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.
المشكلة في تحويل فورييه القياسي
يُعد تحويل فورييه القياسي ركيزة أساسية في معالجة الإشارات الكلاسيكية لأنه يفكك الإشارات المعقدة بشكل فعال إلى مجموع جيبية نقية. ومن خلال التكامل على مدى زمن لانهائي، فإنه يكشف عن المحتوى الترددي الكلي الموجود في التسجيل.
ومع ذلك، تفترض هذه الطريقة أن الإشارة ثابتة؛ فإذا تغير التركيب الترددي بمرور الوقت، فإن المخرجات النموذجية تحجب التتابع الزمني. وهذا القصور يجعل من المستحيل التمييز بين حدث قصير ومفاجئ وتوافق مستمر، وهو أمر حيوي في مجالات مثل علم الأعصاب.
ما هو تحويل فورييه قصير المدى في تحليل تخطيط أمواج الدماغ (EEG)
يتعامل STFT مع مشكلة التوقيت باستراتيجية مباشرة إلى حد ما. فبدلاً من تشغيل تحويل فورييه على تسجيل EEG كامل دفعة واحدة، يقوم بتقسيم الإشارة إلى أجزاء قصيرة متتالية، تسمى غالباً النوافذ، ويطبق تحويل فورييه بشكل منفصل على كل منها. وتنتج كل نافذة لقطة ترددية مصغرة خاصة بها، ويؤدي تجميع هذه اللقطات معاً في تتابع إلى إنشاء صورة متحركة لكيفية تغير محتوى التردد بمرور الوقت.
وعادة ما يتم عرض مخرجات هذه العملية في شكل مخطط طيفي (spectrogram)، وهو عبارة عن خريطة مرئية يمتد الوقت على أحد محاورها والتردد على المحور الآخر. ويمثل اللون أو الكثافة في أي نقطة معينة على هذه الخريطة قوة أو شدة ذلك التردد في تلك اللحظة. وهذا هو بالضبط القيمة التي تم تصميم تحليل STFT لتقديمها.
وكما يوضح Zabidi et al.، فإن تحليل STFT يعمل على "الكشف عن محتويات التردد لإشارات EEG في كل نقطة زمنية".
لماذا يعتبر طول النافذة هو الإعداد الأهم في STFT
قد يبدو تقسيم الإشارة إلى نوافذ أمراً بسيطاً، ولكن الطول المختار لكل نافذة يحدد كل شيء تقريباً بشأن جودة ومصداقية المخطط الطيفي الناتج. وينطوي هذا القرار على مقايضة لا يمكن تجنبها، بل يمكن إدارتها فقط.
فكر في الأمر على هذا النحو: تعمل النافذة الطويلة كمسطرة تردد دقيقة ولكن كمساعة إيقاف غير واضحة. ولأنها تحتوي على نقاط بيانات أكثر، يمكن للنافذة الطويلة التمييز بين الترددات المتقاربة بدقة حقيقية. ولكن لأنها تمتد عبر فترة زمنية أطول، فإن أي حدث يقع داخل تلك النافذة يتلاشى وضوحه، وتفقد القدرة على تحديد وقت تغير شيء ما بدقة.
وتعكس النافذة القصيرة هذه المقايضة. فهي تعمل كمساعة إيقاف دقيقة ولكن كمسطرة تردد غير واضحة. ويمكنها أن تخبرك بدقة تقريباً متى حدث شيء ما، ولكنها تواجه صعوبة في فصل الترددات المتقاربة من بعضها البعض، لأن شريحة قصيرة من الإشارة ببساطة لا تحتوي على دورات تذبذب كافية لقياس التردد بتفاصيل دقيقة.
هذا إصدار من مبدأ عدم اليقين الذي يحكم جميع عمليات تحليل التردد الزمني: لا يمكنك تحقيق دقة مثالية في كل من الوقت والتردد في نفس اللحظة. وإن تحسين أحدهما يأتي دائماً على حساب الآخر. وإن إدراك هذه المقايضة، بدلاً من محاولة التغلب عليها، هو المهارة الأساسية للعمل مع STFT.
