עיבוד אותות בדידים משמש כמתמטיקה הבסיסית למחשוב מודרני, ומאפשר ניתוח נתונים במימדי הזמן, המרחב והתדר. הבנת שיטות אלה חיונית לניהול מידע דיגיטלי בדיסציפלינות מדעיות וטכניות שונות לרבות EEG.
מהו עיבוד אותות בדידים?
עיבוד אותות בדידים כרוך במניפולציה מתמטית של מידע המיוצג כסדרה של מספרים. על ידי המרת קלטים אנלוגיים מהעולם האמיתי לדגימות בדידות, מחשבים יכולים לבצע ניתוח מורכב שיהיה בלתי אפשרי באמצעות מעגלים אנלוגיים מסורתיים.
הדיוק והחזרתיות של פעולות דיגיטליות אלו הופכים אותן לחיוניות בתחומים הנעים בין מידול אקלים ועד לעיבוד אותות EEG. תחום זה קובע את הכללים לאופן שבו נתונים רציפים הופכים לבדידים, מעובדים, ולבסוף משוחזרים לשימוש על ידי אדם או מכונה.
עיבוד אותות בזמן בדיד לעומת אותות בזמן רציף
אותות בזמן רציף משתנים בצורה חלקה וקיימים בכל נקודת זמן בתוך אינטרוול מוגדר, בעוד שאותות בזמן בדיד מוגדרים רק בנקודות מחזוריות ספציפיות.
עיבוד אותות דיגיטלי מסתמך על ההמרה בין שני סוגים אלה, ולעתים קרובות משתמש בחומרה כדי לגשר על הפער. מהנדסים חייבים לנהל את המעבר בזהירות כדי להבטיח שהסדרה הבדידה תשקף נאמנה את התופעות הרציפות שבבסיסה מבלי להכניס שגיאות קיפול תדרים (aliasing) המתרחשות כאשר קצב הדגימה אינו מספיק כדי ללכוד את השינויים המהירים ביותר באות.
עיבוד בזמן רציף של אותות בזמן בדיד: דגימה ושחזור
התהליך של הפיכת השפעה רציפה לפורמט דיגיטלי דורש ממיר אנלוגי לדיגיטלי המתעד את עוצמת האות במרווחי זמן מדויקים. ברגע שהעיבוד הושלם, יש להחזיר את הנתונים לצורה אנלוגית כדי שיוכלו להיתפס על ידי בני אדם, דבר המושג באמצעות מסנני שחזור. מסננים אלו מחליקים את מראה "מדרגות המזרגה" של הנתונים הנדגמים לכדי גל רציף.
שחזור יעיל תלוי בהיצמדות למשפט הדגימה של נייקוויסט-שנון, המכתיב את התדר המינימלי שבו מערכת חייבת למדוד את הקלט כדי לשמר את כל המידע התקף.
מושגי מפתח בעיבוד אותות בדידים
ניתוח דיגיטלי מודרני מסתמך על חבילה של כלים מתמטיים שנועדו לפרק, לארגן מחדש ולפרש נקודות נתונים בצורה יעילה. מושגים אלו מספקים מסגרת למהנדסים לטיפול בכל דבר, החל ממערכי חיישנים מסיביים ועד לקלטי שמע פשוטים.
על ידי בחירת הגישה המתמטית הנכונה, חוקרים יכולים להפחית את תקורה החישובית תוך מקסום איכות האות הנצפית בפלט.
ניתוח במישור התדר: התמרת פורייה הבדידה בעיבוד אותות דיגיטלי
התמרת פורייה הבדידה (DFT) היא טכניקה בסיסית המעבירה כל סדרה של נתוני סדרות זמן אל רכיבי התדר המרכיבים אותה.
טרנספורמציה זו מאפשרת למשתמשים לראות אילו תדרים דומיננטיים באות ואילו נעדרים, ובכך מקלה על משימות כמו ניתוח הרמוני ודחיסת נתונים. על ידי צפייה באות במישור הספקטרלי, אנשי מקצוע יכולים לבודד אירועים ספציפיים שעלולים להיות מעורפלים לחלוטין כאשר מתבוננים רק בסדרה הזמנית.
