การประมวลผลสัญญาณไม่ต่อเนื่องทำหน้าที่เป็นคณิตศาสตร์พื้นฐานสำหรับการคำนวณสมัยใหม่ ช่วยให้สามารถวิเคราะห์ข้อมูลในโดเมนเวลา พื้นที่ และความถี่ได้ การทำความเข้าใจวิธีการเหล่านี้มีความสำคัญอย่างยิ่งต่อการจัดการข้อมูลดิจิทัลในสาขาวิชาทางวิทยาศาสตร์และเทคนิคต่างๆ รวมถึง EEG
Discrete Signal Processing คืออะไร?
การประมวลผลสัญญาณแบบดิสครีต (Discrete signal processing) เกี่ยวข้องกับการจัดการทางคณิตศาสตร์ของข้อมูลที่แสดงเป็นลำดับของตัวเลข การแปลงสัญญาณอนาล็อกในโลกแห่งความเป็นจริงให้อยู่ในรูปของตัวอย่างสัญญาณแบบต่อเนื่องนี้ ทำให้คอมพิวเตอร์สามารถทำการวิเคราะห์ที่ซับซ้อนซึ่งไม่สามารถทำได้ด้วยวงจรอนาล็อกแบบดั้งเดิม
ความแม่นยำและความสามารถในการทำซ้ำของการทำงานแบบดิจิทัลเหล่านี้ทำให้สิ่งนี้มีความจำเป็นอย่างยิ่งในสาขาต่างๆ ตั้งแต่การสร้างแบบจำลองสภาพภูมิอากาศไปจนถึงการประมวลผลสัญญาณ EEG สาขานี้จะกำหนดกฎเกณฑ์สำหรับวิธีการแปลงข้อมูลที่ต่อเนื่องให้เป็นข้อมูลแบบดิสครีต นำไปประมวลผล และท้ายที่สุดจะถูกสร้างขึ้นใหม่เพื่อให้มนุษย์หรือเครื่องจักรใช้งาน
การประมวลผลสัญญาณเวลาแบบดิสครีต เทียบกับ สัญญาณเวลาแบบต่อเนื่อง
สัญญาณเวลาแบบต่อเนื่องจะแปรผันอย่างราบรื่นและมีอยู่ทุกจุดในช่วงเวลาที่กำหนด ในขณะที่สัญญาณเวลาแบบดิสครีตจะถูกกำหนดเฉพาะจุดเฉพาะที่มีรอบระยะเวลาสม่ำเสมอเท่านั้น
การประมวลผลสัญญาณดิจิทัลอาศัยการแปลงระหว่างสองประเภทนี้ โดยมักใช้ฮาร์ดแวร์เพื่อเชื่อมประสานช่องว่างนี้ วิศวกรต้องจัดการการเปลี่ยนผ่านอย่างระมัดระวังเพื่อให้แน่ใจว่าลำดับของดิสครีตสะท้อนปรากฏการณ์ต่อเนื่องที่ซ่อนอยู่อย่างถูกต้องโดยไม่ทำให้เกิดข้อผิดพลาดจากการแฝง (aliasing) ที่เกิดขึ้นเมื่ออัตราการสุ่มตัวอย่างไม่เพียงพอที่จะจับการเปลี่ยนแปลงที่รวดเร็วที่สุดในสัญญาณ
การประมวลผลสัญญาณเวลาแบบต่อเนื่องของสัญญาณเวลาแบบดิสครีต: การสุ่มตัวอย่างและการสร้างใหม่
กระบวนการแปลงอิทธิพลแบบต่อเนื่องให้อยู่ในรูปแบบดิจิทัลต้องใช้เครื่องแปลงสัญญาณอนาล็อกเป็นดิจิทัล ซึ่งจะบันทึกความแรงของสัญญาณในระดับช่วงเวลาเวลาที่แม่นยำ เมื่อการประมวลผลเสร็จสิ้น ข้อมูลจะต้องกลับไปอยู่ในรูปแบบอนาล็อกเพื่อให้มนุษย์สามารถรับรู้ได้ ซึ่งทำได้โดยใช้ฟิลเตอร์สร้างสัญญาณใหม่ ฟิลเตอร์เหล่านี้จะช่วยปรับลักษณะที่เป็น "ขั้นบันได" ของข้อมูลตัวอย่างให้เป็นคลื่นต่อเนื่อง
การสร้างใหม่ที่มีประสิทธิภาพขึ้นอยู่กับการปฏิบัติตามทฤษฎีการสุ่มตัวอย่างของ Nyquist-Shannon ซึ่งกำหนดความถี่ต่ำสุดที่ระบบจะต้องตรวจวัดสัญญาณอินพุตเพื่อรักษาข้อมูลที่ถูกต้องทั้งหมดไว้
แนวคิดหลักในการประมวลผลสัญญาณแบบดิสครีต
การวิเคราะห์ดิจิทัลสมัยใหม่อาศัยชุดเครื่องมือทางคณิตศาสตร์ที่ออกแบบมาเพื่อสลาย จัดระเบียบใหม่ และตีความจุดข้อมูลอย่างมีประสิทธิภาพ แนวคิดเหล่านี้สร้างกรอบการทำงานให้วิศวกรสามารถจัดการได้ทุกอย่างตั้งแต่ชุดเซ็นเซอร์ขนาดใหญ่ไปจนถึงสัญญาณเสียงอินพุตแบบง่ายๆ
การเลือกวิธีการทางคณิตศาสตร์ที่ถูกต้องทำให้นักวิจัยสามารถลดภาระงานในการคำนวณลง พร้อมกับเพิ่มคุณภาพสัญญาณที่สังเกตได้ในผลลัพธ์ให้สูงสุดไปด้วย
การวิเคราะห์โดเมนความถี่: การแปลงฟูริเยร์แบบดิสครีตในการประมวลผลสัญญาณดิจิทัล
การแปลงฟูริเยร์แบบดิสครีต (Discrete Fourier Transform หรือ DFT) เป็นเทคนิคพื้นฐานที่เลื่อนลำดับข้อมูลอนุกรมเวลาใดๆ ให้เป็นส่วนประกอบความถี่ที่เป็นองค์ประกอบของมัน
