אנליזת פורייה דיסקרטית (DFT) מספקת מסגרת חזקה לפירוק אותות מורכבים לרכיבים המחזוריים הבסיסיים שלהם לצורך ניתוח מדויק.
מאמר זה מפרט כיצד ה-DFT ממיר בלוק סופי של נתוני מתח דגומים, כגון הקלטה במצב מנוחה או בלוק בודד מניסוי מונחה-משימה, לקבוצה של רכיבי תדר.
מהו ניתוח פורייה בדיד?
ניתוח פורייה בדיד הוא גישה מתמטית המשמשת לפירוש אותות דגומים על ידי פירוקם לסדרה של תדרים מרכיבים.
במקום לראות בנתונים זרם רציף, שיטה זו מעבדת רצפים בדידים וסופיים של מספרים - כגון קריאות מתח ממערכות רישום EEG - כדי לזהות את העוצמות היחסיות של מחזורי תנודה שונים. על ידי המרת דגימות אלה לייצוגים מספריים של אמפליטודה ופאזה, חוקרים מקבלים נקודת מבט ברורה לגבי מרכיבי התדר הדומיננטיים ביותר בתוך סט הנתונים.
טכניקה זו מגשרת על הפער בין איסוף נתונים גולמיים לבין הפקת מידע משמעותי, ומתפקדת בעיקרה כמנסרה דיגיטלית. כאשר הוא מוחל על צורות גל מורכבות, התהליך מפריד בין תנודות חופפות לערוצים קריאים, ומאפשר בידוד של חתימות קצביות ספציפיות שאחרת היו נותרות מוסתרות על ידי רעש אות רחב יותר. זוהי אבן פינה במחקר נוירוביולוגיה מודרני, שבו בידוד דפוסי פעילות מוחית מובחנים חיוני להבנת תפקוד עצבי בריא ומצבים פתולוגיים כאחד.
על ידי ניצול היכולת של ניתוח תדרים לארגן מחדש רצפים זמניים, מדענים יכולים לסנן ביעילות רעשי חשמל סביבתיים או ארטיפקטים שעלולים לזהם קריאה. טרנספורמציה זו אינה רק תרגיל סטטיסטי אלא כלי חיוני ההופך תנודות עדינות בתדירות גבוהה לנראות בפורמט כמותי. פיזור הכוח הנוצר על פני פסי תדרים שונים מהווה כיום את הבסיס לחלק גדול מההערכה האבחנתית המבוצעת במעבדות קליניות מודרניות.
מה שטרנספורם פורייה הבדיד (ו-FFT) באמת עושים בעיבוד אותות EEG
לאחר שאות EEG רציף נדגם לרצף סופי של מספרים, ה-DFT יכול לפעול עליו. בהינתן N דגימות של מתח, ה-DFT מייצר N מספרים מרוכבים, כשכל אחד מהם מייצג את התרומה של פרוסה ספציפית וקצרה של תדר, המכונה bin (תא). במקום עקומת מתח אחת מבולגנת, אתה מקבל רשימה מובנית המראה כמה מכל תדר קיים באותו רישום.
חישוב DFT ישיר הופך לאיטי ככל ש-N גדל, מכיוון שהחישוב משתנה בהתאם לריבוע של מספר הדגימות. טרנספורם פורייה המהיר, או FFT, הוא אלגוריתם שמפיק תוצאות זהות מבחינה מתמטית תוך כדי ריצה יעילה בהרבה.
בפועל, כמעט אף אחד אינו מחשב DFT גולמי בכוח גס. ה-FFT הוא פשוט הדרך הסטנדרטית והיעילה להגיע לשם, ושני המונחים משמשים לעתים קרובות ללא הבחנה במחקר EEG.
כיצד לקרוא ספקטרום תדרים של EEG גולמי
נניח שרישום מכיל N דגימות, שנלקחו בקצב דגימה של fₛ דגימות בשנייה. ה-DFT של אותו רישום מייצר N תאי תדר (bins) במרווחים שווים המשתרעים מ-0 הרץ ועד fₛ הרץ.
המרווח בין תאים סמוכים, הנקרא רוחב התא, שווה ל-fₛ מחולק ב-N. מספר בודד זה, רוחב התא, קובע את פרט התדר העדין ביותר שניתוח יכול להבחין בו.
מכיוון שמתח EEG הוא אות בעל ערך אמיתי ולא מרוכב, רק המחצית הראשונה של התאים הללו, במיוחד N/2 + 1 מהם, מכילה מידע ייחודי. התאים הנותרים הם תמונות מראה של החצי הראשון ואינם מוסיפים דבר חדש. תא מספר k מתאים לתדר אמיתי של k כפול רוחב התא (fₛ / N).
בכל אחד מהתאים הללו, ה-DFT פולט מספר מרוכב, כלומר יש לו שני רכיבים במקום אחד. הגודל (magnitude) של אותו מספר מרוכב הוא האמפליטודה של רכיב התדר המתאים, המבוטא במיקרו-וולטים לאחר קנה מידה מתאים. זה אומר לך כמה חזק קצב מסוים זה בתוך המקטע המוקלט.
הזווית של המספר המרוכב היא הפאזה, שמספרת לך היכן במחזור שלו נמצא אותו קצב בתחילת ההקלטה, ובכך מסמנת למעשה מתי הקצב מגיע לשיא ביחס לתחילת החלון.
שלוש מגבלות המעצבות כל ספקטרום EEG
שלוש מגבלות מעשיות קובעות עד כמה ספקטרום מבוסס DFT הוא אמין בפועל, ושלושתן חוזרות לעובדה שהקלט הוא רשומה סופית ודגומה ולא רשומה אינסופית ורציפה:
רוחב התא (רזולוציית תדר) שווה ל-fₛ מחולק ב-N; רק הקלטה ארוכה יותר יכולה להפריד בין שני מקצבים קרובים.
מגבלת נייקוויסט בחצי מקצב הדגימה יוצרת עיוות תדר (aliasing) קבוע לפעילות מוחית מהירה יותר, אלא אם כן היא מסוננת לפני הדגימה.
זליגת ספקטרום (spectral leakage) מפזרת את האנרגיה של קצב לתאים שכנים כאשר התדר שלו נופל בין מרכזי התאים; חלונות פוחתים (tapering windows) מפחיתים את הפיזור.
יישום ה-DFT על EEG במצב מנוחה ובמבנה בלוקים
ה-DFT מניח, לפחות במשתמע, שתוכן התדר של האות אינו משתנה הרבה במהלך המקטע המנותח. הנחה זו סבירה במהלך מנוחה ממושכת או בלוק אחיד של משימה קוגניטיבית חזרתית, מצבים שהם בקירוב סטציונריים (קבועים בזמן). בתנאים אלה, DFT בודד שנלקח על פני כל התקופה (epoch) מייצר ספקטרום המייצג באופן משמעותי את הפעילות הקצבית של המוח לאותו פרק זמן.
זה קרוב לגישה ששימשה במחקר קודם על אסימטריה של EEG בהמיספרות, שבו המשתתפים ביצעו משימות מילוליות, אריתמטיות, מרחביות ומוזיקליות בזמן ש-EEG תועד מאתרי אלקטרודות טמפורליים ופריאטליים.
טרנספורמציות פורייה בדידות של הקלטות אלו ייצרו יחסי עוצמה המשווים בין ההמיספרה הימנית והשמאלית על פני פסי תדרים סטנדרטיים. פס האלפא הראה שהאסימטריה בין ההמיספרות הייתה תלויה באופן משמעותי במשימה שבוצעה, וההמיספרה שהייתה מעורבת באופן פעיל יותר במשימה הראתה באופן עקבי פחות עוצמת אלפא באופן יחסי.
השפעה תלויית-משימה זו בפס האלפא דווחה כגדולה פי 2 עד 5 ממה שמצא מחקר קודם כאשר בחן את העוצמה של כל הפס כולו מבלי לבודד את אלפא באופן ספציפי. שיפור זה ברגישות הגיע ישירות מהפרדת פסי תדרים עם ה-DFT במקום להתייחס לאות כאל בלוק אחד בלתי מחולק.
יתרה מכך, מחקר של האוניברסיטה הטכנולוגית פוקוי ביפן של EEG נורמלי ואפילפטי מציע דפוס דומה המיושם על תנאים סבירים של מצב מנוחה. ניתוח הפורייה שלו חשף את הצורה הספקטרלית דמויית 1/f שהוזכרה קודם לכן ואישר כי קצב האלפא, הבולט בהקלטות הרגילות, היה חסר באלו האפילפטיות.
מגבלות: מתי ה-DFT אינו מספיק
הנחת היסוד של ה-DFT, שתוכן התדר נשאר קבוע לאורך המקטע המנותח, קורסת בכל פעם שפעילות ה-EEG משתנה במהירות בתוך אותו חלון. התקפים אפילפטיים ושינויים רגשיים פתאומיים הם שתי דוגמאות ברורות לסוג זה של התנהגות לא-סטציונרית.
