تبدیل فوریه

یک ردیاب EEG در واقع چه چیزی را نشان می‌دهد

یک الکتروانسفالوگرام ولتاژ را در حین تغییر از یک لحظه به لحظه دیگر ثبت می‌کند. با ترسیم آن، یک خط ممتد و واحد، یک سری زمانی تولید می‌شود که با تغییر فعالیت الکتریکی زیر الکترود، به بالا و پایین حرکت می‌کند. این خط به خودی خود مانند یک رویداد واحد و یکپارچه به نظر می‌رسد. اما این ظاهر گمراه‌کننده است.

در واقعیت، ولتاژ ثبت شده در هر لحظه، نتیجه ترکیبی بسیاری از فرآیندهای نوسانی مجزا است که به طور همزمان در بافت عصبی زیرین رخ می‌دهند. برخی از این فرآیندها به آرامی و برخی دیگر به سرعت چرخه می‌زنند. هنگامی که آن‌ها با هم رخ می‌دهند، الگوهای فردی‌شان با یکدیگر ترکیب شده و یک شکل موج مرکب واحد را تشکیل می‌دهند، درست همان‌طور که نواختن چندین ساز با نت‌های مختلف در یک آکورد واحد ادغام می‌شود. شنونده یک صدا را می‌شنود، اما آن صدا در واقع به طور پنهانی از چندین زیروبم مجزا ساخته شده است که روی هم قرار گرفته‌اند.

یک ردیاب EEG نیز به همین ترتیب 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 هم مخلوط شوند، چگونه می‌توان تشخیص داد که کدام ریتم‌ها وجود دارند یا قدرت هر کدام چقدر است؟

تبدیل فوریه: یک عدسی، نه یک میکروسکوپ

تبدیل فوریه به این سوال پاسخ می‌دهد، اما نه با کشف داده‌های جدید. این تبدیل با بیان مجدد دقیقاً همان بخش EEG با استفاده از یک سیستم مختصات متفاوت کار می‌کند. به جای توصیف سیگنال بر اساس ولتاژ در طول زمان، همان سیگنال را بر اساس محتوای فرکانسی توصیف می‌کند، یعنی چه مقدار از هر نرخ نوسانی در آن وجود دارد.

این تبدیل از نظر ریاضی برگشت‌پذیر است، زیرا می‌تواند یک اپوک EEG را به نمایش فرکانسی آن تبدیل کند، سپس آن را دوباره به حالت اول بازگرداند و شکل موج اولیه مبتنی بر زمان دقیقاً همان‌طور که بود پدیدار شود.

دو نمایش زمان و فرکانس حاوی اطلاعات یکسانی هستند. آن‌ها به سادگی اطلاعات را به طور متفاوتی سازماندهی می‌کنند، به همان روشی که عبور نور خورشید از یک منشور رنگ ایجاد نمی‌کند. رنگ از قبل در نور سفید وجود داشت. منشور فقط طول موج‌هایی را که قبلاً با هم مخلوط شده بودند جدا می‌کند تا به صورت جداگانه قابل مشاهده شوند.

تبدیل فوریه جداسازی معادلی را روی سیگنال EEG انجام می‌دهد و اجزای ریتمیک را بدون تغییر در ضبط اصلی به هر شکلی، قابل مشاهده می‌سازد.

مبانی ریاضی تبدیل فوریه

در هسته خود، این تبدیل بر ارزیابی انتگرالی سیگنالی که در توابع نمایشی مختلط ضرب شده است، تکیه دارد. این عملیات همبستگی بین شکل موج اصلی و موج‌های سینوسی با فرکانس‌های مختلف را محاسبه می‌کند. اگر فرکانس خاصی در سیگنال اصلی وجود داشته باشد، انتگرال مقدار بالایی را در آن نقطه در حوزه فرکانس به دست می‌دهد که نشان‌دهنده شدت انرژی محلی است.

تعاریف رسمی از اتحاد اویلر برای پر کردن شکاف بین توابع مثلثاتی و توابع نمایشی مختلط استفاده می‌کنند. تبدیل پیشرو، یک تابع پیوسته f(t) را به F(ω) تبدیل می‌کند، در حالی که عملیات معکوس، سیگنال اصلی را از طریق مجموع این مؤلفه‌های سنتز شده بازسازی می‌کند. این تقارن تضمین می‌کند که هیچ اطلاعاتی در طول تبدیل از دست نمی‌رود و امکان انتقال ریاضی کاملاً برگشت‌پذیر را فراهم می‌کند.

