การแปลงฟูเรียร์

กราฟสัญญาณ EEG แสดงถึงอะไรกันแน่

การตรวจคลื่นไฟฟ้าสมอง (electroencephalogram) บันทึกค่าแรงดันไฟฟ้าที่เปลี่ยนแปลงไปในแต่ละช่วงเวลา เมื่อนำมาพล็อต จะได้เส้นต่อเนื่องเส้นเดียว ซึ่งก็คืออนุกรมเวลา ที่เคลื่อนที่ขึ้นลงตามการเปลี่ยนแปลงของกิจกรรมทางไฟฟ้าระดับใต้ขั้วไฟฟ้า เมื่อมองดูเดี่ยวๆ เส้นนี้จะดูเหมือนเป็นเหตุการณ์เดี่ยวๆ ที่รวมเป็นหนึ่งเดียว แต่สิ่งที่เห็นนั้นกลับชวนให้เข้าใจผิด

ในความเป็นจริง แรงดันไฟฟ้าที่บันทึกได้ ณ ขณะใดขณะหนึ่งเป็นผลรวมของกระบวนการสั่นเชิงคลื่น (oscillatory process) หลายๆ กระบวนการที่เกิดขึ้นพร้อมกันภายในเนื้อเยื่อประสาทด้านล่าง บางกระบวนการมีรอบการทำงานช้า บางกระบวนการก็เร็ว เมื่อเกิดขึ้นพร้อมกัน รูปแบบเฉพาะของแต่ละคลื่นจะรวมเข้าด้วยกันกลายเป็นรูปคลื่นเชิงประกอบเพียงคลื่นเดียว เช่นเดียวกับเครื่องดนตรีหลายชิ้นที่เล่นโน้ตต่างกันแล้วประสานกลายเป็นคอร์ดเดียว ผู้ฟังจะได้ยินเสียงเพียงเสียงเดียว แต่แท้จริงแล้วเสียงนั้นสร้างขึ้นจากระดับเสียงที่แตกต่างกันหลายระดับซ้อนทับกันอยู่

กราฟสัญญาณ EEG ก็ทำงานในลักษณะเดียวกัน สิ่งที่ดูเหมือนเส้นหยักๆ เพียงเส้นเดียว แท้จริงแล้วคือจังหวะคลื่นหลายๆ จังหวะที่ซ้อนทับกันจนกลายเป็นสัญญาณเดียว

ปัญหาที่เกิดขึ้นตามมาจึงตรงไปตรงมา: หากจังหวะคลื่นหลายๆ จังหวะถูกผสมรวมกันเป็นรูปคลื่นเดียว เราจะสามารถระบุได้อย่างไรว่ามีจังหวะใดบ้างที่ปรากฏอยู่ หรือแต่ละจังหวะนั้นมีความแรงมากน้อยเพียงใด

การแปลงฟูริเยร์: ปริซึม ไม่ใช่กล้องจุลทรรศน์

การแปลงฟูริเยร์ (Fourier transform) ตอบคำถามดังกล่าวได้ แต่ไม่ใช่โดยการค้นพบข้อมูลใหม่ มันทำงานโดยการแสดงข้อมูลช่วงสัญญาณ EEG เดียวกันนั้นซ้ำอีกครั้งด้วยระบบพิกัดที่แตกต่างออกไป แทนที่จะอธิบายสัญญาณในรูปของแรงดันไฟฟ้าเทียบกับเวลา มันจะอธิบายสัญญาณเดิมนั้นในรูปขององค์ประกอบความถี่ ว่ามีอัตราการสั่นเชิงคลื่นแต่ละอัตราอยู่มากน้อยเพียงใด

การแปลงนี้สามารถย้อนกลับได้ทางคณิตศาสตร์ เนื่องจากสามารถแปลงช่วงเวลาของสัญญาณ EEG (epoch) ไปเป็นตัวแทนในรูปความถี่ แล้วแปลงกลับมา และรูปคลื่นตามเวลาดั้งเดิมจะปรากฏขึ้นมาใหม่อย่างแม่นยำเหมือนเดิมทุกประการ

รูปแบบการแสดงผลทั้งสองแบบ คือ เวลาและความถี่ มีข้อมูลที่เหมือนกันทุกประการ เพียงแต่จัดระเบียบข้อมูลแตกต่างกัน เช่นเดียวกับแสงแดดที่ส่องผ่านปริซึมไม่ได้สร้างสีขึ้นมาใหม่ สีนั้นมีอยู่ในแสงสีขาวอยู่แล้ว ปริซึมเพียงแค่แยกความยาวคลื่นที่ผสมรวมกันอยู่ออก เพื่อให้สามารถมองเห็นแต่ละความยาวคลื่นแยกจากกันได้

การแปลงฟูริเยร์ทำการแยกสัญญาณ EEG ในลักษณะเดียวกัน ทำให้มองเห็นองค์ประกอบของจังหวะคลื่นได้ โดยไม่ได้เปลี่ยนแปลงสัญญาณที่บันทึกไว้แต่เดิมแต่อย่างใด

รากฐานทางคณิตศาสตร์ของการแปลงฟูริเยร์

โดยแก่นแท้แล้ว การแปลงนี้อาศัยการประเมินค่าอินทิกรัลของสัญญาณที่คูณด้วยฟังก์ชันเอกซ์โพเนนเชียลเชิงซ้อน การดำเนินการนี้จะคำนวณความสัมพันธ์ระหว่างรูปคลื่นดั้งเดิมกับคลื่นไซน์ที่มีความถี่ต่างๆ หากมีความถี่ใดความถี่หนึ่งปรากฏอยู่ในสัญญาณดั้งเดิม อินทิกรัลจะให้ค่าที่สูง ณ จุดนั้นในโดเมนความถี่ ซึ่งแสดงถึงความเข้มข้นของพลังงานเฉพาะที่

