Bir sinyali bileşen frekanslarına ayırmak için klasik bir matematiksel araç olan temel bir Fourier Dönüşümü, size tüm bir kayıt boyunca bir yerlerde hangi beyin ritimlerinin mevcut olduğunu söyleyebilir. Size söyleyemeyeceği şey ise bunların ne zaman gerçekleştiğidir. Birinin gözlerini kapattığı anda ortaya çıkan kısa bir alfa aktivitesi patlaması, anlamlı ve zamana bağlı bir olaydır.
On dakikalık bir kaydı kapsayan tek bir frekans özetine göre ortalaması alındığında, bu patlama istatistiksel bir veri haline gelir ve arka plan gürültüsünden ayırt edilemez. Bu olayların zamanlamasını geri kazanmak, her ciddi EEG araştırması için başlangıç noktasıdır ve Kısa Zamanlı Fourier Dönüşümü'nün (STFT) çözmek üzere tasarlandığı sorun da tam olarak budur.
Standart Fourier Dönüşümünün Sorunu
Standart Fourier dönüşümü, karmaşık sinyalleri saf sinüzoidlerin toplamına etkili bir şekilde ayrıştırdığı için klasik sinyal işlemenin temel direklerinden biridir. Sonsuz zaman üzerinden integrasyon alarak, bir kayıtta bulunan toplam frekans içeriğini ortaya çıkarır.
Ancak bu yöntem, sinyalin durağan olduğunu varsayar; frekans bileşimi zaman içinde değişirse, tipik çıktı zamansal sırayı gizler. Bu sınırlama, kısa ve patlamalı bir olay ile sürekli bir harmonik arasında ayrım yapmayı imkânsız hale getirir; bu da nörobilim gibi alanlarda hayati öneme sahiptir.
EEG Analizinde Kısa Zamanlı Fourier Dönüşümü Nedir?
STFT, zamanlama sorununa oldukça doğrudan bir stratejiyle yaklaşır. Tüm bir EEG kaydında Fourier Dönüşümünü tek seferde çalıştırmak yerine, sinyali genellikle pencere olarak adlandırılan kısa, ardışık segmentlere böler ve Fourier Dönüşümünü her birine ayrı ayrı uygular. Her pencere kendi minyatür frekans anlık görüntüsünü üretir ve bu anlık görüntülerin sırayla birleştirilmesi, frekans içeriğinin zaman içinde nasıl değiştiğine dair hareketli bir resim oluşturur.
Bu sürecin çıktısı genellikle bir spektrogram olarak görüntülenir; bu, bir eksende zamanın, diğer eksende ise frekansın yer aldığı görsel bir haritadır. Bu haritadaki herhangi bir noktadaki renk veya yoğunluk, o andaki frekansın gücünü veya şiddetini temsil eder. STFT analizinin sağlamak üzere tasarlandığı değer tam olarak budur.
Zabidi ve arkadaşlarının belirttiği gibi, STFT analizi “her zaman noktasında EEG sinyallerinin frekans içeriklerini ortaya çıkarmaya” yarar.
Pencere Uzunluğu Neden STFT'deki En Önemli Ayardır?
Bir sinyali pencerelere bölmek kulağa basit gelir, ancak her pencere için seçilen uzunluk, ortaya çıkan spektrogramın kalitesi ve doğruluğu hakkında neredeyse her şeyi belirler. Bu karar, kaçınılamayan, yalnızca yönetilebilen bir ödünleşimi (trade-off) içerir.
Bunu şu şekilde düşünün: Uzun bir pencere, hassas bir frekans cetveli gibi davranır ancak bulanık bir kronometre gibidir. Daha fazla veri noktası içerdiğinden, uzun bir pencere birbirine yakın frekansları gerçek bir doğrulukla ayırt edebilir. Ancak daha uzun bir zaman dilimine yayıldığı için, o pencerenin içinde gerçekleşen herhangi bir olay dağılır ve bir şeyin tam olarak ne zaman değiştiğini kesin olarak belirleme yeteneğini kaybedersiniz.
