Een gids voor de Short-Time Fourier Transform voor EEG

Het probleem met de standaard fouriertransformatie

De standaard fouriertransformatie is een steunpilaar van de klassieke signaalverwerking omdat deze complexe signalen effectief ontleedt in een som van zuivere sinusoïden. Door over een oneindige tijd te integreren, onthult het de totale frequentie-inhoud die in een opname aanwezig is.

Deze methode veronderstelt echter dat het signaal stationair is; als de frequentiesamenstelling in de loop van de tijd verandert, maskeert de typische uitvoer de temporele volgorde. Deze beperking maakt het onmogelijk om onderscheid te maken tussen een korte, plotselinge gebeurtenis en een aanhoudende harmonische, wat van vitaal belang is in vakgebieden als de neurowetenschappen.

Wat is de Short-Time Fourier Transform in EEG-analyse

De STFT benadert het timingprobleem met een vrij directe strategie. In plaats van een fouriertransformatie uit te voeren op een volledige EEG-opname in één keer, snijdt het het signaal in korte, opeenvolgende segmenten, vaak vensters genoemd, en past het de fouriertransformatie afzonderlijk toe op elk segment. Elk venster produceert zijn eigen miniatuurfrequentiemomentopname, en het achter elkaar plakken van deze momentopnamen creëert een bewegend beeld van hoe de frequentie-inhoud in de loop van de tijd verandert.

De uitvoer van dit proces wordt meestal weergegeven als een spectrogram, een visuele kaart met de tijd langs de ene as en de frequentie langs de andere. De kleur of intensiteit op een bepaald punt op deze kaart vertegenwoordigt het vermogen, of de sterkte, van die frequentie op dat moment. Dit is precies de waarde die een STFT-analyse moet bieden.

Zoals Zabidi et al. het verwoordt, werkt STFT-analyse om "de frequentie-inhoud van de EEG-signalen op elk tijdstip te onthullen".

Waarom vensterlengte de belangrijkste instelling is in STFT

Een signaal in vensters snijden klinkt eenvoudig, maar de gekozen lengte voor elk venster bepaalt vrijwel alles over de kwaliteit en de betrouwbaarheid van het resulterende spectrogram. Deze beslissing brengt een compromis met zich mee dat niet kan worden vermeden, alleen beheerd.

Bekijk het zo: een lang venster werkt als een nauwkeurige frequentieliniaal maar een wazige stopwatch. Omdat het meer datapunten bevat, kan een lang venster dicht bij elkaar liggende frequenties met echte nauwkeurigheid onderscheiden. Maar omdat het zich over een groter tijdsbestek uitstrekt, wordt elke gebeurtenis die zich binnen dat venster afspeelt uitgesmeerd, waardoor je het vermogen verliest om precies aan te geven wanneer er iets is veranderd.

Een kort venster draait dit compromis om. Het werkt als een nauwkeurige stopwatch maar een wazige frequentieliniaal. Het kan je bijna exact vertellen wanneer er iets is gebeurd, maar het heeft moeite om frequenties te scheiden die dicht bij elkaar liggen, omdat een kort signaalsegment simpelweg niet genoeg trillingscycli bevat om de frequentie gedetailleerd te meten.

Dit is een variant van een onzekerheidsprincipe dat alle tijd-frequentie-analyses beheerst: je kunt op hetzelfde moment geen perfecte resolutie in zowel tijd als frequentie bereiken. Het verbeteren van het een gaat altijd ten koste van het ander. Het herkennen van dit compromis, in plaats van te proberen het te verslaan, is de kernvaardigheid bij het werken met STFT.

Omdat verschillende EEG-ritmes op zeer verschillende snelheden trillen, werkt geen enkele vensterlengte goed voor ze allemaal. De volgende richtlijnen zijn praktische vuistregels die zijn afgeleid van hoe deze ritmes zich gewoonlijk gedragen:

• Delta-golven (ongeveer 0,5 tot 4 Hz): Dit zijn de langzaamste hersenritmes, en een venster moet lang genoeg zijn, vaak tussen de 1 en 2 seconden, om ten minste één volledige cyclus van de langzaamste gemeten golf vast te leggen. Een korter venster bevat simpelweg onvoldoende golf om deze te karakteriseren.

