Um Guia para a Transformada de Fourier de Tempo Curto para EEG

O Problema com a Transformada de Fourier Padrão

A transformada de Fourier padrão é um pilar do processamento de sinais clássico porque decompõe efetivamente sinais complexos em uma soma de sinusoides puras. Ao integrar ao longo do tempo infinito, ela revela o conteúdo de frequência total presente em uma gravação.

No entanto, este método assume que o sinal é estacionário; se a composição da frequência muda ao longo do tempo, o resultado típico obscurece a sequência temporal. Essa limitação torna impossível distinguir entre um evento curto e intermitente e uma harmônica sustentada, o que é vital em campos como a neurociência.

O que é a Transformada de Fourier de Tempo Curto na Análise de EEG

A STFT aborda o problema do tempo com uma estratégia bastante direta. Em vez de executar uma Transformada de Fourier em uma gravação inteira de EEG de uma só vez, ela divide o sinal em segmentos curtos e consecutivos, frequentemente chamados de janelas, e aplica a Transformada de Fourier separadamente a cada um deles. Cada janela produz seu próprio retrato de frequência em miniatura, e unir esses retratos em sequência cria uma imagem em movimento de como o conteúdo de frequência muda ao longo do tempo.

O resultado desse processo é normalmente exibido como um espectrograma, um mapa visual com o tempo correndo ao longo de um eixo e a frequência ao longo do outro. A cor ou intensidade em qualquer ponto desse mapa representa a potência, ou força, daquela frequência naquele momento. Este é precisamente o valor que a análise STFT foi projetada para fornecer.

Como Zabidi et al. coloca, a análise STFT trabalha para “revelar os conteúdos de frequência dos sinais de EEG em cada ponto temporal”.

Por que o Comprimento da Janela é a Configuração Mais Importante na STFT

Dividir um sinal em janelas parece simples, mas o comprimento escolhido para cada janela determina quase tudo sobre a qualidade e fidelidade do espectrograma resultante. Essa decisão envolve um compromisso que não pode ser evitado, apenas gerenciado.

Pense desta forma: uma janela longa age como uma régua de frequência precisa, mas como um cronômetro embaçado. Como contém mais pontos de dados, uma janela longa pode distinguir frequências muito próximas com precisão real. Mas porque se estende por um período de tempo maior, qualquer evento que aconteça dentro dessa janela é borrado, e você perde a capacidade de identificar exatamente quando algo mudou.

Uma janela curta inverte essa relação. Ela age como um cronômetro preciso, mas como uma régua de frequência embaçada. Ela pode dizer quase exatamente quando algo aconteceu, mas tem dificuldades para separar frequências que estão muito próximas, porque uma fatia curta de sinal simplesmente não contém ciclos de oscilação suficientes para medir a frequência com detalhes finos.

Essa é uma versão do princípio da incerteza que governa toda a análise de tempo-frequência: você não pode alcançar a resolução perfeita tanto no tempo quanto na frequência ao mesmo tempo. Melhorar um sempre traz algum custo para o outro. Reconhecer esse compromisso, em vez de tentar derrotá-lo, é a habilidade principal ao trabalhar com a STFT.

Como os diferentes ritmos do EEG oscilam em velocidades muito diferentes, nenhum comprimento de janela único funciona bem para todos eles. As diretrizes a seguir são heurísticas práticas iniciais baseadas no comportamento habitual desses ritmos:

• Ondas delta (aproximadamente 0,5 a 4 Hz): Estes são os ritmos cerebrais mais lentos, e a janela precisa ser longa o suficiente, frequentemente na faixa de 1 a 2 segundos, para capturar pelo menos um ciclo completo da onda mais lenta medida. Uma janela mais curta simplesmente não conterá o suficiente da onda para caracterizá-la.

• Ritmos theta e alfa (aproximadamente 4 a 13 Hz): Uma janela intermediária, frequentemente em torno de 500 milissegundos, tende a atingir um equilíbrio viável. É longa o suficiente para capturar vários ciclos de oscilação, o que ajuda a definir o ritmo claramente, enquanto ainda é curta o suficiente para rastrear mudanças significativas, como o início de um surto de alfa quando os olhos se fecham.

• Ritmos beta e gama (acima de aproximadamente 13 Hz): Esses ritmos mais rápidos se movem rapidamente, de modo que uma janela curta, frequentemente de 250 milissegundos ou menos, torna-se necessária para rastrear sua dinâmica rápida. O custo aqui é uma menor capacidade de discriminar com precisão entre frequências muito próximas dentro da faixa gama mais alta, uma consequência direta do mesmo compromisso descrito acima.

