تبدیل فوریه روش نمایش اطلاعات موجود را تغییر می‌دهد و سیگنالی را که در طول زمان تغییر می‌کند به توصیفی از مؤلفه‌های موزون (ریتمیک) که درون آن نهفته است، تبدیل می‌کند. درک این تبدیل به عنوان یک لنز، به جای یک دستگاه، اولین قدم ضروری است قبل از اینکه هرگونه گفتگو درباره ریتم‌های مغزی، باندهای فرکانسی یا الگوهای طیفی بتواند معنا پیدا کند.
یک نگاره EEG واقعاً چه چیزی را نشان می‌دهد
یک الکتروانسفالوگرام ولتاژ را در حین تغییر از لحظه‌ای به لحظه دیگر ثبت می‌کند. رسم این تغییرات، یک خط پیوسته واحد ایجاد می‌کند؛ یک سری زمانی که با تغییر فعالیت الکتریکی زیر الکترود به سمت بالا و پایین حرکت می‌کند. این خط به خودی خود مانند یک رویداد یکپارچه به نظر می‌رسد. اما این ظاهر گمراه‌کننده است.
در واقعیت، ولتاژ ثبت‌شده در هر لحظه، نتیجه ترکیبی از فرایندهای نوسانی مجزای متعددی است که به‌طور همزمان در بافت عصبی زیرین رخ می‌دهند. برخی از این فرایندها چرخه‌های کند و برخی دیگر سریع دارند. هنگامی که آن‌ها با هم رخ می‌دهند، الگوهای فردی‌شان با یکدیگر جمع شده و یک شکل موج مرکب واحد را تشکیل می‌دهند؛ درست به همان شیوه‌ای که سازهای مختلف با نواختن نت‌های متفاوت، در قالب یک آکورد واحد ترکیب می‌شوند. شنونده یک صدا را می‌شنود، اما آن صدا در اصل از چندین زیروبمی متمایز تشکیل شده که روی هم لایه‌بندی شده‌اند.
یک نگاره EEG نیز به همین صورت عمل می‌کند. آنچه شبیه به یک خط نامنظم به نظر می‌رسد، در واقع چندین ریتم است که روی یک سیگنال واحد سوار شده‌اند.
مشکلی که این موضوع ایجاد می‌کند ساده است: اگر چندین ریتم در یک شکل موج با یکدیگر مخلوط شده باشند، چگونه می‌توان تشخیص داد که کدام ریتم‌ها وجود دارند یا شدت هر یک چقدر است؟
تبدیل فوریه: یک عدسی، نه یک میکروسکوپ
تبدیل فوریه به این پرسش پاسخ می‌دهد، اما نه با کشف داده‌های جدید. این تبدیل با بازبیان دقیقاً همان قطعه EEG با استفاده از یک دستگاه مختصات متفاوت کار می‌کند. به جای توصیف سیگنال بر حسب ولتاژ در طول زمان، همان سیگنال را بر حسب محتوای فرکانسی توصیف می‌کند؛ یعنی اینکه چه مقدار از هر نرخ نوسانی درون آن وجود دارد.
این تبدیل از نظر ریاضی برگشت‌پذیر است، زیرا می‌تواند یک بخش (اپوک) EEG را به بازنمایی فرکانسی آن تبدیل کند، سپس آن را بازگرداند، و شکل موج اصلی مبتنی بر زمان دقیقاً به همان صورت اولیه ظاهر شود.
این دو بازنمایی، یعنی زمان و فرکانس، حاوی اطلاعات یکسانی هستند. آن‌ها صرفاً این اطلاعات را به شیوه‌ای متفاوت سازماندهی می‌کنند، درست همانند نور خورشید که عبور از منشور باعث ایجاد رنگ در آن نمی‌شود. رنگ از قبل در نور سفید وجود داشت. منشور تنها طول‌موج‌هایی را که قبلاً با هم آمیخته شده بودند جدا می‌کند تا به صورت جداگانه قابل مشاهده شوند.
تبدیل فوریه همین تفکیک را بر روی سیگنال EEG انجام می‌دهد و عناصر ریتمیک سازنده را بدون تغییر دادن ثبت اولیه به هر شکلی، آشکار می‌سازد.
مبانی ریاضی تبدیل فوریه
این تبدیل در بطن خود بر ارزیابی انتگرالی سیگنالی متکی است که در توابع نمایی مختلط ضرب شده است. این عملیات همبستگی بین شکل موج اصلی و امواج سینوسی با فرکانس‌های گوناگون را محاسبه می‌کند. اگر فرکانس خاصی درون سیگنال اصلی وجود داشته باشد، انتگرال در آن نقطه از حوزه فرکانس مقدار بالایی را به دست می‌دهد که نشان‌دهنده شدت انرژی موضعی است.
