Dlaczego neuronaukowcy zamieniają czas na częstotliwość

Czym jest transformacja czasu w częstotliwość?

Proces transformacji polega na konwersji surowych sekwencji danych, zazwyczaj mierzonych jako amplituda w funkcji czasu, na widmo częstotliwości. To matematyczne przesunięcie umożliwia badaczom obserwację składowych rytmicznych sygnału, a nie tylko surowych wahań napięcia lub ciśnienia. Patrząc na dane przez ten pryzmat, subtelne wzorce w złożonych zbiorach danych stają się znacznie łatwiejsze do sklasyfikowania i zinterpretowania w celu dalszej analizy.

Zrozumienie podstaw: Od dziedziny czasu do dziedziny częstotliwości

W standardowym rejestrowaniu sygnałów aspekt czasowy reprezentuje sekwencję zdarzeń w miarę ich zachodzenia, zachowując porządek chronologiczny, który jest intuicyjny do natychmiastowego monitorowania. Jednak wiele systemów dynamicznych wykazuje zachowania powtarzalne — takie jak rytmiczne wyładowania neuronów związane z neuronauką — które nie są łatwe do rozróżnienia poprzez samo patrzenie na surowy sygnał.

Przejście na perspektywę częstotliwościową działa skutecznie jak filtr analityczny, pozwalając na wyizolowanie poszczególnych rytmów i ich względnego wkładu w ogólną strukturę sygnału.

Fundament matematyczny: Transformata Fouriera

Transformata Fouriera opiera się na zasadzie, że każdy złożony sygnał oscylacyjny można wyrazić jako ważoną sumę prostszych fal sinusoidalnych i cosinusoidalnych. Ta operacja matematyczna zasadniczo dokonuje dekompozycji, wyodrębniając leżącą u podstaw strukturę okresową sygnału, niezależnie od jego początkowej złożoności.

Stosując tę transformację, badacz mapuje czasowe punkty danych na nową dziedzinę, w której oś pozioma reprezentuje częstotliwość, a oś pionowa wskazuje moc lub amplitudę każdej konkretnej składowej częstotliwościowej.

Dlaczego analiza czasowo-częstotliwościowa jest ważna?

Analiza sygnałów w dziedzinie częstotliwości jest niezbędna do wyizolowania określonych zjawisk osadzonych w szumie lub większych, mieszanych przebiegach. Podejście to jest powszechnie stosowane w różnych dziedzinach, które opierają się na dokładnym przetwarzaniu sygnałów w celu wydobycia istotnych Insightów z czujników i instrumentów pomiarowych.

Zastosowania w przetwarzaniu sygnałów

Inżynierowie często napotykają sygnały zanieczyszczone zakłóceniami tła lub szumem elektrycznym otoczenia, które mogą maskować interesujące ich informacje pierwotne. Techniki analityczne badające skład częstotliwościowy pozwalają na precyzyjne filtrowanie, dzięki któremu określone niepożądane zakresy są tłumione bez zakłócania kluczowych danych.

Ta zdolność ma fundamentalne znaczenie dla nowoczesnych systemów komunikacyjnych i technologii czujników, zapewniając, że rzeczywiste szczyty sygnału pozostają wyraźne i łatwe do zinterpretowania w dalszym przetwarzaniu.

Insighty w analizie audio i mowy

Ludzka mowa i naturalne dźwięki składają się z wielu nakładających się częstotliwości, z których każda charakteryzuje barwę i ton źródła. Konwersja tych sygnałów na dziedzinę częstotliwości pozwala badaczom mapować formanty lub wykrywać charakterystykę mowy zmieniającą się w czasie, co jest częstym wymaganiem w akustyce.

Traktując te sygnały jako spektrogramy, analitycy mogą monitorować przejściowe zmiany, które mogą wskazywać na określone artefakty dźwiękowe lub wzorce odróżniające jedno źródło akustyczne od innego.

Przypadki użycia w inżynierii biomedycznej

W placówkach medycznych precyzyjny pomiar biologicznych sygnałów elektrycznych ma kluczowe znaczenie dla obserwacji stanu zdrowia i diagnozowania schorzeń neurologicznych. Używając EEG jako podstawowego narzędzia, lekarze mogą rejestrować wzorce fal mózgowych, podczas gdy badacze stosują specyficzne analizy częstotliwości do badania zachowań rytmicznych związanych z różnymi stanami czuwania.

Integracja specjalistycznego sprzętu, takiego jak karta PCI Data Acquisition, zapewnia przechwytywanie danych o wysokiej wierności, które są następnie przetwarzane za pomocą transformacji w dziedzinie częstotliwości, aby dostarczyć istotnych Insightów diagnostycznych.