Como a STFT Revela Diferenças Entre Movimento Real e Imaginado

O valor prático da STFT torna-se mais claro na pesquisa de interface cérebro-computador (BCI), onde o objetivo é traduzir a atividade cerebral diretamente em sinais de controle para um dispositivo.

Um exemplo bem estudado envolve a comparação do EEG gravado enquanto uma pessoa imagina mover uma mão em relação ao EEG gravado ao imaginar um movimento do pé, ou comparar ações imaginadas com a versão física real dessa ação.

Nesses paradigmas relacionados ao movimento, um alvo comum de análise é o fenômeno chamado dessincronização relacionada a eventos, ou ERD, uma queda na potência do sinal dentro das faixas de ritmo mu e beta sobre regiões do cérebro associadas ao movimento. Como a ERD é uma queda de energia específica e sincronizada no tempo, e não uma característica constante de fundo, é exatamente o tipo de evento que um resumo de frequência de gravação inteira apagaria e que um espectrograma resolvido no tempo pode capturar.

O estudo científico de Zabidi et al. aplicando a STFT diretamente a esta questão examinou o EEG coletado durante a escrita real e durante a escrita imaginada. O sinal passou primeiro por um filtro passa-banda que restringiu a análise para a faixa de 8 a 30 Hz, cobrindo os ritmos alfa e beta mais relevantes para a atividade motora, antes que a STFT fosse calculada com uma janela de Hamming ajustada.

O resultado foi uma descoberta direta e específica: “os componentes de frequência dos sinais de EEG obtidos a partir da escrita são os mesmos obtidos durante a escrita imaginada”.

Em termos práticos, o padrão de ritmo elétrico do cérebro durante uma ação imaginada assemelhava-se de perto ao padrão durante a ação física real, uma correlação que fundamenta grande parte da lógica por trás de sistemas BCI que visam detectar o movimento pretendido sem exigir qualquer movimento físico real.

Usando a STFT para Construir Imagens para Modelos de Deep Learning

Além da inspeção visual, os espectrogramas gerados pela STFT encontraram uma segunda vida como uma etapa de pré-processamento que alimenta sistemas de deep learning, especificamente as Redes Neurais Convolucionais (CNNs), um tipo de modelo originalmente construído para reconhecer padrões em imagens. Como um espectrograma é essencialmente uma imagem colorida mostrando potência ao longo do tempo e da frequência, os pesquisadores acreditam que ele pode ser fornecido diretamente a um modelo de deep learning baseado em imagem, que pode então detectar estruturas ocultas nos dados difíceis de especificar manualmente.

Um estudo de 2019 transformou gravações de EEG de uma tarefa de imaginação motora, distinguindo movimento da mão direita do pé direito, em imagens usando tanto a STFT quanto uma abordagem de tempo-frequência alternativa, e então alimentou ambos os conjuntos de imagens em uma arquitetura de CNN pré-treinada.

O desempenho em ambas as abordagens foi robusto, com o pipeline geral alcançando 99.35% de precisão de classificação, descrito como a melhor pontuação entre os métodos comparáveis existentes. No entanto, quando os dois métodos de geração de imagem foram comparados diretamente entre si no mesmo estudo, os resultados não foram iguais: “a abordagem CWT gera melhores resultados do que a abordagem STFT”, apontando para um compromisso real e medido na forma como cada método traduziu o sinal de EEG subjacente em uma imagem utilizável.

Este compromisso foi supostamente o problema motivador para um desenvolvimento metodológico separado. Os pesquisadores criaram o que chamaram de ancorado-STFT, descrito como “uma versão avançada da STFT, pois minimiza o compromisso entre resolução temporal e espectral apresentado pela STFT”.

Combinado com um método de aumento de dados adversário, esse pipeline aprimorado registrou precisões de classificação que variaram de cerca de 69% a mais de 90% em vários conjuntos de dados de BCI, reforçando o padrão de que a STFT comum pode servir como uma ferramenta de extração de características genuinamente capaz, mas cujas limitações conhecidas de resolução criam espaço para refinamento, seja por meio do ajuste de parâmetros, de uma versão aprimorada da própria técnica ou de uma abordagem de tempo-frequência inteiramente diferente.

Quando a STFT Falha: O Problema da Resolução Fixa

O compromisso discutido acima é a limitação central que qualquer pesquisador que usa a STFT precisa avaliar criticamente antes de tirar conclusões de um espectrograma.

