تجزیه و تحلیل حالت تجربی

چرا سیگنال‌های EEG در برابر ابزارهای سنتی پردازش سیگنال مقاومت می‌کنند

مشکل اصلی در اعمال روش‌های کلاسیک پردازش سیگنال روی EEG، یک مشکل ساختاری است. آنالیز مبتنی بر فوریه یک سیگنال را به مجموعه‌ای ثابت از موج‌های سینوسی و کسینوسی تجزیه می‌کند، رویکردی که وقتی فرآیند زیربنایی رفتار آماری خود را در طول زمان تغییر نمی‌دهد، به خوبی کار می‌کند.

EEG این شرایط را برآورده نمی‌کند. فعالیت مغزی یک فرد در طول استراحت آرام از نظر آماری با فعالیت همان فرد در حین تمرکز شدید یا، در یک محیط بالینی، در طول تشنج متفاوت به نظر می‌رسد. تحقیقات این ویژگی غیرایستا را به عنوان توجیه اولیه برای روی آوردن به EMD به جای ابزارهای مبتنی بر فرکانس ساخته شده برای سیگنال‌های پایدار ذکر می‌کنند.

پیامد عملی این است که روشی که فرض را بر ایستایی می‌گذارد، می‌تواند رویدادهای زودگذر عصبی را مخدوش کرده یا به اشتباه نشان دهد و با یک پیک کوتاه به گونه‌ای رفتار کند که گویی به طور یکنواخت در یک پنجره طولانی‌تر پخش شده است. برای کاربردهایی مانند تشخیص صرع، که در آن زمان‌بندی و شکل یک پیک اهمیت تشخیصی دارد، این نوع مخدوش شدن یک محدودیت واقعی است.

راه حل پیشنهادی EMD این است که به طور کامل از فرض پایه ثابت اجتناب کند و اجازه دهد تجزیه با هر شکلی که سیگنال در واقع به خود می‌گیرد، سازگار شود.

EMD چه کاری انجام می‌دهد و چگونه کار می‌کند

EMD از طریق یک فرآیند تکراری به نام الک کردن (sifting) عمل می‌کند. این الگوریتم نقاط اوج و دره محلی یک سیگنال را شناسایی کرده، آن‌ها را به پوش‌های بالا و پایین متصل می‌کند و میانگین آن پوش‌ها را از سیگنال اصلی کم می‌کند.

این مرحله تکرار می‌شود تا زمانی که مؤلفه حاصل دو شرط را برآورده کند:

1. پوش‌های بالا و پایین آن نسبت به صفر متقارن باشند

2. میانگین آن در کل بخش نزدیک به صفر بماند.

هنگامی که یک مؤلفه این شرایط را برآورده کرد، به عنوان تابع حالت ذاتی (IMFs) برچسب‌گذاری شده و از سیگنال اصلی کسر می‌شود تا فرآیند بتواند مؤلفه بعدی را استخراج کند.

خروجی مجموعه‌ای از IMFها است که از سریع‌ترین نوسانات تا کندترین آن‌ها مرتب شده‌اند و به دنبال آن یک روند باقیمانده نهایی قرار دارد که هرگونه انحراف کند باقی‌مانده را ثبت می‌کند. از آنجا که هر IMF مستقیماً از شکل محلی داده‌ها استخراج می‌شود و با یک شکل موج از پیش تعیین شده مطابقت داده نمی‌شود، EMD در اصل می‌تواند پویایی‌های نامنظم و متغیر را بدون نیاز به انتخاب یک پایه از قبل توسط تحلیلگر، نشان دهد.

چگونه EMD رویدادهای زودگذر مانند پیک‌های تشنج را ثبت می‌کند

رویدادهای زودگذر در EEG، پیک‌های صرعی یا فوران‌های کوتاهی که به یک کار شناختی گره خورده‌اند، اهمیت بالینی و علوم اعصاب فوق‌العاده‌ای دارند، اما اغلب در زیر فعالیت‌های مغزی پس‌زمینه یا نویزهای آلوده‌کننده مدفون می‌شوند. این دقیقاً همان سناریویی است که در آن تجزیه محلی و تطبیقی EMD قرار است مزیتی نسبت به روش‌های پایه ثابت ارائه دهد.

