Transformasi Fourier dasar, alat matematika klasik untuk memecah sinyal menjadi frekuensi komponennya, dapat memberi tahu Anda ritme otak mana yang ada di suatu tempat di seluruh rekaman. Yang tidak dapat dikatakannya adalah kapan hal itu terjadi. Ledakan singkat aktivitas alfa yang muncul seketika saat seseorang memejamkan mata adalah peristiwa penting yang terikat waktu.
Ketika dirata-ratakan ke dalam satu ringkasan frekuensi yang mencakup rekaman berdurasi sepuluh menit, ledakan tersebut menjadi statistik, yang tidak dapat dibedakan dari kebisingan latar belakang. Memulihkan waktu terjadinya peristiwa-peristiwa ini adalah titik awal untuk penelitian EEG serius apa pun, dan ini adalah masalah tepat yang diciptakan untuk dipecahkan oleh Short-Time Fourier Transform (STFT).
Masalah pada Transformasi Fourier Standar
Transformasi Fourier standar adalah pilar pemrosesan sinyal klasik karena secara efektif menguraikan sinyal kompleks menjadi penjumlahan sinusoid murni. Dengan mengintegrasikan sepanjang waktu tak terbatas, metode ini mengungkap konten frekuensi total yang ada dalam suatu rekaman.
Namun, metode ini mengasumsikan sinyal bersifat stasioner; jika komposisi frekuensi berubah seiring waktu, hasil tipikalnya akan mengaburkan urutan temporal. Keterbatasan ini membuatnya mustahil untuk membedakan antara peristiwa singkat yang meledak-ledak dan harmonik yang berkelanjutan, yang sangat penting dalam bidang seperti ilmu saraf.
Apa Itu Short-Time Fourier Transform dalam Analisis EEG
STFT mendekati masalah waktu dengan strategi yang cukup langsung. Alih-alih menjalankan Transformasi Fourier pada seluruh rekaman EEG sekaligus, metode ini memotong sinyal menjadi segmen-segmen pendek dan berurutan, yang sering disebut jendela (window), dan menerapkan Transformasi Fourier secara terpisah pada masing-masing segmen tersebut. Setiap jendela menghasilkan cuplikan frekuensi miniaturnya sendiri, dan merangkai cuplikan-cuplikan ini secara berurutan akan menciptakan gambaran bergerak tentang bagaimana konten frekuensi berubah seiring waktu.
Keluaran dari proses ini biasanya ditampilkan sebagai spektrogram, peta visual dengan waktu di satu sumbu dan frekuensi di sumbu lainnya. Warna atau intensitas pada titik tertentu pada peta ini mewakili daya, atau kekuatan, dari frekuensi tersebut pada momen itu. Inilah nilai yang tepat yang dirancang untuk diberikan oleh analisis STFT.
Seperti yang dinyatakan oleh Zabidi et al., analisis STFT bekerja untuk “mengungkapkan konten frekuensi sinyal EEG pada setiap titik waktu”.
Mengapa Panjang Jendela Adalah Pengaturan Paling Penting dalam STFT
Memotong sinyal menjadi jendela-jendela terdengar sederhana, tetapi panjang yang dipilih untuk setiap jendela menentukan hampir segalanya tentang kualitas dan keakuratan spektrogram yang dihasilkan. Keputusan ini melibatkan kompromi (trade-off) yang tidak dapat dihindari, hanya dapat dikelola.
Pikirkan seperti ini: jendela yang panjang bertindak seperti penggaris frekuensi yang presisi tetapi stopwatch yang buram. Karena berisi lebih banyak titik data, jendela yang panjang dapat membedakan frekuensi yang berdekatan dengan akurasi nyata. Namun karena membentang dalam rentang waktu yang lebih lama, setiap peristiwa yang terjadi di dalam jendela tersebut menjadi kabur, dan Anda kehilangan kemampuan untuk menentukan dengan tepat kapan sesuatu berubah.
Jendela yang pendek membalikkan kompromi ini. Jendela ini bertindak seperti stopwatch yang presisi tetapi penggaris frekuensi yang buram. Jendela ini dapat memberi tahu Anda hampir tepatnya kapan sesuatu terjadi, tetapi kesulitan memisahkan frekuensi yang berdekatan, karena potongan sinyal yang pendek tidak mengandung cukup siklus osilasi untuk mengukur frekuensi dengan detail halus.
