راهنمای تبدیل فوریه کوتاه‌مدت برای EEG

مشکل تبدیل فوریه استاندارد

تبدیل فوریه استاندارد یکی از پایه‌های پردازش سیگنال کلاسیک است، زیرا به طور موثری سیگنال‌های پیچیده را به مجموعه‌ای از سینوسی‌های خالص تجزیه می‌کند. با انتگرال‌گیری روی زمان بی‌نهایت، این روش کل فرکانس موجود در یک ضبط را آشکار می‌سازد.

با این حال، این روش فرض می‌کند که سیگنال ایستا است؛ اگر ترکیب فرکانسی در طول زمان تغییر کند، خروجی معمولی توالی زمانی را پنهان می‌کند. این محدودیت، تمایز بین یک رویداد کوتاه و انفجاری با یک هارمونیک مداوم را غیرممکن می‌سازد، که این امر در زمینه‌هایی مانند علوم اعصاب حیاتی است.

تبدیل فوریه زمان‌کوتاه در تحلیل EEG چیست؟

روش STFT با یک استراتژی نسبتاً مستقیم به حل مشکل زمان‌بندی می‌پردازد. به جای اجرای تبدیل فوریه روی کل یک فایل ضبط‌شده EEG به طور یکجا، این روش سیگنال را به بخش‌های کوتاه و متوالی که اغلب پنجره نامیده می‌شوند، برش می‌دهد و تبدیل فوریه را به طور جداگانه روی هر یک اعمال می‌کند. هر پنجره تصویر فرکانسی مینیاتوری خود را تولید می‌کند و قرار دادن این تصاویر در کنار هم به ترتیب، یک تصویر متحرک از نحوه تغییر محتوای فرکانسی در طول زمان ایجاد می‌کند.

خروجی این فرآیند معمولاً به صورت یک اسپکتروگرام نمایش داده می‌شود؛ یک نقشه بصری که زمان در امتداد یک محور و فرکانس در امتداد محور دیگر آن قرار دارد. رنگ یا شدت در هر نقطه مشخص از این نقشه، نشان‌دهنده توان یا قدرت آن فرکانس در آن لحظه است. این دقیقاً همان ارزشی است که تحلیل STFT برای ارائه آن طراحی شده است.

همانطور که Zabidi و همکاران مطرح می‌کنند، تحلیل STFT برای «آشکارسازی محتوای فرکانسی سیگنال‌های EEG در هر نقطه زمانی» کاربرد دارد.

چرا طول پنجره مهم‌ترین تنظیم در STFT است؟

برش دادن یک سیگنال به پنجره‌ها ساده به نظر می‌رسد، اما طول انتخاب‌شده برای هر پنجره تقریباً همه چیز را در مورد کیفیت و صحت اسپکتروگرام حاصل تعیین می‌کند. این تصمیم شامل یک موازنه (trade-off) است که نمی‌توان از آن اجتناب کرد، بلکه فقط باید آن را مدیریت کرد.

اینطور به آن فکر کنید: یک پنجره طولانی مانند یک خط‌کش فرکانسی دقیق اما یک کرونومتر تار عمل می‌کند. از آنجا که پنجره طولانی حاوی نقاط داده بیشتری است، می‌تواند فرکانس‌های نزدیک به هم را با دقت واقعی تشخیص دهد. اما چون در طول زمان طولانی‌تری کشیده می‌شود، هر رویدادی که در داخل آن پنجره رخ می‌دهد تار می‌شود و شما توانایی تعیین دقیق زمان تغییر را از دست می‌دهید.

یک پنجره کوتاه این موازنه را معکوس می‌کند. مانند یک کرونومتر دقیق اما یک خط‌کش فرکانسی تار عمل می‌کند. این پنجره می‌تواند تقریباً دقیقاً به شما بگوید که چه زمانی اتفاقی افتاده است، اما برای جدا کردن فرکانس‌هایی که نزدیک به هم قرار دارند تلاش می‌کند، زیرا یک برش کوتاه از سیگنال به سادگی حاوی چرخه‌های نوسان کافی برای اندازه‌گیری فرکانس با جزئیات دقیق نیست.

