend (hoge variantie) of te vlak/ondoorlatend (lage variantie) zijn.
  • Temporale variabiliteit: Meet de instabiliteit van de variantie over de tijd (range-statistiek).

2. Clustering op basis van Co-occurrence van Transiënten

In plaats van kanalen alleen op basis van amplitude te beoordelen, groepeert de module kanalen die gedeelde artefacten delen.

• Transiëntdetectie: Na robuuste z-scoring wordt een binaire masker gegenereerd voor tijdstippen met zeer hoge amplitude (drempel $|Z| > 14$).
• Max-pooling: Deze binaire maskers worden samengevoegd in blokken (bijv. 200 ms) om een spaarzaam tijdsvector te creëren.
• Jaccard-achtige afstand: De gelijkenis tussen kanalen wordt berekend op basis van de overlap van deze transiënt-momenten. Kanalen die transiënten op hetzelfde moment vertonen, krijgen een kleine afstand.
• Clustering: Kanalen worden gegroepeerd als hun afstand onder een drempelwaarde ($\epsilon$) ligt.
  • Doel: Deze clustering dient als exploratief hulpmiddel om gedeelde artefactstructuren (bijv. beweging die meerdere kanalen raakt) te onthullen, niet om automatische labels toe te kennen.
  • Speciale behandeling: Kanalen die correleren met EOG-kanalen (oogbewegingen) worden niet automatisch als "slecht" gemarkeerd, maar apart getoond voor review. Kleine clusters (weinig kanalen) krijgen prioriteit voor handmatige inspectie.

3. Interactieve Mens-in-de-Lus Validatie

De module eindigt niet met een automatische lijst, maar opent een interactieve GUI (reviewBadChsUI).

• Tri-staat labeling: Gebruikers kunnen kanalen labelen als: 0 (goed), 1 (verdacht/let op), of 2 (slecht/verwijder).
• Prioritering: De interface toont eerst kanalen die door meerdere kenmerken als verdacht zijn gemarkeerd en groepeert kanalen die in dezelfde transiënt-cluster zitten.
• Audit trail: Alle beslissingen worden gelogd. Alleen kanalen expliciet gemarkeerd als "slecht" (2) worden in de finale lijst (badChList) opgenomen.

Belangrijkste Bijdragen

1. Interpreteerbare Workflow: De module combineert multi-feature screening met een nieuwe clustering-methode gebaseerd op de co-occurrence van extreme transiënten, wat inzicht geeft in waarom kanalen worden gemarkeerd.
2. Behoud van Gedeelde Variantie: Door kanalen met gedeelde transiënten te groeperen in plaats van ze automatisch te verwijderen, wordt voorkomen dat fysiologisch valide informatie (die nodig is voor ICA) verloren gaat.
3. Mens-in-de-Lus Validatie: De module verschuift de focus van volledig geautomatiseerde afwijzing naar een gestructureerde, interactieve review die subjectiviteit vermindert en de besluitvorming versnelt.
4. Open Source Implementatie: De code, documentatie, voorbeeldgegevens en workflows zijn publiek beschikbaar via GitHub onder de MIT-licentie.

Resultaten en Validatie

• De module is getest op een voorbeelddataset van het EGI GES 300-platform (128 kanalen).
• Visualisatie: De output omvat clustergrafieken (krachtgericht grafiek) en warmtekaarten die gedeelde transiëntpatronen tonen. Dit helpt gebruikers om te onderscheiden tussen geïsoleerde kanaalfouten en ruimtelijk verspreide artefacten.
• Effectiviteit: In het voorbeeldresultaat werden 7 van de 128 kanalen als "slecht" gemarkeerd. Het verwijderen van deze kanalen verlaagde de amplitude-schaal van de overlay van ongeveer $\pm 20.000$ $\mu$V naar $\pm 1.000$ $\mu$V, wat aantoont dat extreme uitwijkingen succesvol zijn geïdentificeerd en verwijderd zonder de rest van de data te verstoren.
• De module is ontworpen om te werken na filtering en vóór ICA, als een kwaliteitscontrolestap.

Betekenis en Toekomstperspectief

Deze module vult een belangrijke lacune in de EEG-preprocessing op door een balans te vinden tussen geautomatiseerde efficiëntie en menselijke expertise. Het benadrukt dat niet alle hoge amplitude-transiënten defecte kanelen zijn; sommige zijn gedeelde artefacten die beter door ICA kunnen worden verwijderd.

Beperkingen en Toekomst:

• De clustering is het meest effectief bij intermitterende transiënten; datasets met sterke, niet-transiënt ruis (bijv. langzame drifts) kunnen minder duidelijke clusters opleveren.
• De module vereist momenteel handmatige configuratie van nabuurschapskaarten voor specifieke montage-types (hoewel EGI, BioSemi en Easycap al ondersteund worden).
• Toekomstige verbeteringen richten zich op automatisch afstemmen van de clustering-drempels en het verbeteren van de binarisatie voor betere clusterinterpretatie.

Kortom, de module biedt een transparante, reproduceerbare en efficiënte aanpak voor bad-channel detectie die de kwaliteit van EEG-data verbetert terwijl de integriteit van de onderliggende fysiologische signalen wordt bewaard.