یک تبدیل فوریه پایه، ابزار ریاضی کلاسیک برای تجزیه یک سیگنال به فرکانسهای تشکیلدهندهاش، میتواند به شما بگوید کدام ریتمهای مغزی در جایی از کل یک فایل ضبطشده وجود داشتهاند. آنچه نمیتواند به شما بگوید این است که آنها چه زمانی رخ دادهاند. یک انفجار کوتاه از فعالیت آلفا که در لحظه بستن چشمها توسط فرد ظاهر میشود، یک رویداد معنادار و قفلشده در زمان است.
این انفجار که در یک خلاصه فرکانسی واحد در طول یک ضبط ده دقیقهای میانگینگیری شده است، به یک آمار تبدیل میشود که از نویز پسزمینه غیرقابل تشخیص است. بازیابی زمانبندی این رویدادها نقطه شروع هر تحقیق جدی EEG است و این دقیقاً همان مسئلهای است که تبدیل فوریه زمان-کوتاه (STFT) برای حل آن ساخته شده است.
مشکل تبدیل فوریه استاندارد
تبدیل استاندارد فوریه یکی از ارکان پردازش سیگنال کلاسیک است زیرا به طور موثری سیگنالهای پیچیده را به مجموعهای از امواج سینوسی خالص تجزیه میکند. با انتگرالگیری در طول زمان بینهایت، این تبدیل محتوای فرکانسی کل موجود در یک ثبت را آشکار میسازد.
با این حال، این روش فرض میکند که سیگنال پایا (ایستا) است؛ اگر ترکیب فرکانسی در طول زمان تغییر کند، خروجی معمول توالی زمانی را پنهان میسازد. این محدودیت، تمایز بین یک رویداد کوتاه و ناگهانی با یک هارمونیک پایدار را غیرممکن میکند، که این امر در زمینههایی مانند علوم اعصاب بسیار حیاتی است.
تبدیل فوریه زمانکوتاه در تحلیل EEG چیست
تبدیل STFT با یک استراتژی کاملاً مستقیم به مسئله زمانبندی میپردازد. به جای اجرای تبدیل فوریه روی کل یک ثبت EEG به طور همزمان، سیگنال را به بخشهای کوتاه و متوالی که معمولاً پنجره نامیده میشوند تقسیم میکند و تبدیل فوریه را به طور جداگانه روی هر یک اعمال مینماید. هر پنجره یک نمای فرکانسی مینیاتوری از خود تولید میکند و کنار هم قرار دادن این نماها به صورت متوالی، تصویری 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 قرار دارد. رنگ یا شدت در هر نقطه 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 بیان میکنند، تحلیل STFT برای «آشکار ساختن محتوای فرکانسی سیگنالهای EEG در هر نقطه زمانی» عمل میکند.
چرا طول پنجره مهمترین تنظیم در STFT است
تقسیم یک سیگنال به پنجرهها ساده به نظر میرسد، اما طول انتخابشده برای هر پنجره تقریباً همه چیز را در مورد کیفیت و دقت اسپکتروگرام حاصل تعیین میکند. این تصمیم متضمن بدهبستانی است که نمیتوان از آن اجتناب کرد، بلکه فقط میتوان آن را مدیریت نمود.
به این صورت به آن نگاه کنید: یک پنجره بلند مانند یک خطکش فرکانسی دقیق اما یک کرونومتر تار عمل میکند. از آنجا که شامل نقاط داده بیشتری است، یک پنجره بلند میتواند فرکانسهای با فاصله نزدیک را با دقت واقعی تشخیص دهد. اما از آنجا که در بازه زمانی طولانیتری امتداد دارد، هر رویدادی که درون آن پنجره رخ دهد محو میشود و شما توانایی تعیین دقیق زمان تغییرات را از دست میدهید.
یک پنجره کوتاه این بدهبستان را معکوس میکند. مانند یک کرونومتر دقیق اما یک خطکش فرکانسی تار عمل میکند. میتواند تقریباً به طور دقیق به شما بگوید چه زمانی چیزی رخ داده است، اما برای تفکیک فرکانسهایی که به هم نزدیک هستند به زحمت میافتد، زیرا یک برش کوتاه از سیگنال به سادگی حاوی چرخههای نوسانی کافی برای اندازهگیری فرکانس با جزئیات دقیق نیست.
