تمثل معالجة الإشارات المنفصلة الرياضيات التأسيسية للحوسبة الحديثة مما يتيح تحليل البيانات في مجالات الزمن والمكان والتردد. ويعد فهم هذه الأساليب أمراً ضرورياً لإدارة المعلُومات الرقمية رويداً في مختلف التخصصات العلمية والتقنية بما في ذلك تخطيط كهربية الدماغ (EEG).
ما هي معالجة الإشارات المنفصلة؟
تتضمن معالجة الإشارات المنفصلة التلاعب الرياضي بالمعلومات الممثلة كسلسلة من الأرقام. من خلال تحويل المدخلات التناظرية من العالم الحقيقي إلى عينات منفصلة، يمكن لأجهزة الكمبيوتر إجراء تحليلات معقدة لا يمكن القيام بها باستخدام الدوائر التناظرية التقليدية.
إن الدقة والقابلية للتكرار في هذه العمليات الرقمية تجعلها لا غنى عنها في مجالات تتراوح من نمذجة المناخ إلى معالجة إشارات تخطيط كهربية الدماغ (EEG). يضع هذا المجال القواعد لكيفية تحويل البيانات المستمرة إلى بيانات منفصلة، ومعالجتها، وإعادة بنائها في النهاية للاستخدام البشري أو الآلي.
معالجة الإشارات في الوقت المنفصل مقابل إشارات الوقت المستمر
تتغير إشارات الوقت المستمر بسلاسة وتتوجد في كل نقطة زمنية خلال فترة زمنية محددة، في حين أن إشارات الوقت المنفصل يتم تحديدها فقط عند نقاط دورية محددة.
تعتمد معالجة الإشارات الرقمية على التحويل بين هذين النوعين، وغالبًا ما تستخدم الأجهزة لسد هذه الفجوة. يجب على المهندسين إدارة عملية الانتقال بعناية لضمان أن التسلسل المنفصل يعكس بدقة الظواهر المستمرة الكامنة دون إدخال أخطاء التعرج (aliasing) التي تحدث عندما يكون معدل أخذ العينات غير كافٍ لالتقاط أسرع التغييرات في الإشارة.
معالجة الوقت المستمر لإشارات الوقت المنفصل: أخذ العينات وإعادة البناء
تتطلب عملية تحويل التأثير المستمر إلى تنسيق رقمي محولاً من تناظري إلى رقمي يسجل قوة الإشارة في فترات زمنية دقيقة. بمجرد اكتمال المعالجة، يجب إعادة البيانات إلى شكل تناظري لكي يستوعبها البشر، وهو ما يتم تحقيقه من خلال مرشحات إعادة البناء. تعمل هذه المرشحات على تنعيم مظهر "الدرج" للبيانات التي تم أخذ عينات منها وتحويلها إلى موجة مستمرة.
يعتمد إعادة البناء الفعال على الالتزام بنظرية أخذ العينات لـ Nyquist-Shannon، والتي تحدد الحد الأدنى للتردد الذي يجب أن يقيس به النظام المدخلات للحفاظ على جميع المعلومات الصالحة.
المفاهيم الأساسية في معالجة الإشارات المنفصلة
يعتمد التحليل الرقمي الحديث على مجموعة من الأدوات الرياضية المصممة لتفكيك نقاط البيانات وإعادة تنظيمها وتفسيرها بفعالية. توفر هذه المفاهيم إطارًا للمهندسين للتعامل مع كل شيء بدءًا من مصفوفات الاستشعار الضخمة إلى المدخلات الصوتية البسيطة.
من خلال اختيار النهج الرياضي الصحيح، يمكن للباحثين تقليل العبء الحسابي مع زيادة جودة الإشارة الملاحظة في المخرجات إلى أقصى حد.
تحليل مجال التردد: تحويل فورير المنفصل في معالجة الإشارات الرقمية
تحويل فورير المنفصل (DFT) هو تقنية أساسية تقوم بنقل أي سلسلة من بيانات السلاسل الزمنية إلى مكونات التردد المكونة لها.
يسمح هذا التحويل للمستخدمين برؤية الترددات المهيمنة على الإشارة والترددات الغائبة، مما يسهل مهام مثل التحليل التوافقي وضغط البيانات. من خلال عرض الإشارة في المجال الطيفي، يمكن للممارسين عزل أحداث معينة قد تكون محجوبة تمامًا عند مراقبة التسلسل الزمني فقط.
