Techniki dekompozycji danych czasowych na częstotliwości

Zrozumienie danych czasowych i częstotliwości

Dane czasowe istnieją jako ciągły zapis obserwacji indeksowanych przez określone znaczniki czasu, odzwierciedlając sposób ewolucji systemu w wyznaczonym czasie.

W kontekście neuronauki zazwyczaj wiąże się to z rejestrowaniem potencjałów elektrycznych ze skóry głowy w celu zrozumienia dynamiki mózgu. Te zestawy danych rzadko są statyczne; zawierają mieszankę sygnałów rytmicznych i stochastycznych wahań, które wymagają starannej interpretacji w celu wyodrębnienia przydatnych informacji (insightów).

Czym są dane czasowe?

Dane czasowe, czyli dane szeregów czasowych, reprezentują pomiary wykonywane sekwencyjnie w spójnych odstępach czasu. Użyteczność tych danych zależy od ich częstotliwości próbkowania oraz długości okna obserwacji, które określają rozdzielczość wykrywalnych zmian.

Badacze badają te sekwencje w celu oceny stabilności systemu i zidentyfikowania trendów, które utrzymują się przez długi czas.

Koncepcja częstotliwości w danych

Częstotliwości odnoszą się do tempa, w jakim okresowe wzorce powtarzają się w szeregu czasowym, zazwyczaj mierzonych w cyklach na sekundę. Oceniając te rytmy, analitycy mogą kategoryzować procesy leżące u podstaw danych.

Poniższa lista przedstawia kluczowe pasma częstotliwości często obserwowane w aplikacjach do monitorowania biologicznego człowieka:

• Fale Delta: Zazwyczaj związane z głębokimi, regenerującymi fazami snu.

• Fale Theta: Często obserwowane podczas lekkiego snu lub stanów medytacyjnych.

• Fale Alfa: Charakterystycznie powszechne podczas spokojnego odprężenia w stanie czuwania.

• Fale Beta: Często powiązane z aktywnym skupieniem poznawczym i czujnością.

• Fale Gamma: Związane z zadaniami przetwarzania i integracji na wysokim poziomie.

Taka klasyfikacja pozwala na precyzyjne mapowanie stanów, pomagając badaczom odróżnić markery fizjologiczne od zmienności tła.

Dlaczego warto dokonywać dekompozycji danych czasowych na częstotliwości?

Dekompozycja działa jak soczewka analityczna, dzieląc surowy, zaszumiony sygnał na poszczególne elementy składowe. Bez tego podziału strukturalnego złożone interakcje między różnymi rytmami mózgowymi pozostają ukryte w zagregowanej amplitudzie. Izolując te komponenty, badacze mogą niezależnie analizować określone oscylacje neuronalne, ujawniając prawdziwą złożoność stanów poznawczych.

Identyfikacja wzorców i cykli

Rozpoznawanie wzorców w danych czasowych pozwala na identyfikację spójnych cykli neuronalnych, które powtarzają się pod wpływem określonych bodźców lub zadań. Identyfikacja tych cykli dostarcza podstawowych wskaźników, które pozwalają odróżnić zdrową aktywność mózgu od wzorców odbiegających od normy.

Po wyizolowaniu wzorca drogą dekompozycji możliwe staje się śledzenie jego pojawiania się i czasu trwania z wyższą pewnością statystyczną.

Redukcja szumów i wzmocnienie sygnału

Skuteczne przetwarzanie sygnałów jest niezbędne do usuwania artefaktów środowiskowych, takich jak zakłócenia sieci energetycznej o częstotliwości 60 Hz, z zapisów fizjologicznych. Definiując granice częstotliwości uzasadnionych danych biologicznych, badacze stosują filtry w celu wyeliminowania niepożądanych składowych sygnału.

Ten proces ekstrakcji sygnału zasadniczo zwiększa przejrzystość leżących u podstaw danych do dalszej analizy diagnostycznej.

Prognozowanie i modelowanie predykcyjne

Modele predykcyjne wykorzystują zdekomponowane segmenty do przewidywania przesunięć systemu lub wyzwalaczy zdarzeń, zanim zmaterializują się one w pełnej amplitudzie. Modele te opierają się na stabilności zidentyfikowanych składowych częstotliwościowych w celu rzutowania przyszłej ewolucji szeregu czasowego.

Możliwość ta wspiera zarówno proaktywne monitorowanie kliniczne, jak i badania eksperymentalne nad długoterminową plastycznością mózgu.

Kluczowe techniki dekompozycji danych czasowych

Dekompozycja wymaga matematycznego rygoru, aby zapewnić, że przekształcone dane pozostaną reprezentatywne dla oryginalnej aktywności neuronalnej.

