1. บทนำ

ยินดีต้อนรับ! ในบทช่วยสอนนี้ เรากำลังเรียนรู้เกี่ยวกับคลื่นสมอง และวิธีที่เราสามารถใช้คลื่นสมองเพื่อทำความเข้าใจสมองและพฤติกรรม

Hans Berger บัญญัติคำว่า electroencephalogram (คลื่นไฟฟ้าสมอง) ในปี 1929 เมื่อเขาอธิบายการเปลี่ยนแปลงของศักย์ไฟฟ้าที่บันทึกโดยใช้เซ็นเซอร์ที่ติดไว้บนศีรษะของมนุษย์ เขาได้ระบุคลื่นสมองสองประเภท ซึ่งเขาเรียกว่าคลื่นอัลฟ่าและคลื่นเบต้า เพียงเพราะลำดับที่บันทึก คลื่นดังกล่าวเคยได้รับการบันทึกในสัตว์เลี้ยงลูกด้วยนมชนิดอื่นแล้ว แต่ Berger เป็นคนแรกที่อธิบายการค้นพบนี้ในมนุษย์!

ตั้งแต่นั้นมา วิธีการตรวจคลื่นไฟฟ้าสมองได้กลายเป็นเครื่องมือสำคัญในสาขาประสาทวิทยาศาสตร์ และช่วยพัฒนาความเข้าใจของเราเกี่ยวกับคลื่นสมอง (ซึ่งนักวิจัยเรียกว่า การแกว่งตัวของสัญญาณประสาท หรือ neural oscillations) รวมทั้งช่วยระบุสถานะต่างๆ ของสมอง เช่น ความเหนื่อยล้าและความตื่นตัว

ในบทช่วยสอนสั้นๆ นี้ เราจะครอบคลุมเนื้อหาดังต่อไปนี้:

• การแกว่งตัวของสัญญาณประสาทคืออะไร?

• เราจะวัดการแกว่งตัวของสัญญาณประสาทได้อย่างไร?

• เราสามารถทำอะไรกับการแกว่งตัวของสัญญาณประสาทได้บ้าง?

• การประยุกต์ใช้งานจริงโดยใช้อุปกรณ์และซอฟต์แวร์ของ Emotiv

2. EEG คืออะไร?

Electroencephalography (EEG) คือวิธีการวัดกิจกรรมทางไฟฟ้าของสมองแบบไม่ลุกล้ำและไม่ต้องใช้การกระตุ้น (passive) โดยจะมีการวางขั้วไฟฟ้า/เซ็นเซอร์/ช่องสัญญาณ (Electrodes/sensors/channels) ไว้บนหนังศีรษะเพื่อบันทึกกิจกรรมทางไฟฟ้าที่สร้างขึ้นโดยกลุ่มเซลล์สมองที่เรียกว่า นิวรอน (neurons)

รูปที่ 1 – นิวรอนผลิตกิจกรรมทางไฟฟ้าที่สามารถตรวจจับได้ด้วยอุปกรณ์ EEG [Siuly, et al. (2016)]

2.1. ระบบ EEG

มีอุปกรณ์ EEG มากมายในท้องตลาดที่สามารถใช้เพื่อบันทึกสัญญาณ EEG ได้ อุปกรณ์ EEG มีรูปลักษณะและคุณสมบัติแตกต่างกันไป ตั้งแต่:

• มีเซ็นเซอร์เดี่ยวไปจนถึงขั้วไฟฟ้า 256 ขั้ว – ขั้วไฟฟ้าที่มากขึ้นจะช่วยให้ได้ความละเอียดเชิงพื้นที่ของข้อมูลทั่วหนังศีรษะที่สูงขึ้น

