תנודות עצביות הן דפוסים מקצביים של פעילות חשמלית התומכים בזיכרון, תנועה ועיבוד חושי ברחבי המוח. עם זאת, כאשר תנודות אלו נקלטות על הקרקפת באמצעות רישומי אלקטרואנצפלוגרם (EEG), הן מגיעות קבורות בתוך אות רועש ומשתנה ללא הרף.
עקומת המתח הגולמית מכל אלקטרודה בודדת משקפת את הפעילות המשולבת של אלפי מקורות עצביים המונחים זה על גבי זה, לצד פעילות שרירים, הפרעות סביבתיות ורעש חשמלי ברקע. חילוץ תנודה נקייה מתוך התערובת הזו דורש שיטה שיכולה לפצל את הרישום לרכיבי התדר שלו.
הבנת נתונים זמניים ותדרים
נתונים זמניים קיימים כרישום רציף של תצפיות המיוחסות על ידי ציון זמן ספציפי, ומשקפים את האופן שבו מערכת מתפתחת לאורך משך זמן מוגדר.
בהקשר של נוירוביולוגיה, הדבר כולל בדרך כלל רישום של פוטנציאלים חשמליים מהקרקפת כדי להבין את הדינמיקה של המוח. מערכי נתונים אלו כמעט אף פעם אינם סטטיים; הם מכילים תערובת של אותות קצביים ותנודות סטוכסטיות הדורשות פרשנות קפדנית כדי להפיק Insight בר-פעולה.
מהם נתונים זמניים?
נתונים זמניים, או נתוני סדרות עיתיות, מייצגים מדידות שנלקחו ברצף במרווחי זמן קבועים. התועלת של נתונים אלו תלויה בתדירות הדגימה שלהם ובאורך חלון התצפית, אשר קובעים את הרזולוציה של השינויים הניתנים לזיהוי.
חוקרים בוחנים רצפים אלו כדי להעריך את יציבות המערכת ולזהות מגמות שנותרות לאורך תקופות ארוכות.
מושג התדרים בנתונים
תדרים מתייחסים לקצב שבו דפוסים מחזוריים חוזרים על עצמם בתוך סדרת זמן, ונמדדים בדרך כלל במחזורים לשנייה. על ידי הערכת מקצבים אלו, אנליסטים יכולים לסווג את התהליכים הבסיסיים המניעים את הנתונים.
הרשימה הבאה מפרטת פסי תדרים עיקריים הנצפים לעיתים קרובות ביישומים של ניטור ביולוגי אנושי:
גלי דלתא: קשורים בדרך כלל לשלבי שינה עמוקה ומשקמת.
גלי תטא: נצפים לעיתים קרובות במהלך שינה קלה או מצבי מדיטציה.
גלי אלפא: נפוצים באופן אופייני במהלך רגיעה שקטה וערנית.
גלי בטא: מקושרים לעיתים קרובות לריכוז קוגניטיבי פעיל וערנות.
גלי גמא: קשורים למשימות עיבוד ואינטגרציה ברמה גבוהה.
סיווג זה מאפשר מיפוי מדויק של מצבים, ומסייע לחוקרים להבחין בין סמנים פיזיולוגיים לבין שונות ברקע.
מדוע לפרק נתונים זמניים לתדרים?
פירוק פועל כעדשה אנליטית, המפרידה אות גולמי ורועש לחלקים המרכיבים אותו. ללא פירוק מבני זה, אינטראקציות מורכבות בין מקצבי מוח שונים נשארות קבורות באמפליטודה הכוללת. על ידי בידוד רכיבים אלה, חוקרים יכולים לנתח תנודות עצביות ספציפיות באופן עצמאי, ולחשוף את המורכבות האמיתית של מצבים קוגניטיביים.
זיהוי דפוסים ומחזורים
זיהוי דפוסים בתוך נתונים זמניים מאפשר זיהוי של מחזורים עצביים עקביים שחוזרים על עצמם תחת גירויים או משימות ספציפיות. זיהוי מחזורים אלה מספק מדדי בסיס המבדילים פעילות מוחית בריאה מדפוסים חריגים.
