התמרת פורייה משנה את האופן שבו מידע קיים מוצג, ומתמירה אות המשתנה לאורך זמן לתיאור של הרכיבים המחזוריים שכבר קבורים בתוכו. הבנת התמרה זו כעדשה, ולא כמכשיר, היא הצעד הראשון ההכרחי לפני שכל שיחה על מקצבי מוח, תחומי תדרים או תבניות ספקטרליות תוכל להיות הגיונית.
מה בעצם מייצג תרשים EEG
אלקטרואנצפלוגרם מתעד מתח חשמלי כפי שהוא משתנה מרגע לרגע. כאשר משרטטים אותו, נוצר קו רציף יחיד, סדרת זמן, הנעה מעלה ומטה בהתאם לתנודות בפעילות החשמלית שמתחת לאלקטרודה. בפני עצמו, קו זה נראה כאירוע אחיד יחיד. אך מראה זה מטעה.
בפועל, המתח החשמלי הנמדד בכל רגע נתון הוא תוצאה משולבת של תהליכים תנודתיים (אוסצילטוריים) נפרדים רבים המתרחשים בו-זמנית בתוך רקמת העצב שתחתיה. חלק מתהליכים אלו פועלים במחזורים איטיים, ואחרים במהירות. כאשר הם מתרחשים יחד, הדפוסים האישיים שלהם מתחברים לכדי צורת גל מורכבת אחת, בדיוק כפי שמספר כלי נגינה המנגנים תווים שונים מתמזגים לאקורד בודד. המאזין שומע צליל אחד, אך צליל זה מורכב בחשאי מכמה גבהי צליל נפרדים המשולבים זה בזה.
תרשים EEG פועל באותו האופן. מה שנראה כקו תזזיתי בודד הוא למעשה מספר מקצבים המולבשים זה על גבי זה לכדי אות יחיד.
הבעיה שהדבר יוצר היא פשוטה: אם מקצבים אחדים מעורבבים יחד לצורת גל אחת, כיצד ניתן לזהות אילו מקצבים נוכחים בה, או מהי העוצמה של כל אחד מהם?
התמרת פורייה: עדשה, לא מיקרוסקופ
התמרת פורייה עונה על שאלה זו, אך לא באמצעות גילוי נתונים חדשים. היא פועלת על ידי ביטוי מחדש של אותו מקטע EEG בדיוק באמצעות מערכת צירים שונה. במקום לתאר את האות במונחים של מתח לאורך זמן, היא מתארת את אותו האות במונחים של תוכן תדרים – כמה מכל קצב תנודה קיים בתוכו.
ההתמרה היא הפיכה מבחינה מתמטית, שכן היא יכולה להמיר תקופת רישום (epoch) של EEG לייצוג התדר שלה, ולאחר מכן להמיר אותה בחזרה, וצורת הגל המקורית המבוססת על זמן תופיע שוב בדיוק כפי שהייתה.
שני הייצוגים, זמן ותדר, מכילים מידע זהה. הם פשוט מארגנים אותו בצורה שונה, באותו אופן שבו אור שמש העובר דרך מנסרה אינו יוצר צבע. הצבע כבר היה קיים באור הלבן. המנסרה רק מפרידה אורכי גל שכבר היו מעורבבים זה בזה, כך שיהפכו לנראים בנפרד.
התמרת פורייה מבצעת הפרדה מקבילה על אות EEG, והופכת את המרכיבים המקצביים לנראים מבלי לשנות את ההקלטה הבסיסית בשום צורה.
היסודות המתמטיים של התמרת פורייה
בבסיסה, ההתמרה מסתמכת על חישוב אינטגרל של אות המוכפל בפונקציות מעריכיות מרוכבות. פעולה זו מחשבת את המתאם בין צורת הגל המקורית לבין גלי סינוס בתדרים משתנים. אם תדר מסוים קיים בתוך האות המקורי, האינטגרל מניב ערך גבוה באותה נקודה במישור התדר, המייצג את עוצמת האנרגיה המקומית.