นิยามอย่างเป็นทางการใช้เอกลักษณ์ของออยเลอร์ (Euler identity) เพื่อเชื่อมช่องว่างระหว่างฟังก์ชันตรีโกณมิติและฟังก์ชันเอกซ์โพเนนเชียลเชิงซ้อน การแปลงไปข้างหน้าจะแปลงฟังก์ชันต่อเนื่อง f(t) ไปเป็น F(ω) ในขณะที่การดำเนินการผกผันจะสร้างสัญญาณดั้งเดิมขึ้นมาใหม่ผ่านการรวมกันขององค์ประกอบที่สังเคราะห์ขึ้นเหล่านี้ ความสมมาตรนี้ช่วยให้มั่นใจได้ว่าไม่มีข้อมูลใดสูญหายไปในระหว่างการแปลง ทำให้เกิดการเปลี่ยนผ่านทางคณิตศาสตร์ที่สามารถย้อนกลับได้อย่างสมบูรณ์แบบ

ผู้ปฏิบัติงานต้องใส่ใจอย่างใกล้ชิดกับค่าคงที่การปรับมาตรฐาน (normalization constants) และเกณฑ์การลู่เข้าเมื่อนำอินทิกรัลเหล่านี้ไปใช้กับข้อมูลทางกายภาพ การจัดการขอบเขตการอินทิเกรตหรือคำจำกัดความของสัญญาณที่ไม่เหมาะสมอาจนำไปสู่การประมาณค่าสเปกตรัมที่คลาดเคลื่อนได้ การปฏิบัติตามขอบเขตทางคณิตศาสตร์เหล่านี้จะช่วยรับประกันว่าการแสดงผลในโดเมนความถี่จะยังคงสะท้อนข้อมูลตามเวลาดั้งเดิมได้อย่างถูกต้องแม่นยำ

ประเภทของการแปลงฟูริเยร์

การแปลงฟูริเยร์แบบต่อเนื่องกับการแปลงฟูริเยร์แบบไม่ต่อเนื่อง

การแปลงแบบต่อเนื่องใช้กับฟังก์ชันที่กำหนดบนช่วงเวลาอนันต์ ในขณะที่เวอร์ชันแบบไม่ต่อเนื่องทำงานกับลำดับข้อมูลสุ่มตัวอย่างที่มีความยาวจำกัด

ในทางปฏิบัติ ระบบดิจิทัลใช้การประมวลผลแบบไม่ต่อเนื่องเสมอ ซึ่งจำเป็นต้องพิจารณาขีดจำกัดของการสุ่มตัวอย่างอย่างรอบคอบเพื่อแสดงปรากฏการณ์ที่ต่อเนื่องได้อย่างแม่นยำ มีวิธีการต่างๆ มากมายที่ใช้ประมาณการเปลี่ยนผ่านนี้โดยไม่สูญเสียข้อมูลสำคัญ รวมถึง:

• ฟังก์ชันหน้าต่าง (Windowing functions) ที่ป้องกันการรั่วไหลของสเปกตรัม (spectral leakage) โดยการปรับขอบข้อมูลนำเข้าให้สอบลง

• เทคนิคการเติมศูนย์ (Zero-padding) เพื่อเพิ่มความละเอียดของช่องความถี่ (frequency bins) ที่ได้

• กลยุทธ์การลดการเกิดสัญญาณแปลกปลอม (Aliasing mitigation) ที่ช่วยรักษาความสมบูรณ์ของสัญญาณในระหว่างกระบวนการแปลงเป็นดิจิทัล

• การปฏิบัติตามทฤษฎีบทการสุ่มตัวอย่างเพื่อบันทึกข้อมูลความถี่สูงที่เกี่ยวข้องทั้งหมด

• การจับคู่การคำนวณที่มีประสิทธิภาพซึ่งปรับขนาดตามจำนวนจุดข้อมูลนำเข้า

ข้อพิจารณาเหล่านี้ช่วยกำหนดว่าผลลัพธ์แบบไม่ต่อเนื่องจะสะท้อนโครงสร้างสัญญาณต่อเนื่องพื้นฐานได้อย่างมีประสิทธิภาพเพียงใด

การแปลงฟูริเยร์แบบเร็ว: เหตุใดความเร็วถึงมีความสำคัญ

การพัฒนาอัลกอริทึมที่มีประสิทธิภาพ เช่น การแปลงฟูริเยร์แบบเร็ว (Fast Fourier Transform หรือ FFT) ทำให้สามารถวิเคราะห์สเปกตรัมแบบเรียลไทม์ในระบบที่มีปริมาณข้อมูลมหาศาลได้ หากปราศจากการเพิ่มประสิทธิภาพเหล่านี้ ความซับซ้อนในการคำนวณของการแปลงแบบไม่ต่อเนื่องมาตรฐานจะทำให้เทคโนโลยีการวินิจฉัยสมัยใหม่ไม่สามารถใช้งานได้ ประสิทธิภาพที่เพิ่มขึ้นเห็นได้อย่างชัดเจนเมื่อเปรียบเทียบเวลาในการคำนวณสำหรับชุดข้อมูลขนาดใหญ่ ดังแสดงด้านล่างนี้

ด้วยการแปลงการดำเนินการที่เพิ่มขึ้นแบบกำลังสองให้กลายเป็นการดำเนินการที่เพิ่มขึ้นแบบลอการิทึม เครื่องมือเหล่านี้จึงช่วยให้สามารถติดตามสัญญาณได้อย่างรวดเร็ว การประมวลผลที่รวดเร็วช่วยให้เกิดลูปการตอบกลับแบบทันที ซึ่งมีความสำคัญอย่างยิ่งในสภาพแวดล้อมที่การสังเกตการเปลี่ยนแปลงแบบเรียลไทม์เป็นเป้าหมายหลักของการศึกษา

สมมติฐานความเป็นคาบที่อยู่เบื้องหลังการคำนวณฟูริเยร์ทุกครั้ง

เมื่อการแปลงฟูริเยร์ประมวลผลช่วงของสัญญาณ ในทางคณิตศาสตร์จะถือว่าช่วงสัญญาณนั้นเกิดขึ้นซ้ำอย่างไม่มีที่สิ้นสุดทั้งสองทิศทาง ทั้งในอดีตและอนาคตตลอดไป สัญญาณ EEG สั้นๆ ที่นำมาวิเคราะห์จะได้รับการปฏิบัติเสมือนเป็นหน่วยที่เกิดซ้ำหนึ่งหน่วยในลูปที่ไม่มีที่สิ้นสุด

