Det är ett gammalt koncept inom vetenskapen att om man vill förstå något måste man först mäta det. Försök att förstå mänskligt beteende kan inbegripa mätning av en rad fysiologiska signaler, men för att komma närmare hjärnan krävs utrustning för att registrera dess aktivitet.
Det finns flera neuroimaging-apparater tillgängliga, men ingen av dem ger en så hög nivå av tidsmässig upplösning som EEG. Även om nivån på den visuella information som tas emot inte är lika detaljerad som vissa andra neuroavbildningstekniker (t.ex. fMRI, eller funktionell magnetresonansavbildning), innebär den tidsmässiga upplösningen i kombination med bärbarheten, den relativa överkomligheten och användarvänligheten att EEG är en av – om inte den vanligaste – neuroavbildningsmetoden.
EEG används ofta inom strikt kontrollerade experimentella miljöer – scenarier där data samlas in under en bestämd tidsperiod, med liten rörelse och tydligt definierade stimuli. Även om detta har varit idealiskt för att bedöma hjärnaktivitet i specifika miljöer krävs ibland ett annat tillvägagångssätt.
Ambulatorisk EEG är metoden för att samla in EEG-data under en lång tidsperiod (detta kan vara allt från timmar till dagar) i naturalistiska miljöer. Detta innebär inte bara att det kommer att finnas fler data, utan också mer rörelse, och (troligen) ett stort antal interagerande faktorer kommer att påverka data.
Vad är skälen till ambulatoriskt EEG?
Ambulatoriskt EEG utförs vanligtvis av följande skäl:
- Epilepsiupptäckt och övervakning
- Anfallsutredningar
- Sömnstudier
- Förstudier av naturligt beteende (e.
De två förstnämnda exemplen är huvudsakligen av medicinska skäl – de ambulerande metoderna används för att upptäcka eller mäta avvikande neurologisk aktivitet under hela dagen. De två sistnämnda är mer inriktade på att förstå hur hjärnprocesser förändras i en normal population över tid (och potentiellt även inom olika sammanhang).
Nedan kommer vi specifikt att tala om hur de hjärnprocesser som uppstår vid naturligt beteende kan mätas med hjälp av ambulerande EEG, och de vanliga fallgroparna som uppstår vid insamling och analys av data.
Hur fungerar det?
I många fall är ambulatoriskt EEG i huvudsak detsamma som det vanliga upplägget för ett vanligt EEG-experiment – en deltagare har ett EEG-headset på huvudet, elektroderna får kontakt med huden med hjälp av någon form av ledande gel, konduktansen testas och hela upplägget kontrolleras i den anslutna programvaran.
Och även om det finns avgörande likheter finns det också avgörande skillnader. Medan vissa EEG-uppställningar kräver utrustning som är opraktisk (eller omöjlig) att lätt förflytta sig med, kräver ambulerande EEG apparater som ger lättrörlighet och bärbarhet. Alla deltagare som bär ett EEG-headset under en längre tid måste kunna röra sig obehindrat och känna sig bekväma när de gör det.
Det bör göras ytterligare överväganden om data – inte bara var de ska hamna (för att samla in enorma datamängder krävs det förstås att de lagras på ett effektivt sätt), utan också hur data samlas in. Sådana sammanhang kräver ofta att deltagaren rör sig, vilket introducerar brus och artefakter i signalerna.
Signalen och bruset
Brus kommer alltid att finnas i i princip alla mätningar, oavsett om det handlar om insamling av EEG-data eller något annat (även om EEG är särskilt känsligt för närvaron av brus). Mängden buller kan vara minimalt, men en viss nivå av buller är alltid förväntad. Att mildra (och eventuellt filtrera) signalen från bruset är därför en kritisk komponent i varje dataanalys.
Detta är ännu mer uttalat vid ambulerande EEG-mätningar, där deltagaren kan gå omkring eller röra sig på andra sätt som kan störa elektrodernas position på huvudet. Som du kan se på bilden av en EEG-inspelning nedan kan detta ha en allvarlig inverkan på datakvaliteten.
Det betyder inte att datainsamling inte bör ske i scenarier där människor måste gå runt, utan bara att det krävs en ny strategi.
Det finns två huvudsakliga sätt att mildra det problem som detta innebär. Det första ligger inom experimentell utformning, det andra inom dataanalysen.
Experimentell utformning för ambulerande EEG
För att komma runt problemet med bullriga data är ofta det bästa tillvägagångssättet att reservera ”artefaktfria” tidsfönster i inspelningen. Ett vanligt scenario för ambulerande EEG är till exempel att spela in EEG-data från en deltagare medan denne rör sig och interagerar med föremål (tänk på en studie av shoppingbeteende i en stormarknad eller en utvecklingsstudie med barn). Även om det kan vara mycket rörelse vid vissa punkter i inspelningen, fokuserar analysen på de moment som är fria från artefakter.
