Ayrık Sinyal İşleme

Ayrık Sinyal İşleme Nedir?

Ayrık sinyal işleme, bir sayılar dizisi olarak temsil edilen bilginin matematiksel olarak işlenmesini içerir. Fiziksel dünyadaki analog girişleri ayrık örneklere dönüştürerek, bilgisayarlar geleneksel analog devrelerle imkansız olacak karmaşık analizleri gerçekleştirebilir.

Bu dijital işlemlerin hassasiyeti ve tekrarlanabilirliği, onları iklim modellemesinden EEG sinyal işlemeye kadar uzanan alanlarda vazgeçilmez kılmaktadır. Bu alan, sürekli verilerin nasıl ayrıklaştırılacağını, işleneceğini ve nihayetinde insan veya makine kullanımı için nasıl yeniden oluşturulacağını belirleyen kuralları koyar.

Ayrık Zamanlı Sinyal İşleme ve Sürekli Zamanlı Sinyaller Karşılaştırması

Sürekli zamanlı sinyaller pürüzsüz bir şekilde değişir ve tanımlanmış bir zaman aralığındaki her noktada var olurken, ayrık zamanlı sinyaller yalnızca belirli, periyodik noktalarda tanımlanır.

Dijital sinyal işleme, bu iki tür arasındaki dönüşüme dayanır ve aradaki köprüyü kurmak için genellikle donanım kullanır. Mühendisler, örnekleme hızının sinyaldeki en hızlı değişimleri yakalamak için yetersiz kaldığı durumlarda ortaya çıkan örtüşme (aliasing) hatalarına yol açmadan, ayrık dizinin alttaki sürekli olayları doğru bir şekilde yansıtmasını sağlamak için bu geçişi dikkatle yönetmelidir.

Ayrık Zamanlı Sinyallerin Sürekli Zamanlı İşlenmesi: Örnekleme ve Yeniden Oluşturma

Sürekli bir etkiyi dijital formata dönüştürme işlemi, sinyal gücünü kesin zaman aralıklarında kaydeden bir analog-dijital dönüştürücü gerektirir. İşlem tamamlandıktan sonra, verilerin insanlar tarafından algılanabilmesi için analog forma geri döndürülmesi gerekir ve bu da yeniden oluşturma filtreleri aracılığıyla gerçekleştirilir. Bu filtreler, örneklenmiş verilerin "merdiven" benzeri görünümünü pürüzsüzleştirerek sürekli bir dalgaya dönüştürür.

Etkili bir yeniden oluşturma, bir sistemin tüm geçerli bilgileri korumak için girişi ölçmesi gereken minimum frekansı belirleyen Nyquist-Shannon örnekleme teoremine uyulmasına bağlıdır.

Ayrık Sinyal İşlemede Temel Kavramlar

Modern dijital analiz, veri noktalarını etkili bir şekilde ayrıştırmak, yeniden düzenlemek ve yorumlamak için tasarlanmış bir dizi matematiksel araca dayanır. Bu kavramlar, mühendislerin devasa sensör dizilerinden basit ses girişlerine kadar her şeyi yönetmeleri için bir çerçeve sunar.

Doğru matematiksel yaklaşımı seçerek, araştırmacılar çıktı kalitesini en üst düzeye çıkarırken işlemsel yükihtiyacını azaltabilirler.

Frekans Alanı Analizi: Dijital Sinyal İşlemede Ayrık Fourier Dönüşümü

Ayrık Fourier Dönüşümü (DFT), herhangi bir zaman serisi veri dizisini onu oluşturan frekans bileşenlerine kaydıran temel bir tekniktir.

Bu dönüşüm, kullanıcıların hangi frekansların bir sinyale hakim olduğunu ve hangilerinin bulunmadığını görmesini sağlayarak harmonik analiz ve veri sıkıştırma gibi görevleri kolaylaştırır. Uygulayıcılar, sinyali spektral alanda inceleyerek, yalnızca zamansal dizi gözlemlendiğinde tamamen gizlenebilecek belirli olayları ayrıştırabilirler.