• Theta- en alfa-ritmes (ongeveer 4 to 13 Hz): Een gemiddeld venster, vaak rond de 500 milliseconden, biedt meestal een werkbare balans. Het is lang genoeg om meerdere trillingscycli vast te leggen, wat helpt om het ritme duidelijk te definiëren, terwijl het toch kort genoeg is om betekenisvolle veranderingen te volgen, zoals het begin van een alfa-burst wanneer de ogen sluiten.

• Beta- en gamma-ritmes (boven de circa 13 Hz): Deze snellere ritmes bewegen zich vlot, dus is een kort venster, vaak 250 milliseconden of minder, noodzakelijk om hun snelle dynamiek te volgen. De prijs die hiervoor wordt betaald, is een verminderd vermogen tot nauwkeurig onderscheid tussen dicht bij elkaar liggende frequenties binnen het hogere gamma-bereik, een direct gevolg van hetzelfde hierboven beschreven compromis.

Hoe STFT verschillen onthult tussen reële en ingebeelde beweging

De praktische waarde van STFT wordt het duidelijkst in brain-computer interface (BCI) onderzoek, waar het doel is om hersenactiviteit direct te vertalen naar stuursignalen voor een apparaat.

Een goed bestudeerd voorbeeld is de vergelijking van EEG-opnamen terwijl iemand zich voorstelt een hand te bewegen met opnamen van een ingebeelde voetbeweging, of het vergelijken van ingebeelde acties met de daadwerkelijke fysieke uitvoering van die actie.

In deze motorisch gerelateerde paradigma's is een veelvoorkomend analysedoel een fenomeen dat 'event-related desynchronization' of ERD wordt genoemd, een daling in het signaalvermogen binnen de mu- en bètaritme-bereiken boven hersengebieden die met beweging geassocieerd zijn. Omdat ERD een specifieke, tijdgebonden dip in vermogen is in plaats van een constante achtergrondruis, is het precies het soort gebeurtenis dat door een frequentiesamenvatting van de gehele opname zou worden weggevaagd en dat een tijdsoplossend spectrogram wel kan vastleggen.

Zabidi et al. onderzochten in een studie waarin STFT rechtstreeks op deze vraag werd toegepast, het EEG dat werd verzameld tijdens echt schrijven en tijdens ingebeeld schrijven. Het signaal werd eerst door een banddoorlaatfilter geleid dat de analyse beperkte tot het bereik van 8 tot 30 Hz, de meest relevante alfa- en bètaritmes voor motorische activiteit, waarna de STFT werd berekend met een afgestemd Hamming-venster.

Het resultaat was een directe, specifieke bevinding: "de frequentiecomponenten van de EEG-signalen verkregen tijdens het schrijven zijn dezelfde als die verkregen tijdens ingebeeld schrijven".

In praktische termen leek het elektrische ritmepatroon van de hersenen tijdens een ingebeelde actie sterk op het patroon tijdens de daadwerkelijke fysieke actie. Dit is een correlatie die ten grondslag ligt aan veel van de logica achter BCI-systemen die erop gericht zijn bedoelde bewegingen te detecteren zonder dat daar daadwerkelijke fysieke actie voor nodig is.

STFT gebruiken om afbeeldingen te bouwen voor deep learning-modellen

Buiten visuele inspectie hebben spectrogrammen gegenereerd door STFT een tweede leven gevonden als een voorbereidende stap voor deep learning-systemen, en in het bijzonder voor Convolutionele Neurale Netwerken (CNN's), een type model dat oorspronkelijk is gebouwd voor het herkennen van patronen in afbeeldingen. Omdat een spectrogram in wezen een gekleurde afbeelding is die het vermogen in de loop van de tijd en frequentie toont, geloven onderzoekers dat het rechtstreeks aan een op afbeeldingen gebaseerd deep learning-model kan worden aangeboden, dat vervolgens verborgen structuren in de data kan detecteren die handmatig moeilijk te specificeren zijn.