تعاریف رسمی از اتحاد اویلر برای پر کردن شکاف بین توابع مثلثاتی و توابع نمایی مختلط استفاده می‌کنند. تبدیل مستقیم، یک تابع پیوسته f(t) را به F(ω) تبدیل می‌کند، در حالی که عملیات معکوس، سیگنال اصلی را از طریق مجموع این مؤلفه‌های سنتز‌شده بازسازی می‌نماید. این تقارن تضمین می‌کند که هیچ اطلاعاتی در طول تبدیل از دست نمی‌رود و امکان گذار ریاضی کاملاً برگشت‌پذیر را فراهم می‌سازد.
متخصصان هنگام اعمال این انتگرال‌ها روی داده‌های فیزیکی باید توجه دقیقی به ثابت‌های نرمال‌سازی و معیارهای همگرایی داشته باشند. مدیریت نادرست مرزهای انتگرال‌گیری یا تعاریف سیگنال می‌تواند به تخمین‌های طیفی نادرست منجر شود. با رعایت این مرزهای ریاضی، اطمینان حاصل می‌شود که بازنمایی حوزه فرکانس همچنان بازتابی دقیق از جریان داده‌های اصلی وابسته به زمان باقی می‌ماند.
انواع تبدیل‌های فوریه
تبدیل فوریه پیوسته در مقابل گسسته
تبدیل پیوسته برای توابعی به کار می‌رود که روی یک بازه زمانی نامتناهی تعریف شده‌اند، در حالی که نسخه گسسته روی دنباله‌های داده‌ای محدود و نمونه‌برداری‌شده عمل می‌کند.
در عمل، سیستم‌های دیجیتال همیشه از پردازش گسسته استفاده می‌کنند که نیازمند توجه دقیق به محدودیت‌های نمونه‌برداری برای بازنمایی دقیق پدیده‌های پیوسته است. روش‌های مختلفی برای تقریب این گذار بدون از دست رفتن قابل توجه داده‌ها وجود دارد، از جمله:
توابع پنجره‌بندی که با باریک کردن لبه‌های داده‌های ورودی، از نشت طیفی جلوگیری می‌کنند.
تکنیک‌های پدینگ با صفر (Zero-padding) برای افزایش تفکیک‌پذیری بازه‌های فرکانسی حاصل.
استراتژی‌های کاهش خطای همپوشانی (Aliasing) که یکپارچگی سیگنال را در طول فرایند دیجیتالی‌سازی تضمین می‌کنند.
انطباق با قضیه نمونه‌برداری برای ثبت تمامی اطلاعات مرتبط با فرکانس بالا.
نگاشت محاسباتی کارآمد که با تعداد نقاط داده ورودی مقیاس‌پذیر است.
این ملاحظات به تعیین این موضوع کمک می‌کنند که یک نتیجه گسسته با چه کیفیتی ساختار سیگنال پیوسته زیرین را بازتاب می‌دهد.
تبدیل فوریه سریع: چرا سرعت اهمیت دارد
توسعه الگوریتم‌های کارآمد، مانند تبدیل فوریه سریع (FFT)، تجزیه و تحلیل طیفی در زمان واقعی را در سیستم‌هایی با توان عملیاتی عظیم داده امکان‌پذیر ساخت. بدون این بهینه‌سازی‌ها، پیچیدگی محاسباتی تبدیل‌های گسسته استاندارد باعث می‌شد فناوری‌های تشخیصی امروزی غیرقابل استفاده باشند. دستاوردهای کارایی در مقایسه زمان محاسبات برای مجموعه‌داده‌های بزرگ کاملاً مشهود است، همان‌طور که در زیر نشان داده شده است.
اندازه مجموعه‌داده | حجم محاسبات | دشواری زمانی |
|---|---|---|
۲۵۶ نمونه | کم | حداقل |
۱,۰۲۴ نمونه | متوسط | کارآمد |
۳۲,۷۶۸ نمونه | زیاد | بسیار سریع |
این ابزارها با تبدیل عملیاتی که مقیاس آن درجه دوم است به عملیاتی با مقیاس لگاریتمی، پایش سریع سیگنال را تسهیل می‌کنند. پردازش سریع امکان ایجاد حلقه‌های بازخورد آنی را فراهم می‌سازد که در محیط‌هایی که مشاهده تغییرات به‌صورت بلادرنگ هدف اصلی بررسی است، حیاتی هستند.
فرض تناوب در پس هر محاسبه فوریه
هنگامی که تبدیل فوریه قطعه‌ای از سیگنال را پردازش می‌کند، از نظر ریاضی با آن قطعه به گونه‌ای رفتار می‌کند که گویی تا بی‌نهایت در هر دو جهت، رو به جلو و عقب در زمان، تا ابد تکرار می‌شود. برش کوتاهی از EEG که مورد تجزیه و تحلیل قرار می‌گیرد، به عنوان یک واحد تکرارشونده در یک حلقه بی‌پایان در نظر گرفته می‌شود.
