ทำไมเหล่านักประสาทวิทยาถึงแปลงเวลาให้เป็นความถี่

แปลงโดเมนเวลาเป็นโดเมนความถี่ (Time-to-Frequency Transformation) คืออะไร?

กระบวนการแปลงนี้เกี่ยวข้องกับการแปลงลำดับข้อมูลดิบ ซึ่งโดยทั่วไปจะวัดเป็นแอมพลิจูดเทียบกับเวลา ให้กลายเป็นสเปกตรัมของความถี่ การเปลี่ยนผ่านทางคณิตศาสตร์นี้ช่วยให้นักวิจัยสามารถสังเกตส่วนประกอบจังหวะที่เป็นองค์ประกอบของสัญญาณ แทนที่จะดูเพียงความผันผวนของแรงดันไฟฟ้าหรือแรงดันดิบ การมองข้อมูลผ่านเลนส์นี้จะช่วยให้สามารถจัดหมวดหมู่และตีความรูปแบบที่ซับซ้อนภายในชุดข้อมูลขนาดใหญ่เพื่อการวิเคราะห์เพิ่มเติมได้ง่ายขึ้นอย่างมาก

ทำความเข้าใจพื้นฐาน: จากโดเมนเวลาสู่โดเมนความถี่

ในการบันทึกสัญญาณมาตรฐาน ด้านเวลาจะแสดงถึงลำดับของเหตุการณ์ตามที่เกิดขึ้นจริง โดยคงลำดับเวลาไว้ซึ่งช่วยให้เข้าใจได้ง่ายสำหรับการตรวจสอบในทันที อย่างไรก็ตาม ระบบไดนามิกจำนวนมากแสดงพฤติกรรมที่เกิดขึ้นซ้ำๆ เช่น การส่งสัญญาณประสาทที่เป็นจังหวะซึ่งเกี่ยวข้องกับ ประสาทวิทยาศาสตร์ (neuroscience) ซึ่งไม่สามารถแยกแยะได้ง่ายๆ หากดูเพียงสัญญาณดิบเท่านั้น

การเปลี่ยนไปสู่มุมมองเชิงความถี่จะทำหน้าที่เป็นเสมือนตัวกรองเชิงวิเคราะห์ ช่วยให้เราสามารถแยกแยะจังหวะต่างๆ และผลกระทบต่อโครงสร้างสัญญาณโดยรวมได้

รากฐานทางคณิตศาสตร์: การแปลงฟูริเยร์ (Fourier Transform)

การแปลงฟูริเยร์ทำงานบนหลักการที่ว่า สัญญาณการสั่นสะเทือนที่ซับซ้อนใดๆ สามารถแสดงเป็นผลรวมถ่วงน้ำหนักของคลื่นไซน์และคลื่นโคไซน์ที่เรียบง่ายกว่าได้ การดำเนินการทางคณิตศาสตร์นี้เปรียบเสมือนการสลายองค์ประกอบ เพื่อดึงโครงสร้างคาบเวลาที่ซ่อนอยู่ของสัญญาณออกมา โดยไม่คำนึงถึงความซับซ้อนเริ่มต้นของสัญญาณนั้น

การใช้การแปลงนี้จะช่วยให้นักวิจัยสามารถจับคู่จุดข้อมูลเชิงเวลาลงในโดเมนใหม่ ซึ่งแกนนอนจะแสดงความถี่และแกนตั้งจะแสดงกำลังหรือแอมพลิจูดของส่วนประกอบความถี่เฉพาะแต่ละส่วน

ทำไมการวิเคราะห์โดเมนเวลาและความถี่จึงมีความสำคัญ?

การวิเคราะห์สัญญาณในโดเมนความถี่มีความสำคัญอย่างยิ่งต่อการแยกปรากฏการณ์เฉพาะที่แฝงตัวอยู่ภายในสัญญาณรบกวนหรือรูปคลื่นผสมที่ใหญ่กว่า วิธีการนี้ถูกนำมาใช้อย่างแพร่หลายในหลากหลายสาขาที่ต้องพึ่งพา การประมวลผลสัญญาณ (signal processing) ที่แม่นยำเพื่อสกัด Insight ที่เกี่ยวข้องออกจากเซ็นเซอร์และเครื่องมือวัด

การประยุกต์ใช้ในการประมวลผลสัญญาณ

วิศวกรมักจะพบกับสัญญาณที่ปนเปื้อนด้วยการรบกวนจากพื้นหลังหรือสัญญาณรบกวนทางไฟฟ้าจากสิ่งแวดล้อม ซึ่งสามารถบดบังข้อมูลหลักที่น่าสนใจได้ เทคนิคการวิเคราะห์ที่ดูองค์ประกอบความถี่จะช่วยให้สามารถกรองข้อมูลได้อย่างแม่นยำ โดยช่วงความถี่ที่ไม่ต้องการจะถูกลดทอนลงโดยไม่รบกวนข้อมูลหลัก