الترشيح: إزالة أو تعزيز مكونات الإشارة
يسمح الترشيح بالتعديل الانتقائي للإشارات عن طريق إضعاف الترددات غير المرغوب فيها مع السماح للمكونات المطلوبة بالمرور. يمكن ضبط المرشحات الرقمية بدقة لإخماد الهسيس ذي التردد العالي، أو الطنين ذي التردد المنخفض، أو التداخلات الدورية المحددة التي تعيق جمع البيانات الخام.
يوضح الجدول التالي أنواع المرشحات الشائعة المصممة خصيصًا لاحتياجات تشغيلية معينة داخل سير العمل الرقمي:
نوع المرشح | الإجراء الأساسي | التطبيق النموذجي |
|---|---|---|
تمرير منخفض (Low-pass) | يحجب الترددات العالية | تقليل الضوضاء |
تمرير مرتفع (High-pass) | يحجب الترددات المنخفضة | إزالة انحراف خط الأساس |
تمرير نطاق (Band-pass) | يستهدف نطاقات محددة | تحسين جودة الكلام |
تمثل هذه التكوينات مجموعة الأدوات القياسية المتاحة في معظم التطبيقات الرقمية.
الإشارات العشوائية المنفصلة ومعالجة الإشارات الإحصائية
تتعامل معالجة الإشارات الإحصائية مع الحالات التي لا تكون فيها الإشارات حتمية تمامًا بل تظهر درجات متفاوتة من العشوائية. من خلال معاملة هذه المدخلات كعمليات عشوائية (stochastic)، يمكن للمحللين تحديد السلوكيات المتوسطة والتباين للنظام، حتى عندما تبدو نقاط البيانات الفردية غير قابلة للتنبؤ.
هذا النهج حيوي لتقدير مسارات الإشارات في علم الأعصاب وإدارة عدم اليقين في البيئات المليئة بالضوضاء.
التفاف الإشارات (Convolution): دمج الإشارات
يوفر الالتفاف طريقة رياضية صارمة لتحديد كيفية تغير مخرجات النظام بناءً على مدخلاته واستجابته الاندفاعية. عندما يتم لف إشارة مع أخرى، فإن المخرجات الناتجة توضح كيف يقوم النظام بتحويل شكل الموجة الساقطة عبر الوقت والمكان.
توضح الخطوات التالية التنفيذ العملي للالتفاف:
عكس الإشارة الثانية في الوقت المناسب.
إزاحة الإشارة المعكوسة عبر الإشارة الأولى.
حساب التكامل أو المجموع للمناطق المتداخلة.
تكرار الحساب لكل نقطة على طول المحور الزمني.
يضمن هذا النهج المنهجي نمذجة المخرجات بدقة بناءً على الخصائص الكامنة للنظام والقيود البيئية.
تطبيقات معالجة الإشارات المنفصلة
تحدد معالجة الإشارات المنفصلة أداء العديد من الآلات الحديثة التي تتفاعل مع العالم المادي. من خلال تطبيق هذه الخوارزميات، يمكن للمطورين ضمان بقاء البيانات الحساسة واضحة ودقيقة، سواء كانت هذه المعلومات قادمة من جسر شبكة أو سجل EEG الخاص بشخص ما.
تعدد استخدامات هذه الأساليب يعني أن الخوارزميات الشائعة غالبًا ما تظهر في الأجهزة التي تتراوح بين الأجهزة المحمولة الاستهلاكية ومنصات الاختبار الصناعية المتخصصة.
معالجة الوقت المنفصل لإشارات الكلام في التطبيقات الصوتية
تخضع الإشارات الصوتية لحسابات مكثفة لضمان الوضوح أثناء الإرسال والتخزين. تسمح الطرق المنفصلة بتقليل حجم البيانات مع الحفاظ على تفاصيل كافية لتبدو طبيعية، وهو إنجاز تم تحقيقه من خلال نمذجة السمع البشري وإزالة الأصوات التي لا يمكن سماعها عادةً.
تدير تقنية الترشيح المكاني المتقدمة هذه البيئات الصوتية المعقدة بفعالية دون الحاجة إلى سعة أجهزة مفرطة.