Kısa bir pencere bu ödünleşimi tersine çevirir. Hassas bir kronometre gibi davranır ancak bulanık bir frekans cetveli gibidir. Bir şeyin neredeyse tam olarak ne zaman gerçekleştiğini söyleyebilir, ancak birbirine yakın duran frekansları ayırmakta zorlanır; çünkü sinyalin kısa bir kesiti, frekansı ince ayrıntılarla ölçecek yeterli salınım döngüsü içermez.
Bu, tüm zaman-frekans analizlerini yöneten belirsizlik ilkesinin bir versiyonudur: Aynı anda hem zamanda hem de frekansta mükemmel çözünürlük elde edemezsiniz. Birini geliştirmek her zaman diğerinden bir miktar ödün vermeyi gerektirir. Bunu alt etmeye çalışmak yerine bu ödünleşimi kabul etmek, STFT ile çalışmanın temel becerisidir.
Farklı EEG ritimleri çok farklı hızlarda salındığından, tek bir pencere uzunluğu hepsi için iyi sonuç vermez. Aşağıdaki yönergeler, bu ritimlerin genellikle nasıl davrandığına dayanan pratik başlangıç kurallarıdır:
Delta dalgaları (yaklaşık 0,5 ila 4 Hz): Bunlar en yavaş beyin ritimleridir ve ölçülen en yavaş dalganın en az bir tam döngüsünü yakalamak için bir pencerenin genellikle 1 ila 2 saniye aralığında yeterince uzun olması gerekir. Daha kısa bir pencere, dalgayı karakterize etmek için yeterli kısmını barındırmayacaktır.
Teta ve alfa ritimleri (yaklaşık 4 ila 13 Hz): Genellikle 500 milisaniye civarındaki bir ara pencere, uygulanabilir bir denge kurma eğilimindedir. Ritmi net bir şekilde tanımlamaya yardımcı olan birkaç salınım döngüsünü yakalayacak kadar uzun, aynı zamanda gözler kapandığında bir alfa patlamasının başlaması gibi anlamlı değişiklikleri takip edecek kadar kısadır.
Beta ve gama ritimleri (yaklaşık 13 Hz üzeri): Bu daha hızlı ritimler çabuk hareket eder, bu nedenle hızlı dinamiklerini takip etmek için genellikle 250 milisaniye veya daha kısa bir pencere gerekli hale gelir. Buradaki bedel, yukarıda açıklanan aynı ödünleşimin doğrudan bir sonucu olarak, daha yüksek gama aralığındaki birbirine yakın frekanslar arasında kesin bir ayrım yapma yeteneğinin azalmasıdır.
STFT Gerçek ve Hayal Edilen Hareket Arasındaki Farkları Nasıl Ortaya Çıkarır?
STFT'nin pratik değeri, amacın beyin aktivitesini doğrudan bir cihaz için kontrol sinyallerine dönüştürmek olduğu beyin-bilgisayar arayüzü (BCI) araştırmalarında en net şekilde ortaya çıkar.
İyi çalışılmış bir örnek, bir kişi elini hareket ettirdiğini hayal ederken kaydedilen EEG'nin bir ayak hareketini hayal ederken kaydedilen EEG ile karşılaştırılmasını veya hayal edilen eylemlerin bu eylemin gerçek fiziksel versiyonuyla karşılaştırılmasını içerir.
Motorla ilgili bu paradigmalarda, yaygın bir analiz hedefi, olayla ilişkili senkronizasyon bozulması (event-related desynchronization - ERD) adı verilen ve beynin hareketle ilişkili bölgelerinde mu ve beta ritmi aralıklarında sinyal gücünde meydana gelen bir düşüştür. ERD, sabit bir arka plan özelliğinden ziyade zamana kilitli belirli bir güç düşüşü olduğundan, tüm kaydın frekans özetinin sileceği ve zamana göre çözümlenmiş bir spektrogramın yakalayabileceği tam da bu tür bir olaydır.
