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

Este artigo apresenta um módulo MATLAB para detecção de canais ruins em EEG que combina características multivariadas e agrupamento baseado na co-ocorrência de transientes de alta amplitude para identificar padrões de artefatos estruturados, priorizando a interpretabilidade e a validação humana em um processo interativo antes da aplicação de ICA.

O essencial

Imagine que você está organizando uma grande festa com 128 ou 256 amigos (os eletrodos do EEG), e cada um deles tem um microfone para captar o que a pessoa está dizendo (a atividade cerebral). O objetivo é gravar uma conversa clara.

No entanto, em meio à multidão, alguns microfones estão com defeito:

• Um está desligado (não capta nada).
• Outro está soltando estática (faz um barulho alto e aleatório).
• Outro está pegando o som de um caminhão passando (interferência externa).

Se você tentar analisar a conversa com esses microfones estragados, o resultado será um caos. O problema é que, às vezes, vários microfones estragam ao mesmo tempo por causa do mesmo motivo (ex: alguém bateu no cabo que liga todos eles), e às vezes, o "barulho" é na verdade uma pessoa gritando (um evento real, como um piscar de olhos), o que não significa que o microfone esteja quebrado.

Aqui entra o Módulo de Detecção de Canais Ruins descrito neste artigo. Pense nele como um inspetor de qualidade superinteligente e muito organizado que ajuda você a decidir quais microfones jogar fora antes de começar a transcrição da festa.

Aqui está como ele funciona, passo a passo, usando analogias simples:

1. O "Checagem de Saúde" (Pontuação de Suspeita)

Antes de olhar para o grupo todo, o inspetor olha para cada microfone individualmente e faz três testes rápidos:

• O Teste do Vizinhança: Ele compara o som do microfone com o dos seus vizinhos mais próximos. Se o microfone do "João" está gritando coisas que ninguém ao redor dele está dizendo, ele é suspeito.
• O Teste do Volume Extremo: Se um microfone solta um grito de 1000 decibéis (um pico de amplitude), ele é marcado como "quebrado" imediatamente.
• O Teste do Silêncio ou Ruído Constante: Se um microfone fica mudo (chato) ou faz um chiado constante (ruído), ele também é marcado.

Resultado: O inspetor cria uma lista de "Suspeitos". Mas ele não joga ninguém fora ainda. Ele apenas diz: "Ei, olhe com mais atenção para estes aqui".

2. O "Detetive de Eventos em Grupo" (A Grande Inovação)

Aqui está a parte mais criativa do método. Muitas vezes, vários microfones falham juntos porque algo externo aconteceu (ex: um cabo solto que afetou 5 pessoas ao mesmo tempo).

O inspetor usa uma técnica genial chamada Jaccard (que é como contar quantas vezes dois amigos riram ao mesmo tempo).

• Ele procura por "picos de barulho" (transientes de alta amplitude).
• Ele pergunta: "O microfone A e o microfone B fizeram barulho alto exatamente no mesmo segundo?"
• Se sim, ele os coloca no mesmo grupo.

Por que isso é importante?
Imagine que 10 microfones fizeram barulho ao mesmo tempo porque alguém bateu na mesa.

• Métodos antigos: Olhariam para cada um, veriam o barulho e diriam: "Todos esses 10 estão quebrados!". Erro! Eles poderiam estar funcionando perfeitamente, apenas reagindo ao mesmo evento.
• Este novo método: Agrupa os 10 juntos e diz: "Eles estão ligados. Vamos ver se isso é um defeito do grupo ou apenas um evento real (como um piscar de olhos)".

3. O "Juiz Humano" (A Validação Interativa)

Aqui está a grande diferença deste trabalho: ele não toma a decisão final sozinho.

O software organiza a festa de uma forma inteligente para você (o humano):

• Ele mostra os grupos de microfones que fizeram barulho juntos.
• Ele destaca os "suspeitos" que foram marcados nos testes iniciais.
• Ele abre uma tela onde você pode ver as ondas sonoras de todos eles.

Você olha para o grupo. Se você vê que todos os 10 microfones do grupo "bateram na mesa" ao mesmo tempo, você decide: "Ok, isso foi um evento real, vou manter todos". Mas se você vê que um deles está fazendo um barulho estranho que os outros não fazem, você clica nele e diz: "Este aqui está quebrado, jogue fora".

Por que fazer tudo isso?

O objetivo final é preparar os dados para uma etapa chamada ICA (que é como separar a voz de cada pessoa na festa, removendo o ruído de fundo).

