Empirische Modus Decompositie

Waarom EEG-signalen weerstand bieden tegen traditionele signaalverwerkingstools

Het kernprobleem bij het toepassen van klassieke signaalverwerkingsmethoden op EEG is van structurele aard. Analyse op basis van Fourier ontleedt een signaal in een vaste bibliotheek van sinus- en cosinusgolven, een benadering die alleen goed werkt wanneer het onderliggende proces zijn statistische gedrag in de loop van de tijd niet verandert.

EEG voldoet niet aan die voorwaarde. De hersenactiviteit van een persoon tijdens rust in stilte ziet er statistisch anders uit dan de activiteit van dezelfde persoon tijdens een vlaag van gerichte aandacht of, in een klinische setting, tijdens een epileptische aanval. Onderzoek noemt deze niet-stationaire kwaliteit als de belangrijkste rechtvaardiging om over te stappen op EMD in plaats van frequentie-gebaseerde tools die zijn gebouwd voor stabiele signalen.

De praktische consequentie is dat een methode die stationariteit veronderstelt, voorbijgaande neurale gebeurtenissen kan vervagen of verkeerd kan weergeven, waardoor een korte piek wordt behandeld alsof deze gelijkmatig over een langer venster is verspreid. Voor toepassingen zoals de diagnose van epilepsie, waarbij de timing en vorm van een piek diagnostische waarde hebben, is dat soort vervaging een reële beperking.

De voorgestelde oplossing van EMD is om de aanname van een vaste basis volledig te vermijden en de ontleding zich te laten aanpassen aan de vorm die het signaal daadwerkelijk aanneemt.

Wat Empirical Mode Decomposition doet en hoe het werkt

EMD werkt via een herhaald proces dat sifting (zeven) wordt genoemd. Het algoritme identificeert de lokale pieken en dalen van een signaal, verbindt deze tot boven- en ondergrenzen (enveloppes) en trekt het gemiddelde van die grenzen af van het oorspronkelijke signaal.

Deze stap herhaalt zich totdat de resulterende component aan twee voorwaarden voldoet:

1. De boven- en ondergrenzen zijn symmetrisch rond nul

2. Het gemiddelde blijft dicht bij nul over het hele segment.

Zodra een component aan deze voorwaarden voldoet, wordt deze gelabeld als een intrinsieke modusfunctie (IMF's) en wordt deze afgetrokken van het oorspronkelijke signaal, zodat het proces de volgende kan extraheren.

De output is een stapel IMF's, geordend van de snelste oscillaties naar de langzaamste, gevolgd dat door een definitieve overgebleven trend die de resterende langzame drift vastlegt. Omdat elke IMF rechtstreeks uit de lokale vorm van de data wordt geëxtraheerd in plaats van te worden vergeleken met een vooraf bepaalde golfvorm, kan EMD in principe onregelmatige en verschuivende dynamieken weergeven zonder dat de analist vooraf een basis hoeft te kiezen.

Hoe EMD voorbijgaande gebeurtenissen zoals epileptische pieken vastlegt

Voorbijgaande gebeurtenissen in het EEG, epileptiforme pieken of korte vlagen die verband houden met een cognitieve taak, hebben een buitengewoon groot klinisch en neurowetenschappelijk belang, maar ze liggen vaak begraven onder achtergrondactiviteit van de hersenen of verstorende ruis. Dit is precies het scenario waarin de lokale, adaptieve ontleding van EMD een voordeel moet bieden ten opzichte van methoden met een vaste basis.

Een studie van Safieddine et al. testte dit rechtstreeks door epileptische piekachtige signalen te simuleren en deze te verontreinigen met echt spierartefact op verschillende intensiteiten, en vervolgens vier correctiemethoden te vergelijken:

1. EMD

2. Onafhankelijke componentenanalyse (ICA)

3. Kanonieke correlatieanalyse (CCA)

4. Wavelet-transformatie

Bij zware verontreiniging presteerde EMD beter dan de drie alternatieven. Dat voordeel was echter niet absoluut. Wanneer het signaal minder ruis bevatte en de pieken afkomstig waren van een enkele corticale bron, leverden CCA en ICA betere resultaten op. Wanneer pieken afkomstig waren van twee verschillende bronnen, werkte EMD of ICA het beste bij zware ruis, terwijl wavelet-transformatie beter presteerde bij lichtere ruis.

Met andere woorden, de beste tool voor het verwijderen van artefacten hing af van zowel het ruisniveau als de onderliggende bronconfiguratie, en het voordeel van EMD was specifiek het grootst in het zwaar verontreinigde geval.

