การแปลงฟูเรียร์แบบพื้นฐาน (Fourier Transform) ซึ่งเป็นเครื่องมือทางคณิตศาสตร์แบบคลาสสิกสำหรับแยกสัญญาณออกมาเป็นความถี่ที่เป็นส่วนประกอบ สามารถบอกคุณได้ว่ามีจังหวะสัญญาณสมองรูปแบบใดเกิดขึ้นที่ใดที่หนึ่งตลอดการบันทึกภาพรวมทั้งหมด แต่สิ่งที่ไม่สามารถบอกคุณได้คือจังหวะเหล่านั้นเกิดขึ้นเมื่อใด การปะทุขึ้นในระยะเวลาสั้นๆ ของกิจกรรมคลื่นอัลฟาที่ปรากฏขึ้นในทันทีที่ใครบางคนหลับตาลงนั้นเป็นเหตุการณ์ที่เกิดขึ้นตามปฏิสัมพันธ์ของเวลาที่มีความสำคัญและมีนัยสำคัญ
เมื่อนำมาหาค่าเฉลี่ยรวมเป็นสรุปความถี่เดียวตลอดการบันทึกความยาวสิบนาที การปะทุดังกล่าวจะกลายเป็นเพียงข้อมูลทางสถิติที่ไม่สามารถแยกแยะออกจากเสียงรบกวนพื้นหลังได้ การกู้คืนช่วงเวลาในการเกิดของเหตุการณ์เหล่านี้คือจุดเริ่มต้นสำหรับการวิจัย EEG ที่จริงจัง และนั่นคือปัญหาที่ตรงประเด็นที่สุดที่การแปลงฟูเรียร์ในเวลาช่วงสั้น (Short-Time Fourier Transform - STFT) ถูกสร้างขึ้นมาเพื่อแก้ไข
ปัญหาของการแปลงฟูริเยร์แบบมาตรฐาน
การแปลงฟูริเยร์แบบมาตรฐาน (Standard Fourier Transform) เป็นเสาหลักของ การประมวลผลสัญญาณ แบบคลาสสิก เนื่องจากช่วยแยกสัญญาณที่ซับซ้อนออกเป็นผลรวมของคลื่นไซน์บริสุทธิ์ได้อย่างมีประสิทธิภาพ การบูรณาการในช่วงเวลาที่ไม่มีที่สิ้นสุดทำให้เห็นเนื้อหาความถี่ทั้งหมดที่อยู่ในข้อมูลที่บันทึกไว้
อย่างไรก็ตาม วิธีนี้สมมติว่าสัญญาณมีความคงที่ (stationary); หากส่วนประกอบของความถี่เปลี่ยนแปลงไปตามเวลา ผลลัพธ์ทั่วไปจะบดบังลำดับเวลา ข้อจำกัดนี้ทำให้ไม่สามารถแยกแยะความแตกต่างระหว่างเหตุการณ์สั้นๆ ที่เกิดขึ้นอย่างรวดเร็วกับฮาร์มอนิกที่ต่อเนื่องกัน ซึ่งเป็นสิ่งสำคัญอย่างยิ่งในสาขาต่างๆ เช่น ประสาทวิทยาศาสตร์
การแปลงฟูริเยร์ระยะสั้นในการวิเคราะห์ EEG คืออะไร
STFT เข้าหาปัญหาเรื่องเวลาด้วยกลยุทธ์ที่ตรงไปตรงมา แทนที่จะทำการแปลงฟูริเยร์กับข้อมูลบันทึก EEG ทั้งหมดในคราวเดียว มันจะหั่นสัญญาณออกเป็นส่วนสั้นๆ ที่ต่อเนื่องกัน ซึ่งมักเรียกว่าวินโดว์ (window) และใช้วิธีแปลงฟูริเยร์กับแต่ละส่วนแยกกัน วินโดว์แต่ละส่วนจะสร้างภาพรวมความถี่ขนาดเล็กของตัวเองขึ้นมา และเมื่อนำภาพรวมเหล่านี้มาต่อกันตามลำดับ ก็จะเกิดเป็นภาพเคลื่อนไหวที่แสดงให้เห็นว่าเนื้อหาความถี่เปลี่ยนแปลงอย่างไรเมื่อเวลาผ่านไป
ผลลัพธ์ของกระบวนการนี้มักจะแสดงในรูปแบบของสเปกโทรแกรม (spectrogram) ซึ่งเป็นแผนที่ภาพที่มีเวลาอยู่บนแกนหนึ่งและความถี่อยู่บนอีกแกนหนึ่ง สีหรือความเข้ม ณ จุดใดจุดหนึ่งบนแผนที่นี้จะแสดงถึงพลังงานหรือความแรงของความถี่นั้นในเวลานั้น นี่คือคุณค่าของการวิเคราะห์ด้วย STFT ที่ถูกออกแบบมาเพื่อสิ่งนี้โดยเฉพาะ
