يقوم علماء الأعصاب بتحويل إشارات مخطط كهربائية الدماغ (EEG) من المجال الزمني إلى المجال الترددي لفصل إيقاعات الدماغ المعقدة والمتداخلة إلى نطاقات متميزة وقابلة للقراءة. يعمل هذا التحول كمنشور يوضح البيانات الخام المليئة بالضجيج ويحولها إلى أنماط ذات مغزى تكشف عن الحالات العقلية، والسمات الفردية، والمؤشرات السريرية. من خلال إعادة تنظيم المعلومات الحالية، يتيح هذا التحول الكشف الدقيق عن ظواهر مثل النوبات والحالات العاطفية التي تكون مخفية في المجال الزمني بخلاف ذلك.
ما هو التحول من المجال الزمني إلى المجال الترددي؟
تتضمن عملية التحول تحويل سلاسل البيانات الخام، والتي تقاس عادةً كقيمة سعة مقابل الزمن، إلى طيف من الترددات. تتيح هذه الإزاحة الرياضية للباحثين مراقبة المكونات الإيقاعية المكونة للإشارة بدلاً من مجرد تقلبات الجهد أو الضغط الخام. من خلال عرض البيانات عبر هذه العدسة، تصبح الأنماط الدقيقة داخل مجموعات البيانات المعقدة أسهل بكثير في التصنيف والتفسير لإجراء مزيد من التحليل.
فهم الأساسيات: من المجال الزمني إلى المجال الترددي
في تسحيل الإشارات القياسي، يمثل الجانب الزمني تسلسل الأحداث فور حدوثها، مع الحفاظ على ترتيب زمني بديهي للمراقبة الفورية. ومع ذلك، تظهر العديد من الأنظمة الديناميكية سلوكيات متكررة - مثل الإطلاق الإيقاعي للخلايا العصبية المرتبطة بـ علم الأعصاب - والتي لا يسهل فصلها بمجرد عرض الإشارة الخام وحدها.
يعمل الانتقال إلى منظور التردد بفعالية كمرشح تحليلي، مما يسمح بعزل الإيقاعات الفردية ومساهماتها النسبية في هيكل الإشارة الإجمالي.
الأساس الرياضي: تحويل فورير
يعتمد تحويل فورير على مبدأ أنه يمكن التعبير عن أي إشارة تذبذبية معقدة كمجموع مرجح لموجات جيب وجيب تمام أبسط. تقوم هذه العملية الرياضية أساساً بتفكيك الإشارة، واستخراج البنية الدورية الكامنة فيها بغض النظر عن تعقيدها الأولي.
من خلال تطبيق هذا التحويل، يقوم الباحث برسم نقاط البيانات الزمنية في مجال جديد حيث يمثل المحور الأفقي التردد ويشير المحور الرأسي إلى القدرة أو السعة لكل مكون ترددي محدد.
لماذا يعد تحليل الزمن إلى التردد مهماً؟
يعد تحليل الإشارات في المجال الترددي أمراً ضرورياً لعزل ظواهر معينة مدمجة داخل الضوضاء أو الأشكال الموجية الأكبر والمختلطة. يُعتمد هذا النهج على نطاق واسع في مختلف المجالات التي تعتمد على معالجة الإشارات الدقيقة لاستخراج Insight ذات صلة من المستشعرات وأجهزة القياس.
التطبيقات في معالجة الإشارات
غالبًا ما يواجه المهندسون إشارات ملوثة بالتداخلات الخلفية أو الضوضاء الكهربائية المحيطة، والتي يمكن أن تحجب المعلومات الأساسية ذات الأهمية. تتيح التقنيات التحليلية التي تنظر في تركيب التردد إمكانية التصفية الدقيقة، حيث يتم إضعاف نطاقات غير مرغوب فيها محددة دون تعطيل البيانات الأساسية.
هذه القدرة أساسية لأنظمة الاتصالات الحديثة وتقنيات الاستشعار، مما يضمن بقاء قمم الإشارات الصالحة متميزة وقابلة للتفسير للمعالجة اللاحقة.