ونظراً لأن إيقاعات EEG المختلفة تتذبذب بسرعات مختلفة تماماً، فلا يوجد طول نافذة واحد يعمل بشكل جيد مع جميعها. والمبادئ التوجيهية التالية هي قيم تقريبية عملية أولية مستمدة من كيفية تصرف هذه الإيقاعات عادةً:
موجات دلتا (من 0.5 إلى 4 هرتز تقريباً): هذه هي أبطأ إيقاعات الدماغ، ويجب أن تكون النافذة طويلة بما يكفي، غالباً في نطاق 1 إلى 2 ثانية، لالتقاط دورة كاملة واحدة على الأقل لأبطأ موجة يتم قياسها. والنافذة الأقصر ببساطة لن تحتوي على ما يكفي من الموجة لتوصيفها.
إيقاعات ثيتا وألفا (من 4 إلى 13 هرتز تقريباً): تميل النافذة المتوسطة، التي تبلغ عادةً حوالي 500 مللي ثانية، إلى تحقيق توازن عملي. فهي طويلة بما يكفي لالتقاط عدة دورات تذبذب، مما يساعد في تحديد الإيقاع بوضوح، بينما تظل قصيرة بما يكفي لتتبع التغييرات ذات المغزى، مثل بدء موجة ألفا المفاجئة عند إغلاق العينين.
إيقاعات بيتا وغاما (أعلى من 13 هرتز تقريباً): تتحرك هذه الإيقاعات الأسرع بسرعة، لذا تصبح النافذة القصيرة، التي غالباً ما تكون 250 مللي ثانية أو أقل، ضرورية لتتبع ديناميكياتها السريعة. والتكلفة هنا هي انخفاض القدرة على التمييز بدقة بين الترددات المتقاربة ضمن نطاق غاما الأعلى، وهو نتيجة مباشرة لنفس المقايضة الموصوفة أعلاه.
كيف يكشف STFT عن الاختلافات بين الحركة الحقيقية والمتخيلة
تصبح القيمة العملية لـ STFT أكثر وضوحاً في أبحاث واجهة الدماغ والحاسوب (BCI)، حيث الهدف هو ترجمة نشاط الدماغ مباشرة إلى إشارات تحكم لجهاز ما.
يتضمن أحد الأمثلة المدروسة جيداً مقارنة تخطيط أمواج الدماغ (EEG) المسجل أثناء تخيل الشخص لتحريك يده مقابل تخطيط أمواج الدماغ المسجل أثناء تخيل حركة القدم، أو مقارنة الأفعال المتخيلة بالنسخة الفيزيائية الحقيقية لهذا الفعل.
في هذه النماذج المتعلقة بالحركة، يكون الهدف الشائع للتحليل هو ظاهرة تسمى إلغاء التزامن المرتبط بالحدث، أو ERD، وهي انخفاض في قوة الإشارة ضمن نطاقات إيقاع مو وبيتا فوق مناطق الدماغ المرتبطة بالحركة. ولأن ERD عبارة عن انخفاض محدد ومقيد زمنياً في القوة وليس ميزة خلفية مستمرة، فهو بالضبط نوع الحدث الذي يمكن لملخص التردد للتسجيل الكامل أن يمحوه ويمكن للمخطط الطيفي المحدد زمنياً التقاطه.
درست دراسة Zabidi et al. البحثية التي طبقت STFT مباشرة على هذا السؤال، تخطيط أمواج الدماغ (EEG) الذي تم جمعه أثناء الكتابة اليدوية الفعلية وأثناء الكتابة اليدوية المتخيلة. وتم تمرير الإشارة أولاً عبر مرشح تمرير النطاق الذي يقصر التحليل على نطاق 8 إلى 30 هرتز، مغطياً إيقاعات ألفا وبيتا الأكثر صلة بالنشاط الحركي، قبل حساب STFT باستخدام نافذة هامينج مضبوطة بدقة.
وكانت النتيجة استنتاجاً مباشراً ومحدداً: "مكونات التردد لإشارات EEG التي تم الحصول عليها من الكتابة هي نفسها التي تم الحصول عليها أثناء الكتابة المتخيلة".
من الناحية العملية، فإن نمط الإيقاع الكهربائي للدماغ أثناء فعل متخيل يشبه إلى حد كبير النمط أثناء الفعل الفيزيائي الحقيقي، وهو ارتباط يدعم الكثير من المنطق وراء أنظمة BCI التي تهدف إلى اكتشاف الحركة المقصودة دون الحاجة إلى أي حركة فيزيائية فعلية.