การแปลงนี้ช่วยให้ผู้ใช้เห็นว่าความถี่ใดมีบทบาทเด่นในสัญญาณและสัญญาณใดที่ขาดหายไป ช่วยอำนวยความสะดวกในงานต่างๆ เช่น การวิเคราะห์ฮาร์มอนิกและการบีบอัดข้อมูล การดูสัญญาณในโดเมนสเปกตรัมทำให้นักปฏิบัติงานสามารถแยกเหตุการณ์เฉพาะที่อาจถูกบดบังอย่างสมบูรณ์เมื่อสังเกตเฉพาะลำดับเวลาเท่านั้น
การกรอง: การกำจัดหรือการปรับปรุงส่วนประกอบของสัญญาณ
การกรองช่วยให้สามารถดัดแปลงสัญญาณเฉพาะส่วนได้โดยการลดทอนความถี่ที่ไม่ต้องการในขณะที่ยอมให้ส่วนประกอบที่ต้องการผ่านไปได้ สามารถปรับจูนฟิลเตอร์ดิจิทัลอย่างละเอียดเพื่อกำจัดเสียงฟ่อความถี่สูง เสียงฮัมความถี่ต่ำ หรือการรบกวนตามรอบระยะเวลาเฉพาะที่มักเกิดกับการเก็บข้อมูลดิบได้
ตารางต่อไปนี้แสดงรายการประเภทฟิลเตอร์ทั่วไปที่ปรับแต่งมาเพื่อความต้องการในการทำงานเฉพาะภายในเวิร์กโฟลว์ดิจิทัล:
ประเภทฟิลเตอร์ | ฟังก์ชันการทำงานหลัก | การประยุกต์ใช้งานทั่วไป |
|---|---|---|
ความถี่ต่ำผ่าน (Low-pass) | บล็อกความถี่สูง | การลดสัญญาณรบกวน |
ความถี่สูงผ่าน (High-pass) | บล็อกความถี่ต่ำ | การกำจัดค่าระดับฐานเคลื่อน (Baseline drift) |
ช่วงความถี่ผ่าน (Band-pass) | กำหนดเป้าหมายช่วงเฉพาะ | การปรับปรุงสัญญาณเสียง |
การกำหนดค่าเหล่านี้แสดงถึงชุดเครื่องมือมาตรฐานที่มีอยู่ในระบบดิจิทัลส่วนใหญ่
สัญญาณสุ่มแบบดิสครีตและการประมวลผลสัญญาณเชิงสถิติ
การประมวลผลสัญญาณเชิงสถิติจะจัดการกับกรณีที่สัญญาณไม่ได้เป็นแบบกำหนดแน่นอน แต่แสดงให้เห็นถึงระดับความสุ่มที่แปรผันแทน การจัดการสัญญาณอินพุตเหล่านั้นเสมือนเป็นกระบวนการสุ่ม (stochastic processes) ทำให้นักวิเคราะห์สามารถกำหนดพฤติกรรมเฉลี่ยและความแปรปรวนของระบบได้ แม้จุดข้อมูลแต่ละจุดดูเหมือนว่าจะคาดเดาไม่ได้ก็ตาม
วิธีนี้มีความสำคัญอย่างยิ่งในการประมาณค่าเส้นทางสัญญาณในด้าน ประสาทวิทยาศาสตร์ (neuroscience) และการจัดการความไม่แน่นอนในสภาพแวดล้อมที่มีสัญญาณรบกวนสูง
การสังเลิกลูป (Convolution): การรวมสัญญาณ
การสังเลิกลูปเป็นวิธีการทางคณิตศาสตร์ที่เข้มงวดเพื่อระบุว่าผลลัพธ์ของระบบเปลี่ยนแปลงไปอย่างไรขึ้นอยู่กับอินพุตและการตอบสนองต่อแรงกระตุ้น (impulse response) เมื่อสัญญาณหนึ่งเกิดการสังเลิกลูปกับสัญญาณอื่น ผลลัพธ์ที่ได้จะแสดงให้เห็นว่าระบบแปลงรูปแบบคลื่นตกกระทบไปตามเวลาและพื้นที่อย่างไร
ขั้นตอนต่อไปนี้จะสรุปการนำเทคนิคการสังเลิกลูปไปใช้ในทางปฏิบัติ:
กลับลำดับสัญญาณที่สองในโดเมนเวลา
เลื่อนสัญญาณที่กลับลำดับแล้วผ่านสัญญาณแรก
คำนวณผลรวมอินทิกรัลหรือผลรวมของพื้นที่ที่ทับซ้อนกัน
ทำขั้นตอนคำนวณซ้ำสำหรับทุกๆ จุดตามแนวแกนเวลา
วิธีการที่เป็นระบบนี้ช่วยให้มั่นใจได้ว่าผลลัพธ์นั้นได้รับการสร้างแบบจำลองอย่างถูกต้องตามสัญศาสตร์เฉพาะตัวของระบบและข้อจำกัดในสภาพแวดล้อมเด่นๆ
การประยุกต์ใช้งานของการประมวลผลสัญญาณแบบดิสครีต
การประมวลผลสัญญาณแบบดิสครีตกำหนดประสิทธิผลของเครื่องจักรสมัยใหม่หลายชนิดที่มีการโต้ตอบกับโลกกายภาพ การนำอัลกอริทึมเหล่านี้ไปใช้ช่วยให้ นักพัฒนา มั่นใจได้ว่าข้อมูลที่มีความละเอียดอ่อนและสำคัญจะยังคงชัดเจนและแม่นยำ ไม่ว่าข้อมูลนั้นจะมาจากสะพานเครือข่ายหรือบันทึก EEG ของบุคคลก็ตาม
ความสามารถในการปรับเปลี่ยนไปใช้ประโยชน์หลากหลายของวิธีการเหล่านี้ทำให้เราพบเห็นอัลกอริทึมทั่วไปอยู่บ่อยครั้งในฮาร์ดแวร์ต่างๆ ตั้งแต่อุปกรณ์พกพาของผู้บริโภคทั่วไปไปจนถึงแท่นทดสอบระดับอุตสาหกรรมเฉพาะทาง
การประมวลผลสัญญาณเวลาแบบดิสครีตของสัญญาณคำพูดในการประยุกต์ใช้งานด้านเสียง
