חפש נושאים אחרים...

מדריך להתמרת פורייה קצרת-זמן (STFT) עבור EEG

האיצו את לוחות הזמנים של בדיקות ה-EEG האנליטיות שלכם באמצעות מערכים אלחוטיים בצפיפות גבוהה ובעלי הגדרה מהירה, המותאמים לפריסת שטח גמישה (Flex).

האיצו את לוחות הזמנים של בדיקות ה-EEG האנליטיות שלכם באמצעות מערכים אלחוטיים בצפיפות גבוהה ובעלי הגדרה מהירה, המותאמים לפריסת שטח גמישה (Flex).

התמרת פורייה בסיסית, הכלי המתמטי הקלאסי לפירוק אות לתדרי הרכיבים שלו, יכולה לגלות לכם אילו מקצבי מוח היו נוכחים בנקודה כלשהי לאורך הקלטה שלמה. מה שהיא אינה יכולה לגלות לכם הוא מתי הם התרחשו. התפרצות קצרה של פעילות אלפא המופיעה ברגע שמישהו עוצם את עיניו היא אירוע משמעותי, נעול-זמן.

כאשר היא ממוצעת לתוך סיכום תדרים יחיד המשתרע על פני הקלטה של עשר דקות, התפרצות זו הופכת לנתון סטטיסטי, שאינו ניתן להבחנה מרעש רקע. שחזור התזמון של אירועים אלו הוא נקודת המוצא לכל מחקר EEG רציני, וזוהי בדיוק הבעיה שהתמרת פורייה קצרת-זמן (STFT) נבנתה לפתור.

האיצו את לוחות הזמנים של בדיקות ה-EEG האנליטיות שלכם באמצעות מערכים אלחוטיים בצפיפות גבוהה ובעלי הגדרה מהירה, המותאמים לפריסת שטח גמישה (Flex).

האיצו את לוחות הזמנים של בדיקות ה-EEG האנליטיות שלכם באמצעות מערכים אלחוטיים בצפיפות גבוהה ובעלי הגדרה מהירה, המותאמים לפריסת שטח גמישה (Flex).

הבעיה בהתמרת פורייה הסטנדרטית

התמרת פורייה הסטנדרטית היא עמוד תווך של עיבוד אותות קלאסי מכיוון שהיא מפרקת ביעילות אותות מורכבים לסכום של סינוסואידים טהורים. באמצעות אינטגרציה לאורך זמן אינסופי, היא חושפת את תכולת התדרים הכוללת הקיימת בהקלטה.

עם זאת, שיטה זו מניחה שהאות הוא סטציונרי; אם הרכב התדרים משתנה לאורך זמן, הפלט הטיפוסי מטשטש את הרצף הזמני. מגבלה זו הופכת את ההבחנה בין אירוע קצר ומתפרץ לבין הרמוניה ממושכת לבלתי אפשרית, הבחנה שהיא חיונית בתחומים כמו מדעי המוח.

מהי התמרת פורייה קצרת-זמן בניתוח EEG

ה-STFT ניגשת לבעיית התזמון באמצעות אסטרטגיה ישירה למדי. במקום להפעיל התמרת פורייה על הקלטת EEG שלמה בבת אחת, היא פורסת את האות למקטעים קצרים ורצופים, המכונים לעתים קרובות חלונות, ומחילה את התמרת הפורייה בנפרד על כל אחד מהם. כל חלון מייצר תמונת מצב תדרית ממוזערת משלו, וחיבור תמונות מצב אלו ברצף יוצר תמונה נעה של האופן שבו תכולת התדרים משתנה לאורך זמן.

הפלט של תהליך זה מוצג בדרך כלל כספקטרוגרמה, מפה חזותית שבה הזמן נע לאורך ציר אחד והתדר לאורך הציר השני. הצבע או העוצמה בכל נקודה נתונה במפה זו מייצגים את ההספק, או החוזק, של אותו תדר באותו רגע. זהו בדיוק הערך שניתוח STFT נועד לספק.

כפי שמנסחים זאת Zabidi et al., ניתוח STFT פועל כדי "לחשוף את תכולת התדרים של אותות ה-EEG בכל נקודת זמן".

