Wyszukaj inne tematy…

Przewodnik po krótkookresowej transformacie Fouriera dla 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.

Podstawowa transformata Fouriera, klasyczne narzędzie matematyczne służące do rozbijania sygnału na wchodzące w jego skład częstotliwości, może powiedzieć, jakie rytmy mózgowe były obecne w całym nagraniu. Czego jednak nie potrafi powiedzieć, to kiedy one wystąpiły. Krótki błysk aktywności alfa, który pojawia się w mgnieniu oka, gdy ktoś zamyka oczy, jest znaczącym, zsynchronizowanym w czasie zdarzeniem.

Uśredniony do pojedynczego podsumowania częstotliwości obejmującego dziesięciominutowe nagranie, ten krótki błysk staje się statystyką, nieodróżnialną od szumu tła. Odzyskanie czasu wystąpienia tych zdarzeń jest punktem wyjścia dla wszelkich poważnych badań EEG i jest to dokładnie ten problem, do którego rozwiązania została stworzona Krótkofalowa Transformata Fouriera (STFT).

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.

Problem ze standardową transformacją Fouriera

Standardowa transformata Fouriera jest filarem klasycznego przetwarzania sygnałów, ponieważ skutecznie rozkłada złożone sygnały na sumę czystych sinusoid. Poprzez całkowanie w nieskończonym czasie ujawnia całkowitą zawartość częstotliwościową obecną w rejestracji.

Jednak metoda ta zakłada, że sygnał jest stacjonarny; jeśli skład częstotliwościowy zmienia się w czasie, typowy wynik zaciera sekwencję czasową. Ograniczenie to uniemożliwia rozróżnienie między krótkim, nagłym zdarzeniem a trwałym przebiegiem harmonicznym, co ma kluczowe znaczenie w dziedzinach takich jak neuronauka.

Czym jest krótkoczasowa transformacja Fouriera w analizie EEG

STFT podchodzi do problemu czasu w dość bezpośredni sposób. Zamiast wykonywać transformatę Fouriera na całym zapisie EEG naraz, dzieli sygnał na krótkie, kolejne segmenty, często nazywane oknami, i stosuje transformatę Fouriera osobno do każdego z nich. Każde okno tworzy własną miniaturową migawkę częstotliwościową, a połączenie tych migawek w sekwencję tworzy ruchomy obraz tego, jak zawartość częstotliwościowa zmienia się w czasie.

Wynik tego procesu jest zwykle wyświetlany jako spektrogram – wizualna mapa, na której czas biegnie wzdłuż jednej osi, a częstotliwość wzdłuż drugiej. Kolor lub intensywność w dowolnym punkcie tej mapy reprezentuje moc (lub siłę) danej częstotliwości w danej chwili. Jest to dokładnie ta wartość, którą ma zapewniać analiza STFT.

Jak ujmują to Zabidi i in., analiza STFT działa tak, aby „ujawniać zawartość częstotliwościową sygnałów EEG w każdym punkcie czasowym”.

Dlaczego długość okna jest najważniejszym parametrem w STFT

Podział sygnału na okna brzmi prosto, jednak długość wybrana dla każdego okna decyduje niemal o wszystkim w kwestii jakości i rzetelności uzyskanego spektrogramu. Decyzja ta wiąże się z kompromisem, którego nie da się uniknąć, a jedynie nim zarządzać.

Pomyśl o tym w ten sposób: długie okno działa jak precyzyjna linijka częstotliwości, ale zamazany stoper. Ponieważ zawiera więcej punktów danych, długie okno może z dużą dokładnością rozróżniać bliskie sobie częstotliwości. Ponieważ jednak rozciąga się ono na dłuższy odcinek czasu, wszelkie zdarzenia zachodzące wewnątrz tego okna ulegają rozmyciu, tracąc zdolność do precyzyjnego określenia momentu wystąpienia zmiany.

Krótkie okno odwraca ten kompromis. Działa jak precyzyjny stoper, ale zamazana linijka częstotliwości. Może niemal dokładnie wskazać, kiedy coś się wydarzyło, ale ma trudności z rozdzieleniem częstotliwości położonych blisko siebie, ponieważ krótki wycinek sygnału po prostu nie zawiera wystarczającej liczby cykli oscylacji, aby zmierzyć częstotliwość ze szczegółami.

