يُنتج مخطط كهرباء الدماغ (EEG) كميات هائلإ من البيانات المستمرإ عبر عشرات القنوات على مدى فترات طميلإ. ويضع هذا الحجم ضغطًا على الذاكرإ المحدودإ لسماعات الرأس المحمولإ، ويقيّد شبكات الطب عن بعد، ويبطئ واجهات التفاعل بين الدماغ والحاسوب (BCIs) في الىقت الفعلي. وبناءً على ذلك، تتطلب بيانات EEG الخام تقليلًا ليتم معالجتها بكفاءإ.
ويعمل تحويل جيب التمام المنفصل (DCT)، الذي يمثل الأساس الرياضي لضغط JPEG، على حل هذا التحدي. وكما يضغط الصور مع الحفاظ على إمكانيإ التعرف عليها، فإن DCT يقلل من حجم إشارإ EEG مع الحفاظ على شكلها العام. ويساعد فهم آلياته وحدوده في تحديد متى يكون DCT مناسبياً أو متى يُفضل استخدام تحويلات بديلإ.
ما هو تحويل جيب التمام المتقطع؟
تحويل جيب التمام المتقطع هو عملية رياضية تحول تسلسلاً محدوداً من القيم المأخوذة كعينات إلى معاملات مرتبطة بدوال جيب التمام. وبدلاً من وصف الإشارة مباشرة كقيم على مدى الوقت أو الموضع، فإنه يصف مدى قوة مساهمة أنماط جيب التمام المختلفة في تلك الإشارة. وتظل النتيجة محدودة ومتقطعة، ولكن يتم التعبير عن هيكلها في نطاق يشبه التردد.
تبدأ قاعدة جيب التمام بنمط ثابت وتتقدم من خلال تذبذبات متسارعة بشكل متزايد. لذلك يعكس المعامل الأول عادةً المتوسط أو المستوى العام للمدخلات، بينما تلتقط المعاملات اللاحقة التغيرات الأكثر دقة تدريجياً. ويمكن أن يجعل هذا الترتيب الاتجاهات الواسعة أسهل في الفصل عن التقلبات السريعة.
يكون التحويل قابلاً للعكس عندما يتم الاحتفاظ بالمجموعة الكاملة من المعاملات والتطبيع المقابل لها. ومع ذلك، في العمل العملي، قد يحافظ المحللون على معاملات محددة فقط أو يستخدمونها كميزات رقمية. ويمكن أن يقلل هذا الاختيار من الأبعاد، ولكنه يتجاهل أيضاً المعلومات، لذا يجب تقييم معنى التمثيل المصغر بدلاً من افتراضه.
خوارزمية تحويل جيب التمام المتقطع خطوة بخطوة
يبدأ سير عمل DCT العملي بتسلسل محدود وينتهي بمعاملات يمكن إعادة بنائها أو تحليلها. وقد يكون التسلسل نافذة إشارة قصيرة، أو صف صورة، أو مجموعة مرتبة أخرى من القياسات. وقبل الحساب، يحدد المحلل نوع التحويل، وقياس المعامل، وطول النافذة، ومعالجة العينات المفقودة أو الملوثة.
كل دالة أساسية لـ DCT هي نمط جيب تمام تم أخذ عينات منه. وتقارن الخوارزمية المدخلات مع كل نمط أساسي، مما ينتج عنه معامل واحد لكل نمط. ويمكن إجراء الحساب مباشرة باستخدام صيغة الجمع أو باستخدام تنفيذ سريع مصمم لتقليل الحساب مع الحفاظ على اتفاقية التحويل المحددة.
يعد سير العمل المدمج مفيداً عند تنفيذ العملية لأن كل خطوة تؤثر على التفسير:
تجهيز تسلسل محدود ومأخوذ العينات منه باستمرار.
إزالة أو نمذجة الإزاحات والاتجاهات غير المرغوب فيها عندما يتطلب التحليل ذلك.
تحديد نوع DCT واتفاقية التطبيع.
حساب متجه المعامل والتحقق من أبعاده.
الاحتفاظ بالمعاملات أو إعادة بنائها أو تحليلها إحصائياً وفقاً لسؤال البحث.
