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

Resumo Técnico: Melhoria da Qualidade do Sinal TMS–EEG para Neuroestimulação em Malha Fechada via Remoção de Ruído no Domínio da Fonte

Declaração do Problema
A Estimulação Magnética Transcraniana combinada com Eletroencefalografia (TMS–EEG) oferece um método poderoso para investigar a dinâmica cortical e desenvolver sistemas de Interface Cérebro-Computador (BCI) em malha fechada. No entanto, a utilidade do TMS–EEG é severamente restringida pela presença de artefatos massivos que obscurecem os sinais neuronais subjacentes. Esses artefatos incluem atividade muscular induzida pelo TMS (EMG), transientes de recarga do estimulador, potenciais evocados somatossensoriais e ruído ambiental. O desafio é agravado pela "maldição da dimensionalidade", tornando difícil mapear dados de TMS–EEG ruidosos para estados específicos de circuitos cerebrais. Além disso, embora existam vários métodos de remoção de artefatos, há uma falta de um conjunto de dados de referência padronizado e cuidadosamente pré-processado para comparar e validar sistematicamente estratégias de limpeza automatizadas, particularmente dada a ausência de uma verdade fisiológica real.

Metodologia
O estudo estabelece um pipeline de pré-processamento robusto para gerar um conjunto de dados de referência e avalia duas abordagens principais de remoção de artefatos baseadas em fonte: Projeção no Espaço de Sinal (SSP) e o algoritmo Source-Estimate Utilizing Noise-Discarding (SOUND).

1. Aquisição de Dados e Pré-processamento Inicial:

   • Configuração: Dados de EEG foram registrados usando um sistema EasyCap de 32 canais com TMS aplicado sobre o córtex motor primário esquerdo (M1) a 100% do limiar motor de repouso.
   • Limpeza Inicial: Os dados brutos passaram por filtragem (1–40 Hz), reamostragem para 250 Hz e sinalização de artefatos (rejeitando pontos > ±500 µV).
   • ICA e Rejeição de Componentes: Os dados foram segmentados em pseudo-épocas e submetidos à Análise de Componentes Independentes (ICA) Infomax. Os componentes foram classificados usando ICLabel e inspeção visual. Componentes identificados como oculares, musculares, cardíacos, ruído de linha ou ruído de canal foram excluídos. O estudo enfatiza a remoção apenas de componentes que são quase 100% artefatuais para minimizar a distorção de sinais neurais sobrepostos.

2. Pipelines de Remoção de Artefatos:

   • Projeção no Espaço de Sinal (SSP): Aplicada para suprimir artefatos transitórios de alta amplitude. Os autores observam que o SSP é tipicamente combinado com Reconstrução Informada por Fonte (SIR) para restaurar padrões espaciais; no entanto, o SIR foi omitido neste estudo devido à indisponibilidade de dados de ressonância magnética estrutural necessários para construir um modelo direto.
   • Algoritmo SOUND: Implementado em Python com base na toolbox TESA MATLAB de código aberto. Este método no domínio da fonte valida cruzadamente sinais de EEG usando um modelo direto de EEG para identificar e descartar componentes de ruído, preservando a atividade neural genuína. A implementação utilizou a Decomposição em Valores Singulares (SVD) para comprimir a matriz de campo de lead, melhorando a eficiência computacional.

Principais Resultados

• Caracterização de Artefatos: O estudo identificou fontes específicas de artefatos, incluindo artefatos de pulso (1ms), respostas em degrau (5–7ms), artefatos musculares cranianos (5–10ms), artefatos de decaimento (10–100ms) e artefatos de recarga.
• Desempenho do SSP: Embora o SSP tenha reduzido efetivamente transientes de grande amplitude imediatamente após o pulso TMS, a ausência de SIR levou a artefatos residuais e possível distorção de sinal, com alguns canais excedendo faixas de amplitude fisiológicas típicas (5–8 µV).
• Desempenho do SOUND: O algoritmo SOUND demonstrou eficácia superior na limpeza no domínio da fonte.
  • Redução de Amplitude: Os traços pós-SOUND foram confinados a uma faixa de ±5 µV, uma ordem de magnitude menor que os sinais brutos.
  • Consistência do Sinal: A variância intercanal foi equalizada, revelando traços altamente sobrepostos que indicam atividade cortical compartilhada com ruído de sensor minimamente não correlacionado.
  • Análise Tempo-Frequência: Antes da limpeza SOUND, a Representação Tempo-Frequência (TFR) era dominada por ruído de banda larga e ressonância da bobina, obscurecendo oscilações neurais. Após a limpeza SOUND, um rebote beta pós-estimulo pronunciado (15–30 Hz) tornou-se claramente visível, indicando a recuperação bem-sucedida de atividade oscilatória genuína.
• Preservação da Dinâmica Neural: Diferentemente da ICA ou SSP isoladas, que arriscam distorcer padrões espaciais ou remover sinais neurais sobrepostos, a abordagem no domínio da fonte do SOUND preservou flutuações temporais rápidas e a estrutura principal da resposta cortical.

Principais Contribuições

1. Criação de Conjunto de Dados de Referência: O estudo produziu um conjunto de dados TMS–EEG cuidadosamente pré-processado servindo como referência para validar futuros algoritmos de remoção de artefatos. Os autores afirmam explicitamente que, devido à falta de uma verdade fisiológica real, este conjunto de dados deve ser visto como uma "referência cuidadosamente pré-processada" em vez de uma representação absoluta de atividade limpa.
2. Implementação em Python do SOUND: A pesquisa portou com sucesso o algoritmo SOUND da toolbox TESA MATLAB para Python, aumentando a acessibilidade e reprodutibilidade para futura integração em sistemas em tempo real.
3. Validação de Pipeline: O trabalho fornece uma avaliação sistemática do SSP (sem SIR) e do SOUND, demonstrando que a remoção de ruído no domínio da fonte é um passo crítico para melhorar a confiabilidade dos dados tanto em contextos de pesquisa quanto clínicos.

Significado e Alegações
O artigo afirma que o fluxo de trabalho proposto melhora significativamente a confiabilidade dos dados, o que é um pré-requisito para integrar TMS–EEG em frameworks de BCI em malha fechada. Ao suprimir efetivamente artefatos enquanto preserva a dinâmica cortical, o estudo apoia o desenvolvimento de intervenções personalizadas em malha fechada para condições como dor crônica, onde sistemas tradicionais em malha aberta frequentemente falham.

Os autores mantêm uma postura modesta em relação às suas alegações: eles não afirmam que seus dados limpos representam a "verdade" absoluta da atividade cerebral. Em vez disso, posicionam seu trabalho como um passo fundamental para estabelecer benchmarks padronizados. O objetivo final identificado é a integração desses sinais TMS–EEG limpos em sistemas BCI maiores para aprimorar a compreensão da dinâmica cortical e expandir aplicações clínicas. Trabalhos futuros são propostos para explorar variantes em tempo real do algoritmo SOUND (FAST SOUND) e investigar plasticidade sináptica e modelos de estimativa de fase adaptados a paradigmas específicos de provocação de sintomas.