Dyskretna analiza Fouriera (DFT) zapewnia solidne ramy do dekonstrukcji złożonych sygnałów na ich podstawowe komponenty okresowe w celu precyzyjnej interpretacji.
Ten artykuł wyjaśnia, w jaki sposób DFT przekształca skończony blok spróbkowanych danych napięciowych, takich jak nagranie w stanie spoczynku lub pojedynczy blok z eksperymentu zadaniowego, w zestaw składowych częstotliwościowych.
Czym jest dyskretna analiza Fouriera?
Dyskretna analiza Fouriera to podejście matematyczne stosowane do interpretacji spróbkowanych sygnałów poprzez ich rozkład na szereg częstotliwości składowych.
Zamiast postrzegać dane jako ciągły przepływ, metoda ta przetwarza dyskretne, skończone sekwencje liczb — takie jak odczyty napięcia z systemów rejestracji EEG — w celu zidentyfikowania względnej siły różnych cykli oscylacji. Poprzez konwersję tych próbek na numeryczne reprezentacje amplitudy i fazy, badacze uzyskują jasną perspektywę na to, które składowe częstotliwościowe są najbardziej dominujące w danym zbiorze danych.
Technika ta wypełnia lukę między surowym gromadzeniem danych a wydobywaniem użytecznych informacji, działając zasadniczo jak cyfrowy pryzmat. W zastosowaniu do złożonych przebiegów falowych proces ten oddziela nakładające się oscylacje na czytelne pasma, co pozwala na wyizolowanie specyficznych sygnatur rytmicznych, które w przeciwnym razie pozostałyby zamaskowane przez szerszy szum sygnałowy. Jest to kamień węgielny współczesnych badań w dziedzinie neuroscience, gdzie izolowanie odrębnych wzorców aktywności mózgu ma kluczowe znaczenie dla zrozumienia zarówno prawidłowego funkcjonowania układu nerwowego, jak i stanów patologicznych.
Wykorzystując zdolność frequency analysis do reorganizacji sekwencji czasowych, naukowcy mogą skutecznie filtrować otaczający szum elektryczny lub artefakty, które mogłyby zanieczyścić odczyt. Ta transformacja nie jest jedynie ćwiczeniem statystycznym, ale istotnym narzędziem, które sprawia, że subtelne oscylacje o wysokiej częstotliwości stają się widoczne w formacie ilościowym. Wynikowy rozkład mocy w różnych pasmach częstotliwości stanowi podstawę większości ocen diagnostycznych wykonywanych obecnie we współczesnych laboratoriach klinicznych.
Co dyskretna transformacja Fouriera (i FFT) faktycznie robią w przetwarzaniu sygnału EEG
Gdy ciągły sygnał EEG zostanie spróbkowany do skończonej sekwencji liczb, DFT może na nim operować. Dla podanych N próbek napięcia, DFT generuje N liczb zespolonych, z których każda reprezentuje udział określonego, wąskiego wycinka częstotliwości, zwanego prążkiem (binem). Zamiast jednego chaotycznego zapisu napięcia, otrzymuje się uporządkowaną listę pokazującą, w jakim stopniu każda częstotliwość jest obecna w tym nagraniu.
Bezpośrednie obliczanie DFT staje się powolne w miarę wzrostu N, ponieważ obliczenia te skalują się z kwadratem liczby próbek. Szybka transformacja Fouriera, czyli FFT, to algorytm, który daje matematycznie identyczne wyniki, działając przy tym znacznie wydajniej.
W praktyce praktycznie nikt nie oblicza surowej DFT metodą siłową. FFT jest po prostu standardowym, wydajnym sposobem na osiągnięcie tego celu, a oba te terminy są często używane zamiennie w EEG research.
Jak czytać surowe widmo częstotliwości EEG
Załóżmy, że nagranie zawiera N próbek, pobranych przy częstotliwości próbkowania fₛ próbek na sekundę. Transformacja DFT tego nagrania generuje N równomiernie rozmieszczonych prążków częstotliwości rozciągających się od 0 Hz do fₛ Hz.
Odstęp między sąsiednimi prążkami, zwany szerokością prążka, jest równy fₛ podzielonemu przez N. Ta pojedyncza liczba, szerokość prążka, określa najbardziej szczegółowy detal częstotliwościowy, jaki analiza jest w stanie rozróżnić.
