يمكن لتحويل فورييه الأساسي، وهو الأداة الرياضية الكلاسيكية لتفكيك الإشارة إلى تردداتها المكونة، أن يخبرك بأي إيقاعات الدماغ كانت موجودة في مكان ما عبر تسجيل كامل. ما لا يمكنه إخبارك به هو متى حدثت. إن دفقاً قصيراً من نشاط ألفا يظهر في اللحظة التي يغلق فيها شخص ما عينيه هو حدث ذو مغزى ومرتبط بالوقت.
عند دمجه في متوسط ملخص تردد واحد يمتد لتسجيل مدته عشر دقائق، يصبح هذا الدفق مجرد إحصائية لا يمكن تمييزها عن الضوضاء الخلفية. إن استعادة توقيت هذه الأحداث هي نقطة البداية لأي بحث جاد في تخطيط كهربية الدماغ (EEG)، وهي المشكلة الدقيقة التي تم تصميم تحويل فورييه قصير المدى (STFT) لحلها.
مشكلة تحويل فورييه القياسي
يُعد تحويل فورييه القياسي ركيزة أساسية في معالجة الإشارات الكلاسيكية لأنه يُحلل الإشارات المعقدة بفعالية إلى مجموع موجات جيبية نقية. ومن خلال التكامل عبر زمن لانهائي، يكشف عن إجمالي المحتوى الترددي الموجود في التسجيل.
ومع ذلك، تفترض هذه الطريقة أن الإشارة مستقرة؛ وإذا تغير التركيب الترددي بمرور الوقت، فإن المخرجات المعتادة تحجب التسلسل الزمني. هذا القصور يجعل من المستحيل التمييز بين حدث قصير ومفاجئ ونغمة توافقية مستمرة، وهو أمر بالغ الأهمية في مجالات مثل علم الأعصاب.
ما هو تحويل فورييه قصير المدى في تحليل تخطيط كهربية الدماغ (EEG)
يتعامل تحويل فورييه قصير المدى (STFT) مع مشكلة التوقيت باستراتيجية مباشرة إلى حد ما. فبدلاً من تطبيق تحويل فورييه على تسجيل EEG بالكامل دفعة واحدة، يقوم بتقسيم الإشارة إلى مقاطع قصيرة ومتتالية، تُعرف غالبًا باسم النوافذ، ويُطبق تحويل فورييه بشكل منفصل على كل منها. وتُنتج كل نافذة لقطة ترددية مصغرة خاصة بها، ويؤدي تجميع هذه اللقطات معًا بالتسلسل إلى إنشاء صورة متحركة لكيفية تغير المحتوى الترددي بمرور الوقت.
عادةً ما تُعرض مخرجات هذه العملية في شكل مخطط طيفي (spectrogram)، وهو خريطة بصرية يمتد فيها الوقت على أحد المحاور والتردد على المحور الآخر. ويمثل اللون أو الشدة عند أي نقطة معينة على هذه الخريطة قدرة هذا التردد، أو قوته، في تلك اللحظة. وهذه تحديدًا هي القيمة التي صُمم تحليل STFT لتقديمها.
وكما يوضح Zabidi وآخرون، فإن تحليل STFT يعمل على "الكشف عن المحتويات الترددية لإشارات تخطيط كهربية الدماغ (EEG) عند كل نقطة زمنية".
لماذا يُعد طول النافذة أهم إعداد في STFT
يبدو تقسيم الإشارة إلى نوافذ أمرًا بسيطًا، لكن الطول المختار لكل نافذة يحدد كل شيء تقريبًا بشأن جودة ودقة المخطط الطيفي الناتج. ينطوي هذا القرار على مفاضلة لا يمكن تجنبها، بل يمكن إدارتها فقط.
فكر في الأمر على هذا النحو: تعمل النافذة الطويلة كمسطرة تردد دقيقة ولكنها كساعة توقيت غير واضحة. ولأنها تحتوي على نقاط بيانات أكثر، يمكن للنافذة الطويلة التمييز بين الترددات المتقاربة بدقة حقيقية. ولكن نظرًا لأنها تمتد عبر فترة زمنية أطول، فإن أي حدث يقع داخل تلك النافذة يصبح مشوشًا، وتفقد القدرة على تحديد وقت حدوث التغيير بدقة.