یک مطالعه توسط Safieddine و همکاران این موضوع را مستقیماً با شبیه‌سازی سیگنال‌های شبیه به پیک صرعی و آلوده کردن آن‌ها با آرتیفکت‌های واقعی عضلانی در شدت‌های مختلف آزمایش کرد، سپس چهار روش اصلاح را مقایسه نمود:

1. EMD

2. آنالیز مؤلفه‌های مستقل (ICA)

3. آنالیز همبستگی متعارف (CCA)

4. تبدیل ویولت

هنگامی که آلودگی شدید بود، EMD از هر سه گزینه دیگر بهتر عمل کرد. با این حال، این مزیت مطلق نبود. زمانی که سیگنال نویز کمتری داشت و پیک‌ها از یک منبع قشر مخ منشأ می‌گرفتند، CCA و ICA نتایج بهتری ایجاد کردند. زمانی که پیک‌ها از دو منبع متمایز منشأ می‌گرفتند، یا EMD یا ICA در شرایط نویز شدید بهترین عملکرد را داشتند، در حالی تبدیل ویولت در نویز سبک‌تر عملکرد بهتری داشت.

به عبارت دیگر، بهترین ابزار حذف آرتیفکت هم به سطح نویز و هم به پیکربندی منبع زیربنایی بستگی داشت، و مزیت EMD به طور خاص در موارد با آلودگی شدید، قوی‌ترین بود.

در همین حال، مطالعات پژوهشی توسط Riaz و همکاران و Shafiul Alam و همکاران از اصلاح آرتیفکت به سمت طبقه‌بندی حرکت کردند و از IMFها به عنوان منبعی از ویژگی‌ها برای تشخیص تشنج و صرع استفاده نمودند.

تیم Riaz ممان‌های زمانی، یعنی معیارهای آماری مانند واریانس، چولگی و کشیدگی را به همراه ویژگی‌های طیفی مانند مرکز ثقل طیفی و چولگی طیفی از هر IMF استخراج کردند. این ویژگی‌ها به یک ماشین بردار پشتیبان، که یک طبقه‌بند یادگیری نظارت شده استاندارد است، داده شد و طبقه‌بندی حاصل از بیماران مبتلا به صرع و بخش‌های تشنج نتایجی را ایجاد کرد که نویسندگان آن را خوب و قابل مقایسه با سایر روش‌های تثبیت‌شده استخراج ویژگی توصیف کردند.

تیم Alam با استفاده از ممان‌های آماری مرتبه بالاتر محاسبه شده در حوزه EMD فراتر رفت و آن‌ها را به یک شبکه عصبی مصنوعی تغذیه کرد. در چندین کار طبقه‌بندی، از جمله تمایز فعالیت تشنجی از فعالیت غیرتشنجی، این روش دقت، حساسیت و ویژگی تا ۱۰۰ درصد را گزارش کرد، در حالی که سریع‌تر از تکنیک‌های مشابه آنالیز زمان-فرکانس اجرا می‌شد.

در مجموع، این مطالعات نشان می‌دهند که EMD می‌تواند به ایزوله کردن فعالیت‌های تشنجی زودگذر کمک کند، اما عملکرد آن به سطح نویز، هندسه منبع و مجموعه‌داده‌ای که روی آن آزمایش می‌شود بستگی دارد و یک مزیت ثابت و تضمین‌شده نیست.

چالش‌های رایج در تجزیه حالت تجربی

روش EMD انعطاف‌پذیر است، اما این انعطاف‌پذیری انتخاب‌های روش‌شناختی ایجاد می‌کند که می‌تواند بر نتایج علمی تأثیر بگذارد. اختلالات کوچک در یک سیگنال ممکن است نقاط فرین (extrema) را تغییر دهد و در نتیجه پوش‌ها و حالت‌های استخراج‌شده را تغییر دهد. نویز، فیلتر کردن، ضبط‌های کوتاه و مرزهای تیز همگی می‌توانند پایداری تجزیه را کاهش دهند.