Ini adalah versi dari prinsip ketidakpastian yang mengatur semua analisis waktu-frekuensi: Anda tidak dapat mencapai resolusi sempurna dalam waktu dan frekuensi pada saat yang sama. Meningkatkan satu resolusi selalu mengorbankan yang lain. Menyadari kompromi ini, alih-alih mencoba mengalahkannya, adalah keterampilan inti dalam bekerja dengan STFT.
Karena ritme EEG yang berbeda berosilasi pada kecepatan yang sangat berbeda, tidak ada panjang jendela tunggal yang berfungsi baik untuk semuanya. Panduan berikut adalah heuristik praktis awal yang diambil dari bagaimana ritme ini biasanya berperilaku:
Gelombang delta (sekitar 0,5 hingga 4 Hz): Ini adalah ritme otak yang paling lambat, dan jendela harus cukup panjang, sering kali dalam kisaran 1 hingga 2 detik, untuk menangkap setidaknya satu siklus lengkap dari gelombang terlambat yang diukur. Jendela yang lebih pendek tidak akan berisi cukup gelombang untuk mengarakterisasinya.
Ritme teta dan alfa (sekitar 4 hingga 13 Hz): Jendela perantara, sering kali sekitar 500 milidetik, cenderung mencapai keseimbangan yang dapat diterapkan. Jendela ini cukup panjang untuk menangkap beberapa siklus osilasi, yang membantu mendefinisikan ritme dengan jelas, sementara masih cukup pendek untuk melacak perubahan yang bermakna, seperti timbulnya letupan alfa saat mata terpejam.
Ritme beta dan gama (di atas sekitar 13 Hz): Ritme yang lebih cepat ini bergerak cepat, sehingga jendela pendek, sering kali 250 milidetik atau kurang, menjadi perlu untuk melacak dinamika cepatnya. Konsekuensinya di sini adalah berkurangnya kemampuan untuk mendiskriminasi secara tepat antara frekuensi yang berdekatan dalam rentang gama yang lebih tinggi, akibat langsung dari kompromi yang sama yang dijelaskan di atas.
Bagaimana STFT Mengungkap Perbedaan Antara Gerakan Nyata dan yang Dibayangkan
Nilai praktis STFT menjadi paling jelas dalam penelitian antarmuka otak-komputer (BCI), di mana tujuannya adalah menerjemahkan aktivitas otak secara langsung menjadi sinyal kontrol untuk suatu perangkat.
Contoh yang dipelajari dengan baik melibatkan perbandingan EEG yang direkam saat seseorang membayangkan menggerakkan tangan terhadap EEG yang direkam saat membayangkan gerakan kaki, atau membandingkan tindakan yang dibayangkan terhadap versi fisik nyata dari tindakan tersebut.
Dalam paradigma terkait motorik ini, target analisis yang umum adalah fenomena yang disebut desinkronisasi terkait peristiwa (event-related desynchronization, atau ERD), yaitu penurunan daya sinyal dalam rentang ritme mu dan beta di area otak yang terkait dengan gerakan. Karena ERD adalah penurunan daya spesifik yang terkunci waktu dan bukan fitur latar belakang yang konstan, ini adalah jenis peristiwa yang akan dihapus oleh ringkasan frekuensi seluruh rekaman dan dapat ditangkap oleh spektrogram dengan resolusi waktu.
Studi penelitian Zabidi et al. yang menerapkan STFT langsung pada pertanyaan ini, memeriksa EEG yang dikumpulkan selama menulis tangan nyata dan selama menulis tangan yang dibayangkan. Sinyal pertama-tama dilewatkan melalui filter lolos pita yang membatasi analisis pada rentang 8 hingga 30 Hz, yang mencakup ritme alfa dan beta yang paling relevan dengan aktivitas motorik, sebelum STFT dihitung dengan jendela Hamming yang disesuaikan.
Hasilnya adalah temuan langsung yang spesifik: “komponen frekuensi sinyal EEG yang diperoleh dari menulis sama dengan yang diperoleh selama menulis yang dibayangkan”.
Secara praktis, pola ritme listrik otak selama tindakan yang dibayangkan sangat mirip dengan pola selama tindakan fisik nyata, sebuah korelasi yang mendasari sebagian besar logika di balik sistem BCI yang bertujuan mendeteksi gerakan yang dimaksudkan tanpa memerlukan gerakan fisik nyata apa pun.