Filtreleme: Sinyal Bileşenlerini Kaldırma veya İyileştirme

Filtreleme, istenmeyen frekansları zayıflatırken istenen bileşenlerin geçmesine izin vererek sinyallerin seçici olarak değiştirilmesini sağlar. Dijital filtreler; yüksek frekanslı tıslamaları, düşük frekanslı uğultuları veya ham veri toplamayı zorlaştıran belirli periyodik parazitleri bastırmak için titizlikle ayarlanabilir.

Aşağıdaki tablo, dijital iş akışlarındaki belirli operasyonel ihtiyaçlara göre uyarlanmış yaygın filtre türlerini göstermektedir:

Bu yapılandırmalar, çoğu dijital uygulamada mevcut olan standart araç setini temsil eder.

Ayrık Rastgele Sinyaller ve İstatistiksel Sinyal İşleme

İstatistiksel sinyal işleme, sinyallerin tamamen deterministik olmadığı, aksine değişen derecelerde rastgellik gösterdiği durumları ele alır. Analistler, bu girişleri stokastik süreçler olarak ele alarak, tekil veri noktaları öngörülemez görünse bile bir sistemin ortalama davranışlarını ve varyansını belirleyebilirler.

Bu yaklaşım, nörobilim alanında sinyal yollarını tahmin etmek ve gürültülü ortamlardaki belirsizliği yönetmek için hayati önem taşır.

Konvolüsyon: Sinyalleri Birleştirme

Konvolüsyon (katlama), bir sistemin çıktısının, girdisine ve dürtü yanıtına bağlı olarak nasıl değiştiğini belirlemek için titiz bir matematiksel yöntem sağlar. Bir sinyal diğeriyle konvolve edildiğinde, ortaya çıkan çıktı, sistemin gelen dalga formunu zaman ve uzay boyunca nasıl dönüştürdüğünü gösterir.

Aşağıdaki adımlar konvolüsyonun pratik uygulamasını özetlemektedir:

1. İkinci sinyali zaman ekseninde ters çevirin.

2. Ters çevrilmiş sinyali birinci sinyal üzerinde kaydırın.

3. Çakışan alanların integralini veya toplamını hesaplayın.

4. Hesaplamayı zaman ekseni boyunca her nokta için tekrarlayın.

Bu metodik yaklaşım, çıktının sistemin doğal özelliklerine ve çevresel kısıtlamalarına göre doğru bir şekilde modellenmesini sağlar.

Ayrık Sinyal İşleme Uygulamaları

Ayrık sinyal işleme, fiziksel dünya ile etkileşime giren birçok modern makinenin performansını belirler. Bu algoritmaları uygulayarak, geliştiriciler ister bir ağ köprüsünden ister bir kişinin EEG kaydından gelsin, hassas verilerin net ve doğru kalmasını sağlayabilirler.

Bu yöntemlerin çok yönlülüğü, yaygın algoritmaların genellikle tüketici el cihazlarından özel endüstriyel test düzeneklerine kadar uzanan donanımlarda karşımıza çıkması anlamına gelir.

Ses Uygulamalarında Konuşma Sinyallerinin Ayrık Zamanlı İşlenmesi

Ses sinyalleri, iletim ve depolama sırasında netlik sağlamak için yoğun hesaplamalardan geçer. Ayrık yöntemler, insan işitmesini modelleyerek ve genellikle duyulamaz kalan sesleri kaldırarak, doğal tınlayacak kadar ayrıntıyı korurken veri boyutunun azaltılmasını sağlar.

Bu gelişmiş mekansal filtreleme tekniği, aşırı donanım kapasitesine ihtiyaç duymadan karmaşık akustik ortamları etkili bir şekilde yönetir.

Görüntü ve Video İşleme

Görsel medya, piksellerin örneklenmiş veri noktaları olarak hizmet ettiği iki boyutlu ayrık analize dayanır. Cihazlar, bu ızgaraları manipüle ederek kenarları keskinleştirme, renk dengelerini ayarlama ve yüksek görsel uzamsal çözünürlüğü korurken bant genişliğinden tasarruf etmek için videoları sıkıştırma gibi görevleri gerçekleştirebilir.