بعد التحويل، يجب أن تعيد إعادة البناء باستخدام جميع المعاملات إنتاج المدخلات بغض النظر عن الدقة الرقمية واتفاقيات التطبيع. وتعد إعادة البناء باستخدام جزء فقط من متجه المعامل تقريباً. ويمكن أن يوضح فحص خطأ إعادة البناء ما إذا كان تقليل المعامل قد أزال بنية ذات مغزى بدلاً من مجرد تقليل الضوضاء.
تطبيقات تحويل جيب التمام المتقطع عبر الصناعات
يحتوي تحويل جيب التمام المتقطع على تطبيقات في أي مكان يمكن أن تستفيد فيه البيانات المأخوذة كعينات والمحدودة من تمثيل يعتمد على جيب التمام. وفي أنظمة الصور والفيديو، فإنه يدعم الأوصاف المدمجة للكتل المكانية أو الزمانية. وفي الصوت والاتصالات، يمكن أن تساعد طرق التحويل ذات الصلة في تنظيم معلومات الإشارة للترميز والإرسال.
تستخدم التطبيقات العلمية والهندسية DCT للتصفية، وإزالة الضوضاء، وبناء الميزات، والتحليل العددي. ويمكن أن يكون أساسه ذو القيمة الحقيقية مريحاً عندما لا تكون المرحلة هي الكمية الأساسية ذات الاهتمام أو عندما يكون التسلسل المحدود ذو سلوك الامتداد الزوجي نموذجاً مناسباً. ويعتمد الاستخدام المناسب على الإشارة والظروف الحدودية والمخرجات المطلوبة.
في الأبحاث الطبية الحيوية، قد تكون معاملات التحويل بمثابة ميزات للنماذج الإحصائية أو أنظمة التصنيف. وهذه الميزات هي قياسات لإشارة متحولة، وليست متغيرات بيولوجية مباشرة. ولذلك يجب إثبات قيمتها من خلال التحقق من الصحة، والتكرار، والمقارنة مع البيانات الأصلية والمقاييس الفسيولوجية ذات الصلة.
تحويل جيب التمام المتقطع مقابل تحويل فورير المتقطع
يعبر كل من DCT و DFT عن البيانات المأخوذة كعينات من خلال دالات أساسية تذبذبية، لكنهما يضعان افتراضات رياضية مختلفة. ويستخدم DFT دالات أسية معقدة ويمثل كلاً من السعة والمرحلة في معاملاته. ويستخدم DCT دالات جيب تمام حقيقية ويرتبط بشكل شائع بامتداد متماثل زوجي للمدخلات المحدودة.
السلوك الحدودي هو تمييز مركزي. ويمكن أن يؤدي الامتداد الدوري في DFT إلى خلق قفزة اصطناعية بين نهاية وبداية شريحة محدودة عندما لا تتطابق تلك القيم. ويمكن لبنية الامتداد الزوجي المرتبطة بالعديد من أشكال DCT أن تقلل من هذا الانقطاع المعين، على الرغم من أنها لا تقضي على كل تأثير للحواف أو تضمن نتائج أفضل لكل إشارة.
وبالتالي فإن الاختيار تحليلي وليس أيديولوجياً. ويكون DFT طبيعياً عندما تكون المرحلة المعقدة والبنية الدورية مهمة، في حين يمكن أن يكون DCT جذاباً للتمثيلات المدمجة ذات القيمة الحقيقية وبيانات النافذة المحدودة.
استخدم DCT عندما | استخدم FFT/المويجات عندما |
|---|---|
تكون هناك حاجة إلى ضغط مدمج ومنخفض الطاقة | تحلل نطاقات تردد محددة |
متجهات ميزات ذات قيمة حقيقية لتعلم الآلة | تقيس تزامن المرحلة |
تقليل البيانات، وليس تحليل التردد | كشف العابرين المحددين زمنياً |
ما هي خاصية دمج الطاقة لـ DCT في إشارات تخطيط أمواج الدماغ (EEG)
يعمل DCT عن طريق تقسيم كتلة قصيرة من عينات الإشارة إلى مجموع موجات جيب التمام بترددات متزايدة، كل منها مضروب في معامل يصف مدى قوة مساهمة موجة جيب التمام المعينة في الكتلة الأصلية.
على عكس تحويل فورير، الذي ينتج أرقاماً معقدة تحتوي على معلومات الحجم والمرحلة معاً، فإن DCT ينتج أرقاماً حقيقية فقط. وهذا يجعل المخرجات أبسط في التخزين والمعالجة الحسابية.
