ค้นหาหัวข้ออื่น...

คู่มือการแปลงฟูเรียร์แบบช่วงเวลาสั้น (Short-Time Fourier Transform) สำหรับ EEG

เร่งระยะเวลาการทำงานวิเคราะห์ EEG ของคุณให้เร็วขึ้น ด้วยอาเรย์ไร้สายความหนาแน่นสูงที่มีการเซ็ตอัปอย่างรวดเร็ว ซึ่งได้รับการปรับแต่งมาเป็นอย่างดีเพื่อการปรับใช้ในภาคสนามที่ต้องการความยืดหยุ่น (Flex)

เร่งระยะเวลาการทำงานวิเคราะห์ EEG ของคุณให้เร็วขึ้น ด้วยอาเรย์ไร้สายความหนาแน่นสูงที่มีการเซ็ตอัปอย่างรวดเร็ว ซึ่งได้รับการปรับแต่งมาเป็นอย่างดีเพื่อการปรับใช้ในภาคสนามที่ต้องการความยืดหยุ่น (Flex)

การแปลงฟูเรียร์แบบพื้นฐาน (Fourier Transform) ซึ่งเป็นเครื่องมือทางคณิตศาสตร์แบบคลาสสิกสำหรับแยกสัญญาณออกมาเป็นความถี่ที่เป็นส่วนประกอบ สามารถบอกคุณได้ว่ามีจังหวะสัญญาณสมองรูปแบบใดเกิดขึ้นที่ใดที่หนึ่งตลอดการบันทึกภาพรวมทั้งหมด แต่สิ่งที่ไม่สามารถบอกคุณได้คือจังหวะเหล่านั้นเกิดขึ้นเมื่อใด การปะทุขึ้นในระยะเวลาสั้นๆ ของกิจกรรมคลื่นอัลฟาที่ปรากฏขึ้นในทันทีที่ใครบางคนหลับตาลงนั้นเป็นเหตุการณ์ที่เกิดขึ้นตามปฏิสัมพันธ์ของเวลาที่มีความสำคัญและมีนัยสำคัญ

เมื่อนำมาหาค่าเฉลี่ยรวมเป็นสรุปความถี่เดียวตลอดการบันทึกความยาวสิบนาที การปะทุดังกล่าวจะกลายเป็นเพียงข้อมูลทางสถิติที่ไม่สามารถแยกแยะออกจากเสียงรบกวนพื้นหลังได้ การกู้คืนช่วงเวลาในการเกิดของเหตุการณ์เหล่านี้คือจุดเริ่มต้นสำหรับการวิจัย EEG ที่จริงจัง และนั่นคือปัญหาที่ตรงประเด็นที่สุดที่การแปลงฟูเรียร์ในเวลาช่วงสั้น (Short-Time Fourier Transform - STFT) ถูกสร้างขึ้นมาเพื่อแก้ไข

เร่งระยะเวลาการทำงานวิเคราะห์ EEG ของคุณให้เร็วขึ้น ด้วยอาเรย์ไร้สายความหนาแน่นสูงที่มีการเซ็ตอัปอย่างรวดเร็ว ซึ่งได้รับการปรับแต่งมาเป็นอย่างดีเพื่อการปรับใช้ในภาคสนามที่ต้องการความยืดหยุ่น (Flex)

เร่งระยะเวลาการทำงานวิเคราะห์ EEG ของคุณให้เร็วขึ้น ด้วยอาเรย์ไร้สายความหนาแน่นสูงที่มีการเซ็ตอัปอย่างรวดเร็ว ซึ่งได้รับการปรับแต่งมาเป็นอย่างดีเพื่อการปรับใช้ในภาคสนามที่ต้องการความยืดหยุ่น (Flex)

ปัญหาของการแปลงฟูริเยร์แบบมาตรฐาน

การแปลงฟูริเยร์แบบมาตรฐานถือเป็นเสาหลักของการประมวลผลสัญญาณแบบคลาสสิก เนื่องจากสามารถแยกสัญญาณที่ซับซ้อนออกเป็นผลรวมของคลื่นไซน์บริสุทธิ์ได้อย่างมีประสิทธิภาพ โดยการอินทิเกรตตลอดช่วงเวลาอนันต์ ทำให้เผยให้เห็นองค์ประกอบความถี่ทั้งหมดที่มีอยู่ในการบันทึกสัญญาณ

อย่างไรก็ตาม วิธีนี้ตั้งสมมติฐานว่าสัญญาณมีลักษณะคงที่ (stationary) หากองค์ประกอบความถี่เปลี่ยนแปลงไปตามเวลา ผลลัพธ์โดยทั่วไปจะบดบังลำดับเวลา ข้อจำกัดนี้ทำให้ไม่สามารถแยกแยะระหว่างเหตุการณ์ที่เกิดขึ้นสั้นๆ ชั่วขณะกับฮาร์มอนิกที่ต่อเนื่องยาวนานได้ ซึ่งข้อมูลดังกล่าวมีความสำคัญอย่างยิ่งในสาขาต่างๆ เช่น ประสาทวิทยาศาสตร์

การแปลงฟูริเยร์เวลาสั้น (STFT) ในการวิเคราะห์ EEG คืออะไร

STFT เข้ามาจัดการกับปัญหาเรื่องเวลาด้วยกลยุทธ์ที่ตรงไปตรงมา แทนที่จะประมวลผลการแปลงฟูริเยร์กับการบันทึก EEG ทั้งหมดในคราวเดียว วิธีนี้จะแบ่งสัญญาณออกเป็นส่วนสั้นๆ ต่อเนื่องกัน ซึ่งมักเรียกว่า วินโดว์ (window) แล้วจึงใช้การแปลงฟูริเยร์แยกกับแต่ละส่วน แต่ละวินโดว์จะสร้างภาพจำลองความถี่ขนาดย่อมของตัวเองขึ้นมา และเมื่อนำภาพจำลองเหล่านี้มาต่อเรียงกันตามลำดับ ก็จะสร้างภาพเคลื่อนไหวที่แสดงให้เห็นว่าองค์ประกอบความถี่เปลี่ยนแปลงไปอย่างไรตามช่วงเวลา

ผลลัพธ์ของกระบวนการนี้มักแสดงในรูปแบบสเปกโทรแกรม (spectrogram) ซึ่งเป็นแผนภาพที่แกนหนึ่งแสดงเวลาและอีกแกนหนึ่งแสดงความถี่ สีหรือความเข้ม ณ จุดใดๆ บนแผนภาพนี้จะแสดงถึงกำลังหรือความแรงของความถี่นั้นในช่วงเวลานั้น ซึ่งนี่คือคุณค่าที่แท้จริงที่การวิเคราะห์ STFT ได้รับการออกแบบมาเพื่อมอบให้