המחקר שניתח EEG נורמלי ואפילפטי הדגים מגבלה זו באופן ישיר. בעוד שטרנספורם פורייה קלט בהצלחה את הצורה הספקטרלית הכללית של 1/f של ההקלטות, הוא נכשל בחשיפת הזיזים הממוקדים והקומפלקסים החדים האופייניים לפעילות התקפים.
טרנספורמציות wavelet, משפחה אחרת של כלי זמן-תדר, הצליחו לזהות את אותם אירועים ממוקדים שבהם גישת פורייה לא יכלה.
המסקנה המעשית היא פשוטה: עבור הקלטות סטציונריות, בלוקים של מצב מנוחה או בלוקים של משימות מבוקרות היטב, ה-DFT מספק בסיס איתן וניתן לפירוש עבור ניתוח תדרים. עבור אירועים חולפים או משתנים במהירות, ייתכן שיידרשו הרחבות זמן-תדר כגון wavelets או טרנספורמציות קצרות-זמן אדפטיביות.
ניתוח פורייה בדיד ו-Wavelets: כיצד הם משתווים
ניתוח פורייה בדיד מספק מבט גלובלי מצוין על אות, ומזהה את הרכב התדר הסטטי על פני בלוק נתונים שלם. מכיוון שהוא מחשב ספקטרום ממוצע יחיד עבור אותו חלון זמן, הוא יעיל ביותר עבור אותות סטציונריים שבהם המאפיינים הקצביים נשארים עקביים. עם זאת, חסרה לו היכולת לקבוע בדיוק מתי מתרחש אירוע תדר ספציפי בתוך אותו מקטע מנותח, מה שלמעשה מטשטש תכונות זמניות לכדי פורטרט מצטבר יחיד.
לעומת זאת, wavelets מציעים גישת רב-רזולוציה המספקת מידע מקומי הן בזמן והן בתדר. על ידי שימוש בחלון המשתנה בגודלו, טרנספורמציות wavelet יכולות להתמקד בזיזים חולפים או בהתפרצויות פעילות פתאומיות, שלעתים קרובות הולכים לאיבוד בעת שימוש בשיטות פורייה רחבות יותר. זה הופך אותם לגמישים באופן משמעותי עבור בחינת תופעות מוחיות אפיזודיות או שינויים נוירולוגיים מהירים שאינם עוקבים אחר דפוס מחזורי קבוע.
הבחירה בין שיטות אלו היא עניין של תיעדוף צורכי המידע בתוך פרמטרי פרויקט המחקר. חוקרים הולכים לעתים קרובות אחר זרימת עבודה פרוצדורלית סטנדרטית לקביעת אסטרטגיית עיבוד האותות שלהם:
אשש אם האות המעניין הוא סטציונרי או חולף.
החל ניתוח ספקטרלי גלובלי מסורתי להערכת עוצמה ממוצעת.
יישם פירוק זמן-תדר לצורך מעקב אחר אירועים מקומיים.
תקף את התפלגויות האנרגיה שהתקבלו מול ארטיפקטים פיזיולוגיים ידועים.
מדריך ליישום ניתוח פורייה בדיד ב-Python
יישום ניתוח זה ב-Python כולל בדרך כלל שימוש בספריות ייעודיות כמו NumPy או SciPy, המספקות פונקציות אופטימליות לחישוב טרנספורמציות פורייה מהירות.
הפונקציה העיקרית fft מקבלת מערך של דגימות מתח ומחזירה מיכל בעל ערכים מרוכבים המייצג את העוצמה והפאזה בכל הרמוניה. מפתחים חייבים לוודא שמערך הקלט מרופד (padded) כהלכה אם יש צורך, אם כי ספריות מודרניות מטפלות בפעולות המטריצה הבסיסיות באופן אוטומטי עבור רוב גדלי המערכים הסטנדרטיים.
לאחר חישוב הטרנספורמציה הגולמית, היישום בעולם האמיתי דורש נרמול של הפלט וחישוב הערך המוחלט כדי לגזור את ספקטרום העוצמה. זה כרוך בחלוקה באורך הכולל של הרצף כדי לקבוע את קנה המידה של הגדלים כראוי. לאחר קביעת קנה המידה, ניתן לשרטט את הספקטרום מול ציר תדר מוגדר, אשר נבנה על בסיס תדר הדגימה המקורי של חומרת הרישום.