Menggunakan STFT untuk Membangun Gambar bagi Model Deep Learning
Di luar inspeksi visual, spektrogram yang dihasilkan oleh STFT telah menemukan peran kedua sebagai langkah prapemrosesan yang diumpankan ke sistem deep learning, dan khususnya ke Convolutional Neural Networks (CNN), jenis model yang awalnya dibangun untuk mengenali pola dalam gambar. Karena spektrogram pada dasarnya adalah gambar berwarna yang menunjukkan daya sepanjang waktu dan frekuensi, para peneliti percaya bahwa spektrogram dapat diserahkan langsung ke model deep learning berbasis gambar, yang kemudian dapat mendeteksi struktur tersembunyi dalam data yang sulit ditentukan secara manual.
Satu studi tahun 2019 mengubah rekaman EEG dari tugas citra motorik (motor imagery), yang membedakan gerakan tangan kanan dari gerakan kaki kanan, menjadi gambar menggunakan STFT dan pendekatan waktu-frekuensi alternatif, lalu memasukkan kedua set gambar tersebut ke dalam arsitektur CNN yang telah dilatih sebelumnya (pre-trained).
Kinerja di kedua pendekatan tersebut kuat, dengan alur kerja keseluruhan mencapai akurasi klasifikasi 99,35%, yang digambarkan sebagai skor terbaik di antara metode sebanding yang ada. Namun, ketika kedua metode pembuatan gambar dibandingkan langsung satu sama lain dalam studi yang sama, hasilnya tidak sama: “pendekatan CWT menghasilkan hasil yang lebih baik daripada pendekatan STFT”, menunjukkan kompromi nyata dan terukur dalam seberapa tepat masing-masing metode menerjemahkan sinyal EEG yang mendasarinya menjadi gambar yang dapat digunakan.
Kompromi ini dilaporkan menjadi masalah yang memotivasi pengembangan metodologis terpisah. Para peneliti membangun apa yang mereka sebut anchored-STFT, yang digambarkan sebagai “versi lanjutan dari STFT, karena meminimalkan kompromi antara resolusi temporal dan spektral yang dihadapi oleh STFT”.
Dipasangkan dengan metode augmentasi data adversarial, alur kerja yang ditingkatkan ini melaporkan akurasi klasifikasi mulai dari sekitar 69% hingga lebih dari 90% di beberapa dataset BCI, memperkuat pola bahwa STFT biasa dapat berfungsi sebagai alat ekstraksi fitur yang benar-benar mumpuni, tetapi keterbatasan resolusi yang diketahui menyisakan ruang untuk penyempurnaan, baik melalui penyetelan parameter, versi yang disempurnakan dari teknik itu sendiri, atau pendekatan waktu-frekuensi yang sama sekali berbeda.
Bagaimana Penelitian Menerapkan Short-Time Fourier Transform pada Klasifikasi Citra Motorik
Satu studi terbaru membawa transformasi Fourier waktu singkat melewati tahap visualisasi dan masuk ke dalam alur kerja klasifikasi yang berfungsi. Seperti halnya pekerjaan sebelumnya yang dijelaskan di atas, titik awalnya adalah tugas citra motorik, di mana seseorang membayangkan menggerakkan tangan daripada menggerakkannya secara fisik.
Para penulis menjelaskan kerangka kerja yang mereka sebut AMD-KT2D, yang dibangun di atas apa yang mereka sebut Optimized Short-Time Fourier Transform. Alih-alih terpaku pada satu pengaturan jendela tetap, varian ini menyelaraskan fungsi windowing dan resolusi waktu-frekuensi secara bersamaan, dengan tujuan untuk mempertahankan fitur temporal dan spasial dinamis yang mungkin dikaburkan atau dihilangkan oleh konfigurasi tetap.
Gambar waktu-frekuensi 2D yang dihasilkan kemudian diteruskan ke arsitektur guide-learner: ResNet50 yang Ditingkatkan, yang telah dilatih sebelumnya pada dataset skala besar, mengekstrak fitur spasial-temporal tingkat tinggi, sementara Customized 2D Convolutional Neural Network menangkap fitur multi-skala. Fungsi kerugian Adaptive Margin Disparity Discrepancy digunakan untuk mengurangi disparitas antara keduanya dan menyelaraskan fitur-fiturnya.