ดังที่ Zabidi และคณะ กล่าวไว้ การวิเคราะห์ STFT ทำหน้าที่เพื่อ “เปิดเผยองค์ประกอบความถี่ของสัญญาณ EEG ในแต่ละจุดเวลา”

เหตุใดความยาวของวินโดว์จึงเป็นการตั้งค่าที่สำคัญที่สุดใน STFT

การแบ่งสัญญาณออกเป็นวินโดว์ฟังดูเป็นเรื่องง่าย แต่ความยาวที่เลือกสำหรับแต่ละวินโดว์จะเป็นตัวกำหนดเกือบทุกอย่างเกี่ยวกับคุณภาพและความแม่นยำของสเปกโทรแกรมที่ได้ การตัดสินใจนี้เกี่ยวข้องกับการแลกได้แลกเสีย (trade-off) ที่ไม่อาจหลีกเลี่ยงได้ ทำได้เพียงจัดการให้เหมาะสมเท่านั้น

ลองนึกภาพตามแบบนี้: วินโดว์ขนาดยาวจะทำหน้าที่เหมือนไม้บรรทัดวัดความถี่ที่แม่นยำ แต่นาฬิกาจับเวลากลับพร่ามัว เนื่องจากประกอบด้วยจุดข้อมูลจำนวนมากกว่า วินโดว์ขนาดยาวจึงสามารถแยกแยะความถี่ที่อยู่ใกล้เคียงกันได้อย่างแม่นยำจริงๆ แต่เนื่องจากมันครอบคลุมช่วงเวลาที่ยาวนานกว่า เหตุการณ์ใดๆ ที่เกิดขึ้นภายในวินโดว์นั้นจะถูกเกลี่ยจนเบลอ และคุณจะสูญเสียความสามารถในการระบุเวลาที่เกิดการเปลี่ยนแปลงได้อย่างแม่นยำ

วินโดว์ขนาดสั้นจะสลับการแลกได้แลกเสียนี้ โดยจะทำหน้าที่เหมือนนาฬิกาจับเวลาที่แม่นยำ แต่เป็นไม้บรรทัดวัดความถี่ที่พร่ามัว มันสามารถบอกคุณได้เกือบจะแม่นยำว่ามีบางสิ่งเกิดขึ้นเมื่อใด แต่จะประสบปัญหาในการแยกความถี่ที่อยู่ใกล้กัน เนื่องจากสัญญาณช่วงสั้นๆ เพียงแค่ไม่มีรอบการแกว่ง (oscillation cycles) ที่เพียงพอในการวัดความถี่ด้วยรายละเอียดที่ละเอียดอ่อน

นี่คือรูปแบบหนึ่งของหลักความไม่แน่นอนที่ควบคุมการวิเคราะห์เชิงเวลาและความถี่ทั้งหมด: คุณไม่สามารถบรรลุความละเอียดที่สมบูรณ์แบบทั้งในมิติเวลาและความถี่ในขณะเดียวกันได้ การปรับปรุงอย่างหนึ่งย่อมต้องแลกมาด้วยความสูญเสียในอีกด้านหนึ่งเสมอ การตระหนักถึงข้อจำกัดนี้แทนที่จะพยายามเอาชนะมัน จึงเป็นทักษะหลักในการทำงานร่วมกับ STFT

เนื่องจากจังหวะของสัญญาณ EEG แต่ละช่วงแกว่งตัวด้วยความเร็วที่แตกต่างกันอย่างมาก จึงไม่มีความยาววินโดว์ขนาดใดขนาดหนึ่งที่ทำงานได้ดีกับสัญญาณทุกช่วง แนวทางต่อไปนี้เป็นหลักปฏิบัติเบื้องต้นที่ดึงมาจากพฤติกรรมทั่วไปของจังหวะเหล่านี้:

  • คลื่นเดลตา (ประมาณ 0.5 ถึง 4 Hz): เป็นจังหวะคลื่นสมองที่ช้าที่สุด และวินโดว์จำเป็นต้องยาวเพียงพอ ซึ่งมักจะอยู่ในช่วง 1 ถึง 2 วินาที เพื่อจับรอบคลื่นอย่างน้อยหนึ่งรอบสมบูรณ์ของคลื่นที่ช้าที่สุดที่กำลังวัด วินโดว์ที่สั้นกว่านี้จะไม่มีช่วงคลื่นเพียงพอที่จะระบุคุณลักษณะของมันได้

  • จังหวะทีตาและอัลฟา (ประมาณ 4 ถึง 13 Hz): วินโดว์ขนาดปานกลาง ซึ่งมักจะอยู่ที่ประมาณ 500 มิลลิวินาที มักจะสร้างสมดุลที่ใช้งานได้ดี โดยยาวพอที่จะจับรอบการแกว่งได้หลายรอบ ซึ่งช่วยระบุจังหวะได้อย่างชัดเจน ในขณะเดียวกันก็ยังสั้นพอที่จะติดตามการเปลี่ยนแปลงที่มีความหมายได้ เช่น การเริ่มต้นของคลื่นอัลฟาที่พุ่งขึ้นมาเมื่อหลับตา

  • จังหวะบีตาและแกมมา (สูงกว่าประมาณ 13 Hz ขึ้นไป): จังหวะที่เร็วกว่าเหล่านี้จะเคลื่อนไหวอย่างรวดเร็ว ดังนั้นวินโดว์ขนาดสั้น ซึ่งมักจะอยู่ที่ 250 มิลลิวินาทีหรือน้อยกว่า จึงมีความจำเป็นในการติดตามการเปลี่ยนแปลงแบบพลวัตที่รวดเร็ว สิ่งที่ต้องแลกมาในที่นี้คือความสามารถที่ลดลงในการแยกแยะความถี่ที่อยู่ใกล้กันอย่างแม่นยำภายในช่วงคลื่นแกมมาที่สูงขึ้น ซึ่งเป็นผลโดยตรงจากการแลกได้แลกเสียเดียวกันกับที่อธิบายไว้ข้างต้น

STFT เผยความแตกต่างระหว่างการเคลื่อนไหวจริงกับการจินตนาการการเคลื่อนไหวอย่างไร

คุณค่าในทางปฏิบัติของ STFT จะเห็นได้ชัดเจนที่สุดในการวิจัยส่วนต่อประสานสมองกับคอมพิวเตอร์ (BCI) ซึ่งเป้าหมายคือการแปลงการทำงานของสมองให้เป็นสัญญาณควบคุมอุปกรณ์โดยตรง

ตัวอย่างที่มีการศึกษากันเป็นอย่างดีเกี่ยวข้องกับการเปรียบเทียบ EEG ที่บันทึกขณะที่บุคคลหนึ่งจินตนาการว่ากำลังขยับมือ เทียบกับ EEG ที่บันทึกขณะจินตนาการว่าขยับเท้า หรือการเปรียบเทียบการกระทำที่จินตนาการไว้กับการกระทำจริงทางกายภาพ

