پردازش سیگنال گسسته

پردازش سیگنال گسسته چیست؟

پردازش سیگنال گسسته شامل دستکاری ریاضی اطلاعاتی است که به صورت دنباله‌ای از اعداد نمایش داده می‌شوند. با تبدیل ورودی‌های آنالوگ دنیای واقعی به نمونه‌های گسسته، کامپیوترها می‌توانند تحلیل‌های پیچیده‌ای انجام دهند که با مدارهای آنالوگ سنتی غیرممکن بود.

دقت و تکرارپذیری این عملیات دیجیتال، آن‌ها را در زمینه‌های مختلف از مدل‌سازی آب و هوا گرفته تا پردازش سیگنال EEG ضروری می‌سازد. این حوزه قواعدی را برای نحوه گسسته‌سازی، پردازش و در نهایت بازسازی داده‌های پیوسته برای استفاده انسان یا ماشین تعیین می‌کند.

پردازش سیگنال زمان-گسسته در مقابل سیگنال‌های زمان-پیوسته

سیگنال‌های زمان-پیوسته به نرمی تغییر می‌کنند و در هر نقطه‌ای از زمان در یک بازه تعریف‌شده وجود دارند، در حالی که سیگنال‌های زمان-گسسته فقط در نقاط مشخص و دوره‌ای تعریف می‌شوند.

پردازش سیگنال دیجیتال به تبدیل بین این دو نوع متکی است و اغلب از سخت‌افزار برای پر کردن این شکاف استفاده می‌کند. مهندسان باید این انتقال را با دقت مدیریت کنند تا مطمئن شوند که دنباله گسسته به طور دقیق پدیده‌های پیوسته زیرین را بدون ایجاد خطاهای تغییر نام (aliasing) منعکس می‌کند؛ خطاهایی که زمانی رخ می‌دهند که نرخ نمونه‌برداری برای ثبت سریع‌ترین تغییرات سیگنال کافی نباشد.

پردازش زمان-پیوسته سیگنال‌های زمان-گسسته: نمونه‌برداری و بازسازی

فرآیند تبدیل یک اثر پیوسته به قالب دیجیتال نیازمند یک مبدل آنالوگ به دیجیتال است که قدرت سیگنال را در فواصل زمانی دقیق ثبت کند. پس از اتمام پردازش، اگر قرار باشد داده‌ها توسط انسان درک شوند، باید به شکل آنالوگ بازگردانده شوند که این کار از طریق فیلترهای بازسازی انجام می‌شود. این فیلترها ظاهر «پله‌ای» داده‌های نمونه‌برداری شده را به یک موج پیوسته هموار می‌کنند.

بازسازی مؤثر به رعایت قضیه نمونه‌برداری نایکوئیست-شنون بستگی دارد که حداقل فرکانسی را که یک سیستم باید ورودی را اندازه‌گیری کند تا تمام اطلاعات معتبر حفظ شوند، تعیین می‌کند.

مفاهیم کلیدی در پردازش سیگنال گسسته

تحلیل دیجیتال مدرن به مجموعه‌ای از ابزارهای ریاضی متکی است که برای تجزیه، سازماندهی مجدد و تفسیر موثر نقاط داده طراحی شده‌اند. این مفاهیم چارچوبی را برای مهندسان فراهم می‌کنند تا همه چیز را از آرایه‌های حسگر عظیم گرفته تا ورودی‌های صوتی ساده مدیریت کنند.

با انتخاب رویکرد ریاضی صحیح، محققان می‌توانند بار محاسباتی را کاهش دهند و در عین حال کیفیت سیگنال مشاهده شده در خروجی را به حداکثر برسانند.

تحلیل حوزه فرکانس: تبدیل فوریه گسسته در پردازش سیگنال دیجیتال

تبدیل فوریه گسسته (DFT) یک تکنیک بنیادی است که هر دنباله از داده‌های سری زمانی را به مؤلفه‌های فرکانسی تشکیل‌دهنده آن منتقل می‌کند.