סינון: הסרה או שיפור של רכיבי אות
סינון מאפשר שינוי סלקטיבי של אותות על ידי הנחתת תדרים בלתי רצויים תוך מתן מעבר לרכיבים הרצויים. ניתן לכוונן מסננים דיגיטליים בצורה קפדנית כדי לדכא רעשי רקע בתדר גבוה, המהום בתדר נמוך, או הפרעות מחזוריות ספציפיות המטרידות איסוף נתונים גולמיים.
הטבלה הבאה מדגימה סוגי מסננים נפוצים המותאמים לצרכים תפעוליים ספציפיים בתוך זרימות עבודה דיגיטליות:
סוג מסנן | פעולה עיקרית | יישום טיפוסי |
|---|---|---|
מעביר נמוכים (Low-pass) | חוסם תדרים גבוהים | הפחתת רעש |
מעביר גבוהים (High-pass) | חוסם תדרים נמוכים | הסרת סחיפת קו בסיס |
מעביר פס (Band-pass) | מתמקד בטווחים ספציפיים | שיפור דיבור |
תצורות אלה מייצגות את מערך הכלים הסטנדרטי הזמין ברוב המימושים הדיגיטליים.
אותות אקראיים בדידים ועיבוד אותות סטטיסטי
עיבוד אותות סטטיסטי מטפל במקרים שבהם האותות אינם דטרמיניסטיים לחלוטין אלא מציגים דרגות שונות של אקראיות. על ידי התייחסות לקלטים אלו כתהליכים סטוכסטיים, אנליסטים יכולים לקבוע את ההתנהגויות הממוצעות ואת השונות של מערכת, גם כאשר נקודות נתונים בודדות נראות בלתי צפויות.
גישה זו חיונית להערכת מסלולי אותות במדעי המוח ולניהול אי-ודאות בסביבות רועשות.
קונבולוציה (קפול): שילוב אותות
קונבולוציה מספקת שיטה מתמטית קפדנית לקביעת האופן שבו פלט המערכת משתנה בהתבסס על הקלט שלה ותגובת ההלם שלה. כאשר אות אחד עובר קונבולוציה עם אות אחר, הפלט המתקבל מראה כיצד המערכת משנה את צורת הגל הנכנסת לאורך הזמן והמרחב.
השלבים הבאים מתארים את המימוש המעשי של קונבולוציה:
הפוך את האות השני בציר הזמן.
הזז את האות ההפוך לרוחב האות הראשון.
חשב את האינטגרל או הסכום של האזורים החופפים.
חזור על החישוב עבור כל נקודה לאורך ציר הזמן.
גישה שיטתית זו מבטיחה כי הפלט ממודל בצורה מדויקת בהתבסס על התכונות המובנות של המערכת והמגבלות הסביבתיות.
יישומים של עיבוד אותות בדידים
עיבוד אותות בדידים מגדיר את הביצועים של מכונות מודרניות רבות המקיימות אינטראקציה עם העולם הפיזי. על ידי יישום אלגוריתמים אלה, מפתחים יכולים להבטיח שנתונים רגישים יישארו ברורים ומדויקים, בין אם המידע הזה מגיע מגשר רשת או מרישום EEG של אדם.
הרבגוניות של שיטות אלו פירושה שאלגוריתמים נפוצים מופיעים לעתים קרובות בחומרה הנעה ממכשירים ניידים צרכניים ועד למתקני בדיקה תעשייתיים מתמחים.
עיבוד בזמן בדיד של אותות דיבור ביישומי אודיו
אותות אודיו עוברים חישוב אינטנסיבי כדי להבטיח בהירות במהלך שידור ואחסון. שיטות בדידות מאפשרות להקטין את גודל הנתונים תוך שימור מספיק פרטים כדי להישמע טבעי, הישג המושג על ידי מידול השמיעה האנושית והסרת צלילים שבדרך כלל אינם נשמעים.
טכניקת סינון מרחבי מתקדמת זו מנהלת ביעילות סביבות אקוסטיות מורכבות ללא צורך בקיבולת חומרה מופרזת.