Een studie uit 2019 transformeerde EEG-opnamen van een motorische verbeeldingstaak, waarbij beweging van de rechterhand werd onderscheiden van de rechtervoet, in afbeeldingen met behulp van zowel STFT als een alternatieve tijd-frequentiebenadering, en voerde vervolgens beide sets afbeeldingen in een vooraf getraind CNN-model.

De prestaties van beide benaderingen waren sterk, waarbij de algehele pijplijn een classificatienauwkeurigheid van 99,35% behaalde, wat werd beschreven als de beste score onder bestaande vergelijkbare methoden. Toen de twee methoden voor het genereren van afbeeldingen echter rechtstreeks met elkaar werden vergeleken binnen diezelfde studie, waren de resultaten niet gelijkwaardig: "de CWT-benadering levert betere resultaten op dan de STFT-benadering", wat wijst op een reëel, gemeten compromis in hoe getrouw elke methode het onderliggende EEG-signaal vertaalde in een bruikbare afbeelding.

Dit compromis was naar verluidt de drijvende kracht achter een afzonderlijke methodologische ontwikkeling. Onderzoekers bouwden wat ze 'anchored-STFT' noemden, beschreven als "een geavanceerde versie van STFT, omdat deze het compromis minimaliseert tussen temporele en spectrale resolutie dat STFT met zich meebrengt".

Gekoppeld aan een vijandige methode voor gegevensvermeerdering (adversarial data augmentation), rapporteerde deze verbeterde pijplijn classificatienauwkeurigheden variërend van ongeveer 69% tot meer dan 90% over verschillende BCI-datasets. Dit bevestigt het patroon dat gewone STFT kan dienen als een werkelijk capabele tool voor kenmerkextractie, maar een waarvan de bekende resolutiebeperkingen ruimte laten voor verfijning, hetzij door parameteroptimalisatie, een verbeterde versie van de techniek zelf, of een geheel andere tijd-frequentiebenadering.

Wanneer STFT tekortschiet: Het vaste-resolutieprobleem

Het hierboven besproken compromis is de centrale beperking die elke onderzoeker die STFT gebruikt kritisch moet afwegen voordat hij conclusies trekt uit een spectrogram.

Zodra een vensterlengte is gekozen, bijvoorbeeld 500 milliseconden, wordt datzelfde venster uniform toegepast over het gehele te analyseren frequentiespectrum, of de onderzoeker nu kijkt naar langzame delta-activiteit van 2 Hz of snelle gamma-activiteit van 100 Hz. Het venster past zichzelf niet aan. Het eerder beschreven tijd-frequentie-compromis ligt vast op één enkele instelling voor de hele analyse, ook al zouden verschillende ritmes idealiter baat hebben bij verschillende instellingen.

Dit vaste karakter is precies wat STFT onderscheidt van een categorie adaptieve technieken, zoals op wavelets gebaseerde methoden. In plaats van één venstergrootte vast te leggen voor elke frequentie, maken adaptieve methoden effectief gebruik van langere vensters voor lagere frequenties en kortere vensters voor hogere frequenties, waarbij de resolutie naar behoefte wordt aangepast binnen één enkele analyse in plaats van zich te binden aan één compromis voor het hele signaal.

Bijvoorbeeld, een studie geleid door Wang et al. die een adaptieve tijd-frequentiemethode ontwikkelde, rapporteerde dat hun benadering "optimale tijd-frequentieresolutie kan bieden in vergelijking met STFT en CWT", waarbij STFT expliciet werd genoemd als de baseline die werd overtroffen.

In een afzonderlijke klinische toepassing voor het voorspellen van klinische resultaten van antidepressiva-behandelingen bij ernstige depressieve stoornissen op basis van EEG-gegevens voorafgaand aan de behandeling, vergeleken onderzoekers een op wavelets gebaseerde benadering rechtstreeks met STFT and een andere ontledingsmethode, en rapporteerden dat "de WT-analyse de hoogste classificatienauwkeurigheid heeft aangetoond" onder de vergeleken technieken, met een nauwkeurigheid van 87,5% in vergelijking met de alternatieven.

