Nöral osilasyonlar, beyin genelinde hafıza, hareket ve duyusal işlemeyi destekleyen ritmik elektriksel aktivite kalıplarıdır. Ancak bu osilasyonlar, elektroensefalogram (EEG) kayıtları kullanılarak saç derisinde yakalandığında, gürültülü ve sürekli değişen bir sinyalin içinde gömülü olarak gelirler.
Herhangi tek bir elektrottan alınan ham voltaj izi, kas aktivitesi, çevresel parazit ve arka plan elektriksel gürültüsünün üzerine binen binlerce nöral kaynağın birleşik aktivitesini yansıtır. Bu karışımdan temiz bir osilasyon çıkarmak, kaydı frekans bileşenlerine ayırabilen bir yöntem gerektirir.
Geçici Verileri ve Frekansları Anlamak
Geçici veriler, bir sistemin belirlenen bir süre boyunca nasıl geliştiğini yansıtan, belirli zaman damgalarıyla dizinlenmiş sürekli bir gözlem kaydı olarak var olur.
Bu durum, nörobilim bağlamında, beyin dinamiğini anlamak için tipik olarak saç derisinden elektrik potansiyellerinin kaydedilmesini içerir. Bu veri kümeleri nadiren statiktir; eyleme geçirilebilir Insight'lar elde etmek için dikkatli bir yorumlama gerektiren ritmik sinyallerin ve stokastik dalgalanmaların bir karışımını içerirler.
Geçici Veri Nedir?
Geçici veri veya zaman serisi verisi, tutarlı aralıklarla ardışık olarak alınan ölçümleri temsil eder. Bu verinin yararlılığı, tespit edilebilir değişikliklerin çözünürlüğünü belirleyen örnekleme frekansına ve gözlem penceresinin uzunluğuna bağlıdır.
Araştırmacılar, sistem kararlılığını değerlendirmek ve uzun süreler boyunca devam eden eğilimleri belirlemek için bu dizileri inceler.
Verilerdeki Frekans Kavramı
Frekanslar, periyodik kalıpların bir zaman serisi içinde tekrarlanma hızını ifade eder ve genellikle saniyedeki döngü sayısı olarak ölçülür. Analistler, bu ritimleri değerlendirerek verileri yönlendiren temel süreçleri sınıflandırabilirler.
Aşağıdaki liste, insan biyolojik izleme uygulamalarında sıklıkla gözlemlenen temel frekans bantlarını özetlemektedir:
Delta dalgaları: Tipik olarak derin, yenileyici uyku evreleriyle ilişkilendirilir.
Teta dalgaları: Sıklıkla hafif uyku veya meditatif durumlar sırasında gözlemlenir.
Alfa dalgaları: Karakteristik olarak sessiz, uyanık gevşeme sırasında yaygındır.
Beta dalgaları: Genellikle aktif bilişsel konsantrasyon ve uyanıklık ile bağlantılıdır.
Gama dalgaları: Üst düzey işleme ve entegrasyon görevleriyle ilişkilendirilir.
Bu sınıflandırma, durumların kesin bir şekilde haritalandırılmasına olanak tanıyarak araştırmacıların fizyolojik belirteçler ile arka plan değişkenliği arasında ayrım yapmasına yardımcı olur.
Geçici Veriler Neden Frekanslarına Ayrıştırılır?
Ayrıştırma, ham, gürültülü bir sinyali farklı bileşen parçalarına ayırarak analitik bir mercek görevi görür. Bu yapısal çözülme olmaksızın, farklı beyin ritimleri arasındaki karmaşık etkileşimler toplam genlik içinde gömülü kalır. Araştırmacılar, bu bileşenleri izole ederek belirli sinirsel salınımları bağımsız olarak analiz edebilir ve bilişsel durumların gerçek karmaşıklığını ortaya çıkarabilir.
Kalıpları ve Döngüleri Tanımlama
Geçici veriler içindeki kalıp tanıma, belirli uyaranlar veya görevler altında tekrarlanan tutarlı sinirsel döngülerin tanımlanmasına olanak tanır. Bu döngülerin belirlenmesi, sağlıklı beyin aktivitesini sapan kalıplardan ayıran temel metrikleri sağlar.
Bir kalıp ayrıştırma yoluyla izole edildiğinde, onun ortaya çıkışını ve süresini daha yüksek istatistiksel güvenle takip etmek mümkün hale gelir.
Gürültü Azaltma ve Sinyal İyileştirme
Fizyolojik kayıtlardan 60Hz güç hattı paraziti gibi çevresel artefaktların giderilmesi için etkili sinyal işleme şarttır. Araştırmacılar, meşru biyolojik verilerin frekans sınırlarını tanımlayarak istenmeyen sinyal bileşenlerini ortadan kaldırmak için filtreler uygularlar.