فعالیت واقعی EEG به این شکل عمل نمی‌کند. سیگنال‌های مغزی کاملاً متناوب نیستند و قطعه‌ای که از یک ثبت پیوسته برداشته می‌شود به ندرت در مقادیری شروع شده و پایان می‌یابد که در صورت بازگشت حلقه‌ای به روی خود، به‌صورت هموار متصل شوند.
هنگامی که لبه‌های قطعه با یکدیگر مطابقت نداشته باشند، فرض تکرار بی‌نهایت باعث ایجاد اعوجاج‌هایی در مرزها می‌شود که گاهی اوقات آرتیفکت‌های لبه یا نشت طیفی نامیده می‌شوند؛ جایی که به نظر می‌رسد انرژی از یک فرکانس به فرکانس‌های همسایه که در واقع در سیگنال اصلی وجود نداشتند، پخش می‌شود.
این نقصی نیست که روش را باطل کند، بلکه یک مصالحه ریاضی شناخته‌شده است و زمانی که قطعات با دقت انتخاب شوند قابل مدیریت است. این بخشی از دلیلی است که چرا تحلیل مبتنی بر فرکانس EEG معمولاً با بخش‌های کوتاه و نسبتاً پایدار سیگنال کار می‌کند، نه با ثبت‌های طولانی و مداوم در حال تغییر.
یانسِن و همکاران، برای مثال، ویژگی‌های حوزه فرکانس را در بازه‌های کوتاه EEG مقایسه کردند نه در ثبت‌های طولانی؛ رویکردی که همسو با کوتاه نگه داشتن هر قطعه مورد تحلیل است تا فرض تناوب همچنان یک تقریب معقول باقی بماند. مطالعه‌ای توسط ویدیاراتنه و همکاران مسیری مرتبط اما تخصصی‌تر را در پیش گرفت و تبدیل بسته موجک هارمونیک را محاسبه کرد؛ تکنیکی که بر پایه خودِ تبدیل فوریه ساخته شده تا اطلاعات فرکانس را استخراج کند و در عین حال محدودیت‌های تفکیک‌پذیری ناشی از تحلیل سیگنال‌های مغزی را که در طول زمان تغییر می‌کنند، برطرف سازد.
هر دو رویکرد نشان می‌دهند که چگونه کار عملی با EEG، با یک سهولت ریاضی که کاملاً با واقعیت بیولوژیکی همخوانی ندارد کنار می‌آید، بدون اینکه نیاز به کنار گذاشتن خود ابزار باشد.
چرا محتوای فرکانسی برای خواندن فعالیت مغز اهمیت دارد
هنگامی که یک قطعه EEG به مؤلفه‌های فرکانسی خود تبدیل شد، این مؤلفه‌ها بر دسته‌بندی‌هایی منطبق می‌شوند که احتمالاً هرکسی که درباره فعالیت مغز مطالعه کرده با آن‌ها روبه‌رو شده است: باندهای دلتا، تتا، آلفا، بتا و گاما. این نام‌ها محدوده‌های سرعت نوسان را توصیف می‌کنند و واژگانی را تشکیل می‌دهند که در تحقیقات خواب، مطالعات شناختی و تشخیص‌های بالینی به کار می‌روند.
این تجزیه، پایه مفهومی در زیربنای اساساً تمام تفسیرهای مبتنی بر فرکانس EEG است. هر زمان که گزارشی به فعالیت بالا در یک باند خاص، یا تغییری در تعادل بین باندها اشاره می‌کند، این بیان تنها به این دلیل معنادار است که سیگنال ابتدا با استفاده از منطق ارائه‌شده توسط تبدیل فوریه تجزیه شده است. بدون این تجزیه، اصلاً هیچ واژگانی برای توصیف ریتم‌های مغزی وجود ندارد، فقط یک نگاره ولتاژ پیوسته وجود خواهد داشت.
این ادعا که فرکانس نوسانی حامل اطلاعات معناداری درباره حالات مغز است، در بسیاری از حوزه‌های علوم اعصاب به‌طور گسترده مورد بحث قرار گرفته است.
آنچه تحلیل مبتنی بر فوریه درباره فعالیت تشنج آشکار کرده است
جداسازی سیگنال‌های تشنجی (Ictal) و سیگنال‌های بدون تشنج
پژوهشگری به نام رام بیلاس پاچوری تکنیکی به نام تجزیه حالت تجربی را بر روی سیگنال‌های EEG درون‌جمجمه‌ای به کار برد و هر ثبت را به مجموعه‌ای از مؤلفه‌های با باند محدود که با عنوان توابع حالت ذاتی شناخته می‌شوند، تجزیه کرد. سپس او از بسط فوریه-بسل برای محاسبه فرکانس میانگین هر یک از این مؤلفه‌ها استفاده نمود.
