Mengapa Ahli Neurosains Mengubah Waktu menjadi Frekuensi

Apa itu Transformasi Waktu-ke-Frekuensi?

Proses transformasi ini melibatkan pengubahan urutan data mentah, yang biasanya diukur sebagai amplitudo terhadap waktu, menjadi spektrum frekuensi. Pergeseran matematis ini memungkinkan para peneliti untuk mengamati komponen ritmik penyusun sinyal, bukan hanya fluktuasi tegangan atau tekanan mentah saja. Dengan melihat data melalui lensa ini, pola-pola halus dalam kumpulan data yang kompleks menjadi jauh lebih mudah diklasifikasikan dan diinterpretasikan untuk analisis lebih lanjut.

Memahami Dasarnya: Dari Ranah Waktu ke Ranah Frekuensi

Dalam perekaman sinyal standar, aspek temporal merepresentasikan urutan peristiwa saat terjadi, menjaga urutan kronologis yang intuitif untuk pemantauan langsung. Namun, banyak sistem dinamis menunjukkan perilaku berulang—seperti pelepasan ritmik neuron yang terkait dengan neuroscience—yang tidak mudah dipisahkan hanya dengan melihat sinyal mentah saja.

Beralih ke perspektif frekuensi secara efektif bertindak sebagai filter analitis, yang memungkinkan seseorang untuk mengisolasi ritme individu dan kontribusi relatifnya terhadap struktur sinyal secara keseluruhan.

Landasan Matematis: Transformasi Fourier

Transformasi Fourier beroperasi pada prinsip bahwa setiap sinyal osilasi yang kompleks dapat diekspresikan sebagai jumlah tertimbang dari gelombang sinus dan kosinus yang lebih sederhana. Operasi matematis ini pada dasarnya melakukan dekomposisi, mengekstrak struktur periodik yang mendasari suatu sinyal terlepas dari kompleksitas awalnya.

Dengan menerapkan transformasi ini, seorang peneliti memetakan titik-titik data temporal ke dalam ranah baru di mana sumbu horizontal mewakili frekuensi dan sumbu vertikal menunjukkan daya atau amplitudo dari masing-masing komponen frekuensi spesifik.

Mengapa Analisis Waktu-ke-Frekuensi itu Penting?

Menganalisis sinyal dalam ranah frekuensi sangat penting untuk mengisolasi fenomena spesifik yang tertanam dalam derau atau bentuk gelombang campuran yang lebih besar. Pendekatan ini diadopsi secara luas di berbagai bidang yang mengandalkan signal processing yang akurat untuk mengekstrak Insight yang relevan dari sensor dan instrumen pengukuran.

Aplikasi dalam Pemrosesan Sinyal

Para insinyur sering kali menghadapi sinyal yang terkontaminasi oleh interferensi latar belakang atau derau listrik lingkungan, yang dapat mengaburkan informasi utama yang menarik. Teknik analitis yang melihat komposisi frekuensi memungkinkan penyaringan yang tepat, di mana rentang tertentu yang tidak diinginkan diredam tanpa mengganggu data inti.

Kemampuan ini merupakan landasan bagi sistem komunikasi modern dan teknologi sensor, memastikan bahwa puncak sinyal yang valid tetap berbeda dan dapat diinterpretasikan untuk pemrosesan hilir.

Insight dalam Analisis Audio dan Suara Ucapan

Suara ucapan manusia dan suara alami terdiri dari beberapa frekuensi yang tumpang tindih, masing-masing mencirikan timbre dan nada dari sumber yang mendasarinya. Pengubahan sinyal-sinyal ini ke ranah frekuensi memungkinkan peneliti memetakan forman atau mendeteksi karakteristik ucapan yang berubah seiring waktu, sebuah persyaratan yang sering dalam akustik.

Dengan memperlakukan sinyal-sinyal ini sebagai spektrogram, analis dapat memantau variasi transien yang mungkin menunjukkan artefak suara tertentu atau pola yang membedakan satu sumber akustik dari sumber lainnya.

Kasus Penggunaan dalam Rekayasa Biomedis

Dalam lingkungan medis, pengukuran output listrik biologis yang tepat sangat penting untuk mengamati kesehatan dan mendiagnosis neurological conditions. Menggunakan EEG sebagai alat utama, dokter dapat merekam pola gelombang otak sementara para peneliti menggunakan analisis frekuensi spesifik untuk mempelajari perilaku ritmik yang terkait dengan berbagai keadaan kewaspadaan.

