Andere Themen suchen…

Ein Leitfaden zur Kurzzeit-Fourier-Transformation für EEG

Beschleunigen Sie Ihre analytischen EEG-Zeitpläne mit schnell aufzubauenden, hochdichten kabellosen Arrays, die für den flexiblen Feldeinsatz optimiert sind.

Beschleunigen Sie Ihre analytischen EEG-Zeitpläne mit schnell aufzubauenden, hochdichten kabellosen Arrays, die für den flexiblen Feldeinsatz optimiert sind.

Eine grundlegende Fourier-Transformation, das klassische mathematische Werkzeug, um ein Signal in seine einzelnen Frequenzkomponenten zu zerlegen, kann Ihnen sagen, welche Gehirnrhythmen irgendwo während einer gesamten Aufzeichnung vorhanden waren. Was sie Ihnen nicht sagen kann, ist, wann sie aufgetreten sind. Ein kurzer Ausbruch von Alpha-Aktivität, der in dem Moment auftritt, in dem jemand die Augen schließt, ist ein bedeutsames, zeitlich synchronisiertes Ereignis.

Gemittelt zu einer einzigen Frequenzzusammenfassung über eine zehnminütige Aufzeichnung wird dieser Ausbruch zu einer Statistik, die ununterscheidbar vom Hintergrundrauschen ist. Die zeitliche Rekonstruktion dieser Ereignisse ist der Ausgangspunkt für jede ernsthafte EEG-Forschung, und es ist genau das Problem, für dessen Lösung die Kurzzeit-Fourier-Transformation (STFT) entwickelt wurde.

Beschleunigen Sie Ihre analytischen EEG-Zeitpläne mit schnell aufzubauenden, hochdichten kabellosen Arrays, die für den flexiblen Feldeinsatz optimiert sind.

Beschleunigen Sie Ihre analytischen EEG-Zeitpläne mit schnell aufzubauenden, hochdichten kabellosen Arrays, die für den flexiblen Feldeinsatz optimiert sind.

Das Problem mit der Standard-Fourier-Transformation

Die standardmäßige Fourier-Transformation ist eine Säule der klassischen Signalverarbeitung, da sie komplexe Signale effektiv in eine Summe reiner Sinuswellen zerlegt. Durch die Integration über unendliche Zeit hinweg offenbart sie den gesamten in einer Aufzeichnung vorhandenen Frequenzgehalt.

Diese Methode setzt jedoch voraus, dass das Signal stationär ist; ändert sich die Frequenzzusammensetzung im Laufe der Zeit, verschleiert die typische Ausgabe die zeitliche Abfolge. Diese Einschränkung macht es unmöglich, zwischen einem kurzen, stoßartigen Ereignis und einer anhaltenden Harmonischen zu unterscheiden, was in Bereichen wie den Neurowissenschaften von entscheidender Bedeutung ist.

Was ist die Kurzzeit-Fourier-Transformation in der EEG-Analyse?

Die STFT nähert sich dem Timing-Problem mit einer recht direkten Strategie. Anstatt eine Fourier-Transformation für eine gesamte EEG-Aufzeichnung auf einmal durchzuführen, zerlegt sie das Signal in kurze, aufeinanderfolgende Segmente, oft Fenster genannt, und wendet die Fourier-Transformation separat auf jedes einzelne an. Jedes Fenster erzeugt eine eigene Miniatur-Frequenzaufnahme, und das Aneinanderfügen dieser Momentaufnahmen in zeitlicher Reihenfolge ergibt ein bewegtes Bild davon, wie sich der Frequenzgehalt über die Zeit ändert.

Die Ausgabe dieses Prozesses wird gewöhnlich als Spektrogramm dargestellt, eine visuelle Karte, bei der die Zeit entlang einer Achse und die Frequenz entlang der anderen verläuft. Die Farbe oder Intensität an einem beliebigen Punkt auf dieser Karte repräsentiert die Leistung oder Stärke dieser Frequenz zu diesem Zeitpunkt. Genau das ist der Wert, den die STFT-Analyse liefern soll.

Wie Zabidi et al. formulieren, dient die STFT-Analyse dazu, „die Frequenzinhalte der EEG-Signale an jedem einzelnen Zeitpunkt aufzudecken“ (übersetzt).

