การแยกสลายโหมดเชิงประจักษ์

ทำไมสัญญาณ EEG จึงต้านทานเครื่องมือประมวลผลสัญญาณแบบดั้งเดิม

ปัญหาหลักในการนำวิธีการประมวลผลสัญญาณแบบคลาสสิกมาใช้กับ EEG คือเรื่องของโครงสร้าง การวิเคราะห์ตามหลักฟูริเยร์ ย่อยสัญญาณออกเป็นคลังข้อมูลคงที่ของคลื่นไซน์และโคไซน์ ซึ่งเป็นวิธีที่ทำงานได้อย่างชัดเจนเมื่อกระบวนการเบื้องหลังไม่เปลี่ยนพฤติกรรมทางสถิติตามเวลา

EEG ไม่เป็นไปตามเงื่อนไขนั้น กิจกรรมทางสมองของบุคคลในระหว่างการพักผ่อนอย่างเงียบสงบดูแตกต่างกันทางสถิติจากกิจกรรมของบุคคลเดียวกันในระหว่างที่มีการจดจ่ออย่างรวดเร็ว หรือในสภาพแวดล้อมทางคลินิกในระหว่างการชัก งานวิจัยอ้างถึงคุณสมบัติที่ไม่คงที่นี้ว่าเป็นจุดเริ่มต้นของการหันมาใช้ EMD แทนเครื่องมือฐานความถี่ที่สร้างขึ้นสำหรับสัญญาณที่เสถียร

ผลที่ตามมาในทางปฏิบัติคือ วิธีการที่สมมติความคงที่สามารถทำให้เหตุการณ์ของระบบประสาทที่เกิดขึ้นชั่วคราวเบลอหรือแสดงภาพผิดเพี้ยนไป โดยมองว่าจุดยอดที่เกิดขึ้นสั้น ๆ นั้นกระจายอย่างสม่ำเสมอในกรอบเวลาที่ยาวนานขึ้น สำหรับการประยุกต์ใช้งานอย่างการวินิจฉัยโรคหอบหืดจากลมบ้าหมู ซึ่งเวลาและรูปร่างของจุดยอดมีความสำคัญต่อการวินิจฉัย ความเบลอประเภทนั้นถือเป็นข้อจำกัดที่แท้จริง

ทางออกที่เสนอโดย EMD คือการหลีกเลี่ยงสมมติฐานฐานคงที่อย่างสมบูรณ์ และปล่อยให้การย่อยปรับตามรูปร่างที่สัญญาณนั้นเกิดขึ้นจริง

การสลายตัวของโหมดเชิงประจักษ์ทำอะไรและทำงานอย่างไร

EMD ทำงานผ่านกระบวนการซ้ำ ๆ ที่เรียกว่าการกรอง อัลกอริทึมจะระบุจุดสูงสุดและจุดต่ำสุดในท้องถิ่นของสัญญาณ เชื่อมต่อพวกมันเข้ากับกรอบขอบเขตบนและล่าง และลบค่าเฉลี่ยของกรอบเหล่านั้นออกจากสัญญาณเดิม

ขั้นตอนนี้จะทำซ้ำจนกว่าองค์ประกอบที่ได้จะเป็นไปตามสองเงื่อนไข:

1. กรอบขอบเขตบนและล่างมีความสมมาตรรอบศูนย์

2. ค่าเฉลี่ยยังคงใกล้เคียงศูนย์ตลอดส่วนทั้งหมด

เมื่อองค์ประกอบหนึ่งตรงตามเงื่อนไขเหล่านี้ จะถูกระบุว่าเป็นฟังก์ชันโหมดภายใน (IMFs) และจะถูกลบออกจากสัญญาณเดิม เพื่อให้กระบวนการสามารถดึงข้อมูลขององค์ประกอบถัดไปออกมาได้

ผลลัพธ์ที่ได้คือสแต็กของ IMF ที่เรียงลำดับจากการสั่นสะเทือนที่เร็วที่สุดไปยังช้าที่สุด ตามด้วยแนวโน้มที่เหลือขั้นตอนสุดท้ายที่จับความคลาดเคลื่อนที่ช้า ๆ ที่เหลืออยู่ เนื่องจาก IMF แต่ละตัวถูกสกัดโดยตรงจากรูปร่างในท้องถิ่นของข้อมูล แทนที่จะนำไปจับคู่กับรูปคลื่นที่กำหนดไว้ล่วงหน้า EMD จึงสามารถแสดงพลวัตที่ผิดปกติและแปรเปลี่ยนได้ในหลักการ โดยที่นักวิเคราะห์ไม่จำเป็นต้องเลือกเกณฑ์ล่วงหน้า