Bu sinyal çıkarma süreci, temel verilerin daha fazla tanısal inceleme için netliğini temelden güçlendirir.
Tahmin ve Öngörücü Modelleme
Öngörücü modeller, sistem değişimlerini veya olay tetikleyicilerini tam genlikte ortaya çıkmadan önce tahmin etmek için ayrıştırılmış segmentlerden yararlanır. Bu modeller, zaman serisinin gelecekteki gelişimini projelendirmek için tanımlanan frekans bileşenlerinin kararlılığına dayanır.
Bu yetenek, hem proaktif klinik izlemeyi hem de uzun vadeli beyin plastisitesi üzerine deneysel araştırmaları destekler.
Geçici Veri Ayrıştırmada Temel Teknikler
Ayrıştırma, dönüştürülen verilerin orijinal sinirsel aktiviteyi temsil etmeye devam etmesini sağlamak için matematiksel titizlik gerektirir.
Birkaç kökleşmiş metodoloji, yakalanan sinyallerin çözünürlüğüne ve kararlılığına bağlı olarak benzersiz avantajlar sunar. Uygun bir aracın seçilmesi, hesaplama talebinin hem geçici hem de spektral hassasiyet gerekliliğiyle dengelenmesini gerektirir.
Fourier Dönüşümü Yöntemleri
Fourier analizi, zaman alanındaki sinyalleri frekans alanındaki eşdeğerleriyle haritalandırmak için temel bir yaklaşım işlevi görür. Bu yöntem, durağan frekans bileşenlerini tanımlamada mükemmeldir, ancak zamanla değişen geçici sinyalleri analiz ederken sınırlarla karşılaşır.
Aşağıdaki tablo, güncel araştırma ortamlarında uygulanan başlıca ayrıştırma tekniklerinin bir karşılaştırmasını sunmaktadır:
Teknik | Birincil Güçlü Yön | Sınırlılık |
|---|---|---|
Fourier Dönüşümü | Yüksek frekans hassasiyeti | Zayıf geçici lokalizasyon |
Dalgacık Dönüşümü | Zaman-frekans dengesi | Hesaplama karmaşıklığı |
Tekil Spektrum Analizi | Veriye dayalı ayrıştırma | Gürültüye karşı hassasiyet |
Dalgacık Dönüşümleri
Dalgacık dönüşümleri, sinyali taramak için bir ana dalgacığı genişleterek ve kaydırarak çoklu çözünürlüklü bir analiz sağlar.
Fourier yöntemlerinin aksine bu yaklaşım, hem zaman hem de frekansta lokalize bilgileri korur, bu da onu EEG ölçümünde yaygın olan geçici elektriksel tepe noktalarını yakalamak için uygun hale getirir. Bu adaptasyon yeteneği, geleneksel spektral yöntemlerin hızlı veri geçişleri sırasında gözden kaçırabileceği durağan olmayan özellikleri belirlemek için hayati önem taşır.
Tekil Spektrum Analizi (SSA)
Tekil Spektrum Analizi, verinin kendi yapısına dayanarak bir zaman serisini trend, salınım ve gürültü bileşenlerine ayıran parametrik olmayan bir yaklaşım sunar. SSA, zaman serisini çok boyutlu bir alana yerleştirerek ve tekil değer ayrıştırması gerçekleştirerek en önemli yapısal kalıpları çıkarır.
Bu, temel üretim süreci bilinmediğinde veya oldukça doğrusal olmadığında bile sinyallerin iyileştirilmesine olanak tanır.
Fourier Dönüşümü EEG Sinyallerini Nasıl Çözümler?
Frekans analizinin klasik başlangıç noktası, bir sinyali farklı frekanslardaki sinüs dalgalarının toplamına ayıran matematiksel bir işlem olan Fourier dönüşümüdür.
Saf matematiksel formunda Fourier dönüşümü, istatistiksel özellikleri hiçbir zaman değişmeyen sonsuz bir sinyal varsayar; bu, gerçek EEG kayıtlarının asla karşılamadığı bir durumdur. Pratikte araştırmacılar, kaydın genellikle birkaç saniye uzunluğundaki kısa, pencereli bölümlerine ayrık Fourier dönüşümü (DFT) uygulayarak ve bu pencere içindeki her bir frekansta ne kadar sinyal gücü bulunduğunu nicelleştiren güç spektral yoğunluğunu (PSD) tahmin etmek için bu sonucu kullanarak bu sorunun etrafından dolaşırlar.
Bu geçici çözüm iki temel varsayımla birlikte gelir:
İlk olarak sinyal, seçilen pencere süresince durağanmış gibi ele alınır, yani frekans içeriğinin bu zaman dilimi içinde değişmediği varsayılır.
İkinci olarak sinyal, sabit sinüs dