Wyszukaj inne tematy…

Transformata Laplace'a vs. Fouriera

Przyspiesz analizę EEG dzięki szybkiemu wdrożeniu bezprzewodowych matryc o wysokiej gęstości, zoptymalizowanych pod kątem elastycznego użycia w terenie.

Przyspiesz analizę EEG dzięki szybkiemu wdrożeniu bezprzewodowych matryc o wysokiej gęstości, zoptymalizowanych pod kątem elastycznego użycia w terenie.

Przewodnictwo objętościowe oznacza, że silne napięcie zarejestrowane na jednej elektrodzie niekoniecznie oznacza, iż leżąca u jego podstaw aktywność mózgu powstała bezpośrednio pod tą elektrodą. Mogła ona pochodzić ze źródła oddalonego o kilka centymetrów, a jej sygnał po prostu rozprzestrzenił się na tyle szeroko, by zarejestrowało go wiele czujników jednocześnie.

Stwarza to realny problem dla każdego, kto próbuje odpowiedzieć na dwa bardzo różne pytania naukowe: w którym miejscu na skórze głowy koncentruje się określony wzorzec aktywności oraz jaki rytm lub częstotliwość mózg wytwarza w danym momencie? Te dwa pytania wymagają dwóch różnych narzędzi. Jedno z nich, transformata Laplacian (powierzchniowy Laplacian), służy do wyostrzania szczegółów przestrzennych. Drugie, transformata Fouriera, służy do dekodowania czasu.

Zrozumienie tego, co faktycznie robi każde z tych narzędzi i dlaczego żadne z nich nie może zastąpić drugiego, wyjaśnia wiele wątpliwości każdemu, kto po raz pierwszy czyta sekcje dotyczące metod EEG.

Przyspiesz analizę EEG dzięki szybkiemu wdrożeniu bezprzewodowych matryc o wysokiej gęstości, zoptymalizowanych pod kątem elastycznego użycia w terenie.

Przyspiesz analizę EEG dzięki szybkiemu wdrożeniu bezprzewodowych matryc o wysokiej gęstości, zoptymalizowanych pod kątem elastycznego użycia w terenie.

Laplace vs Fourier: przegląd

Inżynierowie i naukowcy często wybierają między transformatą Laplace'a a Fouriera podczas projektowania systemów lub analizowania danych doświadczalnych. Choć oba te narzędzia matematyczne służą do przenoszenia sygnałów z domeny czasu do domeny, w której widoczne jest zachowanie częstotliwości, różnią się one zasadniczo zakresem, definicjami i podstawowymi właściwościami. Wybór odpowiedniego podejścia często decyduje o przejrzystości wyniku, szczególnie w przypadku racy ze złożonymi, rzeczywistymi strumieniami danych, które zawierają zarówno stabilne oscylacje, jak i nieprzewidywalne przejścia.

Transformata Fouriera jest powszechnie ceniona za zdolność do izolowania składowych częstotliwościowych w sygnałach okresowych lub stacjonarnych. Opiera się na czysto urojonym parametrze częstotliwości, co czyni ją podzbiorem ogólniejszej transformaty Laplace'a.

Ponieważ rejestruje gęstość widmową sygnału bez uwzględniania warunków początkowych czy czynników wzrostu, służy jako kamień węgielny klasycznej analizy częstotliwościowej. W przeciwieństwie do niej, transformata Laplace'a wykorzystuje zespolony parametr częstotliwości, co pozwala jej na ujęcie zarówno zanikających, jak i rosnących zachowań eksponencjalnych w odpowiedzi układu.

Wybór między tymi technikami wiąże się z oceną stabilności i stanu początkowego analizowanego układu. Gdy badacz skupia się na zawartości harmonicznej w stanie ustalonym, podejście Fouriera pozostaje standardem. Z kolei, gdy zachodzi potrzeba oceny stabilności układu sprzężenia zwrotnego lub uwzględnienia stanów przejściowych, transformata Laplace'a zapewnia znacznie szerszy zakres matematyczny. Poprzez zbalansowanie tych wymagań analitycy mogą wybrać metodę, która bezpośrednio dostarcza informacji potrzebnych do skutecznej interpretacji konkretnego zbioru danych.

Co ujawnia Laplacian powierzchniowy o ogniskowej aktywności mózgu

Laplacian powierzchniowy (surface Laplacian) jest filtrem przestrzennym. W ogóle nie wpływa na czasowe właściwości sygnału.