هنگام مقایسه سیگنال‌های ایکتال (تشنجی) - یعنی آن‌هایی که در طول فعالیت فعال تشنج ثبت شده‌اند - با سیگنال‌های بدون تشنج، ویژگی فرکانس میانگین تفاوت آماری معناداری را بین دو حالت نشان داد. این نتیجه ثابت می‌کند که اطلاعات فرکانسی استخراج‌شده از طریق یک روش مبتنی بر فوریه حامل الگوی مشخص و قابل تشخیصی است که به فعالیت تشنج گره خورده است.
ویدیاراتنه و همکاران هدفی مرتبط اما پیچیده‌تر را دنبال کردند: تشخیص شروع تشنج به‌صورت بلادرنگ. این رویکرد، ویژگی‌های انرژی حاصل از تبدیل بسته موجک هارمونیک (محاسبه‌شده از طریق تبدیل فوریه) را با یک معیار جداگانه به نام بُعد فراکتال ترکیب کرد که الگوهای خودمشابه تکرارشونده را در سیگنال ثبت می‌کند.
این ویژگی‌های ترکیبی از نظر مکانی در کانال‌های الکترود و از نظر زمانی در یک پنجره تحلیلی متحرک سازماندهی شدند و سپس با استفاده از ماشین بردار ارتباط (RVM) طبقه‌بندی شدند؛ روشی که به دلیل کارایی آن با مجموعه‌های بزرگ و خلوت ویژگی‌ها انتخاب شده بود.
این سیستم که بر روی ثبت‌های طولانی‌مدت EEG پوست سر آزمایش شد، به حساسیت ۹۶ درصدی برای تشخیص شروع تشنج دست یافت، با نرخ میانه تشخیص نادرست تنها ۰.۱ رویداد در ساعت و میانگین تأخیر تشخیص ۱.۸۹ ثانیه. بر روی داده‌های کوتاه‌مدت، برگرفته از ثبت‌های پوست سر و درون‌جمجمه‌ای، دقت طبقه‌بندی به ۹۹.۸ درصد رسید.
این دو مطالعه در کنار هم نشان می‌دهند که اطلاعات نوسانی استخراج‌شده از طریق تجزیه مرتبط با فوریه، در زمینه خاص تشخیص صرع، حامل محتوای تشخیصی مرتبط است.
مقایسه ویژگی‌های فوریه با یک تبدیل جایگزین
یانسِن و همکاران از زاویه‌ای متفاوت به این موضوع پرداختند و دو تبدیل ریاضی را مستقیماً با یکدیگر مقایسه کردند.
پژوهشگران به جای آزمایش تحلیل فوریه به تنهایی، ویژگی‌های به‌دست‌آمده از تبدیل فوریه را با ویژگی‌های مشتق‌شده از تبدیل والش مقایسه کردند؛ روشی که سیگنال‌ها را به جای توابع سینوسی هموار، با استفاده از توابع مستطیلی و مربعی‌شکل تجزیه می‌کند. در اعمال روی بازه‌های کوتاه EEG، ویژگی‌های حاصل از تبدیل فوریه همواره نتایج طبقه‌بندی بهتری را نسبت به ویژگی‌های حاصل از تبدیل والش ارائه دادند.
این مقایسه نشان می‌دهد که اجزای سازنده سینوسی ممکن است به‌طور طبیعی‌تر با ساختار زیرین سیگنال‌های EEG نسبت به جایگزین‌های تکه‌ای و مستطیلی همخوانی داشته باشند، حداقل برای وظایف طبقه‌بندی خاصی که این مطالعه بررسی کرده است.
تبدیل فوریه در تحقیقات کاربردی EEG با استفاده از دستگاه‌های قابل حمل
هدست‌های EEG قابل حمل، ثبت فعالیت مغز را در خارج از آزمایشگاه امکان‌پذیر کرده‌اند و تبدیل فوریه همچنان ابزار اصلی برای استخراج اطلاعات باندهای فرکانسی از آن ثبت‌ها به شمار می‌رود. چندین مطالعه اخیر با استفاده از Emotiv Epoc X نشان می‌دهد که چگونه تجزیه طیفی از تحقیقات در آموزش، رابط‌های مغز و رایانه، علوم اعصاب مصرف‌کننده و عملکرد عملیاتی پشتیبانی می‌کند.