Mengintegrasikan peralatan khusus seperti perangkat keras PCI Data Acquisition memastikan bahwa data dengan fidelitas tinggi ditangkap, yang kemudian diproses melalui transformasi ranah frekuensi untuk memberikan Insight diagnostik yang bermakna.

Metode Umum untuk Konversi Waktu ke Frekuensi

Berbagai algoritma tersedia untuk mengonversi data temporal, masing-masing cocok untuk tingkat stabilitas sinyal dan persyaratan presisi yang berbeda. Pemilihan metode yang tepat bergantung pada sifat sinyal dan resolusi yang diperlukan dari output spektral akhir.

Short-Time Fourier Transform (STFT)

Metode ini membagi sinyal panjang menjadi jendela-jendela kecil yang saling tumpang tindih, melakukan transformasi Fourier pada masing-masing jendela untuk mengamati bagaimana konten frekuensi berkembang. Ini sangat berguna untuk sinyal yang tidak sepenuhnya stasioner tetapi tetap stabil dalam durasi singkat.

Cara Mengonversi Waktu ke Frekuensi secara Manual

Meskipun perangkat lunak mengotomatiskan sebagian besar penghitungan, memahami konversi manual dari sinyal periodic memerlukan identifikasi durasi siklus. Dengan menghitung kebalikan dari periode tersebut, seseorang dapat menentukan laju saat peristiwa menyelesaikan satu siklus penuh, menghasilkan nilai frekuensi yang diukur dalam Hertz.

Tabel ini mengilustrasikan hubungan terbalik antara periode dan frekuensi, di mana durasi siklus yang lebih pendek menghasilkan output frekuensi yang jauh lebih tinggi.

Menggunakan Kalkulator Frekuensi ke Waktu untuk Estimasi Cepat

Para praktisi sering kali menggunakan alat estimasi untuk menjembatani kesenjangan antara waktu dan frekuensi tanpa penghitungan yang melelahkan. Alat-alat ini biasanya menawarkan fitur-fitur berikut untuk konfigurasi cepat selama analisis data:

• Konversi otomatis waktu siklus ke hertz.

• Dukungan untuk beberapa unit skala seperti milidetik dan mikrodetik.

• Pembalikan fungsi instan untuk membalikkan konversi.

• Pembuatan grafik langsung untuk perbandingan visual stabilitas sinyal.

Kalkulator ini memberikan penilaian awal sebelum teknik penyaringan digital atau dekomposisi spektral yang lebih kompleks diterapkan dalam lingkungan penelitian.

Wavelet Transform

Berbeda dengan pendekatan Fourier tradisional, Wavelet Transform menggunakan jendela fleksibel untuk menganalisis komponen frekuensi rendah dan tinggi secara bersamaan. Hal ini memungkinkan lokalisasi yang lebih baik dari perubahan sinyal secara mendadak, seperti pelepasan transien atau lonjakan yang terjadi terlalu cepat untuk analisis STFT berjendela.

Ini sangat bernilai di bidang yang menuntut sensitivitas temporal dan frekuensi tinggi dalam satu sapuan.

Prisma Tak Terlihat: Mengubah Waktu Menjadi Frekuensi

Satu momen aktivitas otak jarang sekali terbuat dari satu gelombang yang bersih. Ini berperilaku lebih seperti akor musik, di mana beberapa nada terdengar bersama untuk menghasilkan satu nada yang kompleks.

Jika Anda hanya mendengarkan akor secara keseluruhan, Anda mendengar perpaduan, bukan nada-nada individual. Masalah yang sama berlaku untuk rekaman raw EEG. Pada setiap saat tertentu, osilasi lambat, sedang, dan cepat menyala secara bersamaan, dan tampilan ranah waktu menumpuknya menjadi bentuk gelombang tunggal yang sulit diurai.

Mengonversi bentuk gelombang tersebut ke dalam ranah frekuensi tidak menambahkan informasi baru ke dalam sinyal. Hal ini mengatur ulang informasi yang ada sehingga osilasi yang berbeda menjadi terlihat sebagai komponen terpisah. Pengaturan ulang ini memiliki konsekuensi praktis yang terukur terhadap seberapa baik peneliti dapat membersihkan data yang bising dan mendeteksi pola yang bermakna.