ความสามารถนี้เป็นรากฐานสำหรับระบบการสื่อสารและเทคโนโลยีเซ็นเซอร์สมัยใหม่ ช่วยให้มั่นใจได้ว่าพีคของสัญญาณที่ถูกต้องจะยังคงชัดเจนและสามารถตีความได้สำหรับการประมวลผลในขั้นปลาย

Insight ในการวิเคราะห์เสียงและคำพูด

คำพูดของมนุษย์และเสียงธรรมชาติประกอบด้วยความถี่หลายความถี่ที่ทับซ้อนกัน ซึ่งแต่ละความถี่จะแสดงลักษณะเฉพาะของโทนเสียงและเสียงของแหล่งกำเนิดสัญญาณ การแปลงสัญญาณเหล่านี้เป็นโดเมนความถี่ทำให้นักวิจัยสามารถจับคู่ฟอร์แมนต์ (formants) หรือตรวจจับลักษณะคำพูดที่เปลี่ยนแปลงตามเวลา ซึ่งเป็นความต้องการที่เกิดขึ้นบ่อยครั้งในด้านสวนศาสตร์

โดยการจัดการสัญญาณเหล่านี้ในรูปแบบสเปกโตรแกรม (spectrograms) นักวิเคราะห์จะสามารถตรวจสอบการเปลี่ยนแปลงชั่วขณะที่อาจบ่งชี้ถึงลักษณะเฉพาะของเสียงหรือรูปแบบที่แยกแยะแหล่งกำเนิดเสียงหนึ่งออกจากอีกแหล่งหนึ่งได้

กรณีการใช้งานในวิศวกรรมชีวการแพทย์

ในทางการแพทย์ การวัดผลลัพธ์ทางไฟฟ้าชีวภาพอย่างแม่นยำมีความสำคัญต่อการสังเกตสุขภาพและการวินิจฉัย ภาวะทางระบบประสาท (neurological conditions) การใช้ EEG เป็นเครื่องมือหลักทำให้แพทย์สามารถบันทึกรูปแบบคลื่นสมองได้ ขณะที่นักวิจัยใช้การวิเคราะห์ความถี่เฉพาะเพื่อศึกษาพฤติกรรมที่เป็นจังหวะซึ่งเชื่อมโยงกับระดับความตื่นตัวในสถานะต่างๆ

การผสานรวมอุปกรณ์เฉพาะทาง เช่น ฮาร์ดแวร์ PCI Data Acquisition ช่วยให้มั่นใจได้ว่าจะจับข้อมูลที่มีความแม่นยำสูงได้ ซึ่งจะถูกนำไปประมวลผลผ่านการแปลงโดเมนความถี่เพื่อให้ได้ Insight ทางการวินิจฉัยที่มีความหมาย

ระเบียบวิธีทั่วไปสำหรับการแปลงโดเมนเวลาเป็นความถี่

มีอัลกอริทึมที่หลากหลายสำหรับการแปลงข้อมูลเชิงเวลา ซึ่งแต่ละแบบจะเหมาะกับระดับความเสถียรของสัญญาณและความต้องการความแม่นยำที่แตกต่างกัน การเลือกวิธีที่เหมาะสมขึ้นอยู่กับลักษณะของสัญญาณและความละเอียดที่ต้องการของสเปกตรัมสุดท้าย

การแปลงฟูริเยร์ในเวลาอันสั้น (Short-Time Fourier Transform - STFT)

วิธีนี้จะแบ่งสัญญาณยาวๆ ออกเป็นหน้าต่างสั้นๆ ที่ซ้อนทับกัน โดยทำการแปลงฟูริเยร์ในแต่ละหน้าต่างเพื่อสังเกตว่าเนื้อหาความถี่มีการพัฒนาอย่างไร วิธีนี้มีประโยชน์อย่างยิ่งสำหรับสัญญาณที่ไม่ได้สเตชันนารีอย่างสมบูรณ์แต่ยังคงความเสถียรในช่วงเวลาสั้นๆ

วิธีแปลงเวลาเป็นความถี่ด้วยตนเอง

แม้ว่าซอฟต์แวร์จะคำนวณส่วนใหญ่ให้โดยอัตโนมัติ แต่ความเข้าใจในการแปลงสัญญาณคาบเวลาด้วยตนเองนั้นจำเป็นต้องทราบระยะเวลาของรอบคลื่น โดยการคำนวณส่วนกลับของคาบเวลา เราจะสามารถระบุอัตราที่เหตุการณ์นั้นครบรอบวงจร ซึ่งจะได้ค่าความถี่ที่มีหน่วยวัดเป็นเฮิรตซ์ (Hertz)