این نسخه‌ای از اصل عدم قطعیت است که بر تمام تحلیل‌های زمان-فرکانس حاکم است: شما نمی‌توانید در یک لحظه به وضوح کامل هم در زمان و هم در فرکانس دست یابید. بهبود یکی همیشه با هزینه‌ای برای دیگری همراه است. شناخت این موازنه، به جای تلاش برای شکست دادن آن، مهارت اصلی کار با STFT است.

از آنجا که ریتم‌های مختلف EEG با سرعت‌های بسیار متفاوتی نوسان می‌کنند، هیچ طول پنجره واحدی برای همه آنها به خوبی کار نمی‌کند. دستورالعمل‌های زیر اصول تجربی اولیه و کاربردی هستند که از نحوه رفتار معمول این ریتم‌ها استخراج شده‌اند:

• امواج دلتا (تقریباً 0.5 تا 4 هرتز): این‌ها کندترین ریتم‌های مغزی هستند و یک پنجره باید به اندازه کافی طولانی باشد، اغلب در محدوده 1 تا 2 ثانیه، تا حداقل یک چرخه کامل از کندترین موج مورد اندازه‌گیری را ثبت کند. یک پنجره کوتاه‌تر به سادگی حاوی مقدار کافی از موج برای مشخص کردن ویژگی‌های آن نخواهد بود.

• ریتم‌های تتا و آلفا (تقریباً 4 تا 13 هرتز): یک پنجره متوسط، اغلب حدود 500 میلی‌ثانیه، معمولاً تعادل مناسبی برقرار می‌کند. این طول به اندازه‌ای است که چندین چرخه نوسان را ثبت کند و به تعریف واضح ریتم کمک کند، در حالی که هنوز به اندازه کافی کوتاه است تا تغییرات معنی‌دار، مانند شروع یک موج آلفا با بستن چشم‌ها را ردیابی کند.

• ریتم‌های بتا و گاما (تقریباً بالای 13 هرتز): این ریتم‌های سریع‌تر به سرعت حرکت می‌کنند، بنابراین یک پنجره کوتاه، اغلب 250 میلی‌ثانیه یا کمتر، برای ردیابی پویایی سریع آنها ضروری می‌شود. هزینه در اینجا کاهش توانایی در تمایز دقیق بین فرکانس‌های نزدیک به هم در محدوده گامای بالاتر است، که نتیجه مستقیم همان موازنه توصیف شده در بالا است.

چگونه STFT تفاوت بین حرکت واقعی و تصور شده را آشکار می‌کند

ارزش کاربردی STFT در تحقیقات BCI (واسط مغز و رایانه) که هدف آن ترجمه مستقیم فعالیت مغز به سیگنال‌های کنترلی برای یک دستگاه است، به وضوح مشخص می‌شود.

یک مثال خوب مطالعه‌شده شامل مقایسه EEG ثبت‌شده در حالی که فرد حرکت یک دست را تصور می‌کند با EEG ثبت‌شده در حین تصور حرکت پا، یا مقایسه اقدامات تصور شده با نسخه فیزیکی واقعی آن اقدام است.

در این الگوهای حرکتی، یک هدف رایج برای تحلیل، پدیده‌ای به نام ناهمگام‌سازی مرتبط با رویداد یا ERD است؛ کاهش توان سیگنال در محدوده‌های ریتم مو (mu) و بتا بر روی نواحی از مغز که با حرکت مرتبط هستند. از آنجا که ERD یک کاهش توان خاص و وابسته به زمان است و نه یک ویژگی پس‌زمینه ثابت، دقیقاً همان نوع رویدادی است که خلاصه فرکانسی کل ضبط آن را پاک می‌کند و یک اسپکتروگرام تفکیک‌شده زمانی می‌تواند آن را ثبت کند.

پژوهش Zabidi et al. با اعمال مستقیم STFT روی این پرسش، EEG جمع‌آوری‌شده در حین نوشتن واقعی و در حین نوشتن تصورشده را بررسی کرد. سیگنال ابتدا از یک فیلتر میان‌گذر عبور داده شد که تحلیل را به محدوده 8 تا 30 هرتز محدود می‌کرد تا ریتم‌های آلفا و بتا که بیشترین ارتباط را با فعالیت حرکتی دارند پوشش دهد و سپس STFT با یک پنجره همینگ تنظیم‌شده محاسبه شد.

