Tieteen ikivanha käsite on, että jos haluat ymmärtää jotakin, sinun on ensin mitattava se. Yritettäessä ymmärtää ihmisen käyttäytymistä voidaan mitata erilaisia fysiologisia signaaleja, mutta lähemmäs aivoja päästäkseen tarvitaan laitteita, joilla voidaan tallentaa niiden toimintaa.
Valikoimassa on useita neurokuvantamislaitteita, mutta yksikään niistä ei anna yhtä korkeaa ajallista resoluutiota kuin EEG. Vaikka saadun visuaalisen informaation taso ei ole yhtä yksityiskohtainen kuin joillakin muilla neurokuvantamismenetelmillä (kuten fMRI:llä eli toiminnallisella magneettikuvauksella), ajallinen erottelukyky yhdistettynä kannettavuuteen, suhteelliseen edullisuuteen ja helppokäyttöisyyteen tarkoittaa sitä, että EEG on yksi – ellei jopa yleisimmin käytetyistä – neurokuvantamismenetelmistä.
EEG:tä käytetään usein tiukasti kontrolloiduissa kokeellisissa asetelmissa, eli sellaisissa skenaarioissa, joissa dataa kerätään määrätyn ajan, vähän liikkuen ja selkeästi määriteltyjen ärsykkeiden kanssa. Vaikka tämä on ollut ihanteellista aivotoiminnan arvioimiseksi tietyissä olosuhteissa, joskus tarvitaan erilaista lähestymistapaa.
Ambulatorinen EEG on menetelmä, jossa EEG-dataa kerätään pitkän ajan kuluessa (tämä voi olla mitä tahansa tunneista päiviin) naturalistisissa ympäristöissä. Tämä tarkoittaa paitsi sitä, että dataa on enemmän, myös sitä, että liikettä on enemmän ja (todennäköisesti) monenlaiset vuorovaikutustekijät vaikuttavat dataan.
Mitkä ovat syyt ambulatoriseen EEG:hen?
Ambulatorista EEG:tä tehdään yleensä seuraavista syistä:
- Epilepsian havaitseminen ja seuranta
- Kouristustutkimukset
- Nukkumistutkimukset
- luonnollisen käyttäytymisen tutkiminen (esim.esim. ostostutkimukset, käyttäjävuorovaikutustutkimukset)
Kaksi edellistä esimerkkiä ovat pääasiassa lääketieteellisistä syistä – ambulatoristen menetelmien soveltaminen tapahtuu siten, että pyritään havaitsemaan tai mittaamaan poikkeavaa neurologista toimintaa päivän aikana. Kahdessa jälkimmäisessä pyritään enemmänkin ymmärtämään, miten aivoprosessit muuttuvat normaalipopulaatiossa ajan mittaan (ja mahdollisesti myös eri yhteyksissä).
Alhaalla puhutaan erityisesti siitä, miten luonnollisessa käyttäytymisessä esiintyviä aivoprosesseja voidaan mitata ambulatorisella EEG:llä, sekä yleisistä sudenkuopista, joita esiintyy tietojen keräämisessä ja analysoinnissa.
Miten se toimii?
Monissa tapauksissa ambulatorinen EEG on pohjimmiltaan samanlainen kuin tavallisen EEG-kokeen tavanomainen asetelma – osallistujalla on EEG-kuulokkeet päässään, elektrodit ottavat kosketuksen ihoon jonkinlaisella johtavalla geelillä, johtavuus testataan, ja koko asetelma tarkistetaan siihen liitetyssä ohjelmistossa.
Vaikka ratkaisevia yhtäläisyyksiä on, on myös ratkaisevia eroja. Jotkut EEG-asetelmat edellyttävät laitteita, joiden kanssa on epäkäytännöllistä (tai mahdotonta) liikkua helposti, kun taas ambulatorinen EEG edellyttää laitteita, jotka ovat helposti liikuteltavissa ja siirrettävissä. Kaikkien osallistujien, jotka käyttävät EEG-kuulokkeita pidemmän aikaa, on voitava liikkua esteettä ja heidän on voitava tuntea olonsa mukavaksi.