Ondertussen verschoven onderzoeksstudies van Riaz et al. en Shafiul Alam et al. van artefactcorrectie naar classificatie, waarbij IMF's werden gebruikt als een bron van kenmerken voor het detecteren van epileptische aanvallen en epilepsie.

Het team van Riaz extraheerde temporele momenten, dat wil zeggen statistische maten zoals variantie, scheefheid en kurtosis, samen met spectrale kenmerken zoals spectraal zwaartepunt en spectrale scheefheid, uit elke IMF. Deze kenmerken werden ingevoerd in een support vector machine, een standaard classifier voor begeleid leren, en de resulterende classificatie van epilepsiepatiënten en aanvalsegmenten leverde wat de auteurs omschreven als goede resultaten op die gunstig afstaken tegen andere gevestigde methoden voor kenmerkextractie.

Het team van Alam ging nog verder door statistische momenten van hogere orde te gebruiken die binnen het EMD-domein waren berekend, en deze in te voeren in een kunstmatig neuraal netwerk. Bij verschillende classificatietaken, waaronder het onderscheiden van aanvalsactiviteit van niet-aanvalsactiviteit, rapporteerde de methode een nauwkeurigheid, sensitiviteit en specificiteit tot wel 100 procent, terwijl deze sneller werkte dan vergelijkbare tijd-frequentieanalysetechnieken.

Alles bij elkaar genomen suggereren deze studies dat EMD kan helpen bij het isoleren van voorbijgaande epileptische activiteit, maar de prestaties ervan zijn gevoelig voor het ruisniveau, de brongeometrie en de dataset waarop het wordt getest, in plaats van een vast, gegarandeerd voordeel te zijn.

Veelvoorkomende uitdagingen bij Empirical Mode Decomposition

EMD is flexibel, maar die flexibiliteit creëert methodologische keuzes die wetenschappelijke conclusies kunnen beïnvloeden. Kleine storingen in een signaal kunnen de extrema veranderen, en daardoor de enveloppes en geëxtraheerde modi wijzigen. Ruis, filtering, korte opnamen en scherpe grenzen kunnen de ontleding allemaal minder stabiel maken.

Algemene controles helpen deze moeilijkheden bloot te leggen in plaats van te verbergen. Ze omvatten:

• Het meten van de reconstructiefout na het optellen van de IMF's en het residu.

• Het testen van de gevoeligheid voor eindpuntbehandeling en zeefdrempels.

• Het vergelijken van ontledingen over herhaalde segmenten of ruisensembles.

• Inspecteren of een verwijderde component aannemelijke neurale activiteit bevat.

Deze controles nemen de ambiguïteit niet weg, maar maken deze wel zichtbaar. Modusmenging kan vragen om een ensemblevariant, terwijl een overmatig hoogfrequente inhoud kan wijzen op contaminatie in plaats van een bruikbare neurale modus. In alle gevallen moet de analyse rapporteren welke beslissingen hebben geleid tot de uiteindelijke weergave.

Een andere uitdaging is communicatie. Een IMF-index is een algoritmisch label, geen diagnose of een universeel gedefinieerde EEG-band. Duidelijke figuren, parameterregistraties en voorzichtig taalgebruik zijn vereist wanneer resultaten verschuiven van verkennende signaalverwerking naar biomedische interpretatie.

Modusmenging: de belangrijkste zwakte van basis-EMD

De duidelijkste structurele zwakte in basis-EMD is een fenomeen dat modusmenging (mode mixing) wordt genoemd. Het gebeurt op twee verwante manieren. Ofwel oscillaties die op zeer verschillende tijdschalen werken, raken gevangen binnen dezelfde IMF, ofwel een enkele, coherente ritmische component raakt gefragmenteerd en verspreid over verschillende IMF's in plaats van beperkt te blijven tot één. Beide versies van het probleem maken het moeilijker om erop te vertrouwen dat een IMF overeenkomt met een echt, uniek fysiologisch proces.

Het praktische risico is interpretatief. Als een onderzoeker ervan uitgaat dat een bepaalde IMF bijvoorbeeld activiteit in een specifieke frequentieband vertegenwoordigt, maar die IMF in werkelijkheid een mix van spierartefacten en resterende piekactiviteit bevat als gevolg van modusmenging, wordt elke conclusie die uit die IMF wordt getrokken onbetrouwbaar.