สัญญาณเสียงต้องผ่านการคำนวณอย่างเข้มข้นเพื่อให้มั่นใจว่ามีความชัดเจนในระหว่างการรับส่งและการจัดเก็บ วิธีการแบบดิสครีตช่วยลดขนาดข้อมูลลงได้โดยยังคงรักษารายละเอียดไว้เพียงพอที่จะทำให้ฟังดูเป็นธรรมชาติ ซึ่งทำสำเร็จได้โดยการจำลองการได้ยินของมนุษย์และตัดเสียงที่ปกติแล้วเราไม่ได้ยินออกไป
เทคนิคการกรองในมิติต่างๆ ที่ก้าวหน้านี้สามารถจัดการกับสภาพแวดล้อมทางอะคูสติกที่ซับซ้อนได้อย่างมีประสิทธิภาพโดยไม่ต้องพึ่งพาความจุฮาร์ดแวร์ที่มากเกินไป
การประมวลผลภาพและวิดีโอ
สื่อภาพขึ้นอยู่กับการวิเคราะห์แบบดิสครีตสองมิติ ซึ่งพิกเซลทำหน้าที่เป็นจุดข้อมูลตัวอย่าง การจัดการกริดเหล่านี้ทำให้อุปกรณ์สามารถทำหน้าที่ต่างๆ ได้ เช่น การปรับขอบภาพให้คมชัด การปรับสมดุลสี และการบีบอัดวิดีโอเพื่อประหยัดแบนด์วิธในขณะรักษาความละเอียดพื้นที่การมองเห็นไว้ในระดับสูง
การดำเนินการเหล่านี้มักจะใช้ข้อได้เปรียบของการวิเคราะห์ส่วนประกอบหลัก (principal component analysis) เพื่อละทิ้งข้อมูลที่ซ้ำซ้อนอย่างมีประสิทธิภาพในเฟรมภาพหลายล้านเฟรม
โทรคมนาคมและการส่งผ่านข้อมูล
โทรคมนาคมขึ้นอยู่กับ การเพิ่มประสิทธิภาพของการไหลของสัญญาณอย่างต่อเนื่อง เพื่อให้แน่ใจว่าพ็อคเก็ตข้อมูลจะไปถึงปลายทางโดยไม่มีความเสียหาย อัลกอริทึมการตรวจจับและแก้ไขข้อผิดพลาดขั้นสูงจะใช้คณิตศาสตร์แบบดิสครีตเพื่อตรวจสอบความสมบูรณ์ของข้อมูลแบบเรียลไทม์ แม้จะอยู่ในจุดที่มีการรบกวนทางแม่เหล็กไฟฟ้าอย่างรุนแรงก็ตาม
ระดับความน่าเชื่อถือนี้ช่วยให้สามารถขยายขนาดโครงสร้างพื้นฐานเครือข่ายสมัยใหม่ได้อย่างรวดเร็วทั่วโลก
เสียงที่ต่อเนื่องของสมองและจุดเริ่มต้นของมัน
สัญญาณไฟฟ้าที่ถูกจับโดยอุปกรณ์สวมศีรษะ EEG มีต้นกำเนิดมากจากกลุ่มของเซลล์ประสาทจำนวนมหาศาลที่ยิงสัญญาณเป็นจังหวะพร้อมๆ กัน แม้ว่าการทำงานของเซลล์ประสาทเดี่ยวๆ จะเกิดขึ้นในวงจำกัดและแผ่วเบาเกินกว่าจะตรวจพบที่หนังศีรษะได้ แต่การรวมกลุ่มคายประจุของเซลล์ประสาทนับพันเซลล์จะทำให้เกิดแรงดันไฟฟ้าที่ผันผวน ซึ่งโดยปกติจะวัดได้เพียงไม่กี่สิบไมโครโวลต์เท่านั้น สัญญาณที่อ่อนแอเช่นนี้ต้องเดินทางผ่านเนื้อเยื่อสมอง กะโหลกศีรษะ และหนังศีรษะก่อนที่จะถึงขั้วรับสัญญาณขั้วบันทึกในที่สุด
เนื่องจากสัญญาณนี้มีความบอบบางอย่างมาก มันจึงมาถึงหนังศีรษะในลักษณะที่ผสมปนเปกันอย่างหนักกับสัญญาณรบกวนทางสรีรวิทยาและสภาพแวดล้อม เช่น การขยับกล้ามเนื้อ การกะพริบตา และการรบกวนทางไฟฟ้าในบริเวณใกล้เคียง เพื่อทำความเข้าใจข้อมูลดิบนี้ นักวิจัยต้องจัดระเบียบการทำงานของสมองออกเป็นแถบความถี่เฉพาะอย่างพิถีพิถัน ซึ่งระบุตามแบบแผนดั้งเดิมคือ เดลตา, ทีตา, อัลฟา, เบตา และแกมมา โดยแต่ละช่วงสอดคล้องกับสภาวะทางจิตใจที่ต่างกันออกไป และครอบครองพื้นที่เฉพาะของสเปกตรัมที่แตกต่างกัน
ความสำคัญของการแยกสัญญาณประเภทนี้ถูกเน้นย้ำในการศึกษาต่างๆ เช่น งานวิจัยชิ้นหนึ่งในปี 2010 ที่ตีพิมพ์ใน Journal of Biomedical Science and Engineering ซึ่งเป็นบันทึกสรุปที่ระบุว่า EEG ถูกสลายออกเป็นคลื่นอัลฟา เบตา และแกมมา โดยใช้ Discrete Wavelet Transform (DWT) หลังจากที่ผ่านขั้นตอนทำความสะอาดเบื้องต้นโดยฟิลเตอร์ Surface Laplacian filter
ความแม่นยำระดับนี้มีความจำเป็นอย่างยิ่ง: หากต้องการวิเคราะห์จังหวะแกมมาซึ่งอาจขยายพิกัดความถี่ไปสูงสุดถึง 100 Hz ได้อย่างมั่นใจ กระบวนการแปลงเป็นดิจิทัลจะต้องเก็บรักษาแถบความถี่เหล่านี้ในฐานะส่วนประกอบที่แยกจากกันโดยสมบูรณ์ หากไม่มีกระบวนการประมวลผลสัญญาณที่ตรงประเด็นจริงใจ การแกว่งกวัดที่สำคัญยิ่งยวดเหล่านี้จะเบลอปนเปกันจนแยกไม่ออก ส่งผลให้การวิเคราะห์ทางด้านประสาทวิทยาศาสตร์ที่แม่นยำไม่สามารถเกิดขึ้นได้เลย
