מדוע מדעני מוח ממירים זמן לתדר

מהו המעבר מתחום הזמן לתחום התדר?

תהליך המעבר כולל המרה של סדרות נתונים גולמיים, הנמדדים בדרך כלל כאמפליטודות (עוצמות) מול זמן, לספקטרום של תדרים. שינוי מתמטי זה מאפשר לחוקרים לצפות ברכיבים המחזוריים המרכיבים את הסיגנל, ולא רק בתנודות המתח או הלחץ הגולמיות. על ידי התבוננות בנתונים דרך עדשה זו, דפוסים מעודנים בתוך ערכות נתונים מורכבות הופכים לקלים משמעותית לסיווג ולפענוח לצורך ניתוח נוסף.

הבנת הבסיס: מתחום הזמן לתחום התדר

ברישום סיגנלים סטנדרטי, היבט הזמן מייצג את רצף האירועים כפי שהם מתרחשים, תוך שמירה על סדר כרונולוגי שהוא אינטואיטיבי לניטור מיידי. עם זאת, מערכות דינמיות רבות מציגות התנהגויות מחזוריות – כמו פעילות נוירונלית קצבית הקשורה למדעי המוח – שלא קל להפריד ביניהן על ידי התבוננות בסיגנל הגולמי בלבד.

מעבר לפרספקטיבה של תדר פועל ביעילות כמסנן אנליטי, המאפשר לבודד מקצבים בודדים ואת התרומה היחסית שלהם למבנה הסיגנל הכולל.

הבסיס המתמטי: התמרת פורייה

התמרת פורייה פועלת על פי העיקרון לפיו ניתן לבטא כל סיגנל תנודתי מורכב כסכום משוקלל של גלי סינוס וקוסינוס פשוטים יותר. פעולה מתמטית זו מבצעת למעשה פירוק, ומחלצת את המבנה המחזורי הבסיסי של הסיגנל ללא קשר למורכבותו הראשונית.

על ידי החלת התמרה זו, חוקר ממפה את נקודות נתוני הזמן לתחום חדש שבו הציר האופקי מייצג תדר והציר האנכי מציין את ההספק או האמפליטודה של כל רכיב תדר ספציפי.

מדוע ניתוח מעבר בין זמן לתדר הוא חשוב?

ניתוח סיגנלים בתחום התדר חיוני לבידוד תופעות ספציפיות המוטמעות בתוך רעש או צורות גל גדולות ומעורבות יותר. גישה זו מקובלת באופן נרחב בתחומים שונים המסתמכים על עיבוד אותות מדויק כדי להפיק Insight רלוונטי מחיישנים ומכשירי מדידה.

יישומים בעיבוד אותות

מהנדסים נתקלים לעיתים קרובות בסיגנלים המזוהמים על ידי הפרעות רקע או רעש חשמלי סביבתי, העלולים למסך את המידע העיקרי שמעניין אותם. טכניקות אנליטיות הבוחנות את הרכב התדרים מאפשרות סינון מדויק, שבו טווחים לא רצויים ספציפיים מונחתים מבלי לשבש את נתוני הליבה.

יכולת זו מהווה בסיס למערכות תקשורת וטכנולוגיות חיישנים מודרניות, ומבטיחה שפסגות סיגנל תקפות יישארו מובחנות וניתנות לפענוח לצורך עיבוד המשך.

Insight בניתוח אודיו ודיבור

דיבור אנושי וקולות טבעיים מורכבים ממספר תדרים חופפים, שכל אחד מהם מאפיין את גוון הצליל והטון של המקור הבסיסי. המרת סיגנלים אלו לתחום התדר מאפשרת לחוקרים למפות פורמנטים או לזהות מאפייני דיבור המשתנים עם הזמן, דרישה נפוצה בתחום האקוסטיקה.

על ידי התייחסות לסיגנלים אלה כאל ספקטרוגרמות, אנליסטים יכולים לנטר שינויים חולפים שעשויים להצביע על ארטיפקטים קוליים ספציפיים או על דפוסים המבדילים בין מקור אקוסטי אחד למשנהו.

מקרי בוחן בהנדסה ביו-רפואית

בסביבות רפואיות, מדידה מדויקת של פלט חשמלי ביולוגי היא קריטית לצורך מעקב אחר הבריאות ואבחון מצבים נוירולוגיים. באמצעות שימוש ב-EEG ככלי מרכזי, רופאים יכולים לתעד דפוסי גלי מוח בעוד שחוקרים משתמשים בניתוחי תדר ספציפיים כדי לחקור התנהגויות קצביות הקשורות למצבי ערנות שונים.

