🧬 biology

What Does EEG Preprocessing Contribute to Cross-Subject Decoding? A Subject-Level Ablation Study of High-Density EEG

In een hoog-densiteit, subject-onafhankelijke EEG-regressie setting toont deze ablatie-studie aan dat per-sample temporele z-score normalisatie de overgrote meerderheid van de voorspellende prestatiewinsten oplevert, waardoor aanvullende preprocessingsstappen zoals filtering, clipping en masking statistisch redundant worden.

Oorspronkelijke auteurs: Arvind Gyandatt Mishra, Alice Wong

Gepubliceerd 2026-09-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Arvind Gyandatt Mishra, Alice Wong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het menselijk brein is een rusteloze, lawaaierige motor die constant elektrische signalen afgeeft die over de hoofdhuid rimpelen. Om de specifieke gedachten of reacties te horen die in die statische ruis verborgen liggen, gebruiken wetenschappers elektro-encefalografie, een techniek waarbij sensoren op het hoofd worden geplaatst om deze elektrische fluisteringen te registreren. De uitdaging is altijd geweest dat het ruwe signaal rommelig is, vol met interferentie van spierbewegingen, oogknipperingen en de variërende dikte van huid en bot tussen het brein en de sensor. Decennialang hebben onderzoekers vertrouwd op een lange lijst van reinigingsstappen — het wegfilteren van bepaalde frequenties, het afkappen van extreme pieken en het aanpassen voor volumeververschillen — om de data leesbaar te maken. De aanname was dat meer schoonmaken betekende dat de resultaten beter werden, vooral wanneer men computermodellen probeerde te bouwen die het brein van een persoon die men nog nooit had ontmoet, konden begrijpen. Maar in de complexe wereld van hersendecodering is het moeilijk geweest om te weten welke reinigingsstappen daadwerkelijk helpen en welke slechts tijdrovende klusjes zijn.

Een team van onderzoekers zette onlangs een experiment op om deze aanname te testen met een gerichte studie met behulp van data uit een grootschalige uitdaging met betrekking tot hoog-densiteit hersenregistraties. Ze stelden een simpele maar diepgaande vraag: wanneer men probeert de reactietijd van een persoon te voorspellen op basis van diens hersenactiviteit, hoeveel van het succes komt dan door het complexe reinigingsproces, en hoeveel komt door slechts één specifieke stap? Ze namen een standaard, meerfasige pijplijn die voor deze taken wordt gebruikt en haalden deze systematisch weer weg, waarbij ze zes verschillende versies van datapreparatie testten. Ze hielden de rest exact hetzelfde: hetzelfde computermodel, dezelfde groep mensen en dezelfde taak, die het detecteren van veranderingen in visueel contrast inhield. Het doel was om te zien of het toevoegen van meer filters of correctiestappen de bekwaamheid van het model daadwerkelijk verbeterde om de reactietijden van nieuwe, onbekende deelnemers te raden, of dat een simpelere aanpak net zo goed was.

De resultaten waren opvallend helder. De onderzoekers ontdekten dat de meest krachtige stap een simpel proces was van het normaliseren van de data voor elke individuele registratieperiode. Deze stap paste in essentie het volume en het centrum van het signaal aan voor elk kanaal van de data, waarbij de gemiddelde achtergrondruis werd verwijderd en de fluctuaties naar een standaardbereik werden geschaald. Wanneer zij deze enkele stap toepasten, daalde de foutmarge van het model drastisch, van een hoge 0,7267 naar 0,3717. In praktische termen betekent dit dat de voorspellingen van het model bijna twee keer zo nauwkeurig werden. Belangrijker nog was dat deze verbetering consistent was bij de overgrote meerderheid van de geteste mensen; ongeveer 77 procent van de onbekende deelnemers vertoonde betere resultaten met enkel deze normalisatie. De onderzoekers voegden vervolgens de andere standaard reinigingsstappen één voor één weer toe: banddoorlaatfiltering om zeer lage en zeer hoge frequenties te verwijderen, het afkappen van extreme waarden en het maskeren van slechte sensoren. Geen van deze toevoegingen leverde een meetbaar extra voordeel op. Het model presteerde net zo goed met de simpele normalisatie als met de volledige, complexe reeks reinigingstools.