بررسی‌های رایج به جای پنهان کردن این دشواری‌ها، به آشکار کردن آن‌ها کمک می‌کنند. این بررسی‌ها شامل موارد زیر است:

• اندازه‌گیری خطای بازسازی پس از جمع کردن IMFها و باقیمانده.

• تست حساسیت نسبت به رفتار با نقاط انتهایی و آستانه‌های الک کردن.

• مقایسه تجزیه‌ها در بخش‌های تکراری یا مجموعه‌های نویز.

• بررسی اینکه آیا یک مؤلفه حذف شده حاوی فعالیت عصبی باورپذیر هست یا خیر.

این بررسی‌ها ابهام را از بین نمی‌برند، اما آن را نمایان می‌سازند. اختلاط حالت (mode mixing) ممکن است نیاز به یک نسخه گروهی (ensemble) داشته باشد، در حالی که محتوای فرکانس بالای بیش از حد ممکن است نشان‌دهنده آلودگی باشد تا یک حالت عصبی مفید. در همه موارد، آنالیز باید تصمیماتی را که منجر به بازنمایی نهایی شده است، گزارش کند.

چالش دیگر ارتباطات است. یک شاخص IMF یک برچسب الگوریتمی است، نه یک تشخیص یا یک باند EEG با تعریف جهانی. هنگامی که نتایج از پردازش سیگنال اکتشافی به سمت تفسیر زیست‌پزشکی حرکت می‌کنند، به شکل‌های واضح، سوابق پارامترها و زبان محتاطانه نیاز است.

اختلاط حالت (Mode Mixing): نقطه ضعف اصلی EMD پایه

واضح‌ترین نقطه ضعف ساختاری در EMD پایه پدیده‌ای است که به آن اختلاط حالت می‌گویند. این اتفاق به دو روش مرتبط رخ می‌دهد. یا نوساناتی که در مقیاس‌های زمانی بسیار متفاوت عمل می‌کنند در نهایت درون یک IMF به دام می‌افتند، یا یک مؤلفه ریتمیک منسجم و واحد تکه‌تکه شده و به جای اینکه در یک IMF باقی بماند، در چندین IMF پراکنده می‌شود. هر دو نسخه این مشکل، اعتماد به اینکه یک IMF با یک فرآیند فیزیولوژیکی واقعی و منفرد مطابقت دارد را سخت‌تر می‌کند.

خطر عملی، تفسیری است. اگر یک پژوهشگر فرض کند که یک IMF معین، به عنوان مثال، نشان‌دهنده فعالیت در یک باند فرکانسی خاص است، اما آن IMF در واقع به دلیل اختلاط حالت حاوی ترکیبی از آرتیفکت عضلانی و فعالیت پیک باقیمانده باشد، هر نتیجه‌ای که از آن IMF گرفته شود غیرقابل اعتماد می‌شود.

تجزیه حالت تجربی گروهی کامل

تجزیه حالت تجربی گروهی کامل که معمولاً CEEMD نامیده می‌شود، یک نسخه توسعه‌یافته از EMD با کمک نویز است. این روش نویزهای با دقت کنترل‌شده‌ای را به سیگنال اضافه می‌کند، مجموعه حاصل را تجزیه می‌کند و از حالت‌های مربوطه میانگین می‌گیرد. هدف این است که در صورت دشوار بودن جداسازی مقیاس‌های نوسانی نزدیک به هم، تجزیه پایدارتر شود.

چگونه CEEMD نسبت به EMD استاندارد بهبود می‌یابد

روش EMD استاندارد می‌تواند از اختلاط حالت رنج ببرد، که در آن نوساناتی با مقیاس‌های مختلف در یک IMF ظاهر می‌شوند یا مقیاس‌های مشابه در چندین IMF پخش می‌شوند. CEEMD این ناپایداری را به صورت آماری و نه با تغییر ایده اصلی الک کردن پوش، برطرف می‌کند. تجزیه‌های مکرر و میانگین‌گیری می‌تواند تأثیر یک نویز خاص را کاهش دهد، اما نتیجه همچنان به طراحی گروه، دامنه نویز، تعداد آزمایش‌ها و جزئیات پیاده‌سازی بستگی دارد.