نتیجه یک یافته مستقیم و خاص بود: «مولفه‌های فرکانسی سیگنال‌های EEG به دست آمده از نوشتن با موارد به دست آمده در حین نوشتن تصورشده یکسان است».

از نظر کاربردی، الگوی ریتم الکتریکی مغز در طول یک عمل تصورشده به شدت شبیه الگوی موجود در طول عمل فیزیکی واقعی بود؛ همبستگی که پایه و اساس بسیاری از منطق‌های پشت سیستم‌های BCI است که هدفشان تشخیص حرکت مورد نظر بدون نیاز به هیچ حرکت فیزیکی واقعی است.

استفاده از STFT برای ساخت تصاویر جهت مدل‌های یادگیری عمیق

فراتر از بررسی بصری، اسپکتروگرام‌های تولید شده توسط STFT کاربرد دیگری به عنوان یک مرحله پیش‌پردازش برای تغذیه سیستم‌های یادگیری عمیق و به ویژه به شبکه‌های عصبی کانولوشنال (CNNs) یافته‌اند؛ نوعی مدل که در ابتدا برای تشخیص الگوها در تصاویر ساخته شده بود. از آنجا که یک اسپکتروگرام اساساً یک تصویر رنگی است که توان را در طول زمان و فرکانس نشان می‌دهد، محققان بر این باورند که می‌توان آن را به طور مستقیم به یک مدل یادگیری عمیق مبتنی بر تصویر تحویل داد، که سپس ممکن است ساختارهای پنهان در داده‌ها را که تعیین دستی آنها دشوار است، تشخیص دهد.

یک مطالعه در سال 2019، ضبط‌های EEG حاصل از یک تکلیف تصویرسازی حرکتی (تمایز حرکت دست راست از پای راست) را با استفاده از STFT و یک روش زمان-فرکانس جایگزین به تصویر تبدیل کرد، سپس هر دو مجموعه تصویر را به یک معماری CNN از پیش آموزش دیده تغذیه کرد.

عملکرد در هر دو رویکرد قوی بود و خط لوله کلی به دقت طبقه‌بندی 99.35% رسید که به عنوان بهترین امتیاز در میان روش‌های مقایسه‌ای موجود توصیف شد. با این حال، هنگامی که این دو روش تولید تصویر مستقیماً با یکدیگر در همان مطالعه مقایسه شدند، نتایج یکسان نبود: «رویکرد CWT نتایج بهتری نسبت به رویکرد STFT به دست می‌دهد»، که نشان‌دهنده یک موازنه واقعی و اندازه‌گیری شده در این است که هر روش با چه دقتی سیگنال EEG پایه را به یک تصویر کاربردی ترجمه کرده است.

گزارش شده است که این موازنه، مشکل انگیزشی پشت یک توسعه روش‌شناختی مجزا بوده است. محققان چیزی را ساختند که آن را anchored-STFT نامیدند، که به عنوان «نسخه پیشرفته‌ای از STFT توصیف می‌شود، زیرا موازنه بین وضوح زمانی و طیفی ارائه شده توسط STFT را به حداقل می‌رساند».

همراه با یک روش افزایش داده‌های خصمانه، این خط لوله بهبود یافته دقت‌های طبقه‌بندی بین حدود 69% تا بیش از 90% را در چندین مجموعه داده BCI گزارش کرد. این امر این الگو را تقویت می‌کند که STFT ساده می‌تواند به عنوان یک ابزار استخراج ویژگی واقعاً توانمند عمل کند، اما ابزاری که محدودیت‌های وضوح شناخته‌شده آن فضایی را برای بهبود ایجاد می‌کند، چه از طریق تنظیم پارامتر، چه نسخه بهبودیافته از خود تکنیک، یا یک رویکرد کاملاً متفاوت زمان-فرکانس.

زمانی که STFT ناکام می‌ماند: مشکل وضوح ثابت

موازنه مورد بحث در بالا، محدودیت اصلی است که هر محققی که از STFT استفاده می‌کند باید قبل از نتیجه‌گیری از یک اسپکتروگرام، آن را به طور جدی بسنجد.