الخاصية الأكثر أهمية لـ EEG تسمى دمج الطاقة. وتكون إشارات EEG مرتبطة بشكل كبير بالوقت، مما يعني أن العينة المسجلة الآن تشبه إحصائياً العينة المسجلة قبل لحظة.
تصف إحدى الدراسات التي أجراها Birvinskas et al. هذا الأمر مباشرة، مشيرة إلى أن DCT "يأخذ بيانات المدخلات المترابطة ويركز طاقتها في المعاملات القليلة الأولى للتحويل فقط". ومن الناحية العملية، يعني هذا أن المعاملات القليلة الأولى من الكتلة تلتقط الشكل العام للإشارة، بينما تلتقط المعاملات اللاحقة تفاصيل دقيقة بشكل متزايد، يتداخل الكثير منها مع الضوضاء.
بسبب تأثير التركيز هذا، يمكن التخلص من جزء كبير من المعاملات مع حدوث حد أدنى من الضرر للموجة المعاد بناؤها. وتوضح دراسة للأنظمة المدمجة قادها أيضاً Birvinskas هذا الأمر مباشرة، حيث طبقت DCT على كتل قصيرة من ثماني عينات وذكرت صراحةً أن "معاملات التحويل الأقل أهمية يتم إزالتها قبل الإرسال" وإعادة تعبئتها بالأصفار قبل إعادة البناء. ولا تكون الإشارة الناتجة مطابقة للأصلية، ولكنها تحتفظ بالبنية المهيمنة، لأن المعلومات المهملة تركزت في أجزاء التحويل التي تحمل أقل طاقة في البداية.
يرتبط سلوك إلغاء الارتباط هذا مفاهيمياً بالهدف الكامن وراء تحليل المكونات الرئيسية، والذي يسعى أيضاً إلى تمثيلات مدمجة وغير مترابطة للبيانات المترابطة، على الرغم من أن PCA يشتق دالاته الأساسية إحصائياً من البيانات نفسها بينما يستخدم DCT مجموعة ثابتة ومحددة مسبقاً من دالات جيب التمام.
لماذا لا يعد DCT تحليلاً تذبذبياً مثل FFT أو المويجات
من المغري معاملة DCT كبديل بسيط لتحليل فورير، لكن الأداتين بنيتا لأهداف مختلفة.
يقوم تحويل فورير السريع (FFT) بتحليل إشارة إلى أزواج جيب وجيب تمام، مما يولد مخرجات ذات قيمة معقدة تحمل كلاً من حجم التردد والمرحلة. وتلك المخرجات المعقدة ترسم خرائط طبيعية على نطاقات تردد EEG الكلاسيكية، دلتا، وثيتا، وألفا، وبيتا، وغاما، ويمكنها دعم المقاييس المستندة إلى المرحلة مثل التزامن بين مواقع الأقطاب الكهربائية. وتوسع تحويلات المويجات هذه الفكرة بشكل أكبر، مما يسمح بتحديد محتوى التردد في الوقت المناسب، وهو أمر مفيد لالتقاط الأحداث قصيرة المدى مثل الارتفاع المفاجئ أو الأثر العابر.
تم بناء DCT حول غرض أضيق. فهو يستخدم دالات جيب التمام حصرياً، وينتج أرقاماً حقيقية فقط. وتتوافق معاملاته فنياً مع شكل من أشكال "التردد"، ولكن لأن التحويل يعمل على كتل قصيرة باستخدام حالة حدودية محددة، فإن معلومات التردد تلك لا تتماشى تماماً مع نطاقات EEG القياسية دون معالجة إضافية.
هذا ليس عيباً. بل يعكس اختلافاً في نية التصميم. فقد تم تحسين عائلات FFT والمويجات لوصف المحتوى التذبذبي لإشارة مدفوعة بالإيقاع مثل EEG. وتم تحسين DCT لضغط شكل موجة إلى أقل عدد ممكن من الأرقام مع الحفاظ على شكلها.
يقع هذا التمييز في قلب كيفية تقييم DCT. فهو أداة للضغط وتقليل الأبعاد أولاً، ونافذة ثانوية أو غير مباشرة فقط على محتوى التردد.
كيف يضغط DCT بيانات EEG للتخزين والإرسال
تتبع وصفة الضغط الأساسية باستخدام DCT نمطاً متسقاً: تحويل كتلة من الإشارة إلى معاملات DCT، والتخلص من أصغرها أو تقريبها تقريباً، ثم تطبيق تحويل عكسي لإعادة بناء تقريب للإشارة الأصلية.
ولأن المعاملات المهملة هي التي تحمل أقل طاقة، فإن الإشارة المعاد بناؤها غالباً ما تحافظ على شكل الموجة العام على الرغم من أنها ليست نسخة مثالية. وهذا هو السبب في أن هذه التقنية توصف بأنها ضغط مع فقدان البيانات بدلاً من ضغط بدون فقدان البيانات.
في الدراسة التي أجراها Birvinskas et al.، قاموا بالبناء خصيصاً للأنظمة المدمجة والمحمولة التي تطبق خوارزميات DCT سريعة على كتل من ثماني عينات فقط في المرة الواحدة، وهو اختيار تصميمي يهدف إلى تقليل العبء الحسابي على الأجهزة منخفضة الطاقة. وخلصوا إلى أن هذا النهج مناسب تماماً لـ "الأنظمة المدمجة في الوقت الفعلي، حيث يلزم تعقيد حسابي منخفض وسرعة عالية."
توسع دراسة أخرى أجراها Maazouz et al. هذا المفهوم ليشمل التسجيلات متعددة القنوات، مع إضافة ترميز الإنتروبي، وهي خطوة غير ضائعة تقلل من حجم الملف بعد خطوة DCT، بالإضافة إلى التكميم القائم على DCT. تصف هذه الورقة العملية بأنها "عملية محافظة"، وتستعير نفس الرياضيات الأساسية المستخدمة في ضغط JPEG، وتقيس جودة إعادة البناء باستخدام مقياس يسمى تشوه متوسط جذر التربيع المئوي (PRD)، والذي يحدد مدى انحراف الإشارة المعاد بناؤها عن الأصلية.
تؤكد هاتان الدراستان معاً أن الضغط القائم على DCT قابل للتطبيق تقنياً وفعال حسابياً.
استخدام DCT كأداة لاستخراج الميزات لتعلم الآلة
تميل مصنفات تعلم الآلة، وهي الخوارزميات المستخدمة لاكتشاف أشياء مثل النوبات تلقائياً أو تفسير أوامر BCI المقصودة، إلى الأداء بشكل أفضل والعمل بشكل أسرع عندما يتم تغذيتها بعدد صغير من الأرقام المفيدة بدلاً من آلاف العينات الخام في المجال الزمني.
هذا هو المكان الذي تصبح فيه خاصية دمج الطاقة لـ DCT استراتيجية لاستخراج الميزات بدلاً من استراتيجية للتخزين. وبدلاً من التخلص من المعاملات الصغيرة لتوفير المساحة، تصبح المجموعة الصغيرة من المعاملات المحتفظ بها هي المدخلات المباشرة للمصنف.
تطبق إحدى الدراسات التي أجراها Birvinskas et al. هذا المنطق على أنظمة BCI، باستخدام DCT صراحة كخطوة لاستخراج الميزات وتقليل مجموعة البيانات قبل التصنيف باستخدام شبكة عصبية اصطناعية. وخلص المؤلفون إلى أن "الطريقة يمكن استخدامها بنجاح لاستخراج الميزات وتقليل مجموعة البيانات".
يقدم بحث كشف الصرع مجالاً آخر حيث يستخدم الباحثون DCT. ويجمع أحد الأساليب بين معاملات DCT عالية التردد وميزة عرض النطاق الترددي المستمدة من تقنية منفصلة تسمى تحليل الأنماط التجريبية (EMD)، ثم يغذي مجموعة الميزات المدمجة في آلة ناقل الدعم للتمييز بين فترات النوبة (النوبات النشطة) والفترات بين النوبات (الفترات الأكثر هدوءاً بين النوبات).
وأفاد المؤلفون أن هذا النهج المدمج يمكن أن يتفوق على الأساليب الحالية المتقدمة لمهام التصنيف.