استخدام STFT لبناء صور لنماذج التعلم العميق
علاوة على الفحص البصري، وجدت المخططات الطيفية الناتجة عن STFT حياة ثانية كخطوة معالجة مسبقة تغذي أنظمة التعلم العميق، وتحديداً الشبكات العصبية الالتفافية (CNNs)، وهو نوع من النماذج تم بناؤه في الأصل للتعرف على الأنماط في الصور. ونظراً لأن المخطط الطيفي هو في الأساس صورة ملونة تعرض القوة بمرور الوقت والتردد، يعتقد الباحثون أنه يمكن تسليمها مباشرة إلى نموذج تعلم عميق يعتمد على الصور، والذي قد يكتشف بعد ذلك بنية خفية في البيانات يصعب تحديدها يدوياً.
قامت دراسة أجريت عام 2019 بتحويل تسجيلات EEG من مهمة تخيل حركي، تميز حركة اليد اليمنى عن حركة القدم اليمنى، إلى صور باستخدام كل من STFT ونهج بديل للتردد الزمني، ثم تغذية مجموعتي الصور في بنية شبكة عصبية التفافية (CNN) مدربة مسبقاً.
وكان الأداء عبر كلا النهجين قوياً، حيث وصل خط الأنابيب الإجمالي إلى دقة تصنيف بلغت 99.35%، ووصفت بأنها أفضل نتيجة بين الطرق المماثلة القائمة. ومع ذلك، عندما تمت مقارنة الطريقتين لتوليد الصور مباشرة ضد بعضهما البعض في تلك الدراسة نفسها، لم تكن النتائج متساوية: "نهج CWT يحقق نتائج أفضل من نهج STFT"، مما يشير إلى مقايضة حقيقية ومقاسة في مدى دقة كل طريقة في ترجمة إشارة EEG الأساسية إلى صورة صالحة للاستخدام.
ولقد كان هذا التفضيل هو المشكلة المحفزة وراء تطوير منهجي منفصل. حيث قام الباحثون ببناء ما أسموه anchored-STFT، ووصف بأنه "نسخة متقدمة من STFT، حيث إنه يقلل من المقايضة بين الدقة الزمنية والترددية التي يقدمها STFT".
وباقترانه مع طريقة تعزيز البيانات التنافسية، أبلغ خط الأنابيب المحسن هذا عن دقة تصنيف تتراوح من حوالي 69% إلى أكثر من 90% عبر العديد من مجموعات بيانات BCI، مما يعزز النمط الذي يشير إلى أن STFT العادي يمكن أن يعمل كأداة استخراج ميزات قادرة حقاً، ولكن حدود دقتها المعروفة تترك مجالاً للتحسين، سواء من خلال ضبط المعلمات، أو إصدار محسن من التقنية نفسها، أو نهج تردد زمني مختلف تماماً.
عندما يقصر STFT: مشكلة الدقة الثابتة
المقايضة التي تمت مناقشتها أعلاه هي القيد المركزي الذي يحتاج أي باحث يستخدم STFT إلى تقييمه 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 بقوة 2 هرتز أو نشاط غاما السريع بقوة 100 هرتز. ولا تقوم النافذة بضبط نفسها تلقائياً. ويتم قفل مقايضة التردد الزمني الموصوفة سابقاً 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 الموجيلات (wavelets). فبدلاً من قفل حجم نافذة واحد لكل تردد، تستخدم الطرق التكيفية بشكل فعال نوافذ أطول للترددات المنخفضة ونوافذ أقصر للترددات الأعلى، وضبط الدقة حسب الحاجة ضمن تحليل واحد بدلاً من الالتزام بتسوية واحدة للإشارة بأكملها.
على سبيل المثال، أفادت دراسة قادها Wang et al. لتطوير طريقة تردد زمني تكيفية بأن نهجها "يمكن أن يوفر دقة تردد زمني مثالية مقارنة بـ STFT وCWT"، مسمية STFT صراحة كمعيار أساسي تم التفوق عليه.
وفي تطبيق سريري منفصل للتنبؤ بنتائج علاج الاكتئاب في اضطراب الاكتئاب الكبير من بيانات EEG السابقة للعلاج، قارن الباحثون نهجاً يرتكز على الموجيلات مباشرة ضد STFT وطريقة تفكيك أخرى، وأفادوا بأن "تحليل WT أظهر أعلى دقة تصنيف" بين التقنيات المقارنة، حيث وصل إلى دقة 87.5% مقارنة بالبدائل.