Zamiast tego działa na mapie elektrod na skórze głowy, porównując napięcie na każdym pojedynczym czujniku z napięciem zarejestrowanym u jego bezpośrednich sąsiadów. Jeśli odczyt z danej elektrody jest znacząco wyższy lub niższy od średniej elektrod ją otaczających, Laplacian oznacza to miejsce jako prawdopodobne lokalne źródło. Jeśli odczyt elektrody ściśle odpowiada jej sąsiadom, Laplacian traktuje to jako szeroką, rozproszoną aktywność, a nie coś ostro zlokalizowanego, i tłumi to w sygnale wyjściowym.

Praktycznym rezultatem tego filtrowania jest mapa topograficzna o znacznie mniejszym rozmyciu. Zamiast dużych, rozmazanych obszarów aktywności, które mogłyby pochodzić z niemal dowolnego miejsca pod szerokim płatem skóry głowy, mapa przekształcona za pomocą Laplaciana generuje węższe, bardziej zwarte regiony aktywności. Koncepcyjnie łączy się to z gęstością źródłową prądu (Current Source Density) – powiązanym podejściem, które również ma na celu oszacowanie, gdzie prąd rzeczywiście wpływa lub wypływa z powierzchni skóry głowy, zamiast po prostu wskazywać, gdzie napięcie jest najwyższe.

Co transformata Fouriera ujawnia o rytmach mózgowych

Gdy odłoży się na bok kwestię przestrzenną, na pierwszy plan wysuwa się zupełnie inne pytanie. Surowy szereg czasowy EEG – poszarpany, nieustannie zmieniający się przebieg napięcia rejestrowany z pojedynczej elektrody w czasie – dla niewprawnego oka wygląda chaotycznie. Jednak w tym pozornym chaosie kryją się powtarzające się oscylacje zachodzące jednocześnie z różnymi prędkościami. Transformata Fouriera to narzędzie matematyczne, które rozdziela sygnał na te nakładające się składowe rytmiczne.

Zamiast przyglądać się elektrodom w jednym momencie, jak robi to Laplacian, transformata Fouriera analizuje czas w obrębie sygnału z jednej elektrody. Pobiera ten nieregularny przebieg i reorganizuje go w widmo – w zasadzie w listę pokazującą, jaka część całkowitej energii sygnału przypada na poszczególne pasma częstotliwości.

W badaniach EEG pasma te są powszechnie nazywane delta, theta, alfa, beta i gamma, a każde z nich wiąże się z innymi zakresami prędkości oscylacji, mierzonymi w cyklach na sekundę (hercach). Sygnał zdominowany przez wolne, duże fale wykaże widmo przesunięte w stronę dolnego zakresu. Sygnał pełen szybkich, małych wahań wykaże więcej energii skoncentrowanej w pasmach o wyższej częstotliwości.

Co kluczowe, transformata Fouriera całkowicie odrzuca informacje przestrzenne. Nie interesuje jej, czy elektroda została umieszczona z przodu, czy z tyłu głowy, i nie próbuje określić, czy zarejestrowana aktywność miała charakter ogniskowy, czy była rozproszona na dużym obszarze. Cały jej cel ma charakter czasowy: określić, w jakim rytmie oscyluje mózg na podstawie aktywności jednego kanału w czasie.

Narzędzie

Analizuje

Odpowiada na pytanie

Wynik

Laplacian powierzchniowy

Przestrzenną mapę elektrod

Gdzie aktywność ma charakter ogniskowy

Wyostrzona mapa przestrzenna

Transformata Fouriera

Pojedynczą elektrodę w czasie

Jakie rytmy są obecne

Widmo częstotliwościowe

Połączenie Laplaciana i transformaty Fouriera w celu uzyskania czystszych widm

Ponieważ te dwa narzędzia rozwiązują odrębne problemy, powszechnie nauczanym podejściem w analizie EEG jest ich sekwencyjne stosowanie, zamiast wybierania jednego kosztem drugiego.

Typowy schemat pracy polega na najpierw zastosowaniu transformacji Laplaciana powierzchniowego na siatce elektrod, co daje nowy zestaw odfiltrowanych przestrzennie przebiegów, a następnie na zastosowaniu transformaty Fouriera do tych już przefiltrowanych sygnałów, zamiast do oryginalnych surowych zapisów.