هنگامی که یک طول پنجره انتخاب شد، به عنوان مثال 500 میلی‌ثانیه، همان پنجره به طور یکنواخت در کل طیف فرکانسی مورد تحلیل اعمال می‌شود، خواه محقق در حال بررسی فعالیت کند دلتای 2 هرتز باشد یا فعالیت سریع گامای 100 هرتز. پنجره خودش را تنظیم نمی‌کند. موازنه زمان-فرکانس که پیشتر توضیح داده شد، در یک تنظیم واحد برای کل تحلیل قفل شده است، حتی اگر ریتم‌های مختلف به طور ایده‌آل از تنظیمات متفاوتی بهره‌مند شوند.

این ماهیت ثابت دقیقاً همان چیزی است که STFT را از دسته‌ای از تکنیک‌های تطبیقی، مانند روش‌های مبتنی بر موجک (wavelet)، متمایز می‌کند. روش‌های تطبیقی به جای قفل کردن یک اندازه پنجره برای هر فرکانس، به طور مؤثری از پنجره‌های طولانی‌تر برای فرکانس‌های پایین‌تر و پنجره‌های کوتاه‌تر برای فرکانس‌های بالاتر استفاده می‌کنند و وضوح را در صورت نیاز در یک تحلیل واحد تنظیم می‌کنند، نه اینکه به یک مصالحه برای کل سیگنال متعهد شوند.

به عنوان مثال، مطالعه‌ای به رهبری Wang و همکاران با توسعه یک روش زمان-فرکانس تطبیقی گزارش داد که رویکرد آن «می‌تواند وضوح زمان-فرکانس بهینه‌ای را در مقایسه با STFT و CWT ارائه دهد»، و صراحتاً از STFT به عنوان خط پایه ارائه‌شده که عملکرد ضعیف‌تری داشته یاد کرد.

در یک کاربرد بالینی مجزا برای پیش‌بینی نتایج درمان ضد افسردگی در اختلال افسردگی اساسی از داده‌های EEG قبل از درمان، محققان یک رویکرد مبتنی بر موجک را مستقیماً با STFT و یک روش تجزیه دیگر مقایسه کردند و گزارش دادند که «تحلیل WT بالاترین دقت طبقه‌بندی را نشان داده است» در میان تکنیک‌های مقایسه شده، و به دقت 85.7% در مقایسه با سایر روش‌ها دست یافته است.

یک گردش کار گام به گام برای تولید و ارزیابی اسپکتروگرام EEG

با توجه به این نقاط قوت و محدودیت‌ها، یک گردش کار منظم کمک می‌کند تا اطمینان حاصل شود که STFT به درستی اعمال شده و خروجی آن به درستی تفسیر می‌شود.

گام 1: قبل از دست زدن به داده‌ها، سوال را تعریف کنید. آیا هدف تشخیص یک انفجار سریع و کوتاه گاما است یا ردیابی یک تغییر کند در توان دلتا در طول چند دقیقه؟ پاسخ تعیین می‌کند که کدام سمت موازنه طول پنجره اهمیت بیشتری دارد.

گام 2: یک طول پنجره اولیه متناسب با ریتم هدف انتخاب کنید. از دستورالعمل‌های کاربردی بالا به عنوان نقطه شروع استفاده کنید؛ پنجره‌های طولانی‌تر برای دلتا، پنجره‌های متوسط برای تتا و آلفا، پنجره‌های کوتاه‌تر برای بتا و گاما. این کار را با یک طرح پنجره همپوشان، معمولاً در جایی بین 50% تا 90% همپوشانی بین پنجره‌های متوالی همراه کنید، که اسپکتروگرام حاصل را هموار کرده و ظاهر شکاف‌های مصنوعی بین برش‌های زمانی را کاهش می‌دهد.

گام 3: اسپکتروگرام را تولید کرده و آن را به طور جدی بررسی کنید. آیا طول پنجره انتخاب شده شروع واضح و تیزی را برای ریتم سریع مورد نظر نشان می‌دهد، یا اینکه رویداد در بازه زمانی گسترده‌تری نسبت به آنچه باید، تار به نظر می‌رسد؟ آیا اسپکتروگرام می‌تواند به وضوح یک پیک آلفا را از یک پیک تتای مجاور تشخیص دهد، یا این دو ریتم در یکدیگر تداخل پیدا می‌کنند؟ این بررسی‌های بصری یک تست مستقیم و عملی از این است که آیا طول پنجره انتخاب شده برای داده‌ها مناسب بوده است یا خیر.