שילוב ציוד ייעודי כמו חומרת PCI Data Acquisition מבטיח לכידת נתונים ברמת דיוק גבוהה (high-fidelity), אשר מעובדים לאחר מכן באמצעות התמרות בתחום התדר כדי לספק Insight אבחוני משמעותי.

שיטות נפוצות להמרת זמן לתדר

קיימים אלגוריתמים שונים להמרת נתונים זמניים, שכל אחד מהם מתאים לרמות שונות של יציבות הסיגנל ודרישות הדיוק. בחירת השיטה המתאימה תלויה באופי הסיגנל וברזולוציה הנדרשת של פלט הספקטרום הסופי.

התמרת פורייה קצרת-זמן (STFT)

שיטה זו מחלקת סיגנל ארוך לחלונות קטנים וחופפים, ומבצעת התמרת פורייה על כל אחד מהם כדי לצפות כיצד תכולת התדר מתפתחת. היא שימושית במיוחד עבור סיגנלים שאינם סטציונריים לחלוטין אך נותרים יציבים לפרקי זמן קצרים.

כיצד להמיר זמן לתדר באופן ידני

בעוד שתוכנות מאוטומטות את רוב החישובים, הבנת ההמרה הידנית של סיגנלים מחזוריים דורשת זיהוי של משך המחזור. על ידי חישוב ההופכי של המחזור, קובעים את הקצב שבו האירוע משלים מחזור שלם, מה שמוביל לערך התדר שנמדד בהרץ.

טבלה זו מדגימה את **היחס ההפוך בין מחזור לתדר**, כאשר משך מחזור קצר יותר מביא לפלט תדר גבוה משמעותית.

שימוש במחשבון תדר לזמן לצורך הערכות מהירות

אנשי מקצוע משתמשים לעיתים קרובות בכלי הערכה כדי לגשר על הפער בין זמן לתדר ללא חישובים מתישים. כלים אלה מציעים בדרך כלל את התכונות הבאות להגדרה מהירה במהלך ניתוח נתונים:

• המרה אוטומטית של זמן מחזורי להרץ.

• תמיכה ביחידות מידה מרובות כמו מילי-שניות ומיקרו-שניות.

• היפוך פונקציות מיידי כדי להפוך את כיוון ההמרה.

• גרפים מיידיים להשוואה ויזואלית של יציבות הסיגנל.

מחשבונים אלו מספקים הערכה ראשונית לפני שמיישמים טכניקות מורכבות יותר של סינון דיגיטלי או פירוק ספקטרלי בסביבת מחקר.

התמרת וובלט (Wavelet)

בניגוד לגישות פורייה המסורתיות, התמרת Wavelet משתמשת בחלונות הניתנים להרחבה וכיווץ כדי לנתח רכיבי תדר נמוך וגבוה בו-זמנית. זה מאפשר לוקליזציה טובה יותר של שינויי סיגנל פתאומיים, כגון פריקות זמניות או ספייקים (Spikes) המתרחשים מהר מדי עבור ניתוח STFT מבוסס חלונות.

היא מוערכת מאוד בתחומים הדורשים רגישות גבוהה לזמן ולתדר במעבר יחיד.

המנסרה הבלתי נראית: הפיכת זמן לתדר

רגע בודד של פעילות מוחית מורכב רק לעיתים נדירות מגל נקי אחד. הוא מתנהג יותר כמו אקורד מוזיקלי, שבו כמה תווים נשמעים יחד כדי ליצור טון מורכב אחד.

אם מקשיבים רק לאקורד כמכלול, שומעים שילוב, ולא את התווים הבודדים. אותה בעיה חלה על רישום EEG גולמי. בכל רגע נתון, תנודות איטיות, בינוניות ומהירות פועלות בו-זמנית, ותצוגת תחום הזמן עורמת אותן לצורת גל יחידה שקשה לפענוח.

המרת צורת גל זו לתחום התדר אינה מוסיפה מידע חדש לסיגנל. היא מארגנת מחדש את המידע הקיים כך שהתנודות השונות הופכות לגלויות כרכיבים נפרדים. לארגון מחדש זה יש השלכות מעשיות הניתנות למדידה על רמת היכולת של חוקרים לנקות נתונים רועשים ולזהות דפוסים משמעותיים.

