Neurowissenschaftler vereinzeln EEG-Signale von der Zeit- in die Frequenzebene, um komplexe, überlagerte Gehirnrhythmen in präzise, lesbare Bänder aufzuteilen. Diese Transformation wirkt wie ein Prisma, das verrauschte Rohdaten zu aussagekräftigen Mustern klärt, die mentale Zustände, individuelle Signaturen und klinische Indikatoren offenbaren. Durch die Neuorganisation bestehender Informationen ermöglicht dieser Wechsel die genaue Erkennung von Phänomenen wie Anfällen und emotionalen Zuständen, die im Zeitbereich ansonsten verborgen bleiben.
Was ist die Zeit-Frequenz-Transformation?
Der Transformationsprozess beinhaltet die Konvertierung von Rohdatensequenzen, die typischerweise als Amplituden über der Zeit gemessen werden, in ein Frequenzspektrum. Diese mathematische Verschiebung ermöglicht es Forschern, die rhythmischen Komponenten eines Signals zu beobachten, anstatt nur die rohen Spannungs- oder Druckschwankungen. Indem Daten durch diese Brille betrachtet werden, lassen sich subtile Muster in komplexen Datensätzen wesentlich einfacher klassifizieren und für die weitere Analyse interpretieren.
Die Grundlagen verstehen: Vom Zeitbereich zum Frequenzbereich
Bei der standardmäßigen Signalaufzeichnung stellt der zeitliche Aspekt die Abfolge der Ereignisse im Verlauf ihres Geschehens dar, wobei eine chronologische Reihenfolge beibehalten wird, die für eine unmittelbare Überwachung intuitiv ist. Viele dynamische Systeme weisen jedoch repetitive Verhaltensweisen auf – wie das rhythmische Feuern von Neuronen im Bereich der neuroscience –, die sich durch die bloße Betrachtung des Rohsignals nicht leicht voneinander trennen lassen.
Der Wechsel in eine Frequenzperspektive wirkt effektiv wie ein analytischer Filter, der es ermöglicht, einzelne Rhythmen und deren relativen Beitrag zur Gesamtsignalstruktur zu isolieren.
Die mathematische Grundlage: Fourier-Transformation
Die Fourier-Transformation basiert auf dem Prinzip, dass jedes komplexe oszillatorische Signal als gewichtete Summe einfacherer Sinus- und Kosinuswellen ausgedrückt werden kann. Diese mathematische Operation führt im Wesentlichen eine Zerlegung durch und extrahiert die zugrunde liegende periodische Struktur eines Signals unabhängig von seiner anfänglichen Komplexität.
Durch die Anwendung dieser Transformation bildet ein Forscher die zeitlichen Datenpunkte in einem neuen Bereich ab, in dem die horizontale Achse die Frequenz darstellt und die vertikale Achse die Leistung oder Amplitude jeder spezifischen Frequenzkomponente angibt.
Warum ist die Zeit-Frequenz-Analyse wichtig?
Das Analysieren von Signalen im Frequenzbereich ist unerlässlich, um spezifische Phänomene zu isolieren, die in Rauschen oder größeren, gemischten Wellenformen eingebettet sind. Dieser Ansatz ist in verschiedenen Bereichen weit verbreitet, die auf eine präzise signal processing angewiesen sind, um relevante Insights aus Sensoren und Messgeräten zu extrahieren.
Anwendungen in der Signalverarbeitung
Ingenieure stoßen häufig auf Signale, die durch Hintergrundstörungen oder elektrische Umgebungsgeräusche verunreinigt sind, was die primären Informationen von Interesse maskieren kann. Analytische Techniken, die die Frequenzzusammensetzung betrachten, ermöglichen eine präzise Filterung, bei der bestimmte unerwünschte Bereiche abgeschwächt werden, ohne die Kerndaten zu beeinträchtigen.
Diese Fähigkeit ist grundlegend für moderne Kommunikationssysteme und Sensortechnologien und stellt sicher, dass gültige Signalspitzen für die nachfolgende Verarbeitung eindeutig und interpretierbar bleiben.