Complete Ensemble Empirical Mode Decomposition

Complete ensemble empirical mode decomposition, gewoonlijk CEEMD genoemd, is een door ruis ondersteunde uitbreiding van EMD. Het voegt zorgvuldig gecontroleerde ruisrealisaties toe aan het signaal, ontleedt het resulterende ensemble en berekent het gemiddelde van de overeenkomstige modi. Het doel is om de ontleding stabieler te maken wanneer nabijgelegen oscillatieschalen moeilijk te scheiden zijn.

Hoe CEEMD de standaard EMD verbetert

Standaard EMD kan last hebben van modusmenging, waarbij oscillaties met verschillende schalen in één IMF verschijnen of vergelijkbare schalen over meerdere IMF's worden verspreid. CEEMD pakt deze instabiliteit statistisch aan in plaats van het basisidee van het zeven van enveloppes te veranderen. Herhaalde ontledingen en middeling kunnen de invloed van een individuele ruisrealisatie verminderen, maar het resultaat hangt nog steeds af van het ensembleontwerp, de ruisamplitude, het aantal pogingen en implementatiedetails.

De methode is niet automatisch superieur voor elke dataset. Het verhoogt de computationele kosten en kan restruis vasthouden of grensgevoeligheid introduceren als de parameters slecht zijn gekozen. Voor EEG moeten vergelijkingen daarom de reconstructiekwaliteit, stabiliteit over trials, het behoud van voorbijgaande gebeurtenissen onderzoeken, en of de resulterende modi interpreteerbaar blijven voor de gestelde onderzoeksvraag.

Welke EEG-toepassingen hebben EMD tot nu toe getest

EMD is algemeen toegepast in drie brede categorieën.

Kenmerkextractie voor classificatie vertegenwoordigt de grootste use case. Een studie onder leiding van Ning Zhuang gebruikte bijvoorbeeld EMD voor emotieherkenning, waarbij multidimensionale kenmerken uit IMF's werden geëxtraheerd, waaronder het eerste verschil van de tijdreeks, het eerste verschil van de fase en genormaliseerde energie, om deze vervolgens te testen op de openbaar beschikbare DEAP-emotionele database. De studie toonde aan dat de hoogfrequente IMF1-component een significant effect had op het onderscheiden van emotionele toestanden, en de algehele benadering presteerde beter dan vergelijkingsmethoden waaronder fractale dimensie, steekproefentropie en discrete wavelet-transformatie.

Artefactverwijdering is vertegenwoordigd in studies zoals die van Safieddine et al., waar de deterministische, op enveloppes gebaseerde ontleding van EMD spierartefacten effectiever uit gesimuleerd epileptisch EEG verwijderde dan ICA, CCA of op wavelet gebaseerde methoden, specifiek onder omstandigheden van zware contaminatie.

Ten slotte zijn meerkanaalsanalyse en hersen-computerinterfaces te zien in onderzoek gepubliceerd in het Journal of Circuits, Systems and Computers, waar EMD afzonderlijk werd toegepast op elk kanaal in een meerkanaals EEG-opname, en de resulterende IMF's werden geclusterd op basis van spectrale gelijkenis om te identificeren welke componenten correleerden met een externe stimulus.

Door het signaal uitsluitend te reconstrueren uit die aan de stimulus gekoppelde componenten, konden de onderzoekers identificeren wanneer een proefpersoon aandacht besteedde aan een bepaalde stimulus, een vermogen dat direct relevant is voor BCI-systemen die afhankelijk zijn van het onderscheiden van intentionele neurale signalen van achtergrondruis.

Handleiding Empirical Mode Decomposition voor beginners

Een beginner kan EMD zien als het herhaaldelijk afpellen van de snelst zichtbare oscillatie van een ingewikkelde golfvorm. Het algoritme begint niet met een lijst van frequentiebanden. In plaats daarvan observeert het waar het signaal stijgt en daalt, schat het een lokale middellijn en verwijdert het die middellijn uit de kandidaat-oscillatie.

Een verstandige leeroefening begint met een kort, schoon synthetisch signaal dat twee oscillaties en een langzame trend bevat. Het verwachte resultaat is niet in elk geval een perfecte scheiding, maar een set componenten waarvan de som het ingangssignaal bij benadering reproduceert. Het uitzetten van het oorspronkelijke signaal, elke IMF en het residu op een gedeelde tijdas is vaak informatiever dan het louter inspecteren van numerieke output.