חשבו על ארטיפקטים של מצמוץ עיניים, אחד ממקורות הזיהום העקביים ביותר ברישומי EEG. כאשר העיניים זזות, האות החשמלי שנוצר כתוצאה מכך, הנקרא אלקטרואוקולוגרמה (EOG), דולף לערוצי EEG סמוכים ומעוות את הקריאה. ניסיונות תיקון מוקדמים הניחו שהדליפה מהעיניים לקרקפת מתנהגת באופן עקבי בכל המקצבים, כך שחיסור פשוט בתחום הזמן אמור לעבוד באותה מידה בכל מקום.

.Kenemans et al בחנו הנחה זו ישירות. באמצעות שימוש בנתונים סימולטיביים ואמיתיים כאחד, חוקרים השוו שלוש אסטרטגיות ניקוי:

1. רגרסיה פשוטה בתחום הזמן

2. רגרסיה מורכבת יותר בתחום הזמן עם הסטה מרובת-פיגורים (multiple-lag)

3. רגרסיה בתחום התדר.

כאשר המעבר החשמלי מהעין לקרקפת היה בלתי תלוי בתדר, כלומר פעל באותו אופן בכל המקצבים, שלוש השיטות הציגו ביצועים טובים באותה מידה. אך כאשר המעבר היה תלוי תדר, כלומר הזיהום השתנה בהתאם למקצב המעורב, השיטה הפשוטה בתחום הזמן נכשלה בשחזור מלא של ה-EEG המקורי.

רק הגישה בתחום התדר ושיטת תחום הזמן המתוחכמת יותר של הסטה מרובת-פיגורים יכלו לתת מענה לשונות זו. הדבר מצביע על כך שארטיפקטים של סיגנלים מוחיים אינם מתנהגים תמיד באופן אחיד לאורך הזמן, ולעיתים רק עדשה מודעת-תדר יכולה להפריד בצורה נכונה בין פעילות מוחית אמיתית לזיהום.

הרווח של ניסוח מחדש זה הופך לדרמטי עוד יותר בזיהוי התקפים אפילפטיים. מחקר משנת 2018 מצא שכאשר סיגנלי EEG גולמיים בתחום הזמן הוזנו למערכת סיווג, הדיוק ברישומי קרקפת צנח עד ל-60 אחוזים בחלק מהניסויים, תוצאה שאינה טובה בהרבה מהטלת מטבע עבור משימות סיווג מסוימות. כאשר אותם נתונים הומרו תחילה לתחום התדר, הדיוק באותה משימה זינק לכ-96 אחוזים.

המידע הנדרש כדי לזהות נכון מצב של התקף היה קיים ברישום לאורך כל הזמן. הוא פשוט לא היה גלוי עד שהסיגנל נבחן דרך רכיבי התדר שלו.

מדוע תצוגת התדר חשובה: מרעש לאפליקציות משנות חיים

המעבר מזמן לתדר אינו העדפה טכנית מופשטת. יש לו השלכות קונקרטיות בארבעה יישומים שונים מאוד.

הסרת ארטיפקטים חדה יותר

תנועות עיניים ומצמוצים הם מקור כרוני לזיהום ברישומי EEG, מכיוון שהאות החשמלי המופק על ידי העיניים יכול להתפשט לאלקטרודות קרקפת סמוכות.

המחקר של .Kenemans et al הדגים כי זיהום זה אינו עובר תמיד בקצב קבוע בכל התדרים. כאשר המעבר היה תלוי תדר, תיקון בסיסי בתחום הזמן הציג ביצועים נמוכים, בעוד ששיטת רגרסיה בתחום התדר שחזרה בהצלחה את סיגנל המוח המקורי.

זהו נתון קריטי לכל יישום שבו איכות סיגנל נקייה היא חיונית, מכיוון שעלולים לטעות ולחשוב שארטיפקטים לא מתוקנים של עיניים הם פעילות מוחית אמיתית אם מיושמת שיטת הניקוי השגויה.

המוח שלך, החתימה שלך

מחקר שפורסם ב-Journal of Neural Engineering מצא כי הדפוס הכללי של מקצבי המוח של אדם נותר יציב להפליא לאורך מפגשי הקלטה שונים ואפילו על פני מיקומי חיישנים שונים על הקרקפת. עקביות זו, המתוארת כסוג של טביעת אצבע של EEG, הייתה החזקה ביותר ברצועת האלפא אך ניתנת לזיהוי בטווח רחב מ-1 עד 40 Hz.

ראוי לציין כי חתימה מזהה זו נשמרה גם כאשר הנבדקים ביצעו משימות קוגניטיביות שונות לחלוטין, מה שמצביע על כך שהדפוס משקף משהו יציב מבחינה מבנית במוח של הפרט, ולא משהו שמגיב לפעילות מנטלית ספציפית באותו רגע.