این تبدیل به کاربران اجازه می‌دهد تا ببینند کدام فرکانس‌ها بر سیگنال غالب هستند و کدامیک وجود ندارند و کارهایی مانند تحلیل هارمونیک و فشرده‌سازی داده‌ها را تسهیل می‌کند. با مشاهده سیگنال در حوزه طیفی، متخصصان می‌توانند رویدادهای خاصی را ایزوله کنند که ممکن است در صورت مشاهده انحصاری دنباله زمانی، کاملاً پنهان بمانند.

فیلتر کردن: حذف یا تقویت مؤلفه‌های سیگنال

فیلتر کردن اجازه می‌دهد تا با تضعیف فرکانس‌های ناخواسته و در عین حال اجازه عبور به مؤلفه‌های مطلوب، سیگنال‌ها به طور انتخابی اصلاح شوند. فیلترهای دیجیتال را می‌توان با دقت بالا برای سرکوب نویزهای فرکانس بالا، وزوزهای فرکانس پایین یا تداخل‌های دوره‌ای خاص که جمع‌آوری داده‌های خام را مختل می‌کنند، تنظیم کرد.

جدول زیر انواع فیلترهای رایج را نشان می‌دهد که برای نیازهای عملیاتی خاص در جریان‌های کاری دیجیتال طراحی شده‌اند:

این پیکربندی‌ها نشان‌دهنده مجموعه استانداردی از ابزارهای موجود در اکثر پیاده‌سازی‌های دیجیتال هستند.

سیگنال‌های تصادفی گسسته و پردازش سیگنال آماری

پردازش سیگنال آماری به مواردی می‌پردازد که در آن‌ها سیگنال‌ها کاملاً قطعی نیستند، بلکه درجات متفاوتی از تصادفی بودن را نشان می‌دهند. با در نظر گرفتن این ورودی‌ها به عنوان فرآیندهای تصادفی، تحلیلگران می‌توانند میانگین رفتارها و واریانس یک سیستم را تعیین کنند، حتی زمانی که نقاط داده فردی غیرقابل پیش‌بینی به نظر می‌رسند.

این رویکرد برای تخمین مسیرهای سیگنال در علوم اعصاب و مدیریت عدم قطعیت در محیط‌های پر نویز حیاتی است.

کانولوشن: ترکیب سیگنال‌ها

کانولوشن یک روش ریاضی دقیق برای تعیین چگونگی تغییر خروجی یک سیستم بر اساس ورودی و پاسخ ضربه آن ارائه می‌دهد. هنگامی که یک سیگنال با سیگنال دیگری کانولوه می‌شود، خروجی حاصل نشان می‌دهد که چگونه سیستم، شکل موج ورودی را در طول زمان و مکان تغییر می‌دهد.

مراحل زیر طرح کلی پیاده‌سازی عملی کانولوشن را نشان می‌دهد:

1. معکوس کردن سیگنال دوم در زمان.

2. انتقال سیگنال معکوس شده در امتداد سیگنال اول.

3. محاسبه انتگرال یا مجموع نواحی همپوشانی.

4. تکرار محاسبه برای هر نقطه در امتداد محور زمانی.

این رویکرد روشمند تضمین می‌کند که خروجی بر اساس ویژگی‌های ذاتی سیستم و محدودیت‌های محیطی به دقت مدل‌سازی شده است.

کاربردهای پردازش سیگنال گسسته

پردازش سیگنال گسسته عملکرد بسیاری از ماشین‌های مدرن را که با دنیای فیزیکی تعامل دارند، تعیین می‌کند. با به کارگیری این الگوریتم‌ها، توسعه‌دهندگان می‌توانند اطمینان حاصل کنند که داده‌های حساس واضح و دقیق باقی می‌مانند، خواه این اطلاعات از یک پل شبکه باشد یا از ثبت EEG یک فرد.

تطبیق‌پذیری این روش‌ها به این معنی است که الگوریتم‌های رایج اغلب در سخت‌افزارهای مختلف، از دستگاه‌های دستی مصرف‌کننده گرفته تا تجهیزات تست صنعتی تخصصی، ظاهر می‌شوند.