Zabidi ve arkadaşlarının STFT'yi doğrudan bu soruya uygulayan araştırma çalışması, gerçek el yazısı sırasında ve hayal edilen el yazısı sırasında toplanan EEG'yi inceledi. STFT ayarlanmış bir Hamming penceresiyle hesaplanmadan önce, sinyal ilk olarak analizi motor aktiviteyle en ilgili alfa ve beta ritimlerini kapsayan 8 ila 30 Hz aralığıyla sınırlandıran bir bant geçiren filtreden geçirildi.
Sonuç doğrudan ve spesifik bir bulguydu: “Yazma eyleminden elde edilen EEG sinyallerinin frekans bileşenleri, hayal edilen yazma sırasında elde edilenlerle aynıdır”.
Pratik açıdan, hayal edilen bir eylem sırasındaki beynin elektriksel ritim paterni, gerçek fiziksel eylem sırasındaki paternle yakından benziyordu; bu korelasyon, gerçek bir fiziksel hareket gerektirmeden amaçlanan hareketi tespit etmeyi amaçlayan BCI sistemlerinin ardındaki mantığın çoğunun temelini oluşturur.
Derin Öğrenme Modelleri İçin Görüntüler Oluşturmada STFT Kullanımı
Görsel incelemenin ötesinde, STFT tarafından üretilen spektrogramlar, derin öğrenme sistemlerine ve özellikle başlangıçta görüntülerdeki desenleri tanımak için oluşturulmuş bir model türü olan Evrişimli Sinir Ağlarına (CNN'ler) beslenen bir ön işleme adımı olarak ikinci bir hayat buldu. Bir spektrogram esasen zaman ve frekans boyunca gücü gösteren renkli bir görüntü olduğundan, araştırmacılar bunun doğrudan görüntü tabanlı bir derin öğrenme modeline verilebileceğine ve modelin daha sonra verilerde elle belirtilmesi zor olan gizli yapıyı tespit edebileceğine inanıyor.
2019 yılında yapılan bir çalışmada, bir motor imgeleme görevinden (sağ el hareketini sağ ayak hareketinden ayırt eden) elde edilen EEG kayıtları hem STFT hem de alternatif bir zaman-frekans yaklaşımı kullanılarak görüntülere dönüştürüldü ve ardından her iki görüntü seti de önceden eğitilmiş bir CNN mimarisine beslendi.
Her iki yaklaşımda da performans güçlüydü; genel iş akışı %99,35 sınıflandırma doğruluğuna ulaştı ve mevcut karşılaştırılabilir yöntemler arasındaki en iyi puan olarak tanımlandı. Bununla birlikte, iki görüntü oluşturma yöntemi aynı çalışma içinde doğrudan birbiriyle karşılaştırıldığında sonuçlar eşit değildi: “CWT yaklaşımı STFT yaklaşımından daha iyi sonuçlar vermektedir”; bu da her bir yöntemin altta yatan EEG sinyalini kullanılabilir bir görüntüye ne kadar aslına sadık kalarak dönüştürdüğü konusunda gerçek ve ölçülmüş bir ödünleşime işaret etmektedir.
Bu ödünleşimin, ayrı bir metodolojik gelişmenin ardındaki motive edici sorun olduğu bildirildi. Araştırmacılar, “STFT'nin sunduğu zamansal ve spektral çözünürlük arasındaki ödünleşimi en aza indirdiği için STFT'nin gelişmiş bir versiyonu” olarak tanımlanan anchored-STFT (demirlemiş STFT) adını verdikleri bir yöntem geliştirdiler.
Çekişmeli bir veri artırma yöntemiyle eşleştirilen bu geliştirilmiş iş akışı, çeşitli BCI veri kümelerinde yaklaşık %69'dan %90'ın üzerine kadar sınıflandırma doğrulukları bildirdi. Bu durum, yalın STFT'nin gerçekten yetenekli bir öznitelik çıkarma aracı olarak hizmet edebileceği, ancak bilinen çözünürlük sınırlamalarının ister parametre ayarlaması ister tekniğin geliştirilmiş bir versiyonu veya tamamen farklı bir zaman-frekans yaklaşımı yoluyla olsun, iyileştirmeye yer bıraktığı modelini pekiştirdi.