ברגע שדפוס מבודד באמצעות פירוק, מתאפשר לעקוב אחר הופעתו ומשכו בביטחון סטטיסטי גבוה יותר.
הפחתת רעשים ושיפור אותות
עיבוד אותות יעיל (signal processing) חיוני להסרת הפרעות סביבתיות, כגון הפרעות של רשת החשמל בתדר 60Hz, מרשומים פיזיולוגיים. על ידי הגדרת גבולות התדר של נתונים ביולוגיים לגיטימיים, חוקרים מיישמים מסננים כדי לחסל רכיבי אות לא רצויים.
תהליך הפקת האותות הזה מחזק באופן בסיסי את בהירות הנתונים הבסיסיים לצורך סקירה אבחנתית נוספת.
חיזוי ומודלים ניבוייים
מודלים ניבוייים ממנפים מקטעים מפורקים כדי לצפות שינויים במערכת או טריגרים של אירועים לפני שהם באים לידי ביטוי באמפליטודה מלאה. מודלים אלו מסתמכים על היציבות של רכיבי התדר המזוהים כדי לחזות את ההתפתחות העתידית של סדרת העיתים.
יכולת זו תומכת הן בניטור קליני פרואקטיבי והן במחקר ניסיוני על פלסטיות מוחית ארוכת טווח.
טכניקות מפתח לפירוק נתונים זמניים
פירוק דורש דיוק מתמטי קפדני כדי להבטיח שהנתונים המותמרים ימשיכו לייצג את הפעילות העצבית המקורית.
מספר מתודולוגיות מבוססות מספקות יתרונות ייחודיים בהתאם לרזולוציה וליציבות של האותות שנלכדו. בחירת כלי מתאים דורשת איזון בין דרישת החישוב לבין הצורך בדיוק זמני וספקטרלי כאחד.
שיטות התמרת פורייה
ניתוח פורייה משמש כגישה בסיסית למיפוי אותות בתחום הזמן למקביליהם בתחום התדר. שיטה זו מצטיינת בזיהוי רכיבי תדר קבועים (סטציונריים), אם כי היא ניצבת בפני מגבלות בעת ניתוח אותות חולפים המשתנים לאורך זמן.
הטבלה הבאה מספקת השוואה של טכניקות פירוק עיקריות המיושמות בסביבות מחקר נוכחיות:
טכניקה | חוזק עיקרי | מגבלה |
|---|---|---|
התמרת פורייה | דיוק תדר גבוה | מיקום זמני גרוע |
התמרת גלונים (Wavelet) | איזון זמן-תדר | מורכבות חישובית |
ניתוח ספקטרום סינגולרי (SSA) | פירוק מונחה נתונים | רגישות לרעש |
התמרות גלונים (Wavelet Transforms)
התמרות גלונים מספקות ניתוח מרובה רזולוציות על ידי הרחבה והזזה של גלון אם לסריקת האות.
בניגוד לשיטות פורייה, גישה זו שומרת על מידע מקומי הן בזמן והן בתדר, מה שהופך אותה למתאימה ללכידת קפיצות חשמליות חולפות הנפוצות במדידת EEG. הסתגלות זו חיונית לזיהוי מאפיינים לא-סטציונריים ששיטות ספקטרליות מסורתיות עלולות לפספס במהלך מעברי נתונים מהירים.
ניתוח ספקטרום סינגולרי (SSA)
ניתוח ספקטרום סינגולרי מציע גישה לא-פרמטרית המפרקת סדרת עיתים לרכיבי מגמה, תנודה ורעש בהתבסס על מבנה הנתונים עצמם. על ידי שיבוץ סדרת העיתים במרחב רב-ממדי וביצוע פירוק לערכים סינגולריים, SSA מפיק את הדפוסים המבניים המשמעותיים ביותר.
זה מאפשר זיקוק של אותות גם כאשר התהליך היוצר הבסיסי אינו ידוע או אינו ליניארי ביותר.