การสุ่มตัวอย่าง: การถ่ายภาพสายน้ำที่ไหลหลาก
การเปลี่ยนแรงดันไฟฟ้าที่ต่อเนื่องให้เป็นชุดของตัวเลขต้องใช้กระบวนการสุ่มตัวอย่าง ซึ่งเป็นกระบวนการวัดแรงดันไฟฟ้าของสัญญาณ ณ จุดเวลาปกติและเฉพาะเจาะจง ไม่ใช่วัดแบบต่อเนื่อง
ลองนึกถึงทิวทัศน์แม่น้ำที่ไหลผ่านจุดคงที่จุดหนึ่ง คุณไม่สามารถจับภาพการเคลื่อนไหวของมันในแบบที่เป็นการเคลื่อนไหวแบบจริงได้โดยตรง แต่คุณจะใช้วิธีถ่ายภาพแม่น้ำนั้นทุกๆ สองสามวินาทีแทน เมื่อนำภาพถ่ายมาร้อยเรียงเข้าด้วยกันตามลำดับมากพอก็จะช่วยแทนภาพกระแสน้ำไหลได้สมเหตุสมผล หากถ่ายภาพน้อยเกินไป การเคลื่อนไหวที่แท้จริงของแม่น้ำอาจดูสับสนคลุมเครือหรือไม่ตรงกับความเป็นจริง
นี่คือจุดที่กฎเกณฑ์ที่เรียกว่า เกณฑ์ของ Nyquist เป็นสิ่งที่หลีกเลี่ยงไม่ได้ โดยระบุว่า อัตราการสุ่มตัวอย่าง (จำนวนครั้งที่ทำการวัดค่าต่อวินาที) จะต้องมีค่ามากกว่าสองเท่าของความถี่สูงสุดที่มีอยู่ในสัญญาณอนาล็อกดั้งเดิม
หากไม่เป็นเช่นนั้น ก็จะเกินการบิดเบือนสัญญาณที่เรียกว่า aliasing ซึ่งสัญญาณที่เคลื่อนไหวเร็วจะถูกบันทึกค่าผิดกลายเป็นสัญญาณที่ช้าลง เมื่อสิ่งนี้เกิดขึ้นแล้วก็ไม่มีทางใช้ทริกคณิตศาสตร์ใดๆ มาแยกสัญญาณช้าที่แท้จริงออกจากสัญญาณช้าลวงที่ครั้งหนึ่งเคยเป็นสัญญาณเร็วได้ ข้อมูลนั้นจะสูญหายและพับซ้อนผิดที่อย่างถาวร
โดยทั่วไปแล้ว ระบบบันทึก EEG ในทางคลินิกจะใช้ระบบสุ่มตัวอย่างที่อัตราระหว่าง 250 ถึง 500 Hz ซึ่งช่วยบันทึกการทำงานของสมองที่ครอบคลุมความถี่ 0 ถึง 100 Hz ได้อย่างสบายๆ และยังมีพื้นที่เหลือเพื่อเผื่อขาดเผื่อเหลือไว้อีก ขอบเขตส่วนต่างนี้ช่วยรักษาความต้องการของเกณฑ์ Nyquist ไว้ได้เป็นอย่างดีแม้ในกรณีกระแสสัญญาณสมองขยายตัวไปจนถึงระดับระดับความถี่สูงสุดของช่วงแถบแกมมาก็ตาม
พิจารณา เฟรมเวิร์กตรวจจับอาการชัก ที่ใช้การค้นหาอย่างละเอียดถี่ถ้วนในตระกูลเวฟเล็ต (wavelet families) ที่เสาะหาเจ็ดแบบที่แตกต่างกันและการสลายสัญญาณระดับหลายชั้นเพื่อมองหาการตั้งค่าที่เหมาะสมที่สุดสำหรับ การวิเคราะห์ข้อมูล EEG การค้นหานั้นจะมีค่าในฐานะกระบวนการเชิงวิทยาศาสตร์ก็ต่อเมื่อเนื้อหาความถี่ที่ตรวจสอบอยู่แสดงข้อมูลที่ถูกต้องเท่านั้น
หากอัตราการสุ่มตัวอย่างดั้งเดิมละเมิดเกณฑ์ Nyquist สัญญาณรบกวนความถี่สูงจากการทำงานของกล้ามเนื้อหรือการรบกวนทางไฟฟ้าจะพับซ้อนเข้าไปสู่แถบความถี่กระแสเดียวกันกับที่นักวิจัยพยายามแยกออกมาตั้งแต่แรก การค้นหาเพื่อหาค่าเวฟเล็ตที่เหมาะสมที่สุดก็จะเป็นเพียงการไปปรับจูนเข้าหาเป้าหมายที่บิดเบี้ยว และความแม่นยำในการรายงานผลที่ระบุสูงกว่า 90% ของระบบการตรวจจับอาการชักก็จะไม่สะท้อนถึงขีดความสามารถการวินิจฉัยโรคตามจริง มันจะเป็นเพียงปฏิกิริยาตอบสนองที่ดีเยี่ยมต่อการประมวลสัญญาณรบกวนเท่านั้น
ตัวกรองสัญญาณต้านปรากฏการณ์ Aliasing ป้องกันแนวคิดเข้าขยะ-ออกขยะ ได้อย่างไร
เนื่องจาก aliasing ไม่สามารถแก้ไขย้อนหลังได้ มันจึงต้องถูกควบคุมและป้องกันก่อนที่จะเริ่มต้นกระบวนการสุ่มตัวอย่างเสียอีก
นี่คือหน้าที่หลักของตัวกรองสัญญาณต้านปรากฏการณ์ Aliasing (anti-aliasing filter) ซึ่งเป็นฟิลเตอร์อนาล็อกชนิดความถี่ต่ำผ่าน (low-pass filter) ที่ติดตั้งไว้ในส่วนฮาร์ดแวร์ก่อนที่ชุดแปลงสัญญาณอนาล็อกเป็นดิจิทัลจะเริ่มทำการประเมินค่า หน้าที่หลักของมันคือการกรองเนื้อหาคลื่นความถี่ที่สูงกว่าเกณฑ์ของ Nyquist ออกไปทั้งหมดเพื่อไม่ให้หลงเหลืออะไรในสัญญาณที่อาจจะทำให้ถูกเข้าใจผิดในขั้นตอนหลังจากนั้น