معالجة الصور والفيديو
تعتمد الوسائط المرئية على التحليل المنفصل ثنائي الأبعاد، حيث تعمل البكسلات كنقاط بيانات تم أخذ عينات منها. من خلال التلاعب بهذه الشبكات، يمكن للأجهزة أداء مهام مثل شحذ الحواف، وضبط توازن الألوان، وضغط الفيديو لتوفير النطاق الترددي مع الحفاظ على دقة بصرية مكانية عالية.
غالبًا ما تستفيد هذه العمليات من تحليل المكونات الرئيسية للتخلص من المعلومات الزائدة بكفاءة عبر ملايين الإطارات.
الاتصالات ونقل البيانات
تعتمد الاتصالات على التحسين المستمر لتدفق الإشارات لضمان وصول حزم المعلومات إلى وجهتها دون تلف. تستخدم خوارزميات كشف الأخطاء وتصحيحها المتقدمة الرياضيات المنفصلة للتحقق من سلامة البيانات في الوقت الفعلي، حتى في وجود تداخل كهرومغناطيسي شديد.
يسمح هذا المستوى من الموثوقية بالتوسع السريع للبنى التحتية الحديثة للشبكات في جميع أنحاء العالم.
صوت الدماغ المستمر ومن أين يبدأ
تنشأ الإشارات الكهربائية التي تلتقطها خوذة تخطيط كهربية الدماغ (EEG) من مجموعات هائلة من الخلايا العصبية التي تطلق إشاراتها في تزامن غير وثيق. في حين أن نشاط الخلية العصبية الفردية يكون محليًا وضئيلًا للغاية بحيث لا يمكن اكتشافه عند فروة الرأس، فإن التفريغ الجماعي لآلاف الخلايا العصبية ينتج جهدًا متذبذبًا—يقاس عادةً بعشرات الميكروفولت فقط. يجب أن تنتقل هذه الإشارة الضعيفة عبر أنسجة الدماغ، والجمجمة، وفروة الرأس قبل أن تصل أخيرًا إلى أقطاب التسجيل الكهربائية.
ونظرًا لأن هذه الإشارة حساسة للغاية، فإنها تصل إلى فروة الرأس مختلطة بشدة بالضوضاء الفسيولوجية والبيئية، مثل حركات العضلات، ورمش العينين، والتداخل الكهربائي القريب. لفهم هذه البيانات الخام، يجب على الباحثين تنظيم نشاط الدماغ بدقة في نطاقات تردد محددة—تُسمى تقليديًا دلتا، وثيتا، وألفا، وبيتا، وغاما—كل منها يتوافق مع حالات عقلية مختلفة ويحتل نطاقات فريدة من الطيف.
تتجلى أهمية هذا الفصل في الدراسات، مثل دراسة أجريت عام 2010 ونُشرت في Journal of Biomedical Science and Engineering، حيث تم تفكيك تسجيلات EEG إلى نطاقات ألفا، وبيتا، وغاما باستخدام تحويل المويجات المنفصل (DWT) بعد التنظيف الأولي عبر ترشيح لا بلاس السطحي (Surface Laplacian filtering).
هذا المستوى من الدقة حيوي: إذا أردنا تحليل إيقاعات غاما، التي يمكن أن تمتد حتى 100 هرتز بثقة، يجب أن تحافظ عملية الرقمنة على هذه النطاقات كمكونات متميزة. بدون معالجة دقيقة للإشارات، ستندمج هذه الاهتزازات الحيوية في خليط لا يمكن تمييزه، مما يجعل التحليل العلمي العصبي الدقيق مستحيلاً.
أخذ العينات: التقاط صور فوتوغرافية لنهر جارٍ
يتطلب تحويل الجهد المستمر إلى سلسلة من الأرقام عملية أخذ العينات، وهي عملية قياس جهد الإشارة في لحظات زمنية منتظمة ومنفصلة بدلاً من قياسها بشكل مستمر.
تخيل نهرًا يتدفق عبر نقطة ثابتة. لا يمكنك التقاط حركته كحركة. بدلاً من ذلك، تأخذ صورة فوتوغرافية له كل بضع ثوانٍ. اجمع صورًا كافية معًا بالتسلسل، وستحصل على بديل معقول لتدفق النهر. خذ صورًا قليلة جدًا، وستصبح حركة النهر الحقيقية غامضة أو مضللة.