הגדרות פורמליות משתמשות בנוסחת אוילר כדי לגשר על הפער בין פונקציות טריגונומטריות לבין מעריכים מרוכבים. ההתמרה הישירה ממירה פונקציה רציפה f(t) ל-F(ω), בעוד שהפעולה ההפוכה משחזרת את האות המקורי באמצעות סכימה של רכיבים מסונתזים אלה. סימטריה זו מבטיחה שלא יאבד שום מידע במהלך ההמרה, ומאפשרת מעבר מתמטי הפיך לחלוטין.
על העוסקים בתחום להקדיש תשומת לב רבה לקבועי נרמול ולקריטריוני התכנסות בעת החלת אינטגרלים אלה על נתונים פיזיקליים. טיפול לא נכון בגבולות האינטגרציה או בהגדרות האות עלול להוביל להערכות ספקטרליות לא מדויקות. באמצעות הקפדה על גבולות מתמטיים אלה, ניתן להבטיח כי ייצוג מישור התדר יישאר שיקוף נאמן של רצף הנתונים המקורי התלוי בזמן.
סוגי התמרות פורייה
התמרת פורייה רציפה לעומת בדידה
ההתמרה הרציפה חלה על פונקציות המוגדרות לאורך מרווח זמן אינסופי, בעוד שהגרסה הבדידה פועלת על סדרות נתונים סופיות ודגומות.
בפועל, מערכות דיגיטליות משתמשות תמיד בעיבוד בדיד, הדורש התחשבות זהירה במגבלות הדגימה כדי לייצג תופעות רציפות בצורה מדויקת. קיימות שיטות שונות לקירוב מעבר זה ללא אובדן נתונים משמעותי, ביניהן:
פונקציות חלון (Windowing) המונעות דליפה ספקטרלית על ידי מיתון קצוות נתוני הקלט.
טכניקות ריפוד באפסים (Zero-padding) להגדלת הרזולוציה של תאי התדר (bins) המתקבלים.
אסטרטגיות למיתון התחזות (Aliasing) המבטיחות את שלמות האות במהלך תהליך הדיגיטציה.
עמידה במשפט הדגימה כדי ללכוד את כל המידע הרלוונטי בתדרים גבוהים הקיים באות.
מיפוי חישובי יעיל שמתרחב בהתאם למספר נקודות נתוני הקלט.
שיקולים אלה מסייעים לקבוע באיזו מידה תוצאה בדידה משקפת ביעילות את מבנה האות הרציף שבבסיסה.
התמרת פורייה מהירה: מדוע המהירות חשובה
הפיתוח של אלגוריתמים יעילים, כגון התמרת פורייה מהירה (FFT), אפשר ניתוח ספקטרלי בזמן אמת במערכות בעלות תפוקת נתונים עצומה. ללא אופטימיזציות אלו, המורכבות החישובית של התמרות בדידות סטנדרטיות הייתה הופכת טכנולוגיות אבחון מודרניות לבלתי שמישות. היתרונות ביעילות ניכרים בבירור בעת השוואת זמני החישוב עבור מערכי נתונים גדולים, כפי שמודגם להלן.
גודל מערך הנתונים | היקף החישוב | מורכבות זמן |
|---|---|---|
256 דגימות | נמוך | מינימלית |
1,024 דגימות | מתון | יעילה |
32,768 דגימות | גבוה | מהירה מאוד |
על ידי המרת פעולה שסדרי הגודל שלה ריבועיים לפעולה בעלת סדר גודל לוגריתמי, כלים אלה מאפשרים ניטור מהיר של אותות. עיבוד מהיר מאפשר לולאות משוב מיידיות, שהינן קריטיות בסביבות שבהן צפייה בשינויים בזמן אמת היא המטרה העיקרית של הבדיקה.
הנחת המחזוריות שמאחורי כל חישוב פורייה
כאשר התמרת פורייה מעבדת מקטע של אות, היא מתייחסת אליו מבחינה מתמטית כאילו הוא חוזר על עצמו עד אין קץ בשני הכיוונים – קדימה ואחורה בזמן, לנצח. החלק הקצר של ה-EEG המנותח מטופל כיחידה חוזרת אחת בלולאה אינסופית.