Ponieważ napięcie EEG jest sygnałem o wartościach rzeczywistych, a nie zespolonych, tylko pierwsza połowa tych prążków, a dokładnie N/2 + 1 z nich, zawiera unikalne informacje. Pozostałe prążki są lustrzanymi odbiciami pierwszej połowy i nie wnoszą nic nowego. Prążek o numerze k odpowiada rzeczywistej częstotliwości będącej iloczynem k i szerokości prążka (fₛ / N).
Dla każdego z tych prążków DFT zwraca liczbę zespoloną, co oznacza, że składa się ona z dwóch komponentów, a nie jednego. Moduł tej liczby zespolonej to amplituda odpowiedniej składowej częstotliwościowej, wyrażona w mikrowoltach po odpowiednim przeskalowaniu. Informuje to o tym, jak silny jest dany rytm w rejestrowanym segmencie.
Kąt liczby zespolonej to faza, która wskazuje, w którym miejscu swojego cyklu znajduje się dany rytm na początku nagrania, skutecznie zaznaczając moment, w którym przypada szczyt rytmu w stosunku do początku okna analizy.
Trzy ograniczenia, które kształtują każde widmo EEG
Trzy praktyczne limity decydują o tym, jak wiarygodne jest widmo oparte na DFT, a wszystkie trzy wynikają z faktu, że wejściem jest skończony, spróbkowany zapis, a nie nieskończony, ciągły przebieg:
Szerokość prążka (rozdzielczość częstotliwościowa) jest równa fₛ podzielonemu przez N; tylko dłuższe nagranie pozwala rozróżnić dwa bliskie sobie rytmy.
Granica Nyquista na poziomie połowy częstotliwości próbkowania bezpowrotnie nakłada (aliasing) szybszą aktywność mózgu, jeśli nie zostanie ona odfiltrowana przed próbkowaniem.
Przeciek widma rozprasza energię rytmu na sąsiednie prążki, gdy jego częstotliwość wypada między środkami prążków; okna wygładzające (tapering) zmniejszają to rozproszenie.
Zastosowanie DFT w badaniach EEG w stanie spoczynku i w schemacie blokowym
DFT zakłada, przynajmniej pośrednio, że zawartość częstotliwościowa sygnału nie ulega znacznym zmianom w analizowanym segmencie. Założenie to jest uzasadnione podczas dłuższego odpoczynku lub jednolitego bloku powtarzalnego zadania poznawczego – stanów, które są w przybliżeniu stacjonarne. W takich warunkach pojedyncza DFT wykonana dla całej epoki daje widmo, które w sensowny sposób reprezentuje rytmiczną aktywność mózgu w tym przedziale czasu.
Jest to zbliżone do podejścia zastosowanego w legacy study nad asymetrią półkulową EEG, w którym uczestnicy wykonywali zadania słowne, arytmetyczne, przestrzenne i muzyczne, podczas gdy sygnał EEG był rejestrowany z odprowadzeń skroniowych i ciemieniowych.
Dyskretne transformacje Fouriera tych nagrań pozwoliły na uzyskanie stosunków mocy porównujących prawą i lewą półkulę w standardowych pasmach częstotliwości. Pasmo alfa wykazało, że asymetria między półkulami zależała znacząco od tego, jakie zadanie było wykonywane, a półkula bardziej zaangażowana w zadanie konsekwentnie wykazywała proporcjonalnie mniejszą moc alfa.
Ten zależny od zadania efekt w paśmie alfa został opisywany jako od 2 do 5 razy większy niż to, co wcześniejsze badania wykazywały przy analizie mocy całego pasma bez wyodrębniania samej częstotliwości alfa. Ten wzrost czułości wynikał bezpośrednio z rozdzielenia pasm częstotliwości za pomocą DFT, zamiast traktowania sygnału jako jednego niepodzielnego bloku.
Co więcej, badanie przeprowadzone przez Fukui University of Technology in Japan na prawidłowym i padaczkowym EEG pokazuje podobny schemat zastosowany do prawdopodobnych warunków stanu spoczynku. Jego analiza Fouriera ujawniła wspomniany wcześniej kształt widma przypominający 1/f i potwierdziła, że rytm alfa, wyraźny w prawidłowych nagraniach, był nieobecny w nagraniach padaczkowych.