کاربران باید هنگام اعمال این انتگرال‌ها روی داده‌های فیزیکی، توجه زیادی به ثابت‌های نرمال‌سازی و معیارهای همگرایی داشته باشند. مدیریت نادرست مرزهای انتگرال‌گیری یا تعاریف سیگنال می‌تواند منجر به برآوردهای طیفی نادرست شود. با رعایت این مرزهای ریاضی، می‌توان اطمینان حاصل کرد که نمایش حوزه فرکانس بازتابی وفادار از جریان داده‌های اصلی وابسته به زمان باقی می‌ماند.

انواع تبدیل فوریه

تبدیل فوریه پیوسته در مقابل گسسته

تبدیل پیوسته برای توابعی اعمال می‌شود که در یک بازه زمانی نامحدود تعریف شده‌اند، در حالی که نسخه گسسته روی دنباله‌های داده‌ای نمونه‌برداری‌شده و محدود عمل می‌کند.

در عمل، سیستم‌های دیجیتال همیشه از پردازش گسسته استفاده می‌کنند که برای نمایش دقیق پدیده‌های پیوسته، نیاز به بررسی دقیق محدودیت‌های نمونه‌برداری دارد. روش‌های مختلفی برای تقریب این انتقال بدون از دست رفتن داده‌های مهم وجود دارد، از جمله:

• توابع پنجره‌گذاری که با باریک کردن لبه‌های داده‌های ورودی، از نشت طیفی جلوگیری می‌کنند.

• تکنیک‌های الحاق صفر (Zero-padding) برای افزایش رزولوشن بخش‌های فرکانسی حاصل.

• استراتژی‌های کاهش تداخل (Aliasing) که یکپارچگی سیگنال را در طول فرآیند دیجیتالی‌سازی تضمین می‌کنند.

• رعایت قضیه نمونه‌برداری برای ثبت تمام اطلاعات مرتبط با فرکانس بالا وجود دارد.

• نگاشت محاسباتی کارآمد که با تعداد نقاط داده‌های ورودی مقیاس‌پذیر است.

این ملاحظات به تعیین اینکه یک نتیجه گسسته چقدر به طور موثر ساختار سیگنال پیوسته زیرین را منعکس می‌کند، کمک می‌کنند.

تبدیل فوریه سریع: چرا سرعت اهمیت دارد

توسعه الگوریتم‌های کارآمد، مانند تبدیل فوریه سریع (FFT)، تحلیل طیفی بلادرنگ را در سیستم‌هایی با حجم داده‌های عظیم امکان‌پذیر کرد. بدون این بهینه‌سازی‌ها، پیچیدگی محاسباتی تبدیل‌های گسسته استاندارد، فناوری‌های تشخیصی مدرن را غیرقابل استفاده می‌کرد. تفاوت در کارایی هنگام مقایسه زمان محاسبه برای مجموعه‌داده‌های بزرگ، همان‌طور که در زیر نشان داده شده است، کاملاً مشهود است.

با تبدیل عملیاتی که به صورت مرتبه دو مقیاس‌گذاری می‌شود به عملیاتی که به صورت لگاریتمی مقیاس‌گذاری می‌شود، این ابزارها نظارت سریع بر سیگنال را تسهیل می‌کنند. پردازش سریع امکان ایجاد حلقه‌های بازخورد فوری را فراهم می‌کند که در محیط‌هایی که مشاهده تغییرات در زمان واقعی هدف اصلی تحقیق است، حیاتی هستند.

فرض تناوب در پشت هر محاسبات فوریه

هنگامی که تبدیل فوریه بخشی از سیگنال را پردازش می‌کند، از نظر ریاضی با آن بخش به گونه‌ای رفتار می‌کند که گویی تا بی‌نهایت در هر دو جهت، در زمان به جلو و عقب، برای همیشه تکرار می‌شود. با بخش کوتاه EEG که در حال تجزیه و تحلیل است مانند یک واحد تکرارشونده در یک حلقه بی‌پایان رفتار می‌شود.

فعالیت واقعی EEG به این شکل عمل نمی‌کند. سیگنال‌های مغزی کاملاً دوره‌ای نیستند و بخشی که از یک ثبت مداوم استخراج می‌شود، به ندرت در مقادیری شروع شده و پایان می‌یابد که در صورت تکرار حلقه‌ای، به آرامی به یکدیگر متصل شوند.