پردازش زمان-گسسته سیگنال‌های گفتاری در کاربردهای صوتی

سیگنال‌های صوتی تحت محاسبات فشرده قرار می‌گیرند تا از وضوح آن‌ها در حین انتقال و ذخیره‌سازی اطمینان حاصل شود. روش‌های گسسته امکان کاهش حجم داده‌ها را فراهم می‌کنند در حالی که جزئیات کافی برای طبیعی به نظر رسیدن صدا حفظ می‌شود؛ این دستاورد با مدل‌سازی شنوایی انسان و حذف صداهایی که معمولاً غیرقابل شنیدن باقی می‌مانند، حاصل می‌شود.

این تکنیک پیشرفته فیلترینگ مکانی به طور موثری محیط‌های آکوستیک پیچیده را بدون نیاز به ظرفیت سخت‌افزاری بیش از حد مدیریت می‌کند.

پردازش تصویر و ویدئو

رسانه‌های بصری به تحلیل گسسته دو بعدی وابسته هستند، جایی که پیکسل‌ها به عنوان نقاط داده نمونه‌برداری شده عمل می‌کنند. با دستکاری این شبکه‌ها، دستگاه‌ها می‌توانند کارهایی مانند تیز کردن لبه‌ها، تنظیم تعادل رنگ و فشرده‌سازی ویدئو برای صرفه‌جویی در پهنای باند و در عین حال حفظ وضوح فضایی بصری بالا را انجام دهند.

این عملیات اغلب از تحلیل مؤلفه‌های اصلی برای حذف کارآمد اطلاعات اضافی در میلیون‌ها فریم بهره می‌برند.

مخابرات و انتقال داده‌ها

مخابرات به بهینه‌سازی مداوم جریان سیگنال متکی است تا اطمینان حاصل شود که بسته‌های اطلاعاتی بدون خرابی به مقصد می‌رسند. الگوریتم‌های پیشرفته تشخیص و تصحیح خطا از ریاضیات گسسته برای تایید صحت داده‌ها در زمان واقعی، حتی در حضور تداخل الکترومغناطیسی شدید، استفاده می‌کنند.

این سطح از قابلیت اطمینان، امکان مقیاس‌پذیری سریع زیرساخت‌های شبکه مدرن را در سراسر جهان فراهم می‌کند.

صدای پیوسته مغز و جایی که شروع می‌شود

سیگنال‌های الکتریکی ثبت شده توسط کلاه EEG از جمعیت‌های عظیمی از نورون‌ها سرچشمه می‌گیرند که با همزمانی نسبی شلیک می‌کنند. در حالی که فعالیت یک نورون منفرد بسیار موضعی و ضعیف‌تر از آن است که در پوست سر شناسایی شود، تخلیه جمعی هزاران نورون یک ولتاژ نوسانی تولید می‌کند که معمولاً تنها ده چند میکروولت است. این سیگنال ضعیف باید قبل از رسیدن به الکترودهای ثبت، از بافت مغز، جمجمه و پوست سر عبور کند.

از آنجایی که این سیگنال بسیار ظریف است، به شدت مخلوط با نویزهای فیزیولوژیکی و محیطی مانند حرکات عضلانی، پلک زدن و تداخل الکتریکی مجاور به پوست سر می‌رسد. برای درک این داده‌های خام، محققان باید فعالیت مغز را به دقت در باندهای فرکانسی خاصی سازماندهی کنند — که به طور سنتی دلتا، تتا، آلفا، بتا و گاما نامیده می‌شوند — که هر کدام مربوط به وضعیت‌های ذهنی متفاوتی بوده و بخش‌های منحصربه‌فردی از طیف را اشغال می‌کنند.

اهمیت این تفکیک در مطالعات برجسته شده است، مانند مطالعه‌ای در سال ۲۰۱۰ که در Journal of Biomedical Science and Engineering منتشر شد، که در آن ثبت‌های EEG پس از پاکسازی اولیه از طریق فیلتر لاپلاسین سطحی، با استفاده از تبدیل موجک گسسته (DWT) به باندهای آلفا، بتا و گاما تجزیه شدند.

این سطح از دقت بسیار حیاتی است: اگر قرار باشد ریتم‌های گاما که می‌توانند تا ۱۰۰ هرتز افزایش یابند با اطمینان تحلیل شوند، فرآیند دیجیتالی‌سازی باید این باندها را به عنوان مؤلفه‌های متمایز حفظ کند. بدون پردازش وفادارانه سیگنال، این نوسانات حیاتی به یک لکه غیرقابل تشخیص تبدیل می‌شوند و تحلیل دقیق علوم اعصاب را غیرممکن می‌سازند.