פעילות EEG אמיתית אינה מתנהגת כך. אותות מוח אינם מחזוריים בצורה מושלמת, ומקטע שנלקח מהקלטה רציפה ממעט להתחיל ולהסתיים בערכים שיתחברו באופן חלק אם יחזרו על עצמם בלולאה.
כאשר קצוות המקטע אינם תואמים, הנחת החזרתיות האינסופית יוצרת עיוותים בגבולות, המכונים לעיתים ארטיפקטים של קצה או דליפה ספקטרלית, שבהם אנרגיה מתדר אחד נראית כאילו היא נמרחת לתוך תדרים סמוכים שלא היו קיימים כלל באות המקורי.
אין זה פגם המבטל את תקפות השיטה. זוהי פשרה מתמטית מוכרת, וניתן להתמודד איתה כאשר המקטעים נבחרים בקפידה. זוהי חלק מהסיבה שבגללה ניתוח EEG מבוסס-תדר עובד בדרך כלל עם מקטעי אות קצרים ויציבים יחסית, ולא עם הקלטות ארוכות ומשתנות ללא הרף.
.Jansen et al, למשל, השוו מאפיינים במישור התדר על פני מרווחי EEG קצרים ולא על פני הקלטות ממושכות – גישה העולה בקנה אחד עם השארת כל מקטע מנותח קצר מספיק כדי שהנחת המחזוריות תישאר קירוב סביר. מחקר שנערך על ידי .Vidyaratne et al בחר בנתיב קשור אך ממוקד יותר, וחישב התמרת חבילות גלונים הרמונית (harmonic wavelet packet transform), טכניקה המבוססת על התמרת פורייה עצמה, כדי לחלץ מידע על תדרים תוך מתן מענה למגבלות רזולוציה הנובעות מניתוח אותות מוחיים המשתנים לאורך זמן.
שתי הגישות מדגימות כיצד עבודת EEG מעשית מסתגלת לנוחות מתמטית שאינה תואמת לחלוטין את המציאות הביולוגית, וזאת מבלי לזנוח את הכלי עצמו.
מדוע תוכן התדרים חשוב לפענוח פעילות המוח
לאחר שתקופת רישום של EEG הומרה לרכיבי התדר שלה, רכיבים אלה ממופים לקטגוריות שכל מי שקרא על פעילות המוח ודאי נתקל בהן: תחומי דלתא, תטא, אלפא, בטא וגמא. תוויות אלו מתארות טווחים של מהירות תנודה, והן מהוות את אוצר המילים המשמש במחקרי שינה, במחקרים קוגניטיביים ובאבחון קליני.
פירוק זה הוא הבסיס הרעיוני שתחת כמעט כל פרשנות EEG מבוססת-תדר. בכל פעם שדוח מציין פעילות מוגברת בתחום תדרים מסוים, או שינוי באיזון בין תחומים, לאמירה זו יש משמעות רק משום שהאות פורק תחילה באמצעות ההיגיון שמספקת התמרת פורייה. ללא פירוק זה, אין כלל אוצר מילים לתיאור מקצבי המוח, אלא רק תרשים מתח רציף.
הטענה שתדר תנודתי נושא מידע בעל משמעות על מצבי המוח זוכה לדיון נרחב בתחומים רבים של מדעי המוח.
מה חשף ניתוח מבוסס-פורייה על פעילות של התקפים אפילפטיים
הפרדה בין אותות איקטליים לאותות ללא התקף
החוקר Ram Bilas Pachori יישם טכניקה הנקראת פירוק מצבים אמפירי (empirical mode decomposition) על אותות EEG תוך-גולגולתיים, ופירק כל הקלטה לקבוצה של רכיבים מוגבלי פס המכונים פונקציות מצב פנימיות (intrinsic mode functions). לאחר מכן הוא השתמש בפיתוח פורייה-בסל כדי לחשב את התדר הממוצע של כל אחד מרכיבים אלה.