EMD จับเหตุการณ์ชั่วคราวอย่างจุดยอดชักได้อย่างไร

เหตุการณ์ชั่วคราวใน EEG จุดยอดคล้ายชัก หรือการปะทุระยะสั้นที่เชื่อมโยงกับงานการรับรู้ มีความสำคัญทางคลินิกและทางประสาทวิทยาศาสตร์อย่างมาก แต่บ่อยครั้งที่พวกมันถูกฝังอยู่ใต้กิจกรรมทางสมองที่เป็นพื้นหลังหรือสัญญาณรบกวน นี่คือสถานการณ์จำลองที่แท้จริงที่การย่อยสัญญาณแบบปรับตัวในท้องถิ่นของ EMD ตั้งใจจะให้ข้อได้เปรียบเหนือวิธีการฐานคงที่

การศึกษาโดย Safieddine และคณะ ได้ทดสอบเรื่องนี้โดยตรงด้วยการจำลองสัญญาณคล้ายจุดยอดชักและทำให้พวกมันปนเปื้อนด้วยสิ่งประดิษฐ์จากกล้ามเนื้อจริงที่ระดับความเข้มข้นต่างกัน จากนั้นเปรียบเทียบวิธีการแก้ไขสี่วิธี:

1. EMD

2. การวิเคราะห์องค์ประกอบที่เป็นอิสระ (ICA)

3. การวิเคราะห์ความสัมพันธ์แบบบัญญัติ (CCA)

4. การแปลงเวฟเล็ต

เมื่อมีการปนเปื้อนอย่างรุนแรง EMD มีประสิทธิภาพเหนือกว่าทางเลือกทั้งสามวิธี อย่างไรก็ตาม ข้อดีนั้นไม่ใช่ข้อดีแบบสัมบูรณ์ เมื่อสัญญาณมีสิ่งรบกวนน้อยกว่าและจุดยอดมาจากแหล่งคอร์เทกซ์เดียว CCA และ ICA จะให้ผลลัพธ์ที่ดีกว่า เมื่อจุดยอดมาจากสองแหล่งที่แตกต่างกัน EMD หรือ ICA จะทำงานได้ดีที่สุดภายใต้สัญญาณรบกวนที่หนักหน่วง ในขณะที่การแปลงเวฟเล็ตจะทำงานได้ดีกว่าภายใต้สัญญาณรบกวนที่เบากว่า

กล่าวอีกนัยหนึ่ง เครื่องมือกำจัดสิ่งประดิษฐ์ที่ดีที่สุดขึ้นอยู่กับทั้งระดับสัญญาณรบกวนและการกำหนดค่าแหล่งกำเนิดที่อยู่เบื้องหลัง และข้อได้เปรียบของ EMD นั้นแข็งแกร่งที่สุดโดยเฉพาะในกรณีที่มีการปนเปื้อนอย่างรุนแรง

ในขณะเดียวกัน การศึกษาวิจัยโดย Riaz และคณะ และ Shafiul Alam และคณะ ได้ย้ายจากการแก้ไขสิ่งประดิษฐ์ไปสู่การจำแนกประเภท โดยใช้ IMF เป็นแหล่งของคุณลักษณะสำหรับการตรวจจับการชักและโรคหอบหืดจากลมบ้าหมู

ทีมงานของ Riaz ได้สกัดโมเมนต์เชิงเวลา ซึ่งหมายถึงมาตรการทางสถิติ เช่น ความแปรปรวน ความเบ้ และความโด่ง ร่วมกับคุณลักษณะเชิงสเปกตรัม เช่น เซนทรอยด์เชิงสเปกตรัมและความเบ้เชิงสเปกตรัม จาก IMF แต่ละตัว คุณลักษณะเหล่านี้ถูกป้อนเข้าสู่ซัพพอร์ตเวกเตอร์แมชชีน ซึ่งเป็นตัวจำแนกการเรียนรู้ภายใต้การดูแลแบบมาตรฐาน และการจำแนกประเภทของผู้ป่วยโรคหอบหืดจากลมบ้าหมูและกลุ่มของการชักที่ได้ ส่งผลให้สิ่งที่ผู้เขียนอธิบายว่าเป็นผลลัพธ์ที่ดีซึ่งเปรียบเทียบได้อย่างน่าพอใจกับวิธีการสกัดคุณลักษณะอื่น ๆ ที่จัดตั้งขึ้น

ทีมของ Alam ผลักดันไปไกลกว่านั้นโดยใช้โมเมนต์ทางสถิติที่มีลำดับสูงกว่าซึ่งคำนวณภายในโดเมน EMD โดยป้อนพวกมันเข้าสู่โครงข่ายประสาทเทียม ในงานด้านการจำแนกประเภทหลายอย่าง รวมถึงการแยกแยะกิจกรรมการชักจากกิจกรรมที่ไม่มีการชัก วิธีการนี้รายงานความแม่นยำ ความอ่อนไหว และความจำเพาะสูงถึง 100 เปอร์เซ็นต์ ในขณะที่ทำงานได้เร็วกว่าเทคนิคการวิเคราะห์ความถี่เวลาที่เทียบเคียงกัน

