Ein Leitfaden zur Kurzzeit-Fourier-Transformation für EEG

Das Problem mit der standardmäßigen Fourier-Transformation

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

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

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

Die STFT geht das Zeitproblem mit einer recht direkten Strategie an. Anstatt eine Fourier-Transformation für eine gesamte EEG-Aufzeichnung auf einmal durchzuführen, schneidet sie das Signal in kurze, aufeinanderfolgende Segmente, oft Fenster genannt, und wendet die Fourier-Transformation auf jedes einzeln an. Jedes Fenster erzeugt seine eigene Miniatur-Frequenzaufnahme, und das Aneinanderreihen dieser Aufnahmen in der richtigen Reihenfolge ergibt ein bewegtes Bild davon, wie sich der Frequenzgehalt im Laufe der Zeit verändert.

Das Ergebnis dieses Prozesses wird üblicherweise als Spektrogramm dargestellt, eine visuelle Karte, bei der die Zeit entlang der einen Achse und die Frequenz entlang der anderen verläuft. Die Farbe oder Intensität an jedem Punkt dieser Karte stellt die Leistung oder Stärke dieser Frequenz in diesem Moment dar. Dies ist genau der Wert, den die STFT-Analyse liefern soll.

Wie Zabidi et al. es ausdrücken, dient die STFT-Analyse dazu, „die Frequenzinhalte der EEG-Signale zu jedem Zeitpunkt offenzulegen“.

Warum die Fensterlänge die wichtigste Einstellung bei der STFT ist

Ein Signal in Fenster zu schneiden klingt einfach, aber die für jedes Fenster gewählte Länge bestimmt fast alles über die Qualität und Genauigkeit des resultierenden Spektrogramms. Diese Entscheidung beinhaltet einen Kompromiss, der sich nicht vermeiden, sondern nur steuern lässt.

Betrachten Sie es so: Ein langes Fenster wirkt wie ein präzises Frequenzlineal, aber wie eine unscharfe Stoppuhr. Da es mehr Datenpunkte enthält, kann ein langes Fenster eng beieinander liegende Frequenzen mit echter Präzision unterscheiden. Da es sich jedoch über einen längeren Zeitraum erstreckt, wird jedes Ereignis, das innerhalb dieses Fensters stattfindet, verschmiert, und Sie verlieren die Fähigkeit, genau zu bestimmen, wann sich etwas geändert hat.

Ein kurzes Fenster kehrt diesen Kompromiss um. Es wirkt wie eine präzise Stoppuhr, aber wie ein unscharfes Frequenzlineal. Es kann Ihnen fast genau sagen, wann etwas passiert ist, aber es fällt ihm schwer, eng beieinander liegende Frequenzen zu trennen, da ein kurzes Signalstück schlicht nicht genügend Schwingungszyklen enthält, um die Frequenz detailliert zu messen.

Dies ist eine Variante einer Unschärferelation, die für jede Zeit-Frequenz-Analyse gilt: Sie können nicht gleichzeitig eine perfekte Auflösung sowohl in der Zeit als auch in der Frequenz erreichen. Die Verbesserung der einen geht immer zu Lasten der anderen. Diesen Kompromiss zu erkennen, anstatt zu versuchen, ihn zu überwinden, ist die Kernkompetenz bei der Arbeit mit STFT.

Da verschiedene EEG-Rhythmen mit sehr unterschiedlicher Geschwindigkeit schwingen, eignet sich keine einzelne Fensterlänge für alle gleichermaßen. Die folgenden Richtlinien sind erste praktische Heuristiken, die sich aus dem üblichen Verhalten dieser Rhythmen ableiten:

• Delta-Wellen (ca. 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 (ca. 4 to 13 Hz): Ein mittleres Fenster, oft um die 500 Millisekunden, bietet meist einen brauchbaren Kompromiss. Es ist lang genug, um mehrere Schwingungszyklen zu erfassen, was hilft, den Rhythmus klar zu definieren, und gleichzeitig kurz genug, um bedeutende Veränderungen zu verfolgen, wie das Einsetzen eines Alpha-Bursts beim Schließen der Augen.

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

Wie STFT Unterschiede zwischen realer und imaginierter Bewegung aufzeigt

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

Ein gut untersuchtes Beispiel ist der Vergleich eines EEGs, das aufgezeichnet wurde, während sich eine Person die Bewegung einer Hand vorstellt, mit einem EEG, bei dem sie sich eine Fußbewegung vorstellt, oder der Vergleich von imaginierten Aktionen mit der realen physischen Ausführung dieser Aktion.