בעת השוואת אותות איקטליים (ictal), כלומר אלה שתועדו במהלך פעילות התקפית פעילה, מול אותות ללא התקף, מאפיין התדר הממוצע הציג הבדל בעל מובהקות סטטיסטית בין שני המצבים. התוצאה מוכיחה שמידע תדר שחולץ באמצעות שיטה מבוססת-פורייה נשא חתימה הניתנת לזיהוי הקשורה לפעילות התקפית.
.Vidyaratne et al חתרו למטרה קרובה אך מורכבת יותר: זיהוי תחילת התקף בזמן אמת. גישה זו שילבה מאפייני אנרגיה מהתמרת חבילות גלונים הרמונית, שחושבה באמצעות התמרת פורייה, עם מדד נפרד הנקרא ממד פרקטלי, הלוכד דפוסים בעלי דמיון עצמי החוזרים על עצמם בתוך האות.
מאפיינים משולבים אלה אורגנו במרחב על פני ערוצי האלקטרודות ובזמן על פני חלון ניתוח נע, ולאחר מכן סווגו באמצעות relevance vector machine, שיטה שנבחרה בשל יעילותה עם מערכי מאפיינים גדולים ודלילים.
בבדיקה שנערכה על הקלטות EEG ארוכות טווח של הקרקפת, המערכת הגיעה לרגישות של 96 אחוזים בזיהוי תחילת התקף, עם שיעור גילוי שווא חציוני של 0.1 אירועים בלבד לשעה והשהיית זיהוי ממוצעת של 1.89 שניות. על נתונים קצרי טווח, שנלקחו הן מהקרקפת והן מהקלטות תוך-גולגולתיות, דיוק הסיווג הגיע ל-99.8 אחוזים.
יחד, שני מחקרים אלה מראים כי מידע תנודתי המופק באמצעות פירוק הקשור לפורייה נושא תוכן בעל רלוונטיות אבחונית בהקשר הספציפי של גילוי אפילפסיה.
השוואת מאפייני פורייה מול התמרה חלופית
.Jansen et al ניגשו לשאלה מזווית שונה, והשוו ישירות בין שתי התמרות מתמטיות.
במקום לבחון את ניתוח פורייה במנותק, החוקרים השוו מאפיינים שנגזרו מהתמרת פורייה למאפיינים שנגזרו מהתמרת וולש (Walsh), שיטה המפרקת אותות באמצעות פונקציות מלבניות ומרובעות במקום סינוסואידים חלקים. ביישום על מרווחי EEG קצרים, מאפיינים שנלקחו מהתמרת פורייה הניבו בעקביות תוצאות סיווג טובות יותר מאלה שנלקחו מהתמרת וולש.
השוואה זו מצביעה על כך שאבני בניין סינוסואידליות עשויות להתאים באופן טבעי יותר למבנה הבסיסי של אותות EEG מאשר חלופות מלבניות מקוטעות, לפחות עבור משימות הסיווג הספציפיות שנבחנו במחקר.
התמרת פורייה במחקר EEG יישומי באמצעות מכשירים ניידים
מכשירי headset ניידים של EEG אפשרו לתעד פעילות מוחית מחוץ למעבדה, והתמרת פורייה נותרה הכלי העיקרי להפקת מידע על תחומי תדרים מהקלטות אלו. מחקרים אחרונים אחדים שנעשה בהם שימוש ב-Emotiv Epoc X מדגימים כיצד פירוק ספקטרלי תומך במחקר בחינוך, ממשקי מוח-מחשב (BCI), מדעי המוח הצרכניים וביצועים תפעוליים.
ניטור עומס קוגניטיבי וקשב בכיתת הלימוד
במחקר חינוכי, חוקרים השתמשו ב-Emotiv Epoc X כדי להקליט EEG במהלך הרפיה, קריאה וחשבון. הם יישמו את התמרת פורייה כדי לחשב את עוצמת התדרים בתחומי תטא, אלפא ובטא, וגזרו הערכות של קשב, מעורבות ועומס קוגניטיבי. המחברים מדווחים על עלייה בעוצמת האלפא הקשורה לעייפות, קשב מוגבר במהלך קריאה ועומס קוגניטיבי מוגבר במהלך חישוב – במיוחד כאשר התשובות היו נכונות.