Araştırmalar Motor İmgeleme Sınıflandırmasına Kısa Zamanlı Fourier Dönüşümünü Nasıl Uyguluyor?
Yakın zamanda yapılan bir çalışma, kısa zamanlı Fourier dönüşümünü görselleştirme aşamasının ötesine taşıyarak çalışan bir sınıflandırma işlem hattına dahil ediyor. Yukarıda açıklanan önceki çalışmada olduğu gibi, başlangıç noktası bir kişinin elini fiziksel olarak hareket ettirmek yerine hareket ettirdiğini hayal ettiği bir motor imgeleme görevidir.
Yazarlar, Optimize Edilmiş Kısa Zamanlı Fourier Dönüşümü olarak adlandırdıkları yapı üzerine inşa edilmiş, AMD-KT2D adını verdikleri bir çerçeveyi açıklıyorlar. Tek bir sabit pencere ayarına bağlı kalmak yerine bu varyant, sabit bir yapılandırmanın dağıtabileceği veya kaybedebileceği dinamik zamansal ve uzamsal özellikleri koruma amacıyla pencereleme işlevini ve zaman-frekans çözünürlüğünü birlikte ayarlar.
Elde edilen 2D zaman-frekans görüntüleri daha sonra bir rehber-öğrenici mimarisine aktarılır: Büyük ölçekli bir veri kümesinde önceden eğitilmiş bir Geliştirilmiş ResNet50, üst düzey uzamsal-zamansal özellikleri çıkarırken, Özelleştirilmiş bir 2D Evrişimli Sinir Ağı çok ölçekli özellikleri yakalar. İkisi arasındaki uyumsuzluğu azaltmak ve özelliklerini hizalamak için bir Uyarlanabilir Marj Eşitsizlik Uyuşmazlığı (Adaptive Margin Disparity Discrepancy) kayıp fonksiyonu kullanılır.
Sol ve sağ el motor imgeleme görevi için EEG kayıtları Emotiv Flex sistemi ile toplandı. Bu veri kümesinde, hibrit motor imgeleme sınıflandırıcısının deneğe bağlı bir ortamda %96,75, denekten bağımsız bir ortamda ise %92,17 doğruluğa ulaştığı bildirildi. Bu iki rakam arasındaki fark dikkat çekicidir: Aynı birey içinde ölçülen performans, modelin üzerinde eğitilmediği bir kişiye otomatik olarak aktarılmaz.
Bu makalede tartışılan diğer çalışmalarla birlikte ele alındığında bu çalışma, kısa zamanlı Fourier dönüşümü ile üretilen spektrogramların motor imgeleme kod çözümünü amaçlayan derin öğrenme modelleri için uygulanabilir bir girdi olduğuna işaret etmektedir. Bu araştırma külliyatının henüz ortaya koyamadığı şey ise genellenebilirliktir. Bu, tek bir veri kümesinde, tek bir göreve ve bir grup katılımcıya bağlı doğruluk rakamlarıyla gerçekleştirilen tek bir çalışmadır ve bildirilen yöntem, standart formdan ziyade dönüşümün ayarlanmış bir versiyonuna dayanmaktadır.
Bu sonuçlar, daha geniş anlamda EEG tabanlı arayüzler için kesinleşmiş bir performans olarak değil, kendi ortamı içinde umut verici olarak okunmalıdır.
STFT Yetersiz Kaldığında: Sabit Çözünürlük Sorunu
Yukarıda tartışılan ödünleşim, STFT kullanan herhangi bir araştırmacının bir spektrogramdan sonuç çıkarmadan önce eleştirel bir şekilde tartması gereken merkezi sınırlamadır.