In diesen motorischen Paradigmen ist ein häufiges Analyseziel ein Phänomen namens ereigniskorrelierte Desynchronisation (ERD) – ein Abfall der Signalleistung im Mu- und Beta-Rhythmusbereich über den mit Bewegung assoziierten Gehirnarealen. Da die ERD ein spezifischer, zeitlich begrenzter Leistungseinbruch und kein konstantes Hintergrundmerkmal ist, handelt es sich genau um die Art von Ereignis, die in einer Frequenzzusammenfassung der gesamten Aufzeichnung verloren ginge und die ein zeitaufgelöstes Spektrogramm erfassen kann.

Die Forschungsstudie von Zabidi et al., die STFT direkt auf diese Fragestellung anwandte, untersuchte EEG-Daten, die während des tatsächlichen Schreibens und während des imaginierten 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 eine direkte, spezifische Erkenntnis: „die Frequenzkomponenten der beim Schreiben gewonnenen EEG-Signale entsprechen denen, die beim imaginierten Schreiben gewonnen werden“.

Praktisch ausgedrückt ähnelte das elektrische Rhythmusmuster des Gehirns während einer imaginierten Aktion stark dem Muster während der realen physischen Aktion – eine Korrelation, die der Logik von BCI-Systemen zugrunde liegt, die darauf abzielen, beabsichtigte Bewegungen ohne tatsächliche körperliche Bewegung zu erkennen.

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

Über die visuelle Inspektion hinaus haben durch STFT erzeugte Spektrogramme ein zweites Leben als Vorbereitungsschritt für Deep-Learning-Systeme gefunden, insbesondere für Convolutional Neural Networks (CNNs), eine Modellart, die ursprünglich für die Erkennung von Mustern in Bildern entwickelt wurde. Da ein Spektrogramm im Grunde ein farbiges Bild ist, das die Leistung über Zeit und Frequenz hinweg darstellt, gehen Forscher davon aus, dass es direkt an ein bildbasiertes Deep-Learning-Modell übergeben werden kann, das dann verborgene Strukturen in den Daten erkennt, die sich manuell nur schwer definieren lassen.

Eine Studie aus dem Jahr 2019 wandelte EEG-Aufzeichnungen einer motorischen Imaginationsaufgabe, die zwischen Bewegungen der rechten Hand und des rechten Fußes unterschied, sowohl mittels STFT als auch mit einem alternativen Zeit-Frequenz-Ansatz in Bilder um und führte beide Bildsätze einer vortrainierten CNN-Architektur zu.

Die Leistung war bei beiden Ansätzen stark; die gesamte Pipeline erreichte eine Klassifizierungsgenauigkeit von 99.35%, was als Bestwert unter den bestehenden vergleichbaren Methoden beschrieben wurde. Als jedoch die beiden Methoden zur Bildgenerierung in derselben Studie direkt miteinander verglichen wurden, waren die Ergebnisse nicht gleichwertig: „der CWT-Ansatz liefert bessere Ergebnisse als der STFT-Ansatz“, was auf einen realen, messbaren Kompromiss hinweist, wie originalgetreu jede Methode das zugrundeliegende EEG-Signal in ein nutzbares Bild übersetzt.

Dieser Kompromiss war Berichten zufolge der Motivationsgrund für eine separate methodische Entwicklung. Forscher entwickelten die sogenannte verankerte STFT, die als „eine fortschrittliche Version der STFT beschrieben wird, da sie den von der STFT dargestellten Kompromiss zwischen zeitlicher und spektraler Auflösung minimiert“.

Kombiniert mit einer Methode zur gegnerischen Datenerweiterung (Adversarial Data Augmentation) meldete diese verbesserte Pipeline Klassifizierungsgenauigkeiten zwischen etwa 69% und über 90% bei mehreren BCI-Datensätzen. Dies untermauert das Muster, dass die einfache STFT als absolut fähiges Werkzeug zur Merkmalsextraktion dienen kann, dessen bekannte Auflösungsbeschränkungen jedoch Raum für Verfeinerungen lassen – sei es durch Parametertuning, eine verbesserte Version der Technik selbst oder einen völlig anderen Zeit-Frequenz-Ansatz.

Wenn STFT an ihre Grenzen stößt: Das Problem der festen Auflösung

Der oben diskutierte Kompromiss ist die zentrale Einschränkung, die jeder Forscher bei der Verwendung von STFT kritisch abwägen muss, bevor er Schlussfolgerungen aus einem Spektrogramm zieht.

