Empirical mode decomposition (EMD) ได้รับการพัฒนาขึ้นเพื่อตอบสนองต่อความไม่สอดคล้องกันระหว่างเครื่องมือประมวลผลสัญญาณ EEG และข้อมูลที่ต้องการวิเคราะห์ แทนที่จะเป็นการบังคับให้สัญญาณอยู่ในรูปแบบชุดคลื่นไซน์ (sine waves) หรือเวฟเล็ต (wavelets) ที่กำหนดไว้ล่วงหน้า EMD จะเปิดโอกาสให้ข้อมูลระบุองค์ประกอบพื้นฐานของตัวมันเอง องค์ประกอบพื้นฐานเหล่านี้เรียกว่า intrinsic mode functions (IMFs) และกระบวนการที่สร้างพวกมันขึ้นมานั้นไม่จำเป็นต้องมีสมมติฐานว่าสัญญาณมีความคงที่ (stationary) หรือเป็นเชิงเส้น (linear)
สิ่งนี้ทำให้ EMD มีความน่าสนใจในเชิงแนวคิดสำหรับการวิเคราะห์ EEG ซึ่งเหตุการณ์ชั่วคราวและไม่สม่ำเสมอมักเป็นคุณลักษณะสำคัญที่นักวิจัยต้องการตรวจจับ ความน่าสนใจดังกล่าวได้ผลักดันให้เกิดการวิจัยประยุกต์มากมายในด้านการตรวจจับอาการชัก การจำแนกอารมณ์ การกำจัดสิ่งเจือปนในสัญญาณ (artifact removal) และการเชื่อมต่อระหว่างสมองกับคอมพิวเตอร์ (brain-computer interfacing)
ทำไมสัญญาณ EEG จึงต้านทานเครื่องมือประมวลผลสัญญาณแบบดั้งเดิม
ปัญหาหลักในการนำวิธีการประมวลผลสัญญาณแบบคลาสสิกมาใช้กับ EEG คือปัญหาเชิงโครงสร้าง การวิเคราะห์โดยใช้ฟูเรียร์ จะแยกสัญญาณออกเป็นชุดคลื่นไซน์และโคไซน์คงที่ ซึ่งเป็นแนวทางที่ทำงานได้ดีเมื่อกระบวนการเบื้องหลังไม่มีการเปลี่ยนแปลงพฤติกรรมทางสถิติตามกาลเวลา
EEG ไม่ตรงตามเงื่อนไขดังกล่าว การทำงานของสมองของบุคคลในระหว่างการพักผ่อนอย่างเงียบสงบจะดูแตกต่างกันในทางสถิติจากการทำงานของบุคคลเดียวกันในระหว่างที่มีสมาธิจดจ่ออย่างฉับพลัน หรือในสภาพแวดล้อมทางคลินิกระหว่างที่มีอาการชัก งานวิจัยอ้างถึงคุณสมบัติที่ไม่คงที่ (non-stationary) นี้ว่าเป็นเหตุผลเริ่มต้นในการหันมาใช้ EMD แทนเครื่องมือที่อิงตามความถี่ซึ่งสร้างขึ้นสำหรับสัญญาณที่มีความเสถียร
ผลลัพธ์ในทางปฏิบัติคือ วิธีการที่สมมติว่าสัญญาณมีความคงที่อาจทำให้เหตุการณ์ของระบบประสาทที่เกิดขึ้นชั่วคราวพร่ามัวหรือบิดเบือนไป โดยจะถือว่าสไปก์ (spike) สั้นๆ นั้นกระจายอย่างสม่ำเสมอตลอดช่วงเวลาที่ยาวนานขึ้น สำหรับการใช้งานเช่นการวินิจฉัยโรคลมชัก ซึ่งจังหวะเวลาและรูปร่างของสไปก์มีความสำคัญต่อการวินิจฉัย ความพร่ามัวในลักษณะนั้นจึงถือเป็นข้อจำกัดที่แท้จริง
ทางออกที่ EMD นำเสนอคือการหลีกเลี่ยงข้อสันนิษฐานเกี่ยวกับชุดฟังก์ชันฐานคงที่ (fixed-basis) โดยสิ้นเชิง และปล่อยให้การแยกองค์ประกอบปรับเปลี่ยนไปตามรูปร่างที่แท้จริงของสัญญาณ
Empirical Mode Decomposition ทำหน้าที่อะไรและทำงานอย่างไร
EMD ทำงานผ่านกระบวนการทำซ้ำที่เรียกว่า การร่อน (sifting) อัลกอริทึมจะระบุจุดยอดและจุดต่ำสุดในท้องถิ่นของสัญญาณ เชื่อมต่อเข้าด้วยกันเป็นกรอบสัญญาณด้านบนและด้านล่าง (envelopes) และลบค่าเฉลี่ยของกรอบเหล่านั้นออกจากสัญญาณดั้งเดิม
ขั้นตอนนี้จะทำซ้ำจนกว่าองค์ประกอบที่ได้จะเป็นไปตามเงื่อนไขสองประการ:
กรอบด้านบนและด้านล่างมีความสมมาตรรอบศูนย์
ค่าเฉลี่ยยังคงใกล้ศูนย์ตลอดทั้งช่วงสัญญาณ
เมื่อองค์ประกอบตรงตามเงื่อนไขเหล่านี้ จะถูกระบุว่าเป็น intrinsic mode function (IMF) และจะถูกลบออกจากสัญญาณดั้งเดิมเพื่อให้กระบวนการสามารถแยกองค์ประกอบถัดไปได้