ตามที่ Zabidi et al. ได้กล่าวไว้ การวิเคราะห์ STFT ทำงานเพื่อ “เปิดเผยเนื้อหาความถี่ของสัญญาณ EEG ในแต่ละจุดเวลา”
ทำไมความยาวของวินโดว์จึงเป็นการตั้งค่าที่สำคัญที่สุดใน STFT
การหั่นสัญญาณออกเป็นวินโดว์ฟังดูง่าย แต่ความยาวที่เลือกสำหรับแต่ละวินโดว์เป็นตัวกำหนดเกือบทุกอย่างเกี่ยวกับคุณภาพและความถูกต้องของสเปกโทรแกรมที่ได้ การตัดสินใจนี้เกี่ยวข้องกับการแลกเปลี่ยน (trade-off) ที่หลีกเลี่ยงไม่ได้ มีเพียงแต่การจัดการให้เหมาะสมเท่านั้น
ลองคิดในมุมนี้: วินโดว์ที่ยาวจะทำหน้าที่เหมือนไม้บรรทัดวัดความถี่ที่แม่นยำ แต่เป็นนาฬิกาจับเวลาที่พร่ามัว เนื่องจากมันมีจุดข้อมูลมากกว่า วินโดว์ที่ยาวจึงสามารถแยกแยะความถี่ที่อยู่ใกล้กันได้อย่างแม่นยำจริงๆ แต่เนื่องจากมันครอบคลุมช่วงเวลาที่ยาวกว่า เหตุการณ์ใดก็ตามที่เกิดขึ้นภายในวินโดว์นั้นจะถูกเกลี่ยให้กระจายออกไป และคุณจะสูญเสียความสามารถในการระบุเวลาที่แน่นอนเมื่อมีการเปลี่ยนแปลงเกิดขึ้น
ส่วนวินโดว์ที่สั้นจะกลับข้างกัน โดยทำหน้าที่เหมือนนาฬิกาจับเวลาที่แม่นยำ แต่เป็นไม้บรรทัดวัดความถี่ที่พร่ามัว มันสามารถบอกคุณได้เกือบจะแน่นอนว่ามีบางอย่างเกิดขึ้นเมื่อใด แต่จะประสบปัญหาในการแยกความถี่ที่อยู่ใกล้กัน เนื่องจากสัญญาณส่วนที่สั้นเพียงแค่ไม่มีรอบการแกว่งที่เพียงพอสำหรับการวัดความถี่ที่มีความละเอียดสูง
นี่คือรูปแบบหนึ่งของหลักความไม่แน่นอนที่ควบคุม การวิเคราะห์ความถี่-เวลา ทั้งหมด: คุณไม่สามารถบรรลุความละเอียดที่สมบูรณ์แบบได้ในทั้งเวลาและความถี่ในขณะเดียวกัน การปรับปรุงอย่างหนึ่งมักจะต้องแลกมาด้วยข้อเสียของอีกอย่างหนึ่ง การตระหนักถึงการแลกเปลี่ยนนี้ แทนที่จะพยายามเอาชนะมัน เป็นทักษะหลักในการทำงานร่วมกับ STFT
เนื่องจากจังหวะของ EEG ที่แตกต่างกันนั้นแกว่งด้วยความเร็วที่แตกต่างกันมาก จึงไม่มีความยาววินโดว์ชุดเดียวที่ทำงานได้ดีสำหรับทุกจังหวะ แนวทางต่อไปนี้เป็นแนวทางปฏิบัติเบื้องต้นที่ดึงมาจากพฤติกรรมปกติของจังหวะเหล่านั้น:
คลื่นเดลตา (ประมาณ 0.5 ถึง 4 Hz): เป็นจังหวะทางสมองที่ช้าที่สุด และวินโดว์จำเป็นต้องยาวพอ ซึ่งมักจะอยู่ในช่วง 1 ถึง 2 วินาที เพื่อจับสัญญาณให้ได้อย่างน้อยหนึ่งรอบสมบูรณ์ของคลื่นที่ช้าที่สุดที่กำลังวัด วินโดว์ที่สั้นกว่านี้จะไม่มีข้อมูลคลื่นที่เพียงพอที่จะนำมาวิเคราะห์จังหวะได้
จังหวะทีตาและอัลฟา (ประมาณ 4 ถึง 13 Hz): วินโดว์ระดับปานกลาง ซึ่งมักจะอยู่ที่ประมาณ 500 มิลลิวินาที มีแนวโน้มที่จะช่วยรักษาสมดุลที่ใช้งานได้ มันยาวพอที่จะตรวจจับรอบการแกว่งได้หลายรอบ ซึ่งช่วยกำหนดจังหวะได้อย่างชัดเจนในขณะที่ยังสั้นพอที่จะติดตามการเปลี่ยนแปลงที่มีความหมาย เช่น การเริ่มต้นของคลื่นความถี่อัลฟาที่เกิดขึ้นทันทีเมื่อปิดตา