این روش به طور خودکار برای هر مجموعه داده‌ای برتر نیست. هزینه محاسباتی را افزایش می‌دهد و اگر پارامترهای آن به درستی انتخاب نشوند، می‌تواند نویز باقیمانده را حفظ کند یا حساسیت مرزی ایجاد کند. بنابراین، برای EEG، مقایسه‌ها باید کیفیت بازسازی، پایداری در طول آزمایش‌ها، حفظ رویدادهای زودگذر و اینکه آیا حالت‌های حاصل برای سؤال پژوهشی مطرح‌شده قابل تفسیر باقی می‌مانند یا خیر را بررسی کنند.

چه کاربردهایی از EEG تاکنون EMD را آزمایش کرده‌اند

روش EMD معمولاً در سه دسته کلی اعمال شده است.

استخراج ویژگی برای طبقه‌بندی بزرگ‌ترین مورد استفاده را نشان می‌دهد. به عنوان مثال، مطالعه‌ای به رهبری Ning Zhuang از EMD برای تشخیص احساسات استفاده کرد و ویژگی‌های چندبعدی را از IMFها استخراج نمود، از جمله اولین تفاوت سری زمانی، اولین تفاوت فاز و انرژی نرمال‌شده، سپس آن‌ها را روی پایگاه داده احساسی DEAP که به صورت عمومی در دسترس است آزمایش کرد. این مطالعه نشان داد که مؤلفه فرکانس بالای IMF1 تأثیر قابل‌توجهی بر تمایز حالات احساسی دارد و رویکرد کلی عملکرد بهتری نسبت به روش‌های مقایسه‌ای از جمله بعد فراکتال، آنتروپی نمونه و تبدیل ویولت گسسته داشت.

حذف آرتیفکت در مطالعاتی مانند مطالعه Safieddine و همکاران نشان داده شده است، جایی که تجزیه قطعی و مبتنی بر پوش EMD، آرتیفکت عضلانی را از EEG شبیه‌سازی‌شده صرع، به ویژه در شرایط آلودگی شدید، مؤثرتر از روش‌های مبتنی بر ICA، CCA یا ویولت حذف کرد.

در نهایت، آنالیز چندکاناله و واسط مغز و رایانه را می‌توان در تحقیقات منتشر شده در Journal of Circuits, Systems and Computers مشاهده کرد، جایی که EMD به طور جداگانه روی هر کانال در یک ضبط چندکاناله EEG اعمال شد و IMFهای حاصل بر اساس شباهت طیفی خوشه‌بندی شدند تا مشخص شود کدام مؤلفه‌ها با یک محرک خارجی همبستگی دارند.

بازسازی سیگنال تنها از روی آن مؤلفه‌های مرتبط با محرک به پژوهشگران اجازه داد تا تشخیص دهند که یک سوژه چه زمانی به یک محرک خاص توجه می‌کند، قابلیتی که مستقیماً به سیستم‌های BCI مربوط می‌شود که به تمایز سیگنال‌های عصبی ارادی از نویز پس‌زمینه وابسته هستند.

آموزش تجزیه حالت تجربی برای مبتدیان

یک مبتدی می‌تواند EMD را به عنوان جدا کردن مکرر سریع‌ترین نوسان قابل مشاهده از یک شکل موج پیچیده در نظر بگیرد. این الگوریتم با لیستی از باندهای فرکانسی شروع نمی‌شود. در عوض، مشاهده می‌کند که سیگنال کجا بالا و پایین می‌رود، یک خط مرکزی محلی را تخمین می‌زند و آن خط مرکزی را از نوسان نامزد حذف می‌کند.

یک تمرین یادگیری معقول با یک سیگنال مصنوعی کوتاه و تمیز حاوی دو نوسان و یک روند کند شروع می‌شود. نتیجه مورد انتظار یک جداسازی کامل در هر مورد نیست، بلکه مجموعه‌ای از مؤلفه‌ها است که مجموع آن‌ها تقریباً ورودی را بازسازی می‌کند. رسم سیگنال اصلی، هر IMF و باقیمانده روی یک محور زمانی مشترک اغلب اطلاعات بیشتری نسبت به بررسی خروجی‌های عددی به تنهایی ارائه می‌دهد.