ผลลัพธ์ที่ได้คือชุดของ IMF ที่เรียงลำดับจากการแกว่งที่เร็วที่สุดไปช้าที่สุด ตามด้วยแนวโน้มสุดท้ายที่เหลืออยู่ซึ่งเก็บการเลื่อนตัวช้าๆ ที่ยังหลงเหลือไว้ เนื่องจาก IMF แต่ละตัวถูกดึงออกมาโดยตรงจากรูปร่างเฉพาะที่ของข้อมูลแทนที่จะจับคู่กับรูปคลื่นที่กำหนดไว้ล่วงหน้า โดยหลักการแล้ว EMD จึงสามารถแสดงไดนามิกที่ผิดปกติและแปรผันได้โดยที่ผู้วิเคราะห์ไม่จำเป็นต้องเลือกฟังก์ชันฐานไว้ล่วงหน้า
วิธี | สภาวะที่เหมาะสมที่สุด |
|---|---|
EMD | การปนเปื้อนอย่างรุนแรง |
ICA หรือ CCA | สัญญาณรบกวนเบาบาง แหล่งกำเนิดเดียว |
Wavelet Transform | สัญญาณรบกวนเบาบาง สองแหล่งกำเนิด |
EMD ตรวจจับเหตุการณ์ชั่วคราว เช่น สไปก์ของอาการชัก ได้อย่างไร
เหตุการณ์ชั่วคราวใน EEG เช่น สไปก์แบบโรคลมชัก หรือการปะทุสั้นๆ ที่เชื่อมโยงกับงานด้านการรับรู้ มีความสำคัญอย่างยิ่งทางคลินิกและประสาทวิทยาศาสตร์ แต่มักถูกกลบอยู่ภายใต้การทำงานของสมองเบื้องหลังหรือสัญญาณรบกวน นี่คือสถานการณ์ที่การแยกองค์ประกอบเฉพาะที่และแบบปรับตัวได้ของ EMD ได้รับการออกแบบมาเพื่อมอบความได้เปรียบเหนือวิธีการที่ใช้ฟังก์ชันฐานคงที่
การศึกษาโดย Safieddine และคณะ ได้ทดสอบเรื่องนี้โดยตรงโดยการจำลองสัญญาณคล้ายสไปก์ของโรคลมชักและทำให้ปนเปื้อนด้วยสัญญาณรบกวนจากกล้ามเนื้อจริงที่ระดับความเข้มข้นต่างๆ จากนั้นเปรียบเทียบวิธีการแก้ไขสี่วิธี:
EMD
การวิเคราะห์องค์ประกอบอิสระ (ICA)
Canonical correlation analysis (CCA)
Wavelet transform
เมื่อมีการปนเปื้อนอย่างรุนแรง EMD มีประสิทธิภาพเหนือกว่าอีกสามทางเลือก อย่างไรก็ตาม ความได้เปรียบนั้นไม่ได้เกิดขึ้นในทุกกรณี เมื่อสัญญาณมีสัญญาณรบกวนน้อยกว่าและสไปก์มาจากแหล่งกำเนิดในคอร์เทกซ์เพียงแหล่งเดียว CCA และ ICA ให้ผลลัพธ์ที่ดีกว่า เมื่อสไปก์มีต้นกำเนิดมาจากสองแหล่งที่แตกต่างกัน EMD หรือ ICA ทำงานได้ดีที่สุดภายใต้สัญญาณรบกวนรุนแรง ในขณะที่ Wavelet transform ทำงานได้ดีกว่าภายใต้สัญญาณรบกวนที่เบาบางกว่า
กล่าวอีกนัยหนึ่ง เครื่องมือขจัดสัญญาณแปลกปลอมที่ดีที่สุดขึ้นอยู่กับทั้งระดับสัญญาณรบกวนและโครงสร้างของแหล่งกำเนิดเบื้องหลัง และความได้เปรียบของ EMD จะเด่นชัดที่สุดในกรณีที่มีการปนเปื้อนอย่างรุนแรง
ในขณะเดียวกัน งานวิจัยโดย Riaz และคณะ และ Shafiul Alam และคณะ ได้เปลี่ยนจากการแก้ไขสัญญาณแปลกปลอมไปสู่การจำแนกประเภท โดยใช้ IMF เป็นแหล่งของคุณลักษณะในการตรวจจับอาการชักและโรคลมชัก
ทีมของ Riaz ได้สกัดโมเมนต์เชิงเวลา ซึ่งหมายถึงการวัดทางสถิติ เช่น ความแปรปรวน ความเบ้ และความโด่ง ร่วมกับคุณลักษณะทางสเปกตรัม เช่น จุดศูนย์ถ่วงสเปกตรัมและความเบ้สเปกตรัม จาก IMF แต่ละตัว คุณลักษณะเหล่านี้ถูกป้อนเข้าสู่ Support Vector Machine ซึ่งเป็นตัวจำแนกประเภทการเรียนรู้แบบมีผู้ดูแลมาตรฐาน และผลการจำแนกผู้ป่วยโรคลมชักและช่วงที่มีอาการชักให้ผลลัพธ์ที่ผู้เขียนอธิบายว่าเป็นผลลัพธ์ที่ดีเมื่อเทียบกับวิธีการสกัดคุณลักษณะที่เป็นที่ยอมรับอื่นๆ
ทีมของ Alam ก้าวหน้าไปอีกขั้นโดยใช้โมเมนต์ทางสถิติลำดับสูงกว่าที่คำนวณภายในขอบเขตของ EMD และป้อนเข้าสู่โครงข่ายประสาทเทียม ในงานการจำแนกหลายงาน ซึ่งรวมถึงการแยกแยะการเกิดอาการชักออกจากการไม่เกิดอาการชัก วิธีนี้รายงานค่าความแม่นยำ ความไว และความจำเพาะสูงถึง 100 เปอร์เซ็นต์ ในขณะที่ทำงานได้เร็วกว่าเทคนิคการวิเคราะห์เวลา-ความถี่ที่เทียบเคียงกัน