ในกระบวนทัศน์ที่เกี่ยวข้องกับการเคลื่อนไหวเหล่านี้ เป้าหมายทั่วไปของการวิเคราะห์คือปรากฏการณ์ที่เรียกว่า Event-Related Desynchronization หรือ ERD ซึ่งเป็นกำลังของสัญญาณที่ลดลงภายในช่วงจังหวะมิวและบีตาเหนือบริเวณสมองที่เกี่ยวข้องกับการเคลื่อนไหว เนื่องจาก ERD เป็นการลดลงของกำลังที่เจาะจงและล็อกตามเวลา มากกว่าที่จะเป็นคุณลักษณะพื้นหลังที่คงที่ จึงเป็นเหตุการณ์ประเภทที่การสรุปความถี่แบบครอบคลุมทั้งการบันทึกจะลบเลือนข้อมูลนี้ไป และเป็นสิ่งที่สเปกโทรแกรมแบบจำแนกตามเวลาสามารถตรวจจับได้

งานศึกษาวิจัยของ Zabidi และคณะ ซึ่งประยุกต์ใช้ STFT กับคำถามนี้โดยตรง ได้ตรวจสอบ EEG ที่เก็บรวบรวมระหว่างการเขียนด้วยลายมือจริงและระหว่างการจินตนาการว่าเขียนด้วยลายมือ โดยขั้นแรกสัญญาณจะถูกส่งผ่านตัวกรองแถบผ่าน (bandpass filter) เพื่อจำกัดการวิเคราะห์ให้อยู่ในช่วง 8 ถึง 30 Hz ซึ่งครอบคลุมจังหวะอัลฟาและบีตาที่เกี่ยวข้องกับกิจกรรมการเคลื่อนไหวมากที่สุด ก่อนที่ STFT จะถูกคำนวณด้วยวินโดว์แบบแฮมมิง (Hamming window) ที่ปรับแต่งมาอย่างดี

ผลลัพธ์ที่ได้เป็นการค้นพบที่เฉพาะเจาะจงและตรงไปตรงมา: “องค์ประกอบความถี่ของสัญญาณ EEG ที่ได้จากการเขียนจะเหมือนกับที่ได้จากการจินตนาการว่าเขียน”

ในทางปฏิบัติ รูปแบบจังหวะไฟฟ้าของสมองระหว่างการกระทำที่จินตนาการไว้มีความคล้ายคลึงอย่างใกล้ชิดกับรูปแบบระหว่างการกระทำจริงทางกายภาพ ซึ่งเป็นความสัมพันธ์ที่เป็นรากฐานของตรรกะเบื้องหลังระบบ BCI ส่วนใหญ่ที่มุ่งตรวจจับการเคลื่อนไหวที่ตั้งใจไว้โดยไม่จำเป็นต้องมีการเคลื่อนไหวทางกายภาพจริง

การใช้ STFT เพื่อสร้างภาพสำหรับโมเดลการเรียนรู้เชิงลึก

นอกเหนือจากการตรวจสอบด้วยสายตาแล้ว สเปกโทรแกรมที่สร้างโดย STFT ยังได้รับบทบาทใหม่ในฐานะขั้นตอนการเตรียมข้อมูลเบื้องต้นเพื่อป้อนเข้าสู่ระบบการเรียนรู้เชิงลึก และโดยเฉพาะอย่างยิ่ง โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ซึ่งเป็นประเภทโมเดลที่เดิมสร้างขึ้นเพื่อการรู้จำรูปแบบในภาพ เนื่องจากสเปกโทรแกรมโดยเนื้อแท้แล้วคือภาพสีที่แสดงกำลังครอบคลุมทั้งมิติเวลาและความถี่ นักวิจัยจึงเชื่อว่าสามารถส่งภาพนี้ไปยังโมเดลการเรียนรู้เชิงลึกที่อิงตามภาพได้โดยตรง ซึ่งโมเดลอาจตรวจพบโครงสร้างที่ซ่อนอยู่ในข้อมูลซึ่งยากต่อการระบุด้วยตนเอง

หนึ่งในการศึกษาปี 2019 ได้แปลงการบันทึก EEG จากงานการจินตนาการการเคลื่อนไหว ซึ่งแยกความแตกต่างระหว่างการเคลื่อนไหวมือขวากับเท้าขวา ให้เป็นภาพโดยใช้ทั้ง STFT และแนวทางเชิงเวลาและความถี่ทางเลือก จากนั้นจึงป้อนภาพทั้งสองชุดเข้าไปในสถาปัตยกรรม CNN ที่ผ่านการฝึกอบรมล่วงหน้าแล้ว

ประสิทธิภาพของทั้งสองแนวทางมีความแข็งแกร่ง โดยกระบวนการประมวลผลโดยรวมมีความแม่นยำในการจำแนกประเภทถึง 99.35% ซึ่งได้รับการอธิบายว่าเป็นคะแนนที่ดีที่สุดในบรรดาวิธีการที่เทียบเคียงกันได้ที่มีอยู่ อย่างไรก็ตาม เมื่อเปรียบเทียบวิธีการสร้างภาพทั้งสองวิธีโดยตรงภายในการศึกษาเดียวกันนั้น ผลลัพธ์กลับไม่เท่ากัน: “แนวทาง CWT ให้ผลลัพธ์ที่ดีกว่าแนวทาง STFT” ซึ่งชี้ให้เห็นถึงการแลกได้แลกเสียที่วัดผลได้จริงในเรื่องของความสมบูรณ์ถูกต้องที่แต่ละวิธีแปลงสัญญาณ EEG พื้นฐานไปเป็นภาพที่ใช้งานได้

การแลกได้แลกเสียนี้มีรายงานว่าเป็นปัญหาที่เป็นแรงจูงใจเบื้องหลังการพัฒนาทางระเบียบวิธีที่แยกต่างหาก นักวิจัยได้สร้างสิ่งที่พวกเขาเรียกว่า Anchored-STFT ซึ่งได้รับการอธิบายว่าเป็น “STFT เวอร์ชันขั้นสูง เนื่องจากช่วยลดการแลกได้แลกเสียระหว่างความละเอียดทางเวลาและความละเอียดทางสเปกตรัมที่เกิดขึ้นใน STFT”