Warum die Fensterlänge die wichtigste Einstellung bei der STFT ist

Ein Signal in Fenster zu zerlegen, klingt einfach, doch die für jedes Fenster gewählte Länge bestimmt fast alles über die Qualität und Genauigkeit des resultierenden Spektrogramms. Diese Entscheidung beinhaltet einen Kompromiss, der nicht vermieden, sondern nur gesteuert werden kann.

Man kann es sich so vorstellen: Ein langes Fenster verhält sich wie ein präzises Frequenzlineal, aber wie eine unscharfe Stoppuhr. Da es mehr Datenpunkte enthält, kann ein langes Fenster eng beieinander liegende Frequenzen mit echter Genauigkeit unterscheiden. Da es sich jedoch über eine längere Zeitspanne erstreckt, wird jedes Ereignis innerhalb dieses Fensters verschmiert, und man verliert die Fähigkeit, genau zu bestimmen, wann sich etwas geändert hat.

Ein kurzes Fenster kehrt diesen Kompromiss um. Es verhält sich wie eine präzise Stoppuhr, aber wie ein unscharfes Frequenzlineal. Es kann fast genau angeben, wann etwas passiert ist, tut sich jedoch schwer damit, nahe beieinander liegende Frequenzen zu trennen, da ein kurzer Signalausschnitt schlicht nicht genügend Schwingungszyklen enthält, um die Frequenz detailliert zu messen.

Dies ist eine Variante des Unschärfeprinzips, das jede Zeit-Frequenz-Analyse bestimmt: Man kann nicht gleichzeitig eine perfekte Auflösung in Zeit und Frequenz erreichen. Die Verbesserung des einen geht immer zu Lasten des anderen. Diesen Kompromiss zu erkennen, anstatt zu versuchen, ihn aufzuheben, ist die Kernkompetenz bei der Arbeit mit der STFT.

Da verschiedene EEG-Rhythmen mit sehr unterschiedlichen Geschwindigkeiten oszillieren, funktioniert keine einzelne Fensterlänge für alle gleichermaßen gut. Die folgenden Richtlinien sind erste praktische Heuristiken, die sich daraus ableiten, wie sich diese Rhythmen üblicherweise verhalten:

  • Delta-Wellen (ungefähr 0,5 bis 4 Hz): Dies sind die langsamsten Gehirnrhythmen, und ein Fenster muss lang genug sein – oft im Bereich von 1 bis 2 Sekunden –, um mindestens einen vollständigen Zyklus der langsamsten gemessenen Welle zu erfassen. Ein kürzeres Fenster enthält schlicht nicht genug von der Welle, um sie zu charakterisieren.

  • Theta- und Alpha-Rhythmen (ungefähr 4 bis 13 Hz): Ein mittleres Fenster, oft um 500 Millisekunden, trifft in der Regel eine praktikable Balance. Es ist lang genug, um mehrere Schwingungszyklen zu erfassen, was hilft, den Rhythmus klar zu definieren, während es immer noch kurz genug ist, um bedeutsame Veränderungen zu verfolgen, wie etwa das Einsetzen eines Alpha-Bursts beim Schließen der Augen.

  • Beta- und Gamma-Rhythmen (über ungefähr 13 Hz): Diese schnelleren Rhythmen bewegen sich rasch, sodass ein kurzes Fenster – oft 250 Millisekunden oder weniger – notwendig wird, um ihre schnelle Dynamik zu verfolgen. Der Preis hierfür ist eine verringerte Fähigkeit, eng beieinander liegende Frequenzen im höheren Gamma-Bereich präzise zu unterscheiden – eine direkte Folge desselben oben beschriebenen Kompromisses.

Wie die STFT Unterschiede zwischen realer und vorgestellter Bewegung aufdeckt

Der praktische Wert der STFT wird am deutlichsten in der Forschung zu Brain-Computer-Interfaces (BCI), bei denen das Ziel darin besteht, Gehirnaktivität direkt in Steuersignale für ein Gerät zu übersetzen.

Ein gut untersuchtes Beispiel ist der Vergleich von EEG-Daten, die aufgezeichnet wurden, während sich eine Person vorstellt, eine Hand zu bewegen, mit EEG-Daten während einer vorgestellten Fußbewegung – oder der Vergleich von rein vorgestellten Handlungen mit der realen physischen Ausführung dieser Handlung.