เมื่อพิจารณาร่วมกัน การศึกษาเหล่านี้ชี้ให้เห็นว่า EMD สามารถช่วยแยกการทำงานของโรคลมชักที่เกิดขึ้นชั่วคราวได้ แต่ประสิทธิภาพนั้นขึ้นอยู่กับระดับสัญญาณรบกวน รูปทรงเรขาคณิตของแหล่งกำเนิด และชุดข้อมูลที่ใช้ทดสอบ มากกว่าที่จะเป็นข้อได้เปรียบที่คงที่และรับประกันได้เสมอไป
ความท้าทายทั่วไปใน Empirical Mode Decomposition
EMD มีความยืดหยุ่น แต่ความยืดหยุ่นนั้นทำให้เกิดทางเลือกเชิงระเบียบวิธีที่อาจส่งผลกระทบต่อข้อสรุปทางวิทยาศาสตร์ การรบกวนเพียงเล็กน้อยในสัญญาณอาจเปลี่ยนจุดขั้วสุด และทำให้กรอบสัญญาณและโหมดที่แยกออกมาเปลี่ยนแปลงไป สัญญาณรบกวน การกรอง การบันทึกที่สั้น และขอบเขตที่คมชัด ล้วนทำให้การแยกองค์ประกอบมีความเสถียรน้อยลงได้
การตรวจสอบทั่วไปจะช่วยเผยให้เห็นมากกว่าการปกปิดความยากลำบากเหล่านี้ ซึ่งรวมถึง:
การวัดความคลาดเคลื่อนในการสร้างสัญญาณใหม่หลังจากรวม IMF และส่วนตกค้างเข้าด้วยกัน
การทดสอบความไวต่อการจัดการจุดสิ้นสุดและเกณฑ์ขั้นต่ำในการร่อน
การเปรียบเทียบการแยกองค์ประกอบในส่วนข้อมูลที่ซ้ำกันหรือกลุ่มสัญญาณรบกวน
การตรวจสอบว่าองค์ประกอบที่ถูกลบออกไปนั้นมีการทำงานของระบบประสาทที่สมเหตุสมผลหรือไม่
การตรวจสอบเหล่านี้ไม่ได้ขจัดความคลุมเครือ แต่ช่วยให้มองเห็นได้ชัดเจน ปรากฏการณ์ Mode mixing อาจต้องการตัวแปรแบบ ensemble ในขณะที่เนื้อหาความถี่สูงที่มากเกินไปอาจบ่งชี้ถึงการปนเปื้อนมากกว่าโหมดทางประสาทที่มีประโยชน์ ไม่ว่าในกรณีใด การวิเคราะห์ควรรายงานการตัดสินใจที่สร้างการแสดงผลขั้นสุดท้ายออกมา
ความท้าทายอีกประการหนึ่งคือการสื่อสาร ดัชนี IMF เป็นเพียงป้ายกำกับเชิงอัลกอริทึม ไม่ใช่การวินิจฉัยหรือแถบคลื่น EEG ที่กำหนดไว้อย่างเป็นสากล จำเป็นต้องมีตัวเลขที่ชัดเจน บันทึกพารามิเตอร์ และภาษาที่รอบคอบเมื่อผลลัพธ์เปลี่ยนจากการประมวลผลสัญญาณเชิงสำรวจไปสู่การตีความทางชีวการแพทย์
Mode Mixing: จุดอ่อนหลักของ EMD ขั้นพื้นฐาน
จุดอ่อนเชิงโครงสร้างที่ชัดเจนที่สุดใน EMD ขั้นพื้นฐานคือปรากฏการณ์ที่เรียกว่า mode mixing ซึ่งเกิดขึ้นได้สองรูปแบบที่เกี่ยวข้องกัน ไม่ว่าจะเป็นการแกว่งที่มีมาตราส่วนเวลาต่างกันมากกลับติดอยู่ภายใน IMF เดียวกัน หรือองค์ประกอบของจังหวะที่ต่อเนื่องเพียงหนึ่งเดียวกลับแตกกระจายไปตาม IMF หลายตัวแทนที่จะรวมอยู่ในอันเดียว ปัญหาสองรูปแบบนี้ทำให้ยากที่จะเชื่อมั่นว่า IMF นั้นสอดคล้องกับกระบวนการทางสรีรวิทยาที่แท้จริงเพียงกระบวนการเดียว
ความเสี่ยงในทางปฏิบัติคือเรื่องของการตีความ หากนักวิจัยสันนิษฐานว่า IMF ใด IMF หนึ่งเป็นตัวแทนของการทำงานในย่านความถี่เฉพาะ แต่ IMF นั้นกลับมีสัญญาณรบกวนจากกล้ามเนื้อและสไปก์ที่หลงเหลือผสมผสานกันเนื่องจาก mode mixing ข้อสรุปใดๆ ที่ได้จาก IMF นั้นจะไม่น่าเชื่อถือ
Complete Ensemble Empirical Mode Decomposition
Complete ensemble empirical mode decomposition หรือที่เรียกกันทั่วไปว่า CEEMD คือส่วนขยายของ EMD ที่ใช้สัญญาณรบกวนเข้ามาช่วย โดยจะเพิ่มสัญญาณรบกวนที่ควบคุมอย่างระมัดระวังเข้าไปในสัญญาณ จากนั้นแยกองค์ประกอบของ ensemble ที่ได้ และหาค่าเฉลี่ยของโหมดที่สอดคล้องกัน โดยมีเป้าหมายเพื่อให้การแยกองค์ประกอบมีความเสถียรมากขึ้นเมื่อสเกลการแกว่งที่ใกล้เคียงกันนั้นแยกออกจากกันได้ยาก
CEEMD ปรับปรุงจาก EMD มาตรฐานอย่างไร