• ขั้วไฟฟ้าแบบเปียกหรือแบบแห้ง – ขั้วไฟฟ้าแบบเปียกจะใช้เจลนำไฟฟ้าหรือน้ำเกลือเพื่อเพิ่มการนำไฟฟ้าระหว่างหนังศีรษะและเซ็นเซอร์ ส่วนขั้วไฟฟ้าแบบแห้งอาจเป็นโลหะหรือโพลิเมอร์นำไฟฟ้าที่ต้องสัมผัสโดยตรงกับหนังศีรษะ

• ขั้วไฟฟ้าแบบแอ็กทีฟหรือแพสซีฟ – ระบบขั้วไฟฟ้าแบบแพสซีฟจะนำสัญญาณไปยังอุปกรณ์เพื่อทำการขยายสัญญาณเท่านั้น ส่วนระบบขั้วไฟฟ้าแบบแอ็กทีฟจะขยายสัญญาณที่แต่ละขั้วไฟฟ้าก่อนที่จะส่งไปยังอุปกรณ์เพื่อขยายสัญญาณอีกครั้ง วิธีนี้ช่วยลดสัญญาณรบกวนทางไฟฟ้าจากสิ่งแวดล้อมที่เข้ามาในสัญญาณจริง

• อุปกรณ์แบบมีสายหรือไร้สายซึ่งส่งข้อมูลผ่านบลูทูธ

รูปที่ 2 – ระบบ EEG ไร้สายความหนาแน่นต่ำ (low density)

รูปที่ 3 – ระบบ EEG แบบมีสายและใช้ขั้วไฟฟ้าความหนาแน่นสูง (high density)

2.2. ควรใช้ EEG เมื่อใด?

วิธีการถ่ายภาพระบบประสาทแต่ละวิธีสามารถช่วยตอบคำถามการวิจัยที่แตกต่างกันได้

จุดแข็งที่สุดของ EEG คือสามารถวัดกิจกรรมของประสาทได้ในระดับมิลลิวินาที ซึ่งสามารถวัดกระบวนการก่อนการรับรู้ในส่วนจิตใต้สำนึก (pre-conscious processes) ได้

รูปที่ 4 – การเปรียบเทียบความละเอียดเชิงพื้นที่ (spatial) กับเชิงเวลา (temporal) ของเครื่องมือถ่ายภาพระบบประสาทประเภทต่างๆ

วิธีนี้เหมาะที่สุดสำหรับคำถามเช่น “ผู้เข้าร่วมให้ความสนใจกับส่วนใดของวิดีโอของฉันมากที่สุด?”

EEG จะบันทึกกิจกรรมส่วนใหญ่จากสมองส่วนนอก (เช่น มีความละเอียดเชิงพื้นที่ต่ำ) หากใช้เซ็นเซอร์เพียงตัวเดียว จะไม่สามารถระบุแหล่งที่มาของกิจกรรมได้ การบันทึกด้วยช่องสัญญาณจำนวนมากช่วยให้สามารถสร้างแหล่งที่มาขึ้นใหม่ได้ด้วยวิธีการทางคณิตศาสตร์ แต่ก็ยังคงมีข้อจำกัดในการระบุแหล่งที่มาในสมองส่วนลึก การสร้างภาพด้วยเรโซแนนซ์แม่เหล็กแบบฟังก์ชัน (fMRI) จึงเหมาะสมกว่าในการตอบคำถามเช่น “สมองส่วนใดที่เกี่ยวข้องกับการเปลี่ยนแปลงของความสนใจ?”

2.3. จากเซ็นเซอร์สู่สัญญาณ EEG ดิบ?