نمونه‌برداری: عکاسی از یک رودخانه خروشان

تبدیل یک ولتاژ پیوسته به مجموعه‌ای از اعداد نیازمند نمونه‌برداری است، یعنی فرآیند اندازه‌گیری ولتاژ سیگنال در لحظات منظم و گسسته در زمان، به جای اندازه‌گیری مداوم.

رودخانه‌ای را تصور کنید که از یک نقطه ثابت می‌گذرد. شما نمی‌توانید حرکت آن را به عنوان حرکت ثبت کنید. در عوض، هر چند ثانیه یک بار از آن عکس می‌گیرید. اگر عکس‌های کافی را به ترتیب پشت سر هم قرار دهید، جایگزین مناسبی برای جریان رودخانه خواهید داشت. اگر عکس‌های خیلی کمی بگیرید، حرکت واقعی رودخانه مبهم یا گمراه‌کننده می‌شود.

اینجاست که قاعده‌ای به نام معیار نایکوئیست اجتناب‌ناپذیر می‌شود. این معیار بیان می‌کند که نرخ نمونه‌برداری (تعداد اندازه‌گیری‌های انجام شده در ثانیه) باید بیش از دو برابر بالاترین فرکانس موجود در سیگنال آنالوگ اصلی باشد.

اگر اینطور نباشد، اعوجاجی به نام تداخل فرکانسی (aliasing) رخ می‌دهد که در آن یک سیگنال با حرکت سریع به اشتباه به عنوان یک سیگنال کندتر ثبت می‌شود. هنگامی که این اتفاق می‌افتد، هیچ ترفند ریاضی وجود ندارد که بتواند سیگنال کند واقعی را از سیگنال کند جعلی که قبلاً یک سیگنال تند بوده است جدا کند. اطلاعات برای همیشه از بین رفته و در جای نادرست ادغام شده‌اند.

سیستم‌های بالینی EEG معمولاً با نرخ‌های بین ۲۵۰ تا ۵۰۰ هرتز نمونه‌برداری می‌کنند که به راحتی فعالیت مغزی بین ۰ تا ۱۰۰ هرتز را با حاشیه امن پوشش می‌دهد. این حاشیه، بافری است که معیار نایکوئیست را حتی زمانی که سیگنال‌های مغزی به سمت انتهای بالای باند گاما حرکت می‌کنند، برقرار نگه می‌دارد.

چارچوب تشخیص تشنج را در نظر بگیرید که یک جستجوی جامع را در هفت خانواده موجک مختلف و سطوح تجزیه متعدد انجام داد تا تنظیمات بهینه را برای تحلیل داده‌های EEG پیدا کند. این جستجو تنها زمانی به عنوان یک فعالیت علمی معنا دارد که محتوای فرکانسی مورد جستجو دقیق باشد.

اگر نرخ نمونه‌برداری اولیه معیار نایکوئیست را نقض کرده بود، نویز فرکانس بالا ناشی از فعالیت عضلانی یا تداخل الکتریکی در همان باندهای فرکانسی که محققان سعی در ایزوله کردن آن‌ها داشتند، ادغام می‌شد. جستجو برای تنظیمات بهینه موجک در واقع بهینه‌سازی در برابر یک هدف تغییر شکل یافته بود و دقت گزارش‌شده بالای ۹۰ درصد برای تشخیص تشنج نشان‌دهنده توانایی تشخیص واقعی نبود، بلکه بازتابی از یک پاسخ خوب تنظیم‌شده به نویز بود.

چگونه فیلترهای آنتی-الیاسینگ مانع ورود ورودی‌های مخرب می‌شوند

از آنجایی که تداخل فرکانسی (aliasing) پس از وقوع قابل اصلاح نیست، باید قبل از اینکه نمونه‌برداری انجام شود، از آن جلوگیری کرد.

این وظیفه یک فیلتر آنتی-الیاسینگ (ضد پدیده نامطلوب الیاسینگ) است، یک فیلتر آنالوگ پایین‌گذر که در مسیر سخت‌افزاری قبل از انجام اندازه‌گیری‌ها توسط مبدل آنالوگ به دیجیتال قرار می‌گیرد. عملکرد آن شامل حذف هرگونه محتوای فرکانسی فراتر از حد نایکوئیست است تا هیچ چیزی در سیگنال وجود نداشته باشد که بعداً با چیز دیگری اشتباه گرفته شود.