علاوة على ذلك، تطبق دراسة أكثر تفصيلاً من الناحية الكمية متغيراً معيناً يسمى DCT-II لاستخراج ميزات الطاقة عبر 16 نطاقاً فرعياً للتردد، مقترناً بمصنف الجار الأقرب (KNN)، وهي طريقة تصنف نقاط البيانات الجديدة بناءً على تشابهها مع الأمثلة المصنفة بالفعل.
تم اختبار هذا النهج على 21 مريضاً باستخدام مجموعة بيانات EEG طويلة المدى CHB-MIT، وحقق متوسط درجة F1 يبلغ 93.12، وهو مقياس يوازن بين دقة واستدعاء المصنف في رقم واحد، إلى جانب معدل إيجابي كاذب قدره 0.07.
الأداة المناسبة للهدف المناسب
يكتسب DCT مكانته في معالجة EEG من خلال قوة رياضية محددة: قدرته على تركيز طاقة الإشارة المترابطة في عدد صغير من المعاملات غير المترابطة وذات القيمة الحقيقية.
تلك الخاصية تجعله مفيداً حقاً لوظيفتين متميزتين، تقليص ملفات EEG للتخزين أو الإرسال، وتوليد متجهات ميزات مدمجة لمصنفات تعلم الآلة. ولا تتطلب أي من الوظيفتين أن يصف التحويل إيقاعات الدماغ بالطريقة التي يصفها بها تحليل فورير أو المويجات، وهو لا يحاول ذلك.
بالنسبة للطلاب والباحثين في بداية حياتهم المهنية الذين يعملون مع بيانات علم الأعصاب، يوفر DCT نقطة دخول خفيفة الوزن ومفهومة جيداً وسهلة التنفيذ كلما كانت الأولوية لتقليل البيانات بدلاً من القياس التذبذبي الدقيق. وتدعم أدبيات معالجة الإشارات التي تمت مراجعتها هنا جدواها عبر مهام الضغط والتصنيف، بما في ذلك نتيجة كمية قوية واحدة في اكتشاف النوبات.
المسار الحكيم للمضي قدماً هو مطابقة الأداة مع الهدف: DCT للضغط ودمج الميزات، وطرق فورير أو المويجات للتفسير الفسيولوجي، والاختبار الخاضع للرقابة وجهاً لوجه كلما كان نجاح المشروع يعتمد على معرفة أي منها يؤدي بالفعل بشكل أفضل في ظل ظروف متطابقة.
الأخطاء الشائعة عند تطبيق تحويل جيب التمام المتقطع
تنشأ العديد من أخطاء DCT قبل تقييم الصيغة. ويمكن حساب التحويل بشكل صحيح مع الاستمرار في الإجابة على سؤال ضعيف التعريف لأن طول الشريحة أو معدل أخذ العينات أو طريقة المعالجة المسبقة غير مناسبة. لذلك يتطلب التحليل القابل للتكرار توثيق كل من الاتفاقية الرياضية وخطوات إعداد البيانات.
المشكلة الثانية هي معاملة حجم المعامل على أنه يفسر نفسه بنفسه. وتعتمد الأحجام على التطبيع، وقياس الإشارة، ومدة النافذة، وما إذا تمت إزالة الإزاحة. ويمكن أن تؤدي مقارنة القيم من خطوط أنابيب غير متوافقة إلى حدوث اختلافات واضحة تعكس خيارات المعالجة بدلاً من خصائص الإشارة.
وتشمل الأخطاء الأخرى الاحتفاظ بمعاملات قليلة جداً، أو تجاهل تأثيرات الحواف، أو تقييم الميزات المتحولة فقط دون التحقق من شكل الموجة الأصلي. ويمكن لاختبارات إعادة البناء وتحليلات الحساسية الكشف عن هذه المشاكل. وفي EEG خاصة، قد تولد الآثار معاملات قوية تبدو ذات مغزى عددي بينما ليس لها أي تفسير فسيولوجي عصبي مقصود.
الأدوات والبرمجيات لحساب تحويل جيب التمام المتقطع
توفر معظم بيئات الحوسبة العددية تنفيذاً لـ DCT مباشرة أو من خلال مكتبة معالجة الإشارات. ولا تكمن القضية المهمة في مجرد التوفر، بل في الاتفاق على نوع التحويل، والتطبيع، وترتيب المحاور، ومعالجة المدخلات ذات القيمة الحقيقية. وتعد الوثائق ومتجهات الاختبار الصغيرة مفيدة للتأكيد على أن تطبيقين يستخدمان اتفاقيات متكافئة.