เมื่อติดตั้งอุปกรณ์ EEG บนศีรษะแล้ว กิจกรรมทางสมองจะถูกวัดที่เซ็นเซอร์เดี่ยวเป็นค่าความต่างของแอมพลิจูดระหว่างเซ็นเซอร์นั้นกับเซ็นเซอร์อ้างอิง ในระบบ EEG ส่วนใหญ่จะเรียกว่า common mode sense (CMS) electrode และมีเซ็นเซอร์เพิ่มเติมที่เรียกว่า driven right leg (DRL) ที่ช่วยลดสัญญาณรบกวนที่ CMS

รูปที่ 5 – แผนภาพบล็อกแบบย่อของการส่งสัญญาณ EEG

ในระบบที่มีทั้งขั้วไฟฟ้าแบบแอ็กทีฟและแพสซีฟ สัญญาณจะถูกขยายและกรองผ่านตัวกรองความถี่ต่ำ (low-pass filter) การกรองความถี่ต่ำเป็นขั้นตอนที่จะช่วยขจัดสัญญาณรบกวนทางไฟฟ้าที่อาจเกิดขึ้นจากสิ่งแวดล้อมในสัญญาณของคุณ เช่น สายไฟฟ้าหลัก

ขั้นตอนเหล่านี้เกิดขึ้นในตัวฮาร์ดแวร์เองก่อนที่จะสามารถดูสัญญาณ EEG ดิบได้บนหน้าจอคอมพิวเตอร์ของคุณ

2.4. คำศัพท์พื้นฐานบางประการ

ระบบการเรียกชื่อมาตรฐาน 10-20

เซ็นเซอร์ด้านซ้ายมักจะใช้เลขคี่ และเซ็นเซอร์ด้านขวามักจะใช้เลขคู่

หมายเหตุ 1: นี่เป็นเพียงข้อตกลงในการตั้งชื่อเท่านั้น และแหล่งที่ตั้งของเซ็นเซอร์ EEG ไม่ได้เป็นสิ่งบ่งชี้ถึงแหล่งที่มาของกิจกรรมทางสมอง

หมายเหตุ 2: ต้องมีขั้นตอนเพิ่มเติม เช่น การสร้างแหล่งที่มาขึ้นใหม่ทางคณิตศาสตร์ เพื่อระบุแหล่งที่มาของกิจกรรมในแต่ละช่องสัญญาณเดี่ยว

3. การแกว่งตัวของสัญญาณประสาทคืออะไร?

คลื่นสมอง หรือที่มักเรียกว่า การแกว่งตัวของสัญญาณประสาท (neural oscillations) คือรูปแบบจังหวะที่สร้างขึ้นโดยนิวรอนตัวเดียวหรือกลุ่มนิวรอน

ยังไม่เป็นที่แน่ชัดว่าทำไมสมองจึงสร้างการแกว่งตัวในรูปแบบต่างๆ เหล่านี้ แม้ว่าจะมีการตั้งทฤษฎีไว้มากมาย นักวิจัยใช้งานรูปแบบต่างๆ เพื่อจำแนกลักษณะกิจกรรมการแกว่งตัวเหล่านี้ และมุ่งหวังที่จะทำความเข้าใจความลึกลับของสมองโดยใช้รูปแบบจังหวะเหล่านี้

3.1. คุณสมบัติบางประการของการแกว่งตัว

รูปนี้แสดงการวัดสัญญาณไฟฟ้าปกติ:

รูปที่ 6 – การเปรียบเทียบความละเอียดเชิงพื้นที่กับเชิงเวลาของเครื่องมือถ่ายภาพระบบประสาทประเภทต่างๆ

ทางด้านซ้าย (แกน y) เราสามารถพล็อตกราฟแอมพลิจูดของการบันทึกค่าไฟฟ้า และบนแกนนอน (แกน x) คือเวลา แอมพลิจูดของสัญญาณจะแตกต่างกันในด้านขนาดอย่างเป็นระเบียบรอบจุดศูนย์กลาง หนึ่งรอบคลื่นจะเรียกว่าการแกว่งตัว (oscillation)

จำนวนรอบต่อวินาทีเรียกว่า ความถี่ (frequency) ของคลื่น และมีหน่วยเป็น เฮิรตซ์ (Hz) ดังนั้น 1 รอบต่อวินาที = 1 Hz โดยทั่วไปแอมพลิจูดจะวัดในหน่วยไมโครโวลต์ (µV)