Bu işlemler, milyonlarca kare boyunca gereksiz bilgileri verimli bir şekilde elemek için genellikle temel bileşen analizinden yararlanır.

Telekomünikasyon ve Veri İletimi

Telekomünikasyon, bilgi paketlerinin hedeflerine bozulmadan ulaşmasını sağlamak için sinyal akışının sürekli optimizasyonuna dayanır. Gelişmiş hata algılama ve düzeltme algoritmaları, yoğun elektromanyetik parazit varlığında bile gerçek zamanlı olarak veri bütünlüğünü doğrulamak için ayrık matematik kullanır.

Bu güvenilirlik seviyesi, modern ağ altyapılarının dünya genelinde hızla ölçeklenmesini sağlar.

Beynin Sürekli Sesi ve Başladığı Yer

Bir EEG başlığı tarafından yakalanan elektriksel sinyaller, gevşek bir senkronizasyon içinde ateşlenen geniş nöron popülasyonlarından kaynaklanır. Tek bir nöronun aktivitesi saç derisinde tespit edilemeyecek kadar lokalize ve zayıf olsa da, binlerce nöronun kolektif deşarjı, genellikle yalnızca on dizede bir mikrovat değerinde dalgalanan bir voltaj üretir. Bu zayıf sinyal, nihayet kayıt elektrotlarına ulaşmadan önce beyin dokusu, kafatası ve saç derisinden geçmelidir.

Bu sinyal çok hassas olduğundan, saç derisine kas hareketleri, göz kırpmaları ve yakındaki elektriksel parazitler gibi fizyolojik ve çevresel gürültülerle yoğun şekilde karışmış olarak ulaşır. Bu ham veriyi anlamlandırmak için araştırmacılar, beyin aktivitelerini titizlikle belirli frekans bantlarına ayırmalıdır; bunlar geleneksel olarak delta, teta, alfa, beta ve gama olarak adlandırılır ve her biri farklı zihinsel durumlara karşılık gelerek spektrumun benzersiz aralıklarını kaplar.

Bu ayrımın önemi, 2010 yılında Journal of Biomedical Science and Engineering dergisinde yayınlanan bir çalışma gibi araştırmalarda vurgulanmaktadır. Bu çalışmada EEG kayıtları, Surface Laplacian filtreleme ile yapılan ilk temizliğin ardından Ayrık Dalgacık Dönüşümü (DWT) kullanılarak alfa, beta ve gama bantlarına ayrıştırılmıştır.

Bu hassasiyet seviyesi hayati önem taşır: 100 Hz'e kadar uzanabilen gama ritimlerinin güvenle analiz edilebilmesi için, dijitalleştirme işleminin bu bantları ayrı bileşenler olarak koruması gerekir. Güvenilir bir sinyal işleme olmaksızın, bu hayati salınımlar ayırt edilemez bir lekeye dönüşecek ve doğru nörobilimsel analizi imkansız hale getirecektir.

Örnekleme: Akan Bir Nehrin Fotoğraflarını Çekmek

Sürekli bir voltajı bir sayılar serisine dönüştürmek, sinyalin voltajını sürekli değil, belirli ve düzenli zaman aralıklarında ölçme işlemi olan örneklemeyi gerektirir.

Sabit bir noktanın önünden akan bir nehri düşünün. Onun hareketini hareket olarak doğrudan yakalayamazsınız. Bunun yerine, birkaç saniyede bir fotoğrafını çekersiniz. Yeterli sayıda fotoğrafı sırayla bir araya getirdiğinizde, akış için makul bir temsil elde edersiniz. Çok az fotoğraf çekerseniz, nehrin gerçek hareketi belirsiz veya yanıltıcı hale gelir.

İşte bu noktada Nyquist kriteri olarak bilinen kural kaçınılmaz hale gelir. Bu kural, örnekleme hızının (saniye başına alınan ölçüm sayısı), orijinal analog sinyaldeki en yüksek frekansın iki katından fazla olması gerektiğini belirtir.