เมื่อจับคู่กับวิธีเพิ่มพูนข้อมูลแบบปฏิปักษ์ (adversarial data augmentation) กระบวนการที่ได้รับการปรับปรุงนี้รายงานความแม่นยำในการจำแนกประเภทตั้งแต่ประมาณ 69% ถึงมากกว่า 90% ในชุดข้อมูล BCI หลายชุด ซึ่งช่วยตอกย้ำรูปแบบที่ว่า STFT แบบดั้งเดิมสามารถทำหน้าที่เป็นเครื่องมือแยกคุณลักษณะที่มีความสามารถอย่างแท้จริง แต่ข้อจำกัดด้านความละเอียดที่เป็นที่ทราบกันดีนั้นได้เปิดช่องว่างสำหรับการปรับปรุง ไม่ว่าจะผ่านการปรับแต่งพารามิเตอร์ การใช้เทคนิคเวอร์ชันที่ได้รับการยกระดับ หรือการใช้แนวทางเชิงเวลาและความถี่ที่แตกต่างไปจากเดิมอย่างสิ้นเชิง

งานวิจัยประยุกต์ใช้การแปลงฟูริเยร์เวลาสั้นกับการจำแนกประเภทการจินตนาการการเคลื่อนไหวอย่างไร

การศึกษาล่าสุดชิ้นหนึ่งได้นำการแปลงฟูริเยร์เวลาสั้นก้าวข้ามจากขั้นตอนการแสดงผลด้วยภาพไปสู่กระบวนการจำแนกประเภทที่ใช้งานได้จริง เช่นเดียวกับงานวิจัยก่อนหน้าที่กล่าวถึงข้างต้น จุดเริ่มต้นคืองานการจินตนาการการเคลื่อนไหว ซึ่งบุคคลหนึ่งจะจินตนาการว่ากำลังขยับมือแทนที่จะขยับมือจริงๆ

คณะผู้วิจัยได้อธิบายกรอบการทำงานที่พวกเขาเรียกว่า AMD-KT2D ซึ่งสร้างขึ้นบนสิ่งที่พวกเขาเรียกว่า Optimized Short-Time Fourier Transform แทนที่จะยึดติดกับการตั้งค่าวินโดว์แบบคงที่เพียงค่าเดียว ตัวแปรนี้จะปรับฟังก์ชันวินโดว์และความละเอียดเชิงเวลาและความถี่ไปพร้อมกัน โดยมีเป้าหมายที่ระบุไว้คือเพื่อรักษาคุณลักษณะเชิงเวลาและเชิงพื้นที่แบบไดนามิกที่การกำหนดค่าแบบคงที่อาจทำให้พร่ามัวหรือสูญหายไป

จากนั้น ภาพเชิงเวลาและความถี่แบบ 2 มิติที่ได้จะถูกส่งต่อไปยังสถาปัตยกรรมแบบผู้แนะนำ-ผู้เรียนรู้ (guide-learner): ResNet50 ที่ได้รับการปรับปรุง ซึ่งผ่านการฝึกอบรมล่วงหน้าบนชุดข้อมูลขนาดใหญ่ จะทำหน้าที่แยกคุณลักษณะเชิงพื้นที่-เวลาในระดับสูง ในขณะที่ Customized 2D Convolutional Neural Network จะจับคุณลักษณะในหลายสเกล โดยมีการใช้ฟังก์ชันการสูญเสียแบบ Adaptive Margin Disparity Discrepancy เพื่อลดความแตกต่างระหว่างทั้งสองและปรับคุณลักษณะของทั้งคู่ให้สอดคล้องกัน

การบันทึก EEG สำหรับงานจินตนาการการเคลื่อนไหวมือซ้ายเทียบกับมือขวาถูกรวบรวมด้วยระบบ Emotiv Flex สำหรับชุดข้อมูลดังกล่าว มีรายงานว่าตัวจำแนกประเภทการจินตนาการการเคลื่อนไหวแบบไฮบริดมีความแม่นยำถึง 96.75% ในสภาวะที่ขึ้นกับผู้เข้ารับการทดสอบ (subject-dependent) และ 92.17% ในสภาวะที่ไม่ขึ้นกับผู้เข้ารับการทดสอบ (subject-independent) ช่องว่างระหว่างตัวเลขทั้งสองนี้น่าสังเกต: ประสิทธิภาพที่วัดได้ภายในบุคคลเดียวกันไม่ได้ถ่ายโอนไปยังบุคคลที่โมเดลไม่เคยได้รับการฝึกอบรมมาก่อนโดยอัตโนมัติ

เมื่อพิจารณาร่วมกับงานวิจัยอื่นๆ ที่กล่าวถึงในบทความนี้ การศึกษานี้ชี้ให้เห็นว่าสเปกโทรแกรมที่สร้างขึ้นจากการแปลงฟูริเยร์เวลาสั้นเป็นอินพุตที่ใช้งานได้สำหรับโมเดลการเรียนรู้เชิงลึกที่มุ่งถอดรหัสการจินตนาการการเคลื่อนไหว สิ่งที่งานวิจัยกลุ่มนี้ยังไม่ได้ข้อสรุปคือความสามารถในการนำไปใช้ได้ทั่วไป (generalisability) นี่เป็นการศึกษาเพียงชิ้นเดียว บนชุดข้อมูลเพียงชุดเดียว โดยมีตัวเลขความแม่นยำที่ผูกอยู่กับงานเดียวและกลุ่มผู้เข้าร่วมกลุ่มเดียว และวิธีการตามที่รายงานก็อาศัยการแปลงเวอร์ชันที่ปรับแต่งมาเป็นพิเศษแทนที่จะเป็นรูปแบบมาตรฐาน

ผลลัพธ์เหล่านี้ควรอ่านในฐานะสิ่งที่มีแนวโน้มที่ดีภายใต้สภาพแวดล้อมของงานวิจัยเอง ไม่ใช่ประสิทธิภาพที่แน่นอนสำหรับส่วนต่อประสานที่ใช้ EEG ในวงกว้าง

เมื่อ STFT มีข้อจำกัด: ปัญหาความละเอียดแบบคงที่

การแลกได้แลกเสียที่กล่าวถึงข้างต้นถือเป็นข้อจำกัดหลักที่นักวิจัยทุกคนที่ใช้ STFT จำเป็นต้องชั่งน้ำหนักอย่างรอบคอบก่อนที่จะสรุปผลจากสเปกโทรแกรม

เมื่อเลือกความยาวของวินโดว์แล้ว เช่น 500 มิลลิวินาที วินโดว์เดียวกันนั้นจะถูกนำไปใช้อย่างสม่ำเสมอตลอดทั้งสเปกตรัมความถี่ที่กำลังวิเคราะห์ ไม่ว่านักวิจัยจะกำลังดูการทำงานของคลื่นเดลตาที่ช้า 2 Hz หรือการทำงานของคลื่นแกมมาที่เร็ว 100 Hz ก็ตาม วินโดว์จะไม่ปรับตัวเอง การแลกได้แลกเสียเชิงเวลาและความถี่ที่อธิบายไว้ก่อนหน้านี้จะถูกล็อกไว้ที่การตั้งค่าเดียวสำหรับการวิเคราะห์ทั้งหมด แม้ว่าจังหวะที่แตกต่างกันจะได้รับประโยชน์จากการตั้งค่าที่แตกต่างกันอย่างเหมาะสมก็ตาม