Jest to wersja zasady nieoznaczoności, która rządzi całą analizą czasowo-częstotliwościową: nie można osiągnąć idealnej rozdzielczości jednocześnie w czasie i częstotliwości. Poprawa jednej zawsze odbywa się pewnym kosztem drugiej. Zrozumienie tego kompromisu, zamiast próby jego przełamania, stanowi podstawową umiejętność w pracy z STFT.

Ponieważ różne rytmy EEG oscylują z bardzo różnymi prędkościami, żadna pojedyncza długość okna nie działa optymalnie dla nich wszystkich. Poniższe wytyczne stanowią wyjściowe heurystyki praktyczne, oparte na tym, jak te rytmy zazwyczaj się zachowują:

  • Fale delta (w przybliżeniu od 0,5 do 4 Hz): Są to najwolniejsze rytmy mózgowe, a okno musi być wystarczająco długie – często w zakresie od 1 do 2 sekund – aby uchwycić co najmniej jeden pełny cykl najwolniejszej mierzonej fali. Krótsze okno po prostu nie pomieści wystarczającej części fali, aby ją scharakteryzować.

  • Rytmy theta i alfa (w przybliżeniu od 4 do 13 Hz): Pośrednie okno, często około 500 milisekund, zazwyczaj zapewnia rozsądny kompromis. Jest wystarczająco długie, aby uchwycić kilka cykli oscylacji, co pomaga wyraźnie zdefiniować rytm, a jednocześnie wystarczająco krótkie, aby śledzić istotne zmiany, takie jak początek wyładowania fal alfa po zamknięciu oczu.

  • Rytmy beta i gamma (powyżej około 13 Hz): Te szybsze rytmy zmieniają się gwałtownie, dlatego do śledzenia ich szybkiej dynamiki konieczne staje się krótkie okno – często 250 milisekund lub mniej. Kosztem jest tutaj mniejsza zdolność do precyzyjnego rozróżniania blisko położonych częstotliwości w wyższym zakresie gamma, co jest bezpośrednią konsekwencją tego samego kompromisu opisanego powyżej.

Jak STFT ujawnia różnice między ruchem rzeczywistym a wyobrażonym

Praktyczna wartość STFT staje się najbardziej widoczna w badaniach nad interfejsami mózg-komputer (BCI), gdzie celem jest bezpośrednie przekładanie aktywności mózgu na sygnały sterujące urządzeniem.

Dobrze zbadanym przykładem jest porównanie zapisu EEG zarejestrowanego podczas wyobrażania sobie ruchu ręki z zapisem EEG podczas wyobrażania sobie ruchu stopy lub porównanie czynności wyobrażonych z rzeczywistą, fizyczną wersją tego działania.

W tych paradygmatach motorycznych częstym celem analizy jest zjawisko zwane desynchronizacją związaną ze zdarzeniem (ERD) – spadek mocy sygnału w zakresach rytmu mi i beta nad obszarami mózgu związanymi z ruchem. Ponieważ ERD jest specyficznym, zsynchronizowanym w czasie spadkiem mocy, a nie stałym tłem, jest to dokładnie taki rodzaj zdarzenia, który uśredniona charakterystyka częstotliwościowa całego zapisu by wymazała, a który spektrogram o rozdzielczości czasowej może z powodzeniem uchwycić.

W badaniu przeprowadzonym przez Zabiadiego i in., w którym zastosowano STFT bezpośrednio do tego zagadnienia, zbadano sygnał EEG zarejestrowany podczas rzeczywistego pisania odręcznego oraz podczas pisania wyobrażonego. Sygnał został najpierw przepuszczony przez filtr pasmowoprzepustowy ograniczający analizę do zakresu od 8 do 30 Hz, obejmującego rytmy alfa i beta najbardziej istotne dla aktywności ruchowej, a następnie obliczono STFT z dopasowanym oknem Hamminga.

Rezultatem było bezpośrednie, precyzyjne odkrycie: „składowe częstotliwościowe sygnałów EEG uzyskanych podczas pisania są takie same, jak uzyskane podczas pisania wyobrażonego”.