پایش بار شناختی و توجه در کلاس درس
در یک مطالعه آموزشی، محققان از Emotiv Epoc X برای ثبت EEG در طول آرامش‌بخشی، خواندن و محاسبات ریاضی استفاده کردند. آن‌ها تبدیل فوریه را برای محاسبه توان باندهای تتا، آلفا و بتا به کار بردند و برآوردهایی از توجه، درگیری ذهنی و بار شناختی به دست آوردند. نویسندگان افزایش توان آلفای مرتبط با خستگی، افزایش توجه در حین خواندن، و بار شناختی بالا در حین محاسبه—به‌ویژه زمانی که پاسخ‌ها درست بودند—را گزارش کردند.
شرکت‌کنندگان مبتلا به نارساخوانی در طول آرامش با چشمان باز، فرکانس اوج آلفای پایین‌تری نشان دادند و فعالیت تتای آن‌ها هنگام خواندن افزایش یافت، هرچند نمرات آزمون آن‌ها با گروه کنترل مطابقت داشت. یافته‌ها نشان می‌دهد که EEG می‌تواند به ردیابی هوشیاری و خستگی کمک کند، اما نسبت بتا/تتا که برای توجه استفاده می‌شود ممکن است به شکلی قابل اتکا توجه پایدار را پایش نکند، همان‌طور که در پایش EEG در آموزش شرح داده شده است.
تشخیص پتانسیل‌های برانگیخته بینایی حالت پایدار برای کنترل ربات
یک مطالعه رابط مغز و رایانه از Emotiv Epoc X برای تشخیص پتانسیل‌های برانگیخته بینایی در حالت پایدار (SSVEP) که توسط گروه‌های ال‌ای‌دی با نور چشمک‌زن ایجاد شده بودند، استفاده کرد. تحلیل تبدیل فوریه سریع، در ترکیب با یک مدل گاوسی، مؤلفه فرکانسی غالب مربوط به جهت نگاه کاربر را شناسایی کرد.
بدون نیاز به هیچ‌گونه آموزش برای آزمودنی‌ها، این سیستم به طور متوسط در ۷۵٪ مواقع هدف مورد نظر را به درستی تشخیص داد و ثابت کرد که تشخیص فرکانس مبتنی بر فوریه می‌تواند توجه بینایی را به دستورات کنترلی تبدیل کند، همان‌طور که در کنترل BCI مبتنی بر SSVEP نشان داده شده است.
استخراج ترجیح برند از ویژگی‌های باند آلفا
در یک پژوهش بازاریابی عصبی، Emotiv Epoc X پاسخ‌های مغزی را در حین مشاهده تبلیغات خودرو توسط شرکت‌کنندگان ثبت کرد. باند آلفا (۸ تا ۱۳ هرتز) جداسازی شد و تبدیل فوریه سریع چگالی طیفی توان، انرژی طیفی و مرکزوار طیفی را استخراج کرد. هنگامی که این ویژگی‌ها با یک شبکه عصبی احتمالی طبقه‌بندی شدند، سیستم به دقت ۹۶.۶۲٪ در شناسایی محبوب‌ترین برند دست یافت.
این نتیجه نشان می‌دهد که ویژگی‌های حوزه فرکانس می‌توانند ترجیح مصرف‌کننده را در یک محیط کنترل‌شده منعکس کنند، همان‌طور که در تحلیل بازاریابی عصبی مبتنی بر FFT شرح داده شده است.
ارزیابی آگاهی موقعیتی در طول ناوبری دریایی
مطالعه‌ای روی کاپیتان‌های یدک‌کش از Emotiv Epoc X به همراه نرم‌افزار EmotivPRO برای ثبت EEG در حین استراحت و مانورهای واقعی در بندر استفاده کرد. تحلیل توان باند تبدیل فوریه سریع، پنج وضعیت را مقایسه کرد و هیچ تفاوتی در توان آلفا نیافت، در حالی که توان دلتا، تتا، بتا و گاما در طول مانور کاهش یافت. نویسندگان این الگو را به عنوان شواهدی تفسیر می‌کنند که نشان می‌دهد کاپیتان‌های حرفه‌ای آگاهی موقعیتی ثابتی را در طول استراحت و ناوبری فعال حفظ کرده‌اند، همان‌طور که در آگاهی موقعیتی در ناوبری گزارش شده است.
این پژوهش‌ها در مجموع نشان می‌دهند که چگونه تحلیل فوریه، در ترکیب با فناوری قابل حمل EEG، می‌تواند ویژگی‌های طیفی معناداری را در وظایف گوناگون دنیای واقعی استخراج کند. یافته‌ها از نوع همبستگی هستند و از حجم نمونه‌های کوچک به دست آمده‌اند، بنابراین بیشتر به کاربردهای بالقوه اشاره دارند تا اثبات نشانگرهای زیستی قابل اتکا. برای درک تعمیم‌پذیری این معیارهای مبتنی بر فرکانس، تحقیقات بیشتری با گروه‌های بزرگ‌تر و متنوع‌تر مورد نیاز است.
