Elektroencefalogram rejestruje aktywność elektryczną generowaną przez neurony za pomocą elektrod umieszczonych na skórze głowy. Jednak sygnał, który rzeczywiście dociera do tych elektrod, rzadko jest czysty.
Pod całym tym szumem rzeczywisty sygnał neuronowy, na którym zależy naukowcom, jest często słaby i łatwo go zagłuszyć. Przetwarzanie sygnałów to kluczowa dyscyplina naukowa, która umożliwia tłumaczenie danych fizycznych na formaty interpretowalne na potrzeby współczesnych analiz i technologii.
Czym jest przetwarzanie sygnałów?
Dyscyplina przetwarzania sygnałów obejmuje transformację, analizę i interpretację zdarzeń fizycznych jako mierzalnych danych. Poprzez stosowanie struktur matematycznych do rejestrowania ciągów danych, badacze mogą skutecznie odfiltrować zakłócenia otoczenia i skupić się na parametrach o kluczowym znaczeniu.
Metodologia ta ma centralne znaczenie dla współczesnych badań naukowych w różnych dziedzinach, w tym w badaniu złożonych ludzkich funkcji biologicznych.
Jak zdefiniować cyfrowe przetwarzanie sygnałów
Cyfrowe przetwarzanie sygnałów reprezentuje zastosowanie obliczeń w czasie dyskretnym do sygnałów, które zostały przekonwertowane z ich pierwotnych stanów analogowych.
Usprawnienie to następuje poprzez zastosowanie określonych algorytmów i procesorów zaprojektowanych do wydajnego zarządzania obciążeniami obliczeniowymi. Naukowcy wykorzystują to podejście do izolowania sygnałów biologicznych, co ma kluczowe znaczenie w dziedzinach takich jak neurobiologia, gdzie spójność danych jest najważniejsza dla dokładności badań.
Główny cel przetwarzania sygnałów
U szczytu swojej użyteczności przetwarzanie sygnałów dąży do wyodrębnienia maksymalnej ilości istotnych informacji z mierzonych danych przy jednoczesnym minimalizowaniu wpływu szumu. Optymalizując stosunek sygnału do szumu, badacze odzyskują wiarygodne punkty danych, które w przeciwnym razie zostałyby przesłonięte.
Cel ten napędza rozwój zaawansowanych narzędzi diagnostycznych stosowanych we współczesnej praktyce EEG.
Rodzaje przetwarzania sygnałów
Przetwarzanie sygnałów jest szeroko kategoryzowane w oparciu o charakter sygnału wejściowego oraz metodologię zastosowaną do jego modyfikacji. Świat fizyczny istnieje w stanie ciągłym, podczas gdy urządzenia elektroniczne często opierają się na skwantyzowanych porcjach danych w celu wykonywania operacji.
Rozróżnienie między tymi kategoriami ma fundamentalne znaczenie dla wyboru odpowiedniego ujęcia matematycznego dla danego układu eksperymentalnego.
Analogowe a cyfrowe przetwarzanie sygnałów
Systemy analogowe manipulują ciągłymi przebiegami elektrycznymi bezpośrednio poprzez komponenty obwodów, zachowując wysoki stopień wierności bez narzutu związanego z kwantyzacją. Chociaż systemy analogowe oferują natychmiastowe reakcje, brakuje im elastyczności i możliwości programowania charakterystycznych dla architektur cyfrowych.
Wraz z ewolucją standardowych protokołów systemu 10-20, przetwarzanie cyfrowe stało się głównym standardem ułatwiającym utrzymanie porównywalnych danych w różnych środowiskach badawczych.
Czym jest cyfrowe przetwarzanie sygnałów? Systemy liniowe a nieliniowe
Cyfrowe przetwarzanie sygnałów wykorzystuje algorytmy do przekształcania danych do formatów odpowiednich do modelowania obliczeniowego, oferując kontrolowane środowisko do regulacji sygnału.
Zrozumienie, czy system zachowuje się liniowo, jest krytyczne dla przewidywania, jak wyjście zareaguje na zmienne wejścia, ponieważ zasada superpozycji obowiązuje tylko dla operacji liniowych. Systemy nieliniowe, przeciwnie, wprowadzają złożone transformacje, które mogą uchwycić subtelną dynamikę często ignorowaną przez prostsze modele.