گام 4: با نتیجه به عنوان یک دیدگاه از میان چندین دیدگاه ممکن رفتار کنید، نه یک حکم نهایی. یک یافته منفی، مانند عدم وجود اختلاف گامای قابل اندازه‌گیری بین دو گروه آزمایشی، می‌تواند نشان‌دهنده عدم وجود واقعی اثر باشد، یا به سادگی می‌تواند نشان‌دهنده محدودیت‌های وضوح پنجره انتخابی STFT باشد. یک گام بعدی منطقی برای تایید یک یافته مبهم یا مهم، تجزیه و تحلیل مجدد همان داده‌ها با استفاده از یک روش تطبیقی به عنوان بررسی متقابل است.

چرا ردیابی فعالیت ریتم‌های مغزی، قفل Insightهای جدید را باز می‌کند

فعالیت مغز توالی از رویدادهای زمان‌بندی شده است و بازیابی آن زمان‌بندی، یک ضبط تخت را به یک گزارش بی‌درنگ از تغییر وضعیت‌های ذهنی تبدیل می‌کند. با حرکت از یک خلاصه فرکانسی واحد به یک نقشه لحظه به لحظه، محققان می‌توانند افکار، اهداف یا حواس خاص را مستقیماً به ریتم‌های مغزی همراه آنها متصل کنند. این تغییر همان چیزی است که EEG را از یک اندازه‌گیری استاتیک به ابزاری تبدیل می‌کند که می‌تواند از واسط‌های مغز و رایانه پشتیبانی کرده و مدل‌های یادگیری عمیق را که برای تشخیص الگوهای ذهنی آموزش می‌بینند، تغذیه کند.

موازنه وضوح ثابت این روش حامل یک درس بزرگ‌تر است: هر انتخاب تحلیلی برخی از حقایق را برجسته می‌کند در حالی که به طور بالقوه برخی دیگر را تار می‌کند، بنابراین هیچ نتیجه واحدی کل داستان را بازگو نمی‌کند. این امر مستلزم بررسی متقابل با رویکردهای دیگر در مواقعی است که یافته‌ها اهمیت دارند و این موضوع را تقویت می‌کند که الگوهای الکتریکی مغز - مانند تطابق نزدیکی که بین حرکت تصور شده و واقعی دیده می‌شود - بسیار لایه‌لایه هستند. این شباهت اساسی از این ایده پشتیبانی می‌کند که مغز اقدامات را با استفاده از بسیاری از همان نشانه‌های ریتمیک که برای انجام آنها استفاده می‌کند، تمرین می‌کند.

منابع

1. Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

2. Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645

3. Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

4. Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109

5. Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

پرسش‌های متداول

تبدیل فوریه زمان‌کوتاه در تحلیل EEG چیست؟

تبدیل فوریه زمان‌کوتاه (STFT) سیگنال خام EEG را به پنجره‌های زمانی کوتاه و متوالی برش می‌دهد و یک طیف فرکانسی برای هر یک محاسبه می‌کند. روی هم گذاشتن این تصاویر به ترتیب، یک تصویر متحرک به نام اسپکتروگرام ایجاد می‌کند که نشان می‌دهد چگونه توان ریتم‌های مختلف مغز از لحظه‌ای به لحظه دیگر تغییر می‌کند.

چرا نمی‌توانم فقط از یک تبدیل فوریه معمولی روی یک فایل EEG استفاده کنم؟

یک تبدیل فوریه پایه، کل فایل ثبت‌شده را به فرکانس‌های تشکیل‌دهنده آن تقسیم می‌کند اما تمام اطلاعات زمان‌بندی را پاک می‌کند، بنابراین شما می‌دانید کدام ریتم‌ها به طور کلی وجود داشته‌اند اما متوجه نمی‌شوید چه زمانی ظاهر شده‌اند. روش STFT با تجزیه و تحلیل بخش‌های کوتاه به طور جداگانه، آن زمان‌بندی را بازیابی می‌کند و به شما امکان می‌دهد ببینید چه زمانی یک فوران آلفا یا کاهش در توان بتا واقعاً رخ داده است.

یک اسپکتروگرام چه چیزی را نشان می‌دهد؟

یک اسپکتروگرام یک نقشه بصری با زمان در یک محور، فرکانس در محور دیگر، و رنگ یا میزان روشنایی نشان‌دهنده توان هر فرکانس در آن لحظه است. این روش EEG را از یک خلاصه تخت به چیزی شبیه به یک نت موسیقی از فعالیت الکتریکی مغز تبدیل می‌کند.