هنا يصبح الحكم المعروف بمعيار نايكست (Nyquist criterion) أمرًا لا مفر منه. وينص على أن معدل أخذ العينات، وهو عدد القياسات المأخوذة في الثانية، يجب أن يكون أكثر من ضعف أعلى تردد موجود في الإشارة التناظرية الأصلية.
إذا لم يكن الأمر كذلك، يحدث تشويه يسمى التعرج (aliasing)، حيث يتم تسجيل إشارة سريعة الحركة بشكل خاطئ كإشارة أبطأ. وبمجرد حدوث ذلك، لا توجد حيلة رياضية يمكنها فصل الإشارة البطيئة الحقيقية عن الإشارة البطيئة المزيفة التي كانت سريعة في الأصل. لقد تلاشت المعلومات، وانطوت بشكل دائم في المكان الخطأ.
عادةً ما تأخذ أنظمة EEG السريرية عينات بمعدلات تتراوح بين 250 و500 هرتز، مما يلتقط بأريحية نشاط الدماغ الذي يمتد من 0 إلى 100 هرتز مع وجود هامش احتياطي. هذا الهامش هو المخفف الذي يحافظ على استيفاء معيار نايكست حتى عندما تمتد إشارات الدماغ نحو الطرف العلوي لنطاق غاما.
ضع في اعتبارك إطار الكشف عن النوبات الذي أجرى بحثًا شاملاً عبر سبع عائلات مختلفة من المويجات ومستويات تفكيك متعددة للعثور على الإعدادات المثلى لتحليل بيانات EEG. هذا البحث لا يحمل معنى كممارسة علمية إلا إذا كان محتوى التردد الذي يتم البحث فيه دقيقًا.
إذا كان معدل أخذ العينات الأصلي قد انتهك معيار نايكست، لكانت الضوضاء عالية التردد الناتجة عن نشاط العضلات أو التداخل الكهربائي قد انطوت في نفس نطاقات التردد التي كان الباحثون يحاولون عزلها. وكان البحث عن الإعدادات المثلى للمويجات سيعمل على التحسين ضد هدف مشوه، ولن تعكس الدقة المبلغ عنها التي تزيد عن 90% للكشف عن النوبات قدرة تشخيصية حقيقية. بل كانت ستعكس استجابة مضبوطة جيدًا للضوضاء.
كيف تمنع مرشحات مانع التعرج دخول البيانات التالفة
نظرًا لأنه لا يمكن تصحيح التعرج بعد حدوثه، يجب منعه قبل أن تبدأ عملية أخذ العينات.
هذه هي وظيفة مرشح مانع التعرج (anti-aliasing filter)، وهو مرشح تناظري لتمرير الترددات المنخفضة يتم وضعه في مسار الأجهزة قبل أن يأخذ المحول التناظري الرقمي قياساته. تتكون وظيفته من تجريد أي محتوى تردد أعلى من حد نايكسان حتى لا يوجد شيء في الإشارة يمكن الخلط بينه وبين شيء آخر لاحقًا.
بمجرد تخطي خطوة الترشيح هذه أو القيام بها بشكل سيء، فإن الضرر يترسخ في البيانات بشكل دائم. ولا يمكن لأي برنامج لاحق، مهما كان متقدمًا، إلغاء ذلك.
في دراسة لتشخيص مرض ألزهايمر طبق الباحثون مرشحًا رقميًا بيضاويًا يمرر نطاقًا معينًا لإزالة التداخل والاضطراب من مجموعة بيانات EEG قبل استخراج الميزات من خلال DWT. حدث هذا الترشيح بعد الرقمنة بدلاً من كونه خطوة لمانع التعرج في الأجهزة، لكن المنطق الأساسي متطابق.
توجد كلتا العمليتين لتجريد المحتوى الطيفي غير المرغوب فيه من الصورة قبل أن تحاول خوارزمية تفسير ما تبقى. سواء كان المرشح يقع في الدوائر التناظرية قبل أخذ العينات أو في سلسلة المعالجة الرقمية بعدها، فإن الغرض منه هو نفسه: منع انتشار التلوث إلى التحليل اللاحق.