กิจกรรม EEG ที่แท้จริงไม่ได้มีพฤติกรรมเช่นนี้ สัญญาณสมองไม่ได้มีความเป็นคาบอย่างสมบูรณ์แบบ และช่วงสัญญาณที่ตัดออกมาจากการบันทึกแบบต่อเนื่องแทบไม่เคยมีค่าเริ่มต้นและค่าสิ้นสุดที่สามารถเชื่อมต่อกันได้อย่างราบรื่นหากนำมาวนลูปซ้ำ

เมื่อขอบของช่วงสัญญาณไม่ตรงกัน สมมติฐานของการเกิดซ้ำแบบอนันต์จะทำให้เกิดความคลาดเคลื่อนที่ขอบ ซึ่งบางครั้งเรียกว่า ความแปลกปลอมที่ขอบ (edge artifacts) หรือการรั่วไหลของสเปกตรัม (spectral leakage) โดยพลังงานจากความถี่หนึ่งจะดูเหมือนเปรอะเปื้อนไปยังความถี่ข้างเคียงที่แท้จริงแล้วไม่มีอยู่ในสัญญาณดั้งเดิม

นี่ไม่ใช่ข้อบกพร่องที่ทำให้วิธีนี้ใช้ไม่ได้ มันเป็นข้อจำกัดทางคณิตศาสตร์ที่ทราบกันดี และสามารถจัดการได้หากเลือกช่วงสัญญาณอย่างระมัดระวัง นี่คือส่วนหนึ่งของเหตุผลที่การวิเคราะห์ EEG ตามความถี่มักจะทำงานกับช่วงสัญญาณสั้นๆ ที่ค่อนข้างเสถียรมากกว่าการบันทึกที่ยาวและเปลี่ยนแปลงอย่างต่อเนื่อง

ตัวอย่างเช่น Jansen และคณะ ได้เปรียบเทียบลักษณะเฉพาะในโดเมนความถี่ของช่วง EEG สั้นๆ แทนที่จะใช้การบันทึกแบบยาว ซึ่งเป็นแนวทางที่สอดคล้องกับการรักษาแต่ละช่วงที่วิเคราะห์ให้สั้นเพียงพอที่สมมติฐานความเป็นคาบจะยังคงเป็นการประมาณค่าที่สมเหตุสมผล งานวิจัยโดย Vidyaratne และคณะ ใช้แนวทางที่เกี่ยวข้องแต่มีความเฉพาะทางมากกว่า โดยคำนวณการแปลงแพ็กเก็ตเวฟเล็ตฮาร์มอนิก (harmonic wavelet packet transform) ซึ่งเป็นเทคนิคที่สร้างขึ้นจากการแปลงฟูริเยร์ เพื่อดึงข้อมูลความถี่พร้อมทั้งจัดการกับข้อจำกัดด้านความละเอียดที่มาพร้อมกับการวิเคราะห์สัญญาณสมองที่เปลี่ยนแปลงตลอดเวลา

ทั้งสองแนวทางแสดงให้เห็นว่าการทำงานกับ EEG ในทางปฏิบัติสามารถปรับตัวให้เข้ากับความสะดวกทางคณิตศาสตร์ที่ไม่ได้ตรงกับความเป็นจริงทางชีววิทยาได้อย่างสมบูรณ์แบบ โดยไม่จำเป็นต้องละทิ้งเครื่องมือนี้ไป

เหตุใดองค์ประกอบความถี่จึงมีความสำคัญต่อการอ่านกิจกรรมของสมอง

เมื่อช่วงเวลาของสัญญาณ EEG ถูกแปลงเป็นองค์ประกอบความถี่แล้ว องค์ประกอบเหล่านั้นจะถูกจัดกลุ่มเข้าสู่หมวดหมู่ที่ใครก็ตามที่เคยอ่านเกี่ยวกับกิจกรรมของสมองน่าจะเคยพบเจอมาบ้าง ได้แก่ คลื่นเดลตา, เธตา, แอลฟา, เบตา และแกมมา ป้ายกำกับเหล่านี้อธิบายช่วงความเร็วของการสั่นเชิงคลื่น และก่อให้เกิดคำศัพท์ที่ใช้ในการวิจัยการนอนหลับ การศึกษาด้านการรับรู้ และการวินิจฉัยทางคลินิก

การแยกองค์ประกอบนี้เป็นรากฐานเชิงแนวคิดของการตีความ EEG ตามความถี่เกือบทั้งหมด เมื่อใดก็ตามที่รายงานกล่าวถึงกิจกรรมที่เพิ่มขึ้นในย่านความถี่ใดความถี่หนึ่ง หรือการเปลี่ยนแปลงความสมดุลระหว่างย่านความถี่ ข้อความนั้นจะมีความหมายได้ก็ต่อเมื่อสัญญาณได้รับการแยกย่อยโดยใช้ตรรกะที่การแปลงฟูริเยร์มอบให้ก่อนเท่านั้น หากไม่มีการแยกองค์ประกอบนี้ ก็จะไม่มีคำศัพท์สำหรับอธิบายจังหวะของสมองเลย มีเพียงแค่เส้นกราฟแรงดันไฟฟ้าที่ไม่ขาดสายเท่านั้น

ข้ออ้างที่ว่าความถี่ในการสั่นเชิงคลื่นมีข้อมูลที่มีความหมายเกี่ยวกับสภาวะของสมองนั้น ได้รับการอภิปรายกันอย่างกว้างขวางในหลายสาขาของประสาทวิทยาศาสตร์