Przewodnictwo objętościowe miesza sygnały z wielu źródeł w surowym zapisie z dowolnej pojedynczej elektrody. Oznacza to, że surowy szereg czasowy nie jest tak naprawdę historią jednego ukrytego rytmu neuronowego. Przypomina raczej nakładające się nagranie kilku rytmów z kilku pobliskich i odległych źródeł, zmieszanych razem w tym jednym punkcie na skórze głowy.

Gdy transformata Fouriera jest stosowana bezpośrednio do tego zmieszanego sygnału, uzyskane widmo częstotliwości odzwierciedla tę mieszaninę. Prawdziwe rytmy ogniskowe mogą zostać rozcieńczone przez szerszą, mniej specyficzną aktywność zbieraną z innych regionów.

Zastosowanie najpierw Laplaciana powierzchniowego ma na celu zmniejszenie tego zanieczyszczenia jeszcze przed rozpoczęciem analizy częstotliwościowej. Poprzez tłumienie szerokich, rozproszonych składowych i podkreślanie tych ostro zlokalizowanych, krok z Laplacianem ma na celu pozostawienie przebiegu, który jest bliższym przybliżeniem aktywności generowanej bezpośrednio pod tą elektrodą. Uruchomienie transformaty Fouriera na tak przefiltrowanym przebiegu powinno, w ujęciu teoretycznym, dać widmo, które lepiej odzwierciedla aktywność rytmiczną tego konkretnego fragmentu kory, a nie mieszankę odległych źródeł.

To połączone podejście jest popularnie opisywane jako dające „czystsze” lub bardziej zlokalizowane przestrzennie oszacowania widmowe, a leżące u jego podstaw rozumowanie jest logicznie spójne z działaniem każdego z tych narzędzi z osobna.

Trzymanie się właściwej perspektywy dla zadanego pytania

Każde nagranie EEG w neuronauce niesie ze sobą ukryty splot nakładających się informacji, a wybór narzędzia decyduje o tym, co staje się widoczne.

Laplacian wyostrza mapę miejsc, w których aktywność osiąga szczyt, podczas gdy transformata Fouriera dostraja się do ukrytych metronomów prędkości pracy mózgu, a pomylenie ich ról prowadzi do wniosków opartych na fałszywej przejrzystości. Zastosowanie filtra przestrzennego przed filtrem czasowym jest zgodne ze zdrową logiką oczyszczania zanieczyszczeń wynikających z odległości przed zadaniem pytania o rytm, choć rzeczywista korzyść z tego kroku nadal zależy od konkretnych analizowanych danych.

To, co pozostaje niezmienne, to podstawowy kompromis: metody precyzyjnie określające lokalizację odrzucają czas, a metody ujawniające częstotliwość ignorują przestrzeń. Przeniesienie tego koncepcyjnego podziału do dowolnej sekcji metodologii EEG zapobiega częstemu błędowi polegającemu na traktowaniu tych odrębnych obliczeń jako odpowiadających na to samo fundamentalne pytanie.

Bibliografia

  1. Pascual-Marqui, R. D., Gonzalez-Andino, S. L., & Valdes-Sosa, P. A. (1988). Current source density estimation and interpolation based on the spherical harmonic Fourier expansion. International journal of neuroscience, 43(3-4), 237-249. https://doi.org/10.3109/00207458808986175

Najczęściej zadawane pytania

Jaki jest główny problem, który rozwiązuje Laplacian powierzchniowy?

Laplacian powierzchniowy rozwiązuje problem przewodnictwa objętościowego, czyli rozmywania się sygnałów mózgowych podczas ich przejścia przez tkanki i czaszkę do elektrody. Działa jako filtr przestrzenny, zapewniając dokładniejsze oszacowanie miejsca na skórze głowy, w którym aktywność jest rzeczywiście skoncentrowana lub ogniskowa.

Na jakie pytanie odpowiada transformata Fouriera w analizie EEG?

Transformata Fouriera odpowiada na pytanie „jaki to rytm”, rozdzielając nieregularny szereg czasowy z pojedynczej elektrody na nakładające się składowe częstotliwości. Ujawnia, ile energii znajduje się w różnych pasmach oscylacji, takich jak delta, theta czy alfa, skupiając się wyłącznie na wzorcach czasowych.

Czy można użyć Laplaciana powierzchniowego do znalezienia rytmów mózgowych lub na odwrót?