Een stapsgewijze workflow voor het genereren en evalueren van een EEG-spectrogram

Gegeven deze sterke punten en beperkingen helpt een gedisciplineerde workflow ervoor te zorgen dat STFT op de juiste wijze wordt toegepast en de uitvoer ervan eerlijk wordt geïnterpreteerd.

Stap 1: Definieer de vraag voordat je de data aanraakt. Is het doel het detecteren van een snelle, korte gamma-burst, of het volgen van een langzame verschuiving in deltavermogen over minuten? Het antwoord bepaalt welke kant van het vensterlengte-compromis het zwaarst weegt.

Stap 2: Selecteer een initiële vensterlengte die is afgestemd op het doelritme. Gebruik de bovenstaande praktische richtlijnen als uitgangspunt: langere vensters voor delta, gemiddelde vensters voor theta en alfa, kortere vensters voor bèta en gamma. Koppel dit aan een overlappend vensterschema, gewoonlijk ergens tussen de 50% en 90% overlap tussen opeenvolgende vensters, wat het resulterende spectrogram gladstrijkt en de weergave van kunstmatige gaten tussen de tijdssegmenten vermindert.

Stap 3: Genereer het spectrogram en beoordeel het kritisch. Toont de gekozen vensterlengte een duidelijk, scherp begin voor een snel ritme waarin men geïnteresseerd is, of ziet de gebeurtenis er meer uitgesmeerd uit over de tijd dan zou moeten? Kan het spectrogram een alfapiek duidelijk onderscheiden van een naburige theta-piek, of lopen de twee ritmes in elkaar over? Deze visuele controles zijn een directe, praktische test of de gekozen vensterlengte geschikt was voor de data.

Stap 4: Behandel het resultaat als één perspectief uit verschillende mogelijke weergaven, niet als een eindoordeel. Een negatieve bevinding, zoals geen meetbaar gamma-verschil tussen twee experimentele groepen, kan een daadwerkelijke afwezigheid van effect weerspiegelen, of het kan simpelweg de resolutielimieten weerspiegelen van het specifieke gekozen STFT-venster. Een logische volgende stap om een dubbelzinnige of belangrijke bevinding te bevestigen, is het opnieuw analyseren van dezelfde data met een adaptieve methode ter controle.

Waarom het volgen van hersenritmes nieuwe inzichten ontsluit

Hersenactiviteit is een opeenvolging van getimede gebeurtenissen, en het herstellen van die timing verandert een vlakke opname in een realtime verslag van verschuivende mentale toestanden. Door over te stappen van een enkele frequentiesamenvatting naar een moment-tot-momentkaart kunnen onderzoekers specifieke gedachten, intenties of gewaarwordingen direct koppelen aan de hersenritmes die ermee gepaard gaan. Deze verschuiving is wat EEG transformeert van een statische meting in een hulpmiddel dat brain-computer interfaces kan ondersteunen en kan dienen als invoer voor deep learning-modellen die mentale patronen leren herkennen.

Het compromis van de vaste resolutie in deze methode herbergt een bredere les: elke analytische keuze belicht bepaalde waarheden terwijl andere mogelijk worden vervaagd, dus geen enkel individueel resultaat vertelt het hele verhaal. Dit vraagt om kruiscontroles met andere benaderingen wanneer bevindingen er echt toe doen, en het bevestigt dat de elektrische patronen van de hersenen—zoals de sterke overeenkomst tussen ingebeelde en daadwerkelijke beweging—gelaagd zijn. Die onderliggende gelijkenis ondersteunt het idee dat de hersenen acties repeteren met veel van dezelfde ritmische kenmerken die ze gebruiken om ze daadwerkelijk uit te voeren.

Referenties

1. 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

2. 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

3. 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

4. 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

5. 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 Devastating Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

Veelgestelde vragen

Wat is de Short-Time Fourier Transform in EEG-analyse?

De Short-Time Fourier Transform (STFT) snijdt het ruwe EEG-signaal op in korte, opeenvolgende tijdvensters en berekent voor elk venster een frequentiespectrum. Het achter elkaar plaatsen van deze momentopnamen creëert een bewegend beeld, een spectrogram genoemd, dat laat zien hoe het vermogen van verschillende hersenritmes van moment tot moment verandert.