Sobald eine Fensterlänge gewählt ist, beispielsweise 500 Millisekunden, wird dasselbe Fenster einheitlich auf das gesamte zu analysierende Frequenzspektrum angewendet – unabhängig davon, ob der Forscher langsame 2-Hz-Delta-Aktivität oder schnelle 100-Hz-Gamma-Aktivität betrachtet. 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 idealerweise von unterschiedlichen Einstellungen profitieren würden.

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

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

In einer separaten klinischen Anwendung zur Vorhersage von Behandlungsergebnissen bei Major Depressive Disorder anhand von EEG-Daten vor der Behandlung verglichen Forscher einen Wavelet-basierten Ansatz direkt mit der STFT und einer anderen Zerlegungsmethode und berichteten, dass „die WT-Analyse die höchste Klassifizierungsgenauigkeit“ unter den verglichenen Techniken aufwies und eine Genauigkeit von 87.5% im Vergleich zu den Alternativen erreichte.

Ein Schritt-für-Schritt-Workflow zur Erstellung und Bewertung eines EEG-Spektrogramms

Angesichts dieser Stärken und Einschränkungen hilft ein disziplinierter Arbeitsablauf sicherzustellen, dass die STFT angemessen angewendet und ihr Ergebnis ehrlich interpretiert wird.

Schritt 1: Definieren Sie die Fragestellung, bevor Sie die Daten anfassen. Ist das Ziel die Erkennung eines schnellen, kurzen Gamma-Bursts oder die Verfolgung einer langsamen Drift der Delta-Leistung über Minuten? Die Antwort bestimmt, welches Ende des Kompromisses bei der Fensterlänge am wichtigsten ist.

Schritt 2: Wählen Sie eine anfängliche Fensterlänge, die auf den Zielrhythmus abgestimmt ist. Nutzen Sie die obigen praktischen Richtlinien 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 mit einer Überlappung von 50% bis 90% zwischen aufeinanderfolgenden Fenstern, was das resultierende Spektrogramm glättet und das Auftreten künstlicher Lücken zwischen den Zeitschnitten reduziert.

Schritt 3: Erzeugen Sie das Spektrogramm und prüfen Sie es kritisch. Zeigt die gewählte Fensterlänge einen klaren, scharfen Beginn für einen schnellen Rhythmus von Interesse, oder wirkt das Ereignis über einen längeren Zeitraum verschmiert, als es sein sollte? Kann das Spektrogramm eine Alpha-Spitze sauber von einer benachbarten Theta-Spitze unterscheiden, oder gehen die beiden Rhythmen ineinander über? Diese visuellen Prüfungen sind ein direkter, praktischer Test dafür, ob die gewählte Fensterlänge für die Daten angemessen war.

Schritt 4: Betrachten Sie das Ergebnis als eine von mehreren möglichen Ansichten, nicht als endgültiges Urteil. Ein negatives Ergebnis, wie etwa kein messbarer Gamma-Unterschied zwischen zwei Versuchsgruppen, könnte auf ein tatsächliches Fehlen eines Effekts zurückzuführen sein, oder es könnte einfach die Auflösungsgrenzen des spezifisch gewählten STFT-Fensters widerspiegeln. Ein sinnvoller nächster Schritt zur Bestätigung eines unklaren oder wichtigen Befundes ist die erneute Analyse derselben Daten mit einer adaptiven Methode als Gegenprobe.

Warum das Verfolgen des Timings von Gehirnrhythmen neue Erkenntnisse freisetzt

Gehirnaktivität ist eine Abfolge zeitlich abgestimmter Ereignisse, und die Wiederherstellung dieses Timings verwandelt eine flache Aufzeichnung in eine Echtzeit-Darstellung sich verändernder mentaler Zustände. Durch den Übergang von einer einfachen Frequenzzusammenfassung zu einer Moment-zu-Moment-Karte können Forscher bestimmte Gedanken, Absichten oder Empfindungen direkt mit den sie begleitenden Gehirnrhythmen verknüpfen. Dieser Wandel macht das EEG von einer statischen Messung zu einem Werkzeug, das Gehirn-Computer-Schnittstellen unterstützen und in Deep-Learning-Modelle einfließen kann, die lernen, mentale Muster zu erkennen.