Uma vez escolhido o comprimento da janela, por exemplo, 500 milissegundos, essa mesma janela é aplicada uniformemente em todo o espectro de frequência analisado, quer o pesquisador esteja olhando para atividades lentas de delta de 2 Hz ou atividades rápidas de gama de 100 Hz. A janela não se ajusta sozinha. O compromisso tempo-frequência descrito anteriormente fica travado em uma única configuração para toda a análise, mesmo que ritmos diferentes se beneficiassem idealmente de configurações diferentes.

Essa natureza fixa é precisamente o que separa a STFT de uma categoria de técnicas adaptativas, tais como os métodos baseados em wavelets. Em vez de travar um único tamanho de janela para cada frequência, os métodos adaptativos usam de forma eficaz janelas mais longas para frequências mais baixas e janelas mais curtas para frequências mais altas, ajustando a resolução conforme necessário em uma única análise em vez de se comprometerem com apenas uma solução intermediária para todo o sinal.

Por exemplo, um estudo liderado por Wang et al. que desenvolveu um método de tempo-frequência adaptativo relatou que sua abordagem “pode fornecer uma resolução ideal de tempo-frequência se comparada à STFT e CWT”, apontando explicitamente a STFT como a base de referência que estava sendo superada.

Em uma aplicação clínica separada predizendo resultados de tratamento antidepressivo no Transtorno Depressivo Maior a partir de dados de EEG pré-tratamento, os pesquisadores compararam uma abordagem baseada em wavelets diretamente com a STFT e com outro método de decomposição, e relataram que “a análise WT mostrou a maior precisão de classificação” entre as técnicas comparadas, atingindo 87.5% de precisão em comparação com as alternativas.

Um Fluxo de Trabalho Passo a Passo para Gerar e Avaliar um Espectrograma de EEG

Considerando esses pontos fortes e limitações, um fluxo de trabalho disciplinado ajuda a garantir que a STFT seja aplicada de forma adequada e que seu resultado seja interpretado de forma honesta.

Passo 1: Defina a pergunta antes de tocar nos dados. O objetivo é detectar um surto rápido e breve de gama ou rastrear um desvio lento na potência de delta ao longo de minutos? A resposta determina qual extremo do compromisso do comprimento da janela é o mais importante.

Passo 2: Selecione o comprimento inicial da janela correspondente ao ritmo-alvo. Use as diretrizes práticas acima como ponto de partida: janelas mais longas para delta, janelas intermediárias para theta e alfa, janelas mais curtas para beta e gama. Combine isso com um esquema de janelas sobrepostas, normalmente entre 50% e 90% de sobreposição entre janelas consecutivas, o que suaviza o espectrograma resultante e reduz o aparecimento de lacunas artificiais entre as fatias de tempo.

Passo 3: Gere o espectrograma e inspecione-o criticamente. O comprimento da janela escolhido mostra um início claro e nítido para um ritmo rápido de interesse, ou o evento parece borrado ao longo de um intervalo de tempo maior do que deveria? O espectrograma pode distinguir claramente um pico de alfa de um pico vizinho de theta, ou os dois ritmos se fundem? Essas verificações visuais são um teste prático e direto para saber se o comprimento da janela escolhido foi adequado aos dados.

Passo 4: Trate o resultado como apenas uma visão entre várias visões possíveis, não como um veredito final. Uma descoberta negativa, como nenhuma diferença mensurável de gama entre dois grupos experimentais, pode refletir uma ausência real de efeito, ou pode simplesmente refletir os limites de resolução da janela específica da STFT escolhida. Um próximo passo razoável para confirmar uma descoberta ambígua ou importante é analisar novamente os mesmos dados usando um método adaptativo como verificação cruzada.

Por que Rastrear Quando os Ritmos Cerebrais Disparam Revela Novos Insights

A atividade cerebral é uma sequência de eventos cronometrados, e recuperar essa temporização transforma uma gravação plana em um relato em tempo real de estados mentais em mudança. Ao passar de um único resumo de frequência para um mapa momento a momento, os pesquisadores podem conectar pensamentos, intenções ou sensações específicas diretamente aos ritmos cerebrais que os acompanham. Essa mudança é o que transforma o EEG de uma medição estática em uma ferramenta que pode suportar interfaces cérebro-computador e alimentar modelos de deep learning que aprendem a reconhecer padrões mentais.