Ograniczenia: Kiedy DFT nie wystarcza
Główne założenie DFT – że zawartość częstotliwościowa pozostaje stała w analizowanym segmencie – przestaje być aktualne, gdy aktywność EEG zmienia się gwałtownie w tym oknie. Iglice padaczkowe i nagłe zmiany emocjonalne to dwa wyraźne przykłady takiego niestacjonarnego zachowania.
Badanie analizujące prawidłowe i padaczkowe EEG bezpośrednio wykazało to ograniczenie. Podczas gdy transformacja Fouriera z powodzeniem wychwyciła ogólny kształt widma 1/f nagrań, nie zdołała ujawnić zlokalizowanych iglic i ostrych zespołów charakterystycznych dla aktywności napadowej.
Transformacje falkowe, inna rodzina time-frequency tools, były w stanie wykryć te zlokalizowane zdarzenia tam, gdzie podejście Fouriera zawiodło.
Praktyczny wniosek jest prosty: w przypadku nagrań stacjonarnych, bloków stanu spoczynku lub dobrze kontrolowanych bloków zadaniowych, DFT stanowi solidną i łatwą do zinterpretowania podstawę do analizy częstotliwościowej. W przypadku zdarzeń przemijających lub szybko zmieniających się, konieczne może być zastosowanie rozszerzeń czasowo-częstotliwościowych, takich jak falki lub adaptacyjne krótkoczasowe transformacje.
Dyskretna analiza Fouriera a falki: Porównanie
Dyskretna analiza Fouriera zapewnia doskonały globalny widok sygnału, identyfikując statyczny skład częstotliwościowy w całym bloku danych. Ponieważ oblicza ona jedno średnie widmo dla tego okna czasowego, jest wysoce wydajna w przypadku sygnałów stacjonarnych, których właściwości rytmiczne pozostają spójne. Brakuje jej jednak zdolności do precyzyjnego określenia, kiedy konkretne zdarzenie częstotliwościowe występuje w analizowanym segmencie, co zasadniczo rozmywa cechy czasowe w jeden zagregowany portret.
W przeciwieństwie do tego, falki oferują podejście wielorozdzielcze, które dostarcza zlokalizowanych informacji zarówno w dziedzinie czasu, jak i częstotliwości. Dzięki zastosowaniu okna o zmiennej wielkości, transformacje falkowe mogą przybliżyć przejściowe iglice lub nagłe wybuchy aktywności, które często ulegają zatraceniu przy użyciu szerszych metod Fouriera. Czyni to je znacznie bardziej elastycznymi przy badaniu epizodycznych zjawisk mózgowych lub szybkich zmian neurologicznych, które nie przebiegają według ustalonego wzorca okresowego.
Wybór między tymi metodami jest kwestią priorytetów w zakresie zapotrzebowania na informacje w ramach parametrów projektu badawczego. Badacze często stosują standardowy przepływ procedur przy określaniu swojej strategii przetwarzania sygnału:
Potwierdzenie, czy badany sygnał jest stacjonarny czy przejściowy.
Zastosowanie tradycyjnej globalnej analizy widmowej do oceny średniej mocy.
Wdrożenie rozkładu czasowo-częstotliwościowego do śledzenia zlokalizowanych zdarzeń.
Walidacja wynikowych rozkładów energii pod kątem znanych artefaktów fizjologicznych.
Przewodnik po implementacji dyskretnej analizy Fouriera w języku Python
Implementacja tej analizy w języku Python zazwyczaj wiąże się z użyciem wyspecjalizowanych bibliotek, takich jak NumPy lub SciPy, które udostępniają zoptymalizowane funkcje do obliczania szybkich transformacji Fouriera.
Główna funkcja fft przyjmuje tablicę próbek napięcia i zwraca kontener o wartościach zespolonych reprezentujący moc i fazę przy każdej harmonicznej. Programiści muszą upewnić się, że tablica wejściowa jest w razie potrzeby poprawnie uzupełniona (padding), chociaż nowoczesne biblioteki automatycznie obsługują podstawowe operacje macierzowe dla większości standardowych rozmiarów tablic.
Po obliczeniu surowej transformacji, rzeczywista implementacja wymaga normalizacji wyjścia i obliczenia wartości bezwzględnej w celu wyprowadzenia widma mocy. Wiąże się to z podziałem przez całkowitą długość sekwencji w celu odpowiedniego przeskalowania wartości modułów. Po przeskalowaniu widmo można wykreślić względem zdefiniowanej osi częstotliwości, która jest konstruowana na podstawie oryginalnej częstotliwości próbkowania sprzętu rejestrującego.