Voor een EEG-opname omvat de workflow ook beslissingen die voorafgaan aan de ontleding:

• Het selecteren van kanalen en segmenten

• Het controleren van bemonsteringsinformatie

• Het markeren van slechte intervallen

• Het documenteren van de voorverwerking

Een algemene gids voor frequentie-ontleding kan helpen om EMD te plaatsen tussen Fourier-, wavelet- en verwante tijd-frequentiemethoden. Deze keuzes maken van EMD geen klinische test; ze definiëren de omstandigheden waaronder de output kan worden geëvalueerd.

Empirical Mode Decomposition in Python: een codeer-handleiding

Python-implementaties accepteren doorgaans een eendimensionale array en retourneren een verzameling IMF's, soms met een residu of via een afzonderlijke residubewerking. Een basis-workflow laadt een signaal, bevestigt de bemonsteringsvolgorde en de status van ontbrekende waarden, voert de ontleding uit en plot de componenten. Reproduceerbare analyse registreert ook de bibliotheekversie en de parameters die het zeef- en ensemblegedrag sturen.

Populaire Python-bibliotheken voor EMD

Verschillende wetenschappelijke Python-pakketten bieden EMD of verwante algoritmen, maar hun API's en standaardwaarden verschillen. Sommige tonen standaard EMD, ensemblevarianten, stopdrempels, spline-keuzes en visualisatiehulpmiddelen; andere vereisen meer handmatige assemblage. De centrale codeertaak is niet louter het aanroepen van een functie, maar het controleren van wat de geretourneerde componenten betekenen en of hun som het invoersignaal reconstrueert.

Een minimaal pseudocode-patroon is:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

De code is opzettelijk schematisch omdat functienamen en retourwaarden per pakket verschillen. Validatie moet een reconstructiefout, plots van extrema en grenzen, en gevoeligheidscontroles onder redelijke parameterwijzigingen omvatten.

Voor EEG spelen datadimensies ook een rol: een meerkanaalsopname kan een kanaalsgewijze workflow of een specifiek multivariate methode vereisen in plaats van stilzwijgend alle kanalen af te vlakken tot één array.

Empirical Mode Decomposition toepassen op EEG-signalen

EEG is een natuurlijke omgeving voor empirische modusontleding omdat spanningsveranderingen overlappende ritmes, voorbijgaande gebeurtenissen en niet-stationaire activiteit kunnen bevatten. EMD kan worden toegepast op individuele kanalen of geselecteerde segmenten om te onderzoeken hoe lokale oscillaties zich ontwikkelen. De relevante wetenschappelijke vraag kan betrekking hebben op de temporele structuur, het scheiden van artefacten, gebeurtenisgerelateerde veranderingen of kenmerken voor een volgend statistisch model.

Vóór de ontleding hebben de signaalkwaliteit en de context van de opname aandacht nodig. Elektrodeplaatsing, referentieschema, bemonsteringsfrequentie, filtering, ontbrekende monsters en gemarkeerde artefacten kunnen allemaal de lokale extrema beïnvloeden.

Bovendien mogen de resulterende IMF's niet uitsluitend op basis van hun volgorde fysiologische labels krijgen. Snelle componenten kunnen spier- of instrumentruis bevatten, en tragere componenten kunnen zowel drift als betekenisvolle activiteit bevatten.

De interpretatie is sterker wanneer deze gereconstrueerde signalen vergelijkt, een duidelijk audittraject van uitgesloten componenten bijhoudt en test of bevindingen standhouden over kanalen, deelnemers en analysekeuzes heen.

Empirical Mode Decomposition vs Wavelet-transformatie

EMD and de wavelet-transformatie ondersteunen beide tijd-frequentieanalyse, maar ze organiseren de signaalstructuur anders. EMD leidt modi af van lokale extrema in de waargenomen gegevens, terwijl waveletanalyse het signaal vergelijkt met een geselecteerde familie van geschaalde en verschoven basisfuncties. De ene is adaptief aan de gegevens; de andere biedt een vooraf gedefinieerd multiscale coördinatensysteem.

Het onderscheid wordt duidelijker wanneer de analytische prioriteiten worden vergeleken:

Geen van beide methoden is universeel te verkiezen. EMD kan een intuïtieve ontleding bieden voor veranderende oscillaties, terwijl wavelets een consistent raamwerk kunnen bieden voor het vergelijken van signalen wanneer de basis en schalen wetenschappelijk passend zijn.

De keuze moet de vraag, de verwachte transiënten, de behoefte aan reproduceerbaarheid en de validatiestrategie volgen, in plaats van een algemene claim dat de ene methode geavanceerder is.

