Zoek andere onderwerpen…

Een gids voor de Short-Time Fourier Transform voor EEG

Versnel uw analytische EEG-tijdlijnen met snel op te zetten, draadloze arrays met hoge dichtheid die zijn geoptimaliseerd voor Flexibele inzet in het veld.

Versnel uw analytische EEG-tijdlijnen met snel op te zetten, draadloze arrays met hoge dichtheid die zijn geoptimaliseerd voor Flexibele inzet in het veld.

Een basis-Fouriertransformatie, het klassieke wiskundige hulpmiddel om een signaal op te splitsen in zijn afzonderlijke frequenties, kan u vertellen welke hersenritmes ergens in een volledige meting aanwezig waren. Wat het u niet kan vertellen, is wanneer ze optraden. Een korte uitbarsting van alfa-activiteit die verschijnt op het moment dat iemand zijn ogen sluit, is een betekenisvolle, tijdgebonden gebeurtenis.

Gemiddeld tot een enkel frequentie-overzicht dat een opname van tien minuten beslaat, wordt die uitbarsting een statistiek, niet te onderscheiden van achtergrondruis. Het herstellen van de timing van deze gebeurtenissen is het uitgangspunt voor elk serieus EEG-onderzoek, en het is precies het probleem waarvoor de Short-Time Fourier Transform (STFT) is ontwikkeld.

Versnel uw analytische EEG-tijdlijnen met snel op te zetten, draadloze arrays met hoge dichtheid die zijn geoptimaliseerd voor Flexibele inzet in het veld.

Versnel uw analytische EEG-tijdlijnen met snel op te zetten, draadloze arrays met hoge dichtheid die zijn geoptimaliseerd voor Flexibele inzet in het veld.

Het probleem met de standaard Fourier-transformatie

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

Deze methode veronderstelt echter dat het signaal stationair is; als de frequentiesamenstelling in de loop van de tijd verandert, verhult 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 cruciaal is in vakgebieden zoals neurowetenschappen.

Wat is de Short-Time Fourier-transformatie bij EEG-analyse

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

De uitvoer van dit proces wordt gewoonlijk weergegeven als een spectrogram, een visuele kaart met de tijd op de ene as en de frequentie op 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 beoogt te bieden.

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

Waarom vensterlengte de belangrijkste instelling is bij STFT

Het opsplitsen van een signaal in vensters klinkt eenvoudig, maar de lengte die voor elk venster wordt gekozen, bepaalt bijna alles over de kwaliteit en betrouwbaarheid van het resulterende spectrogram. Deze beslissing brengt een afweging met zich mee die niet kan worden vermeden, maar alleen kan worden beheerst.

Bekijk het zo: een lang venster werkt als een precieze frequentielineaal, maar als een onscherpe stopwatch. Omdat het meer gegevenspunten bevat, kan een lang venster dicht bij elkaar liggende frequenties met grote nauwkeurigheid onderscheiden. Maar omdat het zich over een langere periode uitstrekt, wordt elke gebeurtenis die binnen dat venster plaatsvindt uitgesmeerd, en verliest u het vermogen om precies vast te stellen wanneer er iets veranderde.

Een kort venster draait deze afweging om. Het werkt als een precieze stopwatch, maar als een onscherpe frequentielineaal. Het kan u vrijwel exact vertellen wanneer er iets gebeurde, maar het heeft moeite om frequenties te scheiden die dicht bij elkaar liggen, omdat een kort signaalsegment simpelweg niet genoeg oscillatiecycli bevat om de frequentie tot in detail te meten.

Dit is een versie van een onzekerheidsprincipe dat alle tijd-frequentie-analyses beheerst: u kunt niet op hetzelfde moment een perfecte resolutie in zowel tijd als frequentie bereiken. Het verbeteren van de ene gaat altijd ten koste van de andere. Het herkennen van deze afweging, in plaats van te proberen deze te omzeilen, is de kernvaardigheid bij het werken met STFT.

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

  • Deltagolven (ongeveer 0,5 tot 4 Hz): Dit zijn de langzaamste hersenritmes en een venster moet lang genoeg zijn, vaak in het bereik van 1 tot 2 seconden, om ten minste één volledige cyclus van de langzaamste gemeten golf vast te leggen. Een korter venster zal simpelweg niet genoeg van de golf bevatten om deze te karakteriseren.