Nie, te dwa narzędzia nie mogą być stosowane zamiennie, ponieważ odpowiadają na zasadniczo różne pytania. Laplacian wyostrza lokalizację przestrzenną („gdzie”), podczas gdy transformata Fouriera dekoduje relacje czasowe rytmu („w jakim rytmie”), co oznacza, że jedno nie może zastąpić drugiego.

Dlaczego badacz miałby stosować Laplacian powierzchniowy przed użyciem transformaty Fouriera?

Zastosowanie najpierw Laplaciana czyści przestrzennie sygnał poprzez redukcję rozproszonej, odległej aktywności zmieszanej w zapisie w wyniku przewodnictwa objętościowego. Kolejna transformata Fouriera generuje wówczas widmo częstotliwości, które lepiej odzwierciedla rytmy konkretnego obszaru kory bezpośrednio pod elektrodą.

Do czego służy rozwinięcie Fouriera w sferycznych harmonikach (SHE)?

SHE to metoda obliczeniowa służąca do szacowania Laplaciana powierzchniowego poprzez modelowanie pola elektrycznego skóry głowy na całej głowie. Badania symulacyjne sugerują, że metoda ta daje lepsze oszacowania Laplaciana i przewyższa prostsze techniki porównywania sąsiadów przy interpolacji wartości.

W jaki sposób Laplacian powierzchniowy identyfikuje prawdopodobne lokalne źródło aktywności mózgu?

Laplacian porównuje napięcie na jednej elektrodzie ze średnim napięciem jej bezpośrednich sąsiadów. Jeśli odczyt znacząco się różni, zostaje oznaczony jako lokalne źródło, a jeśli ściśle pasuje do sąsiadów, zostaje wygaszony jako szeroka, rozproszona aktywność.

Co dzieje się z sygnałem EEG po zastosowaniu Laplaciana powierzchniowego?

Przekształcony wynik daje mapę topograficzną o znacznie mniejszym rozmyciu, pokazującą węższe i bardziej zwarte obszary aktywności. Czas sygnału nie ulega zmianie; jedynie jego reprezentacja przestrzenna na skórze głowy zostaje wyostrzona, aby lepiej wskazywać przepływ prądu.

Czy połączenie Laplaciana i transformaty Fouriera gwarantuje lepszą analizę?

Połączone użycie jest solidną heurystyką opartą na logice redukcji zanieczyszczeń przestrzennych przed analizą częstotliwościową, ale nie jest to gwarantowany, uniwersalnie mierzalny efekt. Badacz nadal musi zweryfikować, czy to sekwencyjne przetwarzanie poprawia wyniki dla jego konkretnego zbioru danych.

Przyspiesz analizę EEG dzięki szybkiemu wdrożeniu bezprzewodowych matryc o wysokiej gęstości, zoptymalizowanych pod kątem elastycznego użycia w terenie.

Przyspiesz analizę EEG dzięki szybkiemu wdrożeniu bezprzewodowych matryc o wysokiej gęstości, zoptymalizowanych pod kątem elastycznego użycia w terenie.

Emotiv jest liderem w dziedzinie neurotechnologii, pomagającym rozwijać badania neuronaukowe dzięki dostępnym narzędziom EEG i danym o mózgu.

Zastrzeżenie medyczne: Informacje podane na tej stronie służą wyłącznie celom edukacyjnym i informacyjnym i nie stanowią porady medycznej ani zdrowotnej. Treść ta może zawierać błędy i nie należy na niej polegać przy podejmowaniu kluczowych decyzji dotyczących zdrowia, leczenia lub stylu życia. W przypadku jakichkolwiek pytań dotyczących stanu zdrowia lub leczenia należy zawsze zasięgnąć porady lekarza lub innego wykwalifikowanego pracownika służby zdrowia.

Christian Burgos

Najnowsze od nas

Kompromis w suchych elektrodach EEG: szybkość i wygoda a wierność sygnału

Elektroencefalografia (EEG) od dziesięcioleci stanowi fundament neuronauki, mierząc aktywność elektryczną mózgu za pomocą elektrod umieszczonych na skórze głowy. Tradycyjne „mokre” elektrody wymagają przewodzącego żelu, który wypełnia przestrzeń między skórą a czujnikiem, zmniejszając opór — impedancję — który w przeciwnym razie blokowałby te drobne napięcia. Aplikacja żelu jest jednak kłopotliwa, czasochłonna i często niekomfortowa dla uczestników badania.