Insights in der Audio- und Sprachanalyse
Die menschliche Sprache und natürliche Klänge bestehen aus mehreren überlagerten Frequenzen, die jeweils das Timbre und den Ton der zugrunde liegenden Quelle charakterisieren. Durch die Konvertierung dieser Signale in den Frequenzbereich können Forscher Formanten kartieren oder Spracheigenschaften erkennen, die sich mit der Zeit ändern – eine häufige Anforderung in der Akustik.
Indem Analysten diese Signale als Spektrogramme behandeln, können sie transiente Variationen überwachen, die auf spezifische Tonartefakte oder Muster hinweisen könnten, die eine akustische Quelle von einer anderen unterscheiden.
Anwendungsfälle in der Biomedizintechnik
In medizinischen Umgebungen ist die präzise Messung der biologischen elektrischen Aktivität entscheidend für die Beobachtung der Gesundheit und die Diagnose neurological conditions. Mit dem EEG als primärem Werkzeug können Ärzte Gehirnwellenmuster aufzeichnen, während Forscher spezifische Frequenzanalysen nutzen, um rhythmische Verhaltensweisen zu untersuchen, die mit verschiedenen Wachheitszuständen verbunden sind.
Die Integration von Spezialgeräten wie der PCI Data Acquisition Hardware stellt sicher, dass hochpräzise Daten erfasst werden, die dann durch Frequenzbereichstransformationen verarbeitet werden, um aussagekräftige diagnostische Insights zu liefern.
Gängige Methoden zur Zeit-Frequenz-Konvertierung
Es existieren verschiedene Algorithmen zur Konvertierung zeitlicher Daten, die jeweils für unterschiedliche Grade der Signalstabilität und Präzisionsanforderungen geeignet sind. Die Auswahl einer geeigneten Methode hängt von der Natur des Signals und der erforderlichen Auflösung des endgültigen Spektralausgangs ab.
Kurzeit-Fourier-Transformation (STFT)
Diese Methode segmentiert ein langes Signal in kleinere, überlappende Fenster und führt für jedes Fenster eine Fourier-Transformation durch, um zu beobachten, wie sich der Frequenzinhalt entwickelt. Sie ist besonders nützlich für Signale, die nicht perfekt stationär sind, aber über kurze Zeiträume stabil bleiben.
Wie man Zeit manuell in Frequenz umrechnet
Während Software den Großteil der Berechnung automatisiert, erfordert das Verständnis der manuellen Konvertierung periodischer Signale die Identifizierung der Zyklusdauer. Durch die Berechnung des Kehrwerts der Periode bestimmt man die Rate, mit der das Ereignis einen vollständigen Zyklus abschließt, was den in Hertz gemessenen Frequenzwert ergibt.
Signaltyp | Periode (T) | Frequenz (f) |
|---|---|---|
Langsamer Rhythmus | 0.5 Sekunden | 2.0 Hz |
Mittlere Oszillation | 0.1 Sekunden | 10.0 Hz |
Schnelles Signalbündel | 0.02 Sekunden | 50.0 Hz |
Diese Tabelle veranschaulicht das umgekehrte Verhältnis zwischen Periode und Frequenz, bei dem eine kürzere Zyklusdauer zu einem deutlich höheren Frequenzausgang führt.
Nutzung eines Frequenz-Zeit-Rechners für schnelle Schätzungen
Praktiker nutzen häufig Schätzwerkzeuge, um die Lücke zwischen Zeit und Frequenz ohne aufwendige Berechnungen zu schließen. Diese Tools bieten in der Regel die folgenden Funktionen für eine schnelle Konfiguration während der Datenanalyse:
Automatische Konvertierung von zyklischer Zeit in Hertz.
Unterstützung für mehrere Skaleneinheiten wie Millisekunden und Mikrosekunden.
Sofortiges Umkehren von Funktionen, um die Konvertierung rückgängig zu machen.
Sofortige grafische Darstellung für den visuellen Vergleich der Signalstabilität.
Diese Rechner bieten eine erste Einschätzung, bevor komplexere digitale Filterungen oder Spektralzerlegungstechniken in einer Forschungsumgebung angewendet werden.