هنگامی که لبه‌های بخش با هم مطابقت ندارند، فرض تکرار بی‌نهایت باعث ایجاد اعوجاج در مرزها می‌شود که گاهی اوقات آرتیفکت‌های لبه یا نشت طیفی نامیده می‌شود، جایی که به نظر می‌رسد انرژی یک فرکانس به فرکانس‌های مجاور که در واقع در سیگنال اصلی وجود نداشتند، سرایت می‌کند.

این یک نقص نیست که روش را باطل کند. این یک موازنه ریاضی شناخته شده است و زمانی که بخش‌ها با دقت انتخاب شوند، قابل مدیریت است. این بخشی از دلیلی است که چرا تجزیه و تحلیل EEG مبتنی بر فرکانس معمولاً با بخش‌های کوتاه و نسبتاً پایدار سیگنال به جای ثبت‌های طولانی و مداوم در حال تغییر کار می‌کند.

یانسن و همکاران، به عنوان مثال، ویژگی‌های حوزه فرکانس را در بازه‌های کوتاه EEG مقایسه کردند تا ثبت‌های طولانی‌مدت، رویکردی که با کوتاه نگه داشتن هر بخش تحلیل‌شده همخوانی دارد تا فرض تناوب همچنان یک تقریب منطقی باقی بماند. مطالعه‌ای توسط ویدیاراتن و همکاران مسیر مرتبط اما تخصصی‌تری را دنبال کرد و تبدیل موجک هارمونیک پاکت را محاسبه کرد، تکنیکی که بر پایه خود تبدیل فوریه ساخته شده است تا اطلاعات فرکانس را استخراج کند و در عین حال به محدودیت‌های وضوح ناشی از تجزیه و تحلیل سیگنال‌های مغزی که در طول زمان تغییر می‌کنند، بپردازد.

هر دو رویکرد نشان می‌دهند که چگونه کار عملی EEG یک تسهیل ریاضی را که به طور کامل با واقعیت بیولوژیکی سازگار نیست، بدون کنار گذاشتن خود ابزار پذیرا می‌شود.

چرا محتوای فرکانس برای خواندن فعالیت مغز اهمیت دارد

هنگامی که یک اپوک EEG به مؤلفه‌های فرکانسی خود تبدیل شد، این مؤلفه‌ها روی دسته‌هایی نگاشت می‌شوند که هر کسی که درباره فعالیت مغز مطالعه کرده است احتمالاً با آن‌ها مواجه شده است: باندهای دلتا، تتا، آلفا، بتا و گاما. این برچسب‌ها محدوده‌های سرعت نوسان را توصیف می‌کنند و واژگانی را تشکیل می‌دهند که در تحقیقات خواب، مطالعات شناختی و تشخیص‌های بالینی استفاده می‌شود.

این تجزیه، پایه و اساس مفهومی اساساً تمام تفسیرهای EEG مبتنی بر فرکانس است. هر زمان که در گزارشی به افزایش فعالیت در یک باند خاص یا تغییر در تعادل بین باندها اشاره می‌شود، این بیانیه تنها به این دلیل معنادار است که سیگنال ابتدا با استفاده از منطقی که تبدیل فوریه ارائه می‌دهد تجزیه شده است. بدون این تجزیه، اصلاً واژگانی برای توصیف ریتم‌های مغزی وجود ندارد، فقط یک ردیاب ولتاژ ناگسستنی است.

این ادعا که فرکانس نوسانی اطلاعات معناداری درباره حالت‌های مغزی به همراه دارد، در بسیاری از حوزه‌های علوم اعصاب به طور گسترده مورد بحث قرار گرفته است.

آنچه تجزیه و تحلیل مبتنی بر فوریه درباره فعالیت تشنج نشان داده است

جداسازی سیگنال‌های تشنجی و بدون تشنج

پژوهشگر رام بیلاس پاچوری تکنیکی به نام تجزیه حالت تجربی را روی سیگنال‌های EEG درون‌جمجمه‌ای اعمال کرد و هر ثبت را به مجموعه‌ای از مؤلفه‌های محدود باند موسوم به توابع حالت ذاتی تجزیه نمود. او سپس از یک انبساط فوریه-بسل برای محاسبه میانگین فرکانس هر یک از این مؤلفه‌ها استفاده کرد.