จังหวะบีตาและแกมมา (เหนือระดับประมาณ 13 Hz): จังหวะที่เร็วกว่าเหล่านี้เคลื่อนที่อย่างรวดเร็ว ดังนั้นวินโดว์ที่สั้น ซึ่งมักจะอยู่ที่ 250 มิลลิวินาทีหรือน้อยกว่า จึงมีความจำเป็นในการติดตามไดนามิกที่รวดเร็ว สิ่งที่ต้องแลกมาในที่นี้คือความสามารถที่ลดลงในการแยกแยะความแตกต่างอย่างแม่นยำระหว่างความถี่ที่อยู่ใกล้กันภายในช่วงแกมมาที่สูงขึ้น ซึ่งเป็นผลโดยตรงจากการแลกเปลี่ยนแบบเดียวกันที่อธิบายไว้ข้างต้น
STFT เผยให้เห็นความแตกต่างระหว่างการเคลื่อนไหวจริงกับการเคลื่อนไหวในจินตนาการอย่างไร
คุณค่าในทางปฏิบัติของ STFT ปรากฏชัดเจนที่สุดในการวิจัย อินเตอร์เฟซสมองกับคอมพิวเตอร์ (BCI) ซึ่งเป้าหมายคือการแปลงกิจกรรมของสมองโดยตรงเป็นสัญญาณควบคุมสำหรับอุปกรณ์
ตัวอย่างที่มีการศึกษาเป็นอย่างดีเกี่ยวข้องกับการเปรียบเทียบ EEG ที่บันทึกในขณะที่บุคคลหนึ่งจินตนาการถึงการขยับมือ กับ EEG ที่บันทึกในขณะที่จินตนาการถึงการขยับเท้า หรือการเปรียบเทียบการกระทำในจินตนาการกับเวอร์ชันทางกายภาพจริงของการกระทำนั้น
ในรูปแบบที่เกี่ยวข้องกับการเคลื่อนไหวเหล่านี้ เป้าหมายทั่วไปของการวิเคราะห์คือปรากฏการณ์ที่เรียกว่า event-related desynchronization หรือ ERD ซึ่งเป็นระดับพลังงานสัญญาณที่ลดลงภายในช่วงจังหวะมิวและบีตาเหนือพื้นที่ของสมองที่เกี่ยวข้องกับการเคลื่อนไหว เนื่องจาก ERD เป็นการลดลงของพลังงานเฉพาะที่สัมพันธ์กับเวลา ไม่ใช่คุณลักษณะพื้นหลังที่คงที่ มันจึงเป็นเหตุการณ์ประเภทที่การสรุปภาพความถี่ของการบันทึกทั้งหมดจะลบหายไป และเป็นสิ่งที่สเปกโทรแกรมที่แยกเวลาชัดเจนสามารถตรวจจับได้
งานวิจัยของ Zabidi et al. ที่นำ STFT มาใช้กับคำถามนี้โดยตรง ได้ตรวจสอบ EEG ที่เก็บรวบรวมในระหว่างการเขียนหนังสือจริงและการเขียนหนังสือในจินตนาการ ในขั้นแรกสัญญาณจะถูกส่งผ่านตัวกรองแบนด์พาส (bandpass filter) เพื่อจำกัดการวิเคราะห์ให้อยู่ในช่วง 8 ถึง 30 Hz ซึ่งครอบคลุมจังหวะอัลฟาและบีตาที่เกี่ยวข้องมากที่สุดกับกิจกรรมการเคลื่อนไหว ก่อนที่จะคำนวณ STFT ด้วยวินโดว์ Hamming ที่ปรับแต่งแล้ว
ผลลัพธ์เป็นข้อค้นพบที่ตรงไปตรงมาและเฉพาะเจาะจง: “ส่วนประกอบความถี่ของสัญญาณ EEG ที่ได้จากการเขียนจะเหมือนกับสัญญาณที่ได้ระหว่างการเขียนในจินตนาการ”
ในแง่ปฏิบัติ รูปแบบจังหวะไฟฟ้าของสมองในระหว่างการกระทำในจินตนาการนั้นคล้ายคลึงกับรูปแบบในระหว่างการดำเนินการทางกายภาพจริงอย่างใกล้ชิด ความสัมพันธ์ดังกล่าวเป็นพื้นฐานของตรรกะเบื้องหลังระบบ BCI ที่มีจุดมุ่งหมายเพื่อตรวจจับเป้าหมายการเคลื่อนไหวโดยไม่จำเป็นต้องมีการเคลื่อนไหวทางกายภาพจริง
การใช้ STFT เพื่อสร้างรูปภาพสำหรับโมเดลการเรียนรู้เชิงลึก