این نسخهای از یک 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 به بهای افت دیگری تمام میشود. درک این بدهبستان، به جای تلاش برای غلبه بر آن، مهارت اصلی در کار با STFT است.
از آنجا که ریتمهای مختلف EEG با سرعتهای بسیار متفاوتی نوسان میکنند، هیچ طول پنجره واحدی برای همه آنها مناسب نیست. رهنمودهای زیر روشهای تجربی اولیه برگرفته از نحوه رفتار معمول این ریتمها هستند:
امواج دلتا (تقریباً ۰.۵ تا ۴ هرتز): اینها کندترین ریتمهای مغزی هستند و پنجره باید به اندازه کافی بلند باشد—معمولاً در محدوده ۱ تا ۲ 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 توصیف آن نخواهد بود.
ریتمهای تتا و آلفا (تقریباً ۴ تا ۱۳ هرتز): یک پنجره میانی، اغلب حدود ۵۰۰ میلیثانیه، معمولاً تعادل مناسبی ایجاد میکند. به اندازه کافی طولانی است تا چندین چرخه نوسان را ثبت کند، که به تعریف واضح ریتم کمک میکند، در حالی که هنوز به اندازه کافی کوتاه است تا تغییرات معنیدار، مانند شروع یک فوران آلفا هنگام بسته شدن چشمها را دنبال کند.
ریتمهای بتا و گاما (تقریباً بالاتر از ۱۳ هرتز): این ریتمهای سریعتر با سرعت بالایی حرکت میکنند، بنابراین یک پنجره کوتاه، معمولاً ۲۵۰ میلیثانیه یا کمتر، برای ردیابی دینامیک سریع آنها ضروری میشود. هزینه این کار، کاهش توانایی در تفکیک دقیق بین فرکانسهای نزدیک به هم در محدوده گامای بالاتر است که نتیجه مستقیم همان بدهبستان توصیفشده در بالا میباشد.
چگونه STFT تفاوت بین حرکت واقعی و تصوری را آشکار میکند
ارزش کاربردی STFT به واضحترین شکل در تحقیقات رابط مغز و رایانه (BCI) آشکار میشود، جایی که هدف ترجمه مستقیم فعالیت مغز به سیگنالهای کنترلی برای یک دستگاه است.
یک مثال به خوبی مطالعهشده شامل مقایسه EEG ثبتشده در هنگام تصور حرکت دست توسط فرد در برابر EEG ثبتشده در هنگام تصور حرکت پا، یا مقایسه اقدامات تصوری در برابر نسخه فیزیکی واقعی همان اقدام است.
در این پارادایمهای مرتبط با حرکت، یک هدف رایج برای تحلیل پدیدهای به نام ناهمزمانی مرتبط با رویداد یا ERD است؛ یعنی افت در توان سیگنال در محدودههای ریتم مو و بتا بر روی مناطقی از مغز که با حرکت مرتبط هستند. از آنجا که ERD یک افت توان خاص و وابسته به زمان است و نه یک ویژگی پسزمینه ثابت، دقیقاً همان نوع رویدادی است که خلاصه فرکانسی کل ثبت آن را پاک میکند و یک اسپکتروگرام با وضوح زمانی میتواند آن را ثبت نماید.
مطالعه تحقیقاتی Zabidi و همکاران با اعمال مستقیم STFT روی این مسئله، به بررسی EEG جمعآوریشده در حین نوشتن واقعی و در حین نوشتن تصوری پرداخت. سیگنال ابتدا از یک فیلتر میانگذر عبور داده شد که تحلیل را به محدوده ۸ تا ۳۰ هرتز محدود میکرد و ریتمهای آلفا و بتا را که بیشترین ارتباط را با فعالیت حرکتی دارند پوشش میداد، سپس STFT با یک پنجره همینگ تنظیمشده محاسبه شد.
نتیجه یک یافته مستقیم و مشخص بود: «مؤلفههای فرکانسی سیگنالهای EEG بهدستآمده از نوشتن همانند مؤلفههای بهدستآمده در حین نوشتن تصوری است».