W ujęciu praktycznym wzorzec rytmu elektrycznego mózgu podczas wyobrażonej czynności ściśle przypominał wzorzec podczas rzeczywistej czynności fizycznej. Taka korelacja leży u podstaw większości założeń systemów BCI, których celem jest wykrywanie zamierzonego ruchu bez konieczności wykonywania jakiegokolwiek faktycznego ruchu fizycznego.

Wykorzystanie STFT do tworzenia obrazów dla modeli głębokiego uczenia

Poza oceną wzrokową, spektrogramy generowane przez STFT zyskały drugie życie jako etap wstępnego przetwarzania danych zasilający systemy głębokiego uczenia, a w szczególności konwolucyjne sieci neuronowe (CNN) – typ modelu pierwotnie stworzony do rozpoznawania wzorców na obrazach. Ponieważ spektrogram jest zasadniczo kolorowym obrazem przedstawiającym moc w czasie i częstotliwości, badacze uważają, że można go przekazać bezpośrednio do modelu głębokiego uczenia opartego na obrazach, który może następnie wykryć ukrytą strukturę w danych, trudną do ręcznego zdefiniowania.

W badaniu z 2019 roku przekształcono zapisy EEG z zadania wyobrażeń ruchowych – rozróżniającego ruch prawej ręki od prawej stopy – na obrazy za pomocą STFT oraz alternatywnego podejścia czasowo-częstotliwościowego, a następnie wprowadzono oba zestawy obrazów do wstępnie wytrenowanej architektury CNN.

Skuteczność obu podejść była wysoka, a cały potok osiągnął dokładność klasyfikacji na poziomie 99.35%, co określono jako najlepszy wynik spośród istniejących porównywalnych metod. Kiedy jednak obie metody generowania obrazu porównano bezpośrednio ze sobą w ramach tego samego badania, wyniki nie były równe: „podejście oparte na CWT daje lepsze wyniki niż podejście oparte na STFT”, co wskazuje na rzeczywisty, mierzalny kompromis w tym, jak wiernie każda z metod przełożyła leżący u podstaw sygnał EEG na użyteczny obraz.

Ten kompromis był podobno problemem motywującym opracowanie odrębnego rozwiązania metodologicznego. Naukowcy stworzyli metodę nazwaną anchored-STFT, opisaną jako „zaawansowana wersja STFT, ponieważ minimalizuje kompromis między rozdzielczością czasową i spektralną występujący w STFT”.

W połączeniu z metodą augmentacji danych kontradyktoryjnych (adversarial data augmentation) ten ulepszony potok pozwolił uzyskać dokładność klasyfikacji w zakresie od około 69% do ponad 90% na kilku zbiorach danych BCI. Potwierdza to regułę, że standardowe STFT może służyć jako naprawdę sprawne narzędzie do ekstrakcji cech, ale takie, którego znane ograniczenia rozdzielczości stwarzają pole do udoskonaleń – czy to poprzez strojenie parametrów, ulepszoną wersję samej techniki, czy też zupełnie inne podejście czasowo-częstotliwościowe.

Jak w badaniach stosuje się krótkoczasową transformację Fouriera do klasyfikacji wyobrażeń ruchowych

W jednym z ostatnich badań przeniesiono krótkoczasową transformację Fouriera poza etap wizualizacji do działającego potoku klasyfikacji. Podobnie jak we wcześniejszych pracach opisanych powyżej, punktem wyjścia jest zadanie wyobrażeń ruchowych, w którym osoba wyobraża sobie ruch ręką, zamiast wykonywać go fizycznie.

Autorzy opisują architekturę, którą nazywają AMD-KT2D, opartą na zoptymalizowanej krótkoczasowej transformacji Fouriera (Optimized Short-Time Fourier Transform). Zamiast ograniczać się do jednego, stałego ustawienia okna, wariant ten dostraja jednocześnie funkcję okna i rozdzielczość czasowo-częstotliwościową, co ma na celu zachowanie dynamicznych cech czasowych i przestrzennych, które stała konfiguracja mogłaby rozmyć lub utracić.