Rekaman EEG untuk tugas citra motorik tangan kiri versus tangan kanan dikumpulkan dengan sistem Emotiv Flex. Pada dataset tersebut, pengklasifikasi citra motorik hibrida dilaporkan mencapai akurasi 96,75% dalam pengaturan tergantung-subjek (subject-dependent) dan 92,17% dalam pengaturan independen-subjek (subject-independent). Kesenjangan antara kedua angka tersebut patut dicatat: kinerja yang diukur dalam individu yang sama tidak secara otomatis berlaku untuk orang yang modelnya belum pernah dilatih.
Jika digabungkan dengan pekerjaan lain yang dibahas dalam artikel ini, studi ini menunjukkan bahwa spektrogram yang dihasilkan oleh transformasi Fourier waktu singkat merupakan input yang layak untuk model deep learning yang ditujukan pada decoding citra motorik. Apa yang belum dibuktikan oleh rangkaian penelitian tersebut adalah generalisabilitas. Ini adalah studi tunggal, pada dataset tunggal, dengan angka akurasi yang terikat pada satu tugas dan satu kelompok peserta, dan metode yang dilaporkan bergantung pada versi transformasi yang disesuaikan daripada bentuk standarnya.
Hasil ini harus dibaca sebagai hal yang menjanjikan dalam pengaturannya sendiri, bukan sebagai kinerja yang pasti untuk antarmuka berbasis EEG secara lebih luas.
Ketika STFT Memiliki Keterbatasan: Masalah Resolusi Tetap
Kompromi yang dibahas di atas adalah batasan utama yang perlu dipertimbangkan secara kritis oleh setiap peneliti yang menggunakan STFT sebelum menarik kesimpulan dari spektrogram.
Setelah panjang jendela dipilih, katakanlah 500 milidetik, jendela yang sama diterapkan secara seragam di seluruh spektrum frekuensi yang dianalisis, baik peneliti melihat aktivitas delta 2 Hz yang lambat maupun aktivitas gama 100 Hz yang cepat. Jendela tidak menyesuaikan dirinya sendiri. Kompromi waktu-frekuensi yang dijelaskan sebelumnya terkunci pada satu pengaturan tunggal untuk seluruh analisis, meskipun ritme yang berbeda idealnya akan mendapat manfaat dari pengaturan yang berbeda.
Sifat tetap inilah yang membedakan STFT dari kategori teknik adaptif, seperti metode berbasis wavelet. Alih-alih mengunci satu ukuran jendela untuk setiap frekuensi, metode adaptif secara efektif menggunakan jendela yang lebih panjang untuk frekuensi yang lebih rendah dan jendela yang lebih pendek untuk frekuensi yang lebih tinggi, menyesuaikan resolusi sesuai kebutuhan dalam satu analisis daripada berkomitmen pada satu kompromi untuk keseluruhan sinyal.
Misalnya, sebuah studi yang dipimpin oleh Wang et al. yang mengembangkan metode waktu-frekuensi adaptif melaporkan bahwa pendekatannya “dapat memberikan resolusi waktu-frekuensi optimal dibandingkan dengan STFT dan CWT”, secara eksplisit menyebut STFT sebagai garis dasar yang diungguli.
Dalam aplikasi klinis terpisah yang memprediksi hasil pengobatan antidepresan pada Gangguan Depresi Mayor dari data EEG pra-perawatan, para peneliti membandingkan pendekatan berbasis wavelet secara langsung terhadap STFT dan metode dekomposisi lainnya, dan melaporkan bahwa “analisis WT telah menunjukkan akurasi klasifikasi tertinggi” di antara teknik-teknik yang dibandingkan, mencapai akurasi 87,5% dibandingkan dengan alternatif lainnya.
Alur Kerja Langkah demi Langkah untuk Menghasilkan dan Mengevaluasi Spektrogram EEG
Mengingat kekuatan dan keterbatasan ini, alur kerja yang disiplin membantu memastikan bahwa STFT diterapkan secara tepat dan hasilnya ditafsirkan secara jujur.
Langkah 1: Tentukan pertanyaan sebelum menyentuh data. Apakah tujuannya untuk mendeteksi letupan gama yang cepat dan singkat, atau untuk melacak pergeseran lambat dalam daya delta selama beberapa menit? Jawabannya menentukan ujung kompromi panjang jendela mana yang paling penting.