משתתפים עם דיסלקציה הראו תדר שיא אלפא נמוך יותר במהלך הרפיה בעיניים פקוחות ופעילות תטא מוגברת בזמן קריאה, אף שציוני המבחנים שלהם תאמו לקבוצת הביקורת. הממצאים מצביעים על כך ש-EEG יכול לסייע במעקב אחר ערנות ועייפות, אך יחס הבטא/תטא המשמש למדידת קשב עשוי שלא לנטר באופן מהימן קשב מתמשך, כפי שתואר בניטור EEG בחינוך.
זיהוי פוטנציאלים מעוררים חזותיים במצב יציב (SSVEP) לשליטה ברובוטים
מחקר בתחום ה-BCI עשה שימוש ב-Emotiv Epoc X כדי לזהות פוטנציאלים מעוררים חזותיים במצב יציב (SSVEPs) שנוצרו על ידי קבוצות נוריות LED מהבהבות. ניתוח התמרת פורייה מהירה, בשילוב מודל גאוסיאני, זיהה את רכיב התדר הדומיננטי התואם את כיוון מבטו של המשתמש.
ללא כל אימון של הנבדק, המערכת זיהתה נכונה את היעד המבוקש ב-75% מהמקרים בממוצע, מה שמוכיח שזיהוי תדרים מבוסס-פורייה יכול לתרגם קשב חזותי לפקודות בקרה, כפי שמוצג בבקרת BCI מבוססת SSVEP.
חילוץ העדפת מותג ממאפייני תחום האלפא
במחקר נוירומרקטינג, ה-Emotiv Epoc X תיעד תגובות מוחיות בזמן שהמשתתפים צפו בפרסומות לרכב. תחום האלפא (8–13 הרץ) בודד, והתמרת פורייה מהירה חילצה צפיפות ספקטרלית של הספק, אנרגיה ספקטרלית וצנטרואיד ספקטרלי. כאשר מאפיינים אלה סווגו באמצעות רשת עצבית הסתברותית, המערכת השיגה דיוק של 96.62% בזיהוי המותג המועדף ביותר.
תוצאה זו מצביעה על כך שמאפיינים במישור התדר יכולים לשקף העדפת צרכנים בסביבה מבוקרת, כפי שמפורט בניתוח נוירומרקטינג מבוסס FFT.
הערכת מודעות מצבית במהלך ניווט ימי
מחקר שבדק קברניטי גוררות השתמש ב-Emotiv Epoc X יחד עם תוכנת EmotivPRO כדי לתעד EEG במהלך מנוחה ותמרוני נמל אמיתיים. ניתוח עוצמת תדרים באמצעות התמרת פורייה מהירה השווה בין חמישה מצבים ולא מצא הבדל בעוצמת האלפא, בעוד שעוצמת הדלתא, התטא, הבטא והגמא פחתה במהלך התמרון. המחברים מפרשים דפוס זה כראיה לכך שקברניטים מקצועיים שמרו על מודעות מצבית עקבית לאורך מנוחה וניווט פעיל, כפי שדווח במודעות מצבית בניווט.
יחד, מחקרים אלה ממחישים כיצד ניתוח פורייה, בשילוב עם טכנולוגיית EEG ניידת, יכול לחלץ מאפיינים ספקטרליים בעלי משמעות במגוון משימות בעולם האמיתי. הממצאים הם מתאמיים ונלקחו ממדגמים קטנים, ולכן הם מצביעים על יישומים פוטנציאליים ולא מבססים סמנים ביולוגיים מהימנים. יידרש מחקר נוסף עם קבוצות גדולות ומגוונות יותר כדי להבין את יכולת ההכללה של מדדים אלה המבוססים על תדר.