سير عمل خطوة بخطوة لإنشاء وتقييم مخطط طيفي لـ EEG
بالنظر إلى نقاط القوة والقيود هذه، يساعد سير العمل المنضبط في ضمان تطبيق STFT بشكل مناسب وتفسير مخرجاته بصدق وموضوعية.
الخطوة 1: حدد السؤال قبل لمس البيانات. هل الهدف هو اكتشاف موجة غاما سريعة وقصيرة، أم تتبع انحراف بطيء في قوة دلتا على مدار دقائق؟ تحدد الإجابة أي طرف من مقايضة طول النافذة هو الأكثر أهمية.
الخطوة 2: حدد طول نافذة أولي متوافق مع الإيقاع المستهدف. استخدم المبادئ التوجيهية العملية المذكورة أعلاه كنقطة انطلاق، نوافذ أطول لدلتا، ونوافذ متوسطة لثيتا وألفا، ونوافذ أقصر لبيتا وغاما. واقرن هذا بمخطط نافذة متداخلة، عادة ما يكون بين 50% و90% من التداخل بين النوافذ المتتالية، مما ينعم المخطط الطيفي الناتج ويقلل من ظهور الفجوات الاصطناعية بين الشرائح الزمنية.
الخطوة 3: قم بإنشاء المخطط الطيفي وافحصه بشكل نقدي. هل يظهر طول النافذة المختار بداية واضحة وحادة لإيقاع سريع يثير الاهتمام، أم يبدو الحدث مشوشاً على مدى فترة زمنية أوسع مما ينبغي؟ هل يمكن للمخطط الطيفي التمييز بوضوح بين ذروة ألفا وذروة ثيتا المجاورة، أم أن الإيقاعين يتداخلان بشكل يعيق التمييز؟ هذه الفحوصات البصرية هي اختبار عملي مباشر لتحديد ما إذا كان طول النافذة المختار مناسباً للبيانات.
الخطوة 4: تعامل مع النتيجة كعرض واحد من بين عدة عروض ممكنة، وليس حكماً نهائياً. قد تعكس النتيجة السلبية، مثل عدم وجود فرق غاما قابل للقياس بين مجموعتين تجريبيتين، غياباً حقيقياً للتأثير، أو يمكن أن تعكس ببساطة حدود الدقة لنافذة STFT المحددة المكتشفة. وتتمثل الخطوة التالية المعقولة لتأكيد نتيجة غامضة أو مهمة في إعادة تحليل نفس البيانات باستخدام طريقة تكيفية كفحص فحص تبادلي.
لماذا يفتح تتبع وقت إطلاق إيقاعات الدماغ آفاقاً لـ Insight جديدة
نشاط الدماغ عبارة عن تتابع لأحداث موقوتة، واستعادة هذا التوقيت تحول التسجيل المسطح إلى سرد في الوقت الفعلي للحالات العقلية المتغيرة. ومن خلال الانتقال من ملخص تردد واحد إلى خريطة لحظة بلحظة، يمكن للباحثين ربط أفكار أو نوايا أو أحاسيس محددة مباشرة بإيقاعات الدماغ التي تصاحبها. وهذا الانتقال هو ما يحول EEG من قياس ثابت إلى أداة يمكنها دعم واجهات الدماغ والحاسوب وتغذية نماذج التعلم العميق التي تتعلم التعرف على الأنماط العقلية.
تحمل مقايضة الدقة الثابتة للطريقة درساً 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 تبادلي مع مناهج أخرى عندما تكون النتائج كشافة ومهمة، ويعزز فكرة أن الأنماط الكهربائية للدماغ - مثل التطابق الوثيق الملاحظ بين الحركة المتخيلة والواقعية - ذات طبقات عميقة. ويدعم هذا التشابه الأساسي فكرة أن الدماغ يتدرب على الأفعال باستخدام العديد من نفس السمات الإيقاعية التي يستخدمها لأدائها فعلياً.
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 EEG؟
يقوم تحويل فورييه قصير المدى (STFT) بتقسيم إشارة EEG الخام إلى نوافذ زمنية قصيرة ومتتالية ويحسب طيف التردد لكل منها. ويؤدي تكديس هذه اللقطات بالترتيب إلى إنشاء صورة متحركة، تسمى المخطط الطيفي، توضح كيف تتغير قوة إيقاعات الدماغ المختلفة من لحظة إلى أخرى.