O compromisso de resolução fixa do método traz uma lição mais ampla: toda escolha analítica destaca algumas verdades enquanto potencialmente obscurece outras, de modo que nenhum resultado único conta toda a história. Isso exige uma verificação cruzada com outras abordagens quando as descobertas são importantes, e reforça que os padrões elétricos do cérebro — como a forte semelhança observada entre o movimento imaginado e o real — são profundamente estratificados. Essa similaridade subjacente apoia a ideia de que o cérebro ensaia ações usando muitas das mesmas assinaturas rítmicas aplicadas para executá-las.

Referências

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. In 2012 international conference on system engineering and technology (ICSET) (pp. 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

Perguntas Frequentes

O que é a Transformada de Fourier de Tempo Curto na análise de EEG?

A Transformada de Fourier de Tempo Curto (STFT) divide o sinal de EEG bruto em janelas de tempo curtas e consecutivas e calcula um espectro de frequência para cada uma. Empilhar esses retratos em ordem cria uma imagem em movimento, chamada espectrograma, que mostra como a potência de diferentes ritmos cerebrais muda de momento a momento.

Por que não posso usar apenas uma Transformada de Fourier regular em uma gravação de EEG?

Uma Transformada de Fourier básica decompõe a gravação inteira em suas frequências componentes, mas apaga todas as informações de tempo, de modo que você sabe quais ritmos estavam presentes no geral, mas não quando eles apareceram. A STFT recupera essa temporização analisando segmentos curtos separadamente, permitindo que você veja quando uma explosão de alfa ou uma queda na potência de beta realmente ocorreu.

O que mostra um espectrograma?

Um espectrograma é um mapa visual com o tempo em um eixo, a frequência no outro, e a cor ou o brilho representando a potência de cada frequência naquele instante. Ele transforma o EEG de um resumo plano em algo parecido com uma partitura musical da atividade elétrica do cérebro.

Por que o comprimento da janela importa tanto?

Janelas mais longas fornecem informações precisas de frequência, mas borram a temporização exata dos eventos, enquanto janelas mais curtas identificam bem a temporização, mas misturam frequências muito próximas. Esse compromisso inevitável significa que a escolha do comprimento da janela molda diretamente o que um espectrograma pode revelar e o que ele irá esconder.

Quais comprimentos de janela são um bom ponto de partida para os diferentes ritmos cerebrais?

Para ritmos delta muito lentos, uma janela mais longa de cerca de um a dois segundos é necessária para capturar ciclos completos. Os ritmos theta e alfa são frequentemente bem atendidos por uma janela de cerca de meio segundo, e ritmos beta e gama mais rápidos exigem janelas mais curtas de cerca de um quarto de segundo ou menos para rastrear suas mudanças rápidas.

Como a STFT pode revelar semelhanças entre movimento real e imaginado?

A STFT captura quedas de potência sincronizadas no tempo chamadas de dessincronização relacionada a eventos nas bandas mu e beta, que ocorrem tanto quando uma pessoa se move quanto quando imagina mentalmente o mesmo movimento. Espectrogramas de tarefas motoras reais e imaginadas podem mostrar padrões de frequência quase idênticos, apoiando a lógica das interfaces cérebro-computador.

A STFT pode ser usada com modelos de deep learning?

Sim, as imagens de espectrograma geradas pela STFT podem ser alimentadas diretamente em redes neurais convolucionais projetadas para o reconhecimento de imagens. Esses modelos podem aprender a distinguir estados cerebrais a partir de padrões de tempo-frequência, alcançando frequentemente uma precisão de classificação muito alta em tarefas como a detecção de imaginação motora.

Qual é a principal limitação da STFT em comparação com outros métodos de tempo-frequência?

A STFT determina um tamanho de janela único para todas as frequências, o que significa que não pode fornecer simultaneamente detalhes temporais nítidos para surtos rápidos e detalhes precisos de frequência para ondas lentas. Técnicas adaptativas, como as wavelets, variam o comprimento efetivo da janela conforme a frequência, o que muitas vezes leva a uma melhor resolução e a um maior desempenho de classificação em comparações diretas.

Qual é uma boa abordagem passo a passo ao usar a STFT em dados de EEG?

Comece correspondendo o comprimento da janela inicial ao ritmo com o qual você se importa, use janelas sobrepostas para suavizar o espectrograma e inspecione o resultado para ver se os eventos parecem cronometrados com nitidez ou borrados. Se a descoberta for crítica, considere realizar uma verificação cruzada dos dados com um método adaptativo, pois uma única configuração de STFT pode favorecer apenas um tipo de resolução.