Typowe metody konwersji czasu na częstotliwość

Istnieją różne algorytmy konwersji danych czasowych, z których każdy jest dostosowany do różnych poziomów stabilności sygnału i wymagań dotyczących precyzji. Wybór odpowiedniej metody zależy od charakteru sygnału i wymaganej rozdzielczości końcowego widma.

Krótkoczasowa transformata Fouriera (STFT)

Metoda ta dzieli długi sygnał na mniejsze, nakładające się okna, wykonując transformatę Fouriera na każdym z nich w celu zaobserwowania ewolucji zawartości częstotliwościowej. Jest to szczególnie przydatne w przypadku sygnałów, które nie są idealnie stacjonarne, ale pozostają stabilne w krótkich okresach.

Jak ręcznie przeliczyć czas na częstotliwość

Chociaż oprogramowanie automatyzuje większość obliczeń, zrozumienie ręcznej konwersji sygnałów okresowych wymaga zidentyfikowania czasu trwania cyklu. Obliczając odwrotność okresu, określa się tempo, w jakim zdarzenie wykonuje pełny cykl, co daje wartość częstotliwości mierzoną w hercach.

Tabela ta ilustruje odwrotną zależność między okresem a częstotliwością, gdzie krótszy czas trwania cyklu skutkuje znacznie wyższą częstotliwością wyjściową.

Używanie kalkulatora częstotliwości na czas do szybkich szacunków

Praktycy często używają narzędzi szacunkowych, aby połączyć czas i częstotliwość bez konieczności wykonywania wyczerpujących obliczeń. Narzędzia te zazwyczaj oferują następujące funkcje umożliwiające szybką konfigurację podczas analizy danych:

• Automatyczna konwersja czasu cyklicznego na herce.

• Obsługa wielu jednostek skali, takich jak milisekundy i mikrosekundy.

• Natychmiastowe odwracanie funkcji w celu odwrócenia konwersji.

• Natychmiastowe wykresy do wizualnego porównania stabilności sygnału.

Tego typu kalkulatory umożliwiają wstępną ocenę przed zastosowaniem bardziej złożonych technik filtrowania cyfrowego lub dekompozycji spektralnej w środowisku badawczym.

Transformata falkowa

W przeciwieństwie do tradycyjnych metod Fouriera, transformata falkowa wykorzystuje skalowalne okna do jednoczesnej analizy składowych o niskiej i wysokiej częstotliwości. Pozwala to na lepszą lokalizację nagłych zmian sygnału, takich jak wyładowania przejściowe lub piki, które występują zbyt szybko dla okienkowej analizy STFT.

Jest wysoce ceniona w dziedzinach wymagających dużej czułości czasowej i częstotliwościowej w jednym przebiegu.

Niewidzialny pryzmat: Zamiana czasu w częstotliwość

Pojedynczy moment aktywności mózgu rzadko składa się z jednej czystej fali. Zachowuje się bardziej jak akord muzyczny, w którym kilka nut brzmi razem, tworząc jeden złożony ton.

Jeśli słuchasz akordu jako całości, słyszysz mieszankę, a nie poszczególne nuty. Ten sam problem dotyczy surowego zapisu EEG. W dowolnym momencie jednocześnie współistnieją oscylacje wolne, średnie i szybkie, a widok w dziedzinie czasu nakłada je na siebie, tworząc pojedynczy, trudny do zanalizowania przebieg falowy.

Konwersja tego przebiegu na dziedzinę częstotliwości nie dodaje nowych informacji do sygnału. Reorganizuje ona istniejące informacje tak, aby różne oscylacje stały się widoczne jako osobne składowe. Ta reorganizacja ma mierzalne, praktyczne konsekwencje dla tego, jak dobrze badacze mogą oczyszczać zaszumione dane i wykrywać istotne wzorce.

Weźmy pod uwagę artefakty mrugania oczami, jedno z najbardziej uporczywych źródeł zanieczyszczeń w zapisach EEG. Kiedy oczy się poruszają, powstały sygnał elektryczny, zwany elektrookulogramem (EOG), przenika do pobliskich kanałów EEG i zniekształca odczyt. Wczesne próby korekcji zakładały, że to przenikanie z oczu do skóry głowy zachowywało się stale we wszystkich rytmach, więc prosta subtrakcja w dziedzinie czasu powinna działać wszędzie równie dobrze.