EMD มาตรฐานอาจประสบปัญหา mode mixing ซึ่งการแกว่งที่มีสเกลต่างกันจะปรากฏใน IMF เดียวกัน หรือสเกลที่คล้ายกันจะกระจายไปตาม IMF หลายตัว CEEMD จัดการกับความไม่เสถียรนี้ในทางสถิติมากกว่าการเปลี่ยนแนวคิดการร่อนกรอบสัญญาณพื้นฐาน การแยกองค์ประกอบซ้ำๆ และการหาค่าเฉลี่ยสามารถลดอิทธิพลของสัญญาณรบกวนแต่ละครั้งได้ แต่ผลลัพธ์ยังคงขึ้นอยู่กับการออกแบบ ensemble แอมพลิจูดของสัญญาณรบกวน จำนวนการทดลอง และรายละเอียดการนำไปใช้งาน
วิธีนี้ไม่ได้ดีกว่าโดยอัตโนมัติสำหรับทุกชุดข้อมูล เนื่องจากจะเพิ่มต้นทุนในการคำนวณและอาจยังคงมีสัญญาณรบกวนตกค้างอยู่ หรือนำไปสู่ความไวที่ขอบเขตหากเลือกพารามิเตอร์ได้ไม่ดี สำหรับ EEG การเปรียบเทียบจึงควรตรวจสอบคุณภาพการสร้างสัญญาณใหม่ ความเสถียรในแต่ละการทดลอง การคงอยู่ของเหตุการณ์ชั่วคราว และโหมดที่ได้ยังคงสามารถตีความสำหรับคำถามวิจัยที่ระบุไว้ได้หรือไม่
แอปพลิเคชัน EEG ใดบ้างที่ได้ทดสอบ EMD ไปแล้ว
โดยทั่วไป EMD ถูกนำมาใช้ในสามหมวดหมู่หลัก
การสกัดคุณลักษณะสำหรับการจำแนกประเภทเป็นกรณีการใช้งานที่ใหญ่ที่สุด ตัวอย่างเช่น การศึกษาที่นำโดย Ning Zhuang ได้ใช้ EMD ในการรับรู้อารมณ์ โดยสกัดคุณลักษณะหลายมิติจาก IMF ซึ่งรวมถึงผลต่างอันดับหนึ่งของอนุกรมเวลา ผลต่างอันดับหนึ่งของเฟส และพลังงานที่ปรับมาตรฐานแล้ว จากนั้นทดสอบกับฐานข้อมูลอารมณ์ DEAP ที่เปิดเผยต่อสาธารณะ การศึกษาพบว่าองค์ประกอบ IMF1 ความถี่สูงมีผลอย่างมีนัยสำคัญต่อการแยกแยะสภาวะทางอารมณ์ และแนวทางโดยรวมมีประสิทธิภาพเหนือกว่าวิธีการเปรียบเทียบซึ่งรวมถึง มิติแฟร็กทัล (fractal dimension), sample entropy และ discrete wavelet transform
การกำจัดสัญญาณแปลกปลอม แสดงให้เห็นในการศึกษา เช่น การศึกษาโดย Safieddine และคณะ ซึ่งการแยกองค์ประกอบตามกรอบสัญญาณที่แน่นอนของ EMD สามารถกำจัดสัญญาณรบกวนจากกล้ามเนื้อออกจาก EEG โรคลมชักจำลองได้อย่างมีประสิทธิภาพมากกว่า ICA, CCA หรือวิธีที่อิงตามเวฟเล็ต โดยเฉพาะอย่างยิ่งภายใต้สภาวะที่มีการปนเปื้อนอย่างรุนแรง
สุดท้ายนี้ การวิเคราะห์หลายช่องสัญญาณและอินเทอร์เฟซสมองกับคอมพิวเตอร์ สามารถพบได้ในงานวิจัยที่ตีพิมพ์ใน Journal of Circuits, Systems and Computers ซึ่งใช้ EMD กับแต่ละช่องสัญญาณแยกกันในการบันทึก EEG หลายช่องสัญญาณ และ IMF ที่ได้จะถูกจัดกลุ่มตามความคล้ายคลึงของสเปกตรัมเพื่อระบุว่าองค์ประกอบใดสัมพันธ์กับสิ่งเร้าภายนอก
การสร้างสัญญาณขึ้นใหม่จากเฉพาะองค์ประกอบที่เชื่อมโยงกับสิ่งเร้าเหล่านั้นช่วยให้นักวิจัยสามารถระบุได้ว่าเมื่อใดที่กลุ่มตัวอย่างกำลังให้ความสนใจกับสิ่งเร้าหนึ่งๆ ซึ่งเป็นความสามารถที่เกี่ยวข้องโดยตรงกับ ระบบ BCI ที่ต้องอาศัยการแยกแยะสัญญาณประสาทที่ตั้งใจออกจากสัญญาณรบกวนเบื้องหลัง
งานวิจัย Empirical Mode Decomposition โดยใช้ Emotiv Headsets
การตรวจจับอาการชักแบบอัตโนมัติด้วย EEMD และ Emotiv Insight
ทีมวิจัยหนึ่งได้นำเสนอระบบสมองกลฝังตัวที่ใช้ Ensemble Empirical Mode Decomposition (EEMD) สำหรับการจำแนกอาการชักแบบอัตโนมัติจาก EEG โดยใช้ headset Emotiv Insight แบบ 5 ช่องสัญญาณ นักวิจัยได้ใช้อัลกอริทึมการร่อนที่ได้รับการปรับปรุงตามการสร้างกรอบสัญญาณ และรายงานว่าระบบมีประสิทธิภาพเทียบเท่ากับผลการจำลองในสัญญาณหลายตัวแปร งานนี้มุ่งเน้นไปที่ความท้าทายในทางปฏิบัติของการตรวจจับอาการชักในกลุ่มตัวอย่างที่อยู่ห่างไกลโดยไม่ต้องพึ่งพาชุดอุปกรณ์หลายช่องสัญญาณที่เทอะทะ