لماذا لا يمكنني فقط استخدام تحويل فورييه العادي على تسجيل EEG؟
يقوم تحويل فورييه الأساسي بتفكيك التسجيل بأكمله إلى الترددات المكونة له ولكنه يمحو جميع معلومات التوقيت، بحيث تعرف الإيقاعات التي كانت موجودة بشكل عام ولكن ليس وقت ظهورها. ويعمل STFT على استعادة ذلك التوقيت من خلال تحليل الأجزاء القصيرة بشكل منفصل، مما يتيح لك معرفة وقت حدوث موجة مفاجئة من ألفا أو انخفاض في قوة بيتا بالفعل.
ماذا يظهر المخطط الطيفي؟
المخطط الطيفي هو خريطة مرئية مع الوقت على محور، والتردد على المحور الآخر، واللون أو السطوع يمثل قوة كل تردد في تلك اللحظة. ويحول EEG من ملخص مسطح إلى شيء يشبه النوتة الموسيقية للنشاط الكهربائي للدماغ.
لماذا يهم طول النافذة إلى هذا الحد؟
تعطي النوافذ الأطول معلومات تردد دقيقة ولكنها تجعل التوقيت الدقيق للأحداث غير واضح، في حين تحدد النوافذ الأقصر التوقيت جيداً ولكنها تدمج الترددات المتقاربة معاً. وتعني هذه المقايضة التي لا مفر منها أن اختيار طول النافذة يشكل مباشرة ما يمكن للمخطط الطيفي أن يكشفه وما سيخفيه.
ما هي أطوال النوافذ التي تعتبر نقطة انطلاق جيدة لإيقاعات الدماغ المختلفة؟
بالنسبة لإيقاعات دلتا البطيئة جداً، يلزم وجود نافذة أطول تتراوح بين ثانية وثانيتين لالتقاط دورات كاملة. وغالباً ما تخدم إيقاعات ثيتا وألفا بشكل جيد نافذة تبلغ حوالي نصف ثانية، وتتطلب إيقاعات بيتا وغاما الأسرع نوافذ أقصر تبلغ حوالي ربع ثانية أو أقل لتتبع تغيراتها السريعة.
كيف يمكن لـ STFT الكشف عن أوجه التشابه بين الحركة الحقيقية والمتخيلة؟
يلتقط STFT انخفاضاً مقيداً بالوقت في القوة يسمى إلغاء التزامن المرتبط بالحدث في نطاقي مو وبيتا، وهو ما يحدث عند تحرك الشخص وعند تخيله عطفاً على ذلك نفس الحركة ذهنياً. ويمكن أن تظهر المخططات الطيفية للمهام الحركية الحقيقية والمتخيلة أنماطاً ترددية متطابقة تقريباً، مما يدعم منطق واجهات الدماغ والحاسوب (BCI).
هل يمكن استخدام STFT مع نماذج التعلم العميق؟
نعم، يمكن تغذية صور المخطط الطيفي الناتجة عن STFT مباشرة في الشبكات العصبية الالتفافية المصممة للتعرف على الصور. ويمكن لهذه النماذج أن تتعلم التمييز بين حالات الدماغ من أنماط التردد الزمني، وغالباً ما تحقق دقة تصنيف عالية جداً في مهام مثل الكشف عن التخيل الحركي.
ما هو العائق الرئيسي لـ STFT مقارنة بطرق التردد الزمني الأخرى؟
يقوم STFT بقفل حجم نافذة واحد لجميع الترددات، مما يعني أنه لا يمكنه إعطاء تفاصيل زمنية حادة للموجات السريعة وتفاصيل تردد دقيقة للموجات البطيئة في نفس الوقت. وتغير التقنيات التكيفية مثل الموجيلات طول النافذة الفعلي مع التردد، مما يؤدي غالباً إلى دقة أفضل وأداء تصنيف أعلى في المقارنات المباشرة.
ما هو النهج الجيد خطوة بخطوة عند استخدام STFT على بيانات EEG؟
ابدأ بمطابقة طول نافذة أولي مع الإيقاع الذي تهتم به، واستخدم النوافذ المتداخلة لتنعيم المخطط الطيفي، وافحص النتيجة لمعرفة ما إذا كانت الأحداث تظهر بتوقيت حاد أم مشوش. وإذا كانت النتيجة حاسمة، ففكر في إجراء فحص تبادلي للبيانات باستخدام طريقة تكيفية لأن إعداد STFT واحداً قد يفضل نوعاً واحداً فقط من الدقة.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