برای یک ضبط EEG، گردش کار شامل تصمیماتی است که قبل از تجزیه اتخاذ می‌شوند:

• انتخاب کانال‌ها و بخش‌ها

• بررسی اطلاعات نمونه‌برداری

• علامت‌گذاری فواصل بد

• مستندسازی پیش‌پردازش

یک راهنمای تجزیه فرکانس عمومی می‌تواند به قرار دادن EMD در میان روش‌های فوریه، ویولت و روش‌های مرتبط زمان-فرکانس کمک کند. این انتخاب‌ها EMD را به یک تست بالینی تبدیل نمی‌کنند؛ آن‌ها شرایطی را تعریف می‌کنند که تحت آن خروجی آن قابل ارزیابی باشد.

تجزیه حالت تجربی در پایتون: یک راهنمای کدنویسی

پیاده‌سازی‌های پایتون معمولاً یک آرایه یک‌بعدی را می‌پذیرند و مجموعه‌ای از IMFها را برمی‌گردانند، گاهی اوقات همراه با یک باقیمانده یا از طریق یک عملیات باقیمانده جداگانه. یک گردش کار اصلی یک سیگنال را بارگذاری می‌کند، وضعیت نمونه‌برداری و مقادیر مفقود آن را تأیید می‌کند، تجزیه را اجرا می‌کند و مؤلفه‌ها را ترسیم می‌نماید. آنالیز تکرارپذیر همچنین نسخه کتابخانه و پارامترهای کنترل‌کننده الک کردن و رفتار گروهی را ثبت می‌کند.

کتابخانه‌های محبوب پایتون برای EMD

چندین پکیج علمی پایتون، EMD یا الگوریتم‌های مرتبط با آن را ارائه می‌دهند، اما APIها و پیش‌فرض‌های آن‌ها متفاوت است. برخی از آن‌ها EMD استاندارد، نسخه‌های گروهی، آستانه‌های توقف، انتخاب‌های اسپلاین و ابزارهای کمکی بصری‌سازی را در دسترس قرار می‌دهند؛ برخی دیگر به اسمبل دستی بیشتری نیاز دارند. کار اصلی کدنویسی صرفاً فراخوانی یک تابع نیست، بلکه بررسی معنای مؤلفه‌های بازگردانده شده و اینکه آیا مجموع آن‌ها ورودی را بازسازی می‌کند یا خیر است.

یک الگوی شبه‌کد حداقلی به این صورت است:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

کد عمداً به صورت شماتیک است زیرا نام توابع و مقادیر بازگشتی در پکیج‌های مختلف متفاوت است. اعتبارسنجی باید شامل خطای بازسازی، نمودارهای فرین‌ها و مرزها و بررسی‌های حساسیت تحت تغییرات پارامتر معقول باشد.

برای EEG، ابعاد داده نیز اهمیت دارد: یک ضبط چندکاناله ممکن است به یک گردش کار کانال به کانال یا یک روش مشخصاً چندمتغیره نیاز داشته باشد، نه اینکه به صورت بی‌صدا تمام کانال‌ها را در یک آرایه مسطح کند.

اعمال تجزیه حالت تجربی روی سیگنال‌های EEG

سیگنال EEG یک بستر طبیعی برای تجزیه حالت تجربی است زیرا تغییرات ولتاژ می‌تواند شامل ریتم‌های همپوشان، رویدادهای زودگذر و فعالیت‌های غیرایستا باشد. EMD ممکن است روی کانال‌های مجزا یا بخش‌های انتخاب‌شده اعمال شود تا نحوه تکامل نوسانات محلی بررسی گردد. سؤال علمی مرتبط ممکن است مربوط به ساختار زمانی، جداسازی آرتیفکت، تغییرات مرتبط با رویداد یا ویژگی‌هایی برای یک مدل آماری بعدی باشد.