עיבוד תמונה ווידאו
מדיה חזותית תלויה בניתוח בדיד דו-ממדי, שבו הפיקסלים משמשים כנקודות הנתונים הנדגמות. על ידי מניפולציה של רשתות אלו, מכשירים יכולים לבצע משימות כגון חידוד קצוות, התאמת איזון צבעים ודחיסת וידאו כדי לחסוך ברוחב פס תוך שמירה על רזולוציה מרחבית חזותית גבוהה.
פעולות אלו ממנפות לעתים קרובות ניתוח גורמים ראשיים (PCA) כדי להשליך מידע מיותר ביעילות על פני מיליוני פריימים.
טלקומוניקציה ושידור נתונים
טלקומוניקציה נשענת על אופטימיזציה מתמדת של זרימת האותות כדי להבטיח שחבילות מידע יגיעו ליעדן ללא פגם. אלגוריתמים מתקדמים לזיהוי ותיקון שגיאות משתמשים במתמטיקה בדידה כדי לאמת את שלמות הנתונים בזמן אמת, אפילו בנוכחות הפרעות אלקטרומגנטיות עזות.
רמת אמינות זו מאפשרת הרחבה מהירה של תשתיות רשת מודרניות בכל רחבי העולם.
הקול הרציף של המוח והיכן הוא מתחיל
האותות החשמליים הנקלטים על ידי כובע EEG מקורם באוכלוסיות עצומות של נוירונים היורים בסנכרון רופף. אמנם הפעילות של נוירון בודד היא מקומית וחלשה מדי מכדי להתגלות בקרקפת, אך ההפרשה המשותפת של אלפי נוירונים מייצרת מתח תנודתי - הנמדד בדרך כלל בעשרות מיקרו-וולטים בלבד. אות חלש זה חייב לעבור דרך רקמת המוח, הגולגולת והקרקפת לפני שהוא מגיע סוף סוף לאלקטרודות ההקלטה.
מכיוון שהאות הזה כל כך עדין, הוא מגיע לקרקפת מעורבב בכבדות עם רעש פיזיולוגי וסביבתי, כגון תנועות שרירים, מצמוצי עיניים והפרעות חשמליות סמוכות. כדי להבין את הנתונים הגולמיים הללו, חוקרים חייבים לארגן בקפדנות את פעילות המוח לרצועות תדר ספציפיות - המכונות בדרך כלל דלתא, תטא, אלפא, בטא וגמא - כל אחת מתאימה למצבים נפשיים שונים ותופסת טווחים ייחודיים של הספקטרום.
החשיבות של הפרדה זו מודגשת במחקרים, כגון מחקר משנת 2010 שפורסם ב-Journal of Biomedical Science and Engineering, שבו רישומי EEG פורקו לרצועות אלפא, בטא וגמא באמצעות התמרת גלגול בדידה (DWT) לאחר ניקוי ראשוני באמצעות סינון לפלסיאן משטחי (Surface Laplacian).
רמת דיוק זו היא חיונית: אם יש לנתח בביטחון מקצבי גמא, שיכולים להגיע עד 100 הרץ, תהליך הדיגיטציה חייב לשמר את הרצועות הללו כרכיבים נפרדים. ללא עיבוד אותות מהימן, תנודות חיוניות אלו יטושטשו לכדי מריחה בלתי ניתנת להבחנה, מה שיהפוך ניתוח ניורומדעי מדויק לבלתי אפשרי.
דגימה: צילום תמונות של נהר זורם
הפיכת מתח רציף לסדרה של מספרים דורשת דגימה, תהליך של מדידת מתח האות ברגעים קבועים ובדידים בזמן ולא באופן רציף.
חשבו על נהר הזורם על פני נקודה קבועה. אינכם יכולים ללכוד את תנועתו כתנועה. במקום זאת, אתם מצלמים אותו אחת לכמה שניות. חברו מספיק תמונות ברצף, ותקבלו תחליף סביר לזרימה. צלמו מעט מדי תמונות, והתנועה האמיתית של הנהר תהפוך למעורפלת או מטעה.