  • Theta- en alfaritmes (ongeveer 4 tot 13 Hz): Een tussenliggend venster, vaak rond de 500 milliseconden, biedt meestal een werkbare balans. Het is lang genoeg om verschillende oscillatiecycli vast te leggen, wat helpt om het ritme duidelijk te definiëren, terwijl het toch kort genoeg blijft om betekenisvolle veranderingen te volgen, zoals het begin van een alfagolfuitbarsting wanneer de ogen sluiten.

  • Bèta- en gammaritmes (boven ongeveer 13 Hz): Deze snellere ritmes bewegen snel, dus een kort venster, vaak 250 milliseconden of minder, wordt noodzakelijk om hun snelle dynamiek te volgen. De prijs hiervoor is een verminderd vermogen om nauwkeurig onderscheid te maken tussen dicht bij elkaar liggende frequenties binnen het hogere gammadomein, een direct gevolg van dezelfde hierboven beschreven afweging.

Hoe STFT verschillen onthult tussen echte en ingebeelde bewegingen

De praktische waarde van STFT wordt het duidelijkst in onderzoek naar brain-computer interfaces (BCI), waarbij het doel is om hersenactiviteit direct om te zetten in besturingssignalen voor een apparaat.

Een veelbestudeerd voorbeeld betreft het vergelijken van EEG geregistreerd terwijl een persoon zich voorstelt een hand te bewegen met EEG geregistreerd tijdens het inbeelden van een voetbeweging, of het vergelijken van ingebeelde acties met de daadwerkelijke fysieke versie van die actie.

In deze motorisch gerelateerde paradigma's is een veelvoorkomend analysedoel een fenomeen genaamd event-related desynchronization (gebeurtenisgerelateerde desynchronisatie), of ERD: een daling in signaalvermogen binnen de mu- en bètaritmebereiken over hersengebieden die geassocieerd zijn met beweging. Omdat ERD een specifieke, tijdgebonden daling in vermogen is in plaats van een constante achtergrondfunctie, is het precies het soort gebeurtenis dat een frequentiesamenvatting van de gehele opname zou wissen en dat een tijdsopgelost spectrogram wel kan vastleggen.

Het onderzoek van Zabidi et al., waarin STFT rechtstreeks op deze vraag werd toegepast, onderzocht EEG dat werd verzameld tijdens daadwerkelijk handschrift en tijdens ingebeeld handschrift. Het signaal werd eerst door een banddoorlaatfilter geleid die de analyse beperkte tot het bereik van 8 tot 30 Hz, wat de alfa- en bètaritmes dekt die het meest relevant zijn voor motorische activiteit, voordat de STFT werd berekend met een afgestemd Hamming-venster.

Het resultaat was een directe, specifieke bevinding: “de frequentiecomponenten van de EEG-signalen verkregen bij het schrijven zijn hetzelfde 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 echte fysieke actie, een correlatie die ten grondslag ligt aan een groot deel van de logica achter BCI-systemen die beogen beoogde bewegingen te detecteren zonder dat er daadwerkelijke fysieke beweging nodig is.

STFT gebruiken om beelden te bouwen voor deep learning-modellen

Naast visuele inspectie hebben spectrogrammen die door STFT zijn gegenereerd een tweede leven gekregen als een voorbewerkingsstap voor deep learning-systemen, en specifiek voor Convolutional Neural Networks (CNN's), een type model dat oorspronkelijk is gebouwd voor het herkennen van patronen in afbeeldingen. Aangezien een spectrogram in wezen een gekleurde afbeelding is die het vermogen over tijd en frequentie toont, zijn onderzoekers van mening dat het direct kan worden overgedragen aan een op beelden gebaseerd deep learning-model, dat vervolgens verborgen structuren in de gegevens kan detecteren die handmatig moeilijk te specificeren zijn.

Een studie uit 2019 transformeerde EEG-opnamen van een motorische verbeeldingstaak, waarbij het onderscheid werd gemaakt tussen een beweging van de rechterhand en de rechtervoet, in beelden met behulp van zowel STFT als een alternatieve tijd-frequentiebenadering, en voerde vervolgens beide sets beelden in een vooraf getrainde CNN-architectuur in.

De prestaties bij beide benaderingen waren sterk, waarbij de algehele pijplijn een classificatienauwkeurigheid van 99,35% bereikte, beschreven als de beste score onder bestaande vergelijkbare methoden. Toen de twee beeldgeneratiemethoden echter binnen diezelfde studie rechtstreeks met elkaar werden vergeleken, waren de resultaten niet gelijk: “de CWT-benadering levert betere resultaten op dan de STFT-benadering”, wat wijst op een reële, gemeten afweging in hoe getrouw elke methode het onderliggende EEG-signaal vertaalde naar een bruikbaar beeld.