หากขั้นตอนนี้ถูกข้ามไปหรือทำได้ไม่ดี ความเสียหายจะคงอยู่ในชุดข้อมูลนั้นอย่างถาวร ไม่มีซอฟต์แวร์วิเคราะห์ต่อยอดตัวใดที่จะแก้ไขย้อนหลังมันกลับมาได้
ใน การศึกษาวินิจฉัยโรคอัลไซเมอร์ นักวิจัยได้นำตัวกรองดิจิทัลชนิดดึงเฉพาะสัญญาณช่วงความถี่ผ่านแบบเอลลิปติก (band-pass elliptic digital filter) มาดีเเบ็กสัญญาณรบกวนรวมถึงความปั่นป่วนต่างๆ ออกไปจากข้อมูล EEG ก่อนที่จะดึงคุณสมบัติเด่นออกมาวิเคราะห์ผ่านทาง DWT การกรองสัญญาณนี้ทำขึ้นหลังกระบวนการเปลี่ยนเป็นดิจิทัลแทนที่จะทำในส่วนฮาร์ดแวร์ต้านปรากฏการณ์ Aliasing ตัวแรกสุดแต่ตรรกะเบื้องลึกยังเหมือนเดิมทุกประการ
กระบวนการทั้งสองส่วนมีจุดหมายเพื่อคัดส่วนสเปกตรัมคลื่นสัญญาณที่ไม่พึงประสงค์ออกไปจากชุดข้อมูลก่อนที่อัลกอริทึมจะเริ่มวิเคราะห์สิ่งที่เหลืออยู่ ไม่ว่าฟิลเตอร์จะติดตั้งอยู่ในส่วนวงจรออนาล็อกก่อนทำการสุ่มสัญญาณหรือติดตั้งในสายการประมวลดิจิทัลหลังจากนั้น เป้าหมายของมันคือสิ่งเดียวกัน คือป้องกันการปนเปื้อนที่อาจแพร่เข้าสู่ขั้นตอนวิเคราะห์ข้อมูลถัดไป
นอกจากนี้ มี การศึกษาเรื่องสัญญาณแปลกปลอมจากการเคลื่อนไหว ปี 2020 ที่แสดงให้เห็นว่าทำไมสิ่งนี้จึงสำคัญแม้ในยุคที่มีเครื่องมือคลีนข้อมูลสุดล้ำสมัยก็ตาม งานวิจัยนั้นรวมรวมเทคนิคสามอย่างเข้าด้วยกัน ได้แก่ Ensemble Empirical Mode Decomposition, Canonical Correlation Analysis, และ Discrete Wavelet Transform เพื่อจัดการกำจัดสัญญาณแทรกแซงที่มาจากการขยับกายภาพออกไปจากสัญญาณ EEG เพื่อปรับปรุงเกณฑ์ชี้วัดสัญญาณต่อสัญญาณรบกวนให้ดียิ่งขึ้นตามเป้าหมาย
แต่ท่อโครงสร้างคลีนข้อมูลทั้งหมดนี้ตั้งข้อสันนิษฐานเบื้องต้นไว้ว่า สเปกตรัมระดับความถี่สูงที่ผ่านเข้าระบบมาแล้วจะต้องไม่มีความปนเปื้อน (unaliased) หากฮาร์ดแวร์ต้านปรากฏการณ์ Aliasing ไม่ได้รับการติดตั้งในส่วนสแกนสุ่มสัญญาณ คลื่นสัญญาณที่ได้จะมีการเสียหายเพิ่มขึ้นอีกชั้นหนึ่งซึ่งระบบจัดเก็บและกำจัดสัญญาณรบกวนทั่วไปไม่อาจหลีกเลี่ยงและแก้ไขให้สมบูรณ์ได้
ความละเอียดบิต (Bit Depth): การจัดระเบียบสัญญาณแรงดันไฟฟ้าด้วยพู่กันที่จำกัด
การสุ่มตัวอย่างระบุช่วงเวลาที่การวัดค่าเกิดขึ้น ส่วนความละเอียดบิตเป็นตัวกำหนดความแม่นยำในการบันทึกค่าเหล่านั้น
เมื่อชุดแปลงสัญญาณอนาล็อกเป็นดิจิทัลจับสัญญาณแรงดันไฟฟ้า ณ วินาทีนั้นๆ ได้แล้ว ระบบต้องรายงานสเตตัสค่านั้นเป็นเลขฐานสอง และจำนวนหลักบิตที่มีอยู่จะเป็นตัวกำหนดความละเอียดของการวัดค่า ระบบที่ใช้ 16-bit depth ในช่วงคลื่นแรงดันบวกหรือลบ 1 millivolt ตัวนี้จะสร้างความแม่นยำในการจำแนกความต่างได้ดีเยี่ยมย่อยลงไปถึงระดับครึ่งไมโครโวลต์
ยิ่งบิตเพิ่ม ความละเอียดจะปรับตัวตามไปอย่างยอดเยี่ยม หากบิตลดไป ตัวแปรสำคัญที่ควรปรากฏในคลื่นไฟฟ้าสมองจะจางหายไปโดยปริยาย ยุติค่าด้วยความราบเรียบสู่พิกัดหลักค่าที่หยาบกว่า
ความแตกต่างนี้มีน้ำหนักมากต่อผลวินิจฉัยโรค โดย การศึกษากระบวนการตรวจหาภาวะโรคลมบ้าหมู ปี 2019 รายงานว่าอ้างอิงขั้นตอนคำนวณของกฎ fuzzy entropy บนตัวคูณแบบเวฟเล็ตเพื่อจำแนกพฤติกรรม EEG ของระบบประสาทระหว่างช่วงชักและช่วงปกติ