Wavelet-Transformation
Im Gegensatz zu traditionellen Fourier-Ansätzen verwendet die Wavelet-Transformation skalierbare Fenster, um sowohl nieder- als auch hochfrequente Komponenten gleichzeitig zu analysieren. Dies ermöglicht eine bessere Lokalisierung plötzlicher Signaländerungen, wie z. B. transienter Entladungen oder Spikes, die für eine fensterbasierte STFT-Analyse zu schnell auftreten.
Sie wird in Bereichen, die eine hohe zeitliche und Frequenz-Sensitivität in einem einzigen Durchlauf erfordern, sehr geschätzt.
Das unsichtbare Prisma: Zeit in Frequenz verwandeln
Ein einzelner Moment der Gehirnaktivität besteht selten aus einer einzigen, sauberen Welle. Er verhält sich eher wie ein musikalischer Akkord, bei dem mehrere Töne zusammenklingen, um einen komplexen Gesamtklang zu erzeugen.
Wenn Sie den Akkord nur als Ganzes hören, nehmen Sie eine Mischung wahr, nicht die einzelnen Noten. Das gleiche Problem gilt für eine raw EEG-Aufzeichnung. In jedem gegebenen Moment feuern langsame, mittlere und schnelle Oszillationen gleichzeitig, und die Ansicht im Zeitbereich stapelt sie zu einer einzigen, schwer zu analysierenden Wellenform.
Die Konvertierung dieser Wellenform in den Frequenzbereich fügt dem Signal keine neuen Informationen hinzu. Sie reorganisiert die vorhandenen Informationen, sodass die verschiedenen Oszillationen als separate Komponenten sichtbar werden. Diese Reorganisation hat messbare, praktische Konsequenzen dafür, wie gut Forscher verrauschte Daten bereinigen und aussagekräftige Muster erkennen können.
Betrachten Sie Augenzwinker-Artefakte, eine der hartnäckigsten Quellen für Verunreinigungen in EEG-Aufzeichnungen. Wenn sich die Augen bewegen, gelangt das resultierende elektrische Signal, das Elektrookulogramm (EOG), in nahe gelegene EEG-Kanäle und verzerrt die Messung. Frühe Korrekturversuche gingen davon aus, dass sich die Übertragung von den Augen zur Kopfhaut über alle Rhythmen hinweg konsistent verhält, sodass eine einfache Subtraktion im Zeitbereich überall gleichermaßen gut funktionieren sollte.
Kenemans et al. haben diese Annahme direkt getestet. Unter Verwendung von simulierten und realen Daten verglichen die Forscher drei Bereinigungsstrategien:
Eine einfache Regression im Zeitbereich
Eine komplexere Regression im Zeitbereich mit mehreren Verzögerungen (Multiple-Lag)
Eine Regression im Frequenzbereich.
Wenn die elektrische Übertragung vom Auge zur Kopfhaut frequenzunabhängig war, sich also über alle Rhythmen hinweg gleich verhielt, schnitten alle drei Methoden gleichermaßen gut ab. Wenn die Übertragung jedoch frequenzabhängig war, sich die Verunreinigung also je nach beteiligtem Rhythmus änderte, scheiterte die einfache Methode im Zeitbereich daran, das ursprüngliche EEG vollständig zu rekonstruieren.
Nur der Frequenzbereichsansatz und die anspruchsvollere Zeitbereichsmethode mit mehreren Verzögerungen konnten diese Variabilität berücksichtigen. Dies deutet darauf hin, dass sich Gehirnsignalartefakte im Laufe der Zeit nicht immer einheitlich verhalten, und manchmal kann nur eine frequenzsensitive Betrachtung echte Gehirnaktivität korrekt von Verunreinigungen trennen.
Der Nutzen dieser Neuausrichtung wird bei der Erkennung von Krampfanfällen noch dramatischer. Eine 2018 study ergab, dass, wenn rohe EEG-Signale im Zeitbereich in ein Klassifizierungssystem eingespeist wurden, die Genauigkeit bei Kopfhautaufzeichnungen in einigen Experimenten auf bis zu 60 Prozent sank – ein Ergebnis, das bei bestimmten Klassifizierungsaufgaben kaum besser ist als ein Münzwurf. Wenn dieselben Daten zuerst in den Frequenzbereich konvertiert wurden, sprang die Genauigkeit bei derselben Aufgabe auf rund 96 Prozent.