ลักษณะที่คงที่นี้เองคือสิ่งที่แยก STFT ออกจากกลุ่มเทคนิคแบบปรับตัวได้ (adaptive techniques) เช่น วิธีการที่ใช้เวฟเล็ต (wavelet) แทนที่จะล็อกขนาดของวินโดว์เพียงขนาดเดียวสำหรับทุกความถี่ วิธีการแบบปรับตัวได้จะใช้วินโดว์ที่ยาวขึ้นสำหรับความถี่ต่ำและวินโดว์ที่สั้นลงสำหรับความถี่สูงได้อย่างมีประสิทธิภาพ โดยปรับความละเอียดตามความจำเป็นภายในการวิเคราะห์เดียว แทนที่จะยอมรับการประนีประนอมค่าเดียวสำหรับสัญญาณทั้งหมด

ตัวอย่างเช่น การศึกษาที่นำโดย Wang และคณะ ซึ่งพัฒนาวิธีเชิงเวลาและความถี่แบบปรับตัวได้ รายงานว่าแนวทางของพวกเขานั้น “สามารถให้ความละเอียดเชิงเวลาและความถี่ที่เหมาะสมที่สุดเมื่อเปรียบเทียบกับ STFT และ CWT” โดยระบุชื่อ STFT อย่างชัดเจนว่าเป็นเกณฑ์มาตรฐานที่ถูกเอาชนะ

ในการประยุกต์ใช้ทางคลินิกที่แยกต่างหากเพื่อทำนายผลลัพธ์การรักษาด้วยยาต้านอาการซึมเศร้าในโรคซึมเศร้าขั้นรุนแรง (Major Depressive Disorder) จากข้อมูล EEG ก่อนการรักษา นักวิจัยได้เปรียบเทียบแนวทางที่ใช้เวฟเล็ตกับ STFT และวิธีแยกสัญญาณแบบอื่นโดยตรง และรายงานว่า “การวิเคราะห์ด้วย WT แสดงให้เห็นถึงความแม่นยำในการจำแนกประเภทสูงสุด” ในบรรดาเทคนิคที่เปรียบเทียบ โดยมีความแม่นยำถึง 87.5% เมื่อเทียบกับทางเลือกอื่นๆ

ขั้นตอนการทำงานทีละขั้นตอนสำหรับการสร้างและประเมินสเปกโทรแกรม EEG

เมื่อพิจารณาถึงจุดแข็งและข้อจำกัดเหล่านี้ ขั้นตอนการทำงานที่มีวินัยจะช่วยให้มั่นใจได้ว่า STFT จะถูกนำไปใช้อย่างเหมาะสมและผลลัพธ์ได้รับการตีความอย่างตรงไปตรงมา

ขั้นตอนที่ 1: กำหนดคำถามก่อนที่จะเริ่มจัดการข้อมูล เป้าหมายคือการตรวจจับคลื่นแกมมาที่เกิดขึ้นอย่างรวดเร็วและสั้นๆ หรือเพื่อติดตามการเปลี่ยนแปลงอย่างช้าๆ ของกำลังคลื่นเดลตาในช่วงเวลาหลายนาที? คำตอบจะเป็นตัวกำหนดว่าคุณควรให้ความสำคัญกับด้านใดของการแลกได้แลกเสียในความยาวของวินโดว์

ขั้นตอนที่ 2: เลือกความยาววินโดว์เริ่มต้นให้ตรงกับจังหวะเป้าหมาย ใช้แนวทางปฏิบัติข้างต้นเป็นจุดเริ่มต้น วินโดว์ที่ยาวขึ้นสำหรับเดลตา วินโดว์ขนาดปานกลางสำหรับทีตาและอัลฟา วินโดว์ที่สั้นลงสำหรับบีตาและแกมมา จับคู่สิ่งนี้กับรูปแบบวินโดว์ที่เหลื่อมซ้อนกัน ซึ่งโดยทั่วไปจะอยู่ระหว่าง 50% ถึง 90% ของการเหลื่อมซ้อนระหว่างวินโดว์ที่ต่อเนื่องกัน ซึ่งจะช่วยทำให้สเปกโทรแกรมที่ได้มีความเรียบเนียนขึ้น และลดการปรากฏของช่องว่างที่ไม่เป็นธรรมชาติระหว่างช่วงเวลา

ขั้นตอนที่ 3: สร้างสเปกโทรแกรมและตรวจสอบอย่างละเอียด ความยาววินโดว์ที่เลือกแสดงจุดเริ่มต้นที่ชัดเจนและเฉียบคมสำหรับจังหวะเร็วที่สนใจหรือไม่ หรือเหตุการณ์นั้นดูพร่ามัวกินช่วงเวลาที่กว้างกว่าที่ควรจะเป็น? สเปกโทรแกรมสามารถแยกยอดของคลื่นอัลฟาออกจากยอดของคลื่นทีตาที่อยู่ใกล้เคียงกันได้อย่างชัดเจนหรือไม่ หรือว่าทั้งสองจังหวะกลืนเข้าหากัน? การตรวจสอบด้วยสายตาเหล่านี้เป็นการทดสอบเชิงปฏิบัติโดยตรงว่าความยาววินโดว์ที่เลือกนั้นเหมาะสมกับข้อมูลหรือไม่

ขั้นตอนที่ 4: ปฏิบัติต่อผลลัพธ์ในฐานะมุมมองหนึ่งในบรรดามุมมองที่เป็นไปได้หลายมุมมอง ไม่ใช่คำตัดสินขั้นสุดท้าย ผลลัพธ์เชิงลบ เช่น การไม่พบความแตกต่างของคลื่นแกมมาที่วัดได้ระหว่างสองกลุ่มทดลอง อาจสะท้อนถึงการไม่มีผลกระทบอยู่จริง หรืออาจสะท้อนถึงขีดจำกัดความละเอียดของวินโดว์ STFT ที่เลือกใช้เท่านั้น ขั้นตอนต่อไปที่สมเหตุสมผลสำหรับการยืนยันการค้นพบที่คลุมเครือหรือมีความสำคัญคือการวิเคราะห์ข้อมูลเดิมซ้ำอีกครั้งโดยใช้วิธีการแบบปรับตัวได้เพื่อเป็นการตรวจสอบซ้ำ