Waarom kan ik niet gewoon een gewone fouriertransformatie gebruiken op een EEG-opname?

Een standaard fouriertransformatie ontleedt de gehele opname in de samenstellende frequenties, maar wist alle tijdsinformatie, waardoor je wel weet welke ritmes over het algemeen aanwezig waren, maar niet wanneer ze verschenen. De STFT herstelt die timing door korte segmenten afzonderlijk te analyseren, zodat je kunt zien wanneer een vlaag van alfa- of een dip in bètavermogen daadwerkelijk plaatsvond.

Wat laat een spectrogram zien?

Een spectrogram is een visuele weergave met tijd op de ene as, frequentie op de andere as, en kleur of helderheid die het vermogen van elke frequentie op dat moment weergeeft. Het herdefinieert EEG van een vlakke samenvatting in iets dat lijkt op een partituur van de elektrische activiteit van de hersenen.

Waarom is de vensterlengte zo belangrijk?

Langere vensters geven nauwkeurige frequentie-informatie maar vervagen de exacte timing van gebeurtenissen, terwijl kortere vensters de timing goed lokaliseren maar dicht bij elkaar liggende frequenties in elkaar laten overlopen. Dit onvermijdelijke compromis betekent dat de keuze van de vensterlengte rechtstreeks bepaalt wat een spectrogram kan onthullen en wat het zal verbergen.

Welke vensterlengtes zijn een goed startpunt voor verschillende hersenritmes?

Voor zeer trage delta-ritmes is een langer venster van ongeveer één tot twee seconden nodig om volledige cycli te registreren. Theta- en alfa-ritmes zijn vaak goed gediend met een venster van ongeveer een halve seconde, en snellere bèta- en gamma-ritmes vereisen kortere vensters van ongeveer een kwart seconde of minder om hun snelle veranderingen te volgen.

Hoe kan STFT overeenkomsten onthullen tussen echte en ingebeelde bewegingen?

STFT registreert tijdgebonden dalingen in signaalvermogen, genaamd event-related desynchronization, in de mu- en bètabanden, die zowel optreden wanneer een persoon beweegt als wanneer diegene zich mentaal dezelfde beweging inbeeldt. Spectrogrammen van echte en ingebeelde motorische taken kunnen vrijwel identieke frequentiepatronen vertonen, wat de logica achter brain-computer interfaces ondersteunt.

Kan STFT worden gebruikt met deep learning-modellen?

Ja, de door STFT gegenereerde afbeeldingen van het spectrogram kunnen rechtstreeks in convolutionele neurale netwerken worden ingevoerd die ontworpen zijn voor beeldherkenning. Deze modellen kunnen leren om hersentoestanden te onderscheiden op basis van de tijd-frequentiepatronen, waarbij vaak een zeer hoge classificatienauwkeurigheid wordt behaald bij taken zoals de detectie van ingebeelde motorische handelingen.

Wat is de belangrijkste beperking van STFT vergeleken met andere tijd-frequentiemethoden?

STFT hanteert één vaste venstergrootte voor alle frequenties, wat betekent dat het niet tegelijkertijd scherpe tijdsdetails voor snelle pieken en fijne frequentiedetails voor langzame golven kan geven. Adaptieve technieken zoals wavelets variëren de effectieve vensterlengte met de frequentie, wat in directe vergelijkingen vaak leidt tot een betere resolutie en hogere classificatieprestaties.

Wat is een goede stapsgewijze aanpak bij het gebruik van STFT op EEG-data?

Begin met het afstemmen van een initiële vensterlengte op het ritme dat je belangrijk vindt, gebruik overlappende vensters om het spectrogram glad te strijken, en inspecteer het resultaat om te zien of gebeurtenissen er scherp getimed of vaag uitzien. Als de bevinding cruciaal is, overweeg dan om de data te controleren met een adaptieve methode, omdat een enkele STFT-instelling mogelijk slechts één type resolutie bevoordeelt.