นอกเหนือจากการตรวจสอบด้วยสายตาแล้ว สเปกโทรแกรมที่สร้างโดย STFT ยังพบข้อดีในขั้นการจัดเตรียมข้อมูลเพื่อป้อนเข้าสู่ระบบการเรียนรู้เชิงลึก และโดยเฉพาะอย่างยิ่งกับโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ซึ่งเป็นโมเดลประเภทหนึ่งที่สร้างขึ้นมาเพื่อจดจำรูปแบบในรูปภาพ เนื่องจากสเปกโทรแกรมเป็นภาพสีที่แสดงพลังงานตามเวลาและความถี่ นักวิจัยจึงเชื่อว่าสามารถส่งภาพเหล่านี้ให้กับโมเดลการเรียนรู้เชิงลึกแบบอิงตามภาพได้โดยตรง ซึ่งช่วยให้โมเดลตรวจจับโครงสร้างที่ซ่อนอยู่ในข้อมูลที่ยากจะระบุได้ด้วยตนเอง
การศึกษาวิจัย หนึ่งในปี 2019 ได้แปลงภาพจากการบันทึก EEG ของการทำงานด้านคิดภาพการเคลื่อนไหว (motor imagery task) ซึ่งแยกแยะความแตกต่างของการเคลื่อนไหวมือขวาจากการเคลื่อนไหวเท้าขวา ให้เป็นรูปภาพโดยใช้ทั้ง STFT และแนวคิด ความถี่-เวลาแบบทางเลือกอื่น จากนั้นนำรูปภาพทั้งสองชุดไปป้อนเข้าสู่โครงสร้าง CNN ที่ได้รับการฝึกฝนล่วงหน้า
ประสิทธิภาพของทั้งสองแนวทางนั้นมีความแข็งแกร่ง โดยกระบวนการทั้งหมดมีระดับความถูกต้องในการจำแนกประเภทสูงถึง 99.35% ซึ่งอธิบายว่าเป็นคะแนนที่ดีที่สุดในบรรดาวิธีการเปรียบเทียบที่มีอยู่เดิม อย่างไรก็ตาม เมื่อเปรียบเทียบวิธีการสร้างภาพทั้งสองวิธีนี้โดยตรงภายในงานวิจัยเดียวกัน ผลลัพธ์กลับไม่เท่ากัน: “แนวทาง CWT ให้ผลลัพธ์ที่ดีกว่าแนวทาง STFT” ซึ่งชี้ให้เห็นถึงเป้าหมายการแลกเปลี่ยนที่มีการวัดผลและเกิดขึ้นจริง ว่าวิธีใดวิธีหนึ่งสามารถแปลงสัญญาณ EEG ที่เป็นพื้นฐานให้เป็นภาพที่ใช้งานได้จริงอย่างซื่อสัตย์เพียงใด
มีรายงานว่าปัญหาการสลับจำกัดหรือการแลกเปลี่ยนนี้ เป็นแรงจูงใจเบื้องหลังการพัฒนาวิธีการทำงานที่แยกต่างหากออกไป กลุ่มนักวิจัย ได้พัฒนาสิ่งที่พวกเขาเรียกว่า anchored-STFT ซึ่งอธิบายว่าเป็น “เวอร์ชันขั้นสูงของ STFT เนื่องจากช่วยลดการสูญเสียระหว่างความละเอียดชั่วคราวและความละเอียดตามแถบความถี่ของ STFT ผ่อนข้อจำกัดลง”
เมื่อจับคู่กับวิธีการเพิ่มข้อมูลแบบเผชิญหน้า (adversarial data augmentation) กระบวนการปรับปรุงนี้รายงานความถูกต้องในการจำแนกประเภทตั้งแต่ประมาณ 69% ถึงมากกว่า 90% จากชุดข้อมูล BCI หลายชุด วิธีการดังกล่าวตอกย้ำรูปแบบที่บ่งบอกว่า STFT แบบมาตรฐานสามารถทำหน้าที่เป็นเครื่องมือดึงลักษณะเด่นที่ทำงานได้จริงชุดหนึ่ง ทว่าข้อจำกัดด้านความละเอียดที่ทราบกันดีได้เปิดโอกาสสำหรับการปรับปรุง ไม่ว่าจะผ่านการปรับแต่งพารามิเตอร์ เวอร์ชันที่ได้รับการปรับปรุงของเทคนิคนี้เอง หรือแนวทางความถี่-เวลาที่แตกต่างกันอย่างสิ้นเชิง
เมื่อ STFT ตกเป็นรอง: ปัญหาความละเอียดคงที่
