[논문 리뷰] EEG-connectivity: A fundamental guide and checklist for optimal study design and evaluation

Aleksandra Miljevic, Neil W. Bailey외 3명|arXiv (Cornell University)|2021. 08. 31.

Functional Brain Connectivity Studies인용 수 6

한 줄 요약

이 논문은 EEG 연결성 연구의 설계 및 평가를 위한 종합적인 가이드라인과 표준화된 체크리스트를 제시하며, 데이터 처리, 참조, 아티팩트 제거, 통계적 통제 등 분야 내 메소드적 이질성 문제를 다룹니다. 이는 핵심 혼란 요인을 규명하고 강력한 EEG 연결성 추정을 위한 증거 기반 권고 사항을 제시하여 연구 간 재현 가능성과 비교 가능성 향상을 도모합니다.

ABSTRACT

Brain connectivity can be estimated through a wide number of analyses applied to electroencephalographic (EEG) data. However, substantial heterogeneity in the implementation of connectivity methods exist. Heterogeneity in conceptualization of connectivity measures, data collection, or data pre-processing may be associated with variability in robustness of measurement. While it is difficult to compare the results of studies using different EEG connectivity measures, standardization of processing and reporting may facilitate the task. We discuss how factors such as referencing, epoch length and number, controls for volume conduction, artefact removal, and statistical control of multiple comparisons influence the EEG connectivity estimate for connectivity measures, and what can be done to control for potential confounds associated with these factors. Based on the results reported in previous literature, this article presents recommendations and a novel checklist developed for quality assessment of EEG connectivity studies. This checklist and its recommendations are made in an effort to draw attention to factors that may influence connectivity estimates and factors that need to be improved in future research. Standardization of procedures and reporting in EEG connectivity may lead to EEG connectivity studies to be made more synthesisable and comparable despite variations in the methodology underlying connectivity estimates.

연구 동기 및 목표

• 재현 가능성과 비교 가능성 저해를 초래하는 EEG 연결성 연구 분야의 상당한 메소드적 이질성 해결.
• 참조 방식, 에포크 길이, 체적 도달, 아티팩트 제거, 다중 비교 등 연결성 추정에 영향을 주는 핵심 요인 식별.
• EEG 연결성 연구의 연구 설계 및 보고를 표준화하기 위한 체계적이고 증거 기반의 체크리스트 제공.
• 투명하고 일관된 메소드를 통해 향후 EEG 연결성 연구의 품질 향상 및 융합 가능성 향상.
• 데이터 처리 및 분석에서의 혼란 요인과 최선의 실천 방법을 강조하여 메소드적 엄밀함 향상.

제안 방법

• EEG 연결성 관련 기존 문헌을 체계적으로 검토하여 반복되는 메소드적 차이점과 연결성 추정에 미치는 영향 규명.
• 전극 참조, 에포크 지속시간 및 수, 체적 도달, 아티팩트 보정 기법 등 EEG 연결성에 영향을 주는 주요 메소드적 요인 분류.
• 최적의 참조 방식과 아티팩트 제거 프로토콜(예: ICA 기반 방법)을 포함한 표준화된 데이터 사전처리 절차 제안.
• 다중 비교에 대한 통계적 통제 통합을 통해 연결성 추론에서의 거짓 양성률 감소.
• EEG 연결성 연구의 연구 설계, 데이터 처리, 보고에 특화된 새로운 증거 기반 체크리스트 개발.
• 이전 연구의 경험적 발견을 바탕으로 권고 사항을 구성하여 메소드적 타당성과 실용성 확보.

실험 결과

연구 질문

• RQ1 EEG 연결성 분석에서 연결성 추정의 신뢰성과 타당성에 가장 크게 영향을 주는 메소드적 요인은 무엇인가?
• RQ2 참조 방식, 에포크 길이, 아티팩트 제거 방법이 EEG 데이터의 기능적 연결성 추정에 어떻게 영향을 주는가?
• RQ3 체적 도달과 다중 비교는 EEG 연결성 결과를 얼마나 왜곡시키며, 이를 어떻게 통제할 수 있는가?
• RQ4 다양한 연구 팀 간에 재현 가능성과 비교 가능성을 향상시키기 위해 어떤 표준화된 절차가 필요한가?
• RQ5 통합된 체크리스트는 EEG 연결성 연구의 품질과 투명성을 어떻게 향상시킬 수 있는가?

주요 결과

• 참조, 에포크 처리, 아티팩트 처리 등 EEG 연결성 메소드의 이질성은 연결성 추정의 강건성과 비교 가능성에 상당한 영향을 미친다.
• 체적 도달 영향은 크기 기반 지표(예: 공진주기, 단계 지연 지수)에서 연결성 측정치를 오염시킬 수 있어 적절한 보정 전략이 필요하다.
• 다중 비교에 대한 통제가 부족할 경우, 고차원 EEG 데이터에서 거짓 양성 결과의 위험이 증가한다.
• 최적의 참조 및 아티팩트 제거(예: ICA)를 포함한 표준화된 사전처리 파이프라인은 신뢰할 수 있는 연결성 추정에 필수적이다.
• 제안된 체크리스트는 메소드적 투명성을 향상시키고 EEG 연결성 연구의 품질 평가 프레임워크를 제공한다.
• 체크리스트의 도입은 기초 연결성 지표의 다양성에도 불구하고 EEG 연결성 연구의 융합 가능성 향상에 기여할 수 있다.