يحافظ سير العمل الشفاف عادةً على الشريحة الخام أو المعالجة بالحد الأدنى، ويسجل معلمات المعالجة المسبقة، ويحسب التحويل، ويخزن إعدادات المعامل مع النتائج. ويمكن أن تساعد الحسابات المرجعية باستخدام الجمع المباشر في التحقق من التنفيذ السريع على التسلسلات القصيرة.
بالنسبة لعمل EEG، يعتمد التكرار أيضاً على البيانات التعريفية مثل تردد أخذ العينات، واختيار القناة، وتداخل النافذة، والشرائح المرفوضة، ووحدات القياس. وقد يحسب برنامج البرمجيات DCT بشكل موثوق، لكنه لا يستطيع تحديد ما إذا كان التمثيل الناتج مناسباً علمياً. ويظل هذا الحكم جزءاً من تصميم الدراسة والتحقق من صحتها.
لماذا يجعل تحويل جيب التمام المتقطع بيانات EEG عملية للأجهزة الواقعية
يوفر تحويل جيب التمام المتقطع مساراً مباشراً لتقليص إشارات EEG لأنه يحزم معظم شكل الإشارة في حفنة من المعاملات المبكرة فقط. وهذا الدمج للطاقة يعني أن سماعات الرأس القابلة للارتداء يمكنها نقل بيانات أقل بكثير مع الاستمرار في الحفاظ على بنية الموجة المهيمنة، وهي ميزة بالغة الأهمية عندما تكون الذاكرة وعرض النطاق الترددي شحيحين. والرياضيات الأساسية خفيفة الوزن بما يكفي لتشغيلها على أجهزة منخفضة الطاقة، مما يجعل الضغط في الوقت الفعلي ممكناً خارج المختبر.
بالإضافة إلى التخزين، يمكن لتلك المعاملات القليلة نفسها أن تعمل كمدخلات مدمجة لمصنفات تعلم الآلة المكلفة برصد النوبات أو تفسير أوامر واجهة الدماغ والكمبيوتر. وقد أظهر هذا النهج بالفعل نتائج قوية في اختبارات كشف نوبات معينة.
في الوقت الحالي، يظل DCT خياراً عملياً عندما تكون الأولوية لتقليل البيانات دون فقدان الشكل العام، وليس عندما يكون هناك حاجة إلى تحليل دقيق لتردد الموجات الدماغية. وهو يقدم قاعدة عامة مفيدة: طابق التحويل مع هدفك الفعلي، وليس مع افتراض واحد يناسب الجميع حول معالجة EEG.
المراجع
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2012, November). EEG dataset reduction and feature extraction using discrete cosine transform. In 2012 Sixth UKSim/AMSS European Symposium on Computer Modeling and Simulation (pp. 199-204). IEEE. https://doi.org/10.1109/EMS.2012.88
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2015). Fast DCT algorithms for EEG data compression in embedded systems. Computer Science and Information Systems, 12(1), 49-62. https://doi.org/10.2298/CSIS140101083B
Maazouz, M., Kebir, S. T., Bengherbia, B., Toubal, A., Batel, N., & Bahri, N. (2015, December). A DCT-based algorithm for multi-channel near-lossless EEG compression. In 2015 4th International Conference on Electrical Engineering (ICEE) (pp. 1-5). IEEE. https://doi.org/10.1109/INTEE.2015.7416805
Parvez, M. Z., & Paul, M. (2012, December). Features extraction and classification for Ictal and Interictal EEG signals using EMD and DCT. In 2012 15th International Conference on Computer and Information Technology (ICCIT) (pp. 132-137). IEEE. https://doi.org/10.1109/ICCITechn.2012.6509719
Jumaah, M. A., Shihab, A. I., & Farhan, A. A. (2020). Epileptic seizures detection using DCT-II and KNN classifier in long-term EEG signals. Iraqi Journal of Science, 2687-2694. https://doi.org/10.24996/ijs.2020.61.10.26
الأسئلة الشائعة
ما هو تحويل جيب التمام المتقطع (DCT) ولماذا يستخدم لـ EEG؟
يقسم DCT كتلة قصيرة من عينات EEG إلى مجموع موجات جيب التمام بترددات متزايدة، مما ينتج عنه معاملات ذات أرقام حقيقية فقط. ويستخدم لأن إشارات EEG مترابطة للغاية في الوقت، ويركز DCT طاقة الإشارة في معاملات قليلة مبكرة فقط، مما يجعل الضغط وتقليل الميزات فعالين.