Powstałe dwuwymiarowe obrazy czasowo-częstotliwościowe są następnie przekazywane do architektury typu guide-learner: ulepszona sieć ResNet50, wstępnie wytrenowana na zbiorze danych o dużej skali, wyodrębnia cechy czasowo-przestrzenne wysokiego poziomu, podczas gdy dostosowana dwuwymiarowa konwolucyjna sieć neuronowa wychwytuje cechy wieloskalowe. Funkcja straty Adaptive Margin Disparity Discrepancy służy do zmniejszania rozbieżności między nimi i dopasowywania ich cech.

Rejestracje EEG dla zadania wyobrażeń ruchowych lewej i prawej ręki zebrano za pomocą systemu Emotiv Flex. Na tym zbiorze danych hybrydowy klasyfikator wyobrażeń ruchowych osiągnął podobno 96.75% dokładności w wariancie zależnym od osoby badanej (subject-dependent) i 92.17% w wariancie niezależnym od osoby badanej (subject-independent). Warto zauważyć różnicę między tymi dwoma wynikami: wydajność mierzona u tej samej osoby nie przenosi się automatycznie na osobę, na której model nie był trenowany.

W połączeniu z innymi pracami omówionymi w tym artykule, badanie wskazuje, że spektrogramy generowane przez krótkoczasową transformację Fouriera stanowią użyteczne dane wejściowe dla modeli głębokiego uczenia ukierunkowanych na dekodowanie wyobrażeń ruchowych. To, czego ten dorobek badawczy jeszcze nie ustala, to uogólnialność. Jest to pojedyncze badanie na pojedynczym zbiorze danych, ze wskaźnikami dokładności powiązanymi z jednym zadaniem i jedną grupą uczestników, a opisana metoda opiera się na dostrojonej wersji transformacji, a nie na jej standardowej postaci.

Wyniki te należy odczytywać jako obiecujące w ich własnym kontekście, a nie jako definitywnie potwierdzoną wydajność interfejsów opartych na EEG w szerszym ujęciu.

Kiedy STFT zawodzi: problem stałej rozdzielczości

Omówiony powyżej kompromis jest głównym ograniczeniem, które każdy badacz korzystający z STFT musi krytycznie rozważyć przed wyciągnięciem wniosków ze spektrogramu.

Po wybraniu długości okna, powiedzmy 500 milisekund, to samo okno jest stosowane jednolicie w całym analizowanym spektrum częstotliwości, bez względu na to, czy badacz obserwuje wolną aktywność delta 2 Hz, czy szybką aktywność gamma 100 Hz. Okno nie dostosowuje się samoistnie. Opisany wcześniej kompromis czasowo-częstotliwościowy zostaje zablokowany na jednym ustawieniu dla całej analizy, mimo że różne rytmy w idealnym przypadku zyskałyby na różnych ustawieniach.

Ta stała natura jest dokładnie tym, co odróżnia STFT od kategorii technik adaptacyjnych, takich jak metody oparte na falkach. Zamiast blokować jeden rozmiar okna dla każdej częstotliwości, metody adaptacyjne skutecznie używają dłuższych okien dla niższych częstotliwości i krótszych okien dla wyższych częstotliwości, dostosowując rozdzielczość w razie potrzeby w ramach pojedynczej analizy, zamiast decydować się na jeden kompromis dla całego sygnału.

Na przykład w badaniu kierowanym przez Wanga i in., w którym opracowano adaptacyjną metodę czasowo-częstotliwościową, stwierdzono, że ich podejście „może zapewnić optymalną rozdzielczość czasowo-częstotliwościową w porównaniu z STFT i CWT”, wyraźnie wskazując STFT jako punkt odniesienia, który został przewyższony.

W osobnym zastosowaniu klinicznym, przewidującym wyniki leczenia przeciwdepresyjnego w dużej depresji (MDD) na podstawie danych EEG sprzed leczenia, badacze porównali podejście oparte na falkach bezpośrednio z STFT i inną metodą dekompozycji, zgłaszając, że „analiza WT wykazała najwyższą dokładność klasyfikacji” spośród porównywanych technik, osiągając 87.5% dokładności w porównaniu z rozwiązaniami alternatywnymi.

Przebieg pracy krok po kroku do generowania i oceny spektrogramu EEG

Biorąc pod uwagę te mocne strony i ograniczenia, zdyscyplinowany schemat pracy pomaga zagwarantować, że STFT zostanie zastosowane prawidłowo, a jego wyniki zostaną zinterpretowane rzetelnie.