W miarę jak badania EEG wychodzą poza laboratorium — trafiając do domów, klinik i warunków ambulatoryjnych — rośnie zapotrzebowanie na szybszy i prostszy interfejs. Elektrody suche, które stykają się bezpośrednio ze skórą bez użycia żelu, obiecują dokładnie to: błyskawiczne przygotowanie do badania i większy komfort.

Jednak ta wygoda niesie za sobą koszt natury fizycznej. Brak żelu skutkuje wyższą impedancją i bardziej zaszumionym sygnałem, stwarzając stały kompromis między praktycznością a wiernością danych. Szereg ostatnich niezależnych badań dokładnie mapuje wymiary tego kompromisu, wyjaśniając, w jakich sytuacjach suche elektrody sprawdzają się znakomicie, a w jakich wciąż pozostają rozwiązaniem drugiego wyboru.

Przeczytaj artykuł

Jak działa domowe badanie EEG w codziennym monitorowaniu pracy mózgu?

Domowe EEG to samodzielnie przeprowadzane rejestracje wykonywane poza jakimkolwiek środowiskiem klinicznym lub laboratoryjnym. Oddaje żel do elektrod, headset i oprogramowanie rejestrujące w ręce nieprzeszkolonego użytkownika, często bez niczego więcej niż aplikacja na smartfona służąca jako wskazówka. Koncepcja ta polega na zapewnieniu możliwości pomiaru pracy mózgu, które wpisują się w codzienne życie, potencjalnie rejestrując architekturę snu, skupienie poznawcze lub wzorce napadów bez logistycznego ciężaru związanego z wizytą w szpitalu.

Przeczytaj artykuł

Urządzenia do neurofeedbacku jako kompletne systemy

Wyobraź sobie grę wideo, w której kontroler jest niewidzialny — sterujesz wyłącznie własnymi falami mózgowymi. Ta koncepcja leży u podstaw neurofeedbacku, techniki, która daje Ci wgląd w aktywność Twojego mózgu w czasie rzeczywistym, a następnie uczy Cię, jak ją zmieniać.

Urządzenie odbiera sygnały generowane przez Twój mózg, najczęściej za pomocą elektroencefalogramu (EEG), który wykrywa wzorce elektryczne na skórze głowy, lub niekiedy czujnika funkcjonalnej spektroskopii w bliskiej podczerwieni (fNIRS), który śledzi przepływ krwi. Te surowe sygnały są przetwarzane i przekształcane w prostą grę, dźwięk lub poruszającą się postać na ekranie. Metodą prób i błędów Twój mózg uczy się wytwarzać wzorce, które sprawiają, że sprzężenie zwrotne podąża w pożądanym przez Ciebie kierunku.

Wiele poradników skupia się na poszczególnych elementach — elektrodach EEG, przewodach, oprogramowaniu — ale urządzenie odnosi sukces tylko wtedy, gdy te części tworzą spójną całość. To wprowadzenie analizuje neurofeedback jako zintegrowany system, w którym przetwarzanie sygnału, projektowanie sprzężenia zwrotnego i codzienna użyteczność łączą się, decydując o tym, czy coś rzeczywiście pomaga.

Przeczytaj artykuł

Opanuj konfigurację EEG: Najlepsze praktyki przed rozpoczęciem badania

To, co odróżnia czytelny, możliwy do zinterpretowania sygnał neuronalny od zapisu zniekształconego przez artefakty mięśniowe lub szum sieci elektrycznej, to nie wyrafinowany algorytm typu post-hoc, lecz systematyczny, chronologiczny proces etapów przygotowawczych. W tym kontekście przygotowanie do badania EEG to nie po prostu nałożenie czepka z elektrodami na głowę badanego. Jest to zdyscyplinowana sekwencja biologicznych, środowiskowych i elektrycznych procedur kalibracyjnych, które wspólnie tworzą stabilny, niskoszumowy interfejs między mózgiem a wzmacniaczem.

W tym artykule omówiono procedurę przygotowawczą przed rejestracją, syntetyzując dostępne dowody, aby wykazać, że dokładny instruktaż uczestnika, przygotowanie skóry głowy, ekranowanie środowiskowe, dobór montażu referencyjnego oraz wstępne monitorowanie artefaktów tworzą nienaruszalny łańcuch zależności.

Przeczytaj artykuł