כיצד לחשב התמרת פורייה בדידה (DFT)
חישוב התמרה בדידה מתחיל בנתוני קלט נקיים המייצגים את האות לאורך פרק זמן יציב. תחילה יש לוודא שאורך האות תואם לרזולוציית התדר הרצויה, ולאחר מכן להחיל פונקציית חלון כדי למזער ארטיפקטים ספקטרליים הנגרמים מקיצוץ נתונים סופי. עבודת הכנה זו חיונית למניעת שגיאות משמעותיות במהלך שלב החישוב.
לאחר הכנת האות, החישוב בפועל כולל הפעלה של נוסחת ההתמרה על פני כל נקודות הדגימה בתוך חלון סדרת הזמן. פלטפורמות תוכנה דיגיטליות מבצעות את העבודה הכבדה, ובדרך כלל משתמשות באלגוריתם התמרת פורייה מהירה (FFT) כדי לבצע מיליוני חישובים בשנייה ולהפיק ספקטרום אמפליטודה ברור. לאחר מכן יש לבצע התאמת קנה מידה (scaling) נכונה של פלט זה כדי לשקף את היחידות הפיזיקליות של מדידת הקלט (כגון מיקרו-וולט, או $\mu V$, ב-EEG), מה שמבטיח שהתוצאות יישארו ניתנות לפירוש עבור מחך מחקר עוקב.
פרשנות של גודל הספקטרום המתקבל דורשת בחינה של הנתונים לאיתור דפוסי תנודה מובהקים. בעוד שמערכות מכניות עשויות לחשוף שיאים חדים ומבודדים, אותות ביולוגיים כמו EEG דורשים לעיתים קרובות ניתוח של ההספק הכולל בתוך תחומי תדרים רחבים (למשל, תחום האלפא של 8–12 הרץ) במקום להסתמך על שיאים בדידים בלבד. המשמעות הפיזיקלית של מאפיינים ספקטרליים אלה תלויה במידה רבה בהקשר, ולעיתים קרובות מעידה על התנהגות פיזיולוגית או מכנית בסיסית. על ידי הקפדה עקבית על שלבים אלה, אנשי מקצוע יכולים להפיק נתוני תדר בעלי משמעות וישימים אפילו מצורות הגל התצפיתיות המורכבות ביותר.
התמרת פורייה לעומת שיטות אחרות במישור התדר
אף שהיא רב-תכליתית ביותר, גישת פורייה מניחה אותות סטציונריים, שהינם יציבים לאורך משך המדידה. בתרחישים הכוללים שינויים מהירים וחולפים – כגון גל חד אפילפטי (spike) פתאומי או התפרצות קצרה של כישורי שינה (sleep spindles) – שיטות אחרות כמו התמרות גלונים (Wavelet Transforms) מספקות לוקליזציה טובה יותר על ידי שמירה על מידע הזמן לצד פרטי התדר. בחירת הכלי הנכון דורשת הערכה האם האות שומר על מבנה קצבי קבוע או משתנה בפתאומיות.
שיטות חלופיות, כגון ניתוח ספקטרום יחיד (Singular Spectrum Analysis - SSA), מציעות יתרונות לפירוק אותות לא-ליניאריים ובלתי צפויים שהתמרות סטנדרטיות מתקשות לפענח. שיטות אלו מצטיינות לעיתים קרובות בחילוץ מגמת האות לעומת רעש תנודתי במערכי נתונים פיזיולוגיים מורכבים מהעולם האמיתי. הבחירה תלויה ברמת הדיוק הנדרשת עבור דיוק זמני לעומת ספקטרלי במערך מחקר ספציפי.
בסופו של דבר, שום שיטת התמרה יחידה אינה משמשת כתרופת פלא אוניברסלית לדילמות של עיבוד אותות. על העוסקים בתחום לשקול את העלות החישובית ואת האילוצים המתמטיים של כל גישה אל מול מאפייני הנתונים שלהם. שילוב נקודות מבט מגוונות אלה מבטיח תהליך אבחון איתן ומקיף, הממקסם את נאמנות הפרשנות הסופית.