מדוע אורך החלון הוא ההגדרה החשובה ביותר ב-STFT

חלוקת אות לחלונות נשמעת פשוטה, אך האורך שנבחר עבור כל חלון קובע כמעט הכל לגבי האיכות והדיוק של הספקטרוגרמה המתקבלת. החלטה זו כרוכה בפשרה שלא ניתן להימנע ממנה, אלא רק לנהל אותה.

חשבו על כך בדרך זו: חלון ארוך פועל כמו סרגל תדרים מדויק אך כמו שעון עצר מטושטש. מכיוון שהוא מכיל יותר נקודות נתונים, חלון ארוך יכול להבחין בין תדרים סמוכים בדיוק ממשי. אך מכיוון שהוא נמתח על פני פרק זמן ארוך יותר, כל אירוע שמתרחש בתוך אותו חלון נמרח, ואתם מאבדים את היכולת לאתר במדויק מתי משהו השתנה.

חלון קצר הופך את הפשרה הזו. הוא פועל כמו שעון עצר מדויק אך כמו סרגל תדרים מטושטש. הוא יכול לומר לכם כמעט במדויק מתי משהו קרה, אך הוא מתקשה להפריד בין תדרים הקרובים זה לזה, מכיוון שמקטע קצר של אות פשוט אינו מכיל מספיק מחזורי תנודה כדי למדוד תדר בפירוט עדין.

זוהי גרסה של עקרון אי-ודאות השולט בכל ניתוח זמן-תדר: לא ניתן להשיג רזולוציה מושלמת הן בזמן והן בתדר באותו הרגע. שיפור האחד תמיד בא על חשבון האחר במידה מסוימת. ההכרה בפשרה זו, במקום הניסיון להתגבר עליה, היא המיומנות המרכזית בעבודה עם STFT.

מכיוון שמקצבי EEG שונים מתנודדים במהירויות שונות מאוד, שום אורך חלון יחיד אינו מתאים היטב לכולם. ההנחיות הבאות הן היוריסטיקות מעשיות ראשוניות הנגזרות מהאופן שבו מקצבים אלה מתנהגים בדרך כלל:

  • גלי דלתא (בערך 0.5 עד 4 הרץ): אלו הם מקצבי המוח האיטיים ביותר, וחלון צריך להיות ארוך מספיק, לרוב בטווח של 1 עד 2 שניות, כדי ללכוד לפחות מחזור שלם אחד של הגל האיטי ביותר הנמדד. חלון קצר יותר פשוט לא יכיל חלק מספיק מהגל כדי לאפיין אותו.

  • מקצבי תטא ואלפא (בערך 4 עד 13 הרץ): חלון ביניים, לרוב סביב 500 מילי-שניות, נוטה להשיג איזון יעיל. הוא ארוך מספיק כדי ללכוד מספר מחזורי תנודה, מה שעוזר להגדיר את המקצב בבירור, בעודו קצר מספיק כדי לעקוב אחר שינויים משמעותיים, כגון הופעת פרץ אלפא כאשר העיניים נעצמות.

  • מקצבי בטא וגמא (מעל כ-13 הרץ): מקצבים מהירים יותר אלה נעים במהירות, ולכן חלון קצר, לרוב 250 מילי-שניות או פחות, הופך להכרחי כדי לעקוב אחר הדינמיקה המהירה שלהם. המחיר כאן הוא יכולת מופחתת להבחין במדויק בין תדרים סמוכים בטווח הגמא הגבוה יותר, תוצאה ישירה של אותה פשרה שתוארה לעיל.

כיצד STFT חושף הבדלים בין תנועה ממשית לתנועה מדומיינת

הערך המעשי של STFT מתבטא בצורה הברורה ביותר במחקרי ממשק מוח-מחשב (BCI), שבהם המטרה היא לתרגם את פעילות המוח ישירות לאותות בקרה עבור מכשיר.

דוגמה שנחקרה היטב כוללת השוואה בין EEG שהוקלט בזמן שאדם מדמיין תנועת יד לבין EEG שהוקלט בזמן דמיון תנועת רגל, או השוואה בין פעולות מדומיינות לבין הגרסה הפיזית האמיתית של אותה פעולה.