Kilka ustalonych metodologii zapewnia wyjątkowe zalety w zależności od rozdzielczości i stabilności rejestrowanych sygnałów. Wybór odpowiedniego narzędzia wymaga zrównoważenia wymagań obliczeniowych z koniecznością zachowania precyzji czasowej i widmowej.

Metody transformacji Fouriera

Analiza Fouriera służy jako fundamentalne podejście do mapowania sygnałów w dziedzinie czasu na ich odpowiedniki w dziedzinie częstotliwości. Metoda ta doskonale sprawdza się w identyfikacji stacjonarnych składowych częstotliwości, chociaż napotyka ograniczenia przy analizie sygnałów przejściowych, które zmieniają się w czasie.

Poniższa tabela przedstawia porównanie głównych technik dekompozycji stosowanych we współczesnych środowiskach badawczych:

Transformacje falkowe

Transformacje falkowe zapewniają analizę wielorozdzielczą poprzez rozciąganie i przesunięcie falki macierzystej w celu przeskanowania sygnału.

W przeciwieństwie do metod Fouriera, podejście to zachowuje zlokalizowane informacje zarówno w czasie, jak i w częstotliwości, dzięki czemu nadaje się do wychwytywania przejściowych skoków elektrycznych powszechnych w pomiarach EEG. Ta adaptacyjność ma kluczowe znaczenie dla identyfikacji niestacjonarnych cech, które tradycyjne metody widmowe mogą przeoczyć podczas szybkich przejść danych.

Analiza widma osobliwego (SSA)

Analiza widma osobliwego oferuje nieparametryczne podejście, które rozkłada szereg czasowy na trendy, oscylacje i szum w oparciu o strukturę samych danych. Poprzez osadzenie szeregu czasowego w przestrzeni wielowymiarowej i wykonanie dekompozycji według wartości osobliwych, SSA wyodrębnia najważniejsze wzorce strukturalne.

Pozwala to na udoskonalenie sygnałów nawet wtedy, gdy leżący u ich podstaw proces generowania jest nieznany lub wysoce nieliniowy.

Jak transformacja Fouriera rozkłada sygnały EEG

Klasycznym punktem wyjścia do analizy częstotliwościowej jest transformacja Fouriera, operacja matematyczna, która rozkłada sygnał na sumę fal sinusoidalnych o różnych częstotliwościach.

W swojej czystej formie matematycznej transformacja Fouriera zakłada nieskończony sygnał, którego właściwości statystyczne nigdy się nie zmieniają, co jest warunkiem, którego rzeczywiste zapisy EEG nigdy nie spełniają. W praktyce badacze radzą sobie z tym problemem, stosując dyskretną transformację Fouriera (DFT) do krótkich, okienkowanych segmentów zapisu, trwających zazwyczaj kilka sekund, i wykorzystując wynik do oszacowania gęstości widmowej mocy (PSD), która określa, jak duża moc sygnału występuje przy każdej częstotliwości w obrębie tego okna.

To obejście wiąże się z dwoma podstawowymi założeniami:

1. Po pierwsze, sygnał jest traktowany tak, jakby był stacjonarny przez czas trwania wybranego okna, co oznacza, że zakłada się, iż jego zawartość częstotliwościowa nie ulega zmianie w tym wycinku czasu.

2. Po drugie, sygnał jest modelowany jako liniowa suma stałych fal sinusoidalnych, co sprawdza się dobrze w przypadku płynnej, okresowej aktywności, ale sprawia trudności przy nagłych zmianach lub niesinusoidalnych kształtach.

Pomimo tych uproszczeń, podejścia oparte na PSD wielokrotnie okazały się przydatne w praktyce.

Na przykład, analiza porównawcza metod ekstrakcji cech widmowych do klasyfikacji wyobrażeń ruchowych wykazała, że techniki PSD były najbardziej spójne, solidne i skuteczne w wyodrębnianiu charakterystycznych wzorców widmowych w celu odróżnienia wyobrażeń ruchu lewej ręki od prawej ręki, co oceniano u jedenastu badanych podczas dwóch sesji rejestracyjnych.

Dodatkowo, oddzielne badanie skupiające się na wykrywaniu senności wzmacnia ten wzorzec. Korzystając z pojedynczego kanału EEG, badacze zbudowali zestaw cech łączący miary PSD, w tym częstotliwość centralną, częstotliwość, poniżej której znajduje się jedna czwarta mocy widmowej, całkowitą energię widmową oraz moc w pasmach theta i alfa, wraz z cechami opartymi na falkach.