Krok 1: Zdefiniuj pytanie przed rozpoczęciem pracy z danymi. Czy celem jest wykrycie szybkiego, krótkiego wyładowania gamma, czy śledzenie powolnego dryfu mocy fal delta na przestrzeni minut? Odpowiedź decyduje o tym, który koniec kompromisu dotyczącego długości okna ma największe znaczenie.

Krok 2: Wybierz początkową długość okna dopasowaną do docelowego rytmu. Użyj powyższych praktycznych wytycznych jako punktu wyjścia: dłuższe okna dla fal delta, pośrednie okna dla theta i alfa, krótsze okna dla beta i gamma. Połącz to ze schematem nakładania się okien, zwykle od 50% do 90% nakładania się kolejnych okien, co wygładza wynikowy spektrogram i zmniejsza powstawanie sztucznych przerw między wycinkami czasowymi.

Krok 3: Wygeneruj spektrogram i poddaj go krytycznej ocenie. Czy wybrana długość okna pokazuje wyraźny, ostry początek interesującego nas szybkiego rytmu, czy też zdarzenie wygląda na rozmyte w szerszym przedziale czasu, niż powinno? Czy spektrogram może wyraźnie odróżnić pik alfa od sąsiedniego piku theta, czy też oba rytmy zlewają się ze sobą? Te kontrole wizualne są bezpośrednim, praktycznym testem sprawdzającym, czy wybrana długość okna była odpowiednia dla danych.

Krok 4: Potraktuj wynik jako jeden z kilku możliwych obrazów, a nie ostateczny werdykt. Wynik negatywny, taki jak brak mierzalnej różnicy w paśmie gamma między dwiema grupami eksperymentalnymi, może odzwierciedlać rzeczywisty brak efektu lub po prostu wynikać z ograniczeń rozdzielczości konkretnego wybranego okna STFT. Rozsądnym kolejnym krokiem w celu potwierdzenia niejednoznacznego lub istotnego wyniku jest ponowna analiza tych samych danych przy użyciu metody adaptacyjnej w ramach weryfikacji krzyżowej.

Dlaczego śledzenie czasu aktywacji rytmów mózgowych otwiera drogę do nowych odkryć

Aktywność mózgu to sekwencja zdarzeń osadzonych w czasie, a odtworzenie tej chronologii przekształca płaski zapis w relację w czasie rzeczywistym ze zmieniających się stanów psychicznych. Przechodząc od pojedynczego zestawienia częstotliwości do mapy chwila po chwili, badacze mogą powiązać konkretne myśli, intencje lub odczucia bezpośrednio z towarzyszącymi im rytmami mózgowymi. To przejście przekształca EEG ze statycznego pomiaru w narzędzie, które może wspierać interfejsy mózg-komputer i zasilać modele głębokiego uczenia, które uczą się rozpoznawać wzorce mentalne.

Występujący w tej metodzie kompromis stałej rozdzielczości niesie ze sobą szerszą naukę: każdy wybór analityczny uwypukla pewne fakty, potencjalnie zamazując inne, więc żaden pojedynczy wynik nie opowiada całej historii. Wymaga to weryfikacji krzyżowej z innymi podejściami, gdy ustalenia mają istotne znaczenie, i potwierdza, że wzorce elektryczne mózgu – podobnie jak bliskie dopasowanie widoczne między ruchem wyobrażonym a rzeczywistym – są głęboko wielowarstwowe. To leżące u podstaw podobieństwo wspiera teorię, że mózg trenuje działania, wykorzystując wiele z tych samych sygnatur rytmicznych, których używa do ich wykonywania.

Bibliografia

  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. W 2012 international conference on system engineering and technology (ICSET) (ss. 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

Często zadawane pytania

Czym jest krótkoczasowa transformacja Fouriera w analizie EEG?

Krótkoczasowa transformacja Fouriera (STFT) dzieli surowy sygnał EEG na krótkie, kolejne okna czasowe i oblicza widmo częstotliwości dla każdego z nich. Zestawienie tych migawek w odpowiedniej kolejności tworzy ruchomy obraz, zwany spektrogramem, który pokazuje, jak moc poszczególnych rytmów mózgowych zmienia się z chwili na chwilę.