כלים ותוכנות לחישוב התמרות פורייה
ספריות קוד פתוח מודרניות הפכו את הגישה לפעולות מתמטיות מתקדמות אלו לנגישה לכולם, ומאפשרות לחוקרים לבצע ניתוחים מורכבים באמצעות שורות קוד בודדות בלבד. פלטפורמות שנבנו במיוחד עבור מדע הנתונים מציעות שגרות מותאמות אישית המתמודדות בקלות עם מערכים גדולים ואותות בעלי ממדים רבים. כלים אלה מקלים על שילוב ניתוח ספקטרלי בתוך צינורות עיבוד (pipelines) גדולים יותר, כולל משימות ניקוי אותות וסיווג אוטומטיות.
תוכנות ייעודיות המיועדות לנתונים נוירולוגיים או סיסמיים כוללות לעיתים קרובות מודולים מובנים מראש לפירוק ספקטרלי ולהסרת ארטיפקטים. חבילות אלו מטפלות במורכבויות של שינוי קנה מידה של תדרים וחלונות באופן אוטומטי, ובכך מפחיתות את הסיכון לשגיאות עבור חוקרים שאולי אינם בעלי מומחיות באלגוריתמים הבסיסיים. שימוש עקבי בכלים סטנדרטיים אלה מסייע גם בשחזוריות של תוצאות מחקר בין מעבדות שונות.
בעת בחירת חבילת תוכנה, תאימות לפורמטים קיימים של נתונים והיכולת להתמודד עם מערכי חיישנים בצפיפות גבוהה נותרות בעדיפות העליונה. תיעוד המספק דוגמאות ברורות לכוונון פרמטרים ולבחירת אלגוריתמים מועיל מאוד למתחילים. ככל שהקהילה ממשיכה לשכלל כלים אלה, המיקוד עובר יותר ויותר לעבר עיבוד קצה (edge processing) בזמן אמת ויכולת הרחבה מבוססת-ענן עבור מערכי נתונים גדולים במיוחד.
מה מגלה ניתוח תדרים על המקצבים הנסתרים של המוח
התמרת פורייה פועלת כמו מנסרה מתמטית עבור אותות המוח, כשהיא מתירה מקצבים חופפים לתחומי תדרים מובחנים. פירוק זה מספק את אוצר המילים החיוני לתיאור מצבי המוח – משינה עמוקה ועד למיקוד קשוב – ומעניק משמעות למונחים כמו גלי אלפא או דלתא. ללא ארגון מחדש זה, תרשים EEG היה נותר שרבוט בלתי ניתן לפענוח, והמקצבים הנסתרים שלו היו נשארים בלתי נראים.
העוצמה המעשית באה לידי ביטוי בבירור בגילוי התקפים, שבו ניתוח תדרים מבחין בדיוק רב בין פעילות של התקף לבין דפוסי מוח תקינים. ההנחה של ההתמרה לפיה מקטע אות חוזר על עצמו בצורה מושלמת היא נוחות מתמטית ולא עובדה ביולוגית, אך בחירה קפדנית של מקטעים קצרים ויציבים שומרת על עיוותים ברמה שניתן להתמודד איתה. הספרות המחקרית מדגימה כי ייצוג פעילות המוח כסכום של מקצבים – אף שאינו מודל מילולי של האופן שבו נוירונים יורים – מניב מידע שהוא גם מדיד וגם שימושי מבחינה קלינית.
מקורות
Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686
Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920
Pachori, R. B. (2008). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056
שאלות נפוצות
מה בעצם מייצג תרשים EEG גולמי?
תרשים EEG הוא קו בודד המציג שינויי מתח לאורך זמן, אך למעשה הוא הסכום המשולב של תהליכים תנודתיים נפרדים רבים המתרחשים בו-זמנית במוח. מקצבים מהירים ואיטיים שונים מתחברים יחד לצורת גל מורכבת אחת, בדומה למספר כלי נגינה המתמזגים לאקורד יחיד.