ในสมอง เราจะเห็นคลื่นที่มีความถี่ตั้งแต่ 0.2 Hz (คลื่นที่ช้ามาก) ไปจนถึง 80 Hz หรือมากกว่านั้น (คลื่นที่เร็วมาก) นอกจากนี้ยังสามารถบันทึกกิจกรรมความถี่สูงได้ถึง 500 Hz ในสมอง ซึ่งเกี่ยวข้องกับอาการชัก

การแกว่งตัวของสมองประเภทต่างๆ จะถูกจำแนกตามความถี่ คลื่นเหล่านี้เรียกว่า ย่านความถี่ (frequency bands) และมีความเกี่ยวข้องกับสภาวะของสมองที่แตกต่างกัน:

รูปที่ 7 – คลื่นสมองในแบบบันทึก EEG ทั่วไป

3.2. ทำไมย่านความถี่ที่แตกต่างกันจึงมีความสำคัญ?

1. การระบุรูปแบบของสมองที่ปกติและผิดปกติ
   การแกว่งตัวของสัญญาณประสาทมีความสำคัญต่อการตรวจจับอาการชักและการวินิจฉัยโรคโรคลมบ้าหมูในวิชาประสาทวิทยา

2. อินเตอร์เฟซระหวา่งสมองกับคอมพิวเตอร์ (BCI)
   สัดส่วนของการแกว่งตัวของคลื่นเบต้า, แกมมา, และมิว มักถูกนำมาใช้เพื่อฝึกฝนอุปกรณ์ควบคุมระยะไกล (เช่น การบังคับรถเข็นไฟฟ้าด้วยความคิด)

3. การป้อนกลับทางชีวภาพของคลื่นสมอง (Neurofeedback)
   นี่คือรูปแบบการฝึกสมองที่คุณสามารถดูคลื่นสมองของตัวเองได้ (เช่น การแกว่งตัวของคลื่นแกมมา) และทำกิจกรรมที่ต้องใช้พุทธิปัญญาเพื่อปรับปรุงปริมาณการแกว่งตัวของคลื่นแกมมาในสมองของคุณ

4. การตลาดประสาทวิทยา (Neuromarketing)
   ย่านความถี่อัลฟ่าและเบต้าสามารถนำมาใช้เพื่อกำหนดว่าส่วนใดของโฆษณาที่ดึงดูดใจผู้ใช้ได้มากกว่าหรือน้อยกว่า

3.3. ประเภทของการวิเคราะห์ข้อมูล EEG

โดยทั่วไปนักวิจัยมักจะทำการวิเคราะห์ในโดเมนเวลา (time domain) หรือโดเมนความถี่ (frequency domain)

1. การวิเคราะห์โดเมนเวลา (Time domain analysis)

   โดยทั่วไปจะวัดแอมพลิจูดของแรงดันไฟฟ้า ณ จุดเวลาที่สนใจหลังจากการเริ่มได้รับการกระตุ้น สิ่งเหล่านี้เรียกว่า ศักย์ไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (event-related potentials หรือ ERPs)

2. การวิเคราะห์โดเมนความถี่ (Frequency domain analysis)

   โดยทั่วไปจะวัดปริมาณการแกว่งตัวของสัญญาณประสาทในย่านความถี่ต่างๆ ในกรอบเวลาที่กำหนด หรือเกี่ยวข้องกับการเริ่มต้นของเหตุการณ์

ถัดไป เราจะนำเสนอภาพรวมของการวิเคราะห์โดเมนความถี่

3.4. การประมวลผล

เมื่อคุณบันทึกสัญญาณ EEG แล้ว โดยทั่วไปคุณจะต้องล้างข้อมูลให้สะอาดก่อนที่จะทำความเข้าใจกับการแกว่งตัว