בפרדיגמות מוטוריות אלו, יעד נפוץ לניתוח הוא תופעה הנקראת דה-סינכרוניזציה תלוית-אירוע, או ERD, ירידה בהספק האות בתוך טווחי מקצבי המו והבטא מעל אזורים במוח הקשורים לתנועה. מכיוון ש-ERD היא ירידה ספציפית ומתוזמנת היטב בהספק ולא מאפיין רקע קבוע, זהו בדיוק סוג האירוע שסיכום תדרים של הקלטה שלמה ימחק ושספקטרוגרמה בעלת רזולוציה זמנית יכולה ללכוד.

מחקר של Zabidi et al., שיישם STFT ישירות על שאלה זו, בחן EEG שנאסף במהלך כתיבה בפועל ובמהלך כתיבה מדומיינת. האות הועבר תחילה דרך מסנן מעביר-פס (bandpass) שהגביל את הניתוח לטווח של 8 עד 30 הרץ, המכסה את מקצבי האלפא והבטא הרלוונטיים ביותר לפעילות מוטורית, לפני שה-STFT חושב באמצעות חלון המינג מכוונן.

התוצאה הייתה ממצא ישיר ומפורש: "רכיבי התדר של אותות ה-EEG המתקבלים מכתיבה זהים לאלו המתקבלים במהלך כתיבה מדומיינת".

במונחים מעשיים, דפוס המקצב החשמלי של המוח במהלך פעולה מדומיינת דמה מאוד לדפוס במהלך הפעולה הפיזית האמיתית, מתאם העומד בבסיס חלק ניכר מההיגיון מאחורי מערכות BCI שמטרתן לזהות כוונת תנועה מבלי לדרוש כל תנועה פיזית בפועל.

שימוש ב-STFT לבניית תמונות עבור מודלים של למידה עמוקה

מעבר לבחינה חזותית, ספקטרוגרמות שנוצרו על ידי STFT מצאו חיים חדשים כשלב עיבוד מקדים המזין מערכות למידה עמוקה, ובמיוחד רשתות נוירונים קונבולוציוניות (CNN), סוג של מודל שנבנה במקור לזיהוי דפוסים בתמונות. מכיוון שספקטרוגרמה היא בעצם תמונה צבעונית המציגה הספק לאורך זמן ותדר, חוקרים סבורים שניתן להעביר אותה ישירות למודל למידה עמוקה מבוסס-תמונה, אשר עשוי לאחר מכן לזהות מבנה נסתר בנתונים שקשה להגדיר ידנית.

מחקר משנת 2019 המיר הקלטות EEG ממשימת דימות מוטורי, שהבדילה בין תנועת יד ימין לתנועת רגל ימין, לתמונות באמצעות STFT וכן באמצעות גישת זמן-תדר חלופית, ולאחר מכן הזין את שתי קבוצות התמונות לארכיטקטורת CNN שאומנה מראש.

הביצועים בשתי הגישות היו חזקים, כאשר התהליך הכולל הגיע לדיוק סיווג של 99.35%, שתואר כציון הטוב ביותר מבין השיטות הקיימות הניתנות להשוואה. עם זאת, כאשר שתי שיטות יצירת התמונות הושוו ישירות זו מול זו באותו מחקר, התוצאות לא היו שוות: "גישת ה-CWT מניבה תוצאות טובות יותר מגישת ה-STFT", מה שמצביע על פשרה אמיתית ומדודה במידת הנאמנות שבה כל שיטה תרגמה את אות ה-EEG הבסיסי לתמונה שניתן להשתמש בה.

פשרה זו הייתה כפי שדווח הבעיה שהניעה פיתוח מתודולוגי נפרד. חוקרים בנו את מה שהם כינו anchored-STFT, שתואר כ"גרסה מתקדמת של STFT, שכן היא ממזערת את הפשרה בין רזולוציה זמנית לספקטרלית שמציגה STFT".