ตัวชี้เมาส์ที่ขับเคลื่อนด้วยไจโรสโคปพร้อมการลดสัญญาณแปลกปลอมด้วย EMD
อีกการศึกษาหนึ่งได้พัฒนาตัวชี้เมาส์ที่ขับเคลื่อนด้วยไจโรสโคปซึ่งควบคุมโดย headset Emotiv Epoc X นักวิจัยใช้ Empirical Mode Decomposition สำหรับสองวัตถุประสงค์ ได้แก่ เพื่อลดสัญญาณแปลกปลอมที่เกิดจากการเคลื่อนไหวของศีรษะ และเพื่อตรวจจับสัญญาณการกะพริบตาสำหรับการคลิกเมาส์ ตำแหน่งเคอร์เซอร์ได้รับการจัดการโดยไจโรสโคปที่ติดตั้งอยู่ใน headset โดยมีการใช้ตัวกรองคาลมาน (Kalman filter) เพื่อขจัดอาการสั่น ผู้เขียนรายงานอัตราการตรวจจับการกะพริบตาเฉลี่ยที่ 94.9% ในการทดสอบเชิงการทดลอง
EMD มีประสิทธิภาพเหนือกว่า DWT สำหรับการระบุตัวตนบุคคลด้วย EEG ความหนาแน่นต่ำ
นักวิจัยได้ตรวจสอบการระบุตัวตนบุคคลโดยใช้ EMD จาก EEG ในภาวะพักที่บันทึกด้วย Emotiv Epoc X พวกเขาเปรียบเทียบ Empirical Mode Decomposition กับ Discrete Wavelet Transform (DWT) สำหรับการสกัดคุณลักษณะ โดยทดสอบตัวจำแนกประเภทสามตัวกับจำนวนช่องสัญญาณตั้งแต่ 14 ช่องสัญญาณเต็มไปจนถึงช่องสัญญาณเดียว ผลการวิจัยชี้ให้เห็นว่า EMD มีความทนทานมากกว่า DWT เมื่อจำนวนช่องสัญญาณลดลง ตัวอย่างเช่น เมื่อใช้ 4 ช่องสัญญาณ EMD มีความแม่นยำ 0.76 เทียบกับ 0.74 สำหรับ DWT เมื่อใช้ 2 ช่องสัญญาณ EMD ยังคงอยู่ที่ 0.64 ในขณะที่ DWT ลดลงเหลือ 0.56 และเมื่อใช้ 1 ช่องสัญญาณ EMD ยังคงอยู่ที่ 0.46 เทียบกับ 0.31 ของ DWT การศึกษานี้ชี้ให้เห็นว่า EMD อาจให้ข้อได้เปรียบสำหรับการระบุตัวตนบุคคลเมื่อความหนาแน่นของการบันทึกอยู่ในระดับต่ำ
การตรวจสอบทั้งสามนี้แสดงให้เห็นว่า EMD และตัวแปร ensemble กำลังถูกนำไปใช้ในโครงการที่หลากหลายที่ใช้ Emotiv ตั้งแต่การจำแนกอาการชักและการควบคุมเคอร์เซอร์ไปจนถึงการระบุตัวตนของแต่ละบุคคล อย่างไรก็ตาม การค้นพบนี้ยังคงจำเพาะเจาะจงกับชุดข้อมูล การกำหนดค่า headset และโปรโตคอลการประเมินที่ใช้ในแต่ละการศึกษา และไม่ได้เป็นการยืนยันว่า EMD จะเหนือกว่าในระดับสากลสำหรับทุกงาน EEG หรือการตั้งค่าฮาร์ดแวร์ทั้งหมด
บทแนะนำ Empirical Mode Decomposition สำหรับผู้เริ่มต้น
ผู้เริ่มต้นสามารถจินตนาการถึง EMD ว่าเหมือนการปอกการแกว่งที่เร็วที่สุดที่มองเห็นได้ออกจากรูปคลื่นที่ซับซ้อนซ้ำๆ อัลกอริทึมไม่ได้เริ่มต้นด้วยรายการของแถบความถี่ แต่จะสังเกตว่าสัญญาณขึ้นและลงตรงไหน ประมาณเส้นกึ่งกลางเฉพาะที่ และลบเส้นกึ่งกลางนั้นออกจากการแกว่งที่กำลังพิจารณา
แบบฝึกหัดการเรียนรู้ที่เหมาะสมเริ่มต้นด้วยสัญญาณสังเคราะห์สั้นๆ ที่สะอาดตาซึ่งประกอบด้วยการแกว่งสองระลอกและแนวโน้มที่เปลี่ยนแปลงช้า ผลลัพธ์ที่คาดหวังไม่ใช่การแยกที่สมบูรณ์แบบในทุกกรณี แต่เป็นชุดขององค์ประกอบที่ผลรวมสามารถสร้างสัญญาณอินพุตขึ้นมาใหม่ได้อย่างใกล้เคียง การพล็อตสัญญาณดั้งเดิม IMF ทุกตัว และส่วนตกค้างบนแกนเวลาร่วมกันมักจะให้ข้อมูลมากกว่าการตรวจสอบผลลัพธ์ที่เป็นตัวเลขเพียงอย่างเดียว
สำหรับการบันทึก EEG เวิร์กโฟลว์ยังรวมถึงการตัดสินใจที่ต้องทำก่อนการแยกองค์ประกอบ:
การเลือกช่องสัญญาณและช่วงของข้อมูล
การตรวจสอบข้อมูลการสุ่มตัวอย่าง
การทำเครื่องหมายช่วงข้อมูลที่ไม่ดี
การบันทึกเอกสารขั้นตอนการเตรียมข้อมูลเบื้องต้น
คู่มือการแยกองค์ประกอบความถี่ทั่วไปสามารถช่วยจัดวางตำแหน่งของ EMD ท่ามกลางฟูเรียร์ เวฟเล็ต และวิธีเวลา-ความถี่ที่เกี่ยวข้อง ทางเลือกเหล่านี้ไม่ได้ทำให้ EMD กลายเป็นการทดสอบทางคลินิก แต่สิ่งเหล่านี้จะกำหนดเงื่อนไขที่สามารถประเมินผลลัพธ์ของมันได้