هنگام مقایسه سیگنال‌های ایکتال (تشنجی)، یعنی سیگنال‌هایی که در طول فعالیت تشنج فعال ثبت شده‌اند، با سیگنال‌های بدون تشنج، ویژگی میانگین فرکانس تفاوت آماری معنی‌داری را بین دو حالت نشان داد. این نتیجه نشان می‌دهد که اطلاعات فرکانس استخراج شده از طریق یک روش مبتنی بر فوریه، نشانه قابل تشخیصی را به همراه داشت که با فعالیت تشنج مرتبط بود.

ویدیاراتن و همکاران هدف مرتبط اما پیچیده‌تری را دنبال کردند: تشخیص شروع تشنج در زمان واقعی. این رویکرد ویژگی‌های انرژی حاصل از تبدیل موجک هارمونیک پاکت را که از طریق تبدیل فوریه محاسبه شده بود، با معیار مجزایی به نام بعد فرکتال که الگوهای خودمتشابه تکرارشونده را در سیگنال ثبت می‌کند، ترکیب کرد.

این ویژگی‌های ترکیبی به صورت فضایی در کانال‌های الکترود و به صورت زمانی در یک پنجره تحلیل متحرک سازماندهی شدند، سپس با استفاده از ماشین بردار ارتباطی طبقه‌بندی شدند؛ روشی که به دلیل کارایی آن با مجموعه‌های بزرگ و پراکنده ویژگی انتخاب شده است.

این سیستم که بر روی ثبت‌های طولانی‌مدت EEG پوست سر آزمایش شد، به حساسیت ۹۶ درصد برای تشخیص شروع تشنج، با نرخ میانه تشخیص نادرست تنها ۰.۱ رویداد در ساعت و متوسط تاخیر تشخیص ۱.۸۹ ثانیه دست یافت. در داده‌های کوتاه‌مدت، که هم از ثبت‌های پوست سر و هم از ثبت‌های درون‌جمجمه‌ای به دست آمده بود، دقت طبقه‌بندی به ۹۹.۸ درصد رسید.

این دو مطالعه با هم نشان می‌دهند که اطلاعات نوسانی استخراج‌شده از طریق تجزیه مرتبط با فوریه، محتوای مرتبط با تشخیص را در زمینه خاص تشخیص صرع به همراه دارد.

مقایسه ویژگی‌های فوریه با یک تبدیل جایگزین

یانسن و همکاران از زاویه دیگری به این موضوع پرداختند و دو تبدیل ریاضی را مستقیماً با یکدیگر مقایسه کردند.

پژوهشگران به جای آزمایش تحلیل فوریه به تنهایی، ویژگی‌های مشتق‌شده از تبدیل فوریه را با ویژگی‌های مشتق‌شده از تبدیل والش مقایسه کردند؛ روشی که سیگنال‌ها را با استفاده از توابع مستطیلی و مربعی به جای سینوسی‌های صاف تجزیه می‌کند. ویژگی‌های استخراج‌شده از تبدیل فوریه که در بازه‌های کوتاه EEG اعمال شدند، به طور مداوم نتایج طبقه‌بندی بهتری نسبت به ویژگی‌های استخراج‌شده از تبدیل والش ایجاد کردند.

این مقایسه نشان می‌دهد که بلوک‌های ساختاری سینوسی ممکن است به طور طبیعی‌تر با ساختار زیرین سیگنال‌های EEG نسبت به جایگزین‌های بلوکی و مستطیلی همخوانی داشته باشند، حداقل برای کارهای طبقه‌بندی خاصی که در این مطالعه بررسی شد.

نحوه محاسبه تبدیل فوریه گسسته (DFT)

محاسبه یک تبدیل گسسته با داده‌های ورودی تمیز شروع می‌شود که نشان‌دهنده سیگنال در یک دوره پایدار است. ابتدا باید اطمینان حاصل کرد که طول سیگنال با وضوح فرکانس مورد نظر مطابقت دارد، سپس یک تابع پنجره‌گذاری را برای به حداقل رساندن آرتیفکت‌های طیفی ناشی از کوتاه کردن داده‌های محدود اعمال کرد. این کار آماده‌سازی برای جلوگیری از خطاهای بزرگ در مرحله محاسبه ضروری است.