בשילוב עם שיטת העשרת נתונים אדברסרית (adversarial data augmentation), צינור עיבוד משופר זה דיווח על דיוקי סיווג שנעו בין כ-69% ליותר מ-90% על פני מספר מערכי נתוני BCI, מה שמחזק את הדפוס לפיו STFT רגיל יכול לשמש ככלי חילוץ מאפיינים בעל יכולת אמיתית, אך כזה שמגבלות הרזולוציה הידועות שלו מותירות מקום לשיפור, בין אם באמצעות כוונון פרמטרים, גרסה משופרת של הטכניקה עצמה, או גישת זמן-תדר שונה לחלוטין.

כיצד מחקרים מיישמים את התמרת הפורייה קצרת-הזמן לסיווג דימות מוטורי

מחקר שנערך לאחרונה מקדם את התמרת הפורייה קצרת-הזמן מעבר לשלב ההדמיה ואל תוך צינור סיווג פעיל. בדומה לעבודה המוקדמת שתוארה לעיל, נקודת ההתחלה היא משימת דימות מוטורי, שבה אדם מדמיין הזזת יד במקום להזיז אותה פיזית.

המחברים מתארים מסגרת עבודה שהם מכנים AMD-KT2D, הבנויה על מה שהם מגדירים כהתמרת פורייה קצרת-זמן מותאמת מיטבית (Optimized Short-Time Fourier Transform). במקום להתחייב להגדרת חלון קבועה אחת, גרסה זו מכווננת את פונקציית החלון ואת רזולוציית הזמן-תדר יחד, מתוך המטרה המוצהרת של שימור מאפיינים זמניים ומרחביים דינמיים שתצורה קבועה עלולה למרוח או לאבד.

תמונות הזמן-תדר הדו-ממדיות המתקבלות מועברות לאחר מכן לארכיטקטורת מנחה-לומד (guide-learner): רשת ResNet50 משופרת, שאומנה מראש על מערך נתונים בקנה מידה גדול, מחלצת מאפיינים מרחביים-זמניים ברמה גבוהה, בעוד שרשת נוירונים קונבולוציונית דו-ממדית מותאמת אישית לוכדת מאפיינים רב-קני-מידה. פונקציית הפסד מסוג Adaptive Margin Disparity Discrepancy משמשת להפחתת הפער בין השתיים וליישור המאפיינים שלהן.

הקלטות EEG עבור משימת הדימות המוטורי של יד שמאל לעומת יד ימין נאספו באמצעות מערכת Emotiv Flex. במערך נתונים זה, מסווג הדימות המוטורי ההיברידי הגיע לפי הדיווחים לדיוק של 96.75% במצב תלוי-נבדק ו-92.17% במצב בלתי תלוי בנבדק. ראוי לציין את הפער בין שני נתונים אלה: ביצועים שנמדדו בתוך אותו אדם אינם מועברים באופן אוטומטי לאדם שהמודל לא אומן עליו.

יחד עם העבודות האחרות שנדונו במאמר זה, המחקר מצביע על כך שספקטרוגרמות שנוצרו על ידי התמרת פורייה קצרת-זמן מהוות קלט מעשי עבור מודלים של למידה עמוקה שמטרתם פענוח דימות מוטורי. מה שגוף מחקר זה עדיין אינו מבסס הוא יכולת הכללה. זהו מחקר בודד, על מערך נתונים יחיד, עם נתוני דיוק הקשורים למשימה אחת ולקבוצת משתתפים אחת, והשיטה כפי שדווחה מסתמכת על גרסה מכווננת של ההתמרה ולא על הצורה הסטנדרטית.

יש לקרוא תוצאות אלו כמבטיחות במסגרת ההקשר שלהן, ולא כביצועים מוחלטים עבור ממשקים מבוססי EEG באופן רחב יותר.

כאשר STFT אינה מספקת: בעיית הרזולוציה הקבועה

הפשרה שנדונה לעיל היא המגבלה המרכזית שכל חוקר המשתמש ב-STFT צריך לשקול באופן ביקורתי לפני הסקת מסקנות מספקטרוגרמה.

ברגע שנבחר אורך חלון, נניח 500 מילי-שניות, אותו חלון מוחל באופן אחיד על פני כל ספקטרום התדרים המנותח, בין אם החוקר בוחן פעילות דלתא איטית של 2 הרץ או פעילות גמא מהירה של 100 הרץ. החלון אינו מתאים את עצמו. פשרת הזמן-תדר שתוארה קודם לכן נעולה בהגדרה אחת עבור הניתוח כולו, אף על פי שמקצבים שונים היו מפיקים תועלת אידיאלית מהגדרות שונות.