เมื่อนำมารวมกัน การศึกษาเหล่านี้ชี้ให้เห็นว่า EMD สามารถช่วยแยกกิจกรรมการชักที่เกิดขึ้นชั่วคราวได้ แต่ประสิทธิภาพจะไวต่อระดับสัญญาณรบกวน รูปเรขาคณิตของแหล่งกำเนิด และชุดข้อมูลที่ได้รับการทดสอบ มากกว่าที่จะเป็นข้อได้เปรียบที่รับประกันได้อย่างคงที่

ความท้าทายทั่วไปในการย่อยสลายโหมดเชิงประจักษ์

EMD นั้นมีความยืดหยุ่น แต่ความยืดหยุ่นนั้นทำให้เกิดตัวเลือกเชิงระเบียบวิธีที่อาจส่งผลกระทบต่อข้อสรุปทางวิทยาศาสตร์ การรบกวนเล็กน้อยในสัญญาณอาจเปลี่ยนค่าขีดสุด และส่งผลให้เปลี่ยนกรอบขอบเขตและโหมดที่ถูกสกัดออกมา สัญญาณรบกวน การกรอง การบันทึกสั้น ๆ และขอบเขตที่คมชัด ทั้งหมดนี้สามารถทำให้การย่อยมีเสถียรภาพน้อยลง

การตรวจสอบทั่วไปช่วยเปิดเผยมากกว่าปิดบังความยากลำบากเหล่านี้ ซึ่งรวมถึง:

• การวัดข้อผิดพลาดในการสร้างใหม่หลังจากรวม IMF และค่าคงเหลือเข้าด้วยกัน

• การทดสอบความไวต่อการจัดการจุดสิ้นสุดและเกณฑ์การกรอง

• การเปรียบเทียบการย่อยสลายระหว่างส่วนที่ซ้ำกันหรือกลุ่มสัญญาณรบกวน

• การตรวจสอบว่าองค์ประกอบที่ถูกลบออกไปนั้นประกอบด้วยกิจกรรมของระบบประสาทที่เป็นไปได้หรือไม่

การตรวจสอบเหล่านี้ไม่ได้ขจัดความคลุมเครือ แต่ทำให้มองเห็นได้ชัดเจน การผสมโหมดอาจเรียกร้องให้มีรูปแบบชุดข้อมูลรวม ในขณะที่เนื้อหาความถี่สูงที่มากเกินไปอาจบ่งบอกถึงการปนเปื้อนมากกว่าโหมดระบบประสาทที่มีประโยชน์ ในทุกกรณี การวิเคราะห์ควรรวบรวมรายงานการตัดสินใจที่สร้างการนำเสนอขั้นสุดท้าย

ความท้าทายอีกประการหนึ่งคือการสื่อสาร ดัชนี IMF เป็นป้ายกำกับตามอัลกอริทึม ไม่ใช่การวินิจฉัยหรือแถบสัญญาณ EEG ที่กำหนดไว้ในระดับสากล ตัวเลขที่ชัดเจน บันทึกพารามิเตอร์ และภาษาที่ระมัดระวังเป็นสิ่งจำเป็นเมื่อผลลัพธ์ย้ายจากการประมวลผลสัญญาณเชิงสำรวจไปสู่การตีความทางชีวการแพทย์

การผสมโหมด: จุดอ่อนหลักของ EMD พื้นฐาน

จุดอ่อนทางโครงสร้างที่ชัดเจนที่สุดใน EMD พื้นฐานคือปรากฏการณ์ที่เรียกว่าการผสมโหมด ซึ่งเกิดขึ้นได้ในสองทางที่เกี่ยวข้องกัน ไม่ว่าจะเป็นการสั่นสะเทือนที่ทำงานในระดับเวลาที่แตกต่างกันอย่างมากจบลงด้วยการถูกดักจับอยู่ภายใน IMF เดียวกัน หรือองค์ประกอบที่มีจังหวะสอดคล้องกันเพียงหนึ่งเดียวกลับกระจัดกระจายและแยกส่วนในหลาย IMF แทนที่จะคงอยู่ในหนึ่งเดียว ปัญหากระบวนการทั้งสองแบบนี้ทำให้ยากที่จะเชื่อถือได้ว่า IMF สอดคล้องกับกระบวนการทางสรีรวิทยาที่เป็นเอกเทศและแท้จริง

ความเสี่ยงในทางปฏิบัติคือเรื่องของการตีความ หากผู้วิจัยสมมติว่า IMF หนึ่งที่กำหนดแสดงถึง กิจกรรมในแถบความถี่เฉพาะ แต่ IMF นั้นกลับมีส่วนผสมของสิ่งประดิษฐ์จากกล้ามเนื้อและกิจกรรมจุดยอดที่เหลือเนื่องจากการผสมโหมด ข้อสรุปใด ๆ ที่ดึงมาจาก IMF นั้นก็จะไม่น่าเชื่อถือ