اگر این مرحله فیلتر کردن نادیده گرفته شود یا ضعیف انجام شود، آسیب به طور دائمی در داده‌ها ثبت می‌شود. هیچ نرم‌افزار بعدی، هر چقدر هم که پیشرفته باشد، نمی‌تواند آن را خنثی کند.

در یک مطالعه تشخیص آلزایمر، محققان یک فیلتر دیجیتال بیضوی میان‌گذر را برای حذف تداخل و نویز از مجموعه داده‌های EEG قبل از استخراج ویژگی‌ها از طریق DWT اعمال کردند. این فیلتر بعد از دیجیتالی‌سازی انجام شد نه به عنوان یک مرحله آنتی-الیاسینگ سخت‌افزاری، اما منطق زیربنایی آن‌ها یکسان است.

هر دو فرآیند برای حذف محتوای طیفی ناخواسته از تصویر پیش از آنکه الگوریتمی سعی در تفسیر باقی‌مانده داشته باشد، وجود دارند. چه فیلتر در مدارهای آنالوگ قبل از نمونه‌برداری قرار گیرد و چه در زنجیره پردازش دیجیتال بعد از آن، هدف آن یکسان است: جلوگیری از انتشار آلودگی به مراحل بعدی تحلیل.

علاوه بر این، یک مطالعه در سال ۲۰۲۰ روی اثرات حرکتی نشان می‌دهد که چرا این موضوع حتی در حضور ابزارهای پاکسازی پیچیده اهمیت دارد. آن تحقیق سه تکنیک را ترکیب کرد: تجزیه حالت تجربی گروهی، تحلیل همبستگی متعارف و تبدیل موجک گسسته تا تداخل‌های مربوط به حرکت را از سیگنال‌های EEG حذف کند و نسبت سیگنال به نویز را به میزان قابل توجهی بهبود بخشد.

اما کل این خط لوله پاکسازی فرض می‌کند که طیف فرکانس بالایی که وارد آن می‌شود فاقد الیاسینگ است. اگر یک فیلتر آنتی-الیاسینگ سخت‌افزاری در نقطه دیجیتالی‌سازی وجود نداشت، سیگنال حاصل حامل لایه دیگری از خرابی می‌بود که حتی یک سیستم حذف اثرات حرکتی با طراحی خوب نیز نمی‌توانست آن را کاملاً باز کند.

عمق بیت: ترسیم ولتاژ با پالت محدود

نمونه‌برداری تعیین می‌کند که ولتاژ چه زمانی اندازه‌گیری شود. عمق بیت تعیین می‌کند که آن اندازه‌گیری با چه دقتی ثبت شود.

هنگامی که مبدل آنالوگ به دیجیتال ولتاژ را در یک لحظه مشخص ثبت می‌کند، باید آن مقدار را به عنوان یک عدد باینری بیان کند و تعداد بیت‌های موجود برای آن بیان، وضوح اندازه‌گیری را تعیین می‌کند. سیستمی که از عمق بیت ۱۶ در محدوده ولتاژ مثبت یا منفی ۱ میلی‌ولت استفاده می‌کند، می‌تواند تفاوت‌های بسیار ظریف در حدود نصف میکروولت را تشخیص دهد.

بیت‌های بیشتری اضافه کنید تا وضوح باز هم بیشتر شود. عمق بیت را کاهش دهید تا تغییرات ظریف در شکل موج به سادگی ناپدید شوند و به نزدیک‌ترین پله موجود در یک مقیاس درشت‌تر صاف شوند.

این تمایز ارزش تشخیصی واقعی دارد. یک مطالعه تشخیص صرع در سال ۲۰۱۹ به محاسبات آنتروپی فازی انجام شده روی ضرایب موجک متکی بود تا فعالیت EEG صرعی را از فعالیت غیرصرعی متمایز کند.