טבע קבוע זה הוא בדיוק מה שמבדיל בין STFT לקטגוריה של טכניקות מסתגלות (אדפטיביות), כגון שיטות מבוססות Wavelet. במקום להינעל על גודל חלון אחד עבור כל תדר, שיטות מסתגלות משתמשות בפועל בחלונות ארוכים יותר עבור תדרים נמוכים יותר ובחלונות קצרים יותר עבור תדרים גבוהים יותר, תוך התאמת הרזולוציה לפי הצורך בתוך ניתוח יחיד במקום להתחייב לפשרה אחת עבור האות כולו.

לדוגמה, מחקר בהובלת Wang et al. שפיתח שיטת זמן-תדר מסתגלת דיווח כי הגישה שלו "יכולה לספק רזולוציית זמן-תדר אופטימלית בהשוואה ל-STFT ו-CWT", תוך ציון מפורש של STFT כקו הבסיס שהושגו תוצאות טובות ממנו.

ביישום קליני נפרד לחיזוי תוצאות טיפול נוגד דיכאון בהפרעת דיכאון מז'ורי מנתוני EEG שנלקחו לפני הטיפול, חוקרים השוו גישה מבוססת Wavelet ישירות מול STFT ושיטת פירוק נוספת, ודיווחו כי "ניתוח ה-WT הציג את דיוק הסיווג הגבוה ביותר" מבין הטכניקות שהושוו, והגיע לדיוק של 87.5% בהשוואה לחלופות.

תהליך עבודה שלב-אחר-שלב להפקה והערכה של ספקטרוגרמת EEG

בהינתן חוזקות ומגבלות אלו, תהליך עבודה מובנה ומסודר מסייע להבטיח ש-STFT תיושם כראוי והפלט שלה יפורש בצורה מדויקת.

שלב 1: הגדירו את השאלה לפני שנוגעים בנתונים. האם המטרה היא לזהות פרץ גמא מהיר וקצר, או לעקוב אחר סחיפה איטית בהספק הדלתא לאורך דקות? התשובה קובעת איזה קצה של פשרת אורך החלון חשוב ביותר.

שלב 2: בחרו אורך חלון ראשוני המותאם למקצב היעד. השתמשו בהנחיות המעשיות שלעיל כנקודת התחלה: חלונות ארוכים יותר לדלתא, חלונות ביניים לתטא ואלפא, חלונות קצרים יותר לבטא וגמא. שלבו זאת עם תוכנית חלונות חופפים, בדרך כלל חפיפה של בין 50% ל-90% בין חלונות עוקבים, מה שמחליק את הספקטרוגרמה המתקבלת ומפחית את הופעתם של פערים מלאכותיים בין מקטעי הזמן.

שלב 3: הפיקו את הספקטרוגרמה ובחנו אותה בביקורתיות. האם אורך החלון שנבחר מציג התחלה ברורה וחדה עבור מקצב מהיר בעל עניין, או שהאירוע נראה מרוח על פני פרק זמן רחב יותר ממה שהוא אמור להיות? האם הספקטרוגרמה יכולה להבחין בצורה נקייה בין שיא אלפא לבין שיא תטא שכן, או ששני המקצבים מתמזגים זה לזה? בדיקות חזותיות אלו הן מבחן ישיר ומעשי לשאלה האם אורך החלון שנבחר היה מתאים לנתונים.

שלב 4: התייחסו לתוצאה כמבט אחד מבין מספר מבטים אפשריים, ולא כפסק דין סופי. ממצא שלילי, כגון היעדר הבדל גמא מדיד בין שתי קבוצות ניסוי, יכול לשקף היעדר השפעה אמיתי, או שהוא יכול פשוט לשקף את מגבלות הרזולוציה של חלון ה-STFT הספציפי שנבחר. צעד סביר הבא לאישוש ממצא מעורפל או חשוב הוא ניתוח מחדש של אותם נתונים באמצעות שיטה מסתגלת כבדיקה צולבת.