การสลายตัวของโหมดเชิงประจักษ์แบบรวมที่สมบูรณ์

การสลายตัวของโหมดเชิงประจักษ์แบบรวมที่สมบูรณ์ หรือที่เรียกกันทั่วไปว่า CEEMD เป็นส่วนต่อขยายของ EMD ที่ใช้สัญญาณรบกวนมาช่วย โดยจะเพิ่มการทำให้เกิดสัญญาณรบกวนที่ควบคุมอย่างระมัดระวังเข้าไปในสัญญาณ ย่อยกลุ่มที่เกิดขึ้น และหาค่าเฉลี่ยของโหมดที่สอดคล้องกัน เป้าหมายคือการทำให้การย่อยมีความเสถียรมากขึ้นเมื่อระดับการสั่นที่อยู่ใกล้กันยากที่จะแยกออกจากกัน

CEEMD ปรับปรุงจาก EMD มาตรฐานอย่างไร

EMD มาตรฐานอาจประสบปัญหาจากการผสมโหมด ซึ่งการสั่นสะเทือนที่มีระดับต่างกันปรากฏใน IMF เดียวกัน หรือระดับที่คล้ายกันกระจัดกระจายไปในหลาย IMF CEEMD จัดการกับความไม่เสถียรนี้ทางสถิติแทนที่จะเปลี่ยนแนวคิดการกรองขอบเขตขั้นพื้นฐาน การย่อยสลายและการหาค่าเฉลี่ยซ้ำ ๆ สามารถลดอิทธิพลของการเกิดสัญญาณรบกวนเป็นรายบุคคลได้ แต่ผลลัพธ์ก็ยังขึ้นอยู่กับการออกแบบกลุ่มสัญญาณรบกวน แอมพลิจูดของสัญญาณรบกวน จำนวนการทดสอบ และรายละเอียดการดำเนินงาน

วิธีนี้ไม่ได้เหนือกว่าโดยอัตโนมัติสำหรับทุกชุดข้อมูล เนื่องจากเป็นการเพิ่มต้นทุนการประมวลผลคอมพิวเตอร์และอาจคงสัญญาณรบกวนที่เหลืออยู่ หรือทำให้เกิดความไวต่อขอบเขตหากเลือกพารามิเตอร์ได้ไม่ดี สำหรับ EEG การเปรียบเทียบจึงควรตรวจสอบคุณภาพของการสร้างใหม่ ความเสถียรในทุกรอบการทดสอบ การรักษาสิ่งที่เกิดขึ้นชั่วคราว และโหมดที่ได้ยังคงสามารถตีความได้สำหรับคำถามวิจัยที่ระบุไว้หรือไม่

แอปพลิเคชัน EEG ใดบ้างที่ทดสอบ EMD แล้วในปัจจุบัน

EMD ได้รับการประยุกต์ใช้อย่างแพร่หลายในสามประเภทกว้าง ๆ

การสกัดคุณลักษณะสำหรับการจำแนกประเภท แสดงถึงกรณีการใช้งานที่ใหญ่ที่สุด ตัวอย่างเช่น การศึกษาที่นำโดย Ning Zhuang ได้ใช้ EMD สำหรับการจดจำอารมณ์ โดยสกัดคุณลักษณะหลายมิติจาก IMF รวมถึงความแตกต่างแรกของอนุกรมเวลา ความแตกต่างแรกของระยะ และพลังงานที่ปรับมาตรฐาน จากนั้นทดสอบพวกมันกับฐานข้อมูลทางอารมณ์ DEAP ที่เปิดเผยต่อสาธารณะ การศึกษาพบว่าส่วนประกอบ IMF1 ที่มีความถี่สูงมีผลอย่างมีนัยสำคัญต่อการแยกแยะสภาวะทางอารมณ์ และแนวทางโดยรวมมีประสิทธิภาพเหนือกว่าวิธีการเปรียบเทียบอื่น ๆ รวมถึงมิติแฟร็กทัล เอนโทรปีตัวอย่าง และการแปลงเวฟเล็ตแบบแยกส่วน

การกำจัดสิ่งประดิษฐ์ มีการนำเสนอในการศึกษาต่าง ๆ เช่น การศึกษาโดย Safieddine และคณะ ซึ่งการย่อยตามขอบเขตที่แน่นอนของ EMD ช่วยกำจัดสิ่งประดิษฐ์จากกล้ามเนื้อจาก EEG ที่จำลองอาการชักได้อย่างมีประสิทธิภาพมากกว่าวิธี ICA, CCA หรือวิธีที่ใช้เวฟเล็ต โดยเฉพาะภายใต้เงื่อนไขที่มีการปนเปื้อนอย่างรุนแรง