معیارهای آنتروپی بر اساس طراحی به تغییرات دامنه ریزدانه حساس هستند. آن‌ها نامنظمی و پیچیدگی را در یک سیگنال کمی‌سازی می‌کنند و این محاسبه به داشتن وضوح کافی برای تشخیص تفاوت‌های کوچک در وهله اول بستگی دارد. یک سیگنال با کوانتیزاسیون درشت، دقیقاً همان نامنظمی‌هایی را که محاسبه آنتروپی برای یافتن آن‌ها ساخته شده است، هموار و محو می‌کند.

به طور مشابه، مطالعه آلزایمر که پیش‌تر ذکر شد، ویژگی‌های آماری از جمله انحراف معیار، واریانس و نرم را از زیرباندهای موجک ایجاد شده از طریق DWT استخراج کرد. این‌ها همگی معیارهایی برای میزان تغییرات یک سیگنال هستند. اگر مقادیر ولتاژ زیرین به دلیل عمق بیت ناکافی بیش از حد گرد می‌شدند، تفاوت طبیعی بین حالت‌های مغزی سالم و بیمار به سمت یک محدوده مشابه و مسطح فشرده می‌شد و تفاوت‌های آماری که دقت طبقه‌بندی ۹۹.۹۸٪ را ممکن می‌ساخت به همان نسبت کاهش می‌یافت.

چرا نرخ نمونه‌برداری مناسب مانع خروجی مخرب می‌شود

این سه عنصر یعنی نمونه‌برداری سازگار با نایکوئیست، فیلتر آنتی-الیاسینگ فعال و عمق بیت کافی، موارد فنی مستقل از هم نیستند. آن‌ها یک زنجیره وابستگی واحد را تشکیل می‌دهند و هر دقت طبقه‌بندی گزارش‌شده در این مجموعه تحقیقاتی در انتهای این زنجیره قرار دارد.

انتخاب نرخ نمونه‌برداری بسیار پایین یا نادیده گرفتن فیلتر آنتی-الیاسینگ که از آن محافظت می‌کند، شکست در پردازش سیگنال را که به عنوان «ورودی مخرب، خروجی مخرب» شناخته می‌شود، ایجاد می‌کند. هنگامی که نویز فرکانس بالای الیاس‌شده در چیزی شبیه به توان بتا یا گاما ادغام می‌شود، هیچ الگوریتمی به اندازه کافی پیچیده نیست که فرآیند را معکوس کرده و ریتم واقعی زیرین را بازیابی کند. در مقابل، یک نرخ به درستی انتخاب‌شده، یک بوم تمیز و قابل اعتماد برای کار به هر ابزار بعدی تحویل می‌دهد.

مطالعه طبقه‌بندی عواطف در سال ۲۰۱۰ نشان می‌دهد که روی آن بوم تمیز چه چیزی امکان‌پذیر می‌شود. با استفاده از طبقه‌بندی K-نزدیك‌ترین همسایه روی ویژگی‌های استخراج‌شده از طریق DWT، محققان به نرخ دقت ۸۳.۲۶٪ در تمایز حالت‌های احساسی مانند انزجار، شادی، شگفتی، ترس و پاسخ‌های خنثی دست یافتند. این نتیجه به تفکیک صحیح ریتم‌های آلفا، بتا و گاما از یکدیگر در طول فرآیند تجزیه بستگی دارد؛ تفکیکی که تنها در صورتی امکان‌پذیر است که آن باندها در وهله اول بدون ترکیب فرکانسی دیجیتالی شده باشند.

علاوه بر این، چارچوب تشخیص تشنج همین نکته را از زاویه دیگری تقویت می‌کند. نویسندگان آن اشاره کردند که انتخاب بهینه آن‌ها از باندهای فرکانسی و ویژگی‌ها، تقریباً ۴۰٪ از اطلاعات اضافی را حذف کرده و تحلیل را بدون به خطر انداختن دقت بالای ۹۰٪ ساده‌تر کرده است.

این نوع هرس هوشمندانه تنها زمانی کار می‌کند که اطلاعات باقی‌مانده واقعی باشند. حذف افزونگی از یک سیگنال الیاس‌شده هیچ چیز معنی‌داری را ساده نمی‌کند. این کار فقط نویز را به طور کارآمد دور می‌ریزد در حالی که نویزهای دیگر را باقی می‌گذارد، زیرا محتوای فرکانسی خراب قبلاً از فعالیت مغزی واقعی غیرقابل تشخیص شده است.