Sfinalizowanie kodu wymaga radzenia sobie z potencjalnymi artefaktami poprzez uprzednie oczyszczenie sygnału wejściowego za pomocą filtrów pasmowoprzepustowych. Izolując tylko te częstotliwości, które są istotne dla bieżącego badania, użytkownicy zmniejszają ślad obliczeniowy i poprawiają czytelność końcowego wykresu widmowego. To modułowe podejście pozwala na szybkie udoskonalanie potoków przetwarzania w miarę pojawiania się nowych wymagań badawczych.
Materiały i przewodniki PDF dotyczące dyskretnej analizy Fouriera
Dla osób poszukujących zaawansowanych podręczników technicznych dostępnych jest kilka podstawowych zasobów PDF, które szczegółowo opisują dowody matematyczne i strategie wdrażania analizy widmowej. Dokumenty te służą jako pomost między teoretycznymi podręcznikami do przetwarzania sygnałów a praktycznymi zastosowaniami laboratoryjnymi, wyjaśniając, jak uwzględnić granice błędów i specyficzne dla danego systemu błędy systematyczne. Wiele z tych przewodników jest opracowywanych przez akademickie grupy badawcze w celu standaryzacji przetwarzania w badaniach wieloośrodkowych.
Zasoby te często zawierają samouczki dotyczące przygotowania surowych danych szeregów czasowych do analizy, kładąc nacisk na specyficzne wymagania dotyczące czystości danych, takie jak odrzucanie artefaktów i ponowne odniesienie (re-referencing). Oferują one również kompleksowe omówienie różnych funkcji okienkowych, wyjaśniając, jak wpływają one na kompromis między rozdzielczością widmową a dokładnością amplitudy. Zrozumienie tych niuansów jest niezbędne dla każdego praktyka, który chce wyjść poza gotowe szablony wspólnych funkcji bibliotecznych.
Korzystając z tych przewodników technicznych, studenci i badacze mogą zdobyć Insight w typowe pułapki związane z transformacjami cyfrowymi, takie jak przeciek widma i artefakty zawijania (wrap-around). Przewodniki te są okresowo aktualizowane, aby odzwierciedlić postępy w szybkości i wydajności obliczeniowej, co gwarantuje, że opisane metodologie pozostają aktualne i mają zastosowanie do nowoczesnego sprzętu do rejestracji o wysokiej rozdzielczości stosowanego w obecnych projektach naukowych.
Jak analiza częstotliwościowa ujawnia ukryte rytmy mózgowe
Rozbicie nagrania EEG na częstotliwości składowe zamienia splątany zapis napięcia w coś znacznie bardziej wymownego. Dyskretna transformacja Fouriera pokazuje dokładnie, które rytmy są obecne i jak silne, dlatego stała się pierwszym krokiem w wyodrębnianiu cech, takich jak asymetria pasma alfa powiązana z zadaniami umysłowymi lub wyraźny kształt 1/f, który odróżnia normalną aktywność mózgu od nagrań padaczkowych. Ten krok zapewnia jasny, łatwy do zinterpretowania obraz krajobrazu oscylacyjnego mózgu podczas stabilnych stanów spoczynku lub wykonywania zadań.
Metoda ta niesie jednak ze sobą istotne ograniczenia, ponieważ wymaga wystarczająco szybkiego próbkowania, aby uniknąć aliasingu, odpowiednio długiego okna do rozróżnienia bliskich rytmów, oraz świadomości, że nagłe zdarzenia neuronalne naruszają jej podstawowe założenie o stabilnym stanie mózgu. W przypadku tych przejściowych iglic lub nagłych zmian emocjonalnych badacze często zwracają się ku alternatywom czasowo-częstotliwościowym, choć porównania tych narzędzi w wielu zadaniach są wciąż rzadkie.
Zrozumienie, co surowe widmo amplitudy może, a czego nie może nam powiedzieć, pozwala skupić się na tym, co rzeczywiście potwierdzają dane, budując ostrożny obraz funkcjonowania mózgu badanie po badaniu.