כיצד התמרת פורייה מפרקת אותות EEG
נקודת ההתחלה הקלאסית לניתוח תדרים היא התמרת פורייה, פעולה מתמטית המפרקת אות לסכום של גלי סינוס בתדרים שונים.
בצורתה המתמטית הטהורה, התמרת פורייה מניחה אות אינסופי שתכונותיו הסטטיסטיות אינן משתנות לעולם, תנאי שרישומי EEG אמיתיים אינם עומדים בו לעולם. בפועל, חוקרים עוקפים זאת על ידי יישום התמרת פורייה דיסקרטית (DFT) על מקטעים קצרים ומוגבלים בחלון זמן של ההקלטה, בדרך כלל באורך של מספר שניות, ושימוש בתוצאה כדי להעריך את צפיפות ההספק הספקטרלי (PSD), המכמתת כמה עוצמת אות קיימת בכל תדר בתוך אותו חלון זמן.
מעקף זה מגיע עם שתי הנחות יסוד:
ראשית, האות מטופל כאילו היה סטציונרי למשך חלון הזמן הנבחר, כלומר מניחים שתוכן התדר שלו אינו משתנה בתוך אותו פלח זמן.
שנית, האות מעובד כסכום ליניארי של גלי סינוס קבועים, קירוב שעובד היטב עבור פעילות חלקה ומחזורית אך מתקשה עם שינויים פתאומיים או צורות שאינן סינוסואידליות.
למרות פשטנות זו, גישות מבוססות PSD הוכיחו את עצמן שוב ושוב כיעילות בפועל.
לדוגמה, ניתוח השוואתי של שיטות להפקת מאפיינים ספקטרליים עבור סיווג דימות מוטורי מצא שטכניקות PSD היו העקביות, החזקות והיעילות ביותר בהפקת דפוסי ספקטרליים ייחודיים להבחנה בין דימות תנועה של יד שמאל ליד ימין, כפי שהוערך על פני אחד עשר נבדקים במהלך שני מפגשי הקלטה.
בנוסף, מחקר נפרד שהתמקד בזיהוי נמנום מחזק דפוס זה. באמצעות ערוץ EEG יחיד, חוקרים בנו מערך מאפיינים המשלב מדדי PSD, כולל תדר מרכזי, התדר שמתחתיו נופל רבע מההספק הספקטרלי, סך האנרגיה הספקטרלית, והספק בתוך תחומי התטא והאלפא, לצד מאפיינים מבוססי גלונים (wavelet).
גישה משולבת זו זיהתה אפיזודות של נמנום בדיוק של 86.5 אחוזים ומקטעי ערנות בדיוק של 81.7 אחוזים. רכיב ה-PSD של אותו מערך מאפיינים עקב אחר שינויים גסים ותלויי-מצב בתוכן הספקטרלי, סוג של מעבר רחב בין מצבים מנטליים ולא אירוע תנודתי המתרחש מילישנייה אחר מילישנייה.
יחד, שני מחקרים אלה מצביעים על כך שהערכת PSD, למרות הנחת הסטציונריות שלה, מסוגלת ללכוד דפוסים ספקטרליים משמעותיים הקשורים למצבי מוח משתנים, אפילו כאשר האות המייצר דפוסים אלה הוא דינמי.
פירוק אופנים אמפירי והחלופה הסתגלנית שלו
פירוק אופנים אמפירי (EMD) נוקט בגישה שונה לחלוטין. במקום לאלץ אות לתוך בסיס מוגדר מראש של גלי סינוס, EMD מסנן באופן סתגלני את האות עצמו לקבוצה של רכיבים הנקראים פונקציות אופן פנימיות (IMFs).
כל IMF מופק ישירות ממבנה התנודה של הנתונים עצמם, מה שמאפשר עקרונית לשיטה לעקוב אחר שינויים רגעיים באמפליטודה ובתדר מבלי לדרוש מהאות להישאר ללא שינוי מבחינה סטטיסטית.