پس از آماده‌سازی سیگنال، محاسبات واقعی شامل اعمال فرمول تبدیل در تمام نقاط نمونه در پنجره سری زمانی است. پلتفرم‌های نرم‌افزاری دیجیتال کارهای سنگین را انجام می‌دهند و معمولاً از الگوریتم تبدیل فوریه سریع (FFT) برای اجرای میلیون‌ها محاسبات در ثانیه و تولید یک طیف دامنه واضح استفاده می‌کنند. سپس این خروجی باید به درستی مقیاس‌گذاری شود تا واحدهای فیزیکی اندازه‌گیری ورودی (مانند میکروولت یا $\mu V$ در EEG) را منعکس کند و اطمینان حاصل شود که نتایج برای تحقیقات بعدی قابل تفسیر باقی می‌مانند.

تفسیر قدر طیفی حاصل نیازمند بررسی داده‌ها برای الگوهای نوسانی متمایز است. در حالی که سیستم‌های مکانیکی ممکن است پیک‌های تیز و ایزوله‌ای را نشان دهند، سیگنال‌های بیولوژیکی مانند EEG اغلب نیاز به تجزیه و تحلیل توان کل در باندهای فرکانسی وسیع (به عنوان مثال، باند آلفای ۸ تا ۱۲ هرتز) دارند تا اینکه تنها به پیک‌های گسسته تکیه کنند. اهمیت فیزیکی این ویژگی‌های طیفی به شدت به زمینه بستگی دارد و اغلب نشان‌دهنده رفتار فیزیولوژیکی یا مکانیکی زیرین است. با دنبال کردن مداوم این مراحل، کاربران می‌توانند داده‌های فرکانسی معنادار و کاربردی را از پیچیده‌ترین شکل موج‌های مشاهداتی استخراج کنند.

تبدیل فوریه در مقابل سایر روش‌های حوزه فرکانس

روش فوریه در عین حال که بسیار همه‌کاره است، سیگنال‌های ایستا را فرض می‌کند که در طول مدت اندازه‌گیری پایدار هستند. در سناریوهایی که شامل تغییرات سریع و گذرا هستند - مانند یک موج نوک‌تیز صرعی ناگهانی یا یک دوره کوتاه دوک‌های خواب - روش‌های دیگر مانند تبدیل‌های موجک با حفظ اطلاعات زمان در کنار جزئیات فرکانس، مکان‌یابی بهتری را ارائه می‌دهند. انتخاب ابزار مناسب مستلزم ارزیابی این است که آیا سیگنال ساختار ریتمیک ثابتی را حفظ می‌کند یا به طور ناگهانی تغییر می‌کند.

روش‌های جایگزین، مانند آنالیز طیف منفرد (SSA)، مزایایی را برای تجزیه سیگنال‌های غیرخطی و غیرقابل پیش‌بینی ارائه می‌دهند که تبدیل‌های استاندارد برای حل آن‌ها با مشکل مواجه هستند. این روش‌ها اغلب در استخراج روند سیگنال در مقابل نویز نوسانی در مجموعه‌داده‌های فیزیولوژیکی پیچیده و واقعی عالی عمل می‌کنند. انتخاب به سطح دقت مورد نیاز برای صحت زمانی در مقابل طیفی در یک ساختار تحقیقاتی خاص بستگی دارد.

در نهایت، هیچ روش تبدیل واحدی به عنوان یک راهکار جهانی برای مشکلات پردازش سیگنال عمل نمی‌کند. کاربران باید هزینه محاسباتی و محدودیت‌های ریاضی هر رویکرد را در برابر ویژگی‌های داده‌های خود بسنجند. ادغام این دیدگاه‌های متنوع، یک فرآیند تشخیصی قوی و همه‌جانبه را تضمین می‌کند که وفاداری تفسیر نهایی را به حداکثر می‌رساند.

ابزارها و نرم‌افزارها برای محاسبه تبدیل‌های فوریه

کتابخانه‌های متن‌باز مدرن دسترسی به این عملیات‌های ریاضی پیشرفته را دموکراتیک کرده‌اند و به پژوهشگران اجازه می‌دهند تا تحلیل‌های پیچیده را تنها با چند خط کد انجام دهند. پلتفرم‌هایی که به طور خاص برای علم داده ساخته شده‌اند، روال‌های بهینه‌سازی شده‌ای را ارائه می‌دهند که آرایه‌های بزرگ و سیگنال‌های چندبعدی را به راحتی مدیریت می‌کنند. این ابزارها ادغام تحلیل طیفی را در خطوط لوله بزرگتر، از جمله پاکسازی خودکار سیگنال و کارهای طبقه‌بندی، تسهیل می‌کنند.