References
Doyle, J. C., Ornstein, R., & Galin, D. (1974). Lateral specialization of cognitive mode: II. EEG frequency analysis. Psychophysiology, 11(5), 567-578. https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
Yamaguchi, C. (2003, March). Fourier and wavelet analyses of normal and epileptic electroencephalogram (EEG). In First International IEEE EMBS Conference on Neural Engineering, 2003. Conference Proceedings. (pp. 406-409). IEEE. https://doi.org/10.1109/CNE.2003.1196847
Samiee, K., Kovacs, P., & Gabbouj, M. (2015). Epileptic seizure classification of EEG time-series using rational discrete short-time fourier transform. IEEE Trans. Biomed. Eng., 62(2), 541-552. https://doi.org/10.1109/TBME.2014.2360101
Najczęściej zadawane pytania
Co dokładnie robi dyskretna transformacja Fouriera z nagraniem EEG?
DFT rozkłada skończony blok spróbkowanego napięcia EEG na zestaw składowych częstotliwościowych, z których każda jest reprezentowana przez liczbę zespoloną. Liczby te ujawniają, jak duża część danej częstotliwości (amplituda) jest obecna i w jakiej fazie się rozpoczyna w oknie analizy.
Dlaczego częstotliwość próbkowania jest tak krytyczna podczas rejestracji EEG?
Częstotliwość próbkowania określa najwyższą częstotliwość, jaka może być dokładnie zarejestrowana, znaną jako częstotliwość Nyquista. Jeśli sygnał zawiera częstotliwości powyżej połowy częstotliwości próbkowania, ulegają one aliasingowi — czyli są błędnie przedstawiane jako niższe częstotliwości — i nie można tego później skorygować. Aby temu zapobiec, systemy EEG stosują filtr dolnoprzepustowy w celu usunięcia częstotliwości wykraczających poza granicę Nyquista przed próbkowaniem.
Co decyduje o tym, jak precyzyjnie DFT może rozdzielić bliskie częstotliwości?
Rozdzielczość częstotliwościowa jest określana przez szerokość prążka, która jest równa częstotliwości próbkowania podzielonej przez liczbę próbek w segmencie. Węższe prążki pozwalają na lepsze rozdzielenie bliskich rytmów, ale ich uzyskanie wymaga dłuższych epok nagraniowych.
Czym jest przeciek widma i jak można go ograniczyć?
Przeciek widmowy występuje, gdy rzeczywisty rytm mózgu nie pokrywa się idealnie z prążkiem częstotliwości DFT, co powoduje rozproszenie jego energii na kilka prążków i rozmycie piku. Zastosowanie okna wygładzającego (np. okna Hanna), które wygładza krawędzie sygnału, zmniejsza ten przeciek, choć nie można go całkowicie wyeliminować.
Co mówi nam wynik DFT poza prostą wartością mocy?
Surowy wynik DFT dostarcza zarówno amplitudy, która wskazuje siłę rytmu w mikrowoltach, jak i fazy, która informuje, w którym punkcie cyklu znajduje się rytm na początku okna nagrania. Choć amplituda jest powszechnie stosowana, faza jest często pomijana w badaniach EEG, mimo że nadal stanowi nieodłączną część wyniku DFT.
W jakich warunkach DFT zapewnia wiarygodny obraz aktywności mózgu?
DFT działa dobrze, gdy sygnał EEG jest w przybliżeniu stacjonarny, co oznacza, że jego zawartość częstotliwościowa nie zmienia się znacznie w trakcie bloku rejestracji. Jest to typowe dla nagrań w stanie spoczynku lub dobrze kontrolowanych, jednolitych bloków zadania poznawczego.
Dlaczego DFT może nie uchwycić niektórych zdarzeń mózgowych?
DFT zakłada, że zawartość częstotliwościowa pozostaje stała w analizowanym segmencie, więc nie może dokładnie reprezentować szybkich, przejściowych zdarzeń, takich jak iglice padaczkowe czy nagłe zmiany emocjonalne. W tych niestacjonarnych przypadkach energia zostaje rozmyta na wiele częstotliwości, a bardziej odpowiednie są metody czasowo-częstotliwościowe, takie jak falki.
Jak szybka transformacja Fouriera (FFT) ma się do DFT i dlaczego jest stosowana?
FFT to algorytm, który oblicza DFT znacznie szybciej, dając matematycznie identyczne wyniki. W badaniach EEG terminy te są często używane zamiennie, ponieważ FFT jest standardowym, wydajnym sposobem uzyskiwania widma częstotliwości.
Emotiv jest liderem w dziedzinie neurotechnologii, pomagającym rozwijać badania neuronaukowe dzięki dostępnym narzędziom EEG i danym o mózgu.
Christian Burgos