เหตุใดการติดตามว่าจังหวะสมองทำงานเมื่อใดจึงช่วยปลดล็อกข้อมูลเชิงลึกใหม่ๆ

การทำงานของสมองเป็นลำดับของเหตุการณ์ที่เกิดขึ้นตามเวลา และการกู้คืนข้อมูลด้านเวลานั้นจะเปลี่ยนการบันทึกสัญญาณแบบแบนราบให้กลายเป็นการรายงานสภาวะจิตใจที่เปลี่ยนแปลงไปตามเวลาจริง การเปลี่ยนจากการสรุปความถี่แบบเดี่ยวๆ ไปสู่แผนภาพแบบช่วงเวลาต่อช่วงเวลา ทำให้นักวิจัยสามารถเชื่อมโยงความคิด ความตั้งใจ หรือความรู้สึกเฉพาะเจาะจงเข้ากับจังหวะของสมองที่เกิดขึ้นร่วมกันได้โดยตรง การเปลี่ยนแปลงนี้คือสิ่งที่เปลี่ยน EEG จากการวัดค่าแบบหยุดนิ่งให้กลายเป็นเครื่องมือที่สามารถสนับสนุนส่วนต่อประสานสมองกับคอมพิวเตอร์ และป้อนข้อมูลเข้าสู่โมเดลการเรียนรู้เชิงลึกที่เรียนรู้เพื่อจดจำรูปแบบทางจิตใจได้

การแลกได้แลกเสียเรื่องความละเอียดแบบคงที่ของวิธีนี้ได้ให้บทเรียนที่กว้างขึ้น: ทุกทางเลือกในการวิเคราะห์จะเน้นความจริงบางอย่างในขณะที่อาจทำให้สิ่งอื่นพร่ามัว ดังนั้นจึงไม่มีผลลัพธ์ใดเพียงผลเดียวที่บอกเล่าเรื่องราวทั้งหมดได้ สิ่งนี้เรียกร้องให้มีการตรวจสอบซ้ำกับแนวทางอื่นๆ เมื่อข้อค้นพบนั้นมีความสำคัญ และยังตอกย้ำว่ารูปแบบสัญญาณไฟฟ้าของสมอง เช่น ความสอดคล้องกันอย่างใกล้ชิดระหว่างการเคลื่อนไหวที่จินตนาการไว้กับการเคลื่อนไหวจริงนั้น มีความซับซ้อนหลายชั้นอย่างลึกซึ้ง ความคล้ายคลึงกันในระดับพื้นฐานนั้นสนับสนุนแนวคิดที่ว่า สมองซักซ้อมการกระทำต่างๆ โดยใช้รูปแบบจังหวะสัญญาณส่วนใหญ่แบบเดียวกับที่ใช้ในการกระทำการเหล่านั้นจริง

เอกสารอ้างอิง

  1. Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

  2. Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645

  3. Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

  4. Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109

  5. Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

คำถามที่พบบ่อย

การแปลงฟูริเยร์เวลาสั้น (STFT) ในการวิเคราะห์ EEG คืออะไร?

การแปลงฟูริเยร์เวลาสั้น (STFT) จะแบ่งสัญญาณ EEG ดิบออกเป็นวินโดว์เวลาสั้นๆ ต่อเนื่องกัน และคำนวณสเปกตรัมความถี่สำหรับแต่ละวินโดว์ การนำภาพจำลองเหล่านี้มาเรียงซ้อนกันตามลำดับจะสร้างภาพเคลื่อนไหวที่เรียกว่าสเปกโทรแกรม ซึ่งแสดงให้เห็นว่ากำลังของจังหวะสมองต่างๆ เปลี่ยนแปลงไปอย่างไรในแต่ละช่วงเวลา

ทำไมฉันถึงไม่สามารถใช้การแปลงฟูริเยร์ทั่วไปกับการบันทึกสัญญาณ EEG ได้?

การแปลงฟูริเยร์ขั้นพื้นฐานจะแยกการบันทึกทั้งหมดออกเป็นความถี่ที่เป็นองค์ประกอบ แต่จะลบเลือนข้อมูลเวลาทั้งหมดออกไป ทำให้คุณทราบเพียงว่ามีจังหวะใดบ้างโดยรวม แต่ไม่ทราบว่าจังหวะเหล่านั้นเกิดขึ้นเมื่อใด STFT จะกู้คืนข้อมูลเวลาดังกล่าวโดยการวิเคราะห์ส่วนสั้นๆ แยกกัน ทำให้คุณเห็นว่าการพุ่งขึ้นของคลื่นอัลฟาหรือการลดลงของกำลังคลื่นบีตาเกิดขึ้นเมื่อใดจริงๆ

สเปกโทรแกรมแสดงอะไร?

สเปกโทรแกรมเป็นแผนภาพเชิงภาพที่มีแกนเวลาอยู่แกนหนึ่ง แกนความถี่อยู่อีกแกนหนึ่ง และมีสีหรือความสว่างที่แสดงถึงกำลังของแต่ละความถี่ ณ ขณะนั้น มันเปลี่ยน EEG จากการสรุปข้อมูลแบบแบนราบให้กลายเป็นสิ่งที่มีลักษณะเหมือนโน้ตเพลงของกิจกรรมทางไฟฟ้าในสมอง

เหตุใดความยาวของวินโดว์จึงมีความสำคัญมาก?

วินโดว์ที่ยาวขึ้นจะให้ข้อมูลความถี่ที่แม่นยำแต่จะทำให้ช่วงเวลาที่แน่นอนของเหตุการณ์พร่ามัว ในขณะที่วินโดว์ที่สั้นลงจะระบุเวลาได้อย่างแม่นยำแต่จะทำให้ความถี่ที่อยู่ใกล้กันรวมเข้าด้วยกันจนไม่ชัดเจน การแลกได้แลกเสียที่ไม่อาจหลีกเลี่ยงได้นี้หมายความว่า การเลือกความยาวของวินโดว์จะกำหนดสิ่งที่สเปกโทรแกรมสามารถเปิดเผยและสิ่งที่จะถูกซ่อนไว้โดยตรง

ความยาววินโดว์ขนาดใดที่เป็นจุดเริ่มต้นที่ดีสำหรับจังหวะสมองที่แตกต่างกัน?

สำหรับจังหวะเดลตาที่ช้ามาก จำเป็นต้องใช้วินโดว์ที่ยาวขึ้นประมาณหนึ่งถึงสองวินาทีเพื่อจับรอบคลื่นให้สมบูรณ์ จังหวะทีตาและอัลฟามักจะทำงานได้ดีกับวินโดว์ประมาณครึ่งวินาที และจังหวะบีตาและแกมมาที่เร็วกว่าจำเป็นต้องใช้วินโดว์ที่สั้นลงประมาณหนึ่งในสี่วินาทีหรือน้อยกว่านั้นเพื่อติดตามการเปลี่ยนแปลงที่รวดเร็ว

STFT สามารถเปิดเผยความคล้ายคลึงกันระหว่างการเคลื่อนไหวจริงกับการจินตนาการการเคลื่อนไหวได้อย่างไร?