Deze afweging was naar verluidt het motiverende probleem achter een afzonderlijke methodologische ontwikkeling. Onderzoekers bouwden wat zij 'anchored-STFT' noemden, beschreven als “een geavanceerde versie van STFT, omdat het de afweging tussen temporele en spectrale resolutie minimaliseert die STFT met zich meebrengt”.

In combinatie met een 'adversarial data augmentation'-methode rapporteerde deze verbeterde pijplijn classificatienauwkeurigheden variërend van ongeveer 69% tot meer dan 90% over verschillende BCI-datasets. Dit versterkt het patroon dat standaard STFT kan dienen als een werkelijk capabele tool voor kenmerkextractie, maar een waarvan de bekende resolutiebeperkingen ruimte bieden voor verfijning, hetzij door parameterafstemming, een verbeterde versie van de techniek zelf, of een geheel andere tijd-frequentiebenadering.

Hoe onderzoek de Short-Time Fourier-transformatie toepast op de classificatie van motorische verbeelding

Een recent onderzoek tilt de Short-Time Fourier-transformatie voorbij de visualisatiefase en brengt deze naar een werkende classificatiepijplijn. Net als bij het eerdere werk dat hierboven is beschreven, is het uitgangspunt een motorische verbeeldingstaak, waarbij een persoon zich voorstelt een hand te bewegen in plaats van deze fysiek te bewegen.

De auteurs beschrijven een raamwerk dat ze AMD-KT2D noemen, gebouwd op wat ze een geoptimaliseerde Short-Time Fourier-transformatie noemen. In plaats van vast te houden aan één enkele vaste vensterinstelling, stemt deze variant de vensterfunctie en de tijd-frequentieresolutie gezamenlijk af, met als verklaard doel dynamische temporele en ruimtelijke kenmerken te behouden die een vaste configuratie zou kunnen uitsmeren of verliezen.

De resulterende 2D-tijd-frequentiebeelden worden vervolgens doorgegeven aan een 'guide-learner'-architectuur: een Improved ResNet50, vooraf getraind op een grootschalige dataset, extraheert ruimtelijk-temporele kenmerken op hoog niveau, terwijl een Customized 2D Convolutional Neural Network kenmerken op meerdere schalen vastlegt. Een Adaptive Margin Disparity Discrepancy-verliesfunctie wordt gebruikt om de ongelijkheid tussen de twee te verminderen en hun kenmerken op één lijn te brengen.

EEG-opnamen voor de motorische verbeeldingstaak van linker- versus rechterhand werden verzameld met het Emotiv Flex-systeem. Op die dataset bereikte de hybride classificator voor motorische verbeelding naar verluidt 96,75% nauwkeurigheid in een proefpersoon-afhankelijke setting en 92,17% in een proefpersoon-onafhankelijke setting. De kloof tussen die twee cijfers is opmerkelijk: prestaties gemeten binnen hetzelfde individu gelden niet automatisch voor een persoon op wie het model niet is getraind.

Samen met het andere werk dat in dit artikel wordt besproken, wijst de studie erop dat spectrogrammen die zijn gegenereerd door de Short-Time Fourier-transformatie een werkbare invoer zijn voor deep learning-modellen die gericht zijn op het decoderen van motorische verbeelding. Wat dat onderzoekskader echter nog niet aantoont, is generaliseerbaarheid. Dit is een enkele studie, op een enkele dataset, met nauwkeurigheidscijfers die gebonden zijn aan één taak en één groep deelnemers, en de gerapporteerde methode is gebaseerd op een afgestemde versie van de transformatie in plaats van de standaardvorm.

Deze resultaten moeten worden gezien als veelbelovend binnen hun eigen setting, niet als vaststaande prestaties voor op EEG gebaseerde interfaces in bredere zin.

Wanneer STFT tekortschiet: het probleem van de vaste resolutie

De hierboven besproken afweging 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 trage 2 Hz delta-activiteit of snelle 100 Hz gamma-activiteit. Het venster past zichzelf niet aan. De eerder beschreven tijd-frequentie-afweging ligt vast op één instelling voor de hele analyse, ook al zouden verschillende ritmes idealiter baat hebben bij verschillende instellingen.

Deze vaste aard is precies wat STFT onderscheidt van een categorie adaptieve technieken, zoals op wavelets gebaseerde methoden. In plaats van één venstergrootte voor elke frequentie vast te leggen, gebruiken adaptieve methoden effectief langere vensters voor lagere frequenties en kortere vensters voor hogere frequenties. Hierdoor wordt de resolutie naar behoefte aangepast binnen één enkele analyse, in plaats van één compromis te sluiten voor het hele signaal.

Zo meldde een studie onder leiding van Wang et al., waarin een adaptieve tijd-frequentiemethode werd ontwikkeld, dat hun aanpak “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 uitkomsten van antidepressivabehandelingen bij ernstige depressieve stoornis (Major Depressive Disorder) op basis van EEG-gegevens voorafgaand aan de behandeling, vergeleken onderzoekers een op wavelets gebaseerde benadering direct met STFT en een andere ontledingsmethode, en rapporteerden dat “de WT-analyse de hoogste classificatienauwkeurigheid heeft laten zien” onder de vergeleken technieken, met een nauwkeurigheid van 87,5% ten opzichte van de alternatieven.

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

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

Stap 1: Definieer de vraag voordat u de gegevens aanraakt. Is het doel het detecteren van een snelle, korte gamma-uitbarsting, of het volgen van een langzame verschuiving in deltavermogen over minuten? Het antwoord bepaalt welke kant van de afweging van de vensterlengte het belangrijkst is.

Stap 2: Selecteer een initiële vensterlengte die is afgestemd op het doelritme. Gebruik de bovenstaande praktische richtlijnen als uitgangspunt: langere vensters voor delta, tussenliggende 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 egaliseert en het ontstaan van kunstmatige gaten tussen tijdssegmenten vermindert.

Stap 3: Genereer het spectrogram en inspecteer het kritisch. Vertoont de gekozen vensterlengte een duidelijke, scherpe aanzet voor een snel ritme van belang, of lijkt de gebeurtenis uitgesmeerd over een langere tijdsspanne dan zou moeten? Kan het spectrogram een alfapiek duidelijk onderscheiden van een naburige thetapiek, of lopen de twee ritmes in elkaar over? Deze visuele controles zijn een directe, praktische test om te zien of de gekozen vensterlengte geschikt was voor de gegevens.

Stap 4: Behandel het resultaat als één weergave tussen verschillende mogelijke weergaven, niet als een definitief oordeel. Een negatieve bevinding, zoals geen meetbaar gammaverschil tussen twee experimentele groepen, kan wijzen op een daadwerkelijke afwezigheid van effect, of simpelweg een weerspiegeling zijn van de resolutiebeperkingen van het specifiek gekozen STFT-venster. Een redelijke volgende stap om een dubbelzinnige of belangrijke bevinding te bevestigen, is het opnieuw analyseren van dezelfde gegevens met behulp van een adaptieve methode ter controle.

Waarom het volgen van hersenritmes nieuwe inzichten oplevert

Hersenactiviteit is een opeenvolging van getimede gebeurtenissen, en het herstellen van die timing verandert een vlakke registratie in een realtime verslag van veranderende mentale toestanden. Door van een enkele frequentiesamenvatting naar een kaart van moment tot moment te gaan, kunnen onderzoekers specifieke gedachten, intenties of gewaarwordingen rechtstreeks koppelen aan de hersenritmes die ermee gepaard gaan. Deze verschuiving transformeert EEG van een statische meting naar een hulpmiddel dat brain-computer interfaces kan ondersteunen en input kan leveren voor deep learning-modellen die mentale patronen leren herkennen.

De afweging van de vaste resolutie van de methode bevat een bredere les: elke analytische keuze belicht bepaalde waarheden terwijl andere mogelijk vervagen, dus geen enkel resultaat vertelt het hele verhaal. Dit vraagt om kruiscontroles met andere benaderingen wanneer bevindingen van groot belang zijn, en het onderstreept dat de elektrische patronen van de hersenen — zoals de sterke overeenkomst tussen ingebeelde en daadwerkelijke beweging — diep gelaagd zijn. Die onderliggende overeenkomst ondersteunt het idee dat de hersenen acties repeteren met veel van dezelfde ritmische signaturen die ze gebruiken om ze 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 Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

Veelgestelde vragen

Wat is de Short-Time Fourier-transformatie bij EEG-analyse?

De Short-Time Fourier-transformatie (STFT) snijdt het ruwe EEG-signaal in korte, opeenvolgende tijdvensters en berekent een frequentiespectrum voor elk venster. Door deze momentopnamen op volgorde te stapelen, ontstaat een bewegend beeld, een spectrogram genaamd, dat laat zien hoe de sterkte van verschillende hersenritmes van moment tot moment verandert.