Lisäksi on pohdittava, miten tiedot kerätään – ei vain sitä, minne ne menevät (massiivisten tietomäärien kerääminen edellyttää tietysti niiden tehokasta tallentamista), vaan myös sitä, miten tiedot kerätään. Tällaisissa yhteyksissä osallistuja joutuu usein liikkumaan, mikä aiheuttaa kohinaa ja artefakteja signaaleihin.
Signaali ja kohina
Kohinaa esiintyy aina periaatteessa missä tahansa mittauksessa riippumatta siitä, onko kyseessä EEG-tiedonkeruu vai mikä tahansa muu mittaus (vaikkakin EEG on erityisen herkkä kohinan esiintymiselle). Kohinan määrä voi olla mitättömän pieni, mutta tietynasteista kohinaa on aina odotettavissa. Signaalin lieventäminen (ja mahdollisesti suodattaminen) kohinasta on siksi kriittinen osa mitä tahansa data-analyysia.
Tämä korostuu vielä enemmän ambulatorisissa EEG-mittauksissa, joissa osallistuja saattaa kävellä tai liikkua muulla tavoin, mikä voi häiritä elektrodien asentoa päässä. Kuten alla olevasta kuvasta EEG-tallenteesta näkyy, tällä voi olla vakavia vaikutuksia datan laatuun.
Tämä ei tarkoita sitä, että datan keräämistä ei saisi tapahtua skenaarioissa, joissa ihmisten on käveltävä ympäriinsä, vaan ainoastaan sitä, että tarvitaan uutta strategiaa.
Tämän ongelman lieventämiseen on kaksi pääasiallista tapaa. Ensimmäinen liittyy koesuunnitteluun ja toinen tietojen analysointiin.
Kokeellinen suunnittelu ambulatorista EEG:tä varten
Kohinaisten tietojen ongelman kiertämiseksi paras lähestymistapa on usein varata nauhoitukseen ”artefaktivapaita” aikaikkunoita. Esimerkiksi yleinen ambulatorisen EEG:n skenaario olisi tallentaa EEG-dataa osallistujasta, kun hän liikkuu ympäriinsä ja on vuorovaikutuksessa esineiden kanssa (ajattele tutkimusta ostokäyttäytymisestä supermarketissa tai kehitystutkimusta lasten kanssa). Vaikka tallenteen tietyissä kohdissa voi olla paljonkin liikettä, analyysi keskittyy hetkiin, joissa ei ole artefakteja.
Kokeellisessa suunnittelussa voidaan siis varmistaa, että on hetkiä, jolloin on vain vähän toimintaa, josta voidaan tallentaa – esimerkiksi kun osallistuja pysähtyy katsomaan supermarketin hyllyä tai kun lapsi on (vihdoin!) liikkumatta.
Tämä herättää myös kysymyksen siitä, millainen EEG-laitteisto soveltuu parhaiten ambulatorisiin ympäristöihin. Neuroelektristen kuulokkeiden etuna on, että niissä on päähine, joka rajoittaa jonkin verran elektrodien liikkumista. Niihin voidaan myös asentaa erilaisia elektrodityyppejä, mikä voi auttaa sovelluksen nopeudessa tai signaalin laadussa.
ABM- (Advanced Brain Monitoring) ja Emotiv-kuulokkeita voidaan myös käyttää kannettavina ja tietoja voidaan kerätä Bluetooth-yhteyden kautta, vaikka niitä ei olekaan konfiguroitu päähineeseen.
Toistuvia mittauksia, joissa osallistujat altistetaan samalle ärsykkeelle, ja joka kerta voidaan kerätä eri osioita datasta, voidaan käyttää tuottamaan kokonaiskuva neuraalisista vasteista koko ärsykkeelle altistumisen keston ajalta.
Tämä tarkoittaa esimerkiksi sitä, että ensimmäisen ärsykkeelle altistumisen ensimmäisten 10 sekunnin EEG-dataa voidaan täydentää toisen ärsykkeelle altistumisen myöhemmillä 10 sekunnilla. Jos keskiarvoistetaan tarpeeksi monesta kokeesta ja osallistujasta, voidaan luotettavasti muodostaa yleiskuva osallistujien vasteista.
Tämä pätee myös osallistujien sisäisiin koeasetelmiin – on pätevämpää verrata samanlaisia kokeita toisiinsa. Tämä tarkoittaa pohjimmiltaan sitä, että osallistujien reaktioiden vertaaminen ärsykkeeseen A ja heidän reaktioidensa vertaaminen ärsykkeeseen B on validimpaa kuin kahden eri osallistujaryhmän reaktioiden vertaaminen.