نرم‌افزارهای تخصصی طراحی شده برای داده‌های عصبی یا لرزه‌ای اغلب شامل ماژول‌های از پیش ساخته‌شده برای تجزیه طیفی و حذف آرتیفکت هستند. این بسته‌ها پیچیدگی‌های مقیاس‌گذاری فرکانس و پنجره‌گذاری را به طور خودکار انجام می‌دهند و خطر خطا را برای پژوهشگرانی که ممکن است تخصص کافی در الگوریتم‌های زیرین نداشته باشند، کاهش می‌دهند. استفاده مداوم از این ابزارهای استاندارد شده همچنین به تکرارپذیری نتایج تحقیقات در آزمایشگاه‌های مختلف کمک می‌کند.

هنگام انتخاب یک مجموعه نرم‌افزاری، سازگاری با فرمت‌های داده موجود و توانایی مدیریت آرایه‌های حسگر با تراکم بالا همچنان بالاترین اولویت‌ها هستند. مستنداتی که نمونه‌های واضحی از تنظیم پارامترها و انتخاب الگوریتم را ارائه می‌دهند برای مبتدیان بسیار مفید هستند. همانطور که جامعه به اصلاح این ابزارها ادامه می‌دهد، تمرکز به طور فزاینده‌ای به سمت پردازش لبه‌ای بلادرنگ و مقیاس‌پذیری مبتنی بر ابر برای مجموعه‌داده‌های بسیار بزرگ سوق پیدا می‌کند.

آنچه تحلیل فرکانس درباره ریتم‌های پنهان مغز آشکار می‌کند

تبدیل فوریه مانند یک منشور ریاضی برای سیگنال‌های مغزی عمل می‌کند و ریتم‌های همپوشان را به باندهای فرکانسی مجزا تجزیه می‌نماید. این تجزیه، واژگان اساسی را برای توصیف حالت‌های مغزی - از خواب عمیق تا تمرکز دقیق - فراهم می‌کند و اصطلاحاتی مانند امواج آلفا یا دلتا را معنا می‌بخشد. بدون این سازماندهی مجدد، یک ردیاب EEG به صورت یک خط مارپیچ غیرقابل کشف باقی می‌ماند و ریتم‌های پنهان آن نامرئی می‌شدند.

قدرت عملی این روش به وضوح در تشخیص تشنج آشکار می‌شود، جایی که تحلیل فرکانس فعالیت تشنج را از الگوهای طبیعی مغز با دقت بالایی متمایز می‌کند. فرض این تبدیل مبنی بر اینکه یک بخش سیگنال به طور کامل تکرار می‌شود، یک تسهیل ریاضی است، نه یک واقعیت بیولوژیکی، اما انتخاب دقیق بخش‌های کوتاه و پایدار، اعوجاج را قابل کنترل نگه می‌دارد. مقالات پژوهشی نشان می‌دهند که نمایش فعالیت مغز به عنوان مجموعه‌ای از ریتم‌ها - اگرچه تایید کاملاً دقیقی از نحوه شلیک نورون‌ها نیست - اطلاعاتی را به دست می‌دهد که هم قابل اندازه‌گیری و هم از نظر بالینی مفید است.

منابع

1. یانسن، بی. اچ.، بورن، جی. آر.، و وارد، جی. دابلیو. (۱۹۸۱). تجزیه طیفی بازه‌های EEG با استفاده از تبدیل‌های والش و فوریه. معاملات IEEE در مهندسی زیست‌پزشکی، (۱۲)، ۸۳۶-۸۳۸. https://doi.org/10.1109/TBME.1981.324686

2. ویدیاراتن، ال. اس.، و افتخارالدین، کی. ام. (۲۰۱۷). تشخیص بلادرنگ تشنج صرعی با استفاده از EEG. معاملات IEEE در سیستم‌های عصبی و مهندسی توانبخشی، ۲۵(۱۱)، ۲۱۴۶-۲۱۵۶. https://doi.org/10.1109/TNSRE.2017.2697920