علاوة على ذلك، توضح دراسة تشوهات الحركة لعام 2020 سبب أهمية ذلك حتى عند توفر أدوات تنظيف متطورة. جمع هذا البحث بين ثلاث تقنيات، هي تفكيك الأنماط التجريبية التجميعي (Ensemble Empirical Mode Decomposition)، وتحليل الارتباط القانوني (Canonical Correlation Analysis)، وتحويل المويجات المنفصل (Discrete Wavelet Transform)، لتجريد التداخل المرتبط بالحركة من إشارات EEG، مما أدى إلى تحسين مقاييس الإشارة إلى الضوضاء بهوامش ملحوظة.
لكن خط أنابيب التنظيف هذا بأكمله يفترض أن طيف التردد العالي الذي يدخل إليه خالٍ من التعرج. إذا كان مرشح مانع التعرج في الأجهزة مفقودًا عند نقطة الرقمنة، فإن الإشارة الناتجة ستحمل طبقة إضافية من الفساد لا يمكن حتى لنظام إزالة تشوهات مصمم جيدًا تفكيكه بالكامل.
عمق البت: رسم الجهد بلوحة ألوان محدودة
يحدد أخذ العينات وقت قياس الجهد. ويحدد عمق البت (Bit depth) مدى دقة تسجيل هذا القياس.
بمجرد أن يلتقط المحول التناظري إلى رقمي جهدًا في لحظة معينة، يجب عليه التعبير عن تلك القيمة كعدد ثنائي، وعدد البتات المتاحة لهذا التعبير يحدد دقة القياس. يمكن لنظام يستخدم عمق بت 16 عبر نطاق جهد يتراوح بين موجب أو سالب 1 مللي فولت تحديد الاختلافات الدقيقة التي تصل إلى حوالي نصف ميكروفولت.
أضف المزيد من البتات، وستزداد الدقة وضوحًا. قلل عمق البت، وستختفي التنوعات الطفيفة في شكل الموجة ببساطة، مسطحة في أقرب خطوة متاحة على مقياس أكثر خشونة.
هذا التمييز يحمل وزنًا تشخيصيًا حقيقيًا. اعتمدت دراسة كشف الصرع لعام 2019 على حسابات الفوضى الضبابية (fuzzy entropy) التي أجريت على معاملات المويجات للتمييز بين نشاط EEG الصرعي والنشاط غير الصرعي.
تم تصميم مقاييس الفوضى لتكون حساسة لتغير السعة الدقيق. وهي تقيس عدم الانتظام والتعقيد في الإشارة، ويعتمد هذا الحساب على الحصول على دقة كافية للكشف عن الاختلافات الصغيرة في المقام الأول. إن الإشارة المكممة بخشونة ستعمل على تسوية نفس حالات عدم الانتظام التي تم بناء حساب الفوضى للعثور عليها.
وبالمثل، استخرجت دراسة ألزهايمر المذكورة سابقًا ميزات إحصائية بما في ذلك الانحراف المعياري والتباين والمعيار من النطاقات الفرعية للمويجات الناتجة من خلال DWT. هذه كلها مقاييس لمدى تباين الإشارة. إذا كانت قيم الجهد الأساسية قد تم تقريبها بشكل مفرط بسبب عدم كفاية عمق البت، فإن الاختلاف الطبيعي بين حالات الدماغ السليمة وحالات الدماغ المصابة بالمرض سيتقلص نحو نطاق مماثل ومسطح، وستتقلص بالتالي الاختلافات الإحصائية التي جعلت دقة التصنيف البالغة 99.98% ممكنة.
لماذا يمنع معدل أخذ العينات الصحيح خروج البيانات التالفة
هذه العناصر الثلاثة، أخذ عينات متوافق مع نايكست، ومرشح مانع للتعرج يعمل بفعالية، وعمق بت كافٍ، ليست مجرد فضول تقني مستقل. بل إنها تشكل سلسلة تبعية واحدة، وكل دقة تصنيف تم الإبلاغ عنها في هذه المجموعة من الأبحاث تأتي تابعة لتلك السلسلة.