כוח האבחנה של מקצבים אלה עקב אחר מה שהחוקרים תיארו כדפוס בצורת W לאורך טווח התדרים, כאשר שיא הזיהוי החזק ביותר התרכז סביב מקצב האלפא של 10 Hz. לממצא זה יש רלוונטיות ישירה למערכות זיהוי ביומטריות שעשויות ביום מן הימים להשתמש בפעילות המוח כסוג של אימות אישי מאובטח.

קריאת רגשות

מצבים רגשיים משאירים עקבות מדידים בדפוסי קצב המוח, ומחקר של פטרנטונאקיס וצוותו מראה כי עקבות אלו נלכדים בצורה הטובה ביותר בתחום הזמן-תדר ולא בסיגנל תחום הזמן הגולמי. על ידי שימוש בגישת סגמנטציה אדפטיבית ומדידת אסימטרית אלפא פרונטלית, חוקרים בנו מערכת סיווג המסוגלת להבחין בין שילובים שונים של ערכיות (valence) ועוררות (arousal), וסיווגו נכון מצבים רגשיים הרבה מעבר לרמה הצפויה מניחוש מקרי.

סוג זה של זיהוי רגשות מבוסס-תדר קשור לעניין הגובר בממשקי מוח-מחשב שנועדו להגיב למצב הרוח או למעורבות הרגשית של המשתמש, אם כי דיוק הסיווג שדווח, שנע בין כ-64 ל-83 אחוזים בהתאם לקטגוריות הרגשיות הספציפיות שנבחנו, מצביע על כך שזה נותר כלי הסתברותי ולא קריאה רגשית מוחלטת.

התגברות על אפילפסיה

אולי ההדגמה הבולטת ביותר לערך המעשי של תחום התדר מגיעה ממחקר אפילפסיה. מחקר המחקר המוזכר משנת 2018 השווה ישירות בין סיגנלים בתחום הזמן ובתחום התדר כקלט לרשת עצבית קונבולוציונית (CNN) שתפקידה להבחין בין מצבי מוח איקטליים (ictal), פרה-איקטיליים ואינטר-איקטליים.

במאגר הנתונים התוך-גולגולתי של פרייבורג, קלט בתחום התדר הניב דיוקים ממוצעים של בין 92 ל-97 אחוזים לאורך שלושה ניסויי סיווג נפרדים, בעוד שקלט בתחום הזמן באותו מאגר נתונים הניב דיוקים שנעו בין כ-84 ל-91 אחוזים. הפער התרחב באופן ניכר במאגר הנתונים CHB-MIT שנרשם מהקרקפת, שבו הדיוק בתחום התדר נשאר גבוה, בין כ-93 ל-98 אחוזים, בעוד שהדיוק בתחום הזמן קרס לטווח של 48 עד 62 אחוזים בלבד בחלק מהניסויים.

הדבר מצביע על כך שעבור תנאי רישום מסוימים, במיוחד EEG מהקרקפת, סיגנל תחום הזמן הגולמי פשוט עשוי להיות חסר את המבנה הניתן לפתרון הדרוש לסיווג התקפים אוטומטי אמין, בעוד שארגון מחדש של אותו סיגנל בתחום התדר הופך את הדפוס הבסיסי לנגיש למערכת למידת מכונה.

יתרה מכך, .Madhavan et al לוקחים מושג זה צעד אחד קדימה על ידי התמקדות ספציפית בלוקליזציה ולא בזיהוי במחקרם משנת 2020. תוך שימוש בטכניקה הנקראת synchrosqueezing transform להפקת ייצוגי זמן-תדר מפורטים, בשילוב עם רשת עצבית קונבולוציונית עמוקה, השיג המחקר ערכי דיוק, רגישות וספציפיות של מעל 99 אחוזים בהבחנה בין סיגנלי EEG מוקדיים (focal), שמקורם באזור האפילפטוגני האחראי לטריגר של התקפים, לבין סיגנלים לא-מוקדיים שמקורם במקומות אחרים במוח.

רמת דיוק זו רלוונטית ישירות לניתוחי אפילפסיה, שבהם זיהוי נכון של אזור המוח המדויק האחראי לפעילות ההתקפים הוא תנאי מוקדם להתערבות כירורגית בטוחה ויעילה.

עדשה חדשה אל המוח החי

המעבר מקו מתח בודד הנודד לאורך הזמן לספקטרום של מקצבים מובחנים הוא המנגנון שהופך את ה-EEG לקריא מלכתחילה. בלעדיו, אלגוריתם לזיהוי התקפים הפועל מנתוני קרקפת יכול להציג ביצועים שבקושי טובים מניחוש מקרי.