كيف يضغط DCT إشارات EEG؟
يتم تطبيق التحويل على كتل قصيرة من العينات، ثم يتم التخلص من أصغر المعاملات - تلك التي تحمل أقل طاقة - أو تقريبها بشكل تقريبي. ويعيد تحويل عكسي بناء تقريب لشكل الموجة الأصلي، مما يحقق ضغطاً مع فقدان البيانات مع الحفاظ على شكل الإشارة الواسع.
لماذا يقارن DCT بضغط JPEG؟
يستخدم JPEG الـ DCT لتقليص الصور لأن معظم المعلومات البصرية يتم التقاطها بواسطة عدد قليل من معاملات التردد المنخفض، وتطبق نفس خاصية دمج الطاقة على إشارات EEG. ويتخلص كلاهما من تفاصيل التردد العالي الأقل وضوحاً أو أهمية، مما يجعل DCT مناسباً بشكل طبيعي لتقليل البيانات العصبية.
كيف يختلف DCT عن تحويل فورير (FFT) لتحليل EEG؟
يقوم FFT بتحليل إشارة إلى أزواج جيب وجيب تمام، مما ينتج أرقاماً معقدة ترسم خرائط مباشرة لنطاقات تردد الموجات الدماغية ومرحلتها. ويستخدم DCT دالات جيب التمام فقط وينتج معاملات ذات أرقام حقيقية لا تتماشى تماماً مع نطاقات EEG القياسية، مما يجعله أداة ضغط بدلاً من طريقة تحليل تذبذبي.
هل يمكن استخدام DCT لاستخراج الميزات لتصنيف EEG في تعلم الآلة؟
نعم، يمكن أن تعمل المعاملات المدمجة وغير المترابطة من DCT كمتجه ميزات صغير للمصنفات، مما يقلل من أبعاد البيانات مع الاحتفاظ بالبنية السائدة للإشارة. وقد تم تطبيق هذا النهج بنجاح في كشف النوبات وأنظمة واجهة الدماغ والكمبيوتر.
متى يجب أن أختار DCT بدلاً من FFT لمشروع EEG الخاص بي؟
اختر DCT عندما تكون الأولوية للضغط في الوقت الفعلي، أو تقليل تخزين البيانات، أو استخراج الميزات المدمجة لتعلم الآلة، خاصة على الأجهزة منخفضة الطاقة. واختر FFT أو المويجات عندما يتطلب بحثك تحليل نطاقات تردد محددة أو علاقات مرحلية، لأن DCT لا يوفر هذا التفسير الفسيولوجي مباشرة.
هل يقلل DCT من الضوضاء في إشارات EEG؟
غالباً ما يؤدي تجاهل معاملات DCT الصغيرة ذات المؤشر العالي إلى إزالة التقلبات الشبيهة بالضوضاء جنباً إلى جنب مع التفاصيل الدقيقة، مما يؤدي إلى الادعاء بأن DCT "خفيف الأثر". ومع ذلك، لم تقيس الدراسات التي تمت مراجعتها تقليل الآثار بشكل مباشر، لذلك يظل هذا فرضية معقولة بدلاً من كونه نتيجة مؤكدة.
لماذا تستخدم نوافذ EEG قبل الـ DCT؟
يتم تعريف DCT لتسلسل محدود، لذلك يتم تقسيم تسجيل EEG بشكل شائع إلى نوافذ. وتسمح النوافذ أيضاً بفحص التغييرات بين أجزاء التسجيل بشكل منفصل، على الرغم من أنها تقدم خيارات حول المدة والتداخل.
هل تثبت نتيجة DCT حالة عصبية؟
لا. الإشارة المتحولة هي تمثيل رياضي، وليست دليلاً سريرياً مستقلاً. ويتطلب أي تفسير تشخيصي تقييماً سريرياً مناسباً، وطرقاً معتمدة، ومعلومات داعمة ذات صلة.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