إن اختيار معدل أخذ عينات منخفض للغاية، أو تخطي مرشح مانع التعرج الذي يحميه، يؤدي إلى فشل معالجة الإشارات التقليدي المعروف باسم "البيانات التالفة تؤدي إلى مخرجات تالفة". وبمجرد انطواء ضوضاء التردد العالي المتعرجة فيما يبدو أنه طاقة بيتا أو غاما، لا توجد خوارزمية متطورة بما يكفي لعكس العملية واستعادة الإيقاع الحقيقي الأساسي. وفي المقابل، فإن اختيار معدل صحيح يمنح كل أداة تالية لوحة نظيفة وموثوقة للعمل عليها.
توضح دراسة تصنيف المشاعر لعام 2010 ما يمكن تحقيقه على تلك اللوحة النظيفة. باستخدام تصنيف الجار الأقرب (K-Nearest Neighbor) على الميزات المستخرجة من خلال DWT، حقق الباحثون معدل دقة قدره 83.26% في التمييز بين الحالات العاطفية مثل الاشمئزاز، والسعادة، والمفاجأة، والخوف، والاستجابات المحايدة. تعتمد هذه النتيجة على فصل إيقاعات ألفا، وبيتا، وغاما بشكل صحيح عن بعضها البعض أثناء عملية التفكيك، وهو فصل لا يمكن تحقيقه إلا إذا تم رقمنة تلك النطاقات دون خلط الترددات في المقام الأول.
علاوة على ذلك، يعزز إطار الكشف عن النوبات نفس النقطة من زاوية مختلفة. وأشار مؤلفوه إلى أن اختيارهم الأمثل لنطاقات التردد والميزات أدى إلى القضاء على حوالي 40% من المعلومات الزائدة، مما أدى إلى تبسيط التحليل دون التضحية بالدقة التي تزيد عن 90%.
هذا النوع من التقليم الذكي لا يعمل إلا عندما تكون المعلومات المتبقية حقيقية. إن إزالة الزوائد من إشارة متعرجة لن يبسط أي شيء ذي معنى. بل سيؤدي فقط إلى التخلص من بعض الضوضاء بكفاءة مع ترك ضوضاء أخرى وراءه، نظرًا لأن محتوى التردد التالف لا يمكن تمييزه بالفعل عن النشاط الدماغي المشروع.
وتحمل نتيجة تشخيص ألزهايمر الرسالة الأكثر وضوحًا على الإطلاق. حيث وصل مصنف بسيط نسبيًا، KNN، إلى دقة 99.98% باستخدام ميزات مستمدة من نطاقات فرعية للمويجات تم تفكيكها بشكل صحيح. تظهر هذه النتيجة أنه عندما يكون الأساس الذي يقوم عليه التحليل متينًا، فإن طرق التصنيف البسيطة يمكن أن تؤدي أداءً بمستوى عالٍ بشكل ملحوظ.
كما أنها تحمل دلالة عكسية. لا يمكن لأي قدر من التحسين الخوارزمي اللاحق، سواء من خلال الشبكات العصبية المتقدمة أو هندسة الميزات الشاملة، أن يعوض عن عملية رقمنة أخطأت في الأساسيات.
لماذا تبدأ بيانات الدماغ الموثوقة بدرع غير مرئي
تعد معالجة الإشارات المنفصلة بمثابة العمود الفقري غير المرئي للتكنولوجيا الحديثة، مما يتيح الإدارة والتفسير الفعال للبيانات الرقمية عبر جميع القطاعات العلمية والتجارية تقريبًا. من خلال إتقان مبادئ أخذ العينات والترشيح والتحويل، يمكن للباحثين والمهندسين الاستمرار في دفع حدود ما هو ممكن في مجالات مثل تخطيط كهربية الدماغ الرقمي إلى شبكات الاتصالات اللاسلكية العالمية.
المراجع
Murugappan, M., Ramachandran, N., & Sazali, Y. (2010). Classification of human emotion from EEG using discrete wavelet transform. Journal of biomedical science and engineering, 3(4), 390-396. http://dx.doi.org/10.4236/jbise.2010.34054
Chen, D., Wan, S., Xiang, J., & Bao, F. S. (2017). A high-performance seizure detection algorithm based on Discrete Wavelet Transform (DWT) and EEG. PloS one, 12(3), e0173138. https://doi.org/10.1371/journal.pone.0173138
AlSharabi, K., Salamah, Y. B., Abdurraqeeb, A. M., Aljalal, M., & Alturki, F. A. (2022). EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches. IEEE Access, 10, 89781-89797.