از نظر کاربردی، الگوی ریتم الکتریکی مغز در طول یک عمل تصوری شباهت زیادی به الگو در طول عمل فیزیکی واقعی داشت، همبستگیای که مبنای بسیاری از منطقهای پشت سیستمهای BCI است که هدفشان تشخیص حرکت مورد نظر بدون نیاز به هیچ حرکت فیزیکی واقعی میباشد.
استفاده از STFT برای ساخت تصاویر برای مدلهای یادگیری عمیق
فراتر از بررسی بصری، اسپکتروگرامهای تولیدشده توسط STFT حیات دومی را به عنوان مرحله پیشپردازش برای تغذیه سیستمهای یادگیری عمیق، و به ویژه شبکههای عصبی پیچشی (CNN) که نوعی مدل طراحیشده برای تشخیص الگوها در تصاویر هستند، پیدا کردهاند. 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 مستقیماً به یک مدل یادگیری عمیق مبتنی بر تصویر تحویل داد، که ممکن است ساختار پنهانی را در دادهها تشخیص دهد که تعیین دستی آن دشوار است.
یک مطالعه در سال ۲۰۱۹، ثبتهای EEG حاصل از یک تکلیف تصویرسازی حرکتی (تشخیص حرکت دست راست از پای راست) را با استفاده از هم STFT و هم یک رویکرد زمان-فرکانس جایگزین به تصویر تبدیل کرد و سپس هر دو مجموعه تصویر را به یک معماری از پیش آموزشدیده CNN وارد نمود.
عملکرد در هر دو رویکرد قوی بود، به طوری که کل خط لوله به دقت طبقهبندی ۹۹.۳۵٪ دست یافت که به عنوان بهترین امتیاز در میان روشهای قابل مقایسه موجود توصیف شد. با این حال، هنگامی که دو روش تولید تصویر مستقیماً در همان مطالعه با یکدیگر مقایسه شدند، نتایج یکسان نبود: «رویکرد CWT نتایج بهتری نسبت به رویکرد STFT ارائه میدهد»، که نشاندهنده یک بدهبستان واقعی و اندازهگیریشده در میزان وفاداری هر روش در ترجمه سیگنال اصلی EEG به یک تصویر قابل استفاده است.
گزارش شده است که این بدهبستان مسئله انگیزهبخش پشت یک توسعه روششناختی جداگانه بوده است. محققان آنچه را که STFT مهارشده (anchored-STFT) نامیدند توسعه دادند که به عنوان «نسخه پیشرفتهای از STFT، زیرا بدهبستان بین وضوح زمانی و طیفی ارائهشده توسط STFT را به حداقل میرساند» توصیف شد.
همراه با یک روش تقویت دادههای رقابتی، این خط لوله ارتقایافته دقتهای طبقهبندی از حدود ۶۹٪ تا بیش از ۹۰٪ را در چندین مجموعه داده BCI گزارش کرد، که این الگو را تقویت میکند که STFT ساده میتواند به عنوان یک ابزار استخراج ویژگی واقعاً توانمند عمل کند، اما محدودیتهای شناختهشده وضوح آن فضایی را برای بهبود ایجاد میکند، چه از طریق تنظیم پارامترها، یک نسخه ارتقایافته از خود تکنیک، یا یک رویکرد زمان-فرکانس کاملاً متفاوت.
چگونه تحقیقات، تبدیل فوریه زمانکوتاه را در طبقهبندی تصویرسازی حرکتی به کار میگیرند
یک مطالعه اخیر، تبدیل فوریه زمانکوتاه را فراتر از مرحله بصریسازی و به یک خط لوله طبقهبندی عملیاتی برده است. همانند کار قبلی که در بالا توصیف شد، نقطه شروع یک تکلیف تصویرسازی حرکتی است که در آن فرد حرکت دادن یک دست را به جای حرکت دادن فیزیکی آن تصور میکند.
نویسندگان چارچوبی را توصیف میکنند که آن را AMD-KT2D مینامند و بر پایه آنچه تبدیل فوریه زمانکوتاه بهینهشده مینامند، ساخته شده است. این متغیر به جای متعهد شدن به یک تنظیم پنجره ثابت، تابع پنجرهبندی و وضوح زمان-فرکانس را با هم تنظیم میکند، با این هدف اعلامشده که ویژگیهای زمانی و مکانی پویا را حفظ کند که ممکن است در یک پیکربندی ثابت محو شده یا از بین بروند.