أما النافذة القصيرة فتعكس هذه المفاضلة؛ فهي تعمل كساعة توقيت دقيقة ولكن كمسطرة تردد غير واضحة. يمكنها أن تخبرك بدقة متناهية متى حدث شيء ما، لكنها تجد صعوبة في فصل الترددات المتقاربة، لأن شريحة قصيرة من الإشارة ببساطة لا تحتوي على عدد كافٍ من دورات التذبذب لقياس التردد بتفاصيل دقيقة.
هذا شكل من أشكال مبدأ عدم اليقين الذي يحكم جميع عمليات التحليل الزمني الترددي: لا يمكنك تحقيق دقة مثالية في كل من الوقت والتردد في نفس اللحظة. فتحسين أحدهما يأتي دائمًا على حساب الآخر. ويُعد إدراك هذه المفاضلة، بدلاً من محاولة التغلب عليها، هو المهارة الأساسية للعمل مع STFT.
ولأن إيقاعات EEG المختلفة تتذبذب بسرعات متباينة للغاية، فلا يوجد طول نافذة واحد يعمل جيدًا مع جميعها. وتُعد الإرشادات التالية قواعد عملية استرشادية أولية مستمدة من السلوك المعتاد لهذه الإيقاعات:
موجات دلتا (حوالي 0.5 إلى 4 هرتز): هذه هي أبطأ إيقاعات الدماغ، ويجب أن تكون النافذة طويلة بما يكفي، غالبًا في نطاق 1 إلى 2 ثانية، لالتقاط دورة كاملة واحدة على الأقل لأبطأ موجة يجري قياسها. ببساطة، لن تحتوي النافذة الأقصر على جزء كافٍ من الموجة لتوصيفها.
إيقاعات ثيتا وألفا (حوالي 4 إلى 13 هرتز): تميل النافذة المتوسطة، غالبًا حوالي 500 مللي ثانية، إلى تحقيق توازن عملي. فهي طويلة بما يكفي لالتقاط عدة دورات تذبذب، مما يساعد على تحديد الإيقاع بوضوح، مع بقائها قصيرة بما يكفي لتتبع التغييرات ذات المغزى، مثل بدء تدفق موجات ألفا عند إغلاق العينين.
إيقاعات بيتا وغاما (أعلى من 13 هرتز تقريبًا): تتحرك هذه الإيقاعات الأسرع بسرعة كبيرة، لذا تصبح النافذة القصيرة، غالبًا 250 مللي ثانية أو أقل، ضرورية لتتبع ديناميكياتها السريعة. وتكون التكلفة هنا انخفاض القدرة على التمييز بدقة بين الترددات المتقاربة ضمن نطاق غاما الأعلى، وهي نتيجة مباشرة لنفس المفاضلة الموضحة أعلاه.
كيف يكشف STFT عن الاختلافات بين الحركة الحقيقية والمتخيلة
تتضح القيمة العملية لـ STFT بأكبر قدر في أبحاث واجهات الدماغ والحاسوب (BCI)، حيث الهدف هو ترجمة نشاط الدماغ مباشرة إلى إشارات تحكم لجهاز ما.
يتضمن أحد الأمثلة المدروسة جيدًا مقارنة تخطيط كهربية الدماغ (EEG) المسجل أثناء تخيل شخص تحريك يده مقابل التسجيل أثناء تخيل حركة القدم، أو مقارنة الإجراءات المتخيلة بالنسخة الجسدية الحقيقية من ذلك الإجراء.