Bei diesen motorischen Paradigmen ist ein häufiges Analyseziel ein Phänomen namens ereigniskorrelierte Desynchronisation (Event-Related Desynchronization, ERD) – ein Abfall der Signalleistung in den Bereichen der Mu- und Beta-Rhythmen über Gehirnregionen, die mit Bewegung assoziiert sind. Da eine ERD ein spezifischer, zeitgebundener Leistungsabfall und kein konstantes Hintergrundmerkmal ist, handelt es sich genau um die Art von Ereignis, die eine zusammenfassende Frequenzanalyse der gesamten Aufzeichnung löschen würde und die ein zeitaufgelöstes Spektrogramm erfassen kann.

Die Forschungsstudie von Zabidi et al., die die STFT direkt auf diese Frage anwendete, untersuchte EEG-Signale, die während des tatsächlichen Handschreibens und während des bloß vorgestellten Schreibens gesammelt wurden. Das Signal wurde zunächst durch einen Bandpassfilter geleitet, der die Analyse auf den Bereich von 8 bis 30 Hz beschränkte – was die für die motorische Aktivität relevantesten Alpha- und Beta-Rhythmen abdeckt –, bevor die STFT mit einem abgestimmten Hamming-Fenster berechnet wurde.

Das Ergebnis war ein direkter, spezifischer Befund: „Die Frequenzkomponenten der beim Schreiben erhaltenen EEG-Signale sind dieselben wie die beim vorgestellten Schreiben erhaltenen“ (übersetzt).

Praktisch ausgedrückt ähnelte das elektrische Rhythmusmuster des Gehirns während einer vorgestellten Handlung stark dem Muster während der realen physischen Handlung – eine Korrelation, die einem Großteil der Logik hinter BCI-Systemen zugrunde liegt, die beabsichtigte Bewegungen erkennen wollen, ohne dass eine tatsächliche physische Bewegung erforderlich ist.

Nutzung der STFT zur Erstellung von Bildern für Deep-Learning-Modelle

Über die visuelle Inspektion hinaus haben durch STFT erzeugte Spektrogramme ein zweites Leben als Vorverarbeitungsschritt für Deep-Learning-Systeme gefunden – insbesondere für Convolutional Neural Networks (CNNs), eine Modellart, die ursprünglich für die Mustererkennung in Bildern entwickelt wurde. Da ein Spektrogramm im Wesentlichen ein farbiges Bild ist, das die Leistung über Zeit und Frequenz zeigt, gehen Forschende davon aus, dass es direkt an ein bildbasiertes Deep-Learning-Modell übergeben werden kann, welches dann verborgene Strukturen in den Daten erkennen kann, die manuell schwer zu spezifizieren sind.

Eine Studie aus dem Jahr 2019 wandelte EEG-Aufzeichnungen einer Bewegungsvorstellungsaufgabe (Unterscheidung zwischen Bewegungen der rechten Hand und des rechten Fußes) mithilfe von STFT und einem alternativen Zeit-Frequenz-Ansatz in Bilder um und speiste anschließend beide Bildsätze in eine vortrainierte CNN-Architektur ein.

Die Leistung bei beiden Ansätzen war hoch: Die gesamte Pipeline erreichte eine Klassifikationsgenauigkeit von 99,35 %, was als das beste Ergebnis unter den bestehenden vergleichbaren Methoden beschrieben wurde. Als die beiden Bildgenerierungsmethoden jedoch innerhalb derselben Studie direkt miteinander verglichen wurden, waren die Ergebnisse nicht gleichwertig: „Der CWT-Ansatz liefert bessere Ergebnisse als der STFT-Ansatz“ (übersetzt), was auf einen echten, messbaren Unterschied darin hinweist, wie getreu jede Methode das zugrundeliegende EEG-Signal in ein nutzbares Bild übersetzte.

Dieser Kompromiss war Berichten zufolge das motivierende Problem hinter einer separaten methodischen Entwicklung. Forschende entwickelten das sogenannte verankerte STFT (anchored-STFT), das als „eine fortschrittliche Version der STFT beschrieben wird, da sie den von der STFT dargestellten Kompromiss zwischen zeitlicher und spektraler Auflösung minimiert“ (übersetzt).

Gepaart mit einer Methode zur gegnerischen Datenerweiterung (Adversarial Data Augmentation) meldete diese verbesserte Pipeline Klassifizierungsgenauigkeiten von etwa 69 % bis über 90 % über mehrere BCI-Datensätze hinweg. Dies untermauert das Muster, dass die einfache STFT als ein wirklich fähiges Werkzeug zur Merkmalsextraktion dienen kann – jedoch eines, dessen bekannte Auflösungsbeschränkungen Raum für Verfeinerungen lassen, sei es durch Parameterabstimmung, eine verbesserte Version der Technik selbst oder einen völlig anderen Zeit-Frequenz-Ansatz.