Insight في تحليل الصوت والكلام
يتكون الكلام البشري والأصوات الطبيعية من ترددات متعددة متراكبة، تميز كل منها جرس ونغمة المصدر الأساسي. يتيح تحويل هذه الإشارات إلى المجال الترددي للباحثين رسم تخطيط للمكونات الصوتية (formants) أو اكتشاف خصائص الكلام التي تتغير بمرور الوقت، وهو متطلب متكرر في علم الصوتيات.
من خلال معاملة هذه الإشارات كأطياف تخطيطية (spectrograms)، يمكن للمحللين مراقبة الاختلافات العابرة التي قد تشير إلى عيوب صوتية معينة أو أنماط تميز مصدراً صوتياً عن آخر.
حالات الاستخدام في الهندسة الطبية الحيوية
في البيئات الطبية، يعد القياس الدقيق للمخرجات الكهربائية البيولوجية أمراً بالغ الأهمية لمراقبة الصحة وتشخيص الحالات العصبية. باستخدام مخطط كهربية الدماغ (EEG) كأداة أساسية، يمكن للأطباء تسجيل أنماط موجات الدماغ بينما يستخدم الباحثون تحليلات ترددية محددة لدراسة السلوكيات الإيقاعية المرتبطة بحالات اليقظة المختلفة.
يضمن دمج المعدات المتخصصة مثل أجهزة تجميع بيانات PCI التقاط بيانات عالية الدقة، والتي تتم معالجتها بعد ذلك من خلال تحويلات المجال الترددي لتقديم Insight تشخيصية مفيدة.
الطرق الشائعة للتحويل من الزمن إلى التردد
توجد خوارزميات مختلفة لتحويل البيانات الزمنية، كل منها يناسب مستويات مختلفة من استقرار الإشارة ومتطلبات الدقة. يعتمد اختيار الطريقة المناسبة على طبيعة الإشارة والدقة المطلوبة للناتج الطيفي النهائي.
تحويل فورير قصير الزمن (STFT)
تقسم هذه الطريقة إشارة طويلة إلى نوافذ أصغر ومتداخلة، وتجري تحويل فورير على كل منها لمراقبة كيفية تطور محتوى التردد. وهي مفيدة بشكل خاص للإشارات التي ليست ثابتة تماماً ولكنها تظل مستقرة لفترات قصيرة.
كيفية تحويل الزمن إلى تردد يدوياً
في حين أن البرمجيات تقوم بأتمتة الجزء الأكبر من الحسابات، فإن فهم التحويل اليدوي للإشارات الدورية يتطلب تحديد مدة الدورة. من خلال حساب مقلوب الفترة الزمنية، يحدد المرء المعدل الذي تكمل به العملية دورة كاملة، مما ينتج عنه قيمة التردد المقاسة بالهرتز.
نوع الإشارة | الفترة الزمنية (T) | التردد (f) |
|---|---|---|
إيقاع بطيء | 0.5 ثانية | 2.0 هرتز |
تذبذب متوسط المدى | 0.1 ثانية | 10.0 هرتز |
نبضة سريعة | 0.02 ثانية | 50.0 هرتز |
يوضح هذا الجدول العلاقة العكسية بين الفترة الزمنية والتردد، حيث تؤدي مدة الدورة الأقصر إلى ناتج تردد أعلى بكثير.
استخدام حاسبة التردد إلى الزمن للحصول على تقديرات سريعة
غالباً ما يستخدم المتخصصون أدوات التقدير لسد الفجوة بين الوقت والتردد دون الحاجة لحسابات مجهدة. تقدم هذه الأدوات عادةً الميزات التالية للتهيئة السريعة أثناء تحليل البيانات:
تحويل تلقائي للوقت الدوري إلى هرتز.
دعم لوحدات قياس متعددة مثل الميلي ثانية والميكرو ثانية.
عكس فوري للوظائف لعكس عملية التحويل.
رسم بياني فوري للمقارنة المرئية لاستقرار الإشارة.
توفر هذه الحاسبات تقييماً أولياً قبل تطبيق تقنيات التصفية الرقمية الأكثر تعقيداً أو تفكيك الطيف في بيئة البحث.