Kenemans i wsp. przetestowali to założenie bezpośrednio. Korzystając zarówno z danych symulowanych, jak i rzeczywistych, badacze porównali trzy strategie czyszczenia:

1. Prostą regresję w dziedzinie czasu

2. Bardziej złożoną regresję w dziedzinie czasu z wieloma opóźnieniami

3. Regresję w dziedzinie częstotliwości.

Gdy przenoszenie elektryczne z oka na skórę głowy było niezależne od częstotliwości, co oznaczało, że zachowywało się tak samo dla wszystkich rytmów, wszystkie trzy metody działały równie dobrze. Kiedy jednak przenoszenie było zależne od częstotliwości, co oznaczało, że zaburzenie zmieniało się w zależności od tego, którego rytmu dotyczyło, prosta metoda w dziedzinie czasu nie pozwalała na pełne odtworzenie oryginalnego EEG.

Tylko podejście w dziedzinie częstotliwości oraz bardziej wyrafinowana metoda w dziedzinie czasu z wieloma opóźnieniami były w stanie uwzględnić tę zmienność. Sugeruje to, że artefakty sygnału mózgowego nie zawsze zachowują się jednolicie w czasie i czasami tylko perspektywa uwzględniająca częstotliwość pozwala poprawnie oddzielić rzeczywistą aktywność mózgu od zakłóceń.

Korzyści z tej zmiany perspektywy stają się jeszcze bardziej spektakularne w wykrywaniu napadów padaczkowych. W badaniu z 2018 roku wykazano, że gdy surowe sygnały EEG w dziedzinie czasu wprowadzano do systemu klasyfikacji, dokładność odczytów ze skóry głowy spadała w niektórych eksperymentach nawet do 60 procent – co w przypadku niektórych zadań klasyfikacyjnych jest wynikiem niewiele lepszym niż rzut monetą. Gdy te same dane przekonwertowano najpierw na dziedzinę częstotliwości, dokładność w tym samym zadaniu wzrosła do około 96 procent.

Informacje wymagane do prawidłowego zidentyfikowania stanu napadowego były obecne w nagraniu przez cały czas. Po prostu nie były widoczne, dopóki sygnał nie został przeanalizowany pod kątem jego składowych częstotliwościowych.

Dlaczego perspektywa częstotliwościowa ma znaczenie: Od szumu do zastosowań zmieniających życie

Przejście od czasu do częstotliwości nie jest abstrakcyjną preferencją techniczną. Ma ono konkretne konsekwencje w czterech skrajnie różnych zastosowaniach.

Ostrzejsze usuwanie artefaktów

Ruchy gałek ocznych i mrugnięcia są chronicznym źródłem zanieczyszczeń w badaniach EEG, ponieważ sygnał elektryczny generowany przez oczy może rozprzestrzeniać się na pobliskie elektrody na skórze głowy.

Badanie Kenemansa i wsp. wykazało, że to zanieczyszczenie nie zawsze przenosi się w stałym tempie we wszystkich częstotliwościach. Gdy transfer był zależny od częstotliwości, podstawowa korekcja w dziedzinie czasu dawała słabsze wyniki, podczas gdy metoda regresji w dziedzinie częstotliwości skutecznie rekonstruowała oryginalny sygnał mózgowy.

Jest to kluczowe dla każdego zastosowania, w którym niezbędna jest czysta jakość sygnału, ponieważ nieskorygowane artefakty oczne mogą zostać pomylone z rzeczywistą aktywnością mózgu, jeśli zastosowana zostanie niewłaściwa metoda oczyszczania.

Twój mózg, Twój podpis

Badanie opublikowane w Journal of Neural Engineering wykazało, że ogólny wzorzec rytmów mózgowych człowieka pozostaje niezwykle stabilny podczas różnych sesji nagraniowych, a nawet przy różnych rozmieszczeniach czujników na skórze głowy. Ta spójność, opisywana jako forma odcisku palca EEG, była najsilniejsza w paśmie alfa, ale wykrywalna w szerokim zakresie od 1 do 40 Hz.

Co ważne, ten identyfikujący podpis utrzymywał się nawet wtedy, gdy badani wykonywali zupełnie różne zadania poznawcze, co sugeruje, że wzorzec ten odzwierciedla coś strukturalnie stabilnego w mózgu danej osoby, a nie reakcję na konkretną aktywność umysłową w danym momencie.

Zdolność dyskryminacyjna tych rytmów układała się w tak zwany wzorzec w kształcie litery W w całym zakresie częstotliwości, z najsilniejszym szczytem identyfikacyjnym skoncentrowanym wokół rytmu alfa 10 Hz. Odkrycie to ma bezpośrednie znacznie dla biometrycznych systemów identyfikacji, które mogłyby kiedyś wykorzystywać aktywność mózgu jako formę bezpiecznej weryfikacji tożsamości.