כאן נכנס לתמונה כלל הידוע כקריטריון נייקוויסט שלא ניתן להתחמק ממנו. הוא קובע כי קצב הדגימה, מספר המדידות שנלקחות בשנייה, חייב להיות יותר מפעמיים מהתדר הגבוה ביותר הקיים באות האנלוגי המקורי.
אם הוא לא, מתרחשת עיוות המכונה קיפול תדרים (aliasing), שבו אות שנע במהירות נרשם בטעות כסגנון איטי יותר. ברגע שזה קורה, אין שום טריק מתמטי שיכול להפריד בין האות האיטי האמיתי לבין האות האיטי המזויף שהיה פעם אות מהיר. המידע נעלם, מקופל לצמיתות במקום הלא נכון.
מערכות EEG קליניות דוגמות בדרך כלל בקצבים שבין 250 ל-500 הרץ, מה שמלכד בנוחות פעילות מוחית המשתרעת על פני 0 עד 100 הרץ עם מרווח ביטחון. מרווח זה הוא החיץ ששומר על קריטריון נייקוויסט מתקיים גם כאשר אותות המוח משתרעים לעבר הקצה העליון של רצועת הגמא.
שקלו את מסגרת גילוי ההתקפים שהריצה חיפוש מקיף על פני שבע משפחות גלגול שונות ורמות פירוק מרובות כדי למצוא את ההגדרות האופטימליות עבור ניתוח נתוני EEG. חיפוש זה הגיוני כתרגיל מדעי רק אם תוכן התדרים המחופש מדויק.
אם קצב הדגימה המקורי היה מפר את קריטריון נייקוויסט, רעש בתדר גבוה מפעילות שרירים או הפרעות חשמליות היה מתקפל לתוך רצועות התדרים שהחוקרים ניסו לבודד. החיפוש אחר הגדרות גלגול אופטימליות היה מבצע אופטימיזציה מול יעד מעוות, והדיוק המדווח של מעל 90% לגילוי התקפים לא היה משקף יכולת אבחון אמיתית. הוא היה משקף תגובה מכווננת היטב לרעש.
כיצד מסנני אנטי-אליאסינג מונעים כניסת זבל
מכיוון שלא ניתן לתקן קיפול תדרים (aliasing) לאחר מעשה, יש למנוע אותו עוד לפני שהדגימה מתרחשת.
זהו תפקידו של מסנן אנטי-אליאסינג (anti-aliasing filter), מסנן מעביר נמוכים אנלוגי הממוקם בנתיב החומרה לפני שממיר האנלוגי לדיגיטלי מבצע את מדידותיו. תפקידו כולל הסרת כל תוכן תדרים מעל גבול נייקוויסט, כך ששום דבר לא יהיה קיים באות שעלול מאוחר יותר להיחשב בטעות למשהו שהוא לא.
ברגע ששלב סינון זה מדלג או מבוצע בצורה גרועה, הנזק נצרב בנתונים לצמיתות. שום תוכנה בהמשך הדרך, מתקדמת ככל שתהיה, לא יכולה לבטל זאת.
במחקר לאבחון אלצהיימר החוקרים יישמו מסנן דיגיטלי אליפטי מעביר פס כדי להסיר הפרעות והפרעות ממערך נתוני ה-EEG לפני החילוץ של מאפיינים באמצעות DWT. סינון זה קרה לאחר הדיגיטציה ולא כשלב אנטי-אליאסינג חומרתי, אך הלוגיקה שבבסיסו זהה.
שני התהליכים קיימים כדי להסיר תוכן ספקטרלי בלתי רצוי מהתמונה לפני שאלגוריתם מנסה לפרש את מה שנותר. בין אם המסנן יושב במעגל האנלוגי לפני הדגימה ובין אם הוא בשרשרת העיבוד הדיגיטלי שלאחריה, מטרתו זהה: למנוע מהזיהום להתפשט קדימה לתוך הניתוח.
בנוסף, מחקר ארטיפקטים של תנועה משנת 2020 מדגים מדוע הדבר חשוב גם כאשר זמינים כלי ניקוי מתוחכמים. מחקר זה שילב שלוש טכניקות, Ensemble Empirical Mode Decomposition, Canonical Correlation Analysis, ו-Discrete Wavelet Transform, כדי להסיר הפרעות הקשורות לתנועה מאותות EEG, ולשפר את מדדי האות לרעש בשוליים בולטים.