قبل از تجزیه، کیفیت سیگنال و زمینه ضبط نیاز به توجه دارد. قرارگیری الکترود، طرح مرجع، نرخ نمونه‌برداری، فیلتر کردن، نمونه‌های مفقود و آرتیفکت‌های علامت‌گذاری شده همگی می‌توانند بر فرین‌های محلی تأثیر بگذارند.

علاوه بر این، IMFهای حاصل نباید صرفاً بر اساس ترتیب آن‌ها به برچسب‌های فیزیولوژیکی نسبت داده شوند. مؤلفه‌های سریع ممکن است شامل نویزهای عضلانی یا ابزاری باشند و مؤلفه‌های کندتر ممکن است حاوی انحراف و همچنین فعالیت معنادار باشند.

تفسیر زمانی قوی‌تر است که سیگنال‌های بازسازی شده را مقایسه کند، مسیر ممیزی واضحی از مؤلفه‌های حذف شده را حفظ کند و آزمایش کند که آیا یافته‌ها در کانال‌ها، شرکت‌کنندگان و انتخاب‌های آنالیز پایدار می‌مانند یا خیر.

تجزیه حالت تجربی در مقایسه با تبدیل ویولت

روش EMD و تبدیل ویولت هر دو از آنالیز زمان-فرکانس پشتیبانی می‌کنند، اما ساختار سیگنال را به طور متفاوتی سازماندهی می‌نمایند. EMD حالت‌ها را از فرین‌های محلی در داده‌های مشاهده‌شده استخراج می‌کند، در حالی که آنالیز ویولت سیگنال را با یک خانواده انتخابی از توابع پایه مقیاس‌بندی شده و انتقال‌یافته مقایسه می‌کند. یکی با داده‌ها تطبیق می‌یابد؛ دیگری یک سیستم مختصات چندمقیاسی از پیش تعریف‌شده ارائه می‌دهد.

تمایز زمانی واضح‌تر می‌شود که اولویت‌های آنالیز با هم مقایسه شوند:

هیچ‌یک از این دو روش به طور مطلق بر دیگری ارجحیت ندارد. EMD می‌تواند یک تجزیه شهودی برای تغییر نوسانات ارائه دهد، در حالی که ویولت‌ها می‌توانند چارچوبی ثابت برای مقایسه سیگنال‌ها در زمانی که پایه و مقیاس‌ها از نظر علمی مناسب هستند، فراهم کنند.

انتخاب باید پیرو سؤال تحقیق، رویدادهای زودگذر مورد انتظار، نیاز به تکرارپذیری و استراتژی اعتبارسنجی باشد، نه یک ادعای کلی مبنی بر اینکه یک روش پیشرفته‌تر است.

آنچه آنالیز سیگنال مغزی از تجزیه داده‌محور به دست می‌آورد

فعالیت مغزی به ندرت آن‌قدر ثابت می‌ماند که ابزارهای فرکانس کلاسیک بتوانند گویاترین لحظات آن را ثبت کنند، به همین دلیل روشی که اجازه می‌دهد سیگنال‌ها بلوک‌های ساختمانی خود را تعریف کنند، توجه واقعی را به خود جلب کرده است.

تجزیه حالت تجربی نیاز به قالب‌های ریاضی ثابت را دور می‌زند و نتایجی را ایجاد می‌کند که برای ایزوله کردن پیک‌های تشنج در زیر نویزهای شدید و استخراج ویژگی‌های معنادار برای تشخیص احساسات مفید واقع شده است. این تغییر به سمت آنالیز با شکل تطبیقی، مسیری را برای ثبت رویدادهای عصبی زودگذر ایجاد می‌کند که در غیر این صورت مخدوش شده یا از دست می‌رفتند. نتیجه عملی، همان‌طور که در مطالعات دیده می‌شود، ابزاری است که می‌تواند به طبقه‌بندی و حذف آرتیفکت در شرایطی که با آن همسو هستند کمک کند.