Empirical Mode Decomposition Python: การเขียนโค้ดทีละขั้นตอน
การทำงานด้วย Python โดยทั่วไปจะรับอาร์เรย์หนึ่งมิติและส่งคืนชุดของ IMF ซึ่งบางครั้งอาจมีส่วนตกค้างหรือผ่านการคำนวณส่วนตกค้างแยกต่างหาก เวิร์กโฟลว์พื้นฐานจะโหลดสัญญาณ ยืนยันลำดับการสุ่มตัวอย่างและสถานะค่าที่ขาดหายไป รันการแยกองค์ประกอบ และพล็อตองค์ประกอบออกมา การวิเคราะห์ที่ทำซ้ำได้ยังต้องบันทึกเวอร์ชันของไลบรารีและพารามิเตอร์ที่ควบคุมการร่อนและพฤติกรรมของ ensemble อีกด้วย
ไลบรารี Python ยอดนิยมสำหรับ EMD
แพ็กเกจ Python ทางวิทยาศาสตร์หลายตัวมี EMD หรืออัลกอริทึมที่เกี่ยวข้อง แต่ API และค่าเริ่มต้นมีความแตกต่างกัน บางตัวนำเสนอ EMD มาตรฐาน ตัวแปร ensemble เกณฑ์ขั้นต่ำในการหยุด ทางเลือกของ spline และตัวช่วยแสดงภาพข้อมูล ในขณะที่ตัวอื่นๆ ต้องการการประกอบด้วยตนเองมากกว่า งานเขียนโค้ดหลักไม่ใช่เพียงแค่การเรียกใช้ฟังก์ชัน แต่เป็นการตรวจสอบว่าองค์ประกอบที่ส่งคืนมานั้นหมายถึงอะไร และผลรวมขององค์ประกอบเหล่านั้นสามารถสร้างสัญญาณอินพุตขึ้นใหม่ได้หรือไม่
รูปแบบรหัสเทียม (pseudocode) ขั้นต่ำคือ:
โค้ดนี้ตั้งใจให้เป็นแบบแผนโครงร่างเนื่องจากชื่อฟังก์ชันและค่าที่ส่งคืนจะแตกต่างกันไปตามแพ็กเกจ การตรวจสอบความถูกต้องควรครอบคลุมถึงความคลาดเคลื่อนในการสร้างสัญญาณใหม่ พล็อตของจุดขั้วสุดและขอบเขต และการตรวจสอบความไวภายใต้การเปลี่ยนแปลงพารามิเตอร์ที่สมเหตุสมผล
สำหรับ EEG มิติของข้อมูลก็มีความสำคัญเช่นกัน: การบันทึกแบบหลายช่องสัญญาณอาจต้องใช้เวิร์กโฟลว์แบบทีละช่องสัญญาณหรือวิธีการแบบหลายตัวแปรโดยเฉพาะ แทนที่จะรวมทุกช่องสัญญาณเข้าเป็นอาร์เรย์เดียวโดยไม่คำนึงถึงโครงสร้าง
การนำ Empirical Mode Decomposition มาใช้กับสัญญาณ EEG
EEG เป็นบริบทที่เหมาะสมอย่างยิ่งสำหรับ Empirical Mode Decomposition เนื่องจากความเปลี่ยนแปลงของแรงดันไฟฟ้าอาจประกอบด้วยจังหวะที่ทับซ้อนกัน เหตุการณ์ชั่วคราว และการทำงานที่ไม่คงที่ EMD อาจถูกนำไปใช้กับแต่ละช่องสัญญาณหรือช่วงที่เลือกเพื่อตรวจสอบว่าการแกว่งเฉพาะที่มีการเปลี่ยนแปลงอย่างไร คำถามทางวิทยาศาสตร์ที่เกี่ยวข้องอาจเกี่ยวข้องกับโครงสร้างเชิงเวลา การแยกสัญญาณแปลกปลอม การเปลี่ยนแปลงที่เกี่ยวข้องกับเหตุการณ์ หรือคุณลักษณะสำหรับแบบจำลองทางสถิติต่อไป
ก่อนการแยกองค์ประกอบ คุณภาพของสัญญาณและบริบทการบันทึกจำเป็นต้องได้รับการใส่ใจ การวางตำแหน่งอิเล็กโทรด แผนผังการอ้างอิง อัตราการสุ่มตัวอย่าง การกรอง ตัวอย่างที่ขาดหายไป และสัญญาณแปลกปลอมที่ทำเครื่องหมายไว้ ล้วนส่งผลต่อจุดขั้วสุดเฉพาะที่ได้
ยิ่งไปกว่านั้น IMF ที่ได้ไม่ควรถูกกำหนดป้ายกำกับทางสรีรวิทยาตามลำดับเพียงอย่างเดียว องค์ประกอบที่เร็วอาจรวมถึงสัญญาณรบกวนจากกล้ามเนื้อหรือเครื่องมือ และองค์ประกอบที่ช้ากว่าอาจมีการเลื่อนตัว (drift) รวมถึงการทำงานที่มีความหมาย
การตีความจะมีความน่าเชื่อถือมากขึ้นเมื่อเปรียบเทียบสัญญาณที่สร้างขึ้นใหม่ มีบันทึกการตรวจสอบที่ชัดเจนขององค์ประกอบที่ถูกคัดออก และทดสอบว่าผลการค้นพบยังคงเหมือนเดิมข้ามช่องสัญญาณ ผู้เข้าร่วม และตัวเลือกการวิเคราะห์ต่างๆ หรือไม่
Empirical Mode Decomposition เทียบกับ Wavelet Transform