Pertimbangkan artefak kedipan mata, salah satu sumber kontaminasi paling persisten dalam rekaman EEG. Saat mata bergerak, sinyal listrik yang dihasilkan, yang disebut elektrookulogram (EOG), bocor ke saluran EEG terdekat dan mendistorsi pembacaan. Upaya koreksi awal berasumsi bahwa kebocoran dari mata ke kulit kepala berperilaku konsisten di semua ritme, sehingga pengurangan ranah waktu yang sederhana seharusnya bekerja sama baiknya di mana saja.

Kenemans et al. menguji asumsi ini secara langsung. Menggunakan data simulasi dan data riil, peneliti membandingkan tiga strategi pembersihan:

1. Regresi ranah waktu sederhana

2. Regresi ranah waktu dengan beberapa jeda (multiple-lag) yang lebih kompleks

3. Regresi ranah frekuensi.

Ketika transfer listrik dari mata ke kulit kepala bersifat independen terhadap frekuensi, yang berarti berperilaku sama di semua ritme, ketiga metode berkinerja sama baiknya. Tetapi ketika transfer tersebut bergantung pada frekuensi, yang berarti kontaminasi berubah tergantung pada ritme mana yang terlibat, metode ranah waktu sederhana gagal merekonstruksi EEG asli secara penuh.

Hanya pendekatan ranah frekuensi dan metode ranah waktu multi-jeda yang lebih canggih yang dapat memperhitungkan variabilitas tersebut. Ini menunjukkan bahwa artefak sinyal otak tidak selalu berperilaku seragam seiring waktu, dan terkadang hanya lensa yang peka terhadap frekuensi yang dapat memisahkan aktivitas otak yang sebenarnya dari kontaminasi dengan benar.

Hasil dari pembingkaian ulang ini menjadi lebih dramatis dalam deteksi kejang. Sebuah studi tahun 2018 menemukan bahwa ketika sinyal EEG ranah waktu mentah dimasukkan ke dalam sistem klasifikasi, akurasi pada rekaman kulit kepala turun hingga serendah 60 persen dalam beberapa eksperimen, hasil yang tidak jauh lebih baik daripada lemparan koin untuk tugas klasifikasi tertentu. Ketika data yang sama dikonversi ke ranah frekuensi terlebih dahulu, akurasi pada tugas yang sama melonjak menjadi sekitar 96 persen.

Informasi yang diperlukan untuk mengidentifikasi kondisi kejang dengan benar telah ada dalam rekaman sepanjang waktu. Informasi tersebut tidak terlihat sampai sinyal dilihat melalui komponen frekuensinya.

Mengapa Tampilan Frekuensi Itu Penting: Dari Derau hingga Aplikasi yang Mengubah Hidup

Pergeseran dari waktu ke frekuensi bukanlah preferensi teknis yang abstrak. Ini memiliki konsekuensi nyata di empat aplikasi yang sangat berbeda.

Penghapusan Artefak yang Lebih Tajam

Gerakan dan kedipan mata adalah sumber kontaminasi kronis dalam rekaman EEG, karena sinyal listrik yang dihasilkan oleh mata dapat merambat ke elektroda kulit kepala terdekat.

Studi oleh Kenemans et al. menunjukkan bahwa kontaminasi ini tidak selalu berpindah pada tingkat yang konstan di semua frekuensi. Ketika transfer bergantung pada frekuensi, koreksi ranah waktu dasar berkinerja kurang baik, sementara metode regresi ranah frekuensi berhasil merekonstruksi sinyal otak asli.

Ini sangat penting untuk aplikasi apa pun di mana kualitas sinyal yang bersih sangat esensial, karena artefak mata yang tidak dikoreksi dapat disalahartikan sebagai aktivitas otak yang sebenarnya jika metode pembersihan yang salah diterapkan.

Otak Anda, Tanda Tangan Anda

Sebuah studi yang diterbitkan dalam Journal of Neural Engineering menemukan bahwa pola keseluruhan ritme otak seseorang tetap stabil secara luar biasa di berbagai sesi perekaman yang berbeda dan bahkan di penempatan sensor yang berbeda pada kulit kepala. Konsistensi ini, yang digambarkan sebagai bentuk sidik jari EEG, paling kuat dalam pita alfa tetapi dapat dideteksi di rentang yang luas dari 1 hingga 40 Hz.

Khususnya, identitas pengenal ini tetap bertahan bahkan ketika subjek melakukan tugas kognitif yang sama sekali berbeda, yang menunjukkan bahwa pola tersebut mencerminkan sesuatu yang stabil secara struktural tentang otak individu, bukan sesuatu yang reaktif terhadap aktivitas mental tertentu pada saat itu.

