التذبذبات العصبية هي أنماط إيقاعية من النشاط الكهربائي التي تدعم الذاكرة، والحركة، والمعالجة الحسية في جميع أنحاء الدماغ. ومع ذلك، عندما يتم التقاط هذه التذبذبات على فروة الرأس باستخدام تسجيلات تخطيط كهربائية الدماغ (EEG)، فإنها تصل مدفونة داخل إشارة صاخبة ومتغيرة باستمرار.
يعكس تتبع الجهد الخام من أي قطب كهربائي واحد النشاط المشترك لآلاف المصادر العصبية المتراكمة فوق نشاط العضلات، والتداخل البيئي، والضوضاء الكهربائية الخلفية. إن استخلاص تذبذب نظيف من هذا المزيج يتطلب طريقة يمكنها تقسيم التسجيل إلى مكونات التردد الخاصة به.
فهم البيانات الزمنية والترددات
توجد البيانات الزمنية كسجل مستمر للملاحظات المفهرسة بطوابع زمنية محددة، مما يعكس كيفية تطور النظام على مدار فترة زمنية محددة.
في سياق علم الأعصاب، يتضمن هذا عادةً تسجيل الإشارات الكهربية من فروة الرأس لفهم ديناميكيات الدماغ. نادراً ما تكون مجموعات البيانات هذه ثابتة؛ بل إنها تحتوي على مزيج من الإشارات الإيقاعية والتقلبات العشوائية التي تتطلب تفسيراً دقيقاً لاستخراج Insight قابلة للتنفيذ.
ما هي البيانات الزمنية؟
البيانات الزمنية، أو بيانات السلاسل الزمنية، تمثل قياسات مأخوذة بالتتابع على فترات متسقة. وتعتمد فائدة هذه البيانات على تردد أخذ العينات وطول نافذة الملاحظة، واللذين يحددان دقة التغيرات التي يمكن رصدها.
يفحص الباحثون هذه المتتاليات لتقييم استقرار النظام وتحديد الاتجاهات التي تستمر لفترات طويلة.
مفهوم الترددات في البيانات
تشير الترددات إلى معدل تكرار الأنماط الدورية ضمن سلسلة زمنية، وتُقاس عادةً بالدورات في الثانية. ومن خلال تقييم هذه الإيقاعات، يمكن للمحللين تصنيف العمليات الأساسية التي تحرك البيانات.
توضح القائمة التالية نطاقات التردد الرئيسية التي تلاحظ غالباً في تطبيقات المراقبة البيولوجية البشرية:
موجات دلتا: ترتبط عادةً بمراحل النوم العميق والمجدد للنشاط.
موجات ثيتا: تلاحظ بشكل متكرر أثناء النوم الخفيف أو حالات التأمل.
موجات ألفا: تتميز بانتشارها أثناء الاسترخاء الهادئ واليقظ.
موجات بيتا: ترتبط غالباً بالتركيز المعرفي النشط واليقظة.
موجات غاما: ترتبط بمهام المعالجة والتكامل عالية المستوى.
يتيح هذا التصنيف رسماً دقيقاً للحالات، مما يساعد الباحثين على التمييز بين المؤشرات الفسيولوجية والتباين في الخلفية.
لماذا نقوم بتفكيك البيانات الزمنية إلى ترددات؟
يعمل التفكيك كعدسة تحليلية، حيث يفصل الإشارة الخام المليئة بالتشويش إلى أجزاء مكونة متميزة. وبدون هذا التفكك الهيكلي، تظل التفاعلات المعقدة بين إيقاعات الدماغ المختلفة مدفونة في السعة الإجمالية. ومن خلال عزل هذه المكونات، يمكن للباحثين تحليل تذبذبات عصبية معينة بشكل مستقل، مما يكشف عن التعقيد الحقيقي للحالات المعرفية.
تحديد الأنماط والدورات
يسمح التعرف على الأنماط داخل البيانات الزمنية بتحديد الدورات العصبية المتسقة التي تتكرر ظل منبهات أو مهام محددة. ويوفر تحديد هذه الدورات مقاييس أساسية تميز نشاط الدماغ الصحي عن الأنماط المنحرفة.
