Varför mäta hjärnaktivitet? Hjärnan koordinerar hela kroppens reglersystem samt är centrum för minnen, känslor och beslutsprocesser och som därmed kodar vårt beteende i förhållande till vår omgivning. Därför vill man mäta hjärnaktivitet inom många områden, från patologi till forskning kring hjärnans besluts- och minnesprocesser, sömn med mera. Hur hjärnan lagrar och värderar information och tar beslut har implikationer även för vårt sociala beteende.
Hjärnaktiviteten består av nervceller som kommunicerar med varandra genom elektriska impulser i ett gigantisk nätverk. För att driva dessa impulser behöver cellerna glukos och syre från blodet. Detta gör att det finns två olika metoder för att mäta hjärnaktivitet:
Alla olika avbildningstekniker har sina för- och nackdelar, både tekniskt och kostnadsmässigt och kan därför även komplettera varandra och ibland användas parallellt.
EEG har fördelarna att det är en väl beprövad mätmetod som funnits länge. Dvs. det finns mycket publicerad forskning där man använt EEG så att man kan jämföra med tidigare studier. En annan fördel är att man har extremt god tidsupplösning på millisekundnivå i och med att man mäter upp det faktiska elektriska fältet som genereras av den momentana nervaktiveringen och inte den indirekta effekten på hemoglobin och blodvolym som vid hemodynamiska metoder.
En EEG-signal mäts genom av att mäta den elektriska potentialskillnaden mellan olika punkter på huvudet. Man fäster ledande elektroder på huvudet antingen via lösa elektroder eller genom elektrodmössor. Normalt har man ett antal ”aktiva” positioner samt en referenspunkt. Då mäter man den elektriska spännningen mellan den aktiva positionen och referenselektroder.
Skalpsignaler kan ligga mellan 0.2-200uV och innehålla frekvenser 0.01-100Hz. Normalt brukar man dock skilja på diskussionerna om snabba transienta signaler på huvudet (ERP), samt långsamma förändringar i hjärnbarkspotential (SCP), från det man normalt sett kallar det typiska EEG-bandet 0.5-44 Hz.
Man brukar också dela in EEG-signalen i olika frekvensband eftersom man vet att energin i olika frekvensband innehåller information om hjärnans tillstånd, nedanstående är endast en förenklad översikt.
| Namn | Frekvens | Ökad nivå associeras med |
|---|---|---|
| 0.01-3 Hz | SCP - Hjärnbarkspotentialer som skiftar (Slow Cortical Potential) | |
| Delta | 0.5-4 Hz | Djup sömn, dominerar också hos små barn < 2 år |
| Theta | 4-8 Hz | Sömn, dåsighet och bristande uppmärksamhet |
| Alfa | 8-13Hz | Inaktivitet i syncentrum (man blundar) / bakhuvudet |
| Beta | 13-30 Hz | Ökad uppmärksamhet |
| Gamma | 36-44 Hz | Hjärnaktivering / glukosmetabolism, uppmärksamhet, upphetsning |
| < 1 kHz | ERP - transienta evoked responses |
Även om prioriteten alltid bör bara att förebygga dålig signalkvalitet och störningar så innehåller en EEG-signal normalt ändå en mängd signifikanta artifakter, t.ex. störningar från andra biopotentialer t.ex. EOG, ECG, EMG, samt rörelserartifakter och 50Hz störningar.
Innan man börjar analysera en EEG-signal för att räkna fram sina mått, måste man ta ställning till hur man hanterar störningar (ignorera, korrigera eller kassera data), och det finns många metoder för detta. Gör man inte det så riskerar de mått som man sedan räknat fram att bli helt missvisande. I programvaran AcqKnowledge finns flera verktyg för denna artifakthantering. Dels har man konventionella bandpass-filter, bandstop-filter, samt även independent component analysis (ICA) för att separera EOG- eller ECG-störningar från EEG-data, om man mätt dessa samtidigt. Det går också att göra egna avancerade rutiner med BIOPAC-script.
När råsignalen är kontrollerad är det dags att räkna fram de mått man vill använda. I AcqKnowledge finns flera fördefinierade analyser man gör via menyval:
Tolkning av EEG-mått
För tolkning av måtten får man referera till den stora mängd forskning och litteratur som finns inom området. Det handlar om att olika tillstånd associeras med olika frekvensmått samt olika spatiella mått ofta i kombination, samt även jämförande asymmetrimått. Detta område med EEG-tolkning och artifakthantering är ett komplext område med pågående forskning.
Man behöver ett mätsystem med anpassade filter och förstärkare för EEG-signaler. Sen behöver man antingen fristående elektroder, eller en elektrodmössa. Sen krävs också en programvara som på ett användarvänligt sätt kan göra både datainsamling och inspektion, artifakthantering samt räkna ut de önskade matematiska måtten. Sist men inte minst är det viktigt att mätsystemet har möjligheten att synkronisera mätningen med stimuli samt övriga fysiologiska signaler som mäts samtidigt.
För att förstå exakt vilka mått man skall använda, får man då dels referera till litteratur inom neurovetenskap och psykofysiologi samt tidigare publicerat material i ämnet för specifika applikationsområden. För att veta vilken typ av störningshantering man behöver så kanske man får göra några pilottester och se vilken typ av störningar man har under givna förutsättningar och vad som är kritiskt för de mått man ska ha fram (störningsanalys). Olika applikationer kan alltså kräva olika metoder.
(1) Generell referens: Handbook of Psychophysiology – chapter 3 – EEG
(2) Electroencephalography (EEG) Pt. 1
(3) YouTube. EEG – Automated filtering with AcqKnowledge
(4) YouTube. EEG – frequency analysis with AcqKnowledge
(5) YouTube. EEG – EOG artifact removal with AcqKnowledge
Tips: Missa inte dessa BIOPAC Webinarier:
EEG for Psychophysiology Research Part I
EEG for Psychophysiology Research Part II
Välkommen att kontakta oss! Vi guidar dig framåt i din beslutsprocess och är måna om att hitta en optimal teknisk lösning för just din applikation. Använd gärna vårt webb-formulär för vägledning.
Anmäl dig till live-sessioner eller titta på inspelat material när du vill.
Vill du göra fysiologiska experiment i VR men tycker att det är krångligt? Vizard med SightLab erbjuder enkla Python-mallar för att skapa VR-experiment, perfekt integrerat med BIOPAC, helt utan kod. Vi på JoR hjälper dig gärna med planering, tips och verktyg samt gör gärna en demonstration hur man skapar och genomför ett experiment i VR-miljö.