التحويل المويجي (Wavelet Transform)
خلافاً لأساليب فورير التقليدية، يستخدم التحويل المويجي نوافذ قابلة للتطوير لتحليل كل من المكونات منخفضة وعالية التردد في آن واحد. يتيح ذلك تحديداً أفضل لمواقع التغيرات المفاجئة في الإشارة، مثل التفريغات العابرة أو الارتفاعات الحادة التي تحدث بسرعة كبيرة جداً بحيث لا يمكن تحليله بواسطة STFT ذي النوافذ المحصورة.
يحظى هذا التحويل بتقدير كبير في المجالات التي تتطلب حساسية عالية للزمن والتردد في تمريرة واحدة.
المنشور غير المرئي: تحويل الزمن إلى تردد
نادراً ما تتكون لحظة واحدة من نشاط الدماغ من موجة نقية واحدة. بل إنها تتصرف مثل وتر موسيقي، حيث تصدر عدة نغمات معاً لتشكل نغمة واحدة معقدة.
إذا استمعت إلى الوتر ككل فقط، فستسمع مزيجاً، وليس النغمات الفردية. تنطبق نفس المشكلة على مخطط كهربية الدماغ الخام. ففي أي لحظة معينة، تنطلق تذبذبات بطيئة ومتوسطة وسريعة في نفس الوقت، ويقوم عرض المجال الزمني بتكديسها في شكل موجي واحد يصعب تحليله.
إن تحويل هذا الشكل الموجي إلى المجال الترددي لا يضيف معلومات جديدة إلى الإشارة. بل يعيد تنظيم المعلومات الموجودة بحيث تصبح التذبذبات المختلفة مرئية كمكونات منفصلة. وتترتب على هذه إعادة التنظيم نتائج عملية وقابلة للقياس فيما يتعلق بمدى قدرة الباحثين على تنظيف البيانات المشوشة واكتشاف الأنماط ذات المغزى.
لنأخذ في الاعتبار آثار رمش العين، وهي واحدة من أكثر مصادر التلوث استمراراً في تسجيلات مخطط كهربية الدماغ. عندما تتحرك العين، فإن الإشارة الكهربائية الناتجة، والتي تسمى مخطط كهربية العين (EOG)، تتسرب إلى قنوات مخطط كهربية الدماغ القريبة وتُشوه القراءة. افترضت محاولات التصحيح المبكرة أن التسرب من العينين إلى فروة الرأس يتصرف بشكل متسق عبر جميع الإيقاعات، وبالتالي فإن الطرح البسيط في المجال الزمني يجب أن يعمل بشكل جيد ومماثل في كل مكان.
اختبر كينيمانس وزملاؤه هذا الافتراض مباشرة. وباستخدام بيانات محاكاة وحقيقية، قارن الباحثون بين ثلاث استراتيجيات للتنظيف:
الانحدار البسيط في المجال الزمني
انحدار المجال الزمني متعدد الفترات الأكثر تعقيداً
الانحدار في المجال الترددي.
عندما كان الانتقال الكهربائي من العين إلى فروة الرأس مستقلاً عن التردد، مما يعني أنه يتصرف بنفس الطريقة عبر جميع الإيقاعات، أدت الطرق الثلاث أداءً جيداً على حد سواء. ولكن عندما كان الانتقال معتمداً على التردد، مما يعني أن التلوث تغير اعتماداً على الإيقاع المعني، فشلت طريقة المجال الزمني البسيطة في إعادة بناء مخطط كهربية الدماغ الأصلي بالكامل.
وحده نهج المجال الترددي وطريقة المجال الزمني متعدد الفترات الأكثر تطوراً تمكنا من تفسير هذا التباين. يشير هذا إلى أن آثار إشارات الدماغ لا تتصرف دائماً بشكل موحد بمرور الوقت، وأحياناً لا يمكن لغير العدسة المدركة للتردد أن تفصل بشكل صحيح بين نشاط الدماغ الحقيقي والتلوث.
تصبح فائدة إعادة الصياغة هذه أكثر وضوحاً في الكشف عن النوبات الصرعية. حيث وجدت دراسة أجريت عام 2018 أنه عندما تم إدخال إشارات مخطط كهربية الدماغ ذات المجال الزمني الخام في نظام تصنيف، انخفضت الدقة في تسجيلات فروة الرأس إلى 60 بالمائة في بعض التجارب، وهي نتيجة لا تزيد كثيراً عن مجرد تخمين عشوائي لبعض مهام التصنيف. وعندما تم تحويل نفس البيانات إلى المجال الترددي أولاً، قفزت الدقة في نفس المهمة إلى حوالي 96 بالمائة.