STFT ดักจับการลดลงของกำลังที่ล็อกตามเวลาซึ่งเรียกว่า Event-Related Desynchronization ในย่านความถี่มิวและบีตา ซึ่งเกิดขึ้นทั้งเมื่อบุคคลเคลื่อนไหวร่างกายจริงและเมื่อพวกเขาจินตนาการถึงการเคลื่อนไหวนั้นในใจ สเปกโทรแกรมของงานการเคลื่อนไหวจริงและงานที่จินตนาการขึ้นสามารถแสดงรูปแบบความถี่ที่เกือบจะเหมือนกัน ซึ่งช่วยสนับสนุนตรรกะเบื้องหลังส่วนต่อประสานสมองกับคอมพิวเตอร์

สามารถใช้ STFT ร่วมกับโมเดลการเรียนรู้เชิงลึกได้หรือไม่?

ได้ ภาพสเปกโทรแกรมที่สร้างโดย STFT สามารถป้อนเข้าสู่โครงข่ายประสาทเทียมแบบคอนโวลูชันที่ออกแบบมาเพื่อการรู้จำภาพได้โดยตรง โมเดลเหล่านี้สามารถเรียนรู้เพื่อแยกแยะสภาวะของสมองจากรูปแบบเชิงเวลาและความถี่ ซึ่งมักจะบรรลุความแม่นยำในการจำแนกประเภทที่สูงมากในงานต่างๆ เช่น การตรวจจับการจินตนาการการเคลื่อนไหว

ข้อจำกัดหลักของ STFT เมื่อเทียบกับวิธีเชิงเวลาและความถี่อื่นๆ คืออะไร?

STFT จะล็อกขนาดของวินโดว์ไว้ขนาดเดียวสำหรับทุกความถี่ ซึ่งหมายความว่าไม่สามารถให้รายละเอียดเวลาที่เฉียบคมสำหรับคลื่นสั้นที่เกิดขึ้นเร็ว และรายละเอียดความถี่ที่ละเอียดสำหรับคลื่นช้าไปพร้อมๆ กันได้ เทคนิคแบบปรับตัวได้ เช่น เวฟเล็ต จะเปลี่ยนความยาววินโดว์ที่ใช้งานตามความถี่ ซึ่งมักจะนำไปสู่ความละเอียดที่ดีกว่าและประสิทธิภาพการจำแนกประเภทที่สูงขึ้นในการเปรียบเทียบโดยตรง

แนวทางทีละขั้นตอนที่ดีเมื่อใช้ STFT กับข้อมูล EEG คืออะไร?

เริ่มต้นด้วยการจับคู่ความยาววินโดว์เริ่มต้นให้เข้ากับจังหวะที่คุณสนใจ ใช้วินโดว์ที่เหลื่อมซ้อนกันเพื่อทำให้สเปกโทรแกรมมีความเรียบเนียน และตรวจสอบผลลัพธ์เพื่อดูว่าเหตุการณ์ต่างๆ ดูมีจังหวะเวลาที่ชัดเจนหรือพร่ามัว หากการค้นพบนี้มีความสำคัญ ให้พิจารณาตรวจสอบข้อมูลซ้ำด้วยวิธีแบบปรับตัวได้ เนื่องจากการตั้งค่า STFT แบบเดี่ยวอาจเอื้ออำนวยต่อความละเอียดเพียงประเภทเดียวเท่านั้น

เร่งระยะเวลาการทำงานวิเคราะห์ EEG ของคุณให้เร็วขึ้น ด้วยอาเรย์ไร้สายความหนาแน่นสูงที่มีการเซ็ตอัปอย่างรวดเร็ว ซึ่งได้รับการปรับแต่งมาเป็นอย่างดีเพื่อการปรับใช้ในภาคสนามที่ต้องการความยืดหยุ่น (Flex)

เร่งระยะเวลาการทำงานวิเคราะห์ EEG ของคุณให้เร็วขึ้น ด้วยอาเรย์ไร้สายความหนาแน่นสูงที่มีการเซ็ตอัปอย่างรวดเร็ว ซึ่งได้รับการปรับแต่งมาเป็นอย่างดีเพื่อการปรับใช้ในภาคสนามที่ต้องการความยืดหยุ่น (Flex)

Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้

ข้อจำกัดความรับผิดชอบทางการแพทย์: ข้อมูลที่ให้ไว้บนเว็บไซต์นี้มีวัตถุประสงค์เพื่อการศึกษาและการให้ข้อมูลเท่านั้น และไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการแพทย์หรือสุขภาพ เนื้อหานี้อาจมีข้อผิดพลาดและไม่ควรนำมาใช้ในการตัดสินใจเลือกแนวทางชีวิต สุขภาพ หรือการรักษาทางการแพทย์ที่เปลี่ยนชีวิต โปรดขอคำแนะนำจากแพทย์หรือผู้ให้บริการด้านสุขภาพที่มีคุณสมบัติเหมาะสมเสมอ หากมีคำถามใดๆ ที่คุณอาจมีเกี่ยวกับอาการเจ็บป่วยหรือการรักษา

คริสเตียน บูร์โกส

ล่าสุดจากเรา

ข้อดี-ข้อเสียของอิเล็กโทรด EEG แบบแห้ง: ความเร็วและความสบาย แลกกับ ความแม่นยำของสัญญาณ

การตรวจคลื่นไฟฟ้าสมอง (EEG) เป็นรากฐานสำคัญของประสาทวิทยาศาสตร์มานานหลายทศวรรษ โดยทำหน้าที่วัดการทำงานของกระแสไฟฟ้าในสมองผ่านขั้วไฟฟ้าที่ติดไว้บนหนังศีรษะ ขั้วไฟฟ้าแบบ "เปียก" ดั้งเดิมจำเป็นต้องใช้เจลนำไฟฟ้าเพื่อเชื่อมช่องว่างระหว่างผิวหนังและเซนเซอร์ ซึ่งช่วยลดแรงต้านทานหรืออิมพีแดนซ์ (impedance) ที่อาจขัดขวางแรงดันไฟฟ้าขนาดเล็กเหล่านี้ การทาเจลดังกล่าวนั้นเลอะเทอะ ใช้เวลานาน และมักทำให้ผู้เข้าร่วมการทดสอบรู้สึกไม่สบายตัว

เมื่อการตรวจ EEG ขยายขอบเขตออกไปนอกห้องปฏิบัติการ ไม่ว่าจะเป็นในบ้าน คลินิก และการใช้งานระหว่างเคลื่อนที่ ความต้องการอินเทอร์เฟซที่รวดเร็วและเรียบง่ายยิ่งขึ้นจึงเพิ่มสูงขึ้น ขั้วไฟฟ้าแบบแห้งซึ่งสัมผัสกับผิวหนังโดยตรงโดยไม่ต้องใช้เจล ตอบโจทย์สิ่งนี้ได้อย่างแม่นยำ นั่นคือ การติดตั้งที่รวดเร็วและความสบายที่มากขึ้น