אך כל צינור הניקוי הזה מניח שספקטרום התדרים הגבוהים שנכנס אליו אינו סובל מקיפול תדרים. אם מסנן אנטי-אליאסינג חומרתי היה חסר בנקודת הדיגיטציה, האות המתקבל היה נושא שכבה נוספת של פגם שאפילו מערכת להסרת ארטיפקטים המתוכננת היטב לא הייתה יכולה להתיר לחלוטין.
עומק ביטים: ציור מתח עם פלטת צבעים מוגבלת
הדגימה קובעת מתי נמדד מתח. עומק הביטים קובע באיזו רמת דיוק נרשמת אותה מדידה.
ברגע שממיר האנלוגי לדיגיטלי לוכד מתח ברגע נתון, עליו לבטא ערך זה כמספר בינארי, ומספר הביטים הזמינים לביטוי זה קובע את הרזולוציה של המדידה. מערכת המשתמשת בעומק של 16 ביט בטווח מתחים של פלוס או מינוס 1 מילי-וולט יכולה להבחין בהבדלים עדינים עד כדי כחצי מיקרו-וולט.
הוסיפו עוד ביטים, והרזולוציה תתחדד עוד יותר. הפחיתו את עומק הביטים, ושינויים עדינים בצורת הגל פשוט ייעלמו, מיושרים לשלב הזמין הקרוב ביותר בסקאלה גסה יותר.
להבחנה זו יש משקל אבחנתי אמיתי. מחקר לגילוי אפילפסיה משנת 2019 הסתמך על חישובי אנטרופיה עמומה (fuzzy entropy) שבוצעו על מקדמי גלגול כדי להבחין בין פעילות EEG אפילפטית לפעילות לא אפילפטית.
מדדי אנטרופיה רגישים לשינויי אמפליטודה דקיקים לפי התכנון שלהם. הם מכמתים חוסר סדירות ומורכבות באות, וחישוב זה תלוי בכך שיש מספיק רזולוציה כדי לזהות הבדלים קטנים מלכתחילה. אות שעבר קוונטיזציה גסה יחליק בדיוק את חוסר הסדירות שאנטרופיה נבנתה למצוא.
באופן דומה, מחקר האלצהיימר שהוזכר לעיל חילץ מאפיינים סטטיסטיים כולל סטיית תקן, שונות ונורמה מתתי-רצועות גלגול שהופקו באמצעות DWT. אלו הם כולם מדדים למידת השינוי של אות. אם ערכי המתח שבבסיס היו מעוגלים באופן אגרסיבי מדי עקב עומק ביטים לא מספיק, השונות הטבעית בין מצבי מוח בריאים לחולים הייתה מתכווצת לטווח דומה ושטוח, וההבדלים הסטטיסטיים שהפכו דיוק סיווג של 99.98% לאפשרי היו מצטמצמים בהתאם.
מדוע קצב הדגימה הנכון מונע יציאת זבל
שלושת האלמנטים הללו, דגימה התואמת לנייקוויסט, מסנן אנטי-אליאסינג תקין, ועומק ביטים מספק, אינם סקרנויות טכניות עצמאיות. הם יוצרים שרשרת תלות אחת, וכל דיוק סיווג מדווח בגוף מחקר זה נמצא בהמשך הזרם של אותה שרשרת.
בחירת קצב דגימה נמוך מדי, או דילוג על מסנן האנטי-אליאסינג שמגן עליו, מייצרים את כשל עיבוד האותות הקלאסי הידוע בשם זבל נכנס, זבל יוצא. ברגע שרעש בתדר גבוה שעבר קיפול תדרים התמזג לתוך מה שנראה כמו עוצמת בטא או גמא, אין אלגוריתם מתוחכם מספיק כדי להפוך את התהליך ולשחזר את המקצב האמיתי שבבסיס. קצב שנבחר נכון, לעומת זאת, מעניק לכל כלי בהמשך הדרך קנבס נקי ומהימן לעבוד איתו.
