Ayrık Fourier analizi (DFT), karmaşık sinyalleri hassas bir şekilde yorumlamak amacıyla temel periyodik bileşenlerine ayırmak için güçlü bir çerçeve sunar.
Bu makale, DFT'nin, dinlenme durumu kaydı veya göreve dayalı bir deneyden alınan tek bir blok gibi örneklenmiş voltaj verilerinin sonlu bir bloğunu bir dizi frekans bileşenine nasıl dönüştürdüğünü açıklamaktadır.
Ayrık Fourier Analizi Nedir?
Ayrık fourier analizi, örneklenmiş sinyalleri kurucu frekans dizilerine ayrıştırarak yorumlamak için kullanılan matematiksel bir yaklaşımdır.
Verileri sürekli bir akış olarak görmek yerine, bu yöntem, çeşitli salınım döngülerinin göreceli güçlerini belirlemek için EEG kayıt sistemlerinden alınan voltaj okumaları gibi ayrık ve sınırlı sayı dizilerini işler. Araştırmacılar, bu örnekleri genlik ve fazın sayısal temsillerine dönüştürerek, bir veri kümesi içinde hangi frekans bileşenlerinin en baskın olduğuna dair net bir bakış açısı kazanırlar.
Bu teknik, ham veri toplama ile anlamlı bilgi çıkarma arasındaki boşluğu köprüleyerek esasen dijital bir prizma görevi görür. Karmaşık dalga formlarına uygulandığında, süreç çakışan salınımları okunabilir bantlara ayırır ve aksi takdirde daha geniş sinyal gürültüsüyle maskelenecek olan belirli ritmik imzaların yalıtılmasını sağlar. Bu, hem sağlıklı sinirsel işlevi hem de patolojik durumları anlamak için belirgin beyin aktivite modellerini yalıtmanın gerekli olduğu modern sinirbilim araştırmalarının temel taşıdır.
Bilim insanları, zamansal dizileri yeniden düzenlemek için frekans analizi becerisinden yararlanarak, bir okumayı kirletebilecek ortam elektrik gürültüsünü veya yapaylıkları etkili bir şekilde filtreleyebilirler. Bu dönüşüm yalnızca istatistiksel bir çalışma değil, aynı zamanda ince, yüksek frekanslı salınımları kantitatif bir formatta görünür kılan hayati bir araçtır. Farklı frekans bantlarındaki elde edilen güç dağılımı, günümüz modern klinik laboratuvarlarında gerçekleştirilen teşhis değerlendirmelerinin çoğunun temelini oluşturur.
Ayrık Fourier Dönüşümü (ve FFT) EEG Sinyal İşlemede Gerçekte Ne Yapar?
Sürekli bir EEG sinyali sınırlı bir sayı dizisi halinde örneklendikten sonra, DFT bunun üzerinde çalışabilir. N adet voltaj örneği verildiğinde, DFT her biri "bin" adı verilen belirli, dar bir frekans diliminin katkısını temsil eden N adet karmaşık sayı üretir. Karışık tek bir voltaj izi yerine, elinizde o kayıtta her bir frekanstan ne kadar bulunduğunu gösteren yapılandırılmış bir liste olur.
Bir DFT'yi doğrudan hesaplamak, hesaplama örnek sayısının karesiyle ölçeklendiğinden, N büyüdükçe yavaşlar. Hızlı Fourier dönüşümü veya FFT, çok daha verimli çalışırken matematiksel olarak özdeş sonuçlar üreten bir algoritmadır.
Pratikte, neredeyse hiç kimse kaba kuvvetle ham bir DFT hesaplamaz. FFT, oraya ulaşmanın basitçe standart ve verimli yoludur ve iki terim sıklıkla EEG araştırmalarında birbirinin yerine kullanılır.
Ham Bir EEG Frekans Spektrumu Nasıl Okunur?
Bir kaydın, saniyede fₛ örnekleme hızında alınmış N adet örnek içerdiğini varsayalım. Bu kaydın DFT'si, 0 Hz'den fₛ Hz'e kadar uzanan, eşit aralıklı N adet frekans bini üretir.
Bin genişliği olarak adlandırılan bitişik binler arasındaki boşluk, fₛ'nin N'ye bölünmesine eşittir. Bu tek sayı, yani bin genişliği, analizin ayırt edebileceği en ince frekans detayını belirler.