Wie die Forschung die Kurzzeit-Fourier-Transformation auf die Klassifikation von Bewegungsvorstellungen anwendet

Eine aktuelle Studie führt die Kurzzeit-Fourier-Transformation über die Visualisierungsphase hinaus in eine funktionierende Klassifikations-Pipeline. Wie bei den oben beschriebenen früheren Arbeiten ist der Ausgangspunkt eine motorische Vorstellungsaufgabe, bei der sich eine Person vorstellt, eine Hand zu bewegen, anstatt sie physisch zu bewegen.

Die Autoren beschreiben ein Framework, das sie AMD-KT2D nennen und das auf einer von ihnen als optimierte Kurzzeit-Fourier-Transformation bezeichneten Methode aufbaut. Anstatt sich auf eine einzige feste Fenstereinstellung festzulegen, stimmt diese Variante die Fensterfunktion und die Zeit-Frequenz-Auflösung gemeinsam ab – mit dem erklärten Ziel, dynamische zeitliche und räumliche Merkmale zu erhalten, die eine feste Konfiguration verwischen oder verlieren könnte.

Die resultierenden 2D-Zeit-Frequenz-Bilder werden dann an eine Guide-Learner-Architektur übergeben: Ein auf einem großen Datensatz vortrainiertes, verbessertes ResNet50 extrahiert hochgradige räumlich-zeitliche Merkmale, während ein maßgeschneidertes 2D-Convolutional Neural Network mehrskalige Merkmale erfasst. Eine Adaptive Margin Disparity Discrepancy-Verlustfunktion wird verwendet, um Ungleichheiten zwischen beiden zu reduzieren und ihre Merkmale aneinander auszurichten.

EEG-Aufzeichnungen für die Aufgabe zur Vorstellung von Bewegungen der linken gegenüber der rechten Hand wurden mit dem Emotiv Flex-System erfasst. Auf diesem Datensatz erreichte der hybride Klassifikator für motorische Vorstellungen Berichten zufolge eine Genauigkeit von 96,75 % in einer probandenabhängigen Umgebung und 92,17 % in einer probandenunabhängigen. Der Unterschied zwischen diesen beiden Zahlen ist beachtenswert: Eine innerhalb desselben Individuums gemessene Leistung überträgt sich nicht automatisch auf eine Person, an der das Modell nicht trainiert wurde.

Zusammen mit den anderen in diesem Artikel besprochenen Arbeiten deutet die Studie darauf hin, dass durch die Kurzzeit-Fourier-Transformation erzeugte Spektrogramme eine praktikable Eingabe für Deep-Learning-Modelle darstellen, die auf die Decodierung von Bewegungsvorstellungen abzielen. Was dieser Forschungsbereich jedoch noch nicht belegt, ist die Generalisierbarkeit. Es handelt sich um eine einzelne Studie an einem einzelnen Datensatz mit Genauigkeitswerten, die an eine Aufgabe und eine Gruppe von Teilnehmenden gebunden sind, und die Methode stützt sich wie berichtet auf eine abgestimmte Version der Transformation statt auf die Standardform.

Diese Ergebnisse sollten als vielversprechend in ihrem eigenen Rahmen verstanden werden, nicht als gesicherte Leistung für EEG-basierte Schnittstellen im weiteren Sinne.

Wo die STFT an ihre Grenzen stößt: Das Problem der festen Auflösung

Der oben diskutierte Kompromiss ist die zentrale Einschränkung, die jede forschende Person, die STFT verwendet, kritisch abwägen muss, bevor sie Schlussfolgerungen aus einem Spektrogramm zieht.

Sobald eine Fensterlänge gewählt ist – sagen wir 500 Millisekunden –, wird genau dieses Fenster einheitlich auf das gesamte analysierte Frequenzspektrum angewendet, unabhängig davon, ob die Forschenden langsame 2-Hz-Delta-Aktivität oder schnelle 100-Hz-Gamma-Aktivität betrachten. Das Fenster passt sich nicht selbst an. Der zuvor beschriebene Zeit-Frequenz-Kompromiss ist für die gesamte Analyse auf eine einzige Einstellung festgelegt, obwohl verschiedene Rhythmen im Idealfall von unterschiedlichen Einstellungen profitieren würden.