• Se você jogar fora microfones que na verdade estavam funcionando (mas reagiram a um evento comum), você perde informações valiosas e atrapalha a separação das vozes.
• Se você deixar microfones quebrados, eles estragam a gravação inteira.

Resumo da Ópera

Este artigo apresenta uma ferramenta (um código em MATLAB) que é como um assistente de organização de festa.

1. Ele faz uma triagem rápida para achar os microfones estranhos.
2. Ele agrupa os microfones que "sofreram" o mesmo problema ao mesmo tempo.
3. Ele coloca tudo na sua frente de forma organizada, para que você (o humano) possa tomar a decisão final com clareza, sem ter que procurar agulhas no palheiro sozinho.

É uma mistura de inteligência computacional (para achar os padrões) com julgamento humano (para garantir que não jogamos fora nada importante). O resultado é uma gravação de cérebro muito mais limpa e confiável.

Resumo técnico

Título: Detecção de Canais Ruins em EEG Usando Limiarização Multi-Feature e Co-Ocorrência de Transientes de Alta Amplitude

Autores: Amilcar J. Malave e Blair Kaneshiro (Stanford University)

---

1. O Problema

Os registros de Eletroencefalografia (EEG), especialmente em montagens de alta densidade e sessões longas, são suscetíveis a contaminações não fisiológicas (ruído de hardware, movimento, acoplamento eletrodo-scalpo). A identificação de "canais ruins" (bad channels) é um passo crítico de controle de qualidade (QC) antes de análises subsequentes, como a re-referenciação e a Análise de Componentes Independentes (ICA).

Desafios atuais:

• Decisões Automatizadas Excessivas: Pipelines totalmente automatizadas (como FASTER, PREP, EEGLAB) podem rejeitar canais baseando-se apenas na presença de transientes de alta amplitude. No entanto, transientes que ocorrem simultaneamente em múltiplos eletrodos frequentemente refletem artefatos espaciais distribuídos (ex.: piscar de olhos, movimento) ou processos fisiológicos, e não falhas específicas de um canal.
• Perda de Informação: A rejeição prematura de canais com base nesses eventos compartilhados pode descartar informações fisiológicas válidas e degradar o desempenho da decomposição ICA, que depende da covariância entre canais.
• Falta de Interpretabilidade: Métodos automatizados muitas vezes obscurecem por que um canal foi marcado, dificultando a validação humana e a reprodutibilidade.
• Necessidade de Validação Humana: A distinção entre um sensor defeituoso e um canal com contaminação recuperável é frequentemente ambígua, exigindo inspeção manual que os métodos atuais não facilitam eficientemente.

---

2. Metodologia

O artigo apresenta um módulo em MATLAB (disponível como código aberto) que combina triagem baseada em recursos, agrupamento (clustering) baseado em eventos e validação humana interativa. O fluxo de trabalho opera em três etapas principais:

A. Pontuação de Suspeita Multi-Feature (Pré-rótulo)

O sistema calcula características complementares para pré-classificar canais como "bons", "suspeitos" ou "ruins" antes da revisão final:

1. Dissimilaridade de Vizinhos (Time-Resolved): Calcula a correlação de Pearson entre um canal e seus vizinhos espaciais (baseado no mapa de montagem). Um alto valor de dissimilaridade (baixa correlação) indica que o canal está se comportando de forma anômala em relação à sua vizinhança.
2. Amplitude Extrema e Elevada:
   • Corte Rígido: Se a amplitude máxima absoluta exceder um limiar fixo (ex. 1000 µV), o canal é pré-marcado como "ruim".
   • Score Padronizado: Usa transformação logarítmica e z-score para detectar canais com excursões anormalmente grandes que não atingem o corte rígido, marcando-os como "suspeitos".
3. Variabilidade Global e Temporal: Analisa a variância do sinal. Alta variância indica ruído instável; baixa variância excessiva pode indicar canais planos ou com mau contato. O sistema utiliza limiares assimétricos para evitar falsos positivos em regiões de baixa atividade fisiológica.

Nota: Todas as operações utilizam padronização robusta (mediana e MAD) para evitar que transientes extremos inflacionem o desvio padrão.

B. Agrupamento (Clustering) Baseado em Co-Ocorrência de Transientes

Esta é a inovação central do método. Em vez de tratar canais isoladamente, o módulo agrupa canais que compartilham o timing de eventos de alta amplitude.