ประการสุดท้าย การวิเคราะห์หลายช่องสัญญาณและการเชื่อมต่อระหว่างสมองกับคอมพิวเตอร์ สามารถดูได้จากงานวิจัยที่ตีพิมพ์ใน Journal of Circuits, Systems and Computers ซึ่งมีการนำ EMD ไปประยุกต์ใช้แยกกันกับแต่ละช่องสัญญาณในการบันทึก EEG แบบหลายช่องสัญญาณ และ IMF ที่ได้จะถูกจัดกลุ่มตามความคล้ายคลึงกันเชิงสเปกตรัมเพื่อระบุว่าส่วนประกอบใดมีความสัมพันธ์กับสิ่งเร้าภายนอก

การสร้างสัญญาณใหม่จากส่วนประกอบที่เชื่อมโยงกับสิ่งเร้าเหล่านั้นเพียงอย่างเดียว ช่วยให้ผู้วิจัยสามารถระบุได้ว่าเมื่อใดที่ผู้รับการทดสอบกำลังให้ความสนใจกับสิ่งเร้าที่กำหนด ซึ่งเป็นความสามารถที่เกี่ยวข้องโดยตรงกับระบบ BCI ที่ขึ้นอยู่กับการแยกแยะสัญญาณประสาทที่ตั้งใจออกจากสัญญาณรบกวนพื้นหลัง

บทแนะนำการสลายตัวของโหมดเชิงประจักษ์สำหรับผู้เริ่มต้น

ผู้เริ่มต้นสามารถคิดว่า EMD คือการลอกแถบการสั่นสะเทือนที่เร็วที่สุดที่มองเห็นได้ซ้ำ ๆ ออกจากรูปคลื่นที่ซับซ้อน อัลกอริทึมไม่ได้เริ่มต้นด้วยรายการของแถบความถี่ แต่จะสังเกตตำแหน่งที่สัญญาณเพิ่มขึ้นและลดลง ประเมินเส้นกึ่งกลางท้องถิ่น และลบเส้นกึ่งกลางนั้นออกจากการสั่นสะเทือนที่เป็นตัวเลือก

แบบฝึกหัดการเรียนรู้ที่สมเหตุสมผลเริ่มต้นด้วยสัญญาณสังเคราะห์ที่สั้นและสะอาดซึ่งประกอบด้วยการสั่นสะเทือนสองแบบและแนวโน้มที่ช้า ผลลัพธ์ที่คาดหวังไม่ใช่การแยกออกจากกันอย่างสมบูรณ์ในทุกกรณี แต่เป็นชุดของส่วนประกอบที่มีผลรวมจำลองขึ้นมาใหม่ใกล้เคียงกับข้อมูลขาเข้า การพล็อตร่างสัญญาณเดิม IMF แต่ละตัว และค่าคงเหลือบนแกนเวลาร่วมกันมักจะให้ข้อมูลได้ดีกว่าการตรวจสอบผลลัพธ์ที่เป็นตัวเลขเพียงอย่างเดียว

สำหรับการบันทึก EEG ขั้นตอนการทำงานยังรวมถึงการตัดสินใจก่อนการย่อยสลาย:

• การเลือกช่องสัญญาณและเซกเมนต์

• การตรวจสอบข้อมูลการสุ่มตัวอย่าง

• การทำเครื่องหมายช่วงเวลาที่ไม่ดี

• การบันทึกเอกสารการเตรียมข้อมูลขั้นต้น

คู่มือการย่อยสลายตามความถี่ทั่วไปสามารถช่วยจัดตำแหน่ง EMD ท่ามกลางวิธีการของฟูริเยร์ เวฟเล็ต และวิธีเวลา-ความถี่ที่เกี่ยวข้อง ตัวเลือกเหล่านี้ไม่ได้เปลี่ยน EMD ให้เป็นการทดสอบทางคลินิก แต่สิ่งเหล่านี้จะกำหนดเงื่อนไขที่สามารถประเมินผลลัพธ์ของมันได้

การสลายตัวของโหมดเชิงประจักษ์ด้วย Python: ตัวอย่างการเขียนโค้ด

การปรับใช้ Python มักจะยอมรับอาร์เรย์หนึ่งมิติและส่งคืนชุดของ IMF บางครั้งอาจมาพร้อมกับค่าคงเหลือหรือผ่านการดำเนินการหาค่าตกค้างแยกต่างหาก ขั้นตอนการทำงานพื้นฐานจะโหลดสัญญาณ ยืนยันลำดับการสุ่มตัวอย่างและสถานะค่าที่ขาดหายไป รันการย่อยสลาย และพล็อตส่วนประกอบ การวิเคราะห์ที่ทำซ้ำได้ยังบันทึกเวอร์ชันของไลบรารีและพารามิเตอร์ที่ควบคุมพฤติกรรมการกรองและการรวมกลุ่มด้วย