1. การกรองสัญญาณ (Filtering)
   เทคนิคในการขจัดสัญญาณรบกวนทางสิ่งแวดล้อมที่มีความถี่สูงและต่ำในข้อมูล

2. การขจัดสัญญาณรบกวนจำลอง (Artefact Removal)
   การเคลื่อนไหวทางร่างกาย การกระพริบตา ล้วนทำให้เกิดสัญญาณรบกวนจำลองขนาดใหญ่ได้ (ยอดคลื่น > 50 µV ในคลื่น EEG) สิ่งเหล่านี้สามารถขจัดออกไปเพื่อไม่ให้ส่งผลกระทบต่อผลลัพธ์ของเรา นักวิจัยบางคนใช้วิธีการที่ซับซ้อนในการแก้ไขสัญญาณรบกวนจำลองเหล่านี้เพื่อรักษาความสมบูรณ์ของข้อมูลไว้

หลังจากประมวลผลข้อมูลแล้ว สัญญาณจะสามารถแปลงเป็นโดเมนความถี่ได้เพื่อที่เราจะได้ระบุปริมาณของคลื่นสมองแต่ละประเภท

รูปที่ 8 – สัญญาณรบกวนจำลองจากการกะพริบตาในสัญญาณ EEG ดิบ

3.5. Fast Fourier Transform (FFT)

การแปลงฟูริเยร์ (Fourier transform) คือการแปลงทางคณิตศาสตร์ของสัญญาณ EEG จาก 'โดเมนเวลา' (ภาพ A) ไปเป็น 'โดเมนความถี่' (ภาพ B)

ในโดเมนความถี่ เราสามารถวัดได้ว่ามีการแกว่งตัวในแต่ละประเภทมากน้อยเพียงใดในการบันทึกของเรา โดยทั่วไปสิ่งนี้คือ 'พลังงาน' (power) ของย่านความถี่และสามารถแสดงเป็นสเปกตรัมพลังงาน (Power spectrum) ได้ (ภาพ B)

รูปที่ 9A – สัญญาณ EEG ดิบในโดเมนเวลา

รูปที่ 9B – สเปกตรัมพลังงานหลังจากแปลง FFT (โดเมนความถี่)

3.6. กำลังของย่านความถี่ (Band Power)

กำลังของย่านความถี่ (เช่น คลื่นอัลฟ่า) ที่ได้จากการแปลงฟูริเยร์จะบอกเราว่ามีย่านความถี่แต่ละย่านอยู่เท่าใด หน่วยกำลังของย่านความถี่โดยทั่วไปคือ µV2/Hz และส่วนใหญ่แล้ว แอมพลิจูดหรือสเปกตรัมพลังงานจาก FFT จะแสดงในหน่วยลอการิทึมเดซิเบล (dB) เดซิเบลเป็นหน่วยของอัตราส่วนระหว่างกำลังที่วัดได้ (P) และกำลังอ้างอิง (Pr) ดังนี้:

เมื่อได้หน่วยของการวัดนี้สำหรับเหตุการณ์ที่สนใจแล้ว จะสามารถเปรียบเทียบกำลังของย่านความถี่เหล่านั้นเพื่อทำความเข้าใจผลกระทบจากการทดลองที่มีต่อคลื่นสมองได้

4. จากทฤษฎีสู่การปฏิบัติ

ถัดไป เราจะมาดูผลของการกดคลื่นอัลฟ่า (alpha suppression effect)

นี่คือปรากฏการณ์ที่รายงานครั้งแรกโดย Hans Berger ซึ่งเราจะเห็นการลดลงอย่างมีนัยสำคัญของปริมาณการแกว่งตัวของคลื่นอัลฟ่า (กำลังของคลื่นอัลฟ่า) เมื่อมีคนลืมตาขึ้นเปรียบเทียบกับตอนที่หลับตา