To połączone podejście wykrywało epizody senności z dokładnością 86,5 procent, a segmenty czujności z dokładnością 81,7 procent. Komponent PSD tego zestawu cech śledził ogólne, zależne od stanu przesunięcia w zawartości widmowej, czyli szerokie przejścia między stanami psychicznymi, a nie milisekundowe zdarzenia oscylacyjne.

Te dwa badania łącznie wskazują, że szacowanie PSD, pomimo założenia o stacjonarności, jest zdolne do uchwycenia znaczących wzorców widmowych powiązanych ze zmieniającymi się stanami mózgu, nawet jeśli sygnał generujący te wzorce jest dynamiczny.

Empiryczna dekompozycja modalna i jej adaptacyjna alternatywa

Empiryczna dekompozycja modalna (EMD) przyjmuje zupełnie inne podejście. Zamiast wtłaczać sygnał w zdefiniowaną z góry bazę fal sinusoidalnych, EMD adaptacyjnie przesiewa sam sygnał na zestaw komponentów zwanych funkcjami trybu własnego (IMF).

Każda IMF jest wyodrębniana bezpośrednio z własnej struktury oscylacyjnej danych, co teoretycznie pozwala tej metodzie śledzić błyskawiczne zmiany amplitudy i częstotliwości bez wymogu, aby sygnał pozostawał statycznie niezmienny.

Warto zauważyć, że EMD niesie za sobą również znane wady, w tym tendencję do mieszania trybów, gdzie pojedyncza IMF ostatecznie zawiera oscylacje z więcej niż jednego rzeczywistego pasma częstotliwości, oraz wrażliwość na szum, która może zniekształcić dekompozycję.

Pokrewna technika, dekompozycja wariacyjna (VMD), została opracowana częściowo w celu rozwiązania tych problemów ze stabilnością. VMD wyodrębnia tryby o ograniczonym paśmie, z których każdy jest skoncentrowany wokół określonej częstotliwości, przy użyciu bardziej ograniczonego sformułowania matematycznego, co zazwyczaj daje bardziej stabilne wyniki niż standardowa EMD.

W badaniu z 2019 roku zastosowano VMD wraz z miarą zwaną spektralną entropią trybu, która określa nieregularność danego trybu częstotliwości, w celu wykrywania napadów padaczkowych w zapisach EEG. Po etapie wstępnego przetwarzania, który obejmował analizę głównych składowych do wyboru kanałów, metoda ta osiągnęła od 98 do 100 procent dokładności na bazie danych Bonn EEG. Na trudniejszym zbiorze danych CHB-MIT przyniosła średnią czułość na poziomie 88,55 procent, swoistość 94,86 procent i dokładność 72,92 procent.

Wynik ten pokazuje, że dekompozycje oparte na trybach mogą z powodzeniem radzić sobie z wysoce niestacjonarnymi, przejściowymi zdarzeniami neuronalnymi, ponieważ napad drgawek jest z definicji nagłym, krótkotrwałym odejściem od wyjściowej aktywności mózgu.

Dekompozycja przestrzenno-widmowa rozwiązuje problem mieszania źródeł

Dekompozycja przestrzenno-widmowa (SSD) to metoda dekompozycji liniowej, która działa na całej macierzy czujników, znajdując przestrzenną kombinację kanałów, która maksymalizuje moc sygnału przy docelowej częstotliwości szczytowej, jednocześnie minimalizując moc w sąsiednich przedziałach częstotliwości po obu stronach. Wynikiem nie jest tylko czystsze widmo, ale wzorzec pokazujący, które lokalizacje elektrod i, co za tym idzie, w przybliżeniu które leżące pod nimi obszary mózgu mają największy wkład w tę konkretną oscylację.

Badania wprowadzające tę metodę wykazały, że SSD może niezawodnie wyodrębniać sygnały oscylacyjne nawet wtedy, gdy stosunek sygnału do szumu wynosił zaledwie 1 do 10, co było wymagającym testem, biorąc pod uwagę fakt, o ile silniejszy był szum od interesującego sygnału.

W bezpośrednich porównaniach SSD osiągała lepsze wyniki niż konwencjonalne podejścia oparte na analizie składowych niezależnych (ICA). Po zastosowaniu do rzeczywistych danych EEG, SSD wydzieliła składowe o wzorcach przestrzennych odpowiadających centralnym lokalizacjom czuciowo-ruchowym, jak również oddzielne składowe odpowiadające tylnym lokalizacjom potyliczno-ciemieniowym.