ไลบรารี Python ยอดนิยมสำหรับ EMD

แพ็คเกจ Python ทางวิทยาศาสตร์หลายตัวมี EMD หรืออัลกอริทึมที่เกี่ยวข้อง แต่ API และค่าเริ่มต้นของแพ็คเกจเหล่านั้นแตกต่างกัน บางตัวเปิดเผย EMD มาตรฐาน ตัวเลือกแบบรวม เกณฑ์การหยุด ตัวเลือกสปลาย และตัวช่วยแสดงภาพ ในขณะที่ตัวอื่นต้องการการประกอบด้วยตนเองมากกว่า งานเขียนโค้ดหลักไม่ใช่เพียงแค่การเรียกใช้ฟังก์ชัน แต่เป็นการตรวจสอบว่าส่วนประกอบที่ส่งคืนมีความหมายอย่างไร และผลรวมของพวกมันสร้างอินพุตขึ้นมาใหม่ได้หรือไม่

รูปแบบรหัสเทียมขั้นต่ำคือ:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

รหัสนี้จัดทำขึ้นเพื่อแสดงเป็นแผนผังอย่างตั้งใจเนื่องจากชื่อฟังก์ชันและค่าส่งคืนแตกต่างกันไปในแต่ละแพ็คเกจ การตรวจสอบความถูกต้องควรครอบคลุมถึงข้อผิดพลาดในการสร้างใหม่ พล็อตของค่าขีดสุดและขอบเขต และการตรวจสอบความไวภายใต้การเปลี่ยนแปลงพารามิเตอร์ที่สมเหตุสมผล

สำหรับ EEG ขนาดของข้อมูลก็มีความสำคัญเช่นกัน: การบันทึกแบบหลายช่องสัญญาณอาจต้องใช้ขั้นตอนการทำงานแบบทีละช่องสัญญาณหรือวิธีแบบหลายตัวแปรโดยเฉพาะ แทนที่จะเปลี่ยนช่องสัญญาณทั้งหมดให้เป็นอาร์เรย์เดียวอย่างเงียบ ๆ

การประยุกต์ใช้การสลายตัวของโหมดเชิงประจักษ์กับสัญญาณ EEG

EEG เป็นสภาพแวดล้อมทางธรรมชาติสำหรับการย่อยสลายโหมดเชิงประจักษ์เนื่องจากการเปลี่ยนแปลงของแรงดันไฟฟ้าสามารถมีความถี่ที่ทับซ้อนกัน เหตุการณ์ชั่วคราว และกิจกรรมที่ไม่คงที่ EMD อาจถูกนำไปใช้กับช่องสัญญาณเดี่ยวหรือบางส่วนที่เลือกเพื่อตรวจสอบว่าการสั่นสะเทือนในท้องถิ่นมีพัฒนาการอย่างไร คำถามทางวิทยาศาสตร์ที่เกี่ยวข้องอาจเกี่ยวข้องกับโครงสร้างเชิงเวลา การแยกสิ่งประดิษฐ์ การเปลี่ยนแปลงที่เกี่ยวข้องกับเหตุการณ์ หรือคุณลักษณะสำหรับโมเดลทางสถิติต่อไป

ก่อนการย่อยสลาย คุณภาพสัญญาณและบริบทการบันทึกจำเป็นต้องได้รับความสนใจ การวางตำแหน่งอิเล็กโทรด รูปแบบการอ้างอิง อัตราการสุ่มตัวอย่าง การกรอง ตัวอย่างที่ขาดหายไป และสิ่งประดิษฐ์ที่ทำเครื่องหมายไว้ ทั้งหมดนี้สามารถส่งผลต่อค่าขีดสุดในท้องถิ่นได้

ยิ่งไปกว่านั้น IMF ที่ได้ไม่ควรได้รับการระบุลักษณะทางสรีรวิทยาตามลำดับของพวกมันเพียงอย่างเดียว ส่วนประกอบที่รวดเร็วอาจรวมถึงสัญญาณรบกวนจากกล้ามเนื้อหรือเครื่องมือ และส่วนประกอบที่ช้ากว่าอาจมีความคลาดเคลื่อนรวมถึงกิจกรรมที่มีความหมาย

การตีความจะมีความน่าเชื่อถือมากขึ้นเมื่อมีการเปรียบเทียบสัญญาณที่สร้างขึ้นใหม่ คงบันทึกประวัติการตรวจสอบส่วนประกอบที่คัดออกอย่างชัดเจน และทดสอบว่าการค้นพบนี้ยังคงมีอยู่ทั่วทั้งช่องสัญญาณ ผู้เข้าร่วม และตัวเลือกการวิเคราะห์หรือไม่