מדוע מעקב אחר מועד פעולתם של מקצבי המוח פותח תובנות חדשות

פעילות המוח היא רצף של אירועים מתוזמנים, ושחזור תזמון זה הופך הקלטה שטוחה לתיאור בזמן אמת של מצבים מנטליים משתנים. על ידי מעבר מסיכום תדרים יחיד למפה של רגע-אחר-רגע, חוקרים יכולים לקשר מחשבות, כוונות או תחושות ספציפיות ישירות למקצבי המוח הנלווים אליהן. שינוי זה הוא שהופך את ה-EEG ממדידה סטטית לכלי שיכול לתמוך בממשקי מוח-מחשב ולהזין מודלים של למידה עמוקה הלומדים לזהות דפוסים מנטליים.

פשרת הרזולוציה הקבועה של השיטה טומנת בחובה לקח רחב יותר: כל בחירה אנליטית מדגישה אמיתות מסוימות תוך פוטנציאל לטשטוש אחרות, כך שאף תוצאה בודדת אינה מספרת את הסיפור כולו. הדבר מחייב בדיקה צולבת מול גישות אחרות כאשר לממצאים יש חשיבות, והוא מחזק את העובדה שהדפוסים החשמליים של המוח — כמו ההתאמה הקרובה שנצפתה בין תנועה מדומיינת לתנועה ממשית — הם בעלי רבדים עמוקים. דמיון בסיסי זה תומך ברעיון שהמוח מבצע חזרות על פעולות תוך שימוש ברבים מאותם חותמים מקצביים המשמשים אותו לביצוען בפועל.

מקורות

  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

שאלות נפוצות

מהי התמרת פורייה קצרת-זמן בניתוח EEG?

התמרת פורייה קצרת-זמן (STFT) פורסת את אות ה-EEG הגולמי לחלונות זמן קצרים ורצופים ומחשבת ספקטרום תדרים עבור כל אחד מהם. הערמת תמונות מצב אלו לפי הסדר יוצרת תמונה נעה, הנקראת ספקטרוגרמה, המציגה כיצד ההספק של מקצבי מוח שונים משתנה מרגע לרגע.

מדוע איני יכול פשוט להשתמש בהתמרת פורייה רגילה על הקלטת EEG?

התמרת פורייה בסיסית מפרקת את ההקלטה כולה לתדרי הרכיבים שלה אך מוחקת את כל מידע התזמון, כך שאתם יודעים אילו מקצבים נכחו באופן כללי אך לא מתי הם הופיעו. ה-STFT משחזרת את התזמון הזה על ידי ניתוח מקטעים קצרים בנפרד, מה שמאפשר לכם לראות מתי פרץ של אלפא או צניחה בהספק הבטא התרחשו בפועל.

מה מציגה ספקטרוגרמה?

ספקטרוגרמה היא מפה חזותית שבה הזמן נמצא על ציר אחד, התדר על הציר השני, והצבע או הבהירות מייצגים את ההספק של כל תדר באותו רגע. היא הופכת את ה-EEG מסיכום שטוח למשהו הדומה לפרטיטורה מוזיקלית של הפעילות החשמלית של המוח.

מדוע אורך החלון חשוב כל כך?

חלונות ארוכים יותר מספקים מידע תדרים מדויק אך מטשטשים את התזמון המדויק של אירועים, בעוד שחלונות קצרים יותר מאתרים את התזמון היטב אך מורחים יחד תדרים סמוכים. פשרה בלתי נמנעת זו פירושה שבחירת אורך החלון מעצבת ישירות את מה שספקטרוגרמה יכולה לחשוף ואת מה שהיא תסתיר.

אילו אורכי חלון מהווים נקודת התחלה טובה עבור מקצבי מוח שונים?

עבור מקצבי דלתא איטיים מאוד, נדרש חלון ארוך יותר של סביב שנייה עד שתי שניות כדי ללכוד מחזורים שלמים. מקצבי תטא ואלפא מקבלים לעתים קרובות מענה טוב באמצעות חלון של כחצי שנייה, ומקצבי בטא וגמא מהירים יותר דורשים חלונות קצרים יותר של כרבע שנייה או פחות כדי לעקוב אחר השינויים המהירים שלהם.