Dlaczego nie można po prostu użyć zwykłej transformaty Fouriera w badaniu EEG?

Podstawowa transformata Fouriera rozkłada cały zapis na częstotliwości składowe, ale wymazuje wszelkie informacje o czasie, więc wiadomo, jakie rytmy były ogólnie obecne, ale nie wiadomo, kiedy się pojawiły. STFT odzyskuje te informacje czasowe poprzez osobną analizę krótkich segmentów, co pozwala zaobserwować, kiedy faktycznie nastąpiło wyładowanie fal alfa lub spadek mocy fal beta.

Co przedstawia spektrogram?

Spektrogram to wizualna mapa z czasem na jednej osi, częstotliwością na drugiej oraz kolorem lub jasnością reprezentującą moc każdej częstotliwości w danym momencie. Zmienia on EEG ze statycznego podsumowania w coś na kształt partytury muzycznej przedstawiającej aktywność elektryczną mózgu.

Dlaczego długość okna ma tak duże znaczenie?

Dłuższe okna zapewniają precyzyjne informacje o częstotliwości, ale zamazują dokładny czas zdarzeń, podczas gdy krótsze okna dobrze określają czas, ale zlewają ze sobą blisko położone częstotliwości. Ten nieunikniony kompromis oznacza, że wybór długości okna bezpośrednio wpływa na to, co spektrogram może ujawnić, a co ukryje.

Jakie długości okien są dobrym punktem wyjścia dla różnych rytmów mózgowych?

W przypadku bardzo wolnych rytmów delta potrzebne jest dłuższe okno wynoszące około jednej do dwóch sekund, aby uchwycić pełne cykle. Rytmy theta i alfa są często dobrze odwzorowywane przez okno około pół sekundy, a szybsze rytmy beta i gamma wymagają krótszych okien, wynoszących około jednej czwartej sekundy lub mniej, aby śledzić ich gwałtowne zmiany.

W jaki sposób STFT może ujawnić podobieństwa między ruchem rzeczywistym a wyobrażonym?

STFT rejestruje zsynchronizowane w czasie spadki mocy, zwane desynchronizacją związaną ze zdarzeniem, w pasmach mi i beta, które występują zarówno wtedy, gdy człowiek wykonuje ruch, jak i wtedy, gdy wyobraża sobie ten sam ruch w myślach. Spektrogramy rzeczywistych i wyobrażonych zadań motorycznych mogą wykazywać niemal identyczne wzorce częstotliwościowe, co potwierdza zasadność tworzenia interfejsów mózg-komputer.

Czy STFT można stosować z modelami głębokiego uczenia?

Tak, obrazy spektrogramów generowane przez STFT mogą być przekazywane bezpośrednio do konwolucyjnych sieci neuronowych przeznaczonych do rozpoznawania obrazów. Modele te mogą nauczyć się odróżniać stany mózgu na podstawie wzorców czasowo-częstotliwościowych, często osiągając bardzo wysoką dokładność klasyfikacji w zadaniach takich jak wykrywanie wyobrażeń ruchowych.

Jakie jest główne ograniczenie STFT w porównaniu z innymi metodami czasowo-częstotliwościowymi?

STFT narzuca jeden rozmiar okna dla wszystkich częstotliwości, co oznacza, że nie może zapewnić jednocześnie ostrych szczegółów czasowych dla szybkich wyładowań i dokładnych szczegółów częstotliwościowych dla wolnych fal. Techniki adaptacyjne, takie jak falki, zmieniają efektywną długość okna w zależności od częstotliwości, co w bezpośrednich porównaniach często prowadzi do lepszej rozdzielczości i wyższej skuteczności klasyfikacji.

Jakie jest zalecane podejście krok po kroku przy stosowaniu STFT do danych EEG?

Zacznij od dopasowania początkowej długości okna do interesującego Cię rytmu, zastosuj nakładające się okna, aby wygładzić spektrogram, i sprawdź wynik, aby ocenić, czy zdarzenia mają ostro zarysowany czas, czy są rozmyte. Jeśli wynik ma kluczowe znaczenie, warto zweryfikować dane metodą adaptacyjną w ramach weryfikacji krzyżowej, ponieważ pojedyncze ustawienie STFT może faworyzować tylko jeden rodzaj rozdzielczości.

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