การสลายตัวของโหมดเชิงประจักษ์กับการแปลงเวฟเล็ต

ทั้ง EMD และการแปลงเวฟเล็ตต่างรองรับการวิเคราะห์เวลา-ความถี่ แต่พวกมันจัดโครงสร้างสัญญาณแตกต่างกัน EMD ได้รับโหมดจากค่าขีดสุดในท้องถิ่นในข้อมูลที่สังเกตได้ ในขณะที่การวิเคราะห์เวฟเล็ตจะเปรียบเทียบสัญญาณกับกลุ่มฟังก์ชันฐานที่ถูกปรับขนาดและเลื่อนค่าที่เลือกไว้ วิธีหนึ่งเป็นการปรับตามข้อมูล ส่วนอีกวิธีหนึ่งจะให้ระบบพิกัดหลายระดับที่กำหนดไว้ล่วงหน้า

ความแตกต่างจะชัดเจนยิ่งขึ้นเมื่อเปรียบเทียบลำดับความสำคัญในการวิเคราะห์:

ไม่มีวิธีใดที่เหมาะสมกว่าในทุกกรณี EMD สามารถนำเสนอการย่อยสลายที่เข้าใจได้ง่ายสำหรับการสั่นสะเทือนที่เปลี่ยนแปลง ในขณะที่เวฟเล็ตสามารถให้กรอบการทำงานที่สอดคล้องกันสำหรับการเปรียบเทียบสัญญาณเมื่อฐานและมาตราส่วนเหมาะสมในทางวิทยาศาสตร์

ตัวเลือกควรเป็นไปตามคำถามงานวิจัย สิ่งชั่วคราวที่คาดหวัง ความจำเป็นในการทำซ้ำ และกลยุทธ์การตรวจสอบความถูกต้อง แทนที่จะกล่าวอ้างทั่วไปว่าวิธีใดวิธีหนึ่งมีความก้าวหน้ามากกว่า

สิ่งที่การวิเคราะห์สัญญาณสมองได้รับจากการย่อยสลายที่ขับเคลื่อนด้วยข้อมูล

กิจกรรมของสมองแทบจะไม่หยุดนิ่งนานพอที่เครื่องมือความถี่แบบคลาสสิกจะตรวจจับช่วงเวลาที่บอกเล่าเรื่องราวได้มากที่สุด ซึ่งเป็นเหตุผลว่าทำไมวิธีที่ปล่อยให้สัญญาณกำหนดองค์ประกอบพื้นฐานของตัวเองจึงได้รับความสนใจอย่างแท้จริง

ขั้นตอนการสลายตัวของโหมดเชิงประจักษ์ช่วยหลีกเลี่ยงความจำเป็นในการใช้เทมเพลตทางคณิตศาสตร์แบบคงที่ โดยให้ผลลัพธ์ที่พิสูจน์แล้วว่ามีประโยชน์สำหรับการแยกจุดยอดชักภายใต้สัญญาณรบกวนที่รุนแรงและสกัดคุณลักษณะที่มีความหมายสำหรับการจดจำอารมณ์ การเปลี่ยนผ่านไปสู่การวิเคราะห์ที่ปรับเปลี่ยนรูปร่างได้อย่างเหมาะสมนี้จะสร้างแนวทางในการจับเหตุการณ์ระบบประสาทที่เกิดขึ้นชั่วคราว ซึ่งไม่เช่นนั้นอาจถูกบดบังหรือละเลยไป ผลลัพธ์ในทางปฏิบัติ ดังที่เห็นได้จากผลการศึกษาต่าง ๆ คือเครื่องมือที่สามารถช่วยในการจำแนกประเภทและการกำจัดสิ่งประดิษฐ์เมื่อเงื่อนไขต่าง ๆ สอดคล้องในทางที่เอื้ออำนวย

อ้างอิง

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

คำถามที่พบบ่อย

การสลายตัวของโหมดเชิงประจักษ์ (EMD) คืออะไรและทำไมจึงมีประโยชน์ต่อ EEG

EMD เป็นวิธีการประมวลผลสัญญาณแบบปรับตัวที่แบ่งรูปคลื่นออกเป็นส่วนประกอบการสั่นสะเทือนที่เรียกว่าฟังก์ชันโหมดภายในโดยไม่ต้องสมมติว่าสัญญาณนั้นคงที่ มันมีประโยชน์สำหรับ EEG เนื่องจากกิจกรรมของสมองเปลี่ยนแปลงอย่างต่อเนื่องและมีเหตุการณ์ชั่วคราวเกิดขึ้น ซึ่งเครื่องมือฐานคงที่แบบดั้งเดิมมักจะมีปัญหาในการแสดงภาพที่ถูกต้องแม่นยำ