في هذه النماذج المرتبطة بالحركة، يكون الهدف الشائع للتحليل ظاهرة تسمى إزالة التزامن المرتبطة بالحدث (event-related desynchronization)، أو ERD، وهي انخفاض في قدرة الإشارة ضمن نطاقات إيقاع "مو" وبيتا فوق مناطق الدماغ المرتبطة بالحركة. ولأن ERD هو انخفاض محدد ومقترن زمنيًا في القدرة وليس ميزة خلفية ثابتة، فهو بالضبط نوع الحدث الذي من شأنه أن يمحوه ملخص التردد للتسجيل الكامل، بينما يمكن للمخطط الطيفي ذي الدقة الزمنية التقاطه.
فحصت دراسة بحثية أجراها Zabidi وآخرون، والتي طبقت STFT مباشرة على هذا التساؤل، إشارات EEG المجمعة أثناء الكتابة اليدوية الفعلية وأثناء الكتابة اليدوية المتخيلة. تم تمرير الإشارة أولاً عبر مرشح تمرير نطاقي يقصر التحليل على نطاق 8 إلى 30 هرتز، مغطيًا إيقاعات ألفا وبيتا الأكثر صلة بالنشاط الحركي، قبل حساب STFT باستخدام نافذة هامينغ مضبوطة بدقة.
كانت النتيجة اكتشافًا مباشرًا ومحددًا: "المكونات الترددية لإشارات EEG التي تم الحصول عليها من الكتابة هي نفسها التي تم الحصول عليها أثناء الكتابة المتخيلة".
من الناحية العملية، كان نمط الإيقاع الكهربائي للدماغ أثناء الإجراء المتخيل يشبه إلى حد كبير النمط أثناء الإجراء الجسدي الحقيقي، وهو ارتباط يشكل أساس الكثير من المنطق وراء أنظمة BCI التي تهدف إلى اكتشاف الحركة المقصودة دون الحاجة إلى أي حركة جسدية فعلية.
استخدام STFT لإنشاء صور لنماذج التعلم العميق
إلى جانب الفحص البصري، وجدت المخططات الطيفية الناتجة عن STFT حياة ثانية كخطوة معالجة مسبقة تغذي أنظمة التعلم العميق، وتحديدًا الشبكات العصبية الالتفافية (CNNs)، وهي نوع من النماذج صُمم أصلاً للتعرف على الأنماط في الصور. ونظرًا لأن المخطط الطيفي هو في الأساس صورة ملونة تُظهر القدرة عبر الوقت والتردد، يعتقد الباحثون أنه يمكن تسليمه مباشرة إلى نموذج تعلم عميق قائم على الصور، والذي قد يكتشف بعد ذلك بنية خفية في البيانات يصعب تحديدها يدويًا.
حولت دراسة أجريت عام 2019 تسجيلات EEG من مهمة تخيل حركي، تميز بين حركة اليد اليمنى وحركة القدم اليمنى، إلى صور باستخدام كل من STFT ونهج زمني ترددي بديل، ثم قامت بتغذية كلا المجموعتين من الصور في بنية CNN مدربة مسبقًا.
كان الأداء عبر كلا النهجين قويًا، حيث وصل المسار الإجمالي إلى دقة تصنيف بلغت 99.35%، والتي وُصفت بأنها أفضل نتيجة بين الطرق المماثلة الحالية. ومع ذلك، عندما تمت مقارنة طريقتي إنشاء الصور مباشرة مع بعضهما البعض داخل نفس الدراسة، لم تكن النتائج متساوية: "يحقق نهج CWT نتائج أفضل من نهج STFT"، مما يشير إلى مفاضلة حقيقية وملموسة في مدى دقة ترجمة كل طريقة لإشارة EEG الأساسية إلى صورة قابلة للاستخدام.
أفادت التقارير بأن هذه المفاضلة كانت المشكلة الدافعة وراء تطوير منهجي منفصل. فقد طور باحثون ما أسموه anchored-STFT، والذي وُصف بأنه "نسخة متقدمة من STFT، حيث إنه يقلل من المفاضلة بين الدقة الزمنية والطيفية التي يقدمها STFT".