การแลกเปลี่ยนแบบพบข้อลดหลั่นข้อดีข้อเสียตามที่ได้กล่าวถึงข้างต้น ถือเป็นข้อจำกัดหลักที่นักวิจัยคนใดก็ตามที่ใช้ STFT จำเป็นต้องชั่งน้ำหนักอย่างละเอียดก่อนที่จะสรุปผลจากการดูสเปกโทรแกรม
เมื่อเลือกความยาววินโดว์ได้แล้ว เช่น 500 มิลลิวินาที วินโดว์เดียวกันนั้นจะถูกนำไปใช้อย่างเท่าเทียมกันทั่วทั้งสเปกตรัมความถี่ทั้งหมดที่กำลังวิเคราะห์ ไม่ว่านักวิจัยจะกำลังดูการทำงานของคลื่นเดลตาที่ช้า 2 Hz หรือการทำงานของคลื่นแกมมาที่เร็ว 100 Hz วินโดว์นั้นจะไม่ปรับตัวมันเอง การแลกเปลี่ยนความถี่-เวลาที่อธิบายไว้ก่อนหน้านี้จะถูกล็อกไว้ที่การตั้งค่าเดียวสำหรับการวิเคราะห์ทั้งหมด แม้ว่าในทางอุดมคติแล้วจังหวะที่แตกต่างกันจะได้รับประโยชน์จากการตั้งค่าที่แตกต่างกันก็ตาม
ลักษณะคงที่นี้คือสิ่งที่แยก STFT ออกจากเทคนิคแบบปรับตัว (adaptive techniques) เช่น วิธีการอิงตามเวฟเล็ต (wavelet-based methods) แทนที่จะล็อกขนาดวินโดว์เดียวไว้สำหรับทุกความถี่ วิธีการเชิงปรับตัวจะใช้วินโดว์ที่ยาวกว่าสำหรับความถี่ต่ำและใช้วินโดว์ที่สั้นกว่าสำหรับความถี่สูงอย่างมีประสิทธิภาพ โดยปรับความละเอียดตามความจำเป็นภายในการวิเคราะห์เดียว แทนที่จะผูกมัดอยู่กับการประนีประนอมจุดเดียวสำหรับสัญญาณทั้งหมด
ยกตัวอย่างเช่น การศึกษาที่นำโดย Wang et al. ซึ่งจัดทำวิธีการเวลา-ความถี่เชิงปรับตัว ได้รายงานว่าแนวทางดังกล่าว “สามารถให้ความละเอียดเวลา-ความถี่ที่เหมาะสมที่สุดเมื่อเปรียบเทียบกับ STFT และ CWT” โดยระบุอย่างชัดเจนว่า STFT เป็นเกณฑ์เปรียบเทียบมาตรฐานที่ตนทำผลงานได้ดีกว่า
ในการใช้งานทางคลินิกที่แยกต่างหากเพื่อทำนายผลลัพธ์การรักษาโรคซึมเศร้า (Major Depressive Disorder) จากข้อมูล EEG ก่อนการรักษา กลุ่มนักวิจัย ได้เปรียบเทียบแนวทางที่อิงตามเวฟเล็ตโดยตรงกับ STFT และวิธีการแยกสัญญาณอื่น โดยรายงานว่า “การวิเคราะห์ WT แสดงให้เห็นความถูกต้องในการจำแนกประเภทสูงสุด” ในบรรดาเทคนิคที่นำมาเปรียบเทียบ โดยมีความถูกต้องถึง 87.5% เมื่อเทียบกับทางเลือกอื่นๆ
ขั้นตอนการทำงานทีละสเต็ปสำหรับการสร้างและประเมินผล EEG Spectrogram
เมื่อพิจารณาจากจุดแข็งและข้อจำกัดเหล่านี้ ขั้นตอนการทำงานที่เป็นระบบจะช่วยให้มั่นใจได้ว่า STFT ถูกนำมาใช้อย่างเหมาะสมและสรุปผลลัพธ์ออกมาได้อย่างน่าเชื่อถือ
สเต็ปที่ 1: กำหนดคำถามก่อนที่จะเริ่มจับต้องข้อมูล เป้าหมายคือการตรวจจับการเกิดคลื่นแกมมาอย่างรวดเร็วและในระยะเวลาสั้นๆ หรือเพื่อติดตามการเปลี่ยนแปลงที่ช้าของพลังงานคลื่นเดลตาในช่วงเวลาหลายนาที คำตอบจะกำหนดว่าปลายทางใดของผลลัพธ์การแลกเปลี่ยนด้านความยาววินโดว์มีความสำคัญที่สุด