بمجرد عزل النمط من خلال التفكيك، يصبح من الممكن تتبع ظهوره ومدته بثقة إحصائية أعلى.
تقليل التشويش وتحسين الإشارة
تعد معالجة الإشارات أمراً ضرورياً لإزالة الشوائب البيئية، مثل تداخل خطوط الطاقة بتردد 60 هرتز، من السجلات الفسيولوجية. ومن خلال تحديد الحدود الترددية للبيانات البيولوجية المشروعة، يطبق الباحثون الفلاتر للتخلص من مكونات الإشارة غير المرغوب فيها.
إن عملية استخراج الإشارة هذه تعزز بشكل أساسي وضوح البيانات الأساسية لإجراء المزيد من المراجعة التشخيصية.
التنبؤ والنمذجة التنبؤية
تستفيد النماذج التنبؤية من الأجزاء المفككة لتوقع تحولات النظام أو محفزات الأحداث قبل أن تظهر بكامل سعتها. وتعتمد هذه النماذج على استقرار مكونات التردد المحددة لتوقع التطور المستقبلي للسلسلة الزمنية.
تدعم هذه القدرة كلاً من المراقبة السريرية الاستباقية والبحث التجريبي في مرونة الدماغ على المدى الطويل.
التقنيات الرئيسية لتفكيك البيانات الزمنية
يتطلب التفكيك دقة رياضية لضمان بقاء البيانات المحولة ممثلة للنشاط العصبي الأصلي.
توفر العديد من المنهجيات الراسخة مزايا فريدة اعتماداً على دقة واستقرار الإشارات الملتقطة. ويتطلب اختيار الأداة المناسبة الموازنة بين الطلب على الحوسبة وضرورة الدقة الزمنية والطيفية على حد سواء.
طرق تحويل فورير
يعد تحليل فورير بمثابة نهج تأسيسي لرسم خرائط إشارات المجال الزمني إلى ما يعادلها في مجال التردد. وتتفوق هذه الطريقة في تحديد مكونات التردد الثابتة، على الرغم من مواجهتها لقيود عند تحليل الإشارات العابرة التي تتغير بمرور الوقت.
يوفر الجدول التالي مقارنة بين تقنيات التفكيك الرئيسية المطبقة في بيئات البحث الحالية:
التقنية | قوة رئيسية | القصور |
|---|---|---|
تحويل فورير | دقة تردد عالية | تحديد موقع زمني ضعيف |
تحويل المويجات (Wavelet) | توازن الوقت والتردد | التعقيد الحسابي |
تحليل الطيف المفرد | تفكيك مدفوع بالبيانات | الحساسية للتشويش |
تحويلات المويجات (Wavelets)
توفر تحويلات المويجات تحليلاً متعدد الدقة عن طريق تمديد وإزاحة المويجة الأم لمسح الإشارة.
على عكس طرق فورير، يحافظ هذا النهج على المعلومات المحلية في كل من الوقت والتردد، مما يجعله مناسباً لالتقاط الطفرات الكهربائية العابرة الشائعة في قياس مخطط كهربية الدماغ (EEG). وتعد هذه القدرة على التكيف حيوية لتحديد الميزات غير الثابتة التي قد تغفل عنها الطرق الطيفية التقليدية أثناء الانتقالات السريعة للبيانات.
تحليل الطيف المفرد (SSA)
يقدم تحليل الطيف المفرد نهجاً غير بارامتري يفكك السلسلة الزمنية إلى مكونات الاتجاه العام، والتذبذب، والتشويش بناءً على بنية البيانات نفسها. ومن خلال تضمين السلسلة الزمنية في فضاء متعدد الأبعاد وإجراء تفكيك القيمة المفردة، يستخرج SSA الأنماط الهيكلية الأكثر أهمية.
يتيح ذلك تحسين الإشارات حتى عندما تكون العملية التوليدية الأساسية غير معروفة أو غير خطية إلى حد كبير.