Waarom kan ik niet gewoon een reguliere Fourier-transformatie gebruiken op een EEG-opname?

Een eenvoudige Fourier-transformatie ontleedt de gehele opname in de samenstellende frequenties, maar wist alle tijdsinformatie. U weet dan wel welke ritmes er in het algemeen aanwezig waren, maar niet wanneer ze verschenen. De STFT herstelt die timing door korte segmenten afzonderlijk te analyseren, zodat u kunt zien wanneer een plotselinge alfagolf of een daling in bètavermogen daadwerkelijk plaatsvond.

Wat toont een spectrogram?

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

Waarom is de vensterlengte zo belangrijk?

Langere vensters geven nauwkeurige frequentie-informatie, maar maken de exacte timing van gebeurtenissen onscherp, terwijl kortere vensters de timing goed vastleggen, maar dicht bij elkaar liggende frequenties in elkaar doen overlopen. Deze onvermijdelijke afweging betekent dat de keuze van de vensterlengte rechtstreeks bepaalt wat een spectrogram kan onthullen en wat het verbergt.

Welke vensterlengtes zijn een goed startpunt voor verschillende hersenritmes?

Voor zeer trage deltaritmes is een langer venster van ongeveer één tot twee seconden nodig om volledige cycli vast te leggen. Theta- en alfaritmes zijn vaak goed gediend met een venster van ongeveer een halve seconde, en snellere bèta- en gammaritmes vereisen kortere vensters van ongeveer een kwart seconde of minder om hun snelle veranderingen te kunnen volgen.

Hoe kan STFT overeenkomsten tussen echte en ingebeelde bewegingen aan het licht brengen?

STFT legt tijdgebonden dalingen in vermogen vast, zogeheten gebeurtenisgerelateerde desynchronisatie (ERD) in de mu- en bètabanden, die optreden zowel wanneer een persoon beweegt als wanneer diegene zich dezelfde beweging mentaal voorstelt. 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 spectrogrambeelden kunnen rechtstreeks worden ingevoerd in convolutionele neurale netwerken die zijn ontworpen voor beeldherkenning. Deze modellen kunnen leren om hersentoestanden te onderscheiden op basis van de tijd-frequentiepatronen, waarbij ze vaak een zeer hoge classificatienauwkeurigheid bereiken bij taken zoals detectie van motorische verbeelding.

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

STFT legt één vaste venstergrootte vast voor alle frequenties, wat betekent dat het niet tegelijkertijd scherpe tijddetails voor snelle pieken én fijne frequentiedetails voor trage golven kan bieden. Adaptieve technieken zoals wavelets variëren de effectieve vensterlengte per frequentie, wat bij directe vergelijkingen vaak leidt tot een betere resolutie en hogere classificatieprestaties.

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

Begin met het afstemmen van een initiële vensterlengte op het ritme waarin u geïnteresseerd bent, gebruik overlappende vensters om het spectrogram te egaliseren en inspecteer het resultaat om te zien of gebeurtenissen qua timing scherp worden weergegeven of uitgesmeerd lijken. Als de bevinding van cruciaal belang is, overweeg dan om de gegevens ter controle opnieuw te analyseren met een adaptieve methode, aangezien één enkele STFT-instelling mogelijk slechts één type resolutie bevoordeelt.

Versnel uw analytische EEG-tijdlijnen met snel op te zetten, draadloze arrays met hoge dichtheid die zijn geoptimaliseerd voor Flexibele inzet in het veld.

Versnel uw analytische EEG-tijdlijnen met snel op te zetten, draadloze arrays met hoge dichtheid die zijn geoptimaliseerd voor Flexibele inzet in het veld.

Emotiv is een leider in neurotechnologie die helpt om neurowetenschappelijk onderzoek vooruit te helpen met toegankelijke EEG- en hersendatatools.

Medische disclaimer: De informatie op deze website is uitsluitend bedoeld voor educatieve en informatieve doeleinden en is niet bedoeld als medisch of gezondheidsadvies. Deze inhoud kan fouten bevatten en er mag niet op worden vertrouwd om levensveranderende keuzes te maken op het gebied van gezondheid, medische zaken of levensstijl. Vraag altijd advies aan uw arts of een andere gekwalificeerde zorgverlener met eventuele vragen over een medische aandoening of behandeling.