سپس تصاویر دوبعدی زمان-فرکانس حاصل به یک معماری راهنما-یادگیرنده منتقل میشوند: یک ResNet50 بهبودیافته، که بر روی یک مجموعه داده در مقیاس بزرگ از پیش آموزش دیده است، ویژگیهای مکانی-زمانی سطح بالا را استخراج میکند، در حالی که یک شبکه عصبی پیچشی دوبعدی سفارشیشده ویژگیهای چند مقیاسی را ثبت مینماید. از یک تابع زیان اختلاف ناهمخوانی حاشیه تطبیقی (Adaptive Margin Disparity Discrepancy) برای کاهش ناهماهنگی بین این دو و همراستاسازی ویژگیهای آنها استفاده میشود.
ثبتهای EEG برای تکلیف تصویرسازی حرکتی دست چپ در برابر دست راست با سیستم Emotiv Flex جمعآوری شدند. در آن مجموعه داده، طبق گزارشها، طبقهبندیکننده ترکیبی تصویرسازی حرکتی به دقت ۹۶.۷۵٪ در حالت وابسته به سوژه و ۹۲.۱۷٪ در حالت مستقل از سوژه دست یافت. فاصله بین این دو رقم قابل توجه است: عملکرد اندازهگیریشده در همان فرد به طور خودکار به فردی که مدل روی او آموزش ندیده منتقل نمیشود.
این مطالعه در کنار سایر کارهای مورد بحث در این مقاله، نشان میدهد که اسپکتروگرامهای تولیدشده توسط تبدیل فوریه زمانکوتاه ورودی مناسبی برای مدلهای یادگیری عمیق با هدف رمزگشایی تصویرسازی حرکتی هستند. آنچه که این مجموعه تحقیقاتی هنوز اثبات نکرده است، تعمیمپذیری است. این یک مطالعه منفرد، روی یک مجموعه داده منفرد، با ارقام دقتی وابسته به یک تکلیف و یک گروه از شرکتکنندگان است و روش گزارششده بر نسخهای تنظیمشده از تبدیل تکیه دارد تا فرم استاندارد آن.
این نتایج باید به عنوان نتایجی نویدبخش در شرایط خود در نظر گرفته شوند، نه به عنوان عملکرد قطعی برای رابطهای مبتنی بر EEG به طور کلیتر.
زمانی که STFT ناکام میماند: مشکل وضوح ثابت
بدهبستان 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 نقادانه بسنجد.
هنگامی که طول پنجره انتخاب شد، مثلاً ۵۰۰ میلیثانیه، همان پنجره به طور یکنواخت در کل طیف فرکانسی مورد تجزیه و تحلیل اعمال میشود، چه محقق به دنبال فعالیت کند دلتا با فرکانس ۲ هرتز باشد و چه فعالیت سریع گاما با فرکانس ۱۰۰ هرتز. پنجره خود را تنظیم نمیکند. بدهبستان زمان-فرکانس که قبلاً توضیح داده شد، برای کل تحلیل در یک تنظیم واحد قفل میشود، حتی اگر ریتمهای مختلف در حالت 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، متمایز میکند. روشهای تطبیقی به جای قفل کردن یک اندازه پنجره برای هر فرکانس، به طور موثر از پنجرههای بلندتر برای فرکانسهای پایینتر و پنجرههای کوتاهتر برای فرکانسهای بالاتر استفاده میکنند و وضوح را در صورت نیاز در یک تحلیل واحد تنظیم مینمایند، به جای اینکه به یک مصالحه برای کل سیگنال متعهد شوند.
به عنوان مثال، مطالعهای به رهبری Wang و همکاران برای 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 صریحاً از STFT به عنوان خط پایهای که عملکرد بهتری نسبت به آن داشته نام برد.
در یک کاربرد بالینی جداگانه برای پیشبینی نتایج درمان ضدافسردگی در اختلال افسردگی اساسی از روی 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 مقایسهشده، و در مقایسه با روشهای دیگر به دقت ۸۷.۵٪ دست یافته است.
یک گردش کار گامبهگام 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 صادقانه تفسیر میشود.