نتیجه تشخیص آلزایمر واضح‌ترین پیام را به همراه دارد. یک طبقه‌بند نسبتاً ساده، KNN، با استفاده از ویژگی‌های به دست آمده از زیرباندهای موجک به خوبی تجزیه شده، به دقت ۹۹.۹۸٪ رسید. این نتیجه نشان می‌دهد که وقتی پایه و اساس زیر یک تحلیل محکم باشد، حتی روش‌های طبقه‌بندی ساده نیز می‌توانند در سطح فوق‌العاده بالایی عمل کنند.

این موضوع مفهوم معکوس را نیز به همراه دارد. هیچ مقداری از اصلاح الگوریتمی در مراحل بعدی، خواه از طریق شبکه‌های عصبی پیشرفته یا مهندسی ویژگی‌های جامع، نمی‌تواند فرآیند دیجیتالی‌سازی را که اصول بنیادی را اشتباه انجام داده است، جبران کند.

چرا داده‌های واقعی مغز با یک سپر نامرئی شروع می‌شوند

پردازش سیگنال گسسته به عنوان ستون فقرات نامرئی فناوری مدرن عمل می‌کند و مدیریت و تفسیر مؤثر داده‌های دیجیتال را در تقریباً تمام بخش‌های علمی و تجاری امکان‌پذیر می‌سازد. با تسلط بر اصول نمونه‌برداری، فیلتر کردن و تبدیل، محققان و مهندسان می‌توانند به عقب راندن مرزهای آنچه در زمینه‌هایی مانند الکتروانسفالوگرافی دیجیتال تا شبکه‌های ارتباطی بی‌سیم جهانی امکان‌پذیر است، ادامه دهند.

منابع

1. موروگاپان، م.، راماچاندران، ن.، و سازالی، ی. (۲۰۱۰). طبقه‌بندی عواطف انسانی از EEG با استفاده از تبدیل موجک گسسته. مجله علوم و مهندسی زیست‌پزشکی، ۳(۴)، ۳۹۰-۳۹۶. http://dx.doi.org/10.4236/jbise.2010.34054

2. چن، د.، وان، س.، شیانگ، ج.، و بائو، ف. س. (۲۰۱۷). یک الگوریتم با کارایی بالا برای تشخیص تشنج بر اساس تبدیل موجک گسسته (DWT) و EEG. پلاس وان، ۱۲(۳)، e0173138. https://doi.org/10.1371/journal.pone.0173138

3. الشرابی، ک.، سلامه، ی. ب.، عبدالرقیب، ا. م.، الجلال، م.، و التركی، ف. ا. (۲۰۲۲). پردازش سیگنال EEG برای اختلالات آلزایمر با استفاده از تبدیل موجک گسسته و رویکردهای یادگیری ماشین. دسترسی IEEE، ۱۰، ۸۹۷۸۱-۸۹۷۹۷.

4. شوکلا، س.، روی، و.، و پراکاش، ا. (۲۰۲۰، آوریل). رویکرد تجربی مبتنی بر موجک برای کاهش اثر آرتیفکت‌های حرکتی از سیگنال EEG. در نهمین کنفرانس بین‌المللی سیستم‌های ارتباطی و فناوری‌های شبکه IEEE ۲۰۲۰ (CSNT) (صص ۳۲۳-۳۲۶). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761

5. چیانگ، ه. س.، چن، م. ی.، و هوانگ، ی. ج. (۲۰۱۹). پردازش EEG مبتنی بر موجک برای تشخیص صرع با استفاده از آنتروپی فازی و شبکه پتری تداعی‌گر. دسترسی IEEE، ۷، ۱۰۳۲۵۵-۱۰۳۲۶۲. https://doi.org/10.1109/ACCESS.2019.2929266

سوالات متداول

تفاوت بین پردازش آنالوگ و دیجیتال چیست?

پردازش آنالوگ شامل سطوح ولتاژ یا جریان پیوسته است، در حالی که پردازش دیجیتال از دنباله‌ای از اعداد برای نمایش داده‌ها استفاده می‌کند که امکان کنترل و ذخیره‌سازی دقیق‌تر را فراهم می‌سازد.