השלמת הקוד דורשת טיפול בארטיפקטים פוטנציאליים על ידי ניקוי האות הנכנס תחילה באמצעות מסנני פס (bandpass). על ידי בידוד התדרים המעניינים בלבד עבור המחקר הנוכחי, המשתמשים מפחיתים את טביעת הרגל החישובית ומשפרים את יכולת הפירוש של הגרף הספקטרלי הסופי. גישה מודולרית זו מאפשרת חידוד מהיר של צינורות עיבוד ככל שצצות דרישות מחקר חדשות.
מדריכי PDF ומשאבים לניתוח פורייה בדיד
עבור אלה המחפשים מדריכים טכניים מעמיקים, קיימים מספר משאבי PDF בסיסיים המפרטים את ההוכחות המתמטיות ואסטרטגיות היישום עבור ניתוח ספקטרלי. מסמכים אלה משמשים כגשר בין ספרי לימוד תיאורטיים של עיבוד אותות לבין יישומים מעשיים במעבדה, ומבהירים כיצד לקחת בחשבון גבולות שגיאה והטיות ספציפיות למערכת. רבים ממדריכים אלה אוצרים על ידי קבוצות מחקר אקדמיות במטרה לתקנן את העיבוד בין מחקרים רב-מוסדיים.
משאבים אלה כוללים לעתים קרובות הדרכות על הכנת נתוני סדרות עיתיות גולמיים לניתוח, תוך שמים דגש על דרישות ניקיון נתונים ספציפיות כגון דחיית ארטיפקטים ויצירת התייחסות מחדש (re-referencing). הם גם מספקים סקירות מקיפות של פונקציות חלון (windowing) שונות, ומסבירים כיצד הן משפיעות על האיזון בין רזולוציה ספקטרלית לדיוק אמפליטודה. הבנת הניואנסים הללו חיונית עבור כל עוסק בתחום המעוניין להתקדם מעבר ליישומים של קופסה שחורה של פונקציות ספרייה נפוצות.
על ידי התייעצות במדריכים טכניים אלה, סטודנטים וחוקרים יכולים לקבל תובנות לגבי כשלים נפוצים הקשורים לטרנספורמציות דיגיטליות, כגון זליגה ספקטרלית וארטיפקטים של עטיפה (wrap-around). מדריכים אלו מתעדכנים מעת לעת כדי לשקף התקדמות במהירות וביעילות החישובית, ומבטיחים שהמתודולוגיות המתוארות יישארו עדכניות וישימות לחומרת דגימה מודרנית ברזולוציה גבוהה המשמשת בפרויקטים מדעיים עכשוויים.
כיצד ניתוח תדרים חושף מקצבי מוח נסתרים
פירוק רישום EEG לתדרי הרכיבים שלו הופך עקומת מתח סבוכה למשהו הרבה יותר חושפני. טרנספורם פורייה הבדיד מראה בדיוק אילו מקצבים קיימים ומה עוצמתם, וזו הסיבה שהוא הפך לשלב הראשון בחילוץ מאפיינים כמו אסימטריית פסי אלפא הקשורה למשימות מנטליות או צורת 1/f המובהקת המפרידה בין פעילות מוחית נורמלית לרישומים אפילפטיים. שלב זה מספק תמונה ברורה וניתנת לפירוש של הנוף התונדתי של המוח במהלך מצבים יציבים של מנוחה או משימה.
עם זאת, השיטה נושאת גבולות חשובים שכן היא זקוקה לקצב דגימה מהיר מספיק כדי למנוע עיוות תדר (aliasing), חלון ארוך מספיק כדי להבחין בין מקצבים קרובים, ומודעות לכך שאירועים עצביים פתאומיים מפרים את הנחת היסוד שלה לגבי מצב מוח יציב. עבור אותם זיזים חולפים או שינויים רגשיים מהירים, חוקרים פונים לעתים קרובות לחלופות של זמן-תדר, אם כי השוואות של כלים אלה על פני משימות רבות נותרו דלילות.
הבנת מה שספקטרום האמפליטודה הגולמי יכול ולא יכול לומר שומרת על המיקוד במה שהנתונים באמת תומכים בו, ובנית תמונה זהירה של תפקוד המוח מחקר אחר מחקר.
מקורות
דproperty, J. C., Ornstein, R., & Galin, D. (1974). Lateral specialization of cognitive mode: II. EEG frequency analysis. Psychophysiology, 11(5), 567-578. https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
Yamaguchi, C. (2003, March). Fourier and wavelet analyses of normal and epileptic electroencephalogram (EEG). In First International IEEE EMBS Conference on Neural Engineering, 2003. Conference Proceedings. (pp. 406-409). IEEE. https://doi.org/10.1109/CNE.2003.1196847
Samiee, K., Kovacs, P., & Gabbouj, M. (2015). Epileptic seizure classification of EEG time-series using rational discrete short-time fourier transform. IEEE Trans. Biomed. Eng., 62(2), 541-552. https://doi.org/10.1109/TBME.2014.2360101
שאלות נפוצות
מה בדיוק עושה טרנספורם פורייה הבדיד לרישום EEG?