Die Informationen, die zur korrekten Identifizierung eines Anfallzustands erforderlich waren, waren die ganze Zeit über in der Aufzeichnung vorhanden. Sie waren lediglich nicht sichtbar, bis das Signal anhand seiner Frequenzkomponenten betrachtet wurde.
Warum die Frequenzansicht wichtig ist: Von Rauschen zu lebensverändernden Anwendungen
Der Wechsel von der Zeit zur Frequenz ist keine abstrakte technische Vorliebe. Er hat konkrete Konsequenzen für vier sehr unterschiedliche Anwendungen.
Präzisere Artefaktentfernung
Augenbewegungen und Blinzeln sind eine chronische Quelle von Verunreinigungen in EEG-Aufzeichnungen, da sich das von den Augen erzeugte elektrische Signal auf nahe gelegene Kopfhautelektroden ausbreiten kann.
Die Studie von Kenemans et al. zeigte, dass sich diese Verunreinigung nicht immer mit einer konstanten Rate über alle Frequenzen hinweg überträgt. Wenn die Übertragung frequenzabhängig war, blieb eine grundlegende Korrektur im Zeitbereich hinter den Erwartungen zurück, während eine Regressionsmethode im Frequenzbereich das ursprüngliche Gehirnsignal erfolgreich rekonstruieren konnte.
Dies ist für jede Anwendung, bei der eine saubere Signalqualität unerlässlich ist, von entscheidender Bedeutung, da unkorrigierte Augenartefakte fälschlicherweise als echte Gehirnaktivität interpretiert werden können, wenn die falsche Bereinigungsmethode angewendet wird.
Ihr Gehirn, Ihre Signatur
Eine study published in the Journal of Neural Engineering ergab, dass das gesamte Muster der Gehirnrhythmen einer Person über verschiedene Aufzeichnungssitzungen und sogar über verschiedene Sensorplatzierungen auf der Kopfhaut hinweg bemerkenswert stabil bleibt. Diese Konsistenz, die als eine Art EEG-Fingerabdruck beschrieben wird, war im Alphaband am stärksten ausgeprägt, aber über einen breiten Bereich von 1 bis 40 Hz nachweisbar.
Bemerkenswerterweise hielt diese identifizierende Signatur selbst dann stand, wenn die Probanden völlig unterschiedliche kognitive Aufgaben ausführten. Dies deutet darauf hin, dass das Muster etwas strukturell Stabiles im Gehirn eines Individuums widerspiegelt und nicht etwas, das auf eine spezifische mentale Aktivität im jeweiligen Moment reagiert.
Die Unterscheidungskraft dieser Rhythmen folgte dem, was die Forscher als W-förmiges Muster über den Frequenzbereich beschrieben, mit der stärksten identifizierenden Spitze um den 10-Hz-Alpha-Rhythmus. Dieser Befund ist von direkter Relevanz für biometrische Identifikationssysteme, die eines Tages die Gehirnaktivität als Form der sicheren persönlichen Verifizierung nutzen könnten.
Emotionen lesen
Emotionale Zustände hinterlassen messbare Spuren in den Mustern der Gehirnrhythmen, und eine study by Petrantonakis and his team zeigt, dass diese Spuren am besten im Zeit-Frequenz-Bereich und nicht im rohen Zeitbereichssignal erfasst werden. Durch die Verwendung eines adaptiven Segmentierungsansatzes und die Messung der frontalen Alpha-Asymmetrie bauten Forscher ein Klassifizierungssystem auf, das in der Lage ist, verschiedene Kombinationen von Valenz und Erregung zu unterscheiden, und klassifizierten emotionale Zustände weit über dem Niveau, das durch zufälliges Raten zu erwarten wäre.
Diese Art der frequenzbasierten Emotionserkennung ist mit dem wachsenden Interesse an brain-computer interfaces verbunden, die auf die Stimmung oder das emotionale Engagement eines Benutzers reagieren sollen, obwohl die gemeldete Klassifizierungsgenauigkeit im Bereich von etwa 64 bis 83 Prozent (je nach den spezifisch getesteten emotionalen Kategorien) darauf hindeutet, dass dies eher ein probabilistisches Werkzeug als eine definitive emotionale Auslesung bleibt.