یک فیلتر دیجیتال چگونه کار می‌کند؟

یک فیلتر دیجیتال از الگوریتم‌های ریاضی برای محاسبه یک دنباله جدید از یک دنباله ورودی استفاده می‌کند و به طور انتخابی فرکانس‌های خاصی را مقیاس‌گذاری یا به تاخیر می‌اندازد تا به مؤلفه‌های مطلوب اجازه عبور دهد.

معیار نایکوئیست چیست و چرا برای دیجیتالی‌سازی EEG ضروری است؟

معیار نایکوئیست مستلزم نمونه‌برداری با نرخی بیش از دو برابر بالاترین فرکانس موجود در EEG برای جلوگیری از اعوجاج فرکانس است. این امر ضروری است زیرا نقض این قاعده باعث الیاسینگ می‌شود، جایی که امواج سریع مغزی به عنوان امواج کند ثبت می‌شوند و داده‌ها را به طور دائمی خراب کرده و تحلیل دقیق را غیرممکن می‌سازند.

الیاسینگ چیست و چرا نمی‌توان آن را پس از نمونه‌برداری اصلاح کرد؟

الیاسینگ یک خطای نمونه‌برداری است که در آن سیگنال‌های فرکانس بالا به اشتباه به عنوان مؤلفه‌های فرکانس پایین‌تر ثبت می‌شوند. پس از وقوع آن، اطلاعات سیگنال سریع اصلی به طور بازیابی‌ناپذیری با دیگر باندهای فرکانسی مخلوط می‌شود، بنابراین هیچ تکنیک ریاضی نمی‌تواند این اعوجاج را خنثی کند.

چگونه یک فیلتر آنتی-الیاسینگ از سیگنال EEG محافظت می‌کند؟

یک فیلتر آنتی-الیاسینگ یک فیلتر آنالوگ پایین‌گذر است که قبل از مبدل آنالوگ به دیجیتال قرار می‌گیرد و فرکانس‌های بالاتر از حد نایکوئیست را حذف می‌کند. با حذف محتوای فرکانس بالا قبل از نمونه‌برداری، از وقوع الیاسینگ جلوگیری کرده و سلامت سیگنال مغزی را حفظ می‌کند.

چرا عمق بیت هنگام تبدیل ولتاژهای مغز به اعداد دیجیتال اهمیت دارد؟

عمق بیت دقت هر اندازه‌گیری ولتاژ را با تعیین تعداد پله‌های گسسته موجود برای نمایش دامنه سیگنال مشخص می‌کند. عمق بیت دقیق‌تر، تغییرات ظریف دامنه را ثبت می‌کند که برای الگوریتم‌هایی که برای تشخیص وضعیت‌های مغزی به ویژگی‌هایی مانند آنتروپی یا واریانس متکی هستند، حیاتی است.

اگر نمونه‌برداری EEG با نرخ بسیار پایین انجام شود چه اتفاقی می‌افتد؟

اگر نرخ نمونه‌برداری بسیار پایین باشد، الیاسینگ رخ می‌دهد و باعث می‌شود فعالیت‌های فرکانس بالا (مانند نویز عضلانی یا ریتم‌های سریع مغز) به اشتباه به عنوان امواج مغزی کندتر ثبت شوند. این امر سیگنال دیجیتالی شده را به طور دائمی آلوده می‌کند، در نتیجه تحلیل‌های بعدی بر اساس داده‌های خراب به جای فعالیت واقعی مغز انجام خواهند شد.

چرا الیاسینگ یک شکل دائمی از خرابی داده‌ها در نظر گرفته می‌شود؟

الیاسینگ داده‌ها را به طور دائمی خراب می‌کند زیرا سیگنال‌های فرکانس بالا را به نمایش‌های فرکانس پایین جعلی تبدیل می‌کند و اطلاعات فرکانس بالای اصلی به طور بازیابی‌ناپذیری از دست می‌روند. هیچ الگوریتم بعدی نمی‌تواند نویز الیاس‌شده را از فعالیت واقعی مغز تشخیص دهد، زیرا هر دو به طور یکسان در سیگنال ثبت شده رمزگذاری شده‌اند.