چرا طول پنجره اینقدر اهمیت دارد؟

پنجره‌های طولانی‌تر اطلاعات فرکانسی دقیقی ارائه می‌دهند اما زمان دقیق رویدادها را تار می‌کنند، در حالی که پنجره‌های کوتاه‌تر زمان‌بندی را به خوبی مشخص می‌کنند اما فرکانس‌های نزدیک به هم را با هم ادغام می‌کنند. این موازنه اجتناب‌ناپذیر به این معنی است که انتخاب طول پنجره مستقیماً شکل می‌دهد که یک اسپکتروگرام چه چیزی را می‌تواند آشکار کند و چه چیزی را پنهان خواهد کرد.

چه طول پنجره‌هایی نقطه شروع خوبی برای ریتم‌های مختلف مغز هستند؟

برای ریتم‌های دلتای بسیار کند، یک پنجره طولانی‌تر در حدود یک تا دو ثانیه برای ثبت چرخه‌های کامل مورد نیاز است. ریتم‌های تتا و آلفا اغلب با یک پنجره در حدود نیم ثانیه به خوبی پاسخ داده می‌شوند و ریتم‌های سریع‌تر بتا و گاما به پنجره‌های کوتاه‌تر در حدود یک‌چهارم ثانیه یا کمتر نیاز دارند تا تغییرات سریع آنها ردیابی شود.

چگونه STFT می‌تواند شباهت‌های بین حرکت واقعی و تصور شده را آشکار کند؟

روش STFT کاهش‌های توان وابسته به زمان را به نام ناهمگام‌سازی مرتبط با رویداد در باندهای مو و بتا ثبت می‌کند، که هم زمانی که فرد حرکت می‌کند و هم زمانی که به صورت ذهنی همان حرکت را تصور می‌کند، رخ می‌دهد. اسپکتروگرام‌های تکالیف حرکتی واقعی و تصورشده می‌توانند الگوهای فرکانسی تقریباً یکسانی را نشان دهند که این امر از منطق واسط‌های مغز و رایانه پشتیبانی می‌کند.

آیا می‌توان از STFT در مدل‌های یادگیری عمیق استفاده کرد؟

بله، تصاویر اسپکتروگرام تولید شده توسط STFT را می‌توان مستقیماً به شبکه‌های عصبی کانولوشنال طراحی شده برای تشخیص تصویر تغذیه کرد. این مدل‌ها می‌توانند یاد بگیرند که حالت‌های مغزی را از روی الگوهای زمان-فرکانس تشخیص دهند و اغلب در تکالیفی مانند تشخیص تصویرسازی حرکتی به دقت طبقه‌بندی بسیار بالایی دست می‌یابند.

محدودیت اصلی STFT در مقایسه با سایر روش‌های زمان-فرکانس چیست؟

روش STFT یک اندازه پنجره واحد را برای همه فرکانس‌ها قفل می‌کند، به این معنی که نمی‌تواند به طور همزمان هم جزئیات زمانی دقیق برای انفجارهای سریع و هم جزئیات فرکانسی خوب برای امواج کند ارائه دهد. تکنیک‌های تطبیقی مانند موجک‌ها، طول پنجره موثر را با فرکانس تغییر می‌دهند که اغلب منجر به وضوح بهتر و عملکرد طبقه‌بندی بالاتر در مقایسه‌های مستقیم می‌شود.

یک رویکرد گام به گام خوب هنگام استفاده از STFT روی داده‌های EEG چیست؟

کار را با تطبیق یک طول پنجره اولیه با ریتمی که به آن اهمیت می‌دهید شروع کنید، از پنجره‌های همپوشان برای هموار کردن اسپکتروگرام استفاده کنید، و نتیجه را بررسی کنید تا ببینید آیا رویدادها با زمان‌بندی دقیق به نظر می‌رسند یا تار شده‌اند. اگر یافته حیاتی است، داده‌ها را با یک روش تطبیقی نیز بررسی متقابل کنید زیرا یک تنظیم واحد STFT ممکن است تنها از یک نوع وضوح پشتیبانی کند.