EEG voltajı karmaşık bir sinyalden ziyade gerçek değerli bir sinyal olduğundan, bu binlerin yalnızca ilk yarısı, özellikle de N/2 + 1 tanesi benzersiz bilgi içerir. Geriye kalan binler ilk yarının ayna görüntüleridir ve yeni hiçbir şey eklemezler. k numaralı bin, k'nin bin genişliği (fₛ / N) ile çarpılmasıyla elde edilen gerçek bir frekansa karşılık gelir.
Bu binlerin her birinde, DFT karmaşık bir sayı verir, yani bir yerine iki bileşeni vardır. Bu karmaşık sayının büyüklüğü, uygun şekilde ölçeklendirildiğinde mikrovolt cinsinden ifade edilen, karşılık gelen frekans bileşeninin genliğidir. Bu size, kaydedilen segmentte o belirli ritmin ne kadar güçlü olduğunu söyler.
Karmaşık sayının açısı, o ritmin kaydın başlangıcında döngüsünün tam olarak neresinde olduğunu söyleyen fazdır ve pencerinin başlangıcına göre ritmin ne zaman zirve yaptığını etkili bir şekilde işaretler.
Her EEG Spektrumunu Şekillendiren Üç Kısıtlama
Pratik üç sınır, DFT tabanlı bir spektrumun gerçekte ne kadar güvenilir olduğunu yönetir ve her üçü de girdinin sonsuz, sürekli bir kayıt yerine sınırlı, örneklenmiş bir kayıt olduğu gerçeğine dayanır:
Bin genişliği (frekans çözünürlüğü) fₛ'nin N'ye bölünmesine eşittir; yalnızca daha uzun bir kayıt birbirine yakın iki ritmi ayırabilir.
Örnekleme hızının yarısındaki Nyquist sınırı, örneklemeden önce filtrelenmediği sürece daha hızlı beyin aktivitesini kalıcı olarak örtüştürür (alias).
Spektral sızıntı, bir ritmin frekansı bin merkezlerinin arasına düştüğünde enerjisini komşu binlere yayar; daralan pencereler bu yayılmayı azaltır.
DFT'nin Dinlenme Durumu ve Blok Tasarımlı EEG'ye Uygulanması
DFT, en azından örtük olarak, analiz edilen segment sırasında sinyalin frekans içeriğinin çok fazla değişmediğini varsayar. Bu varsayım, sürdürülen dinlenme veya tekrarlayan bir bilişsel görevin tekdüze bir bloğu sırasında, yani yaklaşık olarak durağan olan durumlarda makuldür. Bu koşullarda, tüm dönem boyunca alınan tek bir DFT, o zaman dilimi için beynin ritmik aktivitesini anlamlı bir şekilde temsil eden bir spektrum üretir.
Bu, katılımcıların sözel, aritmetik, uzamsal ve müzikal görevleri yerine getirirken EEG'lerinin temporal ve parietal elektrot bölgelerinden kaydedildiği, hemisferik EEG asimetrisine ilişkin eski bir çalışmada kullanılan yaklaşıma yakındır.
Bu kayıtların ayrık Fourier dönüşümleri, standart frekans bantları boyunca sağ ve sol hemisferleri karşılaştıran güç oranları üretti. Alfa bandı, hemisferler arasındaki asimetrinin önemli ölçüde hangi görevin yerine getirildiğine bağlı olduğunu gösterdi ve görevle daha aktif olarak meşgul olan hemisfer tutarlı bir şekilde orantılı olarak daha az alfa gücü sergiledi.
Alfa bandındaki bu göreve bağlı etki, daha önceki araştırmaların alfayı spesifik olarak yalıtmadan tüm bant gücüne baktıklarında bulduklarından 2 ila 5 kat daha büyük olarak rapor edilmiştir. Hassasiyetteki bu artış, sinyali bölünmemiş tek bir blok olarak ele almak yerine DFT ile frekans bantlarını ayırmaktan doğrudan kaynaklanmıştır.
Ayrıca, Japonya'daki Fukui Teknoloji Üniversitesi tarafından yapılan normal ve epileptik EEG çalışması, muhtemelen dinlenme durumu koşullarına uygulanan benzer bir model sunmaktadır. Fourier analizi, daha önce bahsedilen 1/f benzeri spektral şekli ortaya çıkarmış ve normal kayıtlarda belirgin olan alfa ritminin epileptik olanlarda bulunmadığını doğrulamıştır.