การวิเคราะห์เชิงเอนโทรปีตั้งโปรแกรมมาให้อ่อนไหวต่อตัวแปรผลต่างความเข้มสัญญาณอย่างยิ่งยวด พวกมันคำนวณหาความไม่มีเสถียรภาพและระดับความซับซ้อนภายในตัวประมวลผลสัญญาณ แน่นอนว่าการจะทำเช่นนั้นได้ย่อมต้องอาศัยอุปกรณ์ตั้งต้นที่มีประสิทธิภาพความละเอียดสูงเพื่อสังเกตสัญญาณต่างกันเพียงเล็กน้อยนี้ได้ สัญญาณที่ถูกลดทอนความละเอียดลงจะไปบีบรวมข้อมูลส่วนละเอียดอ่อนที่สูตรการประมวลเอนโทรปีถูกสร้างขึ้นมาเพื่อให้หา
เช่นเดียวกัน การศึกษาวินิจฉัยโรคอัลไซเมอร์ระบุขีดความสามารถการใช้ค่าสถิติกำกับซึ่งรวมถึงค่าเบี่ยงเบนมาตรฐาน (standard deviation), ความแปรปรวน (variance), และนอร์ม (norm) จากคลื่นย่อยเวฟเล็ตที่สร้างขึ้นโดยวิธี DWT ทั้งหมดคือตัวประเมินความผันแปรของสัญญาณ หากแรงดันไฟฟ้าที่สุ่มมาถูกปัดเศษอย่างรุนแรงเนื่องมาจากพิกัดบิตที่ต่ำ ความเป็นอิสระของการเปรียบเทียบความต่างสัญญาณรักษาสมดุลสมองระหว่างสภาวะแข็งแรงดีและ สภาวะสมองเป็นโรค จะถูกบีบอัดจนดูคล้ายคลึงกัน ส่งผลให้ศักยภาพความแม่นยำระดับ 99.98% ในกระบวนการจำแนกข้อมูลนั้นจำต้องดิ่งตัวลดลงไปด้วยอย่างช่วยไม่ได้
ทำไมการเลือกอัตราการสุ่มตัวอย่างที่ถูกต้องจึงระงับข้อผิดพลาดแบบ สัญญาณขยะเข้า-สัญญาณขยะออก
สามองค์ประกอบหลักนี้ ได้แก่ การสุ่มตัวอย่างตามหลัก Nyquist, การมีระบบฟิลเตอร์ต้านปรากฏการณ์ Aliasing ที่ทำงานได้ปกติ, และพิกัดความละเอียดบิตที่เหมาะสม ไม่ใช่แค่องค์ประกอบเชิงลึกทางเทคนิคที่แยกจากกันโดยสิ้นเชิง หากแต่พวกมันรวมกันเป็นลูกโซ่อันหนึ่งอันเดียวกัน และทุกๆ รายงานความแม่นยำในการวิเคราะห์จำแนกโรคจากคณะวิจัยกลุ่มนี้ล้วนถูกส่งต่อผลลัพธ์มาตามลำดับเส้นทางคลื่นลูกโซ่นี้ทั้งสิ้น
การใช้อัตราการสุ่มสัญญาณต่ำเกินไป หรือข้ามการทำงานของ anti-aliasing filter จะชักนำให้เกิดความล้มเหลวแบบคลาสสิกของกระบวนการส่งสัญญาณที่เรียกว่า ขยะเข้า ขยะออก เมื่อสัญญาณรบกวนความลับถูกผสมรวมเข้าสู่ช่วงคลื่นที่ดูเหมือนแอลฟาหรือแกมมาไปแล้ว ย่อมไม่มีแนวทางเชิงโปรแกรมใดๆ หรืออัลกอริทึมที่ทันสมัยตัวใดจะไปฉีกแยกข้อมูลกลับสู่คลื่นที่ถูกต้องได้ ในทางกลับกัน การสุ่มหาพิกัดตั้งต้นที่แม่นยำจะนำมาซื่งการประยุกต์ใช้โปรแกรมวิเคราะห์ข้อมูลที่ถูกต้องและเป็นหน้าต่างให้การวิจัยต่อยอดทำงานอย่างเต็มประสิทธิภาพลื่นไหลได้ดีเยี่ยม
การศึกษากระบวนการจัดสภาวะอารมณ์ปี 2010 แสดงให้ประจักษ์ถึงสิ่งที่สามารถดำเนินงานได้บนหน้าต่างข้อมูลที่สมบูรณ์นี้ โดยใช้สูตรจัดโครงข่ายกลุ่มใกล้เคียงตัวที่ K (K-Nearest Neighbor หรือ KNN) บนคุณสมบัติเด่นที่ถูกสลัดมาจาก DWT นักวิจัยบรรลุเป้าหมายจำแนกผลสภาวะอารมณ์ได้ถึงระดับ 83.26% ระหว่างสภาวะเกลียดชัง, สุขสันต์, ประหลาดใจ, ตื่นกลัว, และสภาวะนิ่งปกติ ผลลัพธ์นี้ต้องพึ่งพาช่วงสัญญาณอัลฟา เบตา และแกมมาที่ถูกแยกแยกออกจากกันอย่างถูกต้องในสเต็ปสลายสัญญาณ ซึ่งมันจะเกิดขึ้นได้แค่เพียงกรณีชุดข้อมูลถูกจัดเก็บแบบดิจิทัลโดยปราศจากการรบกวนสัญญาณในระยะแรกเท่านั้น
นอกจากนี้ เฟรมเวิร์กจัดการสแกนสแกนภาวะโรคลมชักก็สะท้อนให้เห็นทัศนคติเดียวกันในอีกแง่มุมหนึ่ง ผู้เขียนชี้เป้าว่าการตั้งโปรแกรมค้นหาช่วงความถี่คลื่นและองค์ประกอบสัญญาณสำคัญแบบกำหนดเองนี้ช่วยลดปริมาณข้อมูลขยะที่ซ้ำซ้อนลงไปได้กว่า 40% ช่วยให้ระบบวิเคราะห์สัญญาณรันงานฉลุยโดยปราศจากการสูญเสียความแม่นยำระดับ 90%
การจัดเรียงจัดการส่วนเกินที่มีความชาญฉลาดนี้มีโอกาสทำงานสำเร็จได้เมื่อข้อมูลแวดล้อมที่เหลืออยู่จริงใจและมีคุณภาพเท่านั้น การกำจัดข้อมูลซ้ำซ้อนในคลื่นสัญญาณที่บิดเบี้ยวเสียหายแบบ aliasing ไม่ได้ช่วยสร้างประโยชน์ชิ้นดีใดๆ มันเพียงตัดข้อมูลขยะออกส่วนหนึ่งและทิ้งขยะอีกส่วนไว้ เพราะสัญญาณรบกวนความถี่ส่วนเสียถูกผสานค่ากลมกลืนแยกแยะไม่ได้ไปพร้อมกับกระแสสัญญาณสมองปกติไปเรียบร้อยแล้ว