สิ่งที่การวิเคราะห์ด้วยฟูริเยร์เปิดเผยเกี่ยวกับภาวะชัก

การแยกสัญญาณขณะชักและสัญญาณช่วงปลอดอาการชัก

นักวิจัย Ram Bilas Pachori ได้นำเทคนิคที่เรียกว่า empirical mode decomposition มาใช้กับสัญญาณ EEG ภายในกะโหลกศีรษะ โดยแยกสัญญาณแต่ละรายการออกเป็นชุดขององค์ประกอบที่จำกัดแถบความถี่ซึ่งเรียกว่า intrinsic mode functions จากนั้นเขาใช้การกระจายฟูริเยร์-เบสเซล (Fourier-Bessel expansion) เพื่อคำนวณความถี่เฉลี่ยของแต่ละองค์ประกอบเหล่านี้

เมื่อเปรียบเทียบสัญญาณขณะชัก (ictal signals) ซึ่งหมายถึงสัญญาณที่บันทึกได้ในระหว่างที่มีอาการชัก เทียบกับสัญญาณช่วงปลอดอาการชัก ค่าความถี่เฉลี่ยแสดงความแตกต่างอย่างมีนัยสำคัญทางสถิติระหว่างสองสภาวะนี้ ผลลัพธ์แสดงให้เห็นว่าข้อมูลความถี่ที่ดึงออกมาด้วยวิธีการที่ใช้ฟูริเยร์นั้นมีลักษณะเด่นที่สามารถตรวจจับได้ซึ่งเชื่อมโยงกับภาวะชัก

Vidyaratne และคณะ ได้ดำเนินการตามเป้าหมายที่เกี่ยวข้องกันแต่มีความซับซ้อนมากกว่า นั่นคือการตรวจจับการเริ่มมีอาการชักแบบเรียลไทม์ แนวทางนี้ได้รวมคุณลักษณะพลังงานจากการแปลงแพ็กเก็ตเวฟเล็ตฮาร์มอนิก ซึ่งคำนวณผ่านการแปลงฟูริเยร์ เข้ากับการวัดอีกแบบที่เรียกว่า มิติแฟร็กทัล (fractal dimension) ซึ่งจับรูปแบบการคล้ายตนเองที่เกิดซ้ำภายในสัญญาณ

คุณลักษณะที่รวมกันเหล่านี้ได้รับการจัดระเบียบตามตำแหน่งเชิงพื้นที่ข้ามช่องขั้วไฟฟ้า และตามเวลาข้ามหน้าต่างการวิเคราะห์แบบเคลื่อนที่ จากนั้นจึงจำแนกประเภทโดยใช้ relevance vector machine ซึ่งเป็นวิธีที่ได้รับเลือกเนื่องจากมีประสิทธิภาพกับชุดคุณลักษณะขนาดใหญ่และเบาบาง

เมื่อทดสอบกับข้อมูลการบันทึกสัญญาณ EEG บนหนังศีรษะระยะยาว ระบบมีความไว (sensitivity) สูงถึง 96 เปอร์เซ็นต์ในการตรวจจับการเริ่มมีอาการชัก โดยมีอัตราการตรวจจับผิดพลาดเฉลี่ย (median false detection rate) เพียง 0.1 ครั้งต่อชั่วโมง และมีระยะเวลาหน่วงในการตรวจจับเฉลี่ย 1.89 วินาที สำหรับข้อมูลระยะสั้นที่ได้จากทั้งการบันทึกบนหนังศีรษะและภายในกะโหลกศีรษะ ความแม่นยำในการจำแนกประเภทสูงถึง 99.8 เปอร์เซ็นต์

เมื่อพิจารณาร่วมกัน งานวิจัยทั้งสองนี้แสดงให้เห็นว่าข้อมูลการสั่นเชิงคลื่นที่ดึงออกมาผ่านการแยกองค์ประกอบที่เกี่ยวข้องกับฟูริเยร์นั้นมีเนื้อหาที่เกี่ยวข้องกับการวินิจฉัยในบริบทเฉพาะของการตรวจหาโรคลมชัก

การเปรียบเทียบคุณลักษณะของฟูริเยร์กับการแปลงทางเลือกอื่น

Jansen และคณะ ได้ศึกษาประเด็นนี้จากมุมมองที่แตกต่างกัน โดยเปรียบเทียบการแปลงทางคณิตศาสตร์สองแบบเข้าด้วยกันโดยตรง

แทนที่จะทดสอบการวิเคราะห์ฟูริเยร์เพียงลำพัง นักวิจัยได้เปรียบเทียบคุณลักษณะที่ได้จากการแปลงฟูริเยร์กับคุณลักษณะที่ได้จากการแปลงวอลช์ (Walsh transform) ซึ่งเป็นวิธีที่แยกสัญญาณโดยใช้ฟังก์ชันรูปสี่เหลี่ยมแทนที่จะเป็นรูปคลื่นไซน์ที่ราบเรียบ เมื่อนำไปใช้กับช่วง EEG สั้นๆ คุณลักษณะที่ได้จากการแปลงฟูริเยร์ให้ผลการจำแนกประเภทที่ดีกว่าคุณลักษณะที่ได้จากการแปลงวอลช์อย่างสม่ำเสมอ

การเปรียบเทียบนี้ชี้ให้เห็นว่าองค์ประกอบพื้นฐานรูปคลื่นไซน์อาจสอดคล้องกับโครงสร้างสัญญาณ EEG ดั้งเดิมได้เป็นธรรมชาติมากกว่าทางเลือกที่เป็นบล็อกสี่เหลี่ยม อย่างน้อยก็สำหรับงานจำแนกประเภทเฉพาะที่งานวิจัยนี้ศึกษา

การแปลงฟูริเยร์ในการวิจัยประยุกต์ด้าน EEG โดยใช้อุปกรณ์พกพา

headset EEG แบบพกพาช่วยให้สามารถบันทึกกิจกรรมของสมองนอกห้องปฏิบัติการได้ และการแปลงฟูริเยร์ยังคงเป็นเครื่องมือหลักในการดึงข้อมูลย่านความถี่จากการบันทึกเหล่านั้น การศึกษาล่าสุดหลายชิ้นที่ใช้ Emotiv Epoc X แสดงให้เห็นว่าการแยกองค์ประกอบสเปกตรัมช่วยสนับสนุนการวิจัยด้านการศึกษา, brain‑computer interfaces, ประสาทวิทยาศาสตร์ผู้บริโภค และประสิทธิภาพการปฏิบัติงานได้อย่างไร