كيف يفكك تحويل فورير إشارات مخطط كهربية الدماغ (EEG)
نقطة البداية الكلاسيكية لتحليل التردد هي تحويل فورير، وهو عملية رياضية تفكك الإشارة إلى مجموع موجات جيبية بترددات مختلفة.
في شكله الرياضي البحت، يفترض تحويل فورير إشارة لا نهائية لا تتغير خصائصها الإحصائية أبداً، وهو شرط لا تلبيته أبداً تسجيلات EEG الحقيقية. ومن الناحية العملية، يتغلب الباحثون على ذلك عن طريق تطبيق تحويل فورير المنفصل (DFT) على أجزاء قصيرة ومحددة بنوافذ من التسجيل، وعادةً ما تكون بطول بضع ثوانٍ، واستخدام النتيجة لتقدير كثافة القدرة الطيفية (PSD)، والتي تقيس كمية قدرة الإشارة الموجودة عند كل تردد داخل تلك النافذة.
هذا الحل البديل يأتي مع افتراضين أساسيين:
أولاً، يتم التعامل مع الإشارة كما لو كانت ثابتة طوال مدة النافذة المختارة، مما يعني أنه يفترض عدم تغير محتواها الترددي داخل تلك الشريحة من الوقت.
ثانياً، يتم نمذجة الإشارة كمجموع خطي لموجات جيبية ثابتة، وهو تقريب يعمل جيداً مع النشاط الدوري السلس ولكنه يواجه صعوبة مع التحولات المفاجئة أو الأشكال غير الجيبية.
على الرغم من هذه التبسيطات، أثبتت الأساليب القائمة على PSD فائدتها مراراً وتكراراً في الممارسة العملية.
على سبيل المثال، وجد تحليل مقارن لطرق استخراج الميزات الطيفية لتصنيف الصور الحركية أن تقنيات PSD كانت الأكثر قوة وفعالية باستمرار في استخراج أنماط طيفية مميزة للتمييز بين صور حركة اليد اليسرى واليد اليمنى، وتم تقييم ذلك عبر أحد عشر خاضعاً للاختبار على مدار جلستي تسجيل.
بالإضافة إلى ذلك، فإن دراسة منفصلة ركزت على اكتشاف النعاس تعزز هذا النمط. فباستخدام قناة EEG واحدة، بنى الباحثون مجموعة ميزات تجمع بين مقاييس PSD، بما في ذلك التردد المركزي، والتردد الذي يقل تحته ربع القدرة الطيفية، وإجمالي الطاقة الطيفية، والقدرة ضمن نطاقي ثيتا وألفا، إلى جانب الميزات القائمة على المويجات.
اكتشف هذا النهج المشترك نوبات النعاس بدقة 86.5 بالمائة وفترات اليقظة بدقة 81.7 بالمائة. وكان مكون PSD في مجموعة الميزات هذه يتتبع التحولات الكلية المعتمدة على الحالة في المحتوى الطيفي، وهو نوع الانتقال الواسع بين الحالات الذهنية بدلاً من كونه حدثاً تذبذبياً يحدث ملي ثانية بملي ثانية.
معاً، تشير هاتان الدراستان إلى أن تقدير PSD، على الرغم من افتراضه للثبات، قادر على التقاط أنماط طيفية ذات معنى مرتبطة بحالات الدماغ المتغيرة، حتى عندما تكون الإشارة المولدة لتلك الأنماط ديناميكية.
التفكيك التجريبي للموجات وبديله التكيفي
يتخذ التفكيك التجريبي للموجات (EMD) نهجاً مختلفاً تماماً. فبدلاً من إجبار الإشارة على الدخول في قاعدة محددة مسبقاً من الموجات الجيبية، يقوم EMD بتصفية الإشارة نفسها بشكل تكيفي إلى مجموعة من المكونات تسمى وظائف الموجة الذاتية (IMFs).
يتم استخراج كل IMF مباشرة من البنية التذبذبية الخاصة بالبيانات، مما يسمح للطريقة من حيث المبدأ بمتابعة التغيرات اللحظية في السعة والتردد دون اشتراط بقاء الإشارة ثابتة إحصائياً.