ส่วนผลงานประมวลวัดผลตรวจอัลไซเมอร์แสดงข้อความสำคัญที่ประจักษ์ชัดแจ้งที่สุด โดยระบบประเมิน KNN ซึ่งเป็นระบบประเมินขั้นพื้นฐานทั่วไป สามารถทำการประมวลผลลัพธ์พุ่งสู่ความแม่นยำที่ตัวเลข 99.98% ผ่านการคำนวณคุณสมบัติเด่นจากกลุ่มเวฟเล็ตสลายย่อยที่ประพฤติตามเงื่อนไขอย่างถูกต้องสมบูรณ์ บทเรียนนี้บ่งชี้ข้อเท็จจริงว่า หากพื้นฐานข้อมูลที่นำมาวิเคราะห์มีความมั่นคงจริงแท้ แม้ใช้วิธีประมวลผลพื้นฐานทั่วไปก็สามารถรีดประสิทธิภาพอันน่าอึ่งและได้ผลลัพธ์ทรงคุณค่าได้
ในทางกลับกัน ความเชี่ยวชาญด้านสถาปัตยกรรมโปรแกรม ไม่ว่าจะนำโครงข่ายประสาทลึกหรือกระบวนการดึงคุณสมบัติเด่นสุดล้ำสมัยเพียงใดก็ตาม ไม่สามารถและไม่มีวันที่จะเข้ามาบรรเทาความเสียหายจากการเก็บสุ่มตัวอย่างดิจิทัลที่ละเลยกฎความถูกต้องในขั้นพื้นฐานแรกสุดได้
ทำไมเบื้องหลังการอ่านสภาวะกระแสการทำงานจากสมองที่เป็นความจริงจำต้องปกป้องด้วยเกราะที่ไม่มีวันมองเห็น
การประมวลผลสัญญาณแบบดิสครีตเปรียบเสมือนกระดูกสันหลังที่มองไม่เห็นของเทคโนโลยีสมัยใหม่ ช่วยอำนวยความสะดวกในการจัดระเบียบและการนำคลื่นกระแสข้อมูลดิจิทัลไปใช้ประโยชน์ได้อย่างทรงประสิทธิภาพตลอดวงการวิทยาศาสตร์และการค้าส่วนใหญ่ การเข้าใจและเข้าถึงส่วนความต้องการหลักแห่งระบบสแกนสุ่มสัญญาณ, การกรองฟิลเตอร์, และการแปลงสัญญาณ เหล่านักวิจัยและคณะวิศวกรสามารถสร้างคุณประโยชน์และก้าวข้ามสิ่งกีดขวางความสามารถเดิมๆ ไปสู่อารยธรรมใหม่ ตั้งเป้าหมายจากระบบ Electroencephalography ดิจิทัล ไปสู่เครือข่ายความรับส่งคลื่นไร้สายแห่งยุคหน้าทั่วโลก
เอกสารอ้างอิง
Murugappan, M., Ramachandran, N., & Sazali, Y. (2010). Classification of human emotion from EEG using discrete wavelet transform. Journal of biomedical science and engineering, 3(4), 390-396. http://dx.doi.org/10.4236/jbise.2010.34054
Chen, D., Wan, S., Xiang, J., & Bao, F. S. (2017). A high-performance seizure detection algorithm based on Discrete Wavelet Transform (DWT) and EEG. PloS one, 12(3), e0173138. https://doi.org/10.1371/journal.pone.0173138
AlSharabi, K., Salamah, Y. B., Abdurraqeeb, A. M., Aljalal, M., & Alturki, F. A. (2022). EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches. IEEE Access, 10, 89781-89797.
Shukla, S., Roy, V., & Prakash, A. (2020, April). Wavelet based empirical approach to mitigate the effect of motion artifacts from EEG signal. In 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT) (pp. 323-326). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761
Chiang, H. S., Chen, M. Y., & Huang, Y. J. (2019). Wavelet-based EEG processing for epilepsy detection using fuzzy entropy and associative petri net. Ieee Access, 7, 103255-103262. https://doi.org/10.1109/ACCESS.2019.2929266
คำถามที่พบบ่อย
ความแตกต่างระหว่างการประมวลผลแบบอนาล็อกและแบบดิจิทัลคืออะไร?
การประมวลผลแบบอนาล็อกเกี่ยวข้องกับระดับแรงดันไฟฟ้าหรือกระแสไฟฟ้าที่ต่อเนื่อง ในขณะที่การประมวลผลแบบดิจิทัลใช้ลำดับของตัวเลขเพื่อแสดงข้อมูล ทำให้อุปกรณ์สามารถควบคุมและจัดเก็บข้อมูลได้อย่างแม่นยำยิ่งขึ้น
ดิจิทัลฟิลเตอร์ทำงานอย่างไร?