نحوه محاسبه تبدیل فوریه گسسته (DFT)
محاسبه یک تبدیل گسسته با داده‌های ورودی تمیزی آغاز می‌شود که نمایانگر سیگنال در یک بازه پایدار هستند. ابتدا باید اطمینان حاصل کرد که طول سیگنال با تفکیک‌پذیری فرکانسی مورد نظر مطابقت دارد، سپس یک تابع پنجره‌بندی اعمال شود تا خطاهای ساختگی (آرتیفکت‌های) طیفی ناشی از کوتاه کردن داده‌های محدود به حداقل برسد. این کار مقدماتی برای جلوگیری از خطاهای بزرگ در طول مرحله محاسبه ضروری است.
پس از آماده‌سازی سیگنال، محاسبه واقعی شامل اعمال فرمول تبدیل بر روی تمام نقاط نمونه‌برداری در پنجره سری زمانی است. پلتفرم‌های نرم‌افزاری دیجیتال بخش سنگین کار را بر عهده می‌گیرند و معمولاً از الگوریتم تبدیل فوریه سریع (FFT) برای اجرای میلیون‌ها محاسبه در ثانیه و تولید یک طیف دامنه‌ای واضح استفاده می‌کنند. این خروجی سپس باید به درستی مقیاس‌بندی شود تا واحدهای فیزیکی اندازه‌گیری ورودی (مانند میکروولت یا $\mu V$ در EEG) را منعکس کند و تضمین نماید که نتایج برای تحقیقات بعدی قابل تفسیر باقی می‌مانند.
تفسیر اندازه طیفیِ به‌دست‌آمده مستلزم بررسی داده‌ها برای یافتن الگوهای نوسانی مشخص است. در حالی که سیستم‌های مکانیکی ممکن است پیک‌های تیز و منفردی را نشان دهند، سیگنال‌های بیولوژیکی مانند EEG اغلب نیاز به تحلیل توان کل در باندهای فرکانسی گسترده (به عنوان مثال، باند آلفای ۸ تا ۱۲ هرتز) دارند تا اینکه فقط به پیک‌های گسسته تکیه شود. اهمیت فیزیکی این ویژگی‌های طیفی به شدت به زمینه وابسته است و اغلب رفتار فیزیولوژیکی یا مکانیکی زیرین را نشان می‌دهد. با دنبال کردن پیوسته این مراحل، متخصصان می‌توانند داده‌های فرکانسی معنادار و کاربردی را حتی از پیچیده‌ترین شکل‌موج‌های مشاهده‌ای استخراج کنند.
تبدیل فوریه در مقایسه با سایر روش‌های حوزه فرکانس
روش فوریه با وجود تطبیق‌پذیری بسیار بالا، سیگنال‌ها را ایستا فرض می‌کند که در طول مدت اندازه‌گیری پایدار هستند. در سناریوهایی که شامل تغییرات سریع و گذرا هستند—مانند اسپایک ناگهانی صرع یا فوران کوتاهی از دوک‌های خواب—روش‌های دیگر مانند تبدیل‌های موجک با حفظ اطلاعات زمان در کنار جزئیات فرکانس، مکان‌یابی بهتری را ارائه می‌دهند. انتخاب ابزار مناسب نیازمند ارزیابی این است که آیا سیگنال ساختار ریتمیک ثابتی را حفظ می‌کند یا به طور ناگهانی تغییر می‌کند.
روش‌های جایگزین، مانند تحلیل طیف تکین (SSA)، مزایایی را برای تجزیه سیگنال‌های غیرخطی و غیرقابل پیش‌بینی ارائه می‌دهند که تبدیل‌های استاندارد برای پردازش آن‌ها با مشکل مواجه می‌شوند. این روش‌ها اغلب در استخراج روند سیگنال در برابر نویز نوسانی در مجموعه‌داده‌های فیزیولوژیکی پیچیده و دنیای واقعی سرآمد هستند. این انتخاب به سطح دقت مورد نیاز برای صحت زمانی در مقابل صحت طیفی در یک چیدمان تحقیقاتی خاص بستگی دارد.
در نهایت، هیچ روش تبدیلی به عنوان یک درمان همه‌جانبه برای چالش‌های پردازش سیگنال عمل نمی‌کند. متخصصان باید هزینه محاسباتی و محدودیت‌های ریاضی هر رویکرد را در برابر ویژگی‌های داده‌های خود بسنجند. ادغام این دیدگاه‌های متنوع، یک فرایند تشخیصی قوی و جامع را تضمین می‌کند که دقت تفسیر نهایی را به حداکثر می‌رساند.