كانت المعلومات المطلوبة لتحديد حالة النوبة بشكل صحيح موجودة في التسجيل طوال الوقت. لكنها ببساطة لم تكن مرئية حتى تم عرض الإشارة من خلال مكونات التردد الخاصة بها.
لماذا تهم الرؤية الترددية: من الضوضاء إلى تطبيقات تغير الحياة
إن الانتقال من الزمن إلى التردد ليس تفضيلاً تقنياً مجرداً. بل له عواقب ملموسة عبر أربعة تطبيقات مختلفة تماماً.
إزالة أفضل للشوائب والأخطاء (Artefacts)
تعد حركات العين والرمش مصدراً مزمناً لتلوث تسجيلات مخطط كهربية الدماغ، حيث يمكن للإشارة الكهربائية الناتجة عن العين أن تنتشر إلى أقطاب فروة الرأس القريبة.
أظهرت الدراسة التي أجراها كينيمانس وزملاؤه أن هذا التلوث لا ينتقل دائماً بمعدل ثابت عبر جميع الترددات. عندما كان الانتقال معتمداً على التردد، كان أداء تصحيح المجال الزمني الأساسي ضعيفاً، بينما نجحت طريقة انحدار المجال الترددي في إعادة بناء إشارة الدماغ الأصلية.
هذا أمر بالغ الأهمية لأي تطبيق تكون فيه جودة الإشارة النظيفة ضرورية، حيث يمكن الخلط بين آثار العين غير المصححة ونشاط الدماغ الحقيقي إذا تم تطبيق طريقة تنظيف خاطئة.
دماغك، توقيعك الخاص
وجدت دراسة نُشرت في مجلة الهندسة العصبية (Journal of Neural Engineering) أن النمط العام لإيقاعات دماغ الشخص يظل مستقراً بشكل ملحوظ عبر جلسات التسجيل المختلفة وحتى عبر مواضع المستشعرات المختلفة على فروة الرأس. هذا الاتساق، الذي يوصف بأنه نوع من بصمة مخطط كهربية الدماغ، كان أقوى ما يكون في نطاق ألفا ولكن يمكن اكتشافه عبر نطاق واسع يتراوح من 1 إلى 40 هرتز.
ومن الجدير بالذكر أن هذا التوقيع التعريفي ظل قائماً حتى عندما كان الأشخاص يؤدون مهام معرفية مختلفة تماماً، مما يشير إلى أن النمط يعكس شيئاً مستقراً بنيوياً في دماغ الفرد بدلاً من كونه شيئاً تفاعلياً مع نشاط عقلي معين في تلك اللحظة.
اتبعت القوة التمييزية لهذه الإيقاعات ما وصفه الباحثون بنمط على شكل حرف W عبر نطاق التردد، مع تركز أقوى قمة تحديد حول إيقاع ألفا البالغ 10 هرتز. هذا الاكتشاف له صلة مباشرة بأنظمة التحقق البيومترية التي يمكن أن تستخدم ذات يوم نشاط الدماغ كشكل من أشكال التحقق الشخصي الآمن.
قراءة العواطف
تترك الحالات العاطفية آثاراً قابلة للقياس في أنماط إيقاع الدماغ، وتظهر سدراسة أجراها بيترانتوناكيس وفريقه أن هذه الآثار يتم التقاطها بشكل أفضل في مجال الزمن والتردد بدلاً من إشارة المجال الزمني الخام. باستخدام نهج التجزئة التكيفي وقياس عدم التماثل الجبهي لخطوط ألفا، بنى الباحثون نظام تصنيف قادراً على تمييز توليفات مختلفة من التكافؤ والتحفيز، وتصنيف الحالات العاطفية بشكل صحيح أعلى بكثير من المستوى المتوقع بالتخمين العشوائي.