ה-DFT מפרק בלוק סופי של מתח EEG דגום לקבוצה של רכיבי תדר, שכל אחד מהם מיוצג על ידי מספר מרוכב. מספרים אלה חושפים כמה מכל תדר (אמפליטודה) קיים ובאיזו פאזה הוא מתחיל בתוך חלון הניתוח.
מדוע קצב הדגימה כה קריטי בעת רישום EEG?
קצב הדגימה קובע את התדר הגבוה ביותר שניתן לקלוט במדויק, המכונה תדר נייקוויסט. אם האות מכיל תדרים מעל חצי מקצב הדגימה, הם עוברים עיוות תדר (aliasing) - מיוצגים באופן שגוי כתדרים נמוכים יותר - ולא ניתן לתקן זאת לאחר מכן. כדי למנוע זאת, מערכות EEG מיישמות מסנן מעביר נמוכים (low-pass filter) כדי להסיר תדרים מעבר למגבלת נייקוויסט לפני הדגימה.
מה קובע עד כמה ה-DFT יכול להפריד במדויק בין תדרים קרובים?
רזולוציית התדר נקבעת על ידי רוחב התא (bin width), השווה לקצב הדגימה מחולק במספר הדגימות במקטע. תאים צרים יותר מאפשרים הפרדה טובה יותר של מקצבים סמוכים, אך השגתם דורשת תקופות הקלטה ארוכות יותר.
מהי זליגה ספקטרלית, וכיצד ניתן לטפל בה?
זליגה ספקטרלית מתרחשת כאשר מקצב מוח אמיתי אינו מתיישב בצורה מושלמת עם תא תדר של ה-DFT, מה שגורם לאנרגיה שלו להתפזר למספר תאים ולטשטש את השיא. החלת חלון פוחת (כמו חלון Hann) המרכך את קצוות האות מפחיתה זליגה זו, אם כי לא ניתן לבטל אותה לחלוטין.
מה פלט ה-DFT מספר לנו מעבר לערך עוצמה פשוט?
ה-DFT הגולמי מספק הן אמפליטודה, המצביעה על עוצמת המקצב במיקרו-וולטים, והן פאזה, המציינת היכן נמצא מחזור המקצב בתחילת חלון ההקלטה. בעוד שאמפליטודה נמצאת בשימוש נרחב, פאזה זוכה לעתים קרובות להתעלמות במחקרי EEG אך היא עדיין חלק בלתי נפרד מתוצאת ה-DFT.
תחת אילו תנאים מספק ה-DFT תמונה אמינה של פעילות המוח?
ה-DFT עובד היטב כאשר אות ה-EEG הוא בקירוב סטציונרי, כלומר תוכן התדר שלו אינו משתנה הרבה במהלך בלוק הרישום. זה אופייני להקלטות במצב מנוחה או לבלוקים אחידים ומבוקרים היטב של משימה קוגניטיבית.
מדוע ה-DFT עלול להיכשל בקליטת אירועים מוחיים מסוימים?
ה-DFT מניח שתוכן התדר נשאר קבוע לאורך המקטע המנותח, ולכן אינו יכול לייצג במדויק אירועים מהירים וחולפים כמו זיזים אפילפטיים או שינויים רגשיים פתאומיים. במקרים לא-סטציונריים אלה, האנרגיה נמרחת על פני תדרים רבים, ושיטות זמן-תדר כמו wavelets מתאימות יותר.
כיצד טרנספורם פורייה המהיר (FFT) קשור ל-DFT, ומדוע משתמשים בו?
ה-FFT הוא אלגוריתם שמחשב את ה-DFT במהירות רבה יותר, ומפיק תוצאות זהות מבחינה מתמטית. במחקר EEG, המונחים משמשים לעתים קרובות ללא הבחנה מכיוון שה-FFT הוא הדרך הסטנדרטית והיעילה לקבלת ספקטרום התדרים.
Emotiv היא מובילה בתחום הנוירוטכנולוגיה המסייעת לקדם מחקר במדעי המוח באמצעות כלי EEG נגישים וכלי נתוני מוח.
כריסטיאן בורגוס