สเต็ปที่ 2: เลือกความยาววินโดว์เริ่มต้นให้เข้ากับจังหวะสัญญาณเป้าหมาย ใช้แนวทางปฏิบัติข้างต้นเป็นจุดเริ่มต้น วินโดว์ที่ยาวขึ้นสำหรับเดลตา วินโดว์ระดับปานกลางสำหรับทีตาและอัลฟา และวินโดว์ที่สั้นกว่าสำหรับบีตาและแกมมา จับคู่วิธีนี้กับรูปแบบวินโดว์ที่เหลื่อมซ้อนกัน (overlapping window) โดยทั่วไปจะมีค่าความเหลื่อมซ้อนระหว่าง 50% ถึง 90% ระหว่างวินโดว์ที่ต่อเนื่องกัน ซึ่งช่วยปรับสเปกโทรแกรมที่ได้ให้เรียบเนียนขึ้น และลดการปรากฏของช่องว่างจำลองระหว่างส่วนของเวลา
สเต็ปที่ 3: สร้างสเปกโทรแกรมและตรวจสอบอย่างละเอียด ความยาววินโดว์ที่เลือกแสดงจุดเริ่มต้นที่ชัดเจนและเฉียบคมสำหรับจังหวะสัญญาณที่รวดเร็วที่น่าสนใจหรือไม่ หรือเหตุการณ์นั้นดูเกลี่ยกระจายไปตามช่วงเวลาที่กว้างกว่าที่ควรจะเป็น สเปกโทรแกรมสามารถแยกยอดพลังงานคลื่นอัลฟาออกจากยอดพลังงานคลื่นทีตาที่อยู่ใกล้เคียงกันได้อย่างสะอาดตา หรือจังหวะทั้งสองสัญญาณปะปนกลืนเข้าหากัน การตรวจสอบด้วยสายตาเหล่านี้เป็นการทดสอบแนวทางปฏิบัติโดยตรงว่าความยาววินโดว์ที่เลือกนั้นเหมาะสมกับข้อมูลหรือไม่
สเต็ปที่ 4: ปฏิบัติต่อผลลัพธ์ในฐานะมุมมองหนึ่งในบรรดามุมมองที่เป็นไปได้หลายทิศทาง ไม่ใช่คำตัดสินสุดท้าย การค้นพบที่เป็นลบ เช่น ไม่พบความแตกต่างคงที่ของระดับคลื่นแกมมาอย่างมีนัยสำคัญระหว่างกลุ่มทดลองสองกลุ่ม อาจสะท้อนถึงการไม่มีผลกระทบจริง หรืออาจสะท้อนถึงข้อจำกัดด้านความละเอียดของวินโดว์ STFT เฉพาะเจาะจงที่เลือกใช้ ขั้นตอนถัดไปที่เหมาะสมสำหรับการยืนยันการค้นพบที่คลุมเครือหรือสำคัญคือการวิเคราะห์ข้อมูลเดิมอีกครั้งโดยใช้วิธีแบบปรับตัวเพื่อเป็นการตรวจสอบความถูกต้องแบบไขว้
ทำไมการติดตามเมื่อจังหวะสมองทำงานถึงปลดล็อกอินไซต์ใหม่ๆ ได้
กิจกรรมของสมองเป็นลำดับเหตุการณ์ที่มีเรื่องเวลาเข้ามาเกี่ยวข้อง และการกู้คืนลำดับเวลานั้นจะเปลี่ยนบันทึกคลื่นสัญญาณแบนๆ ให้กลายเป็นการอธิบายสถานะทางจิตที่เปลี่ยนแปลงไปแบบเรียลไทม์ การเปลี่ยนจากการสรุปผลความถี่เดี่ยวๆ ไปเป็นแผนที่แบบขณะต่อขณะ ช่วยให้นักวิจัยสามารถเชื่อมโยงความคิด ความตั้งใจ หรือความรู้สึกจำเพาะเจาะจงเข้ากับจังหวะของสมองที่เกิดขึ้นคู่กันได้อย่างหมดจด การเปลี่ยนแปลงนี้คือสิ่งที่แปลง EEG จากการวัดค่าแบบคงที่ ให้กลายเป็นเครื่องมือที่สามารถสนับสนุนอินเตอร์เฟซสมองกับคอมพิวเตอร์ และป้อนเข้าสู่โมเดลการเรียนรู้เชิงลึกที่เรียนรู้เพื่อจดจำรูปแบบทางความคิดได้
ข้อดีข้อเสียเรื่องความละเอียดคงที่ของวิธีนี้มีบทเรียนที่กว้างกว่า: ทุกทางเลือกการวิเคราะห์จะเน้นความจริงบางประการในขณะที่อาจทำให้สิ่งอื่นพร่ามัวไปด้วย ดังนั้น จึงไม่มีผลลัพธ์เดียวที่บอกเล่าเรื่องราวทั้งหมดได้ ซึ่งจำเป็นต้องมีการตรวจสอบแบบไขว้ร่วมกับแนวทางอื่นๆ เมื่อข้อค้นพบเหล่านั้นมีความสำคัญ และตอกย้ำว่ารูปแบบสัญญาณกระแสไฟฟ้าของสมอง เช่น ความเข้ากันได้อย่างแนบแน่นระหว่างการเคลื่อนไหวในจินตนาการและการเคลื่อนไหวจริงนั้น มีมิติที่ลึกซึ้ง ความคล้ายคลึงที่เป็นพื้นฐานข้างต้นช่วยสนับสนุนแนวคิดที่ว่าสมองจำลองซ้อมการกระทำต่างๆ โดยใช้ลายเซ็นจังหวะสัญญาณแบบเดียวกันกับที่ใช้ในการปฏิบัติจริง