Kekuatan diskriminatif dari ritme-ritme ini mengikuti apa yang digambarkan oleh para peneliti sebagai pola berbentuk W di seluruh rentang frekuensi, dengan puncak identifikasi terkuat berpusat di sekitar ritme alfa 10 Hz. Temuan ini memiliki relevansi langsung untuk sistem identifikasi biometrik yang suatu hari nanti dapat menggunakan aktivitas otak sebagai bentuk verifikasi pribadi yang aman.

Membaca Emosi

Keadaan emosional meninggalkan jejak terukur dalam pola ritme otak, dan sebuah studi oleh Petrantonakis beserta timnya menunjukkan bahwa jejak ini paling baik ditangkap dalam ranah waktu-frekuensi daripada sinyal ranah waktu mentah. Dengan menggunakan pendekatan segmentasi adaptif dan mengukur asimetri alfa frontal, para peneliti membangun sistem klasifikasi yang mampu membedakan berbagai kombinasi valensi dan gairah, mengklasifikasikan keadaan emosional jauh di atas tingkat yang diperkirakan oleh tebakan acak.

Jenis deteksi emosi berbasis frekuensi ini dikaitkan dengan meningkatnya minat pada brain-computer interfaces yang dirancang untuk merespons suasana hati atau keterlibatan emosional pengguna, meskipun akurasi klasifikasi yang dilaporkan, berkisar antara sekitar 64 hingga 83 persen tergantung pada kategori emosional spesifik yang diuji, menunjukkan bahwasanya ini tetap merupakan alat probabilistik alih-alih pembacaan emosional yang pasti.

Menaklukkan Epilepsi

Mungkin demonstrasi paling mencolok dari nilai praktis ranah frekuensi berasal dari penelitian epilepsi. Penelitian tahun 2018 yang disebutkan sebelumnya secara langsung membandingkan sinyal ranah waktu dan ranah frekuensi sebagai input ke dalam jaringan saraf konvolusional (CNN) yang bertugas membedakan kondisi otak iktal, preiktal, dan interiktal.

Pada basis data Freiburg intrakranial, input ranah frekuensi menghasilkan akurasi rata-rata antara 92 dan 97 persen di tiga eksperimen klasifikasi terpisah, sedangkan input ranah waktu pada basis data yang sama menghasilkan akurasi berkisar antara sekitar 84 hingga 91 persen. Kesenjangan melebar secara signifikan pada basis data CHB-MIT yang direkam di kulit kepala, di mana akurasi ranah frekuensi tetap tinggi, antara sekitar 93 dan 98 persen, sedangkan akurasi ranah waktu merosot ke kisaran hanya 48 hingga 62 persen dalam beberapa eksperimen.

Ini menunjukkan bahwa untuk kondisi perekaman tertentu, terutama EEG kulit kepala, sinyal ranah waktu mentah mungkin tidak memiliki struktur resolusi yang diperlukan untuk klasifikasi kejang otomatis yang andal, sementara reorganisasi ranah frekuensi dari sinyal yang sama membuat pola dasar dapat diakses oleh sistem pembelajaran mesin.

Lebih jauh lagi, Madhavan et al. mendorong konsep ini lebih jauh dengan fokus khusus pada lokalisasi daripada deteksi dalam studi mereka di tahun 2020. Menggunakan teknik yang disebut transformasi synchrosqueezing untuk menghasilkan representasi waktu-frekuensi yang mendetail, dikombinasikan dengan jaringan saraf konvolusional dalam, studi tersebut mencapai nilai akurasi, sensitivitas, dan spesifisitas di atas 99 persen dalam membedakan sinyal EEG fokal, yang berasal dari zona epileptogenik yang bertanggung jawab untuk memicu kejang, dari sinyal non-fokal yang berasal dari tempat lain di otak.

Tingkat presisi ini relevan langsung untuk bedah epilepsi, di mana mengidentifikasi dengan benar wilayah otak yang tepat yang bertanggung jawab atas aktivitas kejang adalah prasyarat untuk intervensi bedah yang aman dan efektif.