Diese starre Natur unterscheidet die STFT von einer Kategorie adaptiver Techniken, wie etwa Wavelet-basierten Methoden. Anstatt eine Fenstergröße für jede Frequenz festzulegen, verwenden adaptive Methoden für niedrigere Frequenzen effektiv längere Fenster und für höhere Frequenzen kürzere Fenster. Sie passen die Auflösung innerhalb einer einzigen Analyse nach Bedarf an, anstatt einen einzigen Kompromiss für das gesamte Signal einzugehen.

Beispielsweise berichtete eine von Wang et al. geleitete Studie zur Entwicklung einer adaptiven Zeit-Frequenz-Methode, dass ihr Ansatz „im Vergleich zu STFT und CWT eine optimale Zeit-Frequenz-Auflösung bieten kann“ (übersetzt), wobei die STFT ausdrücklich als die übertroffene Baseline genannt wurde.

In einer separaten klinischen Anwendung zur Vorhersage der Behandlungsergebnisse von Antidepressiva bei Major Depression anhand von EEG-Daten vor der Behandlung verglichen Forschende einen Wavelet-basierten Ansatz direkt mit der STFT und einer weiteren Zerlegungsmethode und berichteten, dass „die WT-Analyse die höchste Klassifikationsgenauigkeit“ (übersetzt) unter den verglichenen Verfahren gezeigt habe, wobei sie im Vergleich zu den Alternativen eine Genauigkeit von 87,5 % erreichte.

Ein schrittweiser Arbeitsablauf zur Erstellung und Auswertung eines EEG-Spektrogramms

Angesichts dieser Stärken und Einschränkungen trägt ein disziplinierter Arbeitsablauf dazu bei, dass die STFT angemessen angewendet und ihre Ausgabe ehrlich interpretiert wird.

Schritt 1: Die Fragestellung definieren, bevor die Daten angefasst werden. Geht es darum, einen schnellen, kurzen Gamma-Burst zu erkennen oder ein langsames Driften der Delta-Leistung über Minuten hinweg zu verfolgen? Die Antwort bestimmt, welches Ende des Kompromisses bei der Fensterlänge am wichtigsten ist.

Schritt 2: Eine an den Zielrhythmus angepasste anfängliche Fensterlänge wählen. Nutzen Sie die praktischen Richtlinien oben als Ausgangspunkt: längere Fenster für Delta, mittlere Fenster für Theta und Alpha, kürzere Fenster für Beta und Gamma. Kombinieren Sie dies mit einem überlappenden Fensterschema – üblicherweise zwischen 50 % und 90 % Überlappung zwischen aufeinanderfolgenden Fenstern –, was das resultierende Spektrogramm glättet und das Auftreten künstlicher Lücken zwischen den Zeitschritten reduziert.

Schritt 3: Das Spektrogramm erstellen und kritisch prüfen. Zeigt die gewählte Fensterlänge ein klares, scharfes Einsetzen für einen interessierenden schnellen Rhythmus, oder wirkt das Ereignis über eine längere Zeitspanne verschmiert, als es sein sollte? Kann das Spektrogramm einen Alpha-Peak sauber von einem benachbarten Theta-Peak trennen, oder gehen die beiden Rhythmen ineinander über? Diese visuellen Überprüfungen sind ein direkter, praktischer Test dafür, ob die gewählte Fensterlänge für die Daten angemessen war.

Schritt 4: Das Ergebnis als eine Ansicht unter mehreren möglichen betrachten, nicht als endgültiges Urteil. Ein negativer Befund – wie etwa kein messbarer Gamma-Unterschied zwischen zwei Versuchsgruppen – könnte ein tatsächliches Fehlen eines Effekts widerspiegeln, oder er könnte einfach die Auflösungsgrenzen des spezifisch gewählten STFT-Fensters abbilden. Ein sinnvoller nächster Schritt zur Bestätigung eines mehrdeutigen oder wichtigen Befundes ist die erneute Analyse derselben Daten mit einer adaptiven Methode als Gegenprobe.