รูปที่ 10 – การแกว่งตัวของคลื่นอัลฟ่าเพิ่มขึ้นเมื่อหลับตาลง

ขั้นตอนแรกคือการสร้างการทดลองแบบง่ายๆ โดยใช้ EmotivPRO Builder ในการทดลองนี้ ผู้เข้าร่วมจะถูกขอให้ลืมตาค้างไว้เป็นเวลา 2 นาทีขณะจดจ่ออยู่กับหน้าจอ จากนั้นจึงหลับตาเป็นเวลา 2 นาที พวกเขาจะได้ยินเสียงกระดิ่งเมื่อสิ้นสุดเวลา 2 นาทีเพื่อส่งสัญญาณให้ลืมตาขึ้น

คุณสามารถทำตามวิดีโอด้านล่างนี้เพื่อสร้างการทดลองการกดคลื่นอัลฟ่าของคุณเอง หรือคุณสามารถรันการทดลองของเราได้จากลิงก์ที่นี่:

4.1. การสวมใส่อุปกรณ์และคุณภาพของคลื่นสมอง (EEG)

อ่านเพิ่มเติมเกี่ยวกับการทำงานของเกต EQ ของเราได้ที่นี่ ดูข้อมูลเพิ่มเติมเกี่ยวกับการสวมใส่อุปกรณ์เฉพาะสำหรับชุดหูฟังของคุณได้ที่นี่:

• ประเภท EPOC

• ประเภท Insight

4.2. การประมวลผลและการแปลงข้อมูล EEG

ตอนนี้คุณมีข้อมูลแล้ว คุณสามารถแปลงข้อมูลเป็นโดเมนความถี่ได้โดยใช้ Emotiv Analyzer ทำตามขั้นตอนในวิดีโอ

4.3. การแปลผลข้อมูล

เมื่อ Analyzer ทำงานเสร็จสิ้นแล้ว ให้ดาวน์โหลดไฟล์ zip สำหรับการบันทึกแต่ละครั้ง คุณจะมีไฟล์ csv ที่ระบุกำลังย่านความถี่ (band powers) และไฟล์รูปภาพที่คุณสามารถนำไปใช้รันการวิเคราะห์ทางสถิติของคุณเองได้

รูปที่ 11 – กำลังของย่านความถี่ (Bandpowers)

ในผลลัพธ์ของเรา เราจะเห็นกำลังของคลื่นอัลฟ่าเพิ่มขึ้นเมื่อหลับตา (สีส้ม) เปรียบเทียบกับตอนลืมตา (สีน้ำเงิน)

นี่คือจุดสิ้นสุดของบทช่วยสอนของเรา! ตอนนี้คุณพร้อมแล้วด้วยความรู้พื้นฐาน 🙂

คุณสามารถค้นหาลิงก์สำหรับการอ่านข้อมูลขั้นสูงเพิ่มเติมได้ในส่วนของทรัพยากรข้อมูล

5. ทรัพยากรข้อมูล

การอ่านขั้นสูง

Donoghue et al. 2022 ข้อพิจารณาทางระเบียบวิธีสำหรับการศึกษาการแกว่งตัวของสัญญาณประสาท

อภิธานศัพท์คำศัพท์ EEG

Kane et al. 2017 (ที่นี่)

รหัสโอเพ่นซอร์ส

หากคุณคุ้นเคยกับการเขียนโค้ดด้วย python เราได้เตรียมสคริปต์ python ไว้ให้ใช้งานเพื่อหาค่ากำลังของคลื่นอัลฟ่า ซึ่งติดป้ายกำกับตามช่วงลืมตาและหลับตา ค้นหาโค้ดและไฟล์ข้อมูลตัวอย่างของการทดลอง Alpha Suppression ได้ที่นี่: https://osf.io/9bvgh/

คู่มือ Emotiv

คู่มือ EmotivPRO Builder
คู่มือ EmotivPRO
คู่มือ EmotivPRO Analyzer

7. เอกสารอ้างอิง

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1