1. Detecção de Transientes: Aplica-se um limiar robusto de z-score (ex. |Z| > 14) para criar máscaras binárias de eventos extremos, removendo a maioria da atividade fisiológica normal.
2. Max-Pooling Temporal: Os eventos são agrupados em blocos de tempo (ex. 200ms) para criar vetores de eventos esparsos.
3. Distância Jaccard-like: Calcula-se a similaridade entre canais baseada na sobreposição (interseção) desses vetores de eventos binários. Canais que compartilham os mesmos picos de artefato em momentos específicos têm uma distância baixa.
4. Agrupamento: Canais são agrupados em clusters baseados em um limiar de distância.
   • Propósito: O agrupamento não define rótulos finais automaticamente. Serve para expor estruturas de artefatos compartilhados.
   • Filtragem de Ocular: O módulo identifica e isola clusters que se sobrepõem aos canais EOG (eletro-oculograma), evitando que artefatos oculares sejam erroneamente classificados como falhas de canal.
   • Foco em Pequenos Clusters: Clusters pequenos (poucos canais) são priorizados para revisão, pois é mais provável que representem falhas específicas de canal, enquanto grandes clusters podem indicar artefatos globais.

C. Revisão Interativa Humana (Human-in-the-Loop)

O módulo não rejeita canais automaticamente. Ele lança uma interface gráfica (GUI) onde o usuário:

• Visualiza os clusters de canais e os scores de características.
• Inspecta sobreposições de sinais no domínio do tempo.
• Alterna manualmente o estado dos canais: 0 (Bom), 1 (Suspeito - requer atenção) ou 2 (Ruim - remover).
• A lista final de canais removidos inclui apenas aqueles explicitamente marcados como "2" pelo usuário.

---

3. Principais Contribuições

1. Abordagem Híbrida (Automática + Humana): O módulo preenche a lacuna entre pipelines totalmente automáticos (que podem ser agressivos) e a inspeção manual pura (que é lenta). Ele estrutura a validação humana para torná-la mais eficiente.
2. Clustering por Co-Ocorrência de Eventos: Introduz uma métrica de similaridade baseada na co-ocorrência de transientes extremos (Jaccard-like) para agrupar canais. Isso permite distinguir entre falhas de sensor (isoladas ou em pequenos grupos) e artefatos fisiológicos/ambientais compartilhados (grandes grupos).
3. Interpretabilidade e Rastreabilidade: Fornece visualizações diagnósticas (matrizes de distância, gráficos de clusters, scores de características) e um log completo das decisões tomadas pelo usuário, garantindo reprodutibilidade.
4. Preservação de Informação para ICA: Ao não rejeitar automaticamente canais que compartilham transientes, o método preserva a estrutura de covariância necessária para a decomposição ICA posterior, evitando a perda de dados fisiológicos válidos.
5. Disponibilidade: O código é aberto (GitHub), documentado, inclui um conjunto de dados de exemplo e é licenciado sob MIT.

---

4. Resultados e Validação

• Análise Ilustrativa: O artigo demonstra o fluxo de trabalho em dados reais de EEG (plataforma EGI 128/256 canais).
• Visualização: As figuras mostram como o módulo identifica clusters de canais com padrões de transientes idênticos (indicando artefatos compartilhados) e destaca canais individuais ou pequenos grupos como suspeitos.
• Eficácia na Redução de Escala: A análise "antes e depois" da remoção de canais marcados como ruins mostra uma redução drástica na escala de amplitude necessária para visualizar os dados (ex. de ±20.000 µV para ±1.000 µV), confirmando que os canais removidos eram dominantes e distorciam a visualização global.
• Validação: O módulo foi testado em sistemas Windows e Linux, utilizando a toolbox de Estatística e Aprendizado de Máquina do MATLAB.

---

5. Significado e Impacto

Este trabalho representa uma mudança de paradigma na limpeza de dados de EEG:

• Mudança de "Rejeição Automática" para "Triagem Inteligente": Reconhece que a detecção de canais ruins é um problema complexo que se beneficia da inteligência humana, mas que pode ser acelerada por algoritmos que organizam os dados de forma lógica (agrupando canais com falhas similares).
• Foco em Estrutura Relacional: Ao focar na estrutura compartilhada de artefatos (via clustering), o método evita a confusão comum entre "ruído de canal" e "artefato global", melhorando a qualidade dos dados para análises multivariadas avançadas.
• Padrão de Qualidade: Estabelece um padrão para pipelines de QC que priorizam a transparência e a justificativa das decisões, essencial para a ciência aberta e reprodutível.

O módulo é posicionado como um passo de controle de qualidade antes da ICA, destinado a remover falhas de hardware claras, enquanto preserva a estrutura de dados necessária para a remoção de artefatos via ICA.