Warum das Verfolgen des Timings von Gehirnrhythmen neue Erkenntnisse ermöglicht

Gehirnaktivität ist eine Abfolge zeitlich festgelegter Ereignisse, und die Wiederherstellung dieses Timings verwandelt eine flache Aufzeichnung in einen Echtzeitbericht über sich verändernde Geisteszustände. Durch den Übergang von einer bloßen Frequenzzusammenfassung zu einer Karte von Moment zu Moment können Forschende bestimmte Gedanken, Absichten oder Empfindungen direkt mit den Gehirnrhythmen verknüpfen, die sie begleiten. Dieser Wandel macht das EEG von einer statischen Messung zu einem Werkzeug, das Brain-Computer-Interfaces unterstützen und in Deep-Learning-Modelle einfließen kann, die lernen, mentale Muster zu erkennen.

Der Kompromiss der Methode hinsichtlich der festen Auflösung vermittelt eine allgemeinere Lektion: Jede analytische Entscheidung hebt bestimmte Wahrheiten hervor, während sie andere möglicherweise verwischt, sodass kein einzelnes Ergebnis die ganze Geschichte erzählt. Dies erfordert Gegenprüfungen mit anderen Ansätzen, wenn Befunde von Bedeutung sind, und es bestärkt die Erkenntnis, dass die elektrischen Muster des Gehirns – wie die enge Übereinstimmung zwischen vorgestellter und tatsächlicher Bewegung – vielschichtig sind. Diese grundlegende Ähnlichkeit stützt die Annahme, dass das Gehirn Handlungen anhand vieler derselben rhythmischen Signaturen einstudiert, die es auch zu deren Ausführung verwendet.

Literaturhinweise

  1. 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) (S. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

  2. 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

  3. 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

  4. 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

  5. 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

Häufig gestellte Fragen (FAQ)

Was ist die Kurzzeit-Fourier-Transformation in der EEG-Analyse?

Die Kurzzeit-Fourier-Transformation (STFT) teilt das rohe EEG-Signal in kurze, aufeinanderfolgende Zeitfenster und berechnet für jedes davon ein Frequenzspektrum. Das Aneinanderreihen dieser Momentaufnahmen erzeugt ein bewegtes Bild, ein sogenanntes Spektrogramm, das zeigt, wie sich die Leistung verschiedener Gehirnrhythmen von Moment zu Moment ändert.

Warum kann ich nicht einfach eine normale Fourier-Transformation auf eine EEG-Aufzeichnung anwenden?

Eine grundlegende Fourier-Transformation zerlegt die gesamte Aufzeichnung in ihre Frequenzkomponenten, löscht aber alle zeitlichen Informationen. So weiß man zwar, welche Rhythmen insgesamt vorhanden waren, aber nicht, wann sie auftraten. Die STFT stellt dieses Timing wieder her, indem sie kurze Segmente separat analysiert, sodass sichtbar wird, wann ein Alpha-Burst oder ein Abfall der Beta-Leistung tatsächlich stattgefunden hat.

Was zeigt ein Spektrogramm?

Ein Spektrogramm ist eine visuelle Karte mit der Zeit auf einer Achse, der Frequenz auf der anderen und einer Farbe oder Helligkeit, die die Leistung jeder Frequenz in diesem Moment darstellt. Es verwandelt das EEG von einer flachen Zusammenfassung in so etwas wie eine Partitur der elektrischen Aktivität des Gehirns.

Warum ist die Fensterlänge so wichtig?

Längere Fenster liefern präzise Frequenzinformationen, verwischen aber das genaue Timing von Ereignissen, während kürzere Fenster das Timing genau erfassen, aber eng beieinander liegende Frequenzen ineinander verschmieren. Dieser unvermeidbare Kompromiss bedeutet, dass die Wahl der Fensterlänge direkt bestimmt, was ein Spektrogramm aufdecken kann und was es verbirgt.

Welche Fensterlängen sind ein guter Ausgangspunkt für verschiedene Gehirnrhythmen?

Für sehr langsame Delta-Rhythmen ist ein längeres Fenster von etwa ein bis zwei Sekunden erforderlich, um vollständige Zyklen zu erfassen. Theta- und Alpha-Rhythmen lassen sich oft gut mit einem Fenster von etwa einer halben Sekunde analysieren, und schnellere Beta- und Gamma-Rhythmen erfordern kürzere Fenster von etwa einer Viertelsekunde oder weniger, um ihre schnellen Änderungen zu verfolgen.

Wie kann die STFT Ähnlichkeiten zwischen realer und vorgestellter Bewegung aufzeigen?