Odczytywanie emocji

Stany emocjonalne pozostawiają mierzalne ślady we wzorcach rytmów mózgowych, a badanie przeprowadzone przez Petrantonakisa i jego zespół pokazuje, że ślady te najlepiej rejestrować w dziedzinie czasowo-częstotliwościowej, a nie w surowym sygnale w dziedzinie czasu. Wykorzystując podejście adaptacyjnej segmentacji i mierząc asymetrię czołową fal alfa, badacze zbudowali system klasyfikacji zdolny do rozróżniania różnych kombinacji wartościowości i pobudzenia, poprawnie klasyfikując stany emocjonalne znacznie powyżej poziomu oczekiwanego przy losowym zgadywaniu.

Ten typ opartej na częstotliwości detekcji emocji wiąże się z rosnącym zainteresowaniem interfejsami mózg-komputer zaprojektowanymi w celu reagowania na nastrój lub zaangażowanie emocjonalne użytkownika, chociaż zgłaszana dokładność klasyfikacji, wahająca się od około 64 do 83 procent w zależności od konkretnych badanych kategorii emocjonalnych, wskazuje, że pozostaje to narzędzie probabilistyczne, a nie ostateczny odczyt emocjonalny.

Pokonanie epilepsji

Być może najbardziej uderzająca demonstracja praktycznej wartości analizy w dziedzinie częstotliwości pochodzi z badań nad padaczką. Wspomniane wcześniej badanie z 2018 roku bezpośrednio porównywało sygnały w dziedzinie czasu i w dziedzinie częstotliwości jako dane wejściowe do konwolucyjnej sieci neuronowej, której zadaniem było rozróżnienie stanów mózgu: napadowego, przednapadowego i międzynapadowego.

W przypadku wewnątrzczaszkowej bazy danych Freiburg dane wejściowe z dziedziny częstotliwości przyniosły średnią dokładność od 92 do 97 procent w trzech oddzielnych eksperymentach klasyfikacyjnych, podczas gdy dane wejściowe z dziedziny czasu dla tej samej bazy danych dały dokładność rzędu 84 do 91 procent. Różnica ta pogłębiła się znacznie w przypadku bazy danych CHB-MIT rejestrowanej ze skóry głowy, gdzie dokładność w dziedzinie częstotliwości pozostała wysoka i wynosiła od około 93 do 98 procent, podczas gdy dokładność w dziedzinie czasu spadła w niektórych eksperymentach do zaledwie 48-62 procent.

Sugeruje to, że w niektórych warunkach rejestracji, szczególnie w przypadku EEG ze skóry głowy, surowy sygnał w dziedzinie czasu może po prostu nie posiadać rozróżnialnej struktury potrzebnej do niezawodnej automatycznej klasyfikacji napadów, podczas gdy reorganizacja tego samego sygnału w dziedzinie częstotliwości czyni leżący u jego podstaw wzorzec dostępnym dla systemu uczenia maszynowego.

Ponadto, Madhavan i wsp. rozwijają tę koncepcję w swoim badaniu z 2020 roku, koncentrując się w szczególności na lokalizacji, a nie na samej detekcji. Wykorzystując technikę zwaną transformatą synchrosqueezing w celu generowania szczegółowych reprezentacji czasowo-częstotliwościowych w połączeniu z głęboką konwolucyjną siecią neuronową, w badaniu osiągnięto dokładność, czułość i specyficzność na poziomie powyżej 99 procent w odróżnianiu ogniskowych sygnałów EEG (pochodzących ze strefy epileptogennej odpowiedzialnej za wywoływanie napadów) od sygnałów nieogniskowych, pochodzących z innych obszarów mózgu.

Ten poziom precyzji ma bezpośrednie znaczenie dla operacyjnego leczenia padaczki, gdzie prawidłowe zidentyfikowanie dokładnego obszaru mózgu odpowiedzialnego za aktywność napadową jest warunkiem koniecznym do bezpiecznej i skutecznej interwencji chirurgicznej.

Nowe spojrzenie na żywy mózg

Transformacja pojedynczej linii napięcia wędrującej w czasie w widmo odrębnych rytmów jest mechanizmem, który przede wszystkim sprawia, że badanie EEG staje się czytelne. Bez niej algorytm wykrywania napadów oparty na danych ze skóry głowy działa niewiele lepiej niż losowy traf.