يرتبط هذا النوع من الكشف عن المشاعر القائم على التردد باهتمام متزايد بـ واجهات الدماغ والحاسوب المصممة للاستجابة لمزاج المستخدم أو تفاعله العاطفي، على الرغم من أن دقة التصنيف المبلغ عنها، والتي تتراوح بين 64 و 83 بالمائة تقريباً اعتماداً على الفئات العاطفية المحددة التي جرى اختبارها، تشير إلى أن هذا يظل أداة احتمالية وليس قراءة عاطفية قاطعة.
التغلب على الصرع
ربما يأتي العرض التقديمي الأكثر إثارة للقيمة العملية للمجال الترددي من أبحاث الصرع. قارنت الدراسة البحثية المذكورة سابقاً لعام 2018 مباشرة بين إشارات المجال الزمني والمجال الترددي كمدخلات في شبكة عصبية تلافيفية كُلفت بمهمة التمييز بين حالات الدماغ الارتجاعية، وما قبل الارتجاعية، والبرزخية (بين النوبات).
في قاعدة بيانات فرايبورغ داخل الجمجمة، أنتجت مدخلات المجال الترددي متوسط دقة يتراوح بين 92 و 97 بالمائة عبر ثلاث تجارب تصنيف منفصلة، في حين أنتجت مدخلات المجال الزمني في نفس قاعدة البيانات دقة تتراوح من حوالي 84 إلى 91 بالمائة. واتسعت الفجوة بشكل كبير في قاعدة بيانات CHB-MIT المسجلة من فروة الرأس، حيث ظلت دقة المجال الترددي مرتفعة، بين 93 و 98 بالمائة تقريباً، في حين انهارت دقة المجال الزمني لتصل إلى نطاق يتراوح بين 48 و 62 بالمائة فقط في بعض التجارب.
يشير هذا إلى أنه في بعض ظروف التسجيل، وخاصة تخطيط كهربية الدماغ للفروة، قد تشقر إشارة المجال الزمني الخام ببساطة للبنية القابلة للتحليل والمطلوبة لتصنيف النوبات التلقائي الموثوق به، بينما تجعل إعادة تنظيم المجال الترددي لنفس الإشارة النمط الأساسي متاحاً لنظام التعلم الآلي.
علاوة على ذلك، يأخذ مادهافان وزملاؤه هذا المفهوم إلى أبعد من ذلك بالتركيز بشكل خاص على تحديد الموقع بدلاً من الكشف في دراستهم لعام 2020. باستخدام تقنية تسمى تحويل الضغط المتزامن (synchrosqueezing transform) لإنشاء تمثيلات مفصلة للزمن والتردد، جنباً إلى جنب مع شبكة عصبية تلافيفية عميقة، حققت الدراسة قيم دقة وحساسية ونوعية تزيد عن 99 بالمائة في تمييز إشارات تخطيط كهربية الدماغ البؤرية، الناشئة عن المنطقة المسببة للصرع والمسؤولة عن إطلاق النوبات، عن الإشارات غير البؤرية الناشئة في أماكن أخرى من الدماغ.
هذا المستوى من الدقة ذو صلة مباشرة بجراحة الصرع، حيث يعد تحديد منطقة الدماغ الدقيقة المسؤولة عن نشاط النوبة بشكل صحيح شرطاً أساسياً لتدخل جراحي آمن وفعال.
عدسة جديدة على الدماغ الحي
إن التحول من خط جهد واحد يتجول عبر الزمن إلى طيف من الإيقاعات المتميزة هو الآلية التي تجعل مخطط كهربية الدماغ قابلاً للقراءة في المقام الأول. وبدون ذلك، يمكن لخوارزمية الكشف عن النوبات التي تعمل من بيانات فروة الرأس أن تؤدي أداءً لا يكاد يتجاوز التخمين بالصدفة.
ومع ذلك، يمكن لهذه الخوارزمية نفسها أن ترتفع لتصل إلى منتصف التسعينيات في الدقة. وبدونها، يمكن لتلوث رمش العين الخفيف أن يتنكر في شكل نشاط دماغي حقيقي.
مع التصحيح المدرك للتردد، يمكن فصل هذا التلوث بشكل أكثر موثوقية. وبدون ذلك، يظل النمط المستقر والخاص بالشخص ضمن إيقاعات دماغ شخص ما، والمتركز بقوة حول نطاق ألفا، غير مرئي. وبوجوده، يصبح هذا النمط توقيعاً قابلاً للقياس.