De studie onderzocht ook of deze methoden het systeem robuuster maakten tegen ruis, door te simuleren wat er gebeurt wanneer het signaal wordt verstoord door kunstmatige interferentie. Hier liet het volledige systeem inderdaad zien veel minder gevoelig te zijn voor deze verstoringen dan de ruwe, onbewerkte data. De onderzoekers merkten echter zorgvuldig op dat zij niet precies konden aanwijzen welk deel van het systeem deze stabiliteit bood, omdat zij de normalisatiestap niet in isolatie tegen de verstoringen hadden getest. Wat zij met zekerheid konden zeggen, was dat voor het specifieke doel van het voorspellen van reactietijden bij nieuwe mensen, de extra complexiteit niet vertaalde in een betere nauwkeurigheid. De aanvullende stappen van filtering, clipping en maskeren droegen niet bij aan een verdere verlaging van de foutmarge zodra de normalisatie was toegepast. Sterker nog, voor sommige deelnemers maakte het toevoegen van deze extra stappen de voorspellingen iets slechter, hoewel niet op een statistisch significante manier.

Deze bevinding daagt de gangbare praktijk uit om elke beschikbare reinigingstool op een dataset te stapelen in de hoop dat het zal helpen. De onderzoekers hebben aangetoond dat in deze specifieke hoog-densiteit setting de voorspellende kracht bijna volledig voortkwam uit die enkele normalisatiestap. De overige operaties, hoewel wellicht nuttig voor andere soorten analyse of andere taken, droegen niet bij aan het vermogen van het model om te generaliseren naar nieuwe mensen. De studie suggereert dat in het streven naar het decoderen van het brein, eenvoud effectiever kan zijn dan complexiteit. Door zich te concentreren op de ene transformatie die er echt toe deed, waren de onderzoekers in staat om hetzelfde niveau van prestatie te bereiken met een veel slankere pijplijn. De les is niet dat het schoonmaken van de data onbelangrijk is, maar dat de waarde van elke reinigingsstap moet worden afgewogen tegen het specifieke doel, en dat soms het krachtigste instrument degene is die simpelweg het speelveld gelijk trekt voor elke nieuwe persoon die het model tegenkomt.

Technische Samenvatting: "Wat draagt EEG-preprocessing bij aan cross-subject decoding? Een subject-niveau ablatie-studie van high-density EEG"

Probleemstelling

Pipelines voor het decoderen van elektro-encefalografie (EEG) vertrouwen zwaar op preprocessing-stappen (filtering, artefact-afhandeling, normalisatie, clipping, augmentatie) om de signaalrepresentatie te vormen voor machine learning-modellen. Het is echter vaak moeilijk om de specifieke voorspellende waarde van individuele preprocessing-operaties te onderscheiden van de modelarchitectuur en de karakteristieken van de dataset. Dit is met name cruciaal bij cross-subject decoding, waarbij het doel is om te generaliseren naar onbekende deelnemers. Verschillen in hoofdimpedantie, fysiologie en opnameomgevingen creëren substantiële inter-individuele variatie. Hoewel recente "multiverse"-studies (bijv. Kessler et al., 2025; Huang et al., 2025) hebben vastgesteld dat keuzes in preprocessing de downstream-resultaten materieel beïnvloeden, hebben zij niet bepaald welke specifieke operaties essentieel zijn voor grootschalige, subject-onafhankelijke regressietaken.

Methodologie

De auteurs voerden een gecontroleerde ablatie-studie uit met gegevens uit de NeurIPS 2025 EEG Foundation Challenge (Contrast Change Detection taak). De studie maakte gebruik van een vaste high-density EEG-representatie (129 kanalen, 100 Hz, 2-seconden vensters) en de EEGNeX convolutionele architectuur.

Experimenteel Ontwerp:

Dataset: 10.383 trainingsvensters, 1.717 binnen-subject uitgesloten vensters, en 1.470 cross-subject testvensters bestaande uit 26 uitgesloten subjects.
Protocol: Zes progressief samengestelde preprocessing-condities werden geëvalueerd. Cruciaal is dat de inputvensters, subject-niveau partities, modelarchitectuur, optimalisatieprocedure en evaluatiemetrieken identiek waren over alle condities. Alleen de per-venster transformatie varieerde.
Condities:
1. Raw Minimal: Geen preprocessing.
2. Per-sample Normalization: Temporele z-score normalisatie (gemiddelde en standaarddeviatie berekend per venster, per kanaal).
3. Filtering + Normalization: 0.5–35 Hz Butterworth filter + normalisatie.
4. Filtering + Normalization + Clipping: Toegevoegde amplitude clipping naar $[-10, 10]$ .
5. Full Preprocessing: Toegevoegde kanaalmaskering (het op nul zetten van platte of ruisige kanalen).
6. Full + Augmentation: Toegevoegde training-time augmentaties (temporele verschuivingen, ruis, schaling, kanaal dropout).
Evaluatie: De primaire metriek was de Root Mean Square Error (RMSE) op de cross-subject testset. Analyse werd uitgevoerd op twee niveaus: gepoolde RMSE (alle vensters) en subject-niveau RMSE (waarbij de deelnemer als de eenheid van inferentie wordt beschouwd). Statistische significantie werd beoordeeld met behulp van gepaarde Wilcoxon signed-rank tests en bootstrap betrouwbaarheidsintervallen (10.000 resamples). Herhaalbaarheid werd gecontroleerd met drie vaste training seeds. Robuustheid werd getest via evaluatie-tijd perturbaties.