איתו, אותו אלגוריתם יכול לטפס לאזור ה-90 אחוזים ומעלה בדיוק. בלעדיו, זיהום מעודן של מצמוצי עיניים יכול להתחזות לפעילות מוחית אמיתית.

עם תיקון מודע-תדר, ניתן להפריד את הזיהום הזה בצורה מהימנה יותר. בלעדיו, הדפוס היציב והספציפי לאדם בתוך מקצבי המוח של מישהו, המרוכז בצורה החזקה ביותר סביב רצועת האלפא, נותר בלתי נראה. איתו, דפוס זה הופך לחתימה מדידה.

אף אחד מהיישומים הללו לא דרש הוספת מידע חדש לסיגנל ה-EEG. הם דרשו ארגון מחדש של המידע הקיים לצורה שבה ניתן סוף סוף להבחין בין דפוסים משמעותיים לבין רעש.

ארגון מחדש זה, המעבר מזמן לתדר, הוא מה שהופך רישום מתח כאוטי לתיעוד מובנה של פעילות דלתא, תטא, אלפא, בטא וגמא, ומעניק לחוקרים וקלינאים דרך ברורה ולא פולשנית לחקור שינה, מצבים רגשיים, זהות אינדיבידואלית ומחלות נוירולוגיות כפי שהן מתרחשות במוח החי.

מקורות

1. Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x

2. Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095

3. DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.

4. Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647

5. Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072

שאלות נפוצות

מדוע מדעני מוח ממירים סיגנלי EEG מתחום הזמן לתחום התדר?

רישום EEG גולמי עורם מקצבי מוח מרובים במהירויות שונות לצורת גל מורכבת אחת, מה שמקשה על ראיית דפוסים בודדים. המרה לתחום התדר מפצלת את הסיגנל לתדרי רכיבים נפרדים, בדומה למנסרה המפרידה אור לבן לצבעים, כך שניתן לחקור כל מקצב בפני עצמו.

כיצד תצוגת התדר משפרת את הסרת ארטיפקטים של מצמוץ עיניים?

זיהום ממצמוצי עיניים יכול לעבור באופן שונה בין תדרי ה-EEG השונים, מה שאומר שחיסור פשוט מבוסס זמן נכשל לעיתים קרובות. רגרסיה בתחום התדר נותנת מענה להבדלים אלו התלויים בתדר, ומאפשרת לשחזר את סיגנל המוח האמיתי בצורה מדויקת יותר.

מה קורה לדיוק זיהוי ההתקפים כאשר משתמשים בתחום התדר במקום בתחום הזמן?

דפוסים הרלוונטיים להתקפים קיימים בסיגנל הגולמי אך אינם נראים בתחום הזמן. ניתוח תדר מארגן מחדש את הנתונים כך שמסווג יכול להגיע לדיוק של מעל 90%, בעוד שקלט גולמי בתחום הזמן מציג לפעמים ביצועים שאינם טובים יותר מניחוש אקראי ברישומי קרקפת.

מדוע מקצב האלפא נחשב למזהה ביומטרי חזק?

פעילות אלפא מציגה שיא ייחודי ויציב סביב 10 Hz שנשאר עקבי לאורך משימות ומפגשי הקלטה שונים. יציבות זו משקפת את ארכיטקטורת המוח הבסיסית של הפרט, מה שהופך אותה לטביעת אצבע אמינה של EEG לזיהוי אנשים.

כיצד דפוסי תדר EEG יכולים להצביע על מצבים רגשיים?

אסימטריית אלפא פרונטלית, המשווה את חוזק האלפא בין אזורי המוח הפרונטליים השמאלי והימני, משתנה בהתאם לערכיות הרגשית ולעוררות. ניתוח בתחום התדר לוכד את דפוסי האסימטריה הללו, ומאפשר סיווג של מצבים רגשיים הרבה מעבר לרמות המצופות מניחוש מקרי.

מדוע ניתוח תדר חיוני ללוקליזציה של אזורי התפרצות התקפים בניתוחי אפילפסיה?

התפרצויות גמא קצרות בתדר גבוה ושינויים בכל הרצועות מסמנים את האזור האפילפטוגני. טכניקות זמן-תדר כמו synchrosqueezing מתמירות דפוסים אלה לייצוגים מפורטים, ומאפשרות למודלים של למידה עמוקה להבחין בין סיגנלי התקף מוקדיים לסיגנלים לא-מוקדיים בדיוק גבוה מאוד – תנאי מוקדם לתכנון כירורגי בטוח.