กระบวนการกรองใน EMD ทำงานอย่างไร

กระบวนการกรองจะระบุจุดสูงสุดและจุดต่ำสุดในท้องถิ่นของสัญญาณซ้ำ ๆ สร้างกรอบขอบเขตบนและล่าง และลบค่าเฉลี่ยของพวกมันออกจากสัญญาณ ขั้นตอนนี้จะทำซ้ำจนกว่าองค์ประกอบที่เหลือจะมีกรอบขอบเขตที่สมมาตรและมีค่าเฉลี่ยใกล้เคียงศูนย์ ซึ่งเมื่อถึงจุดนั้นจะกลายเป็นฟังก์ชันโหมดภายใน

ฟังก์ชันโหมดภายใน (IMFs) คืออะไร

IMF คือองค์ประกอบพื้นฐานที่ขับเคลื่อนด้วยข้อมูลซึ่งสร้างโดย EMD โดยเรียงลำดับจากการสั่นสะเทือนที่เร็วที่สุดไปยังช้าที่สุด เนื่องจากพวกมันถูกดึงออกมาโดยตรงจากรูปร่างเฉพาะส่วนของสัญญาณแทนที่จะจับคู่กับรูปคลื่นที่ตั้งค่าไว้ล่วงหน้า พวกมันจึงสามารถจับพลวัตของระบบประสาทที่ผิดปกติและแปรเปลี่ยนได้

ทำไมการผสมโหมดจึงเป็นปัญหาใน EMD

การผสมโหมดเกิดขึ้นเมื่อการสั่นสะเทือนของมาตราส่วนเวลาที่แตกต่างกันถูกดักจับใน IMF เดียวกัน หรือเมื่อจังหวะเดียวถูกแบ่งออกเป็นหลาย IMF ความคลุมเครือนี้ทำให้ยากที่จะเชื่อถือได้ว่า IMF แสดงถึงกระบวนการทางสรีรวิทยาเพียงอย่างเดียว และอาจนำไปสู่การผสมผสานสัญญาณรบกวนหรือสิ่งประดิษฐ์เข้ากับกิจกรรมทางสมองที่แท้จริง

EMD จัดการกับเหตุการณ์ชั่วคราวอย่างจุดยอดชักได้อย่างไร

EMD แยกจุดยอดสั้น ๆ โดยการสกัดพวกมันเข้าสู่ IMF ที่มีความถี่สูง ซึ่งกิจกรรมที่เป็นพื้นหลังจะถูกแยกออก ภายใต้การปนเปื้อนจากกล้ามเนื้ออย่างหนัก EMD มีประสิทธิภาพเหนือกว่าวิธีกำจัดสิ่งประดิษฐ์อื่น ๆ แม้ว่าข้อดีของมันจะลดลงเมื่อมีสัญญาณที่สะอาดขึ้นหรือมีการกำหนดค่าแหล่งกำเนิดที่แตกต่างกัน

EMD สามารถแทนที่วิธีการดั้งเดิมเช่นการแปลงฟูริเยร์สำหรับการวิเคราะห์ EEG ทั้งหมดได้หรือไม่

EMD ไม่ใช่การทดแทนแบบสากล มันมีค่ามากที่สุดสำหรับสัญญาณที่ไม่คงที่และสัญญาณชั่วคราวที่วิธีการฟูริเยร์แบบฐานคงที่ทำงานได้ไม่ดี อย่างไรก็ตาม ความน่าเชื่อถือของมันจะแตกต่างกันไปตามระดับสัญญาณรบกวนและยังไม่ได้รับการพิสูจน์ในทุกเงื่อนไขการบันทึก EEG

EMD ต้องตั้งสมมติฐานว่าสัญญาณคงที่หรือไม่

ไม่ EMD ไม่ได้ตั้งสมมติฐานถึงความคงที่ ซึ่งเป็นข้อได้เปรียบหลักเหนือการวิเคราะห์ฟูริเยร์แบบคลาสสิกสำหรับ EEG การย่อยสลายจะปรับโดยตรงตามลักษณะทางสถิติที่เปลี่ยนไปของข้อมูล ช่วยให้สามารถติดตามพลวัตของสมองที่แปรเปลี่ยนและเหตุการณ์สั้น ๆ ได้โดยไม่ต้องเตรียมการล่วงหน้า

EMD สามารถวิเคราะห์ EEG หลายช่องสัญญาณโดยตรงได้หรือไม่

EMD ขั้นพื้นฐานมักจะนำไปใช้กับสัญญาณหนึ่งมิติ การวิเคราะห์หลายช่องสัญญาณต้องการกลยุทธ์แบบทีละช่องสัญญาณหรือแบบหลายตัวแปรที่รอบคอบ เนื่องจากเพียงแค่การรวมช่องสัญญาณเข้าด้วยกันอาจทำให้ความหมายทางพื้นที่และเชิงเวลาคลุมเครือได้