Bir pencere uzunluğu seçildiğinde (örneğin 500 milisaniye), araştırmacı ister yavaş 2 Hz delta aktivitesine ister hızlı 100 Hz gama aktivitesine bakıyor olsun, aynı pencere analiz edilen tüm frekans spektrumuna tekdüze olarak uygulanır. Pencere kendini ayarlamaz. Daha önce açıklanan zaman-frekans ödünleşimi, farklı ritimler ideal olarak farklı ayarlardan faydalanacak olsa bile, tüm analiz için tek bir ayara kilitlenir.
Bu sabit yapı, STFT'yi dalgacık tabanlı yöntemler gibi uyarlanabilir teknikler kategorisinden ayıran şeydir. Her frekans için tek bir pencere boyutuna kilitlenmek yerine, uyarlanabilir yöntemler tüm sinyal için tek bir uzlaşmaya varmak yerine, tek bir analiz içinde çözünürlüğü gerektiği gibi ayarlayarak düşük frekanslar için etkili bir şekilde daha uzun pencereler ve daha yüksek frekanslar için daha kısa pencereler kullanır.
Örneğin, Wang ve arkadaşlarının liderliğinde uyarlanabilir bir zaman-frekans yöntemi geliştiren bir çalışma, yaklaşımlarının “STFT ve CWT'ye kıyasla optimal zaman-frekans çözünürlüğü sağlayabildiğini” bildirdi ve STFT'yi geride bırakılan temel referans noktası olarak açıkça adlandırdı.
Majör Depresif Bozuklukta tedavi öncesi EEG verilerinden antidepresan tedavi sonuçlarını tahmin eden ayrı bir klinik uygulamada, araştırmacılar dalgacık tabanlı bir yaklaşımı doğrudan STFT ve başka bir ayrıştırma yöntemiyle karşılaştırdılar ve alternatiflere kıyasla %87,5 doğruluğa ulaşarak “WT analizinin karşılaştırılan teknikler arasında en yüksek sınıflandırma doğruluğunu gösterdiğini” bildirdiler.
EEG Spektrogramı Oluşturma ve Değerlendirme İçin Adım Adım İş Akışı
Bu güçlü yönler ve sınırlamalar göz önüne alındığında, disiplinli bir iş akışı STFT'nin uygun şekilde uygulanmasını ve çıktısının dürüstçe yorumlanmasını sağlamaya yardımcı olur.
1. Adım: Veriye dokunmadan önce soruyu tanımlayın. Amaç hızlı, kısa bir gama patlamasını tespit etmek mi, yoksa dakikalar boyunca delta gücündeki yavaş bir kaymayı izlemek mi? Yanıt, pencere uzunluğu ödünleşiminin hangi ucunun en önemli olduğunu belirler.
2. Adım: Hedef ritimle eşleşen bir başlangıç pencere uzunluğu seçin. Başlangıç noktası olarak yukarıdaki pratik yönergeleri kullanın: Delta için daha uzun pencereler, teta ve alfa için ara pencereler, beta ve gama için daha kısa pencereler. Bunu, ardışık pencereler arasında genellikle %50 ile %90 arasında bir örtüşme olan örtüşen bir pencere şemasıyla eşleştirin; bu, ortaya çıkan spektrogramı yumuşatır ve zaman dilimleri arasındaki yapay boşlukların görünümünü azaltır.
3. Adım: Spektrogramı oluşturun ve eleştirel bir gözle inceleyin. Seçilen pencere uzunluğu, ilgilenilen hızlı bir ritim için net ve keskin bir başlangıç gösteriyor mu, yoksa olay olması gerekenden daha geniş bir zaman dilimine yayılmış gibi mi görünüyor? Spektrogram bir alfa tepe noktasını komşu bir teta tepe noktasından net bir şekilde ayırt edebiliyor mu, yoksa iki ritim birbirine karışıyor mu? Bu görsel kontroller, seçilen pencere uzunluğunun veriler için uygun olup olmadığının doğrudan, pratik bir testidir.