ابزارها و نرم‌افزارها برای محاسبه تبدیل‌های فوریه
کتابخانه‌های منبع‌باز مدرن دسترسی به این عملیات پیشرفته ریاضی را دموکراتیزه کرده‌اند و به پژوهشگران اجازه می‌دهند تا تحلیل‌های پیچیده را تنها با چند خط کد انجام دهند. پلتفرم‌هایی که به‌طور خاص برای علم داده ساخته شده‌اند، روتین‌های بهینه‌شده‌ای را ارائه می‌دهند که آرایه‌های بزرگ و سیگنال‌های با ابعاد بالا را به راحتی مدیریت می‌کنند. این ابزارها ادغام تحلیل طیفی را در فرایندهای بزرگ‌تر، از جمله پاک‌سازی خودکار سیگنال و وظایف طبقه‌بندی، تسهیل می‌کنند.
نرم‌افزارهای تخصصی طراحی‌شده برای داده‌های عصبی یا لرزه‌ای اغلب شامل ماژول‌های از پیش ساخته‌شده برای تجزیه طیفی و حذف آرتیفکت هستند. این بسته‌ها پیچیدگی‌های مقیاس‌بندی فرکانس و پنجره‌بندی را به‌طور خودکار مدیریت می‌کنند و خطر بروز خطا را برای پژوهشگرانی که ممکن است در الگوریتم‌های زیربنایی تخصص نداشته باشند کاهش می‌دهند. استفاده مداوم از این ابزارهای استاندارد به تکرارپذیری نتایج تحقیقات در آزمایشگاه‌های مختلف نیز کمک می‌کند.
هنگام انتخاب یک مجموعه نرم‌افزاری، سازگاری با فرمت‌های داده موجود و توانایی مدیریت آرایه‌های حسگر با چگالی بالا همچنان بالاترین اولویت‌ها باقی می‌مانند. مستنداتی که نمونه‌های واضحی از تنظیم پارامترها و انتخاب الگوریتم را ارائه می‌دهند، برای مبتدیان بی‌اندازه مفید هستند. با ادامه اصلاح این ابزارها توسط جامعه علمی، تمرکز به‌طور فزاینده‌ای به سمت پردازش لبه‌ای بلادرنگ و مقیاس‌پذیری مبتنی بر ابر برای مجموعه‌داده‌های بسیار بزرگ تغییر می‌کند.
آنچه تحلیل فرکانسی درباره ریتم‌های پنهان مغز آشکار می‌سازد
تبدیل فوریه مانند یک منشور ریاضی برای سیگنال‌های مغزی عمل می‌کند و ریتم‌های همپوشان را به باندهای فرکانسی مجزا تفکیک می‌نماید. این تفکیک، واژگان اساسی را برای توصیف حالات مغزی—از خواب عمیق تا تمرکز دقیق—فراهم می‌کند و اصطلاحاتی مانند امواج آلفا یا دلتا را معنا می‌بخشد. بدون این بازسازماندهی، یک نگاره EEG مانند خطوط درهم و غیرقابل رمزگشایی باقی می‌ماند و ریتم‌های پنهان آن نامرئی خواهند بود.
قدرت کاربردی این روش به وضوح در تشخیص تشنج پدیدار می‌شود؛ جایی که تحلیل فرکانسی، فعالیت تشنج را با دقت بالایی از الگوهای طبیعی مغز متمایز می‌سازد. این فرض تبدیل که یک بخش از سیگنال کاملاً تکرار می‌شود، یک سهولت ریاضی است نه یک واقعیت زیستی، اما انتخاب دقیق بخش‌های کوتاه و پایدار، اعوجاج‌ها را در حد قابل کنترلی نگه می‌دارد. مقالات علمی نشان می‌دهند که بازنمایی فعالیت مغز به صورت مجموعه‌ای از ریتم‌ها—اگرچه مدلی دقیق و تحت‌اللفظی از نحوه شلیک نورون‌ها نیست—اطلاعاتی را به دست می‌دهد که هم قابل اندازه‌گیری و هم از نظر بالینی مفید هستند.
منابع
Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686
Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920
Pachori, R. B. (2008). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056
پرسش‌های متداول
یک نگاره خام EEG واقعاً چه چیزی را نشان می‌دهد؟
یک نگاره EEG یک خط منفرد است که تغییرات ولتاژ را در طول زمان نشان می‌دهد، اما در واقع حاصل جمعِ ترکیبیِ بسیاری از فرایندهای نوسانی مجزا است که به‌طور همزمان در مغز رخ می‌دهند. ریتم‌های مختلف کند و تند با یکدیگر جمع شده و یک شکل موج مرکب واحد را تشکیل می‌دهند، درست مانند سازهای متعددی که در قالب یک آکورد واحد با یکدیگر می‌آمیزند.