Wat hersensignaalanalyse wint bij datagestuurde ontleding

Hersenactiviteit staat zelden lang genoeg stil voor klassieke frequentietools om de meest sprekende momenten op te vangen. Daarom heeft een methode waarmee signalen hun eigen bouwstenen kunnen definiëren, serieuze aandacht getrokken.

Empirical mode decomposition omzeilt de behoefte aan vaste wiskundige sjablonen, wat resultaten oplevert die nuttig zijn gebleken voor het isoleren van epileptische pieken onder zware ruis en het extraheren van betekenisvolle kenmerken voor emotieherkenning. Deze verschuiving naar adaptief gevormde analyse creëert een pad voor het opvangen van voorbijgaande neurale gebeurtenissen die anders zouden worden vervaagd of gemist. Het praktische resultaat, zoals te zien is in de verschillende onderzoeken, is een tool die kan helpen bij classificatie en het verwijderen van artefacten wanneer de omstandigheden gunstig zijn.

Referenties

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

Veelgestelde vragen

Wat is empirical mode decomposition (EMD) en waarom is het nuttig voor EEG?

EMD is een adaptieve methode voor signaalverwerking die een golfvorm opsplitst in oscillerende componenten, intrinsieke modusfuncties genoemd, zonder ervan uit te gaan dat het signaal stationair is. Het is nuttig voor EEG omdat hersenactiviteit voortdurend verschuift en voorbijgaande gebeurtenissen bevat, die met traditionele hulpmiddelen met een vaste basis moeilijk nauwkeurig kunnen worden weergegeven.

Hoe werkt het sifting-proces in EMD?

Het sifting-proces (zeefproces) identificeert herhaaldelijk de lokale pieken en dalen van een signaal, construeert boven- en ondergrenzen en trekt het gemiddelde daarvan af van het signaal. Deze stap herhaalt zich totdat de overblijvende component symmetrische grenzen en een gemiddelde van bijna nul heeft, waarna het een intrinsieke modusfunctie wordt.

Wat zijn intrinsieke modusfuncties (IMF's)?

IMF's zijn de datagestuurde bouwstenen die door EMD worden geproduceerd, geordend van de snelste naar de langzaamste oscillaties. Omdat ze rechtstreeks uit de lokale vorm van het signaal worden geëxtraheerd in plaats van te worden vergeleken met een vooraf ingestelde golfvorm, kunnen ze onregelmatige en verschuivende neurale dynamieken vastleggen.

Waarom is modusmenging een probleem in EMD?

Modusmenging treedt op wanneer oscillaties van verschillende tijdschalen gevangen raken in dezelfde IMF of wanneer een enkel ritme wordt opgesplitst over meerdere IMF's. Deze ambiguïteit maakt het moeilijk om erop te vertrouwen dat een IMF een enkel fysiologisch proces vertegenwoordigt, waardoor ruis of artefacten mogelijk worden gemengd met echte hersenactiviteit.

Hoe gaat EMD om met voorbijgaande gebeurtenissen zoals epileptische pieken?

EMD isoleert korte pieken door ze te extraheren in hoogfrequente IMF's, waar de achtergrondactiviteit is gescheiden. Bij zware spiercontaminatie presteerde EMD beter dan andere methoden voor het verwijderen van artefacten, hoewel het voordeel ervan afnam bij schonere signalen of andere bronconfiguraties.

Kan EMD traditionele methoden zoals de Fourier-transformatie vervangen voor alle EEG-analyses?

EMD is geen universele vervanging; het is het meest waardevol voor niet-stationaire en voorbijgaande signalen waarbij Fourier-methoden met een vaste basis tekortschieten. De betrouwbaarheid ervan varieert echter met het ruisniveau en is nog niet bewezen onder alle EEG-opnameomstandigheden.

Vereist EMD de aanname dat het signaal stationair is?

Nee, EMD veronderstelt geen stationariteit, een belangrijk voordeel ten opzichte van de klassieke Fourier-analyse voor EEG. De ontleding past zich rechtstreeks aan het veranderende statistische karakter van de gegevens aan, waardoor deze verschuivende hersendynamiek en korte gebeurtenissen kan volgen zonder preconditionering.

Kan EMD meerkanaals EEG rechtstreeks analyseren?

Basis-EMD wordt doorgaans toegepast op eendimensionale signalen. Meerkanaalsanalyse vereist een bewuste kanaalsgewijze of multivariate strategie, omdat het simpelweg combineren van kanalen de ruimtelijke en temporele betekenis onduidelijk kan maken.