Der mit der festen Auflösung verbundene Kompromiss der Methode hält eine allgemeinere Lehre bereit: Jede analytische Entscheidung hebt bestimmte Wahrheiten hervor, während sie andere potenziell verschleiert, sodass kein einzelnes Ergebnis die ganze Geschichte erzählt. Dies macht Gegenproben mit anderen Ansätzen erforderlich, wenn die Ergebnisse von Bedeutung sind, und es untermauert, dass die elektrischen Muster des Gehirns – wie die enge Übereinstimmung zwischen imaginierten und tatsächlichen Bewegungen – tiefschichtig sind. Diese zugrundeliegende Ähnlichkeit stützt die Vorstellung, dass das Gehirn Handlungen mit vielen der gleichen rhythmischen Signaturen erprobt, die es auch zu ihrer Ausführung verwendet.

Referenzen

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) (pp. 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

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

Die Kurzzeit-Fourier-Transformation (STFT) schneidet das rohe EEG-Signal in kurze, aufeinanderfolgende Zeitfenster und berechnet für jedes ein Frequenzspektrum. Wenn man diese Momentaufnahmen der Reihe nach anordnet, entsteht ein bewegtes Bild, ein sogenanntes Spektrogramm, das zeigt, wie sich die Leistung der verschiedenen Gehirnrhythmen von Moment zu Moment verändert.

Warum kann ich nicht einfach eine normale Fourier-Transformation für eine EEG-Aufzeichnung verwenden?

Eine einfache Fourier-Transformation zerlegt die gesamte Aufzeichnung in ihre Frequenzanteile, löscht jedoch alle zeitlichen Informationen. Sie wissen dann 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 Sie sehen können, wann ein Alpha-Burst oder ein Einbruch der Beta-Leistung tatsächlich stattgefunden hat.

Was zeigt ein Spektrogramm?

Ein Spektrogramm ist eine visuelle Karte mit der Zeit auf der einen Achse, der Frequenz auf der anderen und Farben oder Helligkeiten, die die Leistung der jeweiligen Frequenz in diesem Moment darstellen. Es verwandelt das EEG von einer flachen Zusammenfassung in so etwas wie eine Musikpartitur der elektrischen Gehirnaktivität.

Warum ist die Fensterlänge so wichtig?

Längere Fenster liefern präzise Frequenzinformationen, verwischen jedoch das genaue Timing von Ereignissen, während kürzere Fenster das Timing gut lokalisieren, aber eng beieinander liegende Frequenzen verschmieren. Dieser unvermeidliche Kompromiss führt dazu, dass die Wahl der Fensterlänge direkt bestimmt, was ein Spektrogramm enthüllen und was es verbergen kann.

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. Für Theta- und Alpha-Rhythmen eignet sich oft ein Fenster von etwa einer halben Sekunde, und schnellere Beta- und Gamma-Rhythmen erfordern kürzere Fenster von etwa einer Viertelsekunde oder weniger, um ihre schnellen Veränderungen zu verfolgen.

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

Die STFT erfasst zeitlich begrenzte Leistungseinbrüche (ereigniskorrelierte Desynchronisation) im Mu- und Beta-Band, die sowohl auftreten, wenn sich eine Person bewegt, als auch, wenn sie sich dieselbe Bewegung gedanklich vorstellt. Spektrogramme von realen und imaginierten motorischen Aufgaben können nahezu identische Frequenzmuster zeigen, was die Logik von Gehirn-Computer-Schnittstellen stützt.

Kann STFT mit Deep-Learning-Modellen verwendet werden?

Ja, die durch 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 oft eine sehr hohe Klassifizierungsgenauigkeit bei Aufgaben wie der Erkennung von Bewegungsvorstellungen.

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

Die STFT legt eine einzige Fenstergröße für alle Frequenzen fest. Das bedeutet, dass sie nicht gleichzeitig eine scharfe zeitliche Detailtiefe für schnelle Ausbrüche und eine feine Frequenzauflösung für langsame Wellen liefern kann. Adaptive Techniken wie Wavelets variieren die effektive Fensterlänge mit der Frequenz, was in direkten Vergleichen oft zu einer besseren Auflösung und einer höheren Klassifizierungsleistung führt.

Was ist ein guter Schritt-für-Schritt-Ansatz bei der Verwendung von STFT auf EEG-Daten?

Passen Sie zunächst eine anfängliche Fensterlänge an den für Sie wichtigen Rhythmus an, verwenden Sie überlappende Fenster, um das Spektrogramm zu glätten, und prüfen Sie das Ergebnis, um zu sehen, ob die Ereignisse zeitlich scharf oder verschmiert wirken. Wenn das Ergebnis entscheidend ist, sollten Sie die Daten mit einer adaptiven Methode gegenprüfen, da eine einzelne STFT-Einstellung möglicherweise nur eine Art von Auflösung begünstigt.