گام ۱: تعریف سوال قبل از دست زدن به دادهها. آیا هدف تشخیص یک فوران سریع و کوتاه گاما است، یا ردیابی یک رانش کند در توان دلتا در طول چند دقیقه؟ پاسخ تعیین میکند که کدام سمت بدهبستان طول پنجره اهمیت بیشتری دارد.
گام ۲: انتخاب طول پنجره اولیه متناسب با ریتم هدف. از رهنمودهای عملی بالا به عنوان نقطه شروع استفاده کنید؛ پنجرههای بلندتر برای دلتا، پنجرههای میانی برای تتا و آلفا، پنجرههای کوتاهتر برای بتا و گاما. این را با یک طرح پنجره همپوشان جفت کنید، معمولاً چیزی بین ۵۰٪ تا ۹۰٪ همپوشانی بین پنجرههای متوالی، که اسپکتروگرام حاصل را هموار کرده و بروز شکافهای مصنوعی بین برشهای زمانی را کاهش میدهد.
گام ۳: تولید اسپکتروگرام و بررسی نقادانه آن. آیا طول پنجره انتخابشده شروعی واضح و دقیق را برای یک ریتم سریع مورد نظر نشان میدهد، یا رویداد در یک بازه زمانی گستردهتر از آنچه باید محو به نظر میرسد؟ آیا اسپکتروگرام میتواند پیک آلفا را به وضوح از پیک تتای مجاور تفکیک کند، یا این دو ریتم با هم تداخل دارند؟ این بررسیهای بصری یک آزمون مستقیم و کاربردی برای تعیین این هستند که آیا طول پنجره انتخابشده برای دادهها مناسب بوده است یا خیر.
گام ۴: نگاه به نتیجه به عنوان یک نما در میان چندین نمای ممکن، نه یک حکم نهایی. یک یافته منفی، مانند نبود تفاوت قابل اندازهگیری گاما بین دو گروه آزمایشی، میتواند نشاندهنده نبود واقعی اثر باشد، یا به سادگی میتواند منعکسکننده محدودیتهای وضوح پنجره STFT خاص انتخابشده باشد. یک گام منطقی بعدی برای تأیید یک یافته مبهم یا مهم، تحلیل مجدد همان دادهها با استفاده از یک روش تطبیقی به عنوان بررسی متقابل است.
چرا ردیابی زمان شلیک ریتمهای مغزی بینشهای جدیدی را آشکار میسازد
فعالیت مغز توالیای از رویدادهای زمانبندیشده است، و بازیابی آن زمانبندی، یک ثبت مسطح را به روایتی بلادرنگ از حالات ذهنی در حال تغییر تبدیل میکند. با حرکت از یک خلاصه فرکانسی واحد به یک نقشه لحظه به لحظه، محققان میتوانند افکار، نیتها یا احساسات خاص را مستقیماً به ریتمهای مغزی که آنها را همراهی میکنند متصل سازند. این تغییر همان چیزی است که EEG را از یک اندازهگیری ایستا به ابزاری تبدیل میکند که میتواند از رابطهای مغز و رایانه پشتیبانی کرده و مدلهای یادگیری عمیقی را که برای تشخیص الگوهای ذهنی آموزش میبینند تغذیه کند.
بدهبستان وضوح ثابت در این روش حاوی یک درس گستردهتر است: هر انتخاب تحلیلی برخی از حقایق را برجسته میکند در حالی که ممکن است حقایق دیگر را محو سازد، بنابراین هیچ نتیجه واحدی کل داستان را بیان نمیکند. این امر مستلزم بررسی متقابل با رویکردهای دیگر در مواقع مهم بودن یافتهها است و این نکته را تقویت میکند که الگوهای الکتریکی مغز—مانند تطابق نزدیکی که بین حرکت تصوری و واقعی دیده میشود—بسیار لایهدار هستند. این شباهت زمینهای از این ایده پشتیبانی میکند که مغز اقدامات را با استفاده از بسیاری از همان نشانههای ریتمیکی که برای انجام آنها استفاده میکند، تمرین مینماید.
منابع
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
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
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
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
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. چیدن این نماها به ترتیب، یک تصویر متحرک به نام اسپکتروگرام ایجاد میکند که نشان میدهد چگونه توان ریتمهای مختلف مغز لحظه به لحظه تغییر میکند.