Langkah 2: Pilih panjang jendela awal yang cocok dengan ritme target. Gunakan pedoman praktis di atas sebagai titik awal, jendela yang lebih panjang untuk delta, jendela menengah untuk teta dan alfa, jendela yang lebih pendek untuk beta dan gama. Pasangkan ini dengan skema jendela yang tumpang tindih (overlapping), umumnya berkisar antara 50% dan 90% tumpang tindih antara jendela yang berurutan, yang menghaluskan spektrogram yang dihasilkan dan mengurangi munculnya celah buatan antara irisan waktu.
Langkah 3: Hasilkan spektrogram dan periksa secara kritis. Apakah panjang jendela yang dipilih menunjukkan onset yang jelas dan tajam untuk ritme cepat yang diminati, atau apakah peristiwa tersebut terlihat kabur di rentang waktu yang lebih luas dari yang seharusnya? Bisakah spektrogram membedakan puncak alfa dengan jelas dari puncak teta di sebelahnya, atau apakah kedua ritme tersebut saling bercampur? Pemeriksaan visual ini merupakan uji praktis langsung apakah panjang jendela yang dipilih sesuai untuk data tersebut.
Langkah 4: Perlakukan hasilnya sebagai satu pandangan di antara beberapa kemungkinan pandangan, bukan keputusan akhir. Temuan negatif, seperti tidak adanya perbedaan gama yang terukur antara dua kelompok eksperimen, dapat mencerminkan ketiadaan efek yang sebenarnya, atau bisa saja hanya mencerminkan batas resolusi dari jendela STFT spesifik yang dipilih. Langkah wajar berikutnya untuk mengonfirmasi temuan yang ambigu atau penting adalah menganalisis kembali data yang sama menggunakan metode adaptif sebagai pemeriksaan silang.
Mengapa Melacak Kapan Ritme Otak Aktif Membuka Wawasan Baru
Aktivitas otak adalah urutan peristiwa berbatas waktu, dan memulihkan waktu tersebut mengubah rekaman datar menjadi gambaran seketika dari pergeseran kondisi mental. Dengan beralih dari ringkasan frekuensi tunggal ke peta momen-demi-momen, para peneliti dapat menghubungkan pikiran, niat, atau sensasi tertentu secara langsung ke ritme otak yang menyertainya. Pergeseran inilah yang mengubah EEG dari pengukuran statis menjadi alat yang dapat mendukung antarmuka otak-komputer dan memberi makan model deep learning yang belajar mengenali pola mental.
Kompromi resolusi tetap dari metode ini membawa pelajaran yang lebih luas: setiap pilihan analitis menyoroti beberapa kebenaran sementara berpotensi mengaburkan yang lain, jadi tidak ada hasil tunggal yang menceritakan keseluruhan cerita. Hal ini menuntut pemeriksaan silang dengan pendekatan lain ketika temuan itu penting, dan memperkuat bahwa pola listrik otak—seperti kecocokan erat yang terlihat antara gerakan yang dibayangkan dan gerakan nyata—sangat berlapis. Kesamaan mendasar tersebut mendukung gagasan bahwa otak melatih tindakan menggunakan banyak tanda ritmis yang sama dengan yang digunakannya untuk melakukannya.
Referensi
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
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
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
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
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
Pertanyaan yang Sering Diajukan
Apa itu Short-Time Fourier Transform dalam analisis EEG?
Short-Time Fourier Transform (STFT) memotong sinyal mentah EEG menjadi jendela waktu pendek yang berurutan dan menghitung spektrum frekuensi untuk masing-masing jendela tersebut. Menumpuk cuplikan-cuplikan ini secara berurutan menghasilkan gambaran bergerak, yang disebut spektrogram, yang menunjukkan bagaimana daya dari berbagai ritme otak berubah dari waktu ke waktu.
Mengapa saya tidak bisa menggunakan Transformasi Fourier biasa saja pada rekaman EEG?
Transformasi Fourier dasar memecah seluruh rekaman menjadi frekuensi komponennya tetapi menghapus semua informasi waktu, sehingga Anda tahu ritme apa yang ada secara keseluruhan tetapi tidak tahu kapan ritme tersebut muncul. STFT memulihkan waktu tersebut dengan menganalisis segmen-segmen pendek secara terpisah, memungkinkan Anda melihat kapan letupan alfa atau penurunan daya beta sebenarnya terjadi.