Experimentell utformning kan därför se till att det finns moment med liten aktivitet att spela in från – när en deltagare stannar upp för att titta på en hylla i en stormarknad till exempel, eller när ett barn (äntligen!) står stilla.
Detta väcker också frågan om vilken EEG-hårdvara som lämpar sig bäst för ambulerande miljöer. Neuroelektriska headset har den fördelen att de är försedda med en huvudbonad, vilket i viss mån begränsar elektrodernas rörelsefrihet. De kan också utrustas med en mängd olika elektrodtyper, vilket kan bidra till att öka hastigheten i tillämpningen eller signalkvaliteten.
ABM (Advanced Brain Monitoring) och Emotiv-headsets kan också bäras portabelt och data samlas in via en Bluetooth-anslutning, även om de inte är konfigurerade inom ramen för en mössa.
Upprepade mätningar, där deltagarna utsätts för samma stimulus och olika delar av data kan samlas in varje gång, kan användas för att generera en fullständig bild av de neurala reaktionerna under hela stimulusexponeringens varaktighet.
Detta innebär t.ex. att EEG-data för de första 10 sekunderna av den första stimulusexponeringen kan kompletteras med de efterföljande 10 sekunderna från den andra stimulusexponeringen. Om medelvärdet beräknas över tillräckligt många försök och deltagare kan en allmän bild av deltagarnas svar konstrueras på ett tillförlitligt sätt.
Detta gäller även för försöksplaneringar inom deltagare – det är mer giltigt att jämföra likadana försök med likadana försök. Detta innebär i huvudsak att det är mer giltigt att jämföra deltagarnas reaktioner på stimulus A med deras reaktioner på stimulus B än att jämföra reaktionerna hos två olika grupper av deltagare.
Alla dessa tillvägagångssätt kräver dock också att insatser görs inom ett annat område av studien – i analysen.
Analysmetoder för ambulerande EEG
Det är uppenbart att det är en utmaning att samla in EEG-data från en dynamiskt föränderlig miljö under en viss tidsperiod. Brus från en rad olika källor introduceras lätt.
Det första steget i dataanalysen är ofta visuell inspektion – det kan vara så att de enda data som påverkas av buller finns i moment av experimentet (eller elektroderna) som inte undersöks (t.ex. när barnet inte uppmärksammar stimuli / när personen går mellan hyllor). Dessa bullriga delar av data tas helt enkelt bort.
Om buller kvarstår i de viktiga delarna av data är nästa steg att tillämpa filtrering. Filtrering är särskilt effektiv om brus finns i mycket låga (under 1 Hz) eller mycket höga (över 50 Hz) frekvenser – frekvenser som vanligtvis inte är av intresse för studien.
I det fallet kan ett högpassfilter (som undertrycker artefakter under ett avgränsningsvärde) eller ett lågpassfilter (som undertrycker artefakter ovanför ett avgränsningsvärde) appliceras på data. Om forskningsfrågan till exempel gäller alfaaktivitet (som är aktivitet i frekvensområdet 8-12 Hz) kan högfrekvent buller ofta säkert tas bort med hjälp av ett lågpassfilter.
Hanteras artefakter i iMotions? Inom iMotions är det viktigt att skilja mellan att arbeta med ”rådata” eller med ”mätvärden”. Användare som använder iMotions som ett inspelningsverktyg exporterar ”rådata” för vidare bearbetning i specialiserad EEG-programvara, t.ex. EEGLAB, Fieldtrip, BCILAB, BESA eller Cartool.
Som sådan har användaren full kontroll över (och fullt ansvar för) den signalbehandling som tillämpas på data. Andra användare arbetar med ”mätvärden” som antingen tillhandahålls av hårdvaran (för ABM eller Emotiv) eller av iMotions (t.ex. ”frontal asymmetri”). I det fallet tas saneringen av signalen redan om hand vid beräkningen av metrikerna.
Slutsats
Ambulatoriskt EEG erbjuder ett löfte om att förstå hjärnans verksamhet i realistiska, dynamiska miljöer. Det har också ett pris i form av (ofta) minskad datakvalitet. Detta kan tyvärr inte helt undvikas, men med rätt experimentellt tillvägagångssätt, studieupplägg och datahantering kan effekterna mildras. Detta innebär att naturalistisk forskning kan fullföljas.
Men även om dessa metoder ovan kan hjälpa till att hantera de data som samlas in från ambulerande EEG-experiment, beror den enskilt viktigaste och mest fördelaktiga aspekten av alla experiment (ambulerande eller inte) på att pilotera tillvägagångssättet innan man rullar ut det till fler deltagare. Att testa testet är avgörande för framgångsrik forskning, eftersom det ger dig möjlighet att förstå vad som fungerar och inte fungerar.
Jag hoppas att du har tyckt om att läsa om vad ambulatoriskt EEG är och hur det fungerar. Om du vill ha en djupare genomgång av EEG kan du ladda ner vår kostnadsfria guide nedan.