แหล่งอ้างอิง
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
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
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
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
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 (FAQs)
Short-Time Fourier Transform ในการวิเคราะห์ EEG คืออะไร
Short-Time Fourier Transform (STFT) จะหั่นสัญญาณ EEG ดิบออกเป็นวินโดว์เวลาที่ต่อเนื่องและสั้น และประมวลสเปกตรัมความถี่สำหรับแต่ละวินโดว์ การนำภาพมุมมองวินโดว์เหล่านี้มาวางซ้อนทับต่อเนื่องตามลำดับเวลาจะสร้างภาพเคลื่อนไหวที่เรียกว่า สเปกโทรแกรม ซึ่งแสดงให้เห็นว่าระดับพลังงานของผลจังหวะสมองที่ต่างกันเปลี่ยนไปอย่างไรในแต่ละขณะ
ทำไมฉันถึงไม่สามารถใช้การแปลงฟูริเยร์แบบปกติกับการบันทึก EEG ได้เลย
การแปลงฟูริเยร์ขั้นพื้นฐานจะตัดส่วนการบันทึกภาพรวมทั้งหมดออกเป็นความถี่ส่วนประกอบหลักแต่จะลบข้อมูลที่เกี่ยวกับเวลาทั้งหมดออกไป ส่งผลให้คุณรู้เพียงว่าจังหวะสัญญาณประเภทไหนที่เกิดขึ้นโดยภาพรวมแต่ไม่รู้ว่ามันเกิดขึ้นเมื่อใด เครื่องมือ STFT จะกู้คืนไทม์ไลน์เหล่านั้นโดยวิเคราะห์ส่วนของคาบสัญญาณสั้นๆ แยกกัน ช่วยให้ผลวิเคราะห์ชี้ชัดว่าเมื่อไรที่คลื่นอัลฟายกระดับสูงขึ้่นมาหรือพลังงานเบต้าตกลงไปข้างล่างจริงๆ
สเปกโทรแกรมบอกอะไร
สเปกโทรแกรมเป็นชุดแผนที่แสดงภาพเวลาบนแกนหนึ่ง ความถี่บนอีกแกนหนึ่ง โดยมีสีหรือความสว่างแสดงระดับพลังงานของแต่ละความถี่ ณ ขณะเวลาเจาะจงนั้นๆ วิธีนี้นำข้อมูลภาพรวม EEG ดิบๆ มาแต่งแจงเปรียบเสมือนเครื่องดนตรีชิ้นหนึ่งสำหรับการตรวจสอบกิจกรรมคลื่นสมองไฟฟ้า
ทำไมความยาววินโดว์จึงมีความสำคัญมากขนาดนี้
วินโดว์ที่ยาวขึ้นจะให้ข้อมูลความถี่ที่แม่นยำแต่จะละเลงกรอบจังหวะเวลาของเหตุการณ์นั้นให้เลือนลางลง ขณะที่วินโดว์ระยะสั้นจะระบุเวลาได้เฉียบคมแต่ทำให้การเกาะกลุ่มแนวความถี่ดูพร่าเลือน การจัดสรรให้มีข้อได้เปรียบเสียเปรียบที่เลี่ยงไม่ได้นี้หมายถึงวิธีการเลือกขนาดวินโดว์จะปรับกรอบโครงว่าสเปกโทรแกรมมีแนวโน้มแสดงให้เห็นส่วนข้อมูลไหนหรือปิดส่วนข้อมูลใดลงไปบ้าง
จุดเริ่มต้นที่ดีสำหรับความยาววินโดว์เพื่อเข้าหาผลวิเคราะห์ประเภทจังหวะสมองเด่นๆ คืออะไร