Die STFT erfasst zeitlich gebundene Leistungsabfälle, die als ereigniskorrelierte Desynchronisation in den Mu- und Beta-Bändern bezeichnet werden. Diese treten sowohl dann auf, wenn sich eine Person bewegt, als auch dann, wenn sie sich dieselbe Bewegung mental vorstellt. Spektrogramme realer und vorgestellter motorischer Aufgaben können nahezu identische Frequenzmuster zeigen, was die Logik von Brain-Computer-Interfaces stützt.

Kann die STFT mit Deep-Learning-Modellen verwendet werden?

Ja, die durch die STFT erzeugten Spektrogrammbilder können direkt in Convolutional Neural Networks eingespeist werden, die für die Bilderkennung entwickelt wurden. Diese Modelle können lernen, Gehirnzustände anhand der Zeit-Frequenz-Muster zu unterscheiden, und erreichen bei Aufgaben wie der Erkennung von Bewegungsvorstellungen oft eine sehr hohe Klassifikationsgenauigkeit.

Was ist die Haupteinschränkung der STFT im Vergleich zu anderen Zeit-Frequenz-Methoden?

Die STFT legt eine einzige Fenstergröße für alle Frequenzen fest, was bedeutet, dass sie nicht gleichzeitig scharfe Zeitdetails für schnelle Bursts und feine Frequenzdetails für langsame Wellen liefern kann. Adaptive Verfahren wie Wavelets variieren die effektive Fensterlänge mit der Frequenz, was in direkten Vergleichen oft zu einer besseren Auflösung und höheren Klassifikationsleistung führt.

Was ist ein gutes schrittweises Vorgehen bei der Verwendung der STFT für EEG-Daten?

Beginnen Sie damit, eine anfängliche Fensterlänge an den für Sie relevanten Rhythmus anzupassen, verwenden Sie überlappende Fenster zur Glättung des Spektrogramms und prüfen Sie das Ergebnis, um zu sehen, ob Ereignisse zeitlich scharf abgegrenzt oder verschmiert wirken. Wenn der Befund kritisch ist, sollten Sie eine Gegenprüfung der Daten mit einer adaptiven Methode in Betracht ziehen, da eine einzelne STFT-Einstellung möglicherweise nur eine Art von Auflösung begünstigt.

Beschleunigen Sie Ihre analytischen EEG-Zeitpläne mit schnell aufzubauenden, hochdichten kabellosen Arrays, die für den flexiblen Feldeinsatz optimiert sind.

Beschleunigen Sie Ihre analytischen EEG-Zeitpläne mit schnell aufzubauenden, hochdichten kabellosen Arrays, die für den flexiblen Feldeinsatz optimiert sind.

Emotiv ist ein führender Anbieter von Neurotechnologie, der die neurowissenschaftliche Forschung mit zugänglichen EEG- und Gehirndaten-Tools vorantreibt.

Medizinischer Haftungsausschluss: Die auf dieser Website bereitgestellten Informationen dienen ausschließlich Bildungs- und Informationszwecken und sind nicht als medizinische oder gesundheitliche Beratung gedacht. Dieser Inhalt kann Fehler enthalten und sollte nicht als Grundlage für lebensverändernde gesundheitliche, medizinische oder Lebensstilentscheidungen herangezogen werden. Wenden Sie sich bei Fragen zu einer Erkrankung oder Behandlung immer an Ihren Arzt oder einen anderen qualifizierten Gesundheitsdienstleister.

Christian Burgos

Das Neueste von uns

Der Kompromiss bei Trocken-EEG-Elektroden: Schnelligkeit und Komfort vs. Signaltreue

Das Elektroenzephalogramm (EEG) ist seit Jahrzehnten ein Eckpfeiler der Neurowissenschaften und misst die elektrische Aktivität des Gehirns über auf der Kopfhaut platzierte Elektroden. Traditionelle „nasse“ Elektroden erfordern leitfähiges Gel, um die Lücke zwischen Haut und Sensor zu überbrücken und den Widerstand – die Impedanz – zu verringern, der diese winzigen Spannungen andernfalls blockieren würde. Dieses Auftragen von Gel ist schmierig, zeitaufwendig und für die Teilnehmenden oft unangenehm.