Typ systemu | Zależność wejście-wyjście | Główna charakterystyka |
|---|---|---|
Liniowy | Stała proporcjonalność | Obowiązuje zasada superpozycji |
Nieliniowy | Zmienna dynamika | Generowanie wyższych harmonicznych |
Niezmienny w czasie | Stała odpowiedź strukturalna | Stabilność czasowa parametrów |
Charakteryzując te zachowania, technicy upewniają się, że model matematyczny dokładnie odzwierciedla rzeczywistą dynamikę sygnału wejściowego przed zastosowaniem filtrów diagnostycznych.
Kluczowe pojęcia i techniki w przetwarzaniu sygnałów
Techniczne opanowanie tej dziedziny wymaga głębokiego zrozumienia przygotowania danych i translacji matematycznej. Każdy krok w potoku przetwarzania celowo osłabia lub wzmacnia określone komponenty sygnału, aby przygotować ostateczny wynik do ludzkiej interpretacji lub dla algorytmów uczenia maszynowego.
Próbkowanie i kwantyzacja
Próbkowanie polega na rejestrowaniu punktów danych w określonych odstępach czasu, co stanowi podstawę dla reprezentacji dyskretnej. Po tym kroku następuje kwantyzacja, przyporządkowująca te dyskretne punkty czasowe do określonych wartości liczbowych reprezentujących amplitudę sygnału.
Jeśli kroki te nie zostaną precyzyjnie skalibrowane, może dojść do aliasingu, co prowadzi do znacznych zniekształceń analizowanych przebiegów.
Filtrowanie
Filtrowanie pełni krytyczną rolę w usuwaniu niepożądanych składowych częstotliwościowych, które nie należą do pożądanego sygnału. W zależności od wymagań pasmowo-przepustowych, filtry mogą precyzyjnie usuwać wysokoczęstotliwościowy szum mięśniowy lub niskoczęstotliwościowy dryft.
Proces ten zasadniczo izoluje interesującą aktywność neuronalną od szerszych zakłóceń tła środowiskowego, co skutkuje czystszym zapisem wizualnym.
Transformacje (np. transformacja Fouriera)
Transformacje przenoszą dane między różnymi domenami, aby ujawnić okresowe struktury ukryte w szumie czasowym. Typowe metody stosowane w tym procesie obejmują:
Transformacje Fouriera do rozkładu sygnałów na ich składowe częstotliwościowe.
Analizę falkową do jednoczesnej lokalizacji zdarzeń przejściowych w czasie i częstotliwości.
Transformacje Hilberta do określania chwilowej obwiedni i częstotliwości złożonych sygnałów.
Transformacje Z do badania systemów dyskretnych w czasie i ich stabilności.
Te matematyczne odwzorowania pozwalają inżynierom wizualizować dane z perspektyw, które identyfikują specyficzne patologie lub wzorce pozostające całkowicie niewidocznymi w standardowej reprezentacji w dziedzinie czasu.
Czym jest potok wstępnego przetwarzania EEG?
Potok wstępnego przetwarzania to po prostu standaryzowana sekwencja operacji aplikowanych do ciągłych, surowych danych EEG przed rozpoczęciem jakiejkolwiek analizy. Chociaż dokładna kolejność i specyficzne metody różnią się między laboratoriami i pakietami oprogramowania, większość potoków dzieli wspólny schemat:
Filtrowanie niepożądanych częstotliwości
Ponowne odniesienie sygnału do neutralnego poziomu odniesienia (re-referencjonowanie)
Identyfikacja i obsługa artefaktów
Cięcie ciągłego nagrania na krótkie segmenty powiązane z określonymi zdarzeniami, proces zwany epokowaniem
Kolejność ma mniejsze znaczenie niż fakt, że każda pojedyncza decyzja w tym łańcuchu może zmienić ostateczny wynik. Badanie porównawcze z 2020 roku, prowadzone przez Robbinsa i wsp., wykazało, że nawet analizy deklarujące przestrzeganie ustalonych wytycznych dotyczących najlepszych praktyk wykazywały znaczne różnice w sposobie rzeczywistego wdrożenia tych wytycznych w kodzie.
Podobnie badanie z 2021 roku przeprowadzone przez Bertazzoli i wsp. wykazało, że w badaniach nad przezczaszkową stymulacją magnetyczną połączoną z EEG (TMS-EEG) wybór potoku wstępnego przetwarzania miał wyraźny wpływ na wynikowe przebiegi odpowiedzi mózgowej, a nawet zmieniał wiarygodność tych wyników, gdy ci sami badani byli testowani dwukrotnie.