Eğer bu sağlanmazsa, örtüşme (aliasing) adı verilen bir bozulma meydana gelir ve hızlı hareket eden bir sinyal yanlışlıkla daha yavaş bir sinyalmiş gibi kaydedilir. Bu bir kez gerçekleştiğinde, gerçek yavaş sinyal ile eskiden hızlı olan sahte yavaş sinyali birbirinden ayırabilecek hiçbir matematiksel hile yoktur. Bilgi, kalıcı olarak yanlış yere katlanarak kaybolmuştur.

Klinik EEG sistemleri genellikle 250 ila 500 Hz arasındaki hızlarda örnekleme yapar; bu da 0 ila 100 Hz arasındaki beyin aktivitelerini rahatça yakalar ve geriye pay bırakır. Bu pay, beyin sinyalleri gama bandının üst sınırına yaklaşsa bile Nyquist kriterinin karşılanmasını sağlayan arabellektir.

EEG verilerini analiz etmek için en uygun ayarları bulmak amacıyla yedi farklı dalgacık ailesi ve çoklu ayrıştırma seviyeleri üzerinde kapsamlı bir arama gerçekleştiren nöbet tespit çerçevesini göz önünde bulundurun. Bu arama, bilimsel bir çalışma olarak ancak aranan frekans içeriği doğruysa anlam kazanır.

Eğer orijinal örnekleme hızı Nyquist kriterini ihlal etmiş olsaydı, kas aktivitesinden veya elektriksel parazitten kaynaklanan yüksek frekanslı gürültü, araştırmacıların ayrıştırmaya çalıştığı frekans bantlarının içine katlanmış olurdu. Optimal dalgacık ayarlarına yönelik arama, bozulmuş bir hedefe göre optimize edilmiş olurdu ve nöbet tespiti için rapor edilen %90'ın üzerindeki doğruluk oranı gerçek teşhis yeteneğini yansıtmazdı; sadece gürültüye iyi ayarlanmış bir tepkiyi yansıtırdı.

Örtüşme Önleyici Filtreler Bozuk Veriyi Nasıl Engeller?

Örtüşme (aliasing) gerçekleştikten sonra düzeltilemediği için, daha örnekleme yapılmadan önce engellenmesi gerekir.

Bu işlem, analog-dijital dönüştürücü ölçümlerini yapmadan önce donanım yoluna yerleştirilen analog bir alçak geçiren filtre olan örtüşme önleyici filtrenin görevidir. İşlevi, Nyquist sınırının üzerindeki tüm frekans içeriklerini ayıklamaktır, böylece sinyalde daha sonra olmadığı bir şeyle karıştırılabilecek hiçbir şey kalmaz.

Bu filtreleme adımı atlandığında veya kötü yapıldığında, hasar verilere kalıcı olarak işlenir. Sonrasındaki hiçbir yazılım, ne kadar gelişmiş olursa olsun, bunu geri alamaz.

Bir Alzheimer teşhisi çalışmasında araştırmacılar, DWT aracılığıyla özellikleri çıkarmadan önce EEG veri setindeki parazit ve bozulmaları gidermek için bant geçiren eliptik bir dijital filtre uygulamışlardır. Bu filtreleme, bir donanım örtüşme önleme adımı yerine dijitalleştirmeden sonra gerçekleşmiştir, ancak temel mantık tamamen aynıdır.

Her iki işlem de, bir algoritma geri kalanları yorumlamaya çalışmadan önce istenmeyen spektral içeriği tablodan çıkarmak için vardır. Filtre, örneklemeden önce analog devrede veya sonrasında dijital işleme zincirinde yer alsın, amacı aynıdır: kirlenmenin analize doğru yayılmasını önlemek.

Ayrıca, 2020 yılına ait bir hareket artefaktı çalışması, gelişmiş temizlik araçları mevcut olsa bile bunun neden önemli olduğunu göstermektedir. Bu araştırma, hareketle ilgili parazitleri EEG sinyallerinden arındırmak için Topluluk Ampirik Mod Ayrıştırma, Kanonik Korelasyon Analizi ve Ayrık Dalgacık Dönüşümü olmak üzere üç tekniği birleştirerek sinyal-gürültü ölçümlerini dikkate değer oranlarda iyileştirmiştir.