Przyszłość dekompozycji danych czasowych

Postępy w mocy obliczeniowej i algorytmach uczenia maszynowego zaczynają łączyć klasyczną dekompozycję widmową z architekturami predykcyjnymi opartymi na danych. Te zintegrowane systemy obiecują zautomatyzować ekstrakcję biomarkerów, umożliwiając analizę dynamiki sieci neuronowych w czasie rzeczywistym, co wcześniej wymagało długiego przetwarzania w trybie offline. Zbieżność tych metod prawdopodobnie zmniejszy opóźnienie między akwizycją danych a działaniem klinicznym, ułatwiając tworzenie bardziej responsywnych interfejsów mózg-komputer.

Badania coraz częściej koncentrują się na opracowywaniu kwantowo ulepszonych estymatorów widmowych, które wykraczają poza ograniczenia właściwe dla klasycznych funkcji okienkowania. Poprzez optymalizację wydajności pasma zestawów falkowych, badacze mają nadzieję osiągnąć super-rozdzielczość, która pozwoliłaby rozróżnić nakładające się źródła korowe w skali milimetrowej. Ta ewolucja wskazuje na przyszłość, w której monitorowanie sygnałów stanie się znacznie bardziej szczegółowe i dostępne.

Standaryzacja w laboratoriach badawczych na całym świecie pozostaje kluczowym celem na kolejną dekadę nauki o danych czasowych. Ustanowienie punktów odniesienia do oceny wydajności zapewni, że postęp techniczny będzie powtarzalny i przełoży się na zastosowania w zdrowiu publicznym. W miarę stabilizowania się tych metodologii, luka między podstawowymi badaniami neurobiologicznymi a praktyczną użytecznością diagnostyczną powinna się znacznie zmniejszyć.

Podsumowanie

Technika dekompozycji danych czasowych na częstotliwości pozostaje kluczową dyscypliną dla rozszyfrowania złożoności sygnałów elektrycznych w fizjologii człowieka. Stosując solidne metody matematyczne do wyodrębniania znaczących wzorców z zaszumionych zestawów danych, badacze poprawiają swoje możliwości monitorowania stabilności i wykrywania zmian patologicznych.

W miarę jak te ramy analityczne będą ewoluować, będą dalej zwiększać precyzję badań neurologicznych i skuteczność późniejszych wyników klinicznych.

Bibliografia

1. Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694

2. Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721

3. Das, P., Manikandan, M. S., & Ramkumar, B. (2018, grudzień). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. W 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (str. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426

4. Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057

Często zadawane pytania

Jaka jest różnica między dziedziną czasu a dziedziną częstotliwości?

Dziedzina czasu pokazuje, jak amplituda sygnału zmienia się w czasie, podczas gdy dziedzina częstotliwości pokazuje, jaka część sygnału znajduje się w określonych pasmach częstotliwości.

Czy dekompozycję czasową można przeprowadzić w czasie rzeczywistym?

Tak, nowoczesny sprzęt do cyfrowego przetwarzania sygnałów pozwala na ciągłe obliczanie składowych częstotliwości, umożliwiając monitorowanie i sprzężenie zwrotne w czasie rzeczywistym.

W jaki sposób szum jest oddzielany od rzeczywistej aktywności mózgu?

Szum jest zazwyczaj izolowany poprzez identyfikację pasm częstotliwości znajdujących się poza znanymi zakresami aktywności neuronalnej lub poprzez rozpoznawanie charakterystycznych sygnatur przestrzennych bądź widmowych powiązanych z zakłóceniami środowiskowymi.

Jak transformacja Fouriera wyodrębnia informacje o częstotliwości z EEG?

Transformacja Fouriera rozkłada sygnał na sumę fal sinusoidalnych, zakładając, że sygnał jest stacjonarny w krótkim oknie czasowym. Gęstość widmowa mocy (PSD) mierzy następnie, ile mocy istnieje przy każdej częstotliwości, zapewniając migawkowe ujęcie zawartości oscylacyjnej.

Czym różni się empiryczna dekompozycja modalna (EMD) od analizy Fouriera?

EMD adaptacyjnie przesiewa sygnał do funkcji trybu własnego bez zakładania stacjonarności, co pozwala jej na śledzenie chwilowych zmian częstotliwości i amplitudy. Teoretycznie czyni ją to lepiej przystosowaną do niestacjonarnych rytmów, takich jak mu, choć może cierpieć z powodu mieszania trybów.

Kiedy warto wybrać PSD zamiast metody dekompozycji modalnej?

PSD to solidny wybór podczas badania szerokich, powtarzalnych wzorców widmowych w różnych warunkach, takich jak porównywanie zadań wyobrażeń ruchowych. Jej prostota obliczeniowa i ustalona niezawodność w klasyfikacji stanów psychicznych sprawiają, że jest skuteczna, gdy dokładny moment szybkich zmian nie jest krytyczny.