Sınırlamalar: DFT'nin Yetersiz Kaldığı Durumlar
DFT'nin frekans içeriğinin analiz edilen segment boyunca sabit kaldığı yönündeki temel varsayımı, EEG aktivitesi o pencere içinde hızla değiştiğinde çöker. Epileptik deşarjlar ve ani duygusal değişimler, bu tür durağan olmayan davranışların iki net örneğidir.
Normal ve epileptik EEG'yi analiz eden çalışma bu sınırlamayı doğrudan göstermiştir. Fourier dönüşümü, kayıtların genel 1/f spektral şeklini başarıyla yakalamış olsa da, nöbet aktivitesinin tipik özelliği olan lokalize deşarjları ve keskin kompleksleri ortaya çıkarmada başarısız olmuştur.
Farklı bir zaman-frekans araçları ailesi olan dalgacık dönüşümleri, Fourier yaklaşımının tespit edemediği bu lokalize olayları tespit edebilmiştir.
Pratik sonuç basittir: durağan kayıtlar, dinlenme durumu blokları veya iyi kontrol edilen görev blokları için DFT, frekans analizi için sağlam ve yorumlanabilir bir temel sağlar. Geçici veya hızla değişen olaylar için, dalgacıklar veya uyarlanabilir kısa süreli dönüşümler gibi zaman-frekans uzantıları gerekli olabilir.
Ayrık Fourier Analizi ve Dalgacıklar: Karşılaştırma
Ayrık fourier analizi, tüm bir veri bloğu üzerindeki statik frekans bileşimini tanımlayarak sinyalin mükemmel bir genel görünümünü sağlar. Bu zaman penceresi için tek bir ortalama spektrum hesapladığından, ritmik özelliklerin tutarlı kaldığı durağan sinyaller için son derece verimlidir. Bununla birlikte, analiz edilen segmentte belirli bir frekans olayının tam olarak ne zaman meydana geldiğini çözme yeteneğinden yoksundur ve esasen zamansal özellikleri tek bir birleşik portre halinde bulanıklaştırır.
Buna karşılık dalgacıklar, hem zaman hem de frekansta lokalize bilgi sağlayan çoklu çözünürlüklü bir yaklaşım sunar. Dalgacık dönüşümleri, boyutu değişen bir pencere kullanarak, daha geniş Fourier yöntemleri kullanıldığında genellikle kaybolan geçici deşarjlara veya ani aktivite patlamalarına odaklanabilir. Bu, onları belirli bir periyodik modeli izlemeyen epizodik beyin fenomenlerini veya hızlı nörolojik değişimleri incelemek için önemli ölçüde daha esnek hale getirir.
Bu yöntemler arasında seçim yapmak, araştırma projesi parametreleri dahilindeki bilgi ihtiyaçlarına öncelik verme meselesidir. Araştırmacılar, sinyal işleme stratejilerini belirlemek için genellikle standart bir prosedür iş akışını izlerler:
İlgilenilen sinyalin durağan mı yoksa geçici mi olduğunu doğrulayın.
Ortalama güç değerlendirmesi için geleneksel küresel spektral analizi uygulayın.
Lokalize olay takibi için zaman-frekans ayrıştırmasını uygulayın.
Elde edilen enerji dağılımlarını bilinen fizyolojik yapaylıklara karşı doğrulayın.
Ayrık Fourier Analizi Python Uygulama Kılavuzu
Bu analizin Python'da uygulanması, genellikle hızlı fourier dönüşümlerini hesaplamak için optimize edilmiş işlevler sağlayan NumPy veya SciPy gibi özel kütüphanelerin kullanılmasını içerir.
Birincil işlev olan fft, bir voltaj örnekleri dizisini kabul eder ve her harmonikteki gücü ve fazı temsil eden karmaşık değerli bir kapsayıcı döndürür. Modern kütüphaneler çoğu standart dizi boyutu için temel matris işlemlerini otomatik olarak işlese de, geliştiriciler gerektiğinde giriş dizisinin doğru şekilde doldurulduğundan emin olmalıdır.
Ham dönüşümü hesapladıktan sonra, gerçek dünya uygulaması, güç spektrumunu elde etmek için çıktının normalleştirilmesini ve mutlak değer hesaplamasını gerektirir. Bu, büyüklükleri uygun şekilde ölçeklendirmek için dizinin toplam uzunluğuna bölünmesini içerir. Ölçeklendirildikten sonra spektrum, kayıt donanımının orijinal örnekleme frekansına göre oluşturulan tanımlanmış bir frekans eksenine karşı çizilebilir.