การติดตามภาระทางปัญญาและความสนใจในห้องเรียน

ในการศึกษาด้านการศึกษา นักวิจัยได้ใช้ Emotiv Epoc X เพื่อบันทึก EEG ระหว่างการผ่อนคลาย การอ่าน และการคิดเลข พวกเขาใช้การแปลงฟูริเยร์เพื่อคำนวณกำลังของย่านความถี่เธตา, แอลฟา และเบตา และประเมินความสนใจ ความมีส่วนร่วม และภาระทางปัญญา (cognitive load) ผู้เขียนรายงานว่ากำลังของคลื่นแอลฟาที่เพิ่มขึ้นเชื่อมโยงกับความเหนื่อยล้า ความสนใจที่สูงขึ้นระหว่างการอ่าน และภาระทางปัญญาที่เพิ่มขึ้นระหว่างการคำนวณ โดยเฉพาะเมื่อตอบถูก

ผู้เข้าร่วมที่มีภาวะดิสเล็กเซียมีความถี่สูงสุดของคลื่นแอลฟา (alpha peak frequency) ต่ำกว่าในระหว่างการผ่อนคลายแบบลืมตา และมีกิจกรรมของคลื่นเธตาเพิ่มขึ้นขณะอ่านหนังสือ แม้ว่าคะแนนการทดสอบของพวกเขาจะเทียบเท่ากับกลุ่มควบคุมก็ตาม ผลการวิจัยชี้ให้เห็นว่า EEG สามารถช่วยติดตามความตื่นตัวและความเหนื่อยล้าได้ แต่อัตราส่วนเบตา/เธตาที่ใช้สำหรับวัดความสนใจอาจไม่สามารถติดตามความสนใจอย่างต่อเนื่องได้อย่างน่าเชื่อถือ ดังที่อธิบายไว้ใน การติดตาม EEG ในการศึกษา

การตรวจจับศักย์ไฟฟ้าระบบประสาทจากการเห็นแบบสถานะคงตัวเพื่อควบคุมหุ่นยนต์

การศึกษาเกี่ยวกับอินเทอร์เฟซสมอง-คอมพิวเตอร์ใช้ Emotiv Epoc X เพื่อตรวจจับศักย์ไฟฟ้าสมองจากการเห็นแบบสถานะคงตัว (SSVEPs) ที่เกิดจากกลุ่มไฟ LED กะพริบ การวิเคราะห์ด้วยการแปลงฟูริเยร์แบบเร็วร่วมกับแบบจำลองเกาส์เซียนช่วยระบุองค์ประกอบความถี่เด่นที่สอดคล้องกับทิศทางการมองของผู้ใช้

โดยไม่ต้องมีการฝึกอบรมผู้เข้ารับการทดสอบล่วงหน้า ระบบสามารถตรวจจับเป้าหมายที่ต้องการได้อย่างถูกต้องเฉลี่ย 75% ของเวลาทั้งหมด ซึ่งแสดงให้เห็นว่าการตรวจจับความถี่โดยใช้ฟูริเยร์สามารถแปลงความสนใจทางสายตาเป็นคำสั่งควบคุมได้ ดังแสดงใน การควบคุม BCI โดยอิง SSVEP

การดึงข้อมูลความชอบในแบรนด์จากคุณลักษณะของย่านคลื่นแอลฟา

ในการศึกษาวิจัยด้านการตลาดประสาทวิทยา (neuromarketing) อุปกรณ์ Emotiv Epoc X ได้บันทึกการตอบสนองของสมองในขณะที่ผู้เข้าร่วมดูโฆษณารถยนต์ ย่านความถี่แอลฟา (8–13 Hz) ถูกแยกออกมา และใช้การแปลงฟูริเยร์แบบเร็วเพื่อดึงความหนาแน่นสเปกตรัมของกำลัง (power spectral density), พลังงานสเปกตรัม (spectral energy) และจุดศูนย์ถ่วงสเปกตรัม (spectral centroid) เมื่อจำแนกคุณลักษณะเหล่านี้ด้วยโครงข่ายประสาทเทียมแบบความน่าจะเป็น (probabilistic neural network) ระบบมีความแม่นยำถึง 96.62% ในการระบุแบรนด์ที่ชอบมากที่สุด

ผลลัพธ์นี้ระบุว่าคุณลักษณะในโดเมนความถี่สามารถสะท้อนความชอบของผู้บริโภคในสภาพแวดล้อมที่มีการควบคุมได้ ดังรายละเอียดใน การวิเคราะห์การตลาดประสาทวิทยาโดยใช้ FFT

การประเมินการรับรู้สถานการณ์ระหว่างการเดินเรือ

การศึกษาในกัปตันเรือลากจูงได้ใช้ Emotiv Epoc X ร่วมกับซอฟต์แวร์ EmotivPRO ในการบันทึก EEG ระหว่างการพักผ่อนและการบังคับเรือในท่าเรือจริง การวิเคราะห์กำลังย่านความถี่ด้วยการแปลงฟูริเยร์แบบเร็วได้เปรียบเทียบ 5 สภาวะ และพบว่ากำลังของคลื่นแอลฟาไม่มีความแตกต่างกัน ในขณะที่กำลังของคลื่นเดลตา, เธตา, เบตา และแกมมาลดลงระหว่างการบังคับเรือ ผู้เขียนตีความรูปแบบนี้ว่าเป็นหลักฐานว่ากัปตันมืออาชีพสามารถรักษาการรับรู้สถานการณ์ได้อย่างสม่ำเสมอทั้งในการพักผ่อนและการเดินเรือจริง ดังที่รายงานไว้ใน การรับรู้สถานการณ์ในการเดินเรือ