لم يتطلب أي من هذه التطبيقات إضافة معلومات جديدة إلى إشارة مخطط كهربية الدماغ. بل تطلبت إعادة تنظيم المعلومات الحالية في شكل يمكن فيه أخيراً تمييز الأنماط ذات المغزى عن الضوضاء.
إن إعادة التنظيم هذه، أي الانتقال من الزمن إلى التردد، هي ما يحول مخطط الجهد الفوضوي إلى سجل منظم لأنشطة دلتا وثيتا وألفا وبيتا وغاما، مما يمنح الباحثين والأطباء طريقة أوضح وغير جراحية لدراسة النوم والحالات العاطفية والهوية الفردية والأمراض العصبية أثناء تكشفها في الدماغ الحي.
المراجع
Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x
Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095
DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.
Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647
Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072
الأسئلة الشائعة
لماذا يقوم علماء الأعصاب بتحويل إشارات مخطط كهربية الدماغ من المجال الزمني إلى المجال الترددي؟
يقوم مخطط كهربية الدماغ الخام بتكديس إيقاعات دماغية متعددة بسرعات مختلفة في شكل موجي معقد واحد، مما يجعل رؤية الأنماط الفردية أمراً صعباً. يؤدي التحويل إلى المجال الترددي إلى تقسيم تلك الإشارة إلى ترددات فرعية منفصلة، مثل المنشور الذي يفصل الضوء الأبيض إلى ألوان، بحيث يمكن دراسة كل إيقاع بمفرده.
كيف تعمل الرؤية الترددية على تحسين إزالة آثار رمش العين؟
يمكن أن تنتقل ملوثات رمش العين بشكل مختلف عبر نطاقات تردد مخطط كهربية الدماغ، مما يعني أن الطرح البسيط القائم على الوقت غالباً ما يفشل. يراعي انحدار المجال الترددي هذه الاختلافات المعتمدة على التردد، مما يسمح بإعادة بناء إشارة الدماغ الحقيقية بدقة أكبر.
ماذا يحدث لدقة الكشف عن النوبات عند استخدام المجال الترددي بدلاً من المجال الزمني؟
توجد الأنماط ذات الصلة بالنوبات في الإشارة الخام ولكنها غير مرئية في المجال الزمني. يعيد تحليل التردد تنظيم البيانات بحيث يمكن للمصنف تحقيق دقة تزيد عن 90٪، في حين أن مدخلات المجال الزمني الخام في بعض الأحيان لا تؤدي أداءً أفضل من التخمين العشوائي في تسجيلات فروة الرأس.
لماذا يُعتبر إيقاع ألفا معرّفاً بيومترياً قوياً؟
يُظهر نشاط ألفا ذروة مميزة ومستقرة حول 10 هرتز تظل متسقة عبر المهام المختلفة وجلسات التسجيل. يعكس هذا الاستقرار بنية الدماغ الكامنة لدى الفرد، مما يجعله بصمة موثوقة لمخطط كهربية الدماغ لتحديد هوية الشخص.
كيف يمكن لأنماط تردد مخطط كهربية الدماغ أن تشير إلى الحالات العاطفية؟
يختلف عدم التماثل الجبهي لخطوط ألفا، والذي يقارن قوة ألفا بين منطقتي الدماغ الجبهيتين اليسرى واليمنى، مع التكافؤ العاطفي والتحفيز. يلتقط تحليل المجال الترددي أنماط عدم التماثل هذه، مما يسمح بتصنيف الحالات العاطفية بشكل جيد أعلى بكثير من مستويات الصدفة.
لماذا يعد تحليل التردد ضرورياً لتحديد مناطق ظهور النوبات في جراحة الصرع؟
تميز نبضات غاما القصيرة وعالية التردد والتحولات عبر جميع النطاقات المنطقة المسببة للصرع. تقوم تقنيات الزمن والتردد مثل تحويل الضغط المتزامن (synchrosqueezing) بتحويل هذه الأنماط إلى تمثيلات مفصلة، مما يمكن نماذج التعلم العميق من تمييز إشارات النوبات البؤرية عن الإشارات غير البؤرية بدقة عالية جداً - وهو شرط أساسي للتخطيط الجراحي الآمن.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