ฟิลเตอร์ดิจิทัลใช้อัลกอริทึมทางคณิตศาสตร์ในการคำนวณลำดับใหม่จากลำดับอินพุต โดยเลือกขยายขนาดหรือหน่วงความถี่เฉพาะจุดเพื่อยอมให้ส่วนประกอบที่ต้องการผ่านไปได้
เกณฑ์ของ Nyquist คืออะไร และเหตุใดจึงสำคัญอย่างยิ่งสำหรับการแปลง EEG เป็นดิจิทัล?
เกณฑ์ของ Nyquist กำหนดให้ต้องทำการสุ่มตัวอย่างที่ความถี่มากกว่าสองเท่าของความถี่สูงสุดที่มีอยู่ใน EEG เพื่อป้องกันการบิดเบือนช่วงความถี่ ซึ่งมีความจำเป็นอย่างยิ่งเนื่องจากการละเมิดกฎนี้จะทำให้เกิดปรากฏการณ์ aliasing ซึ่งคลื่นสมองที่รวดเร็วจะถูกบันทึกค่าผิดกลายเป็นคลื่นที่ช้าลง ส่งผลให้ข้อมูลเสียหายอย่างถาวรและไม่สามารถทำการวิเคราะห์ที่ถูกต้องได้
ปรากฏการณ์ Aliasing คืออะไร และทำไมจึงไม่สามารถแก้ไขได้หลังจากการสุ่มตัวอย่างแล้ว?
Aliasing คือข้อผิดพลาดในการสุ่มตัวอย่างที่สัญญาณความถี่สูงถูกบันทึกค่าผิดให้เป็นส่วนประกอบความถี่ที่ต่ำกว่า เมื่อเกิดขึ้นแล้ว ข้อมูลสัญญาณความเร็วสูงดั้งเดิมจะผสมปนเปกับแถบความถี่อื่นอย่างถาวรจนไม่สามารถกู้คืนกลับมาได้ ทำให้ไม่มีเทคนิคทางคณิตศาสตร์ใดๆ ที่จะสามารถแก้ไขการบิดเบือนสัญญาณนี้ย้อนหลังได้
ฟิลเตอร์ป้องกันปรากฏการณ์ Aliasing ช่วยปกป้องสัญญาณ EEG ได้อย่างไร?
ฟิลเตอร์ต้านปรากฏการณ์ Aliasing เป็นตัวกรองในฮาร์ดแวร์อนาล็อกชนิดความถี่ต่ำผ่านคัดสรรก่อนเข้าสู่เครื่องแปลงอนาล็อกเป็นดิจิทัล เพื่อทำหน้าที่ลบชุดสัญญาณระนาบความถี่ที่อยู่เหนือข้อกำหนดเกณฑ์ของ Nyquist การคัดกรองเนื้อหาคลื่นรบกวนขยะความถี่สูงก่อนสแกนสุ่มสัญญาณช่วยสกัดและจำกัดการเข้าแทรกแซงของขยะ และปกป้องรายละเอียดของกระแสคลื่นรักษาความเป็นหนึ่งเดียวของข้อมูลสมองอย่างดีเยี่ยม
ทำไมความละเอียดบิต (bit depth) จึงมีความสำคัญเมื่อเปลี่ยนระดับแรงดันสมองเป็นดิจิทัล?
ความละเอียดบิตกำหนดความแม่นยำของการสุ่มค่าแรงดันไฟฟ้าในแต่ละช่วงเวลาโดยระบุตัวตนขอบเขตขั้นจำลองที่มีอยู่เพื่อสร้างตำแหน่งระบุแอมพลิจูดสัญญาณ ซึ่งพิกัดความละเอียดบิตที่สูงจะชิงจัดตัวแปรส่วนน้อยที่มีนัยสำคัญสำคัญได้ดีขึ้นมาก ซึ่งจำเป็นมากต่อระบบอัลกอริทึมวิเคราะห์ที่พึ่งพาปัจจัยเอนโทรปีหรือความแปรปรวนในการตรวจหาความผิดปกติของสภาวะการทำงานระบบสมอง
จะเกิดอะไรขึ้นหากสัญญาณ EEG ถูกสุ่มตัวอย่างที่ระดับสปีดที่ต่ำเกินไป?
หากควบคุมพิกัดระดับความถี่การตั้งจำลองต่ำเกินไป จะบ่มเพาะให้เกิดปรากฏการณ์ aliasing ทำให้พฤติกรรมข้อมูลช่วงความถี่สูง (เช่น เสียงรบกวนจังหวะขยับกล้ามเนื้อหรือลักษณะสมองรอบคลื่นถี่) ถูกบันทึกข้อมูลตกหล่นและผิดแผกเป็นสัญญาณคลื่นสมองในกลุ่มสัญญาณความเร็วต่ำ คราบความเสียหายนี้จะปะปนกับกระแสข้อมูลชุดสแกนดิสครีตไปตลอดสายการทำงาน ดังนั้น กระบวนการวิเคราะห์ต่อยอดหลังจากนั้นทั้งหมดจะทำงานอยู่บนความคาดเคลื่อนเสียหายของพิกัดข้อมูลแทนที่จะเกิดบนภาพจำลองการทำงานปกติที่แท้จริง
ทำไมกระแสปนเปื้อน Aliasing จึงสร้างสภาวะเสียหายทางข้อมูลความสมบูรณ์อย่างถาวร?
Aliasing มีศักยภาพทำลายส่วนข้อมูลแท้จริงถาวรเพราะโครงสร้างตัวประเมินมันไปบิดสัญญาณสเตตัสความถี่สูงเป็นคลื่นลวงเสมือนว่าเป็นส่วนความถี่ต่ำ ส่งผลให้กระแสระดับจริงแรกสุดนั้นสูญสลายไปอย่างไร้ร่องรอย ไม่มีเครื่องมือคณิตศาสตร์และอัลกอริทึมสายปลายปลายน้ำขั้นใดก็ตามสามารถถอดสูตรแปลส่วนต่างสัญญาณรบกวน Aliasing คัดแยกเอาคลื่นจริงออกมาได้อีก เพราะทั้งสององค์ประกอบถูกเข้ารหัสควบรวมระบุเป็นชิ้นงานส่วนเอกภาพส่วนเดียวกันปนไปในสัญญาณปลายทางเรียบร้อยแล้ว
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
คริสเตียน บูร์โกส