Kaikki nämä lähestymistavat edellyttävät kuitenkin myös ponnistuksia tutkimuksen toisella osa-alueella – analyysissä.
Analyysimenetelmät ambulatorista EEG:tä varten
On selvä, että EEG-tiedon kerääminen dynaamisesti muuttuvasta ympäristöstä tietyn ajanjakson aikana on haasteellista. Useista eri lähteistä peräisin oleva kohina tulee helposti mukaan.
Datan analysoinnin ensimmäinen vaihe on usein silmämääräinen tarkastelu – voi olla, että ainoa data, johon kohina vaikuttaa, esiintyy kokeen (tai elektrodien) sellaisina hetkinä, joita ei tutkita (esim. kun lapsi ei kiinnitä huomiota ärsykkeisiin / kun henkilö kävelee hyllyjen välillä). Nämä kohinaiset osat datasta yksinkertaisesti poistetaan.
Jos datan tärkeissä osissa on edelleen kohinaa, seuraava vaihe on soveltaa suodatusta. Suodatus on erityisen tehokasta, jos kohinaa esiintyy hyvin matalilla (alle 1 Hz) tai hyvin korkeilla (yli 50 Hz) taajuuksilla – taajuuksilla, jotka eivät yleensä ole tutkimuksen kannalta kiinnostavia.
Tällöin dataan voidaan soveltaa korkeapäästösuodatinta (joka vaimentaa raja-arvon alapuolella olevat artefaktit) tai alipäästösuodatinta (joka vaimentaa raja-arvon yläpuolella olevat artefaktit). Jos tutkimuskysymys koskee esimerkiksi alfa-aktiivisuutta (joka on aktiivisuutta taajuusalueella 8-12 Hz), korkeataajuinen kohina voidaan usein turvallisesti poistaa käyttämällä alipäästösuodatinta.
Huolehditaanko artefakteista iMotionsissa? iMotionsissa on tärkeää erottaa toisistaan työskentely ”raakadatan” ja ”metriikoiden” kanssa. Käyttäjät, jotka käyttävät iMotionsia tallennustyökaluna, vievät ”raakadatan” jatkokäsittelyä varten erikoistuneisiin EEG-ohjelmistoihin, kuten EEGLAB, Fieldtrip, BCILAB, BESA tai Cartool.
Käyttäjällä on täysi kontrolli (ja täysi vastuu) dataan sovellettavasta signaalinkäsittelystä. Muut käyttäjät työskentelevät ”mittareilla”, jotka ovat joko laitteiston (ABM:n tai Emotivin osalta) tai iMotionsin tarjoamia (esim. ”frontaalinen epäsymmetria”). Tällöin signaalin dekontaminoinnista huolehditaan jo metriikoita laskettaessa.
Johtopäätökset
Ambulatorinen EEG tarjoaa lupauksen ymmärtää aivojen toimintaa realistisissa, dynaamisissa ympäristöissä. Sen hintana on myös (usein) heikentynyt datan laatu. Tämä ei valitettavasti ole täysin vältettävissä, mutta oikealla kokeellisella lähestymistavalla, tutkimusasetelmalla ja datan käsittelyllä vaikutuksia voidaan kuitenkin lieventää. Tämä tarkoittaa, että naturalistinen tutkimus voidaan toteuttaa.
Vaikka nämä edellä mainitut menetelmät voivat auttaa ambulatorisista EEG-kokeista kerättyjen tietojen käsittelyssä, minkä tahansa kokeen (ambulatorinen tai ei) tärkein ja hyödyllisin yksittäinen näkökohta perustuu lähestymistavan pilotointiin ennen sen käyttöönottoa useammille osallistujille. Kokeen testaaminen on ratkaisevan tärkeää tutkimuksen onnistumisen kannalta, sillä sen avulla voidaan ymmärtää, mikä toimii ja mikä ei.
Toivottavasti olet nauttinut lukemisesta siitä, mitä ambulatorinen EEG on ja miten se toimii. Jos haluat syvällisemmän läpileikkauksen EEG:stä, lataa alla oleva ilmainen oppaamme.