بالاقتران مع طريقة تعزيز البيانات التنافسية، سجل هذا المسار المعزز دقة تصنيف تراوحت بين حوالي 69% إلى أكثر من 90% عبر العديد من مجموعات بيانات BCI، مما يعزز النمط القائل بأن STFT العادي يمكن أن يعمل كأداة استخراج ميزات قادرة حقًا، ولكن قيود الدقة المعروفة فيه تترك مجالاً للتحسين، سواء من خلال ضبط المعلمات، أو إصدار معزز من التقنية نفسها، أو نهج زمني ترددي مختلف تمامًا.
كيف تُطبق الأبحاث تحويل فورييه قصير المدى على تصنيف التخيل الحركي
تنقل إحدى الدراسات الحديثة تحويل فورييه قصير المدى إلى ما بعد مرحلة التصور البصري وإلى مسار تصنيف عملي. وكما هو الحال مع العمل السابق الموضح أعلاه، فإن نقطة البداية هي مهمة تخيل حركي، حيث يتخيل الشخص تحريك يد بدلاً من تحريكها جسديًا.
يصف المؤلفون إطار عمل يسمونه AMD-KT2D، مبنيًا على ما يطلقون عليه اسم تحويل فورييه قصير المدى المحسّن. فبدلاً من الالتزام بإعداد نافذة ثابتة واحدة، يقوم هذا البديل بضبط دالة النوافذ والدقة الزمنية الترددية معًا، بهدف معلن يتمثل في الحفاظ على الميزات الزمنية والمكانية الديناميكية التي قد يؤدي التكوين الثابت إلى تشويهها أو فقدانها.
يتم بعد ذلك تمرير الصور الزمنية الترددية ثنائية الأبعاد الناتجة إلى بنية "المتعلم الدليل" (guide-learner): حيث يستخرج نموذج ResNet50 المحسّن، والمدرب مسبقًا على مجموعة بيانات واسعة النطاق، ميزات مكانية زمنية عالية المستوى، بينما تلتقط شبكة عصبية ألتفافية مخصصة ثنائية الأبعاد ميزات متعددة المقاييس. وتُستخدم دالة خسارة Adaptive Margin Disparity Discrepancy لتقليل التفاوت بين الاثنين ومحاذاة ميزاتهما.
تم جمع تسجيلات EEG لمهمة التخيل الحركي لليد اليسرى مقابل اليد اليمنى باستخدام نظام Emotiv Flex. وفي مجموعة البيانات هذه، أفادت التقارير بأن مصنف التخيل الحركي الهجين حقق دقة بلغت 96.75% في بيئة تعتمد على الشخص (subject-dependent) و92.17% في بيئة مستقلة عن الشخص (subject-independent). والفجوة بين هذين الرقمين جديرة بالملاحظة: فالأداء الذي يُقاس داخل نفس الفرد لا ينتقل تلقائيًا إلى شخص لم يتم تدريب النموذج عليه.
عند النظر إلى هذه الدراسة جنبًا إلى جنب مع الأعمال الأخرى التي نوقشت في هذه المقالة، فإنها تشير إلى أن المخططات الطيفية التي يُنشئها تحويل فورييه قصير المدى تُعد مدخلاً قابلاً للتطبيق لنماذج التعلم العميق التي تهدف إلى فك تشفير التخيل الحركي. وما لم تثبته هذه المجموعة من الأبحاث بعد هو قابلية التعميم. فهذه دراسة واحدة، على مجموعة بيانات واحدة، مع أرقام دقة مرتبطة بمهمة واحدة ومجموعة واحدة من المشاركين، والطريقة كما وردت تعتمد على نسخة معدلة من التحويل بدلاً من الشكل القياسي.
يجب قراءة هذه النتائج على أنها واعدة ضمن بيئتها الخاصة، وليست كأداء نهائي ثابت للواجهات القائمة على تخطيط كهربية الدماغ (EEG) بشكل أعم.
عندما يقصر STFT: مشكلة الدقة الثابتة
تُعد المفاضلة التي نوقشت أعلاه القيد المركزي الذي يحتاج أي باحث يستخدم STFT إلى وزنه بشكل نقدي قبل استخلاص النتائج من المخطط الطيفي.