Kodun son halini alması, gelen sinyalin önce bant geçiren filtreler aracılığıyla temizlenmesiyle potansiyel yapaylıkların ele alınmasını gerektirir. Kullanıcılar, yalnızca mevcut çalışmayı ilgilendiren frekansları yalıtarak hesaplama ayak izini azaltır ve nihai spektral grafiğin yorumlanabilirliğini artırır. Bu modüler yaklaşım, yeni araştırma gereksinimleri ortaya çıktıkça işleme hatlarının hızla iyileştirilmesine olanak tanır.
Ayrık Fourier Analizi PDF Kılavuzları ve Kaynakları
Derin teknik kılavuzlar arayanlar için, spektral analiz için matematiksel kanıtları ve uygulama stratejilerini detaylandıran birkaç temel PDF kaynağı mevcuttur. Bu belgeler, teorik sinyal işleme ders kitapları ile pratik laboratuvar uygulamaları arasında bir köprü görevi görerek hata sınırlarının ve sisteme özgü sapmaların nasıl hesaba katılacağını açıklar. Bu kılavuzların çoğu, çok kurumlu çalışmalarda işlemeyi standartlaştırmak amacıyla akademik araştırma grupları tarafından küratörlüğe tabi tutulur.
Bu kaynaklar sıklıkla, yapaylık reddi ve yeniden referanslama gibi belirli veri temizliği gereksinimlerini vurgulayarak ham zaman serisi verilerini analize hazırlama konusundaki eğitimleri içerir. Ayrıca, spektral çözünürlük ve genlik doğruluğu arasındaki dengeyi nasıl etkilediklerini açıklayan çeşitli pencereleme işlevlerine ilişkin kapsamlı genel bakışlar sağlarlar. Bu nüansları anlamak, yaygın kütüphane işlevlerinin kara kutu uygulamalarının ötesine geçmek isteyen her uygulayıcı için gereklidir.
Öğrenciler ve araştırmacılar, bu teknik kılavuzlara danışarak, spektral sızıntı ve örtüşme gibi dijital dönüşümlerle ilişkili yaygın tuzaklar hakkında Insight kazanabilirler. Bu kılavuzlar, hesaplama hızı ve verimliliğindeki gelişmeleri yansıtacak şekilde periyodik olarak güncellenir ve açıklanan metodolojilerin güncel kalmasını ve mevcut bilimsel projelerde kullanılan modern yüksek çözünürlüklü örnekleme donanımlarına uygulanabilir olmasını sağlar.
Frekans Analizi Gizli Beyin Ritmlerini Nasıl Ortaya Çıkarır?
Bir EEG kaydını bileşen frekanslarına bölmek, karışık bir voltaj izini çok daha anlamlı bir şeye dönüştürür. Ayrık Fourier dönüşümü, hangi ritimlerin mevcut olduğunu ve ne kadar güçlü olduğunu tam olarak gösterir; bu nedenle, zihinsel görevlerle bağlantılı alfa bandı asimetrisi veya normal beyin aktivitesini epileptik kayıtlardan ayıran belirgin 1/f şekli gibi özellikleri çıkarmanın ilk adımı haline gelmiştir. Bu adım, kararlı, dinlenme veya görev tabanlı durumlar sırasında beynin dalgalı manzarasının net ve yorumlanabilir bir resmini sunar.
Ancak bu yöntem, örtüşmeyi önlemek için yeterince hızlı bir örnekleme hızına, yakın ritimleri birbirinden ayırmak için yeterince uzun bir pencereye ve ani nöral olayların beynin sabit durumuna dair temel varsayımını bozduğunu bilmeye ihtiyaç duyduğu için önemli sınırlar taşır. Bu geçici deşarjlar veya ani duygusal değişimler için araştırmacılar genellikle zaman-frekans alternatiflerine yönelirler, ancak bu araçların birçok görev genelindeki karşılaştırmaları hala yetersizdir.
Ham genlik spektrumunun neyi söyleyip neyi söyleyemeyeceğini anlamak, verilerin gerçekte neyi desteklediğine odaklanmayı sağlar ve çalışma çalışma beyin işlevinin dikkatli bir resmini oluşturur.