Ancak tüm bu temizleme süreci, sisteme giren yüksek frekanslı spektrumun örtüşmesiz olduğunu varsayar. Donanımsal bir örtüşme önleyici filtre dijitalleştirme noktasında eksik olsaydı, ortaya çıkan sinyal, iyi tasarlanmış bir artefakt temizleme sisteminin bile tamamen çözemeyeceği ek bir bozulma katmanı taşırdı.

Bit Derinliği: Voltajı Sınırlı Bir Paletle Boyamak

Örnekleme, bir voltajın ne zaman ölçüleceğini belirler. Bit derinliği ise bu ölçümün ne kadar kesinlikle kaydedileceğini belirler.

Analog-dijital dönüştürücü belirli bir anda voltajı yakaladıktan sonra, bu değeri bir ikili sayı olarak ifade etmek zorundadır ve bu ifade için mevcut olan bit sayısı ölçümün çözünürlüğünü belirler. Artı veya eksi 1 milivolt voltaj aralığında 16-bit derinlik kullanan bir sistem, kabaca yarım mikrovolt kadar küçük farkları çözebilir.

Daha fazla bit eklediğinizde çözünürlük daha da keskinleşir. Bit derinliğini azalttığınızda ise dalga formundaki ince varyasyonlar basitçe ortadan kalkar ve daha kaba bir ölçekteki en yakın adıma düzleştirilir.

Bu ayrım gerçek bir teşhis değeri taşır. Bir 2019 epilepsi tespiti çalışması, epileptik EEG aktivitesini epileptik olmayan aktiviteden ayırt etmek için dalgacık katsayıları üzerinde gerçekleştirilen bulanık entropi hesaplamalarına dayanıyordu.

Entropi ölçümleri, doğası gereği hassas genlik varyasyonlarına karşı duyarlıdır. Bir sinyaldeki düzensizliği ve karmaşıklığı ölçerler ve bu hesaplama, en başta küçük farkları tespit edebilecek yeterli çözünürlüğe sahip olmaya bağlıdır. Kaba bir şekilde kuantize edilmiş bir sinyal, entropi hesaplamasının bulmak için tasarlandığı düzensizlikleri tamamen düzleştirir.

Benzer şekilde, yukarıda bahsedilen Alzheimer çalışması, DWT aracılığıyla oluşturulan dalgacık alt bantlarından standart sapma, varyans ve norm gibi istatistiksel özellikleri çıkarmıştır. Bunların hepsi bir sinyalin ne kadar değiştiğinin ölçütleridir. Yetersiz bit derinliği nedeniyle alttaki voltaj değerleri çok agresif bir şekilde yuvarlanmış olsaydı, sağlıklı ve hastalıklı beyin durumları arasındaki doğal varyasyon benzer, düzleştirilmiş bir aralığa doğru daralır ve %99.98 sınıflandırma doğruluğunu mümkün kılan istatistiksel farklar da buna paralel olarak küçülürdü.

Doğru Örnekleme Hızı Bozuk Veri Çıkışını Neden Engeller?

Bu üç unsur (Nyquist uyumlu örnekleme, çalışan bir örtüşme önleyici filtre ve yeterli bit derinliği) birbirlerinden bağımsız teknik ayrıntılar değildir. Tek bir bağımlılık zinciri oluştururlar ve bu araştırma alanında rapor edilen her sınıflandırma doğruluğu bu zincirin çıktılarıdır.

Çok düşük bir örnekleme hızı seçmek veya onu koruyan örtüşme önleyici filtreyi atlamak, sinyal işlemede "bozuk veri girerse, bozuk veri çıkar" olarak bilinen klasik başarısızlığa neden olur. Örtüşmüş yüksek frekanslı gürültü beta veya gama gücü gibi görünen şeylerin içine katlandıktan sonra, süreci tersine çevirecek ve alttaki gerçek ritmi kurtaracak kadar gelişmiş hiçbir algoritma yoktur. Aksine, doğru seçilmiş bir hız, sonraki her araca çalışmak için temiz ve güvenilir bir zemin sunar.