כיצד מנתחת התמרת פורייה אות EEG?
התמרת פורייה מארגנת מחדש את אותם נתוני EEG בדיוק על ידי תיאורם במונחים של תוכן תדרים במקום מתח לאורך זמן. היא מפרידה את הרכיבים המקצביים המעורבבים שכבר קיימים בו, ופועלת כמו מנסרה החושפת את אורכי הגל הבודדים בתוך אלומת אור.
האם התמרת פורייה מוסיפה מידע חדש להקלטת ה-EEG?
לא, ההתמרה היא הפיכה מבחינה מתמטית ואינה ממציאה או משמיטה נתונים כלשהם. היא פשוט משנה את אופן התצוגה על ידי המרת האות לקבוצה של תדרים סינוסואידליים, ובכך הופכת את המרכיבים המקצביים הבסיסיים לגלויים.
מהי ההנחה המתמטית המרכזית בעת החלת התמרת פורייה על EEG?
החישוב מתייחס מבחינה מתמטית למקטע ה-EEG שנבחר כאילו הוא חוזר על עצמו עד אין קץ בלולאה מושלמת. הנחת מחזוריות זו מפשטת את הניתוח, אך יכולה ליצור ארטיפקטים של קצה אם נקודת ההתחלה והסיום של האות אינן מתחברות בצורה חלקה.
מדוע תקף לפרק גל מוח לא סדיר לגלי סינוס חלקים?
משפט פורייה מראה שניתן לשחזר כמעט כל צורת גל על ידי חיבור של גלי סינוס וקוסינוס טהורים בעלי תדרים, משרעות ומופעים (פאזות) ספציפיים. ייצוג מתמטי זה פועל היטב לצורך ניתוח, אף שנוירונים אינם מייצרים בפועל גלי סינוס נקיים ומבודדים.
מדוע תחומי תדרים כמו אלפא או דלתא חשובים בפענוח EEG?
ברגע שאות מפורק, רכיביו ממופים לתחומים סטנדרטיים כמו דלתא או בטא, המהווים את אוצר המילים הבסיסי לתיאור מצבי המוח. כל אזכור של שינויי עוצמה בתחום מסוים מסתמך לחלוטין על הפרדה ראשונית זו המבוססת על פורייה.
אילו ראיות תומכות בשימוש בניתוח פורייה לגילוי התקפים?
מחקרים שהשתמשו במאפייני תדר שנגזרו מפורייה הראו הבדל מובהק סטטיסטית בין אותות מוח בעת התקף לבין אותות ללא התקף. מערכת זיהוי אחת בזמן אמת השיגה רגישות גבוהה, מה שמוכיח כי מידע תנודתי נושא תוכן בעל רלוונטיות קלינית לאפילפסיה.
מהן המגבלות העיקריות של גישה זו המבוססת על תדרים?
הנחת החזרתיות האינסופית היא פישוט מבני שהופך לפחות מדויק על פני הקלטות ארוכות ומשתנות. בנוסף, תוצאות הסיווג החזקות מגיעות ממערכי נתונים ספציפיים ואינן מוכיחות שהמוח משתמש במתנדים סינוסואידליים בדידים כמבנים פיזיולוגיים.
Emotiv היא מובילה בתחום הנוירוטכנולוגיה המסייעת לקדם מחקר במדעי המוח באמצעות כלי EEG נגישים וכלי נתוני מוח.
הבהרה רפואית: המידע המסופק באתר זה נועד למטרות חינוכיות ואינפורמטיביות בלבד ואינו מיועד לשמש כייעוץ רפואי או בריאותי. תוכן זה עלול להכיל שגיאות ואין להסתמך עליו לצורך קבלת החלטות משנות חיים בנושאי בריאות, רפואה או סגנון חיים. פנה תמיד לקבלת ייעוץ מהרופא שלך או מכל גורם רפואי מוסמך אחר בכל שאלה שעשויה להיות לך בנוגע למצב רפואי או לטיפול.
כריסטיאן בורגוס