Filtrowanie: Jak wyizolować rzeczywiste sygnały mózgowe
Surowe EEG zawiera dwie szerokie kategorie niepożądanej zawartości częstotliwościowej.
Na wolniejszym końcu w sygnale pojawiają się dryfty napięcia wynikające z gromadzenia się potu pod elektrodą lub z samego lekkiego przemieszczania się elektrody na skórze głowy. Na szybszym końcu napięcie mięśniowe i zakłócenia elektryczne z pobliskiego sprzętu wprowadzają szum o wysokiej częstotliwości, który nie ma nic wspólnego z wyładowaniami neuronów.
Filtrowanie działa poprzez usuwanie tych zakresów częstotliwości, zachowując tylko pasmo, w którym autentyczne sygnały generowane przez mózg są najsilniejsze.
Najbardziej podstawowym i szeroko stosowanym krokiem jest filtrowanie górnoprzepustowe, które usuwa wolne dryfty poniżej około 0,5 do 1 Hz. W zależności od rodzaju analizy, badacze mogą również stosować filtr dolnoprzepustowy lub połączyć oba w filtr pasmowo-przepustowy, zazwyczaj ograniczając dane do zakresu od 1 do 40 Hz podczas badania potencjałów wywołanych (ERP), czyli charakterystycznych odpowiedzi napięciowych mózgu na określone bodźce.
To, co czyni filtrowanie szczególnie godnym uwagi, to fakt, jak konsekwentnie przynosi ono korzyści. W 2023 roku Arnaud Delorme przetestował szeroką gamę zautomatyzowanych korekt wstępnego przetwarzania i stwierdził, że większość z nich albo nie miała mierzalnego wpływu, albo wręcz obniżała jakość danych. Filtrowanie górnoprzepustowe było jednym z zaledwie dwóch kroków, które niezmiennie poprawiały wyniki na całej linii.
Badacze z Harvardu podobnie traktują filtrowanie jako fundamentalny, bezkompromisowy element swojego potoku HAPPE dla bogatych w artefakty danych rozwojowych. Filtrowanie, krótko mówiąc, jest bliskie bezpiecznemu standardowi. Tego samego nie można powiedzieć o każdym kolejnym kroku.
Re-referencjonowanie: Ustawianie punktu zerowego napięcia
EEG nigdy nie mierzy napięcia bezwzględnego. Mierzy ono różnicę między dwoma punktami: elektrodą aktywną a punktem odniesienia.
Surowe nagrania są zazwyczaj zapisywane w odniesieniu do tej elektrody referencyjnej, która była fizycznie używana podczas rejestracji, często pojedynczego miejsca, takiego jak wyrostek sutkowaty za uchem lub elektroda Cz na czubku głowy – pozycje określone przez system 10-20 stosowany do standaryzacji rozmieszczenia elektrod. Ten pierwotny punkt odniesienia jest poniekąd arbitralny, więc re-referencjonowanie matematycznie przelicza napięcie każdego kanału względem nowego, teoretycznie bardziej neutralnego punktu, takiego jak średnia ze wszystkich elektrod lub połączony sygnał z obu wyrostków sutkowatych.
Znaczenie re-referencjonowania wynika z przewodnictwa objętościowego, które sprawia, że aktywność elektryczna mózgu rozchodzi się przez otaczające tkanki i płyny, co powoduje, że pojedyncze zdarzenie neuronalne rejestruje się na niemal każdej elektrodzie na skórze głowy. Z powodu tego rozchodzenia się zmiana punktu odniesienia może zmienić widoczny kształt, amplitudę, a nawet istotność statystyczną rejestrowanej aktywności, mimo że nic w leżącej u jej podstaw aktywności mózgu się nie zmieniło.
Jest to kluczowa koncepcja leżąca u podstaw wyborów projektowych związanych z montażami EEG, w tym podejść takich jak Common Average Reference lub Referential Montage, z których każde inaczej ramy czasowe tego samego sygnału mózgowego.
Detekcja i interpolacja wadliwych kanałów
W przypadku każdego nagrania wieloelektrodowego kilka kanałów nieuchronnie wygeneruje słaby sygnał. Kanał może stać się
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