ومن الجدير بالذكر أن EMD يحمل أيضاً عيوباً معروفة، بما في ذلك الميل نحو خلط الموجات، حيث ينتهي الأمر بـ IMF واحد باحتواء تذبذبات من أكثر من نطاق ترددي حقيقي واحد، وحساسية للتشويش يمكن أن تشوه التفكيك.
تم تطوير تقنية ذات صلة، وهي تفكيك الموجات المتغير (VMD)، جزئياً لمعالجة مشكلات عدم الاستقرار هذه. ويستخرج VMD موجات ذات نطاق محدود، تتمحور كل منها حول تردد معين، باستخدام صيغة رياضية أكثر تقييداً تميل إلى إنتاج نتائج أكثر استقراراً من EMD القياسي.
طبقت دراسة بحثية أجريت عام 2019 تقنية VMD جنباً إلى جنب مع مقياس يسمى الإنتروبيا الطيفية للموجة، والذي يحدد مدى عدم انتظام موجة تردد معينة، لاكتشاف نوبات الصرع في تسجيلات EEG. وبعد خطوة معالجة مسبقة تضمنت تحليل المكونات الرئيسية لاختيار القنوات، حققت الطريقة دقة تتراوح بين 98 و100 بالمائة على قاعدة بيانات Bonn EEG. وعلى مجموعة بيانات CHB-MIT الأكثر صعوبة، أنتجت متوسط حساسية بنسبة 88.55 بالمائة، ونوعية بنسبة 94.86 بالمائة، ودقة بنسبة 72.92 بالمائة.
تثبت هذه النتيجة أن التفكيك القائم على الموجات يمكنه التعامل بنجاح مع الأحداث العصبية العابرة وغير الثابتة إلى حد كبير، نظراً لأن النوبة هي بحكم التعريف خروج مفاجئ وقصير الأمد عن نشاط الدماغ الأساسي.
التفكيك الفراغي الطيفي يحل مشكلة خلط المصادر
التفكيك الفراغي الطيفي (SSD) هو طريقة تفكيك خطي تعمل عبر مصفوفة المستشعرات الكاملة، حيث تجد تركيبة فراغية من القنوات تزيد من قدرة الإشارة عند التردد المستهدف مع تقليل القدرة في نفس الوقت في حاويات التردد المجاورة على كلا الجانبين. والنتيجة ليست مجرد طيف أنظف ولكنها نمط يوضح أي مواقع الأقطاب الكهربائية، وبالتالي أي مناطق الدماغ الكامنة تقريباً، تساهم بشكل أكبر في هذا التذبذب المحدد.
أظهرت الأبحاث التي قدمت هذه الطريقة أن SSD يمكنه استخراج الإشارات التذبذبية بشكل موثوق حتى عندما كانت نسبة الإشارة إلى التشويش منخفضة وتصل إلى 1 إلى 10، وهو اختبار صعب نظراً لمدى قوة التشويش مقارنة بإشارة الاهتمام الرياضية.
وفي المقارنات المباشرة، تفوق SSD على الأساليب التقليدية القائمة على تحليل المكونات المستقلة (ICA). وعند تطبيقه على بيانات EEG الحقيقية، فصل SSD المكونات ذات الأنماط الفراغية التي تطابق المواقع المركزية والحسية الحركية، بالإضافة إلى مكونات منفصلة تطابق المواقع القذالية الجدارية الخلفية.
مستقبل تفكيك البيانات الزمنية
تبدأ التطورات في القوة الحسابية وخوارزميات التعلم الآلي في دمج التفكيك الطيفي الكلاسيكي مع البنيات التنبؤية المدفوعة بالبيانات. وتعد هذه الأنظمة المتكاملة بأتمتة استخراج المؤشرات الحيوية، مما يسمح بالتحليل الفوري للديناميكيات العصبية التي كانت تتطلب في السابق معالجة طويلة دون اتصال بالإنترنت. ومن المرجح أن يؤدي تقارب هذه الطرق إلى تقليل زمن الانتقال بين الحصول على البيانات والإجراء السريري، مما يسهل واجهات الدماغ والحاسوب أكثر استجابة.