EMD และ Wavelet transform ต่างรองรับการวิเคราะห์เวลา-ความถี่ แต่จัดระเบียบโครงสร้างสัญญาณแตกต่างกัน EMD หาโหมดจากจุดขั้วสุดเฉพาะที่ในข้อมูลที่สังเกตได้ ในขณะที่การวิเคราะห์เวฟเล็ตจะเปรียบเทียบสัญญาณกับชุดฟังก์ชันฐานที่มีการปรับสเกลและเลื่อนตำแหน่งที่เลือกไว้ วิธีหนึ่งปรับตัวตามข้อมูล อีกวิธีหนึ่งให้ระบบพิกัดหลายสเกลที่กำหนดไว้ล่วงหน้า
ความแตกต่างจะชัดเจนขึ้นเมื่อเปรียบเทียบลำดับความสำคัญในการวิเคราะห์:
คุณลักษณะ | Empirical mode decomposition | Wavelet transform |
|---|---|---|
การแสดงผล | Intrinsic mode functions ที่ได้จากข้อมูล | สัมประสิทธิ์บนสเกลเวฟเล็ตที่เลือก |
ฟังก์ชันฐาน | ปรับเปลี่ยนได้และขึ้นอยู่กับสัญญาณ | ชุดเวฟเล็ตที่กำหนดไว้ล่วงหน้า |
การระบุตำแหน่งเวลา | เฉพาะที่ ด้วยโหมดที่ขึ้นอยู่กับข้อมูล | ขึ้นอยู่กับสเกลและควบคุมโดยเวฟเล็ต |
ข้อกังวลหลัก | Mode mixing, ผลกระทบที่จุดสิ้นสุด, กฎการหยุด | การเลือกฟังก์ชันฐาน, ข้อแลกเปลี่ยนเรื่องความละเอียด, ผลกระทบที่ขอบเขต |
ไม่มีวิธีใดที่ดีกว่าในระดับสากล EMD สามารถให้การแยกองค์ประกอบที่เข้าใจได้ง่ายสำหรับการแกว่งที่มีการเปลี่ยนแปลง ในขณะที่เวฟเล็ตสามารถให้กรอบการทำงานที่สอดคล้องกันในการเปรียบเทียบสัญญาณเมื่อฟังก์ชันฐานและสเกลมีความเหมาะสมในทางวิทยาศาสตร์
การเลือกใช้ควรพิจารณาจากโจทย์วิจัย เหตุการณ์ชั่วคราวที่คาดว่าจะพบ ความจำเป็นในการทำซ้ำได้ และกลยุทธ์การตรวจสอบความถูกต้อง แทนที่จะอ้างกว้างๆ ว่าวิธีใดวิธีหนึ่งมีความล้ำหน้ามากกว่า
การวิเคราะห์สัญญาณสมองได้ประโยชน์อะไรจากการแยกองค์ประกอบที่ขับเคลื่อนด้วยข้อมูล
การทำงานของสมองแทบจะไม่เคยอยู่นิ่งนานพอที่เครื่องมือวัดความถี่แบบคลาสสิกจะตรวจจับช่วงเวลาที่สำคัญที่สุดได้ ซึ่งเป็นเหตุผลว่าทำไมวิธีการที่อนุญาตให้สัญญาณกำหนดองค์ประกอบพื้นฐานของตัวเองจึงได้รับความสนใจอย่างแท้จริง
Empirical mode decomposition ก้าวข้ามความจำเป็นในการใช้แม่แบบทางคณิตศาสตร์แบบคงที่ โดยให้ผลลัพธ์ที่พิสูจน์แล้วว่ามีประโยชน์ในการแยกสไปก์ของอาการชักภายใต้สัญญาณรบกวนที่รุนแรง และการสกัดคุณลักษณะที่มีความหมายสำหรับการรับรู้อารมณ์ การเปลี่ยนไปสู่การวิเคราะห์ที่ปรับตัวตามสัญญาณเช่นนี้เปิดทางให้กับการตรวจจับเหตุการณ์ทางประสาทชั่วคราวที่อาจพร่ามัวหรือพลาดไป ผลลัพธ์ในทางปฏิบัติ ดังที่เห็นจากการศึกษาต่างๆ คือเครื่องมือที่สามารถช่วยในการจำแนกประเภทและการกำจัดสัญญาณแปลกปลอมเมื่อเงื่อนไขเอื้ออำนวย
เอกสารอ้างอิง
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
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
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
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
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
Empirical mode decomposition (EMD) คืออะไร และทำไมจึงมีประโยชน์สำหรับ EEG
EMD เป็นวิธีการประมวลผลสัญญาณแบบปรับตัวได้ ซึ่งจะแยกย่อยรูปคลื่นออกเป็นองค์ประกอบการแกว่งที่เรียกว่า intrinsic mode functions โดยไม่ต้องตั้งข้อสันนิษฐานว่าสัญญาณมีความคงที่ มีประโยชน์สำหรับ EEG เนื่องจากกิจกรรมของสมองมีการเปลี่ยนแปลงอย่างต่อเนื่องและมีเหตุการณ์ชั่วคราวเกิดขึ้น ซึ่งเครื่องมือแบบใช้ฟังก์ชันฐานคงที่ดั้งเดิมประสบปัญหาในการแสดงผลอย่างแม่นยำ
กระบวนการร่อน (sifting) ใน EMD ทำงานอย่างไร