งานวิจัยเหล่านี้แสดงให้เห็นร่วมกันว่าการวิเคราะห์ฟูริเยร์เมื่อจับคู่กับเทคโนโลยี EEG แบบพกพา สามารถดึงคุณลักษณะสเปกตรัมที่มีความหมายในการทำงานจริงที่หลากหลายได้อย่างไร ผลการวิจัยเป็นเพียงความสัมพันธ์และได้จากกลุ่มตัวอย่างขนาดเล็ก ดังนั้นจึงชี้ให้เห็นถึงการประยุกต์ใช้ที่มีศักยภาพมากกว่าการสร้างไบโอมาร์กเกอร์ที่เชื่อถือได้ การวิจัยเพิ่มเติมกับกลุ่มที่มีขนาดใหญ่และหลากหลายมากขึ้นจึงเป็นสิ่งจำเป็นเพื่อทำความเข้าใจถึงความสามารถในการนำการวัดตามความถี่เหล่านี้ไปใช้โดยทั่วไป

วิธีคำนวณการแปลงฟูริเยร์แบบไม่ต่อเนื่อง (DFT)

การคำนวณการแปลงแบบไม่ต่อเนื่องเริ่มต้นด้วยข้อมูลนำเข้าที่สะอาดและเป็นตัวแทนของสัญญาณในช่วงเวลาที่เสถียร ขั้นแรกต้องตรวจสอบให้แน่ใจว่าความยาวของสัญญาณตรงกับความละเอียดของความถี่ที่ต้องการ จากนั้นจึงใช้ฟังก์ชันหน้าต่างเพื่อลดผลกระทบแปลกปลอมของสเปกตรัมที่เกิดจากการตัดทอนข้อมูลที่มีจำกัด การเตรียมการนี้มีความสำคัญอย่างยิ่งในการป้องกันข้อผิดพลาดร้ายแรงระหว่างขั้นตอนการคำนวณ

เมื่อเตรียมสัญญาณเรียบร้อยแล้ว การคำนวณจริงจะเกี่ยวข้องกับการใช้สูตรการแปลงข้ามจุดตัวอย่างทั้งหมดภายในหน้าต่างอนุกรมเวลา แพลตฟอร์มซอฟต์แวร์ดิจิทัลจะจัดการงานหนักส่วนนี้ โดยทั่วไปจะใช้อัลกอริทึมการแปลงฟูริเยร์แบบเร็ว (FFT) เพื่อดำเนินการคำนวณหลายล้านครั้งต่อวินาทีและสร้างสเปกตรัมแอมพลิจูดที่ชัดเจน จากนั้นผลลัพธ์นี้จะต้องได้รับการปรับสเกลอย่างถูกต้องเพื่อให้สะท้อนหน่วยทางกายภาพของการวัดสัญญาณนำเข้า (เช่น ไมโครโวลต์ หรือ $\mu V$ ใน EEG) เพื่อให้มั่นใจว่าผลลัพธ์จะยังคงตีความได้สำหรับการวิจัยต่อไป

การตีความขนาดของสเปกตรัมที่ได้นั้นจำเป็นต้องตรวจสอบข้อมูลเพื่อหารูปแบบการสั่นเชิงคลื่นที่แตกต่างกัน แม้ว่าระบบกลไกอาจเผยให้เห็นจุดยอด (peak) ที่คมชัดและแยกจากกัน แต่สัญญาณทางชีววิทยาอย่าง EEG มักต้องการการวิเคราะห์กำลังรวมภายในย่านความถี่กว้าง (เช่น ย่านความถี่แอลฟา 8–12 Hz) แทนที่จะพึ่งพาเพียงจุดยอดที่ไม่ต่อเนื่องเพียงอย่างเดียว ความสำคัญทางกายภาพของคุณลักษณะสเปกตรัมเหล่านี้ขึ้นอยู่กับบริบทเป็นอย่างมาก ซึ่งมักจะบ่งบอกถึงพฤติกรรมทางสรีรวิทยาหรือกลไกที่อยู่เบื้องหลัง การปฏิบัติตามขั้นตอนเหล่านี้อย่างสม่ำเสมอจะช่วยให้ผู้ปฏิบัติงานสามารถดึงข้อมูลความถี่ที่มีความหมายและนำไปใช้งานได้จริง แม้จะมาจากรูปคลื่นการสังเกตการณ์ที่ซับซ้อนที่สุดก็ตาม

การแปลงฟูริเยร์เทียบกับวิธีอื่นในโดเมนความถี่

แม้ว่าจะมีความหลากหลายอย่างยิ่ง แต่วิธีฟูริเยร์ก็ตั้งอยู่บนสมมติฐานว่าสัญญาณมีลักษณะนิ่ง (stationary) ซึ่งมีเสถียรภาพตลอดระยะเวลาการวัด ในสถานการณ์ที่เกี่ยวข้องกับการเปลี่ยนแปลงที่รวดเร็วและเกิดขึ้นชั่วคราว—เช่น คลื่นหนามแหลมของโรคลมชักที่เกิดขึ้นกะทันหัน หรือการเกิด sleep spindle ขึ้นสั้นๆ—วิธีการอื่น เช่น การแปลงเวฟเล็ต (Wavelet Transforms) จะช่วยระบุตำแหน่งได้ดีกว่าโดยการรักษาข้อมูลเวลาไว้ควบคู่กับรายละเอียดความถี่ การเลือกเครื่องมือที่เหมาะสมจำเป็นต้องประเมินว่าสัญญาณมีโครงสร้างจังหวะที่คงที่หรือเปลี่ยนแปลงอย่างฉับพลัน

วิธีการทางเลือก เช่น การวิเคราะห์สเปกตรัมเอกฐาน (Singular Spectrum Analysis หรือ SSA) มีข้อได้เปรียบสำหรับการแยกองค์ประกอบของสัญญาณที่ไม่เป็นเชิงเส้นและคาดเดาไม่ได้ ซึ่งการแปลงมาตรฐานยากที่จะแยกแยะ วิธีการเหล่านี้มักมีความเป็นเลิศในการดึงแนวโน้มของสัญญาณเทียบกับสัญญาณรบกวนจากการสั่นในชุดข้อมูลทางสรีรวิทยาจริงที่มีความซับซ้อน การเลือกใช้วิธีการจะขึ้นอยู่กับระดับความแม่นยำที่จำเป็นสำหรับความแม่นยำเชิงเวลากับความแม่นยำเชิงสเปกตรัมในการตั้งค่าการวิจัยเฉพาะ