بمجرد اختيار طول النافذة، ولنقل 500 مللي ثانية، يتم تطبيق نفس النافذة بشكل موحد عبر طيف التردد بأكمله الذي يتم تحليله، سواء كان الباحث ينظر إلى نشاط دلتا البطيء عند 2 هرتز أو نشاط غاما السريع عند 100 هرتز. النافذة لا تعدل نفسها تلقائيًا. ويتم تثبيت المفاضلة بين الوقت والتردد الموضحة سابقًا عند إعداد واحد للتحليل بأكمله، على الرغم من أن الإيقاعات المختلفة ستستفيد بشكل مثالي من إعدادات مختلفة.
هذه الطبيعة الثابتة هي بالضبط ما يميز STFT عن فئة من التقنيات التكيفية، مثل الطرق القائمة على المويجات (wavelet). فبدلاً من التقيد بحجم نافذة واحد لكل تردد، تستخدم الطرق التكيفية بشكل فعال نوافذ أطول للترددات المنخفضة ونوافذ أقصر للترددات الأعلى، مع ضبط الدقة حسب الحاجة ضمن تحليل واحد بدلاً من الالتزام بحل وسط واحد للإشارة بأكملها.
على سبيل المثال، أفادت دراسة قادها Wang وآخرون لتطوير طريقة زمنية ترددية تكيفية بأن نهجها "يمكن أن يوفر دقة زمنية ترددية مثالية مقارنة بـ STFT وCWT"، مشيرة صراحة إلى STFT باعتباره المعيار الأساسي الذي تم التفوق عليه.
وفي تطبيق سريري منفصل يتنبأ بنتائج علاج مضادات الاكتئاب في الاضطراب الاكتئابي الجسيم من بيانات EEG السابقة للعلاج، قارن باحثون نهجًا قائمًا على المويجات مباشرة بـ STFT وطريقة تفكيك أخرى، وأفادوا بأن "تحليل WT أظهر أعلى دقة تصنيف" بين التقنيات المقارنة، حيث وصل إلى دقة 87.5% مقارنة بالبدائل.
خطوات عمل تفصيلية لإنشاء مخطط طيفي لـ EEG وتقييمه
بالنظر إلى نقاط القوة والقيود هذه، يساعد مسار العمل المنضبط على ضمان تطبيق STFT بشكل مناسب وتفسير مخرجاته بنزاهة.
الخطوة 1: حدد التساؤل قبل لمس البيانات. هل الهدف هو اكتشاف تدفق سريع وقصير لموجات غاما، أم تتبع انحراف بطيء في قدرة دلتا على مدى دقائق؟ تحدد الإجابة أي طرفي المفاضلة في طول النافذة هو الأكثر أهمية.
الخطوة 2: حدد طول النافذة الأولي المتوافق مع الإيقاع المستهدف. استخدم الإرشادات العملية المذكورة أعلاه كنقطة انطلاق، نوافذ أطول لدلتا، ونوافذ متوسطة لثيتا وألفا، ونوافذ أقصر لبيتا وغاما. ادمج هذا مع مخطط نوافذ متداخلة، عادة ما يتراوح التداخل بين 50% و90% بين النوافذ المتتالية، مما ينعم المخطط الطيفي الناتج ويقلل من ظهور الفجوات الاصطناعية بين الشرائح الزمنية.
الخطوة 3: أنشئ المخطط الطيفي وافحصه بعين ناقدة. هل يُظهر طول النافذة المختار بداية واضحة وحادة لإيقاع سريع محل اهتمام، أم يبدو الحدث مشوشًا عبر فترة زمنية أوسع مما ينبغي؟ هل يمكن للمخطط الطيفي أن يميز بوضوح بين ذروة ألفا وذروة ثيتا المجاورة، أم يتداخل الإيقاعان مع بعضهما البعض؟ هذه الفحوصات البصرية هي اختبار مباشر وعملي لمعرفة ما إذا كان طول النافذة المختار مناسبًا للبيانات.