4. Adım: Sonucu nihai bir karar olarak değil, olası birkaç görünümden biri olarak ele alın. İki deney grubu arasında ölçülebilir bir gama farkının olmaması gibi olumsuz bir bulgu, etkinin gerçekten yokluğunu yansıtabileceği gibi, seçilen belirli STFT penceresinin çözünürlük sınırlarını da yansıtabilir. Belirsiz veya önemli bir bulguyu doğrulamak için makul bir sonraki adım, bir çapraz kontrol olarak uyarlanabilir bir yöntem kullanarak aynı verileri yeniden analiz etmektir.
Beyin Ritimlerinin Ne Zaman Çalıştığını Takip Etmek Neden Yeni İçgörüler Sağlar?
Beyin aktivitesi, zamanlanmış olayların bir dizisidir ve bu zamanlamayı kurtarmak, düz bir kaydı değişen zihinsel durumların gerçek zamanlı bir anlatımına dönüştürür. Araştırmacılar, tek bir frekans özetinden anbean bir haritaya geçerek belirli düşünceleri, niyetleri veya hisleri doğrudan onlara eşlik eden beyin ritimlerine bağlayabilirler. Bu değişim, EEG'yi statik bir ölçümden beyin-bilgisayar arayüzlerini destekleyebilen ve zihinsel kalıpları tanımayı öğrenen derin öğrenme modellerini besleyebilen bir araca dönüştüren şeydir.
Yöntemin sabit çözünürlüklü ödünleşimi daha geniş bir ders içerir: Her analitik seçim bazı gerçekleri vurgularken potansiyel olarak diğerlerini bulanıklaştırır, bu nedenle tek bir sonuç tüm hikayeyi anlatmaz. Bu durum, bulgular önemli olduğunda diğer yaklaşımlarla çapraz kontrol yapılmasını gerektirir ve beynin elektriksel kalıplarının —hayal edilen ve gerçek hareket arasında görülen yakın eşleşme gibi— derinlemesine katmanlı olduğunu pekiştirir. Altta yatan bu benzerlik, beynin eylemleri gerçekleştirmek için kullandığı ritmik imzaların birçoğunu kullanarak eylemlerin provasını yaptığı fikrini destekler.
Referanslar
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
Sıkça Sorulan Sorular
EEG analizinde Kısa Zamanlı Fourier Dönüşümü nedir?
Kısa Zamanlı Fourier Dönüşümü (STFT), ham EEG sinyalini kısa, ardışık zaman pencerelerine böler ve her biri için bir frekans spektrumu hesaplar. Bu anlık görüntüleri sırayla üst üste koymak, farklı beyin ritimlerinin gücünün andan ana nasıl değiştiğini gösteren spektrogram adı verilen hareketli bir resim oluşturur.
Bir EEG kaydında neden doğrudan normal bir Fourier Dönüşümü kullanamıyorum?
Temel bir Fourier Dönüşümü, tüm kaydı bileşen frekanslarına ayırır ancak tüm zamanlama bilgilerini siler; böylece genel olarak hangi ritimlerin mevcut olduğunu bilirsiniz ancak ne zaman ortaya çıktıklarını bilemezsiniz. STFT, kısa segmentleri ayrı ayrı analiz ederek bu zamanlamayı geri kazanır ve bir alfa patlamasının veya beta gücündeki bir düşüşün gerçekte ne zaman meydana geldiğini görmenizi sağlar.
Bir spektrogram ne gösterir?
Bir spektrogram, bir eksende zamanın, diğer eksende frekansın olduğu ve renk veya parlaklığın o andaki her frekansın gücünü temsil ettiği görsel bir haritadır. EEG'yi düz bir özetten beynin elektriksel aktivitesinin müzik notası gibi bir şeye dönüştürür.
Pencere uzunluğu neden bu kadar önemlidir?