ראוי לציין כי EMD נושא גם חסרונות ידועים, כולל נטייה לערבוב אופנים (mode mixing), שבו IMF בודד מסיים להכיל תנודות מיותר מתדר אמיתי אחד, ורגישות לרעש שעלולה לעוות את הפירוק.
טכניקה קשורה, Variational Mode Decomposition (VMD), פותחה בחלקה כדי לטפל בבעיות חוסר יציבות אלו. VMD מפיק אופנים מוגבלי פס, שכל אחד מהם מרוכז בתדר ספציפי, תוך שימוש בנוסחה מתמטית מוגבלת יותר הנוטה להניב תוצאות יציבות יותר מאשר EMD סטנדרטי.
מחקר משנת 2019 יישם את VMD יחד עם מדד הנקרא אנטרופיה ספקטרלית של אופנים (mode spectral entropy), המכמת את אי-הסדירות של אופן תדר נתון, כדי לזהות אירועי התקפים אפילפטיים ברישומי EEG. לאחר שלב עיבוד מקדים שכלל ניתוח גורמים ראשיים לבחירת ערוצים, השיטה השיגה דיוק של 98 עד 100 אחוזים בבסיס הנתונים Bonn EEG. במאגר הנתונים המאתגר יותר CHB-MIT, היא הניבה רגישות ממוצעת של 88.55 אחוזים, ספציפיות של 94.86 אחוזים ודיוק של 72.92 אחוזים.
תוצאה זו מדגימה כי פירוק מבוסס אופנים יכול להתמודד בהצלחה עם אירועים עצביים חולפים ולא-סטציונריים ביותר, מכיוון שהתקף הוא מעצם הגדרתו סטייה פתאומית וקצרת יומין מפעילות המוח הבסיסית.
פירוק מרחבי-ספקטרלי פותר את בעיית ערבוב המקורות
פירוק מרחבי-ספקטרלי (SSD) הוא שיטת פירוק ליניארית הפועלת על פני מערך החיישנים המלא, ובמהלכה היא מוצאת שילוב מרחבי של ערוצים הממקסם את עוצמת האות בתדר יעד מסוים ובו-זמנית ממזער את העוצמה בצידי התדר השכנים משני הצדדים. הפלט אינו רק ספקטרום נקי יותר אלא דפוס המראה אילו מיקומי אלקטרודות, ובהשלכה אילו אזורי מוח בסיסיים, תורמים הכי הרבה לתנודה ספציפית זו.
מחקר שהציג שיטה זו הדגים כי SSD יכול להפיק באופן מהימן אותות תנודתיים גם כאשר יחס האות לרעש היה נמוך עד כדי 1-ל-10, בדיקה תובענית בהתחשב בכמה חזק יותר היה הרעש לעומת האות שיועד לבדיקה.
בהשוואות ראש בראש, SSD עלה בביצועיו על גישות קונבנציונליות המבוססות על ניתוח רכיבים עצמאיים (ICA). כאשר יושם על נתוני EEG אמיתיים, SSD הפריד רכיבים עם דפוסים מרחביים המתאימים למיקומים מרכזיים, סנסורימוטוריים, כמו גם רכיבים נפרדים המתאימים למיקומים אוקסיפיטו-פריאטליים, אחוריים.
עתיד הפירוק של נתונים זמניים
התקדמות בכוח מחשוב ובאלגוריתמים של למידת מכונה מתחילה למזג פירוק ספקטרלי קלאסי עם ארכיטקטורות ניבוי מונחות נתונים. מערכות משולבות אלו מבטיחות לאוטומט את הפקת הסמנים הביולוגיים, מה שיאפשר ניתוח בזמן אמת של דינמיקה עצבית שדרשה בעבר עיבוד לא מקוון ארוך. התכנסות של שיטות אלו עשויה להפחית את השיהוי בין רכישת נתונים לפעולה קלינית, ובכך להקל על ממשקי מוח-מחשב תגובתיים יותר.