تبدیل فوریه چگونه سیگنال EEG را تحلیل می‌کند؟
تبدیل فوریه دقیقاً همان داده‌های EEG را با توصیف آن بر حسب محتوای فرکانسی به جای ولتاژ در طول زمان، بازسازماندهی می‌کند. این تبدیل، مؤلفه‌های ریتمیکِ آمیخته را که از قبل وجود داشته‌اند جدا می‌سازد؛ درست مانند منشوری که طول‌موج‌های مجزا را در یک باریکه نور آشکار می‌کند.
آیا تبدیل فوریه اطلاعات جدیدی به ثبت EEG اضافه می‌کند؟
خیر، این تبدیل از نظر ریاضی برگشت‌پذیر است و هیچ داده‌ای را خلق یا حذف نمی‌کند. این فرایند صرفاً با تبدیل سیگنال به مجموعه‌ای از فرکانس‌های سینوسی، نمایش آن را تغییر می‌دهد و اجزای ریتمیک زیرین را آشکار می‌سازد.
فرض ریاضی کلیدی هنگام اعمال تبدیل فوریه روی EEG چیست؟
این محاسبه از نظر ریاضی با قطعه انتخاب‌شده از EEG به گونه‌ای رفتار می‌کند که گویی تا بی‌نهایت در یک چرخه بی‌نقص تکرار می‌شود. این فرض تناوب، تحلیل را ساده‌تر می‌کند اما اگر نقاط شروع و پایان سیگنال به نرمی با یکدیگر منطبق نشوند، می‌تواند باعث ایجاد اعوجاج‌های لبه شود.
چرا تجزیه یک موج مغزی نامنظم به امواج سینوسی هموار معتبر است؟
قضیه فوریه نشان می‌دهد که تقریباً هر شکل موجی را می‌توان با جمع کردن امواج سینوسی و کسینوسی خالص با فرکانس‌ها، دامنه‌ها و فازهای مشخص بازسازی کرد. این بازنمایی ریاضی برای مقاصد تحلیلی کاربرد دارد، حتی اگر نورون‌ها به معنای واقعی کلمه امواج سینوسی خالص و مجزایی تولید نکنند.
چرا باندهای فرکانسی مانند آلفا یا دلتا در تفسیر EEG مهم هستند؟
هنگامی که یک سیگنال تجزیه می‌شود، مؤلفه‌های آن بر باندهای استانداردی مانند دلتا یا بتا منطبق می‌شوند که واژگان اساسی برای توصیف حالات مغزی را تشکیل می‌دهند. هرگونه اشاره به تغییرات توان در یک باند خاص، کاملاً بر این جداسازی اولیه مبتنی بر فوریه متکی است.
چه شواهدی از کاربرد تحلیل فوریه برای تشخیص تشنج پشتیبانی می‌کند؟
مطالعات با استفاده از ویژگی‌های فرکانسی برگرفته از فوریه، تفاوت آماری معناداری را بین سیگنال‌های مغزی در حالت تشنج و بدون تشنج نشان داده‌اند. یک سیستم تشخیص بلادرنگ به حساسیت بالایی دست یافته است که ثابت می‌کند اطلاعات نوسانی حامل محتوای تشخیصی ارزشمند برای صرع هستند.
محدودیت‌های اصلی این رویکرد مبتنی بر فرکانس چیست؟
فرض تکرار بی‌نهایت یک ساده‌سازی ساختاری است که در ثبت‌های طولانی‌تر و متغیر، دقت کمتری پیدا می‌کند. علاوه بر این، نتایج قوی طبقه‌بندی از مجموعه‌داده‌های خاصی به دست آمده‌اند و اثبات نمی‌کنند که مغز از نوسان‌سازهای سینوسی مجزا به عنوان ساختارهای فیزیولوژیکی استفاده می‌کند.
Emotiv یک شرکت پیشرو در فناوری عصبی است که با ابزارهای در دسترس EEG و داده‌های مغزی به پیشبرد پژوهش‌های علوم اعصاب کمک می‌کند.
سلب مسئولیت پزشکی: اطلاعات ارائه شده در این وب‌سایت صرفاً برای اهداف آموزشی و اطلاع‌رسانی است و به عنوان توصیه پزشکی یا بهداشتی در نظر گرفته نشده است. این محتوا ممکن است حاوی خطا باشد و نباید برای تصمیم‌گیری‌های حیاتی در زمینه سلامت، پزشکی یا سبک زندگی به آن استناد کرد. همیشه برای هرگونه سؤال در رابطه با یک شرایط پزشکی یا درمان، از پزشک خود یا سایر ارائه‌دهندگان واجد شرایط مراقبت‌های بهداشتی راهنمایی بخواهید.
کریستین بورگوس