Referanslar
Doyle, J. C., Ornstein, R., & Galin, D. (1974). Lateral specialization of cognitive mode: II. EEG frequency analysis. Psychophysiology, 11(5), 567-578. https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
Yamaguchi, C. (2003, March). Fourier and wavelet analyses of normal and epileptic electroencephalogram (EEG). In First International IEEE EMBS Conference on Neural Engineering, 2003. Conference Proceedings. (pp. 406-409). IEEE. https://doi.org/10.1109/CNE.2003.1196847
Samiee, K., Kovacs, P., & Gabbouj, M. (2015). Epileptic seizure classification of EEG time-series using rational discrete short-time fourier transform. IEEE Trans. Biomed. Eng., 62(2), 541-552. https://doi.org/10.1109/TBME.2014.2360101
Sıkça Sorulan Sorular
Ayrık Fourier dönüşümü bir EEG kaydına tam olarak ne yapar?
DFT, örneklenmiş EEG voltajının sınırlı bir bloğunu, her biri karmaşık bir sayı ile temsil edilen bir frekans bileşenleri kümesine ayrıştırır. Bu sayılar, analiz penceresi içinde her bir frekanstan (genlikten) ne kadar bulunduğunu ve hangi fazda başladığını ortaya koyar.
EEG kaydederken örnekleme hızı neden bu kadar kritiktir?
Örnekleme hızı, Nyquist frekansı olarak bilinen, doğru bir şekilde yakalanabilecek en yüksek frekansı belirler. Sinyal, örnekleme hızının yarısının üzerindeki frekansları içeriyorsa, bunlar örtüşür (alias) —daha düşük frekanslar olarak yanlış temsil edilir— ve sonradan düzeltilemez. Bunu önlemek için, EEG sistemleri örneklemeden önce Nyquist sınırının ötesindeki frekansları kaldırmak için alçak geçiren bir filtre uygular.
DFT'nin birbirine yakın frekansları ne kadar ince ayırabileceğini ne belirler?
Frekans çözünürlüğü, örnekleme hızının segmentteki örnek sayısına bölünmesine eşit olan bin genişliği tarafından belirlenir. Daha dar binler yakın ritimlerin daha iyi ayrılmasını sağlar, ancak bunlara ulaşmak daha uzun kayıt dönemleri gerektirir.
Spektral sızıntı nedir ve nasıl ele alınabilir?
Spektral sızıntı, gerçek bir beyin ritmi bir DFT frekans bini ile mükemmel bir şekilde hizalanmadığında meydana gelir ve enerjisinin birkaç bine yayılmasına ve zirvenin bulanıklaşmasına neden olur. Sinyal kenarlarını yumuşatan daralan bir pencere (Hann penceresi gibi) uygulamak bu sızıntıyı azaltır, ancak tamamen ortadan kaldırılamaz.
DFT çıktısı bize basit bir güç değerinin ötesinde ne söyler?
Ham DFT, hem bir ritmin mikrovolt cinsinden gücünü gösteren genliği hem de ritmin döngüsünün kayıt penceresinin başlangıcında nerede olduğunu söyleyen fazı sağlar. Genlik yaygın olarak kullanılırken, faz EEG çalışmalarında genellikle göz ardı edilir ancak yine de DFT sonucunun doğal bir parçasıdır.
DFT hangi koşullar altında beyin aktivitesinin güvenilir bir resmini sunar?
DFT, EEG sinyali yaklaşık olarak durağan olduğunda, yani kayıt bloğu sırasında frekans içeriği çok fazla değişmediğinde iyi çalışır. Bu, dinlenme durumu kayıtları veya bir bilişsel görevin iyi kontrol edilen, tekdüze blokları için tipiktir.
DFT neden belirli beyin olaylarını yakalamada başarısız olabilir?
DFT, frekans içeriğinin analiz edilen segment boyunca sabit kaldığını varsayar, bu nedenle epileptik deşarjlar veya ani duygusal değişimler gibi hızlı, geçici olayları doğru bir şekilde temsil edemez. Bu durağan olmayan durumlarda, enerji birçok frekansa yayılır ve dalgacıklar gibi zaman-frekans yöntemleri daha uygun olur.
Hızlı Fourier dönüşümünün (FFT) DFT ile ilişkisi nedir ve neden kullanılır?
FFT, DFT'yi çok daha hızlı hesaplayan ve matematiksel olarak özdeş sonuçlar üreten bir algoritmadır. EEG araştırmalarında terimler sıklıkla birbirinin yerine kullanılır çünkü FFT, frekans spektrumunu elde etmenin standart ve verimli yoludur.
Emotiv, erişilebilir EEG ve beyin verisi araçları aracılığıyla sinirbilim araştırmalarının ilerlemesine yardımcı olan bir nöroteknoloji lideridir.
Christian Burgos