Belangrijkste Bijdragen

Subject-Niveau Ablatie: In tegenstelling tot eerdere studies die pipelines varieerden over verschillende datasets of taken, isoleert deze studie de bijdrage van preprocessing-operaties binnen een enkele, vaste regressieprobleem met een strikte subject-held-out split.
Kwantificering van Normalisatie: De studie levert empirisch bewijs dat per-sample temporele z-score normalisatie de dominante factor is die de prestatiewinst drijft in deze specifieke high-density, subject-onafhankelijke setting.
Verminderende Meeropbrengsten: De studie demonstreert dat het toevoegen van standaard filtering, clipping, kanaalmaskering en training-augmentatie aan een genormaliseerde pipeline geen statistisch significante verbetering oplevert voor clean-data cross-subject predictie.
Onderscheid tussen Robuustheid vs. Accuratesse: De studie maakt onderscheid tussen clean-data accuratesse en robuustheid tegen synthetische perturbaties, waarbij wordt aangetoond dat hoewel de volledige pipeline (inclusief augmentatie) robuuster is dan de raw data, de specifieke bijdrage van augmentatie aan clean-data accuratesse verwaarloosbaar is.

Resultaten

Impact van Normalisatie: Per-sample normalisatie verminderde de gepoolde cross-subject RMSE van 0.7267 (Raw) naar 0.3717, een reductie van ongeveer 48,9%.
Subject-Niveau Consistentie: Normalisatie verbeterde de prestaties voor 76,9% (20/26) van de uitgesloten subjects. De gemiddelde subject-niveau verbetering was 0.1274 RMSE (Wilcoxon $p = 0.0014$ ).
Gebrek aan Incrementele Winst:
- Het toevoegen van filtering aan normalisatie resulteerde in een lichte, niet-significante toename van de fout (Gemiddelde $\Delta$ RMSE = -0.0097, $p = 0.0669$ ).
- Het toevoegen van clipping en kanaalmaskering (Full Preprocessing) resulteerde in een RMSE van 0.3736, statistisch ononderscheidbaar van normalisatie alleen (0.3717).
- Het toevoegen van training-augmentatie resulteerde in een RMSE van 0.3722, zonder significant verschil met de full preprocessing conditie ( $p = 0.7265$ ).
Herhaalbaarheid: De normalisatie-conditie vertoonde een hoge stabiliteit over drie training seeds (CV = 0.20%), terwijl de raw conditie zeer instabiel was (CV = 21.4%).
Robuustheid: Het gecombineerde "Full + Augmentation" systeem was significant robuuster tegen synthetische perturbaties (bijv. hoogfrequente contaminatie, laagfrequente drift) dan de raw baseline, hoewel de studie niet isoleert welke component (normalisatie vs. augmentatie) deze robuustheid drijft.
Foutverdeling: Normalisatie reduceerde de bovenste staart van subject-niveau fouten drastisch. Onder raw input droeg één subject 70,3% bij aan de totale kwadratische fout; na normalisatie werd de foutverdeling strak geclusterd zonder extreme uitschieters.

Significantie en Claims

Het artikel sluit af met een beheerste methodologische conclusie: in deze specifieke high-density, subject-onafhankelijke EEG-regressie setting, vangt per-sample normalisatie het overgrote deel van het voordeel in voorspellende kracht dat wordt verkregen uit de geteste preprocessing-pipeline.

De auteurs benadrukken dat:

Aanvullende preprocessing-operaties (filtering, clipping, masking) geen meetbare incrementele voorspellende waarde boden zodra normalisatie werd toegepast.
Dit betekent niet dat filtering of artefact-afhandeling onwenselijk zijn, maar eerder dat ze in deze specifieke context geen verdere gains in clean-data leverden.
De resultaten suggereren dat preprocessing-pipelines incrementeel moeten worden geëvalueerd in plaats van simpelweg geaccepteerd als additieve pakketten op basis van louter intuïtieve signaalverwerkingsrechtvaardigingen.
De bevindingen zijn specifief voor de CCD-taak, de HBN-EEG dataset, en het EEGNeX-model; zij claimen geen universele optimaliteit voor alle EEG-taken of modelfamilies.

De studie dient als een empirische karakterisering van een concrete pipeline, waarbij wordt benadrukt dat in subject-onafhankelijke decoding een eenvoudige normalisatiestap de meest kritieke component kan zijn voor generalisatie, terwijl complexiteit niet noodzakelijkerwijs gelijkstaat aan voorspellende waarde.