الخطوة 4: تعامل مع النتيجة كرؤية واحدة من بين عدة رؤى محتملة، وليس كحكم نهائي. قد تعكس النتيجة السلبية، مثل عدم وجود فرق قابل للقياس في موجات غاما بين مجموعتين تجريبيتين، غيابًا حقيقيًا للتأثير، أو قد تعكس ببساطة حدود الدقة لنافذة STFT المحددة المختارة. والخطوة التالية المعقولة لتأكيد نتيجة غامضة أو مهمة هي إعادة تحليل نفس البيانات باستخدام طريقة تكيفية كفحص تحقق متبادل.
لماذا يفتح تتبع وقت إطلاق إيقاعات الدماغ آفاقًا جديدة
نشاط الدماغ هو تسلسل من الأحداث الموقوتة، واستعادة هذا التوقيت يحول التسجيل المسطح إلى سرد في الوقت الفعلي للحالات العقلية المتغيرة. ومن خلال الانتقال من ملخص ترددي واحد إلى خريطة لحظة بلحظة، يمكن للباحثين ربط أفكار أو نوايا أو أحاسيس محددة مباشرة بإيقاعات الدماغ المصاحبة لها. هذا التحول هو ما يحول تخطيط كهربية الدماغ (EEG) من قياس ثابت إلى أداة يمكنها دعم واجهات الدماغ والحاسوب وتغذية نماذج التعلم العميق التي تتعلم التعرف على الأنماط العقلية.
تحمل المفاضلة الناتجة عن الدقة الثابتة لهذه الطريقة درسًا أوسع: كل خيار تحليلي يسلط الضوء على بعض الحقائق بينما قد يحجب حقائق أخرى، لذلك لا توجد نتيجة واحدة تروي القصة بأكملها. وهذا يستدعي إجراء فحص متبادل مع مناهج أخرى عندما تكون النتائج ذات أهمية، ويعزز فكرة أن الأنماط الكهربائية للدماغ—مثل التطابق الوثيق الذي يظهر بين الحركة المتخيلة والحركية الفعلية—متعددة الطبقات بعمق. يدعم هذا التشابه الأساسي فكرة أن الدماغ يتدرب على الإجراءات باستخدام العديد من نفس السمات الإيقاعية التي يستخدمها لتنفيذها.
المراجع
Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284
Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645
Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w
Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109
Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409
الأسئلة الشائعة
ما هو تحويل فورييه قصير المدى في تحليل تخطيط كهربية الدماغ (EEG)؟
يقوم تحويل فورييه قصير المدى (STFT) بتقسيم إشارة EEG الخام إلى نوافذ زمنية قصيرة ومتتالية ويحسب طيف التردد لكل منها. ويؤدي تجميع هذه اللقطات بالترتيب إلى إنشاء صورة متحركة تُسمى المخطط الطيفي (spectrogram)، والتي تُظهر كيف تتغير قدرة إيقاعات الدماغ المختلفة من لحظة إلى أخرى.
لماذا لا يمكنني استخدام تحويل فورييه العادي فقط على تسجيل EEG؟
يقوم تحويل فورييه الأساسي بتفكيك التسجيل بأكمله إلى تردداته المكونة ولكنه يمحو جميع معلومات التوقيت، بحيث تعرف الإيقاعات التي كانت موجودة بشكل عام ولكن ليس وقت ظهورها. يستعيد STFT هذا التوقيت عن طريق تحليل المقاطع القصيرة بشكل منفصل، مما يتيح لك رؤية متى حدث تدفق ألفا أو انخفاض في قدرة بيتا بالفعل.
ماذا يُظهر المخطط الطيفي؟
المخطط الطيفي هو خريطة بصرية يمثل الوقت أحد محاورها، والتردد المحور الآخر، ويمثل اللون أو السطوع قدرة كل تردد في تلك اللحظة. إنه يحول تخطيط كهربية الدماغ (EEG) من ملخص مسطح إلى ما يشبه النوتة الموسيقية للنشاط الكهربائي للدماغ.