המחקר מתמקד יותר ויותר בפיתוח מעריכים ספקטרליים משופרים קוונטית המתעלים על המגבלות המובנות של פונקציות חלון קלאסיות. על ידי אופטימיזציה של יעילות רוחב הפס של מערכי גלונים, החוקרים מקווים להשיג רזולוציית-על שתוכל להבחין בין מקורות קליפת המוח החופפים בקנה מידה של מילימטר. התפתחות זו מצביעה על עתיד שבו ניטור האותות הופך להרבה יותר מפורט ונגיש.
סטנדרטיזציה על פני מעבדות מחקר גלובליות נותרה יעד מרכזי לעשור הבא של מדע הנתונים הזמניים. קביעת מדדי ביצועים להערכה תבטיח שהתקדמויות טכנולוגיות יהיו ניתנות לשחזור ולתרגום ליישומים של בריאות הציבור. ככל שמתודולוגיות אלו יתייצבו, הפער בין מחקר בסיסי במדעי המוח לבין תועלת אבחנתית מעשית צפוי להצטמצם באופן משמעותי.
סיכום
הטכניקה של פירוק נתונים זמניים לתדרים נותרה דיסציפלינה חיונית לפענוח המורכבות של אותות חשמליים בפיזיולוגיה אנושית. על ידי יישום שיטות מתמטיות חזקות להפקת דפוסים משמעותיים ממערכי נתונים רועשים, חוקרים משפרים את היכולת שלהם לנטר יציבות ולזהות שינויים פתולוגיים.
ככל שמסגרות אנליטיות אלו ימשיכו להתפתח, הן ישפרו עוד יותר את הדיוק של המחקר הנוירולוגי ואת היעילות של התוצאות הקליניות הבאות.
מקורות
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
שאלות נפוצות
מה ההבדל בין תחומי הזמן והתדר?
תחום הזמן מראה כיצד האמפליטודה של האות משתנה לאורך זמן, בעוד שתחום התדר מציג כמה מהאות נמצא בתוך תחומי תדר קבועים.
האם ניתן לבצע פירוק זמני בזמן אמת?
כן, חומרת עיבוד אותות דיגיטלית מודרנית מאפשרת חישוב רציף של רכיבי תדר, מה שמאפשר יישומי ניטור ומשוב בזמן אמת.
כיצד מופרד הרעש מפעילות המוח בפועל?
רעש מבודד בדרך כלל על ידי זיהוי תחומי תדרים מחוץ לטווחי הפעילות העצבית הידועים או על ידי זיהוי חתימות מרחביות או ספקטרליות אופייניות הקשורות להפרעות סביבתיות.
כיצד התמרת פורייה מפיקה מידע על תדרים מ-EEG?
התמרת פורייה מפרקת אות לסכום של גלי סינוס, מתוך הנחה שהאות הוא סטציונרי בתוך חלון זמן קצר. צפיפות הספק ספקטרלי (PSD) מודדת לאחר מכן כמה הספק קיים בכל תדר, ובכך מספקת תמונת מצב של התוכן התנודתי.
במה שונה פירוק אופנים אמפירי (EMD) מניתוח פורייה?
EMD מסנן באופן סתגלני את האות לפונקציות אופן פנימיות מבלי להניח סטציונריות, מה שמאפשר לו לעקוב אחר שינויי תדר ואמפליטודה רגעיים. זה הופך אותו לתיאורטית למתאים יותר למקצבים לא-סטציונריים כמו mu, אם כי הוא עלול לסבול מערבוב אופנים.
מתי תבחר ב-PSD על פני שיטת פירוק אופנים?
PSD הוא בחירה חזקה כאשר חוקרים דפוסי ספקטרליים רחבים וניתנים לשחזור בין מצבים שונים, כגון השוואה בין משימות דימות מוטורי. הפשטות החישובית שלו והאמינות המבוססת שלו לסיווג מצבים מנטליים הופכות אותו ליעיל כאשר תזמון מדויק של שינויים מהירים אינו קריטי.
Emotiv היא מובילה בתחום הנוירוטכנולוגיה המסייעת לקדם מחקר במדעי המוח באמצעות כלי EEG נגישים וכלי נתוני מוח.
כריסטיאן בורגוס