Da das EEG zunehmend außerhalb des Labors zum Einsatz kommt – in Wohnungen, Kliniken und ambulanten Umgebungen –, ist die Nachfrage nach einer schnelleren, einfacheren Schnittstelle gewachsen. Trockenelektroden, die ohne Gel in direkten Kontakt mit der Haut treten, versprechen genau das: eine schnelle Einrichtung und mehr Komfort.

Doch diese Bequemlichkeit hat ihren physikalischen Preis. Das Fehlen von Gel führt zu einer höheren Impedanz und einem verrauschteren Signal, was zu einem ständigen Kompromiss zwischen Praktikabilität und Datengenauigkeit führt. Eine Reihe neuerer unabhängiger Studien zeigt nun die genauen Dimensionen dieses Kompromisses auf und verdeutlicht, wo Trockenelektroden hervorragende Leistungen erbringen und wo sie weiterhin nur die zweite Wahl bleiben.

Artikel lesen

Wie funktioniert das Heim-EEG für tägliche Gehirnaufzeichnungen?

Heim-EEG sind selbst durchgeführte Aufzeichnungen, die außerhalb einer klinischen oder Laborumgebung stattfinden. Dabei werden das Elektroden-Gel, das headset und die Aufzeichnungssoftware einem ungeübten Nutzer übergeben, oft mit nichts weiter als einer Smartphone-App als Anleitung. Das Konzept besteht darin, Gehirnmessfunktionen zur Verfügung zu haben, die sich in den Alltag einfügen und potenziell die Schlafarchitektur, den kognitiven Fokus oder Anfallsmuster aufzeichnen, ohne den logistischen Aufwand eines Krankenhausbesuchs.

Artikel lesen

Neurofeedback-Geräte als Gesamtsysteme

Stellen Sie sich vor, Sie spielen ein Videospiel, bei dem Ihr Controller unsichtbar ist – Sie steuern allein mit Ihren eigenen Gehirnwellen. Diese Idee bildet den Kern des Neurofeedbacks, einer Technik, die Ihnen ein Echtzeitfenster in Ihre Gehirnaktivität öffnet und Ihnen anschließend beibringt, diese zu verändern.

Ein Gerät erfasst von Ihrem Gehirn erzeugte Signale, meist mithilfe eines Elektroenzephalogramms (EEG), das elektrische Muster auf der Kopfhaut misst, oder gelegentlich mit einem funktionellen Nahinfrarotspektroskopie-Sensor (fNIRS), der den Blutfluss verfolgt. Diese Rohsignale werden verarbeitet und in ein einfaches Spiel, einen Ton oder eine sich bewegende Figur auf einem Bildschirm umgewandelt. Durch Versuch und Irrtum lernt Ihr Gehirn, jene Muster zu erzeugen, die das Feedback in die gewünschte Richtung lenken.

Viele Anleitungen konzentrieren sich auf die einzelnen Teile – die EEG-Elektroden, die Kabel, die Software –, aber ein Gerät ist nur dann erfolgreich, wenn diese Elemente ein kohärentes Ganzes bilden. Diese Einführung betrachtet Neurofeedback als integriertes System, bei dem Signalverarbeitung, Feedback-Design und Alltagstauglichkeit zusammenwirken, um zu bestimmen, ob etwas tatsächlich hilft.

Artikel lesen

EEG-Setup meistern: Best Practices vor der Aufzeichnung

Was ein klares, interpretierbares neuronales Signal von einer durch Muskelartefakte oder Netzbrummen korrumpierten Spur unterscheidet, ist kein hochentwickelter Post-hoc-Algorithmus, sondern eine systematische, chronologische Pipeline vorbereitender Schritte. Das EEG-Setup ist in diesem Zusammenhang nicht einfach das Aufsetzen einer Elektrodenkappe auf eine Versuchsperson. Es handelt sich um eine disziplinierte Abfolge biologischer, umgebungsbezogener und elektrischer Kalibrierungsverfahren, die gemeinsam eine stabile, rauscharme Schnittstelle zwischen Gehirn und Verstärker herstellen.

Dieser Artikel führt durch den Arbeitsablauf vor der Aufzeichnung und fasst die verfügbare Evidenz zusammen, um zu demonstrieren, dass eine sorgfältige Einweisung der Teilnehmenden, die Vorbereitung der Kopfhaut, die Umgebungsabschirmung, die Auswahl der Referenzmontage und das Screening auf Baseline-Artefakte eine unverzichtbare Kette von Abhängigkeiten bilden.

Artikel lesen