กระบวนการร่อนจะระบุจุดยอดและจุดต่ำสุดเฉพาะที่ของสัญญาณซ้ำๆ สร้างกรอบสัญญาณด้านบนและด้านล่าง และลบค่าเฉลี่ยออกจากสัญญาณ ขั้นตอนนี้จะทำซ้ำจนกว่าองค์ประกอบที่เหลือจะมีกรอบสัญญาณที่สมมาตรและมีค่าเฉลี่ยใกล้ศูนย์ ซึ่งเมื่อถึงจุดนั้นองค์ประกอบดังกล่าวจะกลายเป็น intrinsic mode function
Intrinsic mode functions (IMFs) คืออะไร
IMF คือองค์ประกอบพื้นฐานที่ได้จากข้อมูลซึ่งสร้างขึ้นโดย EMD โดยเรียงลำดับจากการแกว่งที่เร็วที่สุดไปช้าที่สุด เนื่องจากองค์ประกอบเหล่านี้ถูกดึงออกมาโดยตรงจากรูปร่างเฉพาะที่ของสัญญาณแทนที่จะจับคู่กับรูปคลื่นที่กำหนดไว้ล่วงหน้า จึงสามารถจับไดนามิกของระบบประสาทที่ผิดปกติและแปรผันได้
ทำไม mode mixing จึงเป็นปัญหาใน EMD
Mode mixing เกิดขึ้นเมื่อการแกว่งของมาตราส่วนเวลาที่ต่างกันไปติดอยู่ภายใน IMF เดียวกัน หรือเมื่อจังหวะเดียวถูกแยกออกเป็นหลาย IMF ความคลุมเครือนี้ทำให้ยากที่จะเชื่อถือได้ว่า IMF นั้นเป็นตัวแทนของกระบวนการทางสรีรวิทยาเพียงกระบวนการเดียว ซึ่งอาจผสมผสานสัญญาณรบกวนหรือสิ่งแปลกปลอมเข้ากับกิจกรรมการทำงานของสมองที่แท้จริง
EMD จัดการกับเหตุการณ์ชั่วคราว เช่น สไปก์ของอาการชัก ได้อย่างไร
EMD แยกสไปก์สั้นๆ โดยดึงออกมาเป็น IMF ความถี่สูง ซึ่งการทำงานเบื้องหลังจะถูกแยกออกไป ภายใต้การปนเปื้อนของกล้ามเนื้ออย่างรุนแรง EMD มีประสิทธิภาพเหนือกว่าวิธีกำจัดสัญญาณแปลกปลอมอื่นๆ แม้ว่าความได้เปรียบจะลดลงเมื่อสัญญาณสะอาดขึ้นหรือโครงสร้างของแหล่งกำเนิดเปลี่ยนไป
EMD สามารถแทนที่วิธีการดั้งเดิม เช่น การแปลงฟูเรียร์ สำหรับการวิเคราะห์ EEG ทั้งหมดได้หรือไม่
EMD ไม่ใช่สิ่งที่จะมาแทนที่ได้ในทุกกรณี โดยจะมีค่ามากที่สุดสำหรับสัญญาณที่ไม่คงที่และเกิดขึ้นชั่วคราวซึ่งวิธีฟูเรียร์แบบฟังก์ชันฐานคงที่ไม่สามารถทำได้ดี อย่างไรก็ตาม ความน่าเชื่อถือของวิธีนี้จะแตกต่างกันไปตามระดับสัญญาณรบกวน และยังไม่ได้รับการพิสูจน์ในทุกสภาวะการบันทึก EEG
EMD จำเป็นต้องมีข้อสันนิษฐานว่าสัญญาณมีความคงที่หรือไม่
ไม่ EMD ไม่จำเป็นต้องมีข้อสันนิษฐานว่าสัญญาณมีความคงที่ ซึ่งเป็นข้อได้เปรียบหลักเหนือการวิเคราะห์ฟูเรียร์แบบคลาสสิกสำหรับ EEG การแยกองค์ประกอบจะปรับเปลี่ยนโดยตรงตามคุณลักษณะทางสถิติที่เปลี่ยนแปลงไปของข้อมูล ทำให้สามารถติดตามไดนามิกของสมองที่ผันแปรและเหตุการณ์สั้นๆ ได้โดยไม่ต้องปรับสภาพสัญญาณล่วงหน้า
EMD สามารถวิเคราะห์ EEG หลายช่องสัญญาณได้โดยตรงหรือไม่
EMD ขั้นพื้นฐานมักใช้กับสัญญาณหนึ่งมิติ การวิเคราะห์หลายช่องสัญญาณจำเป็นต้องมีกลยุทธ์แบบทีละช่องสัญญาณหรือแบบหลายตัวแปรที่รอบคอบ เนื่องจากเพียงแค่การรวมช่องสัญญาณเข้าด้วยกันอาจบดบังความหมายเชิงพื้นที่และเวลาได้
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
ข้อจำกัดความรับผิดชอบทางการแพทย์: ข้อมูลที่ให้ไว้บนเว็บไซต์นี้มีวัตถุประสงค์เพื่อการศึกษาและการให้ข้อมูลเท่านั้น และไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการแพทย์หรือสุขภาพ เนื้อหานี้อาจมีข้อผิดพลาดและไม่ควรนำมาใช้ในการตัดสินใจเลือกแนวทางชีวิต สุขภาพ หรือการรักษาทางการแพทย์ที่เปลี่ยนชีวิต โปรดขอคำแนะนำจากแพทย์หรือผู้ให้บริการด้านสุขภาพที่มีคุณสมบัติเหมาะสมเสมอ หากมีคำถามใดๆ ที่คุณอาจมีเกี่ยวกับอาการเจ็บป่วยหรือการรักษา
คริสเตียน บูร์โกส