מחקר סיווג הרגשות משנת 2010 מדגים מה הופך לאפשרי על אותו קנבס נקי. באמצעות סיווג K-השכנים הקרובים (KNN) על מאפיינים שחולצו באמצעות DWT, חוקרים השיגו שיעור דיוק של 83.26% בהבחנה בין מצבים רגשיים כגון גועל, שמחה, הפתעה, פחד ותגובות ניטרליות. תוצאה זו תלויה בכך שמקצבי אלפא, בטא וגמא הופרדו נכון זה מזה במהלך תהליך הפירוק, הפרדה שאפשרית רק אם רצועות אלו עברו דיגיטציה ללא ערבוב תדרים מלכתחילה.
יתר על כן, מסגרת גילוי ההתקפים מחזקת את אותה נקודה מזווית אחרת. מחבריה ציינו כי הבחירה האופטימלית שלהם של רצועות תדרים ומאפיינים ביטלה כ-40% מהמידע המיותר, תוך ייעול הניתוח מבלי להקריב את הדיוק שמעל 90%.
גיזום אינטליגנטי מסוג זה עובד רק כאשר המידע שנותר הוא אמיתי. הסרת כפילויות מאות שעבר קיפול תדרים לא הייתה מייעלת דבר משמעותי. היא פשוט הייתה משליכה ביעילות רעש תוך השארת רעש אחר מאחור, מכיוון שתוכן התדרים המזוהם כבר היה בלתי ניתן להבחנה מפעילות מוחית לגיטימית.
התוצאה של אבחון האלצהיימר נושאת את המסר הברור מכולם. מסווג פשוט יחסית, KNN, הגיע ל-99.98% דיוק באמצעות מאפיינים שנשאבו מתתי-רצועות גלגול שפורקו כראוי. תוצאה זו מראה כי כאשר התשתית שמתחת לניתוח היא מוצקה, אפילו שיטות סיווג פשוטות יכולות להציג ביצועים ברמה גבוהה במיוחד.
היא נושאת גם את ההשלכה ההפוכה. שום כמות של עידון אלגוריתמי בהמשך הדרך, בין אם באמצעות רשתות עצביות מתקדמות ובין אם באמצעות הנדסת מאפיינים מקיפה, אינה יכולה לפצות על תהליך דיגיטציה שבו היסודות היו שגויים.
מדוע נתוני מוח אמינים מתחילים במגן בלתי נראה
עיבוד אותות בדידים משמש כעמוד השדרה הבלתי נראה של הטכנולוגיה המודרנית, ומאפשר ניהול ופרשנות יעילים של נתונים דיגיטליים כמעט בכל המגזרים המדעיים והמסחריים. על ידי שליטה בעקרונות הדגימה, הסינון והטרנספורמציה, חוקרים ומהנדסים יכולים להמשיך לפרוץ את גבולות האפשרי בתחומים החל מאלקטרואנצפלוגרפיה דיגיטלית ועד לרשתות תקשורת אלחוטיות גלובליות.
מקורות
Murugappan, M., Ramachandran, N., & Sazali, Y. (2010). Classification of human emotion from EEG using discrete wavelet transform. Journal of biomedical science and engineering, 3(4), 390-396. http://dx.doi.org/10.4236/jbise.2010.34054
Chen, D., Wan, S., Xiang, J., & Bao, F. S. (2017). A high-performance seizure detection algorithm based on Discrete Wavelet Transform (DWT) and EEG. PloS one, 12(3), e0173138. https://doi.org/10.1371/journal.pone.0173138
AlSharabi, K., Salamah, Y. B., Abdurraqeeb, A. M., Aljalal, M., & Alturki, F. A. (2022). EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches. IEEE Access, 10, 89781-89797.
Shukla, S., Roy, V., & Prakash, A. (2020, April). Wavelet based empirical approach to mitigate the effect of motion artifacts from EEG signal. In 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT) (pp. 323-326). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761
Chiang, H. S., Chen, M. Y., & Huang, Y. J. (2019). Wavelet-based EEG processing for epilepsy detection using fuzzy entropy and associative petri net. Ieee Access, 7, 103255-103262. https://doi.org/10.1109/ACCESS.2019.2929266
שאלות נפוצות
מה ההבדל בין עיבוד אנלוגי לדיגיטלי?