อย่างไรก็ตาม ความสะดวกสบายนี้ก็ต้องแลกมาด้วยข้อจำกัดทางกายภาพ การไม่มีเจลส่งผลให้อิมพีแดนซ์สูงขึ้นและมีสัญญาณรบกวนมากขึ้น ทำให้เกิดข้อแลกเปลี่ยนอย่างสม่ำเสมอระหว่างความสะดวกในการใช้งานและความแม่นยำของข้อมูล งานวิจัยอิสระล่าสุดจำนวนหนึ่งได้แสดงให้เห็นถึงขอบเขตที่ชัดเจนของข้อแลกเปลี่ยนดังกล่าว โดยระบุอย่างเจาะจงว่าสถานการณ์ใดที่ขั้วไฟฟ้าแบบแห้งทำงานได้อย่างยอดเยี่ยม และสถานการณ์ใดที่ขั้วไฟฟ้าแบบแห้งยังคงเป็นตัวเลือกรอง

อ่านบทความ

EEG ที่บ้านทำงานอย่างไรสำหรับการบันทึกการทำงานของสมองในชีวิตประจำวัน?

Home EEG คือการบันทึกคลื่นไฟฟ้าสมองที่ผู้ใช้ดำเนินการด้วยตนเองนอกคลินิกหรือห้องปฏิบัติการ โดยส่งมอบเจลอิเล็กโทรด, headset และซอฟต์แวร์บันทึกข้อมูลให้กับผู้ใช้ที่ไม่ได้รับการฝึกอบรม ซึ่งบ่อยครั้งมีเพียงแอปพลิเคชันบนสมาร์ตโฟนคอยให้คำแนะนำ แนวคิดนี้ประกอบด้วยการมีความสามารถในการตรวจวัดการทำงานของสมองที่สอดคล้องกับชีวิตประจำวัน โดยอาจสามารถบันทึกโครงสร้างการนอนหลับ สมาธิและกระบวนการรับรู้ หรือรูปแบบของอาการชักได้โดยไม่ต้องแบกรับภาระด้านการเดินทางและขั้นตอนที่ยุ่งยากในการไปโรงพยาบาล

อ่านบทความ

อุปกรณ์นิวโรฟีดแบ็กในฐานะระบบองค์รวม

ลองจินตนาการถึงการเล่นวิดีโอเกมที่คอนโทรลเลอร์ของคุณมองไม่เห็น—คุณควบคุมทิศทางโดยใช้เพียงแค่คลื่นสมองของตัวเองเท่านั้น แนวคิดดังกล่าวเป็นหัวใจสำคัญของนิวโรฟีดแบ็ก (Neurofeedback) ซึ่งเป็นเทคนิคที่เปิดหน้าต่างให้คุณมองเห็นการทำงานของสมองแบบเรียลไทม์ และสอนให้คุณปรับเปลี่ยนการทำงานนั้น

อุปกรณ์จะตรวจจับสัญญาณที่สร้างขึ้นโดยสมองของคุณ ซึ่งส่วนใหญ่มักใช้การตรวจคลื่นไฟฟ้าสมอง (EEG) ที่ตรวจจับรูปแบบกระแสไฟฟ้าบนหนังศีรษะ หรือในบางครั้งอาจใช้เซ็นเซอร์ functional near-infrared spectroscopy (fNIRS) ที่ติดตามการไหลเวียนของเลือด สัญญาณดิบเหล่านั้นจะได้รับการประมวลผลและเปลี่ยนให้เป็นเกมง่าย ๆ เสียง หรือภาพเคลื่อนไหวบนหน้าจอ จากการลองผิดลองถูก สมองของคุณจะเรียนรู้ที่จะสร้างรูปแบบที่ทำให้การตอบสนองเป็นไปในทิศทางที่คุณต้องการ

คู่มือจำนวนมากมักมุ่งเน้นไปที่ชิ้นส่วนแต่ละชิ้น—อิเล็กโทรด EEG, สายไฟ, ซอฟต์แวร์—แต่อุปกรณ์จะประสบความสำเร็จได้ก็ต่อเมื่อชิ้นส่วนเหล่านั้นประกอบรวมกันเป็นหนึ่งเดียวได้อย่างลงตัว บทนำนี้จะสำรวจนิวโรฟีดแบ็กในฐานะระบบบูรณาการที่การประมวลผลสัญญาณ การออกแบบการตอบสนอง และการใช้งานจริงในชีวิตประจำวันผสมผสานเข้าด้วยกัน เพื่อพิจารณาว่าสิ่งนั้นมีประโยชน์อย่างแท้จริงหรือไม่

อ่านบทความ

การติดตั้ง EEG ขั้นเชี่ยวชาญ: แนวทางปฏิบัติที่ดีที่สุดก่อนเริ่มบันทึกสัญญาณ

สิ่งที่แบ่งแยกระหว่างสัญญาณประสาทที่ชัดเจนและตีความได้ ออกจากสัญญาณที่ถูกรบกวนด้วยสัญญาณแทรกซ้อนจากกล้ามเนื้อหรือสัญญาณรบกวนจากสายส่ง ไม่ใช่อัลกอริทึมขั้นสูงที่ใช้ประมวลผลภายหลัง แต่เป็นกระบวนการขั้นตอนเตรียมการที่เป็นระบบและเป็นไปตามลำดับเวลา การติดตั้ง EEG ในบริบทนี้ จึงไม่ใช่เพียงแค่การสวมหมวกอิเล็กโทรดให้กับผู้เข้าร่วมการทดลอง แต่เป็นลำดับขั้นตอนที่เคร่งครัดของกระบวนการสอบเทียบทางชีวภาพ สภาพแวดล้อม และทางไฟฟ้า ซึ่งร่วมกันสร้างจุดเชื่อมต่อที่เสถียรและมีสัญญาณรบกวนต่ำระหว่างสมองและเครื่องขยายสัญญาณ

บทความนี้จะพาคุณไปสำรวจขั้นตอนการทำงานก่อนการบันทึกสัญญาณ โดยรวบรวมหลักฐานที่มีอยู่เพื่อแสดงให้เห็นว่า การให้ข้อมูลสรุปแก่ผู้เข้าร่วมอย่างรอบคอบ การเตรียมหนังศีรษะ การป้องกันสัญญาณรบกวนจากสภาพแวดล้อม การเลือกการจัดวางจุดอ้างอิง และการคัดกรองสัญญาณรบกวนพื้นฐาน ล้วนประกอบกันเป็นห่วงโซ่แห่งขั้นตอนที่จำเป็นและไม่อาจละเลยได้

อ่านบทความ