Apa yang ditunjukkan oleh spektrogram?
Spektrogram adalah peta visual dengan waktu di satu sumbu, frekuensi di sumbu lainnya, serta warna atau kecerahan yang mewakili daya dari setiap frekuensi pada saat itu. Ini mengubah EEG dari ringkasan datar menjadi sesuatu seperti partitur musik dari aktivitas listrik otak.
Mengapa panjang jendela sangat penting?
Jendela yang lebih panjang memberikan informasi frekuensi yang tepat tetapi mengaburkan waktu pasti terjadinya peristiwa, sedangkan jendela yang lebih pendek menentukan waktu dengan baik tetapi mengaburkan frekuensi yang berdekatan menjadi satu. Kompromi yang tak terhindarkan ini berarti pilihan panjang jendela secara langsung membentuk apa yang dapat diungkapkan dan apa yang akan disembunyikan oleh spektrogram.
Berapa panjang jendela yang menjadi titik awal yang baik untuk berbagai ritme otak?
Untuk ritme delta yang sangat lambat, diperlukan jendela yang lebih panjang sekitar satu hingga dua detik untuk menangkap siklus penuh. Ritme teta dan alfa sering kali terlayani dengan baik oleh jendela sekitar setengah detik, dan ritme beta dan gama yang lebih cepat memerlukan jendela yang lebih pendek sekitar seperempat detik atau kurang untuk melacak perubahannya yang cepat.
Bagaimana STFT dapat mengungkap kesamaan antara gerakan nyata dan yang dibayangkan?
STFT menangkap penurunan daya yang terkunci waktu yang disebut desinkronisasi terkait peristiwa pada pita mu dan beta, yang terjadi baik saat seseorang bergerak maupun saat mereka membayangkan gerakan yang sama secara mental. Spektrogram dari tugas motorik nyata dan yang dibayangkan dapat menunjukkan pola frekuensi yang hampir identik, mendukung logika antarmuka otak-komputer.
Bisakah STFT digunakan dengan model deep learning?
Ya, gambar spektrogram yang dihasilkan oleh STFT dapat diumpankan langsung ke jaringan saraf konvolusional yang dirancang untuk pengenalan gambar. Model-model ini dapat belajar membedakan kondisi otak dari pola waktu-frekuensi, sering kali mencapai akurasi klasifikasi yang sangat tinggi dalam tugas-tugas seperti deteksi citra motorik.
Apa keterbatasan utama STFT dibandingkan dengan metode waktu-frekuensi lainnya?
STFT mengunci ukuran jendela tunggal untuk semua frekuensi, artinya ia tidak dapat memberikan detail waktu yang tajam untuk letupan cepat dan detail frekuensi halus untuk gelombang lambat secara bersamaan. Teknik adaptif seperti wavelet memvariasikan panjang jendela efektif dengan frekuensi, yang sering kali menghasilkan resolusi yang lebih baik dan kinerja klasifikasi yang lebih tinggi dalam perbandingan langsung.
Bagaimana pendekatan langkah demi langkah yang baik saat menggunakan STFT pada data EEG?
Mulailah dengan mencocokkan panjang jendela awal dengan ritme yang Anda minati, gunakan jendela yang tumpang tindih untuk menghaluskan spektrogram, dan periksa hasilnya untuk melihat apakah peristiwa tampak tepat waktunya atau kabur. Jika temuannya kritis, pertimbangkan untuk memeriksa silang data dengan metode adaptif karena satu pengaturan STFT mungkin hanya menguntungkan satu jenis resolusi.
Emotiv adalah pemimpin neuroteknologi yang membantu memajukan penelitian neurosains melalui alat EEG dan data otak yang mudah diakses.
Sanggahan Medis: Informasi yang disediakan di situs web ini hanya untuk tujuan edukasi dan informasi dan tidak dimaksudkan sebagai saran medis atau kesehatan. Konten ini mungkin mengandung kesalahan dan tidak boleh diandalkan untuk membuat keputusan kesehatan, medis, atau gaya hidup yang mengubah hidup. Selalu cari saran dari dokter Anda atau penyedia kesehatan berkualifikasi lainnya untuk setiap pertanyaan yang Anda miliki terkait kondisi medis atau perawatan.
Christian Burgos