ตารางนี้แสดงให้เห็นถึง ความสัมพันธ์แบบแปรผันผวนระหว่างคาบเวลากับความถี่ ซึ่งระยะเวลารอบคลื่นที่สั้นลงจะส่งผลให้ได้ความถี่ที่สูงขึ้นอย่างมาก

การใช้เครื่องคำนวณความถี่เป็นเวลาสำหรับการคาดคะเนอย่างรวดเร็ว

ผู้ปฏิบัติงานมักใช้เครื่องมือประมาณการเพื่อเชื่อมช่องว่างระหว่างเวลากับความถี่โดยไม่ต้องคำนวณอย่างละเอียด เครื่องมือเหล่านี้มักมีฟังก์ชันการทำงานต่อไปนี้สำหรับการกำหนดค่าอย่างรวดเร็วระหว่างการวิเคราะห์ข้อมูล:

• การแปลงเวลาที่เป็นวัฏจักรเป็นเฮิรตซ์โดยอัตโนมัติ

• การรองรับหน่วยมาตราส่วนที่หลากหลาย เช่น มิลลิวินาทีและไมโครวินาที

• การสลับฟังก์ชันเพื่อย้อนกลับกระบวนการแปลงแบบทันที

• การสร้างกราฟทันทีเพื่อเปรียบเทียบความเสถียรของสัญญาณด้วยสายตา

เครื่องคำนวณเหล่านี้ช่วยให้สามารถประเมินผลในเบื้องต้นก่อนที่จะนำเทคนิคการกรองดิจิทัลหรือการแยกองค์ประกอบสเปกตรัมที่ซับซ้อนกว่ามาใช้ในสภาพแวดล้อมการวิจัย

การแปลงเวฟเล็ต (Wavelet Transform)

ต่างจากวิธีการแปลงฟูริเยร์แบบดั้งเดิม การแปลงเวฟเล็ตใช้หน้าต่างที่สามารถปรับขนาดได้เพื่อวิเคราะห์ทั้งส่วนประกอบความถี่ต่ำและความถี่สูงพร้อมกัน ซึ่งช่วยให้สามารถระบุตำแหน่งการเปลี่ยนแปลงสัญญาณอย่างกะทันหันได้ดีขึ้น เช่น การคายประจุชั่วคราวหรือพีคแหลมที่เกิดขึ้นเร็วเกินกว่าที่การวิเคราะห์ STFT แบบแบ่งหน้าต่างจะตรวจจับได้

วิธีนี้เป็นที่ยอมรับอย่างสูงในสาขาที่ต้องการความไวสูงทั้งในด้านเวลาและความถี่ในการวิเคราะห์รอบเดียว

ปริซึมที่มองไม่เห็น: การเปลี่ยนเวลาให้เป็นความถี่

กิจกรรมของสมองในหนึ่งช่วงเวลานั้นไม่ค่อยจะประกอบด้วยคลื่นที่ราบเรียบเพียงคลื่นเดียว แต่มันทำงานคล้ายกับคอร์ดดนตรีที่โน้ตหลายตัวส่งเสียงพร้อมกันเพื่อสร้างเสียงประสานที่ซับซ้อนเสียงเดียว

หากคุณฟังเฉพาะคอร์ดโดยรวม คุณจะได้ยินการผสมผสานของเสียง ไม่ใช่เสียงโน้ตแต่ละตัว ปัญหาแบบเดียวกันนี้เกิดขึ้นกับเส้นสัญญาณ EEG ดิบ ในช่วงเวลาใดก็ตาม การแกว่งตัวในระดับช้า ปานกลาง และเร็วจะเกิดขึ้นพร้อมๆ กัน และมุมมองเชิงเวลาจะทับซ้อนคลื่นเหล่านั้นให้กลายเป็นคลื่นรูปเดียวที่ยากแก่การแยกแยะ

การแปลงรูปคลื่นนั้นเป็นโดเมนความถี่ไม่ได้เพิ่มข้อมูลใหม่เข้าไปในสัญญาณ แต่เป็นการจัดระเบียบข้อมูลที่มีอยู่ใหม่เพื่อให้ระบบการแกว่งตัวที่แตกต่างกันเหล่านั้นปรากฏให้เห็นเป็นส่วนประกอบที่แยกจากกัน การจัดระเบียบใหม่นี้ส่งผลเชิงปฏิบัติที่สามารถวัดผลได้ว่านักวิจัยจะสามารถกำจัดสัญญาณรบกวนและตรวจจับรูปแบบที่มีความหมายได้ดีเพียงใด