כיצד STFT יכולה לחשוף קווי דמיון בין תנועה ממשית לתנועה מדומיינת?

STFT לוכדת ירידות מתוזמנות בהספק הנקראות דה-סינכרוניזציה תלוית-אירוע ברצועות מו ובטא, המתרחשות הן כאשר אדם זז והן כאשר הוא מדמיין מנטלית את אותה תנועה. ספקטרוגרמות של משימות מוטוריות ממשיות ומדומיינות יכולות להציג דפוסי תדרים כמעט זהים, מה שתומך בהיגיון של ממשקי מוח-מחשב.

האם ניתן להשתמש ב-STFT עם מודלים של למידה עמוקה?

כן, תמונות הספקטרוגרמה שנוצרות על ידי STFT ניתנות להזנה ישירה לרשתות נוירונים קונבולוציוניות המיועדות לזיהוי תמונות. מודלים אלה יכולים ללמוד להבחין בין מצבי מוח מתוך דפוסי הזמן-תדר, ולעתים קרובות מגיעים לדיוק סיווג גבוה מאוד במשימות כמו זיהוי דימות מוטורי.

מהי המגבלה העיקרית של STFT בהשוואה לשיטות זמן-תדר אחרות?

STFT ננעלת על גודל חלון יחיד עבור כל התדרים, כלומר היא אינה יכולה לתת בו-זמנית הן פירוט זמן חד עבור פרצים מהירים והן פירוט תדר עדין עבור גלים איטיים. טכניקות מסתגלות כגון Wavelets משנות את אורך החלון האפקטיבי בהתאם לתדר, מה שמוביל לעתים קרובות לרזולוציה טובה יותר ולביצועי סיווג גבוהים יותר בהשוואות ישירות.

מהי גישה שלב-אחר-שלב טובה בעת שימוש ב-STFT על נתוני EEG?

התחילו בהתאמת אורך חלון ראשוני למקצב שחשוב לכם, השתמשו בחלונות חופפים כדי להחליק את הספקטרוגרמה, ובחנו את התוצאה כדי לראות אם האירועים נראים מתוזמנים בחדות או מרוחים. אם הממצא הוא קריטי, שקלו לבצע בדיקה צולבת של הנתונים באמצעות שיטה מסתגלת מכיוון שהגדרת STFT יחידה עשויה להעדיף רק סוג אחד של רזולוציה.

האיצו את לוחות הזמנים של בדיקות ה-EEG האנליטיות שלכם באמצעות מערכים אלחוטיים בצפיפות גבוהה ובעלי הגדרה מהירה, המותאמים לפריסת שטח גמישה (Flex).

האיצו את לוחות הזמנים של בדיקות ה-EEG האנליטיות שלכם באמצעות מערכים אלחוטיים בצפיפות גבוהה ובעלי הגדרה מהירה, המותאמים לפריסת שטח גמישה (Flex).

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

החדשות האחרונות מאיתנו

הפשרה באלקטרודות EEG יבשות: מהירות ונוחות מול דיוק האות

האלקטרואנצפלוגרם (EEG) מהווה אבן יסוד בחקר מדעי המוח מזה עשרות שנים, ומודד את הפעילות החשמלית של המוח באמצעות אלקטרודות המונחות על הקרקפת. אלקטרודות "רטובות" מסורתיות דורשות ג'ל מוליך כדי לגשר על הפער בין העור לחיישן, ובכך להפחית את ההתנגדות — העכבה (אימפדנס) — שאחרת הייתה חוסמת את המתחים הזעירים הללו. מריחת הג'ל הזו היא מלכלכת, גוזלת זמן ולעתים קרובות אינה נוחה למשתתפים.

ככל שה-EEG יוצא מחוץ למעבדה — אל בתים, מרפאות ומסגרות אמבולטוריות — גוברת הדרישה לממשק מהיר ופשוט יותר. אלקטרודות יבשות, היוצרות מגע ישיר עם העור ללא ג'ל, מבטיחות בדיוק את זה: הגדרה מהירה ונוחות רבה יותר.