ท้ายที่สุดแล้ว ไม่มีวิธีการแปลงวิธีใดเพียงวิธีเดียวที่เป็นยาวิเศษสำหรับแก้ปัญหาการประมวลผลสัญญาณได้ทั้งหมด ผู้ปฏิบัติงานต้องชั่งน้ำหนักต้นทุนในการคำนวณและข้อจำกัดทางคณิตศาสตร์ของแต่ละวิธีเทียบกับลักษณะของข้อมูล การบูรณาการมุมมองที่หลากหลายเหล่านี้เข้าด้วยกันจะช่วยให้มั่นใจได้ถึงกระบวนการวินิจฉัยที่แข็งแกร่งและรอบด้าน ซึ่งช่วยเพิ่มความถูกต้องแม่นยำในการตีความขั้นสุดท้ายได้อย่างสูงสุด

เครื่องมือและซอฟต์แวร์สำหรับคำนวณการแปลงฟูริเยร์

ไลบรารีโอเพนซอร์สสมัยใหม่ทำให้ทุกคนสามารถเข้าถึงการดำเนินการทางคณิตศาสตร์ขั้นสูงเหล่านี้ได้ ช่วยให้นักวิจัยสามารถทำการวิเคราะห์ที่ซับซ้อนได้ด้วยโค้ดเพียงไม่กี่บรรทัด แพลตฟอร์มที่สร้างขึ้นโดยเฉพาะสำหรับวิทยาการข้อมูลมีฟังก์ชันที่ได้รับการปรับให้เหมาะสม ซึ่งสามารถจัดการกับอาร์เรย์ขนาดใหญ่และสัญญาณหลายมิติได้อย่างง่ายดาย เครื่องมือเหล่านี้อำนวยความสะดวกในการผสานรวมการวิเคราะห์สเปกตรัมเข้ากับไปป์ไลน์ที่ใหญ่ขึ้น ซึ่งรวมถึงกระบวนการทำความสะอาดสัญญาณและการจำแนกประเภทอัตโนมัติ

ซอฟต์แวร์เฉพาะทางที่ออกแบบมาสำหรับข้อมูลทางระบบประสาทหรือข้อมูลแผ่นดินไหวมักจะมีโมดูลสำเร็จรูปสำหรับการแยกองค์ประกอบสเปกตรัมและการกำจัดสัญญาณรบกวน (artifact) แพ็กเกจเหล่านี้จะจัดการความซับซ้อนของการปรับสเกลความถี่และการกำหนดหน้าต่างโดยอัตโนมัติ ช่วยลดความเสี่ยงของข้อผิดพลาดสำหรับนักวิจัยที่อาจไม่มีความเชี่ยวชาญในอัลกอริทึมพื้นฐาน การใช้เครื่องมือมาตรฐานเหล่านี้อย่างสม่ำเสมอยังช่วยให้การทำซ้ำผลการวิจัยในห้องปฏิบัติการต่างๆ เป็นไปได้ด้วยดี

เมื่อต้องเลือกชุดซอฟต์แวร์ ความเข้ากันได้กับรูปแบบข้อมูลที่มีอยู่และความสามารถในการจัดการกับแถวลำดับเซนเซอร์ความหนาแน่นสูงยังคงเป็นสิ่งสำคัญที่สุด เอกสารประกอบที่มีตัวอย่างที่ชัดเจนเกี่ยวกับการปรับพารามิเตอร์และการเลือกอัลกอริทึมมีประโยชน์อย่างยิ่งสำหรับผู้เริ่มต้น เมื่อชุมชนยังคงพัฒนาและปรับปรุงเครื่องมือเหล่านี้อย่างต่อเนื่อง จุดสนใจก็เปลี่ยนไปสู่การประมวลผลที่อุปกรณ์ปลายทาง (edge processing) แบบเรียลไทม์ และความสามารถในการขยายระบบบนคลาวด์สำหรับชุดข้อมูลขนาดใหญ่มากยิ่งขึ้น

การวิเคราะห์ความถี่เปิดเผยอะไรเกี่ยวกับจังหวะที่ซ่อนอยู่ของสมอง

การแปลงฟูริเยร์ทำหน้าที่เหมือนปริซึมทางคณิตศาสตร์สำหรับสัญญาณสมอง โดยแยกจังหวะที่ทับซ้อนกันออกเป็นย่านความถี่ที่แตกต่างกัน การแยกย่อยนี้ให้คำศัพท์ที่จำเป็นสำหรับการอธิบายสภาวะของสมอง ตั้งแต่การหลับลึกไปจนถึงการมีสมาธิจดจ่อ และช่วยให้เข้าใจคำต่างๆ เช่น คลื่นแอลฟาหรือเดลตา หากไม่มีการจัดระเบียบใหม่นี้ กราฟสัญญาณ EEG ก็จะยังคงเป็นเพียงเส้นหยักที่ไม่สามารถถอดรหัสได้ และจังหวะที่ซ่อนอยู่ก็จะยังคงมองไม่เห็น

พลังในทางปฏิบัติปรากฏให้เห็นอย่างชัดเจนในการตรวจจับอาการชัก ซึ่งการวิเคราะห์ความถี่ช่วยแยกแยะกิจกรรมของอาการชักออกจากรูปแบบสมองปกติได้อย่างแม่นยำสูง สมมติฐานของการแปลงที่ว่าช่วงของสัญญาณเกิดซ้ำอย่างสมบูรณ์แบบนั้นเป็นความสะดวกทางคณิตศาสตร์ ไม่ใช่ข้อเท็จจริงทางชีววิทยา แต่การเลือกช่วงสัญญาณที่สั้นและเสถียรอย่างระมัดระวังจะช่วยควบคุมความคลาดเคลื่อนให้อยู่ในระดับที่จัดการได้ วรรณกรรมแสดงให้เห็นว่าการแสดงกิจกรรมของสมองเป็นผลรวมของจังหวะต่างๆ แม้จะไม่ใช่แบบจำลองตามตัวอักษรของการยิงสัญญาณของเซลล์ประสาท แต่ก็ให้ข้อมูลที่วัดผลได้และมีประโยชน์ในทางคลินิก