ลองพิจารณาสัญญาณรบกวนจากการกะพริบตา ซึ่งเป็นหนึ่งในแหล่งการปนเปื้อนที่คงอยู่ถาวรที่สุดในการบันทึกค่า EEG เมื่อดวงตามีการเคลื่อนไหว สัญญาณไฟฟ้าที่เกิดขึ้นซึ่งเรียกว่า Electrooculogram (EOG) จะรั่วไหลไปยังช่องสัญญาณ EEG ที่อยู่ใกล้เคียงและบิดเบือนการอ่านค่า ความพยายามในการแก้ไขในยุคแรกๆ สันนิษฐานว่าการรั่วไหลจากดวงตาไปยังหนังศีรษะมีพฤติกรรมสม่ำเสมอในทุกความถี่ ดังนั้นการหักลบในโดเมนเวลาแบบธรรมดาจึงควรใช้งานได้ดีเท่ากันในทุกกรณี

Kenemans และคณะ ได้ทดสอบข้อสมมติฐานนี้โดยตรง การใช้ทั้งข้อมูลจำลองและข้อมูลจริงทำให้นักวิจัยสามารถเปรียบเทียบกลยุทธ์การทำความสะอาดสัญญาณได้สามวิธีคือ:

1. การถดถอยโดเมนเวลาแบบธรรมดา (Simple time domain regression)

2. การถดถอยโดเมนเวลาแบบหน่วงเวลาหลายระดับ (Multiple-lag time domain regression) ที่ซับซ้อนขึ้น

3. การถดถอยโดเมนความถี่ (Frequency domain regression)

เมื่อการส่งผ่านไฟฟ้าจากตาไปยังหนังศีรษะไม่มีความเกี่ยวข้องกับความถี่ หมายความว่ามันมีพฤติกรรมแบบเดียวกันในทุกจังหวะ วิธีการทั้งสามแบบให้ประสิทธิภาพที่ดีพอกัน แต่เมื่อการส่งผ่านมีความเกี่ยวข้องกับความถี่ หมายความว่าการปนเปื้อนจะเปลี่ยนไปขึ้นอยู่กับว่าเกี่ยวข้องกับจังหวะใด วิธีการในโดเมนเวลาแบบธรรมดาจะไม่สามารถสร้าง EEG ดั้งเดิมขึ้นมาใหม่ได้อย่างสมบูรณ์

เฉพาะการใช้วิธีโดเมนความถี่และวิธีโดเมนเวลาแบบหน่วงเวลาหลายระดับที่ซับซ้อนกว่าเท่านั้นที่จะสามารถอธิบายความแปรปรวนนั้นได้ สิ่งนี้บ่งชี้ว่าสัญญาณรบกวนของสมองไม่ได้มีพฤติกรรมที่สม่ำเสมอตลอดเวลา และบางครั้งก็มีเพียงเลนส์ที่คำนึงถึงความถี่เท่านั้นที่สามารถแยกแยะกิจกรรมของสมองที่แท้จริงออกจากการปนเปื้อนได้อย่างถูกต้อง

ผลลัพธ์ของการปรับกรอบความคิดนี้จะยิ่งเห็นเด่นชัดขึ้นในการตรวจจับการชัก ผลจากการศึกษาในปี 2018 พบว่าเมื่อป้อนสัญญาณ EEG ในโดเมนเวลาดิบเข้าสู่ระบบการจัดหมวดหมู่ ความแม่นยำในการบันทึกสัญญาณบนหนังศีรษะลดลงเหลือเพียง 60 เปอร์เซ็นต์ในบางการทดลอง ซึ่งเป็นผลลัพธ์ที่ไม่ได้ดีไปกว่าการโยนเหรียญนำทางสำหรับงานจัดหมวดหมู่บางประเภท แต่เมื่อแปลงข้อมูลเดียวกันเป็นโดเมนความถี่ก่อน ความแม่นยำในงานเดียวกันนั้นพุ่งสูงขึ้นเป็นประมาณ 96 เปอร์เซ็นต์

ข้อมูลที่จำเป็นในการระบุสถานะการชักอย่างถูกต้องนั้นมีอยู่ในการบันทึกตลอดเวลา เพียงแต่ไม่สามารถมองเห็นได้จนกระทั่งสัญญาณถูกพิจารณาผ่านองค์ประกอบความถี่ของมันเท่านั้น

ทำไมมุมมองเชิงความถี่จึงสำคัญ: จากสัญญาณรบกวนสู่แอปพลิเคชันที่เปลี่ยนชีวิต

การเปลี่ยนจากเวลามาเป็นความถี่ไม่ใช่เรื่องของความชอบทางเทคนิคในเชิงนามธรรม แต่มันมีผลลัพธ์ที่เป็นรูปธรรมในการใช้งานสี่ด้านที่แตกต่างกันอย่างสิ้นเชิง