2010 yılındaki duygu sınıflandırması çalışması, bu temiz zeminde nelerin mümkün olduğunu göstermektedir. DWT aracılığıyla çıkarılan özellikler üzerinde K-En Yakın Komşu (KNN) sınıflandırmasını kullanan araştırmacılar; iğrenme, mutluluk, şaşkınlık, korku ve nötr tepkiler gibi duygusal durumları ayırt etmede %83.26 doğruluk oranına ulaştılar. Bu sonuç, ayrıştırma işlemi sırasında alfa, beta ve gama ritimlerinin birbirinden doğru bir şekilde ayrılmasına bağlıdır ve bu ayrım, yalnızca bu bantların en başta frekans karışması olmadan dijitalleştirilmesi durumunda mümkündür.

Ayrıca, nöbet tespit çerçevesi de aynı noktayı farklı bir açıdan pekiştirmektedir. Yazarları, frekans bantlarının ve özelliklerin optimize edilmiş seçiminin gereksiz bilgilerin yaklaşık %40'ını ortadan kaldırdığını ve %90'ın üzerindeki doğruluktan ödün vermeden analizi kolaylaştırdığını belirtmişlerdir.

Bu tür akıllıca bir sadeleştirme sadece kalan bilgi gerçek olduğunda işe yarar. Örtüşmüş bir sinyalden gereksiz bilgileri çıkarmak anlamlı hiçbir şeyi kolaylaştırmazdı. Bozulmuş frekans içeriği meşru beyin aktivitesinden zaten ayırt edilemeyeceği için, geride başka gürültüler bırakarak gürültüyü verimli bir şekilde çöpe atmaktan başka bir işe yaramazdı.

Alzheimer teşhisi sonucu hepsinden daha net bir mesaj taşımaktadır. Nispeten basit bir sınıflandırıcı olan KNN, düzgün bir şekilde ayrıştırılmış dalgacık alt bantlarından elde edilen özellikleri kullanarak %99.98 doğruluğa ulaşmıştır. Bu sonuç göstermektedir ki, bir analizin altındaki temel sağlam olduğunda, basit sınıflandırma yöntemleri bile son derece yüksek bir performans sergileyebilir.

Bu durum aynı zamanda tersi bir anlam da taşır. İster gelişmiş yapay sinir ağları ister kapsamlı özellik mühendisliği yoluyla olsun, sonraki aşamalardaki hiçbir algoritmik geliştirme, temelleri yanlış atan bir dijitalleştirme sürecini telafi edemez.

Dürüst Beyin Verileri Neden Görünmez Bir Kalkanla Başlar?

Ayrık sinyal işleme, modern teknolojinin görünmez omurgası olarak hizmet ederek, neredeyse tüm bilimsel ve ticari sektörlerde dijital verilerin etkili bir şekilde yönetilmesini ve yorumlanmasını sağlar. Araştırmacılar ve mühendisler; örnekleme, filtreleme ve dönüşüm ilkelerinde uzmanlaşarak, dijital elektroensefalografiden küresel kablosuz iletişim ağlarına kadar uzanan alanlarda mümkün olanın sınırlarını zorlamaya devam edebilirler.

Referanslar

1. Murugappan, M., Ramachandran, N., & Sazali, Y. (2010). Classification of human emotion from EEG using discrete wavelet transform. Journal of biomedical science and engineering, 3(4), 390-396. http://dx.doi.org/10.4236/jbise.2010.34054

2. Chen, D., Wan, S., Xiang, J., & Bao, F. S. (2017). A high-performance seizure detection algorithm based on Discrete Wavelet Transform (DWT) and EEG. PloS one, 12(3), e0173138. https://doi.org/10.1371/journal.pone.0173138

3. AlSharabi, K., Salamah, Y. B., Abdurraqeeb, A. M., Aljalal, M., & Alturki, F. A. (2022). EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches. IEEE Access, 10, 89781-89797.