เอกสารอ้างอิง

1. Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686

2. Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920

3. Pachori, R. B. (2008). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056

คำถามที่พบบ่อย

กราฟสัญญาณ EEG ดิบแสดงถึงอะไรกันแน่

กราฟสัญญาณ EEG คือเส้นเดี่ยวที่แสดงการเปลี่ยนแปลงของแรงดันไฟฟ้าตามเวลา แต่แท้จริงแล้วคือผลรวมของกระบวนการสั่นเชิงคลื่นหลายๆ กระบวนการที่เกิดขึ้นพร้อมกันในสมอง จังหวะที่เร็วและช้าที่แตกต่างกันรวมเข้าด้วยกันเป็นรูปคลื่นเชิงประกอบเดียว เหมือนกับเครื่องดนตรีหลายชิ้นที่ผสมผสานกันเป็นคอร์ดเดียว

การแปลงฟูริเยร์วิเคราะห์สัญญาณ EEG อย่างไร

การแปลงฟูริเยร์จัดระเบียบข้อมูล EEG เดียวกันนั้นใหม่ โดยอธิบายในรูปขององค์ประกอบความถี่แทนที่จะเป็นแรงดันไฟฟ้าเทียบกับเวลา มันจะแยกองค์ประกอบของจังหวะที่ผสมกันอยู่เดิม ทำหน้าที่เหมือนปริซึมที่เผยให้เห็นความยาวคลื่นแต่ละช่วงภายในลำแสง

การแปลงฟูริเยร์เพิ่มข้อมูลใหม่ให้กับการบันทึก EEG หรือไม่

ไม่ การแปลงนี้สามารถย้อนกลับได้ทางคณิตศาสตร์ และไม่ได้สร้างขึ้นใหม่หรือทิ้งข้อมูลใดๆ ไป มันเพียงแค่เปลี่ยนรูปแบบการแสดงผลโดยการแปลงสัญญาณให้เป็นชุดของความถี่ไซน์ ทำให้มองเห็นองค์ประกอบของจังหวะที่อยู่เบื้องหลังได้

สมมติฐานทางคณิตศาสตร์ที่สำคัญเมื่อนำการแปลงฟูริเยร์ไปใช้กับ EEG คืออะไร

การคำนวณจะปฏิบัติต่อช่วงสัญญาณ EEG ที่เลือกเสมือนว่ามันเกิดขึ้นซ้ำอย่างไม่มีที่สิ้นสุดในลูปที่สมบูรณ์แบบ สมมติฐานความเป็นคาบนี้ช่วยให้การวิเคราะห์ง่ายขึ้น แต่อาจทำให้เกิดความแปลกปลอมที่ขอบหากจุดเริ่มต้นและจุดสิ้นสุดของสัญญาณไม่เชื่อมต่อกันอย่างราบรื่น

เหตุใดจึงสามารถแยกคลื่นสมองที่ไม่สม่ำเสมอออกเป็นคลื่นไซน์ที่ราบเรียบได้

ทฤษฎีบทของฟูริเยร์แสดงให้เห็นว่ารูปคลื่นเกือบทุกรูปแบบสามารถสร้างขึ้นใหม่ได้โดยการบวกคลื่นไซน์และโคไซน์บริสุทธิ์ที่มีความถี่ แอมพลิจูด และเฟสเฉพาะเข้าด้วยกัน การแสดงผลทางคณิตศาสตร์นี้ใช้ได้กับการวิเคราะห์ แม้ว่าเซลล์ประสาทจะไม่ได้สร้างคลื่นไซน์ที่สะอาดและแยกจากกันจริงๆ ก็ตาม

เหตุใดย่านความถี่อย่างแอลฟาหรือเดลตาจึงมีความสำคัญในการตีความ EEG

เมื่อสัญญาณถูกแยกองค์ประกอบแล้ว ส่วนประกอบของมันจะถูกจับคู่เข้ากับย่านความถี่มาตรฐาน เช่น เดลตาหรือเบตา ซึ่งกลายเป็นคำศัพท์พื้นฐานสำหรับอธิบายสภาวะของสมอง การกล่าวถึงการเปลี่ยนแปลงของกำลังในย่านความถี่ใดความถี่หนึ่งนั้นขึ้นอยู่กับการแยกสัญญาณโดยใช้ฟูริเยร์เป็นหลักตั้งแต่ต้น

มีหลักฐานใดบ้างที่สนับสนุนการใช้การวิเคราะห์ฟูริเยร์ในการตรวจจับอาการชัก

การศึกษาที่ใช้คุณลักษณะความถี่ที่ได้จากฟูริเยร์แสดงให้เห็นความแตกต่างอย่างมีนัยสำคัญทางสถิติระหว่างสัญญาณสมองขณะชักและไม่ชัก ระบบตรวจจับแบบเรียลไทม์ระบบหนึ่งมีความไวสูง ซึ่งแสดงให้เห็นว่าข้อมูลการสั่นเชิงคลื่นมีเนื้อหาที่เกี่ยวข้องทางคลินิกสำหรับโรคลมชัก

ข้อจำกัดหลักของแนวทางที่อิงตามความถี่นี้คืออะไร

สมมติฐานการเกิดซ้ำแบบอนันต์เป็นการลดรูปเชิงโครงสร้างซึ่งจะมีความแม่นยำน้อยลงเมื่อบันทึกข้อมูลยาวขึ้นและเปลี่ยนแปลงตลอดเวลา นอกจากนี้ ผลการจำแนกประเภทที่แข็งแกร่งยังมาจากชุดข้อมูลเฉพาะ และไม่ได้พิสูจน์ว่าสมองใช้ตัวกำเนิดการสั่นรูปคลื่นไซน์ที่ไม่ต่อเนื่องเป็นโครงสร้างทางสรีรวิทยา