สำหรับคลื่นความถี่ที่ช้ามากๆ เช่น เดลตา วินโดว์ที่ยาวกว่าเดิมขนาดรอบช่วงหนึ่งถึงสองวินาทีเป็นสิ่งจำเป็นเพื่อเก็บบันทึกการสวิงครบรอบทั้งหมด สำหรับจังหวะความถี่ทีตาและอัลฟา คาดว่าจะใช้งานได้เหมาะสมกับวินโดว์ประมาณครึ่งวินาที และสำหรับแนวสัญญาณที่ทำงานถี่และไวขึ้นอย่างกลุ่มบีตาและแกมมาต้องการใช้วินโดว์ที่เล็กลงมาที่ประมาณหนึ่งในสี่วินาทีหรือสั้นกว่านั้น เพื่อติดตามช่วงการเปลี่ยนผ่านความไวสัญญาณ
STFT สามารถตรวจสอบจุดคล้ายคลึงระหว่างจินตนาการทางความคิดกับการเคลื่อนไหวร่างกายจริงได้อย่างไร
STFT บันทึกสภาวะพลังงานที่ตกลงประสานกับกรอบเวลาที่เรียกว่า event-related desynchronization ภายในกลุ่มแบนด์มิวและบีตา ซึ่งเกิดขึ้นเมื่อเป้าหมายมีการทดสอบขยับและตอนคิดภาพจินตนาการล่วงหน้าเกี่ยวกับกลไกขยับของร่างกาย สเปกโทรแกรมจำลองกิจกรรมจริงของการฝึกกลไกกล้ามเนื้อกับความคิดภาพในใจสะท้อนแนวทางการเปรียบเทียบคลื่นสมองที่เกือบเหมือนกัน ซึ่งผลลัพธ์เหล่านั้นช่วยส่งเสริมแนวคิดของโครงสร้างควบคุมแบบ BCI
นำ STFT ไปประสานกับการทำงานของโมเดลการเรียนรู้เชิงลึกได้ไหม
ได้ ภาพจากสเปกโทรแกรมที่สร้างขึ้นจาก STFT ป้อนส่งต่อเข้าตัวประมวลผล Convolutional Neural Networks ที่ออกแบบเพื่องานตรวจจับลักษณะรูปภาพได้อย่างไม่มีปัญหา โมเดลกลุ่มนี้ใช้ศึกษาจำแนกสภาพสภาวะทางสมองผ่านแนวความสัมพันธ์รูปแบบความถี่-เวลา และสามารถสร้างประสิทธิภาพคะแนนจำแนกประเภทงานเช่น งานคิดภาพเคลื่อนไหวมอเตอร์ได้สูงมากๆ
ข้อจำกัดเด่นของ STFT เมื่อเปรียบเทียบกับกลุ่มระเบียบวิธีจัดการเวลา-ความถี่กลุ่มอื่นคืออะไร
STFT จะล็อกระดับสเกลวินโดว์จุดเดียวสำหรับทุกความถี่ นั่นส่งผลให้ไม่สามารถสร้างผลลัพธ์ภาพที่ครอบคุลมความเร็วกรอบระดับความถี่ที่ไวและความแม่นยำด้านรายละเอียดความถี่สำหรับคลื่นสั่นสะเทือนช้าในเวลาเดียวกันได้ สำหรับเทคนิคดัดแปลงที่เรียกว่ากลุ่มเวฟเล็ตจะขยับปรับระดับขนาดยืดหยุ่นตามย่านความถี่ ซึ่งมีผลการเปรียบเทียบเชิงวิเคราะห์ว่าให้ความละเอียดที่ดีขึ้นและได้คะแนนผลวิเคราะห์จัดกลุ่มที่สูงกว่า
แนวทางการทำงานที่มีแบบแผนทีละระบบเมื่อใช้โปรแกรม STFT ถอดคลื่นสมอง EEG คืออะไร
สเต็ปเริ่มต้นคือปรับความยาวของวินโดว์เวลาหลักที่สอดคล้องกับภาพย่านสัญญาณจังหวะความยาวช่วงที่สนใจ ใช้ฟีเจอร์ระดับกรอบเหลื่อมทับกันแบบ overlapping เพื่อให้สเปกโทรแกรมภาพเนียนเรียบ และตรวจสอบรูปเทียบเคียงว่ามีจุดสะดุดขัดเวลาหรือไม่ หากเป็นจุดวิเคราะห์ที่ละเอียดอ่อน อาจจะสับมาทวนผลลัพธ์งานไขว้ร่วมกับกลุ่มวิธี adaptive เพราะขั้นตอนจาก STFT ยึดเฉพาะจุดหนึ่งๆ ซึ่งเหมาะสเปกสำหรับย่านความชัดเพียงด้านใด้ด้านหนึ่งเท่านั้น
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
คริสเตียน บูร์โกส