Shukla, S., Roy, V., & Prakash, A. (2020, April). Wavelet based empirical approach to mitigate the effect of motion artifacts from EEG signal. In 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT) (pp. 323-326). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761
Chiang, H. S., Chen, M. Y., & Huang, Y. J. (2019). Wavelet-based EEG processing for epilepsy detection using fuzzy entropy and associative petri net. Ieee Access, 7, 103255-103262. https://doi.org/10.1109/ACCESS.2019.2929266
الأسئلة الشائعة
ما هو الفرق بين المعالجة التناظرية والرقمية؟
تتضمن المعالجة التناظرية مستويات مستمرة من الجهد أو التيار، بينما تستخدم المعالجة الرقمية سلسلة من الأرقام لتمثيل البيانات، مما يسمح بتحكم وتخزين أكثر دقة.
كيف يعمل المرشح الرقمي؟
يستخدم المرشح الرقمي خوارزميات رياضية لحساب تسلسل جديد من تسلسل الإدخال، عن طريق قياس أو تأخير ترددات محددة بشكل انتقائي للسماح للمكونات المطلوبة بالمرور.
ما هو معيار نايكست ولماذا هو أساسي لرقمنة EEG؟
يتطلب معيار نايكست أخذ عينات بمعدل يزيد عن ضعف أعلى تردد موجود في إشارات EEG لمنع تشويه التردد. وهو أمر أساسي لأن انتهاك هذه القاعدة يسبب التعرج، حيث يتم تسجيل موجات الدماغ السريعة بشكل خاطئ على أنها بطيئة، مما يؤدي إلى تلف البيانات بشكل دائم ويجعل التحليل الدقيق مستحيلاً.
ما هو التعرج (aliasing) ولماذا لا يمكن تصحيحه بعد أخذ العينات؟
التعرج هو خطأ في أخذ العينات حيث يتم تسجيل الإشارات عالية التردد بشكل خاطئ كمكونات ذات تردد أقل. وبمجرد حدوثه، تختلط معلومات الإشارة السريعة الأصلية بشكل لا يمكن استرداده في نطاقات تردد أخرى، لذلك لا يمكن لأي تقنية رياضية إلغاء هذا التشويه.
كيف يحمي مرشح مانع التعرج إشارة EEG؟
مرشح مانع التعرج هو مرشح تناظري لتمرير الترددات المنخفضة يتم وضعه قبل المحول التناظري الرقمي لإزالة الترددات التي تتجاوز حد نايكست. من خلال تجريد محتوى التردد العالي قبل أخذ العينات، يمنع حدوث التعرج تمامًا ويحافظ على سلامة إشارة الدماغ.
لماذا يهم عمق البت عند تحويل جهود الدماغ إلى أرقام رقمية؟
يحدد عمق البت دقة كل قياس للجهد من خلال تحديد عدد الخطوات المنفصلة المتاحة لتمثيل سعة الإشارة. يلتقط عمق البت الأكثر دقة تغيرات السعة الطفيفة التي تعد بالغة الأهمية للخوارزميات التي تعتمد على ميزات مثل الفوضى أو التباين للتمييز بين حالات الدماغ.
ماذا يحدث إذا تم أخذ عينات من EEG بمعدل منخفض للغاية؟
إذا كان معدل أخذ العينات منخفضًا جدًا، يحدث التعرج، مما يؤدي إلى تسجيل النشاط عالي التردد (مثل ضوضاء العضلات أو إيقاعات الدماغ السريعة) بشكل خاطئ كموجات دماغية أبطأ. يؤدي هذا إلى تلوث الإشارة الرقمية بشكل دائم، وبالتالي ستعتمد التحليلات اللاحقة على بيانات تالفة بدلاً من نشاط الدماغ الحقيقي.
لماذا يعتبر التعرج شكلاً دائمًا من أشكال تلف البيانات؟
يؤدي التعرج إلى تلف البيانات بشكل دائم لأنه يحول الإشارات عالية التردد إلى تمثيلات زائفة منخفضة التردد، وتضيع معلومات التردد العالي الأصلية بشكل لا يمكن استرداده. لا يمكن لأي خوارزمية لاحقة التمييز بين الضوضاء المتعرجة ونشاط الدماغ المشروع، حيث يتم ترميز الاثنين بشكل متطابق في الإشارة المسجلة.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