אך לנוחות זו יש מחיר פיזיקלי. היעדרו של הג'ל מביא לעכבה גבוהה יותר ולאות רועש יותר, מה שיוצר פשרה מתמדת בין פרקטיות לנאמנות הנתונים. גוף מחקרים עצמאיים מהעת האחרונה ממפה כעת את הממדים המדויקים של אותה פשרה, ומבהיר היכן אלקטרודות יבשות מתפקדות בצורה מעוררת הערכה, והיכן הן נותרות עדיין כאפשרות בעדיפות שנייה.

קרא את המאמר

כיצד פועל מכשיר EEG ביתי לניטור יומי של פעילות המוח?

בדיקות EEG ביתיות הן הקלטות בניהול עצמי המבוצעות מחוץ לכל מסגרת קלינית או מעבדתית. הן מעבירות את ג'ל האלקטרודות, את ה-headset ואת תוכנת ההקלטה למשתמש שאינו מיומן, לעיתים קרובות ללא יותר מאשר אפליקציה לסמארטפון לצורך הדרכה. הרעיון מבוסס על יכולות מדידת מוח המשתלבות בחיי היומיום, עם פוטנציאל להקלטת מבנה השינה, מיקוד קוגניטיבי או דפוסי פרכוסים ללא הנטל הלוגיסטי של הגעה לבית חולים.

קרא את המאמר

מכשירי נוירופידבק כמערכות שלמות

דמיינו שאתם משחקים במשחק וידאו שבו הבקר שלכם בלתי נראה — אתם מנווטים אך ורק באמצעות גלי המוח שלכם. הרעיון הזה עומד בבסיס הנוירופידבק (משוב מוחי), טכניקה המעניקה לכם חלון בזמן אמת לפעילות המוח שלכם ולאחר מכן מלמדת אתכם כיצד לשנות אותה.

מכשיר קולט אותות הנוצרים על ידי המוח שלכם, לרוב באמצעות אלקטרואנצפלוגרם (EEG) המזהה דפוסים חשמליים על גבי הקרקפת, או לעיתים באמצעות חיישן ספקטרוסקופיה תפקודית באינפרא-אדום קרוב (fNIRS) העוקב אחר זרימת הדם. אותות גולמיים אלה מעובדים ומומרים למשחק פשוט, לצליל או לדמות נעה על גבי מסך. באמצעות ניסוי וטעייה, המוח שלכם לומד לייצר את הדפוסים שגורמים למשוב להתקדם לכיוון הרצוי לכם.

מדריכים רבים מתמקדים בחלקים הבודדים — אלקטרודות ה-EEG, החוטים, התוכנה — אך מכשיר מצליח רק כאשר החלקים הללו יוצרים שלם קוהרנטי. מבוא זה בוחן את הנוירופידבק כמערכת משולבת שבה עיבוד אותות, עיצוב המשוב ושימושיות יומיומית חוברים יחד כדי לקבוע אם משהו באמת עוזר.

קרא את המאמר

התקנת EEG מקצועית: שיטות מומלצות לפני ההקלטה

מה שמבדיל בין אות עצבי ברור וניתן לפענוח לבין תרשים המשובש על ידי ארטיפקטים של שרירים או רעשי רשת החשמל אינו אלגוריתם פוסט-הוק מתוחכם, אלא צינור עבודה (pipeline) שיטתי וכרונולוגי של שלבי הכנה. התקנת EEG, בהקשר זה, אינה מסתכמת רק בהנחת כובע אלקטרודות על הנבדק. זהו רצף ממושמע של הליכי כיול ביולוגיים, סביבתיים וחשמליים אשר יחד יוצרים ממשק יציב ובעל רמת רעש נמוכה בין המוח למגבר.

מאמר זה סוקר את זרימת העבודה שלפני ההקלטה, תוך סינתזה של הראיות הזמינות כדי להדגים שתדרוך קפדני של הנבדק, הכנת הקרקפת, סיכוך סביבתי, בחירת מונטאז' ייחוס (reference montage) וסינון מקדים של ארטיפקטים בקו הבסיס מהווים שרשרת תלויות בלתי ניתנת לפשרה.

קרא את המאמר