Epilepsie besiegen
Die vielleicht eindrucksvollste Demonstration des praktischen Werts des Frequenzbereichs stammt aus der Epilepsieforschung. Die zuvor erwähnte Forschungsstudie aus dem Jahr 2018 verglich direkt Zeitbereichs- und Frequenzbereichssignale als Inputs für ein faltendes neuronales Netzwerk (CNN), das die Aufgabe hatte, zwischen iktalen, präiktalen und interiktalen Gehirnzuständen zu unterscheiden.
Auf der intrakraniellen Freiburg-Datenbank lieferte die Eingabe im Frequenzbereich durchschnittliche Genauigkeiten zwischen 92 und 97 Prozent in drei separaten Klassifizierungsexperimenten, während die Eingabe im Zeitbereich auf derselben Datenbank zu Genauigkeiten im Bereich von etwa 84 bis 91 Prozent führte. Die Schere ging auf der von der Kopfhaut aufgezeichneten CHB-MIT-Datenbank erheblich weiter auseinander, wo die Genauigkeit im Frequenzbereich hoch blieb (zwischen etwa 93 und 98 Prozent), während die Genauigkeit im Zeitbereich in einigen Experimenten auf einen Bereich von nur 48 bis 62 Prozent einbrach.
Dies deutet darauf hin, dass dem rohen Zeitbereichssignal unter bestimmten Aufzeichnungsbedingungen, insbesondere beim Kopfhaut-EEG, schlicht die auflösbare Struktur fehlt, die für eine zuverlässige automatisierte Anfallsklassifizierung erforderlich ist, während die Reorganisation desselben Signals im Frequenzbereich das zugrunde liegende Muster für ein System des maschinellen Lernens zugänglich macht.
Darüber hinaus führen Madhavan et al. dieses Konzept in ihrer Studie aus dem Jahr 2020 weiter aus, indem sie sich gezielt auf die Lokalisierung statt auf die Erkennung konzentrieren. Durch die Verwendung einer Technik namens Synchrosqueezing-Transformation zur Erzeugung detaillierter Zeit-Frequenz-Darstellungen, kombiniert mit einem tiefen faltenden neuronalen Netzwerk, erreichte die Studie Genauigkeits-, Sensitivitäts- und Spezifitätswerte von über 99 Prozent bei der Unterscheidung von fokalen EEG-Signalen (die aus der für die Auslösung von Anfällen verantwortlichen epileptogenen Zone stammen) von nicht-fokalen Signalen, die an anderer Stelle im Gehirn entstehen.
Dieses Maß an Präzision ist direkt relevant für die Epilepsiechirurgie, bei der die korrekte Identifizierung der genauen Gehirnregion, die für die Anfallsaktivität verantwortlich ist, eine Voraussetzung für einen sicheren und effektiven chirurgischen Eingriff ist.
Eine neue Linse auf das lebende Gehirn
Die Transformation von einer einzelnen, im Laufe der Zeit wandernden Spannungslinie in ein Spektrum unterschiedlicher Rhythmen ist der Mechanismus, der das EEG überhaupt erst lesbar macht. Ohne sie kann ein Algorithmus zur Erkennung von Krampfanfällen, der mit Kopfhautdaten arbeitet, kaum besser abschneiden als der Zufall.
Mit ihr kann derselbe Algorithmus eine Genauigkeit im mittleren 90-Prozent-Bereich erreichen. Ohne sie können sich subtile Augenzwinker-Verunreinigungen als echte Gehirnaktivität tarnen.
Mit einer frequenzsensitiven Korrektur können diese Verunreinigungen zuverlässiger herausgefiltert werden. Ohne sie bleibt das stabile, personenspezifische Muster innerhalb der Gehirnrhythmen einer Person, das sich am stärksten im Alphaband konzentriert, unsichtbar. Mit ihr wird dieses Muster zu einer messbaren Signatur.