Dzięki niej dokładność tego samego algorytmu może wzrosnąć do ponad 90 procent. Bez niej subtelne zanieczyszczenie mruganiem oczu może podawać się za prawdziwą aktywność mózgu.

Dzięki korekcji uwzględniającej częstotliwość zanieczyszczenie to można skuteczniej wyeliminować. Bez niej stabilny, charakterystyczny dla danej osoby wzorzec w rytmach mózgowych, najsilniej skoncentrowany wokół pasma alfa, pozostaje niewidoczny. Dzięki niej wzorzec ten staje się mierzalnym podpisem.

Żadne z tych zastosowań nie wymagało dodania nowych informacji do sygnału EEG. Wymagały one reorganizacji istniejących informacji do postaci, w której istotne wzorce mogłyby wreszcie zostać odróżnione od szumu.

Ta reorganizacja, czyli przejście od czasu do częstotliwości, zamienia chaotyczny zapis napięcia w uporządkowany zapis aktywności delta, theta, alfa, beta i gamma, dając badaczom i klinicystom wyraźniejszy, nieinwazyjny sposób badania snu, stanów emocjonalnych, tożsamości osobistej i chorób neurologicznych w miarę ich rozwoju w żywym mózgu.

Bibliografia

1. Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x

2. Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095

3. DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.

4. Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647

5. Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072

Często zadawane pytania (FAQ)

Dlaczego neuronaukowcy konwertują sygnały EEG z dziedziny czasu do częstotliwości?

Surowy zapis EEG nakłada na siebie wiele rytmów mózgowych o różnych prędkościach w jeden złożony przebieg falowy, sprawiając, że poszczególne wzorce są trudne do dostrzeżenia. Konwersja do dziedziny częstotliwości rozbija ten sygnał na oddzielne częstotliwości składowe – niczym pryzmat rozszczepiający białe światło na barwy – dzięki czemu każdy rytm można badać osobno.

W jaki sposób perspektywa częstotliwościowa usprawnia usuwanie artefaktów wywołanych mruganiem oczu?

Zanieczyszczenie spowodowane mruganiem oczu może przenosić się inaczej w poszczególnych pasmach częstotliwości EEG, co oznacza, że prosta subtrakcja oparta na czasie często zawodzi. Regresja w dziedzinie częstotliwości uwzględnia te zależne od częstotliwości różnice, umożliwiając dokładniejszą rekonstrukcję rzeczywistego sygnału mózgowego.

Co dzieje się z dokładnością wykrywania napadów padaczkowych w przypadku użycia dziedziny częstotliwości zamiast dziedziny czasu?

Wzorce istotne dla napadu są obecne w surowym sygnale, lecz niewidoczne w dziedzinie czasu. Analiza częstotliwości reorganizuje dane w taki sposób, że klasyfikator może osiągnąć dokładność powyżej 90%, podczas gdy surowe dane wejściowe w dziedzinie czasu dają czasami wyniki nie lepsze niż losowy traf na nagraniach ze skóry głowy.

Dlaczego rytm alfa jest uważany za silny identyfikator biometryczny?

Aktywność alfa wykazuje charakterystyczny, stabilny szczyt wokół 10 Hz, który pozostaje spójny przy różnych zadaniach i sesjach rejestracji. Ta stabilność odzwierciedla podstawową architekturę mózgu danej osoby, czyniąc ją wiarygodnym odciskiem palca EEG do identyfikacji tożsamości.

W jaki sposób wzorce częstotliwości EEG mogą wskazywać stany emocjonalne?

Asymetria czołowa fal alfa, która porównuje siłę fal alfa między lewym i prawym płatem czołowym mózgu, różni się w zależności od wartościowości emocjonalnej i poziomu pobudzenia. Analiza w dziedzinie częstotliwości wychwytuje te wzorce asymetrii, umożliwiając klasyfikację stanów emocjonalnych na poziomie znacznie przewyższającym przypadek.

Dlaczego analiza częstotliwościowa jest niezbędna do lokalizowania stref początku napadu w chirurgii padaczki?

Krótkie, wysokoczęstotliwościowe rozbłyski gamma i przesunięcia we wszystkich pasmach wyznaczają strefę epileptogenną. Techniki czasowo-częstotliwościowe, takie jak transformata synchrosqueezing, przekształcają te wzorce w szczegółowe reprezentacje, umożliwiając modelom głębokiego uczenia odróżnienie ogniskowych sygnałów napadowych od sygnałów nieogniskowych z bardzo wysoką precyzją – co jest warunkiem bezpiecznego planowania chirurgicznego.