Christian Burgos

Het laatste van ons

De afweging bij droge EEG-elektroden: snelheid en comfort versus signaalkwaliteit

Het elektro-encefalogram (EEG) is al tientallen jaren een hoeksteen van de neurowetenschappen en meet de elektrische activiteit van de hersenen via elektroden die op de hoofdhuid zijn geplaatst. Traditionele "natte" elektroden vereisen geleidende gel om de kloof tussen huid en sensor te overbruggen, waardoor de weerstand – impedantie – die deze minuscule spanningen anders zou blokkeren, wordt verminderd. Het aanbrengen van die gel is rommelig, tijdrovend en vaak ongemakkelijk voor deelnemers.

Nu EEG zich buiten het laboratorium beweegt – naar huizen, klinieken en ambulante omgevingen – is de vraag naar een snellere, eenvoudigere interface toegenomen. Droge elektroden, die zonder gel direct contact maken met de huid, beloven precies dat: een snelle installatie en meer comfort.

Maar dit gemak brengt fysieke kosten met zich mee. De afwezigheid van gel leidt tot een hogere impedantie en een ruisrijker signaal, waardoor een constante afweging ontstaat tussen gebruiksgemak en data-nauwkeurigheid. Een reeks recent onafhankelijk onderzoek brengt nu de precieze dimensies van die afweging in kaart, en verduidelijkt waar droge elektroden bewonderenswaardig presteren en waar ze een tweede keuze blijven.

Lees artikel

Hoe werkt een thuis-EEG voor dagelijkse hersenmetingen?

Thuis-EEG's zijn zelfstandig uitgevoerde metingen die buiten een klinische of laboratoriumomgeving plaatsvinden. Hierbij worden de elektrodegel, de headset en de opnamesoftware overgedragen aan een ongetrainde gebruiker, vaak met niets meer dan een smartphone-app als begeleiding. Het concept bestaat uit het beschikbaar maken van hersenmetingsmogelijkheden die in het dagelijks leven passen, met het potentieel om de slaaparchitectuur, cognitieve focus of aanvalspatronen vast te leggen zonder de logistieke belasting van een ziekenhuisbezoek.

Lees artikel

Neurofeedbackapparaten als complete systemen

Stel je voor dat je een videogame speelt waarbij je controller onzichtbaar is—je stuurt met niets anders dan je eigen hersengolven. Dat idee vormt de kern van neurofeedback, een techniek die je een realtime inkijkje geeft in je hersenactiviteit en je vervolgens leert deze te veranderen.

Een apparaat vangt signalen op die door je hersenen worden gegenereerd, meestal met behulp van een elektro-encefalogram (EEG) dat elektrische patronen op de hoofdhuid detecteert, of af en toe een fNIRS-sensor (functionele nabij-infraroodspectroscopie) die de bloedstroom volgt. Die ruwe signalen worden verwerkt en omgezet in een eenvoudig spel, een geluid of een bewegend figuur op een scherm. Door vallen en opstaan leert je brein de patronen te produceren die ervoor zorgen dat de feedback de gewenste kant op gaat.

Veel gidsen richten zich op de afzonderlijke onderdelen—de EEG-elektroden, de draden, de software—maar een apparaat slaagt pas als die stukjes een samenhangend geheel vormen. Deze introductie bekijkt neurofeedback als een geïntegreerd systeem waarin signaalverwerking, feedbackontwerp en dagelijkse bruikbaarheid samenkomen om te bepalen of iets werkelijk helpt.

Lees artikel

Beheers de EEG-opstelling: Beste praktijken vóór de meting

Wat een helder, interpreteerbaar neuraal signaal scheidt van een registratie die verstoord is door spierartefacten of netruis, is geen geavanceerd post-hoc-algoritme, maar een systematische, chronologische pipeline van voorbereidende stappen. De EEG-opstelling is in deze context niet simpelweg het plaatsen van een elektrodenkap op een deelnemer. Het is een gedisciplineerde reeks van biologische, omgevings- en elektrische kalibratieprocedures die gezamenlijk een stabiele, ruisarme interface vormen tussen de hersenen en de versterker.

Dit artikel doorloopt de workflow voorafgaand aan de meting en synthetiseert beschikbaar bewijs om aan te tonen dat een zorgvuldige briefing van de deelnemer, hoofdhuidpreparatie, omgevingsafscherming, selectie van de referentiemontage en screening op baseline-artefacten een niet-onderhandelbare keten van afhankelijkheden vormen.

Lees artikel