لماذا يُعد طول النافذة مهمًا إلى هذا الحد؟
توفر النوافذ الأطول معلومات ترددية دقيقة ولكنها تشوش التوقيت الدقيق للأحداث، بينما تحدد النوافذ الأقصر التوقيت جيدًا ولكنها تدمج الترددات المتقاربة معًا. هذه المفاضلة التي لا مفر منها تعني أن اختيار طول النافذة يحدد بشكل مباشر ما يمكن أن يكشفه المخطط الطيفي وما سيخفيه.
ما هي أطوال النوافذ التي تُعد نقطة انطلاق جيدة لإيقاعات الدماغ المختلفة؟
بالنسبة لإيقاعات دلتا البطيئة جدًا، يلزم وجود نافذة أطول تتراوح بين ثانية وثانيتين لالتقاط دورات كاملة. وغالبًا ما تكون النافذة التي تبلغ حوالي نصف ثانية مناسبة لإيقاعات ثيتا وألفا، بينما تتطلب إيقاعات بيتا وغاما الأسرع نوافذ أقصر تبلغ حوالي ربع ثانية أو أقل لتتبع تغيراتها السريعة.
كيف يمكن لـ STFT أن يكشف عن أوجه التشابه بين الحركة الحقيقية والمتخيلة؟
يلتقط STFT انخفاضات في القدرة مقترنة زمنيًا تُسمى إزالة التزامن المرتبطة بالحدث في نطاقي "مو" وبيتا، والتي تحدث عندما يتحرك الشخص وعندما يتخيل عقليًا نفس الحركة. يمكن أن تُظهر المخططات الطيفية للمهام الحركية الحقيقية والمتخيلة أنماط تردد متطابقة تقريبًا، مما يدعم المنطق الكامن وراء واجهات الدماغ والحاسوب.
هل يمكن استخدام STFT مع نماذج التعلم العميق؟
نعم، يمكن تغذية صور المخطط الطيفي التي يُنشئها STFT مباشرة في الشبكات العصبية الالتفافية المصممة للتعرف على الصور. يمكن لهذه النماذج أن تتعلم التمييز بين حالات الدماغ من الأنماط الزمنية الترددية، وغالبًا ما تحقق دقة تصنيف عالية جدًا في مهام مثل الكشف عن التخيل الحركي.
ما هو القيد الرئيسي لـ STFT مقارنة بالطرق الزمنية الترددية الأخرى؟
يتقيد STFT بحجم نافذة واحد لجميع الترددات، مما يعني أنه لا يمكنه إعطاء تفاصيل زمنية حادة للدفقات السريعة وتفاصيل ترددية دقيقة للموجات البطيئة في نفس الوقت. وتغير التقنيات التكيفية مثل المويجات (wavelets) طول النافذة الفعلي مع التردد، مما يؤدي غالبًا إلى دقة أفضل وأداء تصنيف أعلى في المقارنات المباشرة.
ما هو النهج المرحلي الجيد عند استخدام STFT على بيانات EEG؟
ابدأ بمطابقة طول النافذة الأولي مع الإيقاع الذي تهتم به، واستخدم نوافذ متداخلة لتنعيم المخطط الطيفي، وافحص النتيجة لمعرفة ما إذا كانت الأحداث تبدو محددة التوقيت بحدة أم مشوشة. وإذا كانت النتيجة حرجة، ففكر في إجراء فحص متبادل للبيانات باستخدام طريقة تكيفية لأن إعداد STFT الفردي قد يفضل نوعًا واحدًا فقط من الدقة.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
إخلاء مسؤولية طبي: المعلومات المقدمة على هذا الموقع هي لأغراض تعليمية وإعلامية فقط ولا يُقصد بها أن تكون نصيحة طبية أو صحية. قد يحتوي هذا المحتوى على أخطاء ولا ينبغي الاعتماد عليه لاتخاذ قرارات صحية أو طبية أو نمط حياة تغير مجرى الحياة. احرص دائمًا على استشارة طبيبك أو أي مقدم رعاية صحية مؤهل آخر بشأن أي أسئلة قد تكون لديك بخصوص أي حالة طبية أو علاج.
كريستيان بورغوس