Keine dieser Anwendungen erforderte das Hinzufügen neuer Informationen zum EEG-Signal. Sie erforderten, dass vorhandene Informationen in eine Form reorganisiert werden, in der aussagekräftige Muster endlich vom Rauschen unterschieden werden können.
Diese Reorganisation, der Wechsel von der Zeit zur Frequenz, verwandelt eine chaotische Spannungskurve in eine strukturierte Aufzeichnung von Delta-, Theta-, Alpha-, Beta- und Gamma-Aktivität. Sie bietet Forschern und Klinikern eine klarere, nicht-invasive Möglichkeit, Schlaf, emotionale Zustände, individuelle Identität und neurologische Erkrankungen im lebenden Gehirn zu untersuchen.
Referenzen
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
Häufig gestellte Fragen
Warum konvertieren Neurowissenschaftler EEG-Signale von der Zeit in die Frequenz?
Eine rohe EEG-Aufzeichnung stapelt mehrere Gehirnrhythmen unterschiedlicher Geschwindigkeiten in eine einzige komplexe Wellenform, wodurch einzelne Muster schwer zu erkennen sind. Die Konvertierung in den Frequenzbereich teilt dieses Signal in separate Komponentenfrequenzen auf – wie ein Prisma, das weißes Licht in Farben zerlegt –, sodass jeder Rhythmus für sich untersucht werden kann.
Wie verbessert die Frequenzansicht die Entfernung von Augenzwinker-Artefakten?
Augenblinzel-Verunreinigungen können sich über EEG-Frequenzbänder hinweg unterschiedlich übertragen, was bedeutet, dass eine einfache zeitbasierte Subtraktion oft fehlschlägt. Eine Regression im Frequenzbereich berücksichtigt diese frequenzabhängigen Unterschiede, wodurch das echte Gehirnsignal präziser rekonstruiert werden kann.
Was passiert mit der Genauigkeit der Anfallserkennung, wenn anstelle des Zeitbereichs der Frequenzbereich verwendet wird?
Relevante Muster für Krampfanfälle sind im Rohsignal vorhanden, im Zeitbereich jedoch unsichtbar. Die Frequenzanalyse reorganisiert die Daten so, dass ein Klassifikator eine Genauigkeit von über 90% erreichen kann, während rohe Zeitbereichsdaten bei Kopfhautaufzeichnungen manchmal nicht besser abschneiden als zufälliges Raten.
Warum gilt der Alpha-Rhythmus als starker biometrischer Identifikator?
Die Alpha-Aktivität zeigt eine charakteristische, stabile Spitze um 10 Hz, die über verschiedene Aufgaben und Aufzeichnungssitzungen hinweg konsistent bleibt. Diese Stabilität spiegelt die zugrunde liegende Gehirnarchitektur eines Individuums wider und macht sie zu einem zuverlässigen EEG-Fingerabdruck für die Personenidentifikation.
Wie können EEG-Frequenzmuster auf emotionale Zustände hinweisen?
Die frontale Alpha-Asymmetrie, die die Alpha-Stärke zwischen den linken und rechten frontalen Gehirnregionen vergleicht, unterscheidet sich je nach emotionaler Valenz und Erregung. Die Frequenzbereichsanalyse erfasst diese Asymmetriemuster und ermöglicht eine Klassifizierung emotionaler Zustände weit über dem Zufallsniveau.
Warum ist die Frequenzanalyse für die Lokalisierung von Zonen mit Anfallsbeginn bei der Epilepsiechirurgie unerlässlich?
Kurze, hochfrequente Gamma-Bursts und Verschiebungen über alle Bänder hinweg kennzeichnen die epileptogene Zone. Zeit-Frequenz-Techniken wie die Synchrosqueezing-Transformation verwandeln diese Muster in detaillierte Darstellungen, sodass Deep-Learning-Modelle fokale Anfallssignale von nicht-fokalen Signalen mit sehr hoher Präzision unterscheiden können – eine Voraussetzung für eine sichere chirurgische Planung.
Emotiv ist ein führender Anbieter von Neurotechnologie, der die neurowissenschaftliche Forschung mit zugänglichen EEG- und Gehirndaten-Tools vorantreibt.
Christian Burgos