يركز البحث بشكل متزايد على تطوير مقدرات طيفية معززة بالكم تتجاوز القيود الكامنة في وظائف النوافذ الكلاسيكية. ومن خلال تحسين كفاءة عرض النطاق الترددي لمجموعات المويجات، يأمل الباحثون في تحقيق دقة فائقة يمكنها التمييز بين المصادر القشرية المتداخلة على مقياس المليمتر. ويشير هذا التطور نحو مستقبل تصبح فيه مراقبة الإشارات أكثر تفصيلاً وسهولة في الوصول إليها.
لا يزال التوحيد القياسي عبر مختبرات الأبحاث العالمية هدفاً محورياً للعقد القادم من علم البيانات الزمنية. وسيضمن وضع معايير لتقييم الأداء أن تكون التطورات التقنية قابلة للتكرار والترجمة إلى تطبيقات الصحة العامة. ومع استقرار هذه المنهجيات، من المتوقع أن تضيق الفجوة بين أبحاث علم الأعصاب الأساسية والفائدة التشخيصية العملية بشكل كبير.
الخاتمة
تظل تقنية تفكيك البيانات الزمنية إلى ترددات تخصصاً حيوياً لفك رموز تعقيد الإشارات الكهربائية في الفسيولوجيا البشرية. ومن خلال تطبيق أساليب رياضية قوية لاستخراج أنماط ذات معنى من مجموعات البيانات المليئة بالتشويش، يعزز الباحثون قدرتهم على مراقبة الاستقرار واكتشاف التحولات المرضية.
ومع استمرار تطور هذه الأطر التحليلية، فإنها ستزيد من دقة الأبحاث العصبية وفعالية النتائج السريرية اللاحقة.
المراجع
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
الأسئلة الشائعة
ما هو الفرق بين مجالات الوقت والتردد؟
يوضح مجال الوقت كيف تتغير سعة الإشارة بمرور الوقت، بينما يعرض مجال التردد مقدار الإشارة الموجودة ضمن نطاقات تردد محددة.
هل يمكن إجراء التفكيك الزمني في الوقت الفعلي؟
نعم، تتيح أجهزة معالجة الإشارات الرقمية الحديثة الحساب المستمر لمكونات التردد، مما يتيح تطبيقات المراقبة والتغذية الراجعة في الوقت الفعلي.
كيف يتم فصل التشويش عن نشاط الدماغ الفعلي؟
يتم عزل التشويش عادةً عن طريق تحديد نطاقات التردد خارج نطاقات النشاط العصبي المعروفة أو من خلال التعرف على البصمات الفراغية أو الطيفية المميزة المرتبطة بالتداخل البيئي.
كيف يستخرج تحويل فورير معلومات التردد من EEG؟
يفكك تحويل فورير الإشارة إلى مجموع موجات جيبية، بافتراض أن الإشارة ثابتة خلال نافذة زمنية قصيرة. ثم تقيس كثافة القدرة الطيف (PSD) مقدار الطاقة الموجودة عند كل تردد، مما يوفر لقطة لمحتوى التذبذب.
كيف يختلف التفكيك التجريبي للموجات (EMD) عن تحليل فورير؟
يقوم EMD بتصفية الإشارة بشكل تكيفي إلى وظائف الموجة الذاتية دون افتراض الثبات، مما يسمح له بتتبع التغيرات اللحظية في التردد والسعة. وهذا يجعله أفضل من الناحية النظرية للإيقاعات غير الثابتة مثل موجات مو (mu)، على الرغم من أنه يمكن أن يعاني من خلط الموجات.
متى تختار PSD على طريقة تفكيك الموجات؟
يعد PSD خياراً قوياً عند دراسة أنماط طيفية واسعة وقابلة للتكرار عبر ظروف مختلفة، مثل مقارنة مهام الصور الحركية. إن بساطته الحسابية وموثوقيته الراسخة لتصنيف الحالات الذهنية تجعله فعالاً عندما لا يكون التوقيت الدقيق للتغيرات السريعة أمراً بالغ الأهمية.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