עיבוד אנלוגי כולל רמות מתח או זרם רציפות, בעוד שעיבוד דיגיטלי משתמש בסדרה של מספרים כדי לייצג נתונים, מה שמאפשר שליטה ואחסון מדויקים יותר.
כיצד עובד מסנן דיגיטלי?
מסנן דיגיטלי משתמש באלגוריתמים מתמטיים כדי לחשב סדרה חדשה מתוך סדרת קלט, תוך שינוי קנה מידה סלקטיבי או השהייה של תדרים ספציפיים כדי לאפשר לרכיבים הרצויים לעבור.
מהו קריטריון נייקוויסט ומדוע הוא חיוני לדיגיטציה של EEG?
קריטריון נייקוויסט דורש דגימה בקצב של יותר מפי שניים מהתדר הגבוה ביותר הקיים ב-EEG כדי למנוע עיוות תדרים. הוא חיוני מכיוון שהפרת כלל זה גורמת לקיפול תדרים (aliasing), שבו גלי מוח מהירים נרשמים בטעות כאיטיים, מה שמזהם את הנתונים לצמיתות והופך ניתוח מדויק לבלתי אפשרי.
מהו קיפול תדרים (aliasing) ומדוע לא ניתן לתקן אותו לאחר הדגימה?
קיפול תדרים הוא שגיאת דגימה שבה אותות בתדר גבוה נרשמים בטעות כרכיבים בתדר נמוך יותר. ברגע שהוא מתרחש, מידע האות המהיר המקורי מתערבב באופן בלתי הפיך ברצועות תדר אחרות, כך ששום טכניקה מתמטית אינה יכולה לבטל את העיוות.
כיצד מסנן אנטי-אליאסינג מגן על אות ה-EEG?
מסנן אנטי-אליאסינג הוא מסנן אנלוגי מעביר נמוכים הממוקם לפני הממיר האנלוגי לדיגיטלי, המסיר תדרים מעל גבול נייקוויסט. על ידי הסרת תוכן בתדר גבוה לפני הדגימה, הוא מונע מקיפול תדרים להתרחש מלכתחילה ושומר על שלמות אות המוח.
מדוע עומק הביטים משנה בעת המרת מתחי מוח למספרים דיגיטליים?
עומק הביטים קובע את הדיוק של כל מדידת מתח על ידי הגדרת כמה שלבים בדידים זמינים לייצוג אמפליטודת האות. עומק ביטים עדין יותר לוכד שינויי אמפליטודה עדינים שהם קריטיים עבור אלגוריתמים המסתמכים על מאפיינים כמו אנטרופיה או שונות כדי להבחין בין מצבי מוח.
מה קורה אם דוגמים EEG בקצב נמוך מדי?
אם קצב הדגימה נמוך מדי, מתרחש קיפול תדרים, הגורם לפעילות בתדר גבוה (כמו רעש שרירים או מקצבי מוח מהירים) להירשם בטעות כגלי מוח איטיים יותר. הדבר מזהם לצמיתות את האות שעבר דיגיטציה, כך שניתוחים בהמשך הדרך יתבססו על נתונים פגומים ולא על פעילות מוחית אמיתית.
מדוע קיפול תדרים נחשב לצורה קבועה של פגם בנתונים?
קיפול תדרים פוגם בנתונים לצמיתות מכיוון שהוא הופך אותות בתדר גבוה לייצוגים כוזבים בתדר נמוך, ומידע התדר הגבוה המקורי אובד ללא שוב. שום אלגוריתם בהמשך הדרך אינו יכול להבחין בין הרעש שעבר קיפול לבין פעילות מוחית לגיטימית, מכיוון שהשניים מקודדים באופן זהה באות המוקלט.
Emotiv היא מובילה בתחום הנוירוטכנולוגיה המסייעת לקדם מחקר במדעי המוח באמצעות כלי EEG נגישים וכלי נתוני מוח.
כריסטיאן בורגוס