4. Shukla, S., Roy, V., & Prakash, A. (2020, April). Wavelet based empirical approach to mitigate the effect of motion artifacts from EEG signal. In 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT) (pp. 323-326). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761

5. Chiang, H. S., Chen, M. Y., & Huang, Y. J. (2019). Wavelet-based EEG processing for epilepsy detection using fuzzy entropy and associative petri net. Ieee Access, 7, 103255-103262. https://doi.org/10.1109/ACCESS.2019.2929266

Sıkça Sorulan Sorular

Analog ve dijital işleme arasındaki fark nedir?

Analog işleme sürekli voltaj veya akım seviyelerini içerirken, dijital işleme verileri temsil etmek için bir sayılar dizisi kullanır; bu da daha hassas kontrol ve depolama sağlar.

Dijital filtre nasıl çalışır?

Bir dijital filtre, bir giriş dizisinden yeni bir dizi hesaplamak için matematiksel algoritmalar kullanır ve istenen bileşenlerin geçmesine izin vermek için belirli frekansları seçici olarak ölçeklendirir veya geciktirir.

Nyquist kriteri nedir ve EEG dijitalleştirmesi için neden önemlidir?

Nyquist kriteri, frekans bozulmasını önlemek için EEG'de bulunan en yüksek frekansın iki katından daha fazla bir hızda örnekleme yapılmasını gerektirir. Bu kuralın ihlal edilmesi, hızlı beyin dalgalarının yanlışlıkla yavaş dalgalar olarak kaydedildiği örtüşmeye (aliasing) neden olarak verileri kalıcı olarak bozduğu ve doğru analizi imkansız kıldığı için hayati önem taşır.

Örtüşme (aliasing) nedir ve neden örneklemeden sonra düzeltilemez?

Örtüşme, yüksek frekanslı sinyallerin yanlışlıkla daha düşük frekanslı bileşenler olarak kaydedildiği bir örnekleme hatasıdır. Bir kez meydana geldiğinde, orijinal hızlı sinyal bilgisi diğer frekans bantlarıyla geri dönülemez bir şekilde karışır, bu nedenle hiçbir matematiksel teknik bu bozulmayı geri alamaz.

Örtüşme önleyici filtre EEG sinyalini nasıl korur?

Örtüşme önleyici filtre, analog-dijital dönüştürücüden önce yerleştirilen ve Nyquist sınırının üzerindeki frekansları ortadan kaldıran analog bir alçak geçiren filtredir. Örneklemeden önce yüksek frekanslı içeriği ayıklayarak, örtüşmenin meydana gelmesini önler ve beyin sinyalinin bütünlüğünü korur.

Beyin voltajlarını dijital sayılara dönüştürürken bit derinliği neden önemlidir?

Bit derinliği, sinyalin genliğini temsil etmek için kaç tane ayrık adımın mevcut olduğunu tanımlayarak her bir voltaj ölçümünün hassasiyetini belirler. Daha hassas bir bit derinliği, beyin durumlarını ayırt etmek için entropi veya varyans gibi özelliklere dayanan algoritmalar için kritik olan ince genlik varyasyonlarını yakalar.

Bir EEG çok düşük bir hızda örneklendiğinde ne olur?

Örnekleme hızı çok düşük olursa, örtüşme meydana gelir ve yüksek frekanslı aktivitelerin (kas gürültüsü veya hızlı beyin ritimleri gibi) yanlışlıkla daha yavaş beyin dalgaları olarak kaydedilmesine neden olur. Bu durum dijitalleştirilmiş sinyali kalıcı olarak bozar, bu nedenle sonraki analizler gerçek beyin aktivitesine değil, bozulmuş verilere dayanacaktır.

Örtüşme neden kalıcı bir veri bozulması olarak kabul edilir?

Örtüşme verileri kalıcı olarak bozar çünkü yüksek frekanslı sinyalleri sahte düşük frekanslı temsillere dönüştürür ve orijinal yüksek frekanslı bilgi geri döndürülemez şekilde kaybolur. Sonraki hiçbir algoritma örtüşen gürültüyü meşru beyin aktivitesinden ayırt edemez, çünkü ikisi de kaydedilen sinyalde aynı şekilde kodlanmıştır.