Lensa Baru pada Otak yang Hidup

Transformasi dari satu garis tegangan tunggal yang mengembara seiring waktu menjadi spektrum ritme yang berbeda adalah mekanisme yang membuat EEG dapat dibaca sejak awal. Tanpanya, algoritma deteksi kejang yang bekerja dari data kulit kepala dapat berkinerja nyaris tidak lebih baik daripada tebakan acak.

Dengannya, algoritma yang sama dapat naik hingga pertengahan 90-an persen dalam akurasinya. Tanpanya, kontaminasi kedipan mata yang halus dapat menyamar sebagai aktivitas otak yang sebenarnya.

Dengan koreksi yang peka terhadap frekuensi, kontaminasi tersebut dapat dipisahkan secara lebih andal. Tanpanya, pola stabil yang spesifik untuk setiap orang dalam ritme otak seseorang, yang paling kuat terkonsentrasi di pita alfa, tetap tidak terlihat. Dengannya, pola itu menjadi tanda tangan yang terukur.

Tidak satu pun dari aplikasi ini yang memerlukan informasi baru untuk ditambahkan ke sinyal EEG. Mereka memerlukan informasi yang ada untuk ditata ulang ke dalam bentuk di mana pola yang bermakna akhirnya dapat dibedakan dari derau.

Penataan ulang tersebut, pergeseran dari waktu ke frekuensi, adalah apa yang mengubah rekaman tegangan kacau menjadi catatan terstruktur aktivitas delta, theta, alfa, beta, dan gama, memberikan peneliti dan klinisi cara non-invasif yang lebih jelas untuk mempelajari tidur, keadaan emosional, identitas individu, dan penyakit neurologis saat mereka terungkap di otak yang hidup.

Referensi

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

Pertanyaan yang Sering Diajukan

Mengapa ahli saraf mengonversi sinyal EEG dari waktu ke frekuensi?

Rekaman EEG mentah menumpuk beberapa ritme otak dengan kecepatan berbeda menjadi satu bentuk gelombang kompleks, membuat pola individual sulit dilihat. Mengonversi ke ranah frekuensi memecah sinyal tersebut menjadi frekuensi komponen yang terpisah, seperti prisma yang memisahkan cahaya putih menjadi warna, sehingga setiap ritme dapat dipelajari sendiri-sendiri.

Bagaimana tampilan frekuensi meningkatkan penghapusan artefak kedipan mata?

Kontaminasi kedipan mata dapat berpindah secara berbeda di seluruh pita frekuensi EEG, yang berarti pengurangan berbasis waktu yang sederhana sering kali gagal. Regresi ranah frekuensi memperhitungkan perbedaan yang bergantung pada frekuensi ini, memungkinkan sinyal otak asli direkonstruksi secara lebih akurat.

Apa yang terjadi pada akurasi deteksi kejang saat menggunakan ranah frekuensi alih-alih ranah waktu?

Pola yang relevan dengan kejang ada dalam sinyal mentah tetapi tidak terlihat dalam ranah waktu. Analisis frekuensi mengatur ulang data sehingga pengklasifikasi dapat mencapai akurasi lebih dari 90%, sedangkan input ranah waktu mentah terkadang berkinerja tidak lebih baik daripada tebakan acak pada rekaman kulit kepala.

Mengapa ritme alfa dianggap sebagai pengenal biometrik yang kuat?

Aktivitas alfa menunjukkan puncak khas yang stabil sekitar 10 Hz yang tetap konsisten di berbagai tugas dan sesi perekaman yang berbeda. Stabilitas ini mencerminkan arsitektur otak dasar individu, menjadikannya sidik jari EEG yang andal untuk identifikasi orang.

Bagaimana pola frekuensi EEG menunjukkan keadaan emosional?

Asimetri alfa frontal, yang membandingkan kekuatan alfa antara wilayah otak frontal kiri dan kanan, berbeda dengan valensi emosional dan gairah. Analisis ranah frekuensi menangkap pola asimetri ini, memungkinkan klasifikasi keadaan emosional jauh di atas tingkat peluang acak.

Mengapa analisis frekuensi sangat penting untuk melokalisasi zona awal kejang dalam bedah epilepsi?

Semburan gamma frekuensi tinggi yang singkat dan pergeseran di semua pita menandai zona epileptogenik. Teknik waktu-frekuensi seperti synchrosqueezing mengubah pola-pola ini menjadi representasi mendetail, memungkinkan model pembelajaran dalam untuk membedakan sinyal kejang fokal dari sinyal non-fokal dengan presisi sangat tinggi—prasyarat untuk perencanaan bedah yang aman.