Daha uzun pencereler kesin frekans bilgisi verir ancak olayların kesin zamanlamasını bulanıklaştırır; daha kısa pencereler ise zamanlamayı iyi belirler ancak birbirine yakın frekansları birbirine bulaştırır. Bu kaçınılmaz ödünleşim, pencere uzunluğu seçiminin bir spektrogramın neyi ortaya çıkarabileceğini ve neyi gizleyeceğini doğrudan şekillendirdiği anlamına gelir.
Farklı beyin ritimleri için iyi bir başlangıç noktası olan pencere uzunlukları nelerdir?
Çok yavaş delta ritimleri için tam döngüleri yakalamak adına yaklaşık bir ila iki saniyelik daha uzun bir pencere gerekir. Teta ve alfa ritimleri genellikle yaklaşık yarım saniyelik bir pencereyle iyi bir şekilde analiz edilir ve daha hızlı beta ve gama ritimleri, hızlı değişimlerini izlemek için yaklaşık çeyrek saniye veya daha kısa pencereler gerektirir.
STFT gerçek ve hayal edilen hareket arasındaki benzerlikleri nasıl ortaya çıkarabilir?
STFT, hem bir kişi hareket ettiğinde hem de aynı hareketi zihinsel olarak hayal ettiğinde ortaya çıkan, mu ve beta bantlarında olayla ilişkili senkronizasyon bozulması adı verilen zamana kilitli güç düşüşlerini yakalar. Gerçek ve hayal edilen motor görevlerin spektrogramları neredeyse aynı frekans modellerini gösterebilir ve bu da beyin-bilgisayar arayüzlerinin mantığını destekler.
STFT derin öğrenme modelleriyle kullanılabilir mi?
Evet, STFT tarafından üretilen spektrogram görüntüleri, görüntü tanıma için tasarlanmış evrişimli sinir ağlarına doğrudan beslenebilir. Bu modeller, zaman-frekans kalıplarından beyin durumlarını ayırt etmeyi öğrenebilir ve genellikle motor imgeleme tespiti gibi görevlerde çok yüksek sınıflandırma doğruluğu elde edebilir.
Diğer zaman-frekans yöntemlerine kıyasla STFT'nin temel sınırlaması nedir?
STFT tüm frekanslar için tek bir pencere boyutuna kilitlenir; bu da aynı anda hem hızlı patlamalar için keskin zaman ayrıntısı hem de yavaş dalgalar için ince frekans ayrıntısı veremeyeceği anlamına gelir. Dalgacıklar gibi uyarlanabilir teknikler, etkili pencere uzunluğunu frekansa göre değiştirir ve bu da doğrudan karşılaştırmalarda genellikle daha iyi çözünürlüğe ve daha yüksek sınıflandırma performansına yol açar.
EEG verilerinde STFT kullanırken iyi bir adım adım yaklaşım nedir?
İlgilendiğiniz ritimle bir başlangıç pencere uzunluğunu eşleştirerek başlayın, spektrogramı yumuşatmak için örtüşen pencereler kullanın ve olayların keskin bir şekilde zamanlanmış mı yoksa dağılmış mı göründüğünü görmek için sonucu inceleyin. Bulgu kritikse, tek bir STFT ayarı yalnızca bir tür çözünürlüğü destekleyebileceğinden, verileri uyarlanabilir bir yöntemle çapraz kontrol etmeyi düşünün.
Emotiv, erişilebilir EEG ve beyin verisi araçları aracılığıyla sinirbilim araştırmalarının ilerlemesine yardımcı olan bir nöroteknoloji lideridir.
Tıbbi Sorumluluk Reddi: Bu web sitesinde sunulan bilgiler yalnızca eğitim ve bilgilendirme amaçlıdır; tıbbi veya sağlık tavsiyesi niteliği taşımamaktadır. Bu içerik hatalar barındırabilir ve hayati önem taşıyan sağlık, tıbbi veya yaşam tarzı seçimleri yapmak için temel alınmamalıdır. Tıbbi bir durum veya tedaviyle ilgili sorularınız için her zaman hekiminizin veya diğer nitelikli sağlık uzmanınızın tavsiyesine başvurun.
Christian Burgos