چرا نمیتوانم فقط از تبدیل فوریه معمولی روی یک ثبت EEG استفاده کنم؟
یک تبدیل فوریه پایه، کل ثبت را به فرکانسهای تشکیلدهنده آن تجزیه میکند اما تمام اطلاعات زمانبندی را پاک مینماید، بنابراین شما میدانید چه ریتمهایی به طور کلی وجود داشتهاند اما نمیدانید چه زمانی ظاهر شدهاند. روش STFT با تحلیل جداگانه بخشهای کوتاه این زمانبندی را بازیابی میکند و به شما امکان میدهد ببینید چه زمانی یک فوران آلفا یا افت 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 روشنایی نشاندهنده توان هر فرکانس در آن لحظه است. این تبدیل، EEG را از یک خلاصه مسطح به چیزی شبیه به یک پارتیتور موسیقی از فعالیت الکتریکی مغز تبدیل میکند.
چرا طول پنجره اینقدر اهمیت دارد؟
پنجرههای طولانیتر اطلاعات فرکانسی دقیقی ارائه میدهند اما زمانبندی دقیق رویدادها را محو میکنند، در حالی که پنجرههای کوتاهتر زمانبندی را به خوبی مشخص میکنند اما فرکانسهای نزدیک به هم را در هم میآمیزند. این بدهبستان اجتنابناپذیر بدین معناست 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. برای ریتمهای تتا و آلفا اغلب یک پنجره حدود نیم ثانیه مناسب است، و ریتمهای سریعتر بتا و گاما برای ردیابی تغییرات سریع خود به پنجرههای کوتاهتر در حدود یک چهارم ثانیه یا کمتر نیاز دارند.
چگونه STFT میتواند شباهتهای بین حرکت واقعی و تصوری را آشکار کند؟
روش STFT افتهای وابسته به زمان در توان به نام ناهمزمانی مرتبط با رویداد را در باندهای مو و بتا ثبت میکند، که هم زمانی که فرد حرکت میکند و هم زمانی که همان حرکت را به صورت ذهنی تصور میکند رخ میدهند. اسپکتروگرامهای تکالیف حرکتی واقعی و تصوری میتوانند الگوهای فرکانسی تقریباً یکسانی را نشان دهند و از منطق رابطهای مغز و رایانه پشتیبانی کنند.
آیا میتوان از STFT در مدلهای یادگیری عمیق استفاده کرد؟
بله، تصاویر اسپکتروگرام تولیدشده توسط STFT را میتوان مستقیماً به شبکههای عصبی پیچشی طراحیشده برای تشخیص تصویر وارد کرد. این مدلها میتوانند یاد بگیرند که حالات مغزی را بر اساس الگوهای زمان-فرکانس تشخیص دهند و اغلب در تکالیفی مانند تشخیص تصویرسازی حرکتی به دقت طبقهبندی بسیار بالایی دست پیدا میکنند.
محدودیت اصلی STFT در مقایسه با سایر روشهای زمان-فرکانس چیست؟
روش STFT در یک اندازه پنجره واحد برای تمام فرکانسها قفل میشود، به این معنی که نمیتواند همزمان جزئیات زمانی دقیق را برای فورانهای سریع و جزئیات فرکانسی ظریف را برای امواج کند ارائه دهد. تکنیکهای تطبیقی مانند موجکها طول پنجره موثر را با فرکانس تغییر میدهند، که اغلب در مقایسههای مستقیم منجر به وضوح بهتر و عملکرد طبقهبندی بالاتری میشود.
یک رویکرد گامبهگام مناسب هنگام استفاده از STFT روی دادههای EEG چیست؟
با تطبیق طول پنجره اولیه با ریتم مورد نظر خود شروع کنید، از پنجرههای همپوشان برای هموار کردن اسپکتروگرام استفاده کنید، و نتیجه را بررسی کنید تا ببینید آیا رویدادها زمانبندی دقیقی دارند یا محو شدهاند. اگر یافته مهم است، بررسی متقابل دادهها را با یک روش تطبیقی در نظر بگیرید، زیرا یک تنظیم واحد STFT ممکن است تنها به نفع یک نوع وضوح عمل کند.
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