3. پاچوری، آر. بی. (۲۰۰۸). تفکیک بین سیگنال‌های EEG تشنجی و بدون تشنج با استفاده از تجزیه حالت تجربی. مجله مهندسی برق و کامپیوتر، ۲۰۰۸(۱)، ۲۹۳۰۵۶. https://doi.org/10.1155/2008/293056

پرسش‌های متداول

یک ردیاب خام EEG در واقع چه چیزی را نشان می‌دهد؟

یک ردیاب EEG یک خط واحد است که تغییرات ولتاژ را در طول زمان نشان می‌دهد، اما در واقع مجموع ترکیبی بسیاری از فرآیندهای نوسانی مجزا است که به طور همزمان در مغز رخ می‌دهند. ریتم‌های سریع و کند مختلف با هم ترکیب می‌شوند و یک شکل موج مرکب را تشکیل می‌دهند، مانند چند ساز مختلف که در یک آکورد واحد ادغام می‌شوند.

تبدیل فوریه چگونه یک سیگنال EEG را تحلیل می‌کند؟

تبدیل فوریه دقیقاً همان داده‌های EEG را با توصیف آن بر اساس محتوای فرکانس به جای ولتاژ در طول زمان سازماندهی مجدد می‌کند. این روش اجزای ریتمیک مخلوط شده را که از قبل وجود دارند جدا می‌کند و مانند منشوری عمل می‌کند که طول موج‌های فردی را در یک پرتو نور آشکار می‌سازد.

آیا تبدیل فوریه اطلاعات جدیدی به ثبت EEG اضافه می‌کند؟

خیر، این تبدیل از نظر ریاضی برگشت‌پذیر است و هیچ داده‌ای را ایجاد یا حذف نمی‌کند. این تبدیل به سادگی نمایش را با تبدیل سیگنال به مجموعه‌ای از فرکانس‌های سینوسی تغییر می‌دهد و اجزای ریتمیک زیرین را قابل مشاهده می‌سازد.

فرض ریاضی کلیدی هنگام اعمال تبدیل فوریه روی EEG چیست؟

این محاسبات از نظر ریاضی با بخش انتخاب‌شده EEG به گونه‌ای رفتار می‌کند که گویی در یک حلقه کامل تا بی‌نهایت تکرار می‌شود. این فرض تناوب تحلیل را ساده می‌کند اما در صورت عدم تطبیق نرم شروع و پایان سیگنال، می‌تواند آرتیفکت‌های لبه را ایجاد کند.

چرا تجزیه یک موج مغزی نامنظم به امواج سینوسی صاف 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 خاص بازسازی کرد. این نمایش ریاضی برای تجزیه و تحلیل کاربرد دارد، حتی اگر نورون‌ها به طور واقعی امواج سینوسی مجزا و تمیزی تولید نکنند.

چرا باندهای فرکانسی مانند آلفا یا دلتا در تفسیر EEG مهم هستند؟

هنگامی که یک سیگنال تجزیه می‌شود، مؤلفه‌های آن روی باندهای استانداردی مانند دلتا یا بتا نگاشت می‌شوند که واژگان اساسی را برای توصیف حالت‌های مغزی تشکیل می‌دهند. هرگونه اشاره به تغییرات توان در یک باند خاص به طور کامل بر این جداسازی اولیه مبتنی بر فوریه متکی است.

چه شواهدی از استفاده از تحلیل فوریه برای تشخیص تشنج حمایت می‌کند؟

مطالعات با استفاده از ویژگی‌های فرکانسی مشتق‌شده از فوریه، تفاوت آماری معنی‌داری را بین سیگنال‌های مغزی تشنجی و غیرتشنجی نشان داده‌اند. یک سیستم تشخیص بلادرنگ به حساسیت بالایی دست یافت که نشان می‌دهد اطلاعات نوسانی حاوی محتوای مرتبط بالینی برای صرع است.

محدودیت‌های اصلی این رویکرد مبتنی بر فرکانس چیست؟

فرض تکرار بی‌نهایت یک ساده‌سازی ساختاری است که در ثبت‌های طولانی‌تر و در حال تغییر از دقت کمتری برخوردار می‌شود. علاوه بر این، نتایج طبقه‌بندی قوی از مجموعه‌داده‌های خاص به دست می‌آیند و ثابت نمی‌کنند که مغز از نوسان‌سازهای سینوسی گسسته به عنوان ساختارهای فیزیولوژیکی استفاده می‌کند.