منابع

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

پرسش‌های متداول

تجزیه حالت تجربی (EMD) چیست و چرا برای EEG مفید است؟

روش EMD یک روش پردازش سیگنال تطبیقی است که یک شکل موج را به مؤلفه‌های نوسانی به نام توابع حالت ذاتی بدون فرض ثابت بودن سیگنال تجزیه می‌کند. این روش برای EEG مفید است زیرا فعالیت مغز به طور مداوم تغییر می‌کند و حاوی رویدادهای زودگذر است که ابزارهای سنتی پایه ثابت برای نشان دادن دقیق آن‌ها با چالش مواجه هستند.

فرآیند الک کردن در EMD چگونه کار می‌کند؟

فرآیند الک کردن به طور مکرر نقاط اوج و دره محلی یک سیگنال را شناسایی می‌کند، پوش‌های بالا و پایین را می‌سازد و میانگین آن‌ها را از سیگنال کسر می‌کند. این مرحله تا زمانی تکرار می‌شود که مؤلفه باقی‌مانده دارای پوش‌های متقارن و میانگین نزدیک به صفر باشد، که در این مرحله به یک تابع حالت ذاتی تبدیل می‌شود.

توابع حالت ذاتی (IMFs) چیستند؟

توابع IMF بلوک‌های ساختمانی داده‌محور تولید شده توسط EMD هستند که از سریع‌ترین نوسانات تا کندترین آن‌ها مرتب شده‌اند. از آنجا که آن‌ها مستقیماً از شکل محلی سیگنال استخراج می‌شوند و با یک شکل موج از پیش تعیین شده مطابقت داده نمی‌شوند، می‌توانند پویایی‌های عصبی نامنظم و متغیر را ثبت کنند.

چرا اختلاط حالت در EMD یک مشکل است؟

اختلاط حالت زمانی رخ می‌دهد که نوساناتی با مقیاس‌های زمانی مختلف در یک IMF به دام بیفتند یا زمانی که یک ریتم واحد در چندین IMF تقسیم شود. این ابهام باعث می‌شود اعتماد به اینکه یک IMF نشان‌دهنده یک فرآیند فیزیولوژیکی واحد است سخت شود و به طور بالقوه نویز یا آرتیفکت‌ها را با فعالیت واقعی مغز ترکیب می‌کند.

EMD چگونه با رویدادهای زودگذر مانند پیک‌های تشنج رفتار می‌کند؟

روش EMD پیک‌های کوتاه را با استخراج آن‌ها به IMFهای فرکانس بالا، جایی که فعالیت پس‌زمینه جدا می‌شود، ایزوله می‌کند. در شرایط آلودگی شدید عضلانی، EMD عملکرد بهتری نسبت به سایر روش‌های حذف آرتیفکت داشت، اگرچه مزیت آن با سیگنال‌های تمیزتر یا پیکربندی‌های منبع متفاوت کاهش یافت.

آیا EMD می‌تواند جایگزین روش‌های سنتی مانند تبدیل فوریه برای تمام آنالیزهای EEG شود؟

روش EMD یک جایگزین همگانی نیست؛ این روش برای سیگنال‌های غیرایستا و زودگذر که روش‌های فوریه پایه ثابت در آن‌ها ناتوان هستند، بسیار ارزشمند است. با این حال، قابلیت اطمینان آن با سطوح نویز تغییر می‌کند و هنوز در تمام شرایط ضبط EEG اثبات نشده است.

آیا EMD نیاز دارد فرض کند سیگنال ایستا است؟

خیر، EMD فرض را بر ایستایی نمی‌گذارد که این یک مزیت کلیدی نسبت به آنالیز کلاسیک فوریه برای EEG است. تجزیه مستقیماً با ویژگی آماری در حال تغییر داده‌ها تطبیق می‌یابد و به آن اجازه می‌دهد پویایی‌های متغیر مغز و رویدادهای کوتاه را بدون پیش‌شرط ردیابی کند.

آیا EMD می‌تواند EEG چندکاناله را به طور مستقیم آنالیز کند؟

روش EMD پایه معمولاً روی سیگنال‌های یک‌بعدی اعمال می‌شود. آنالیز چندکاناله نیاز به یک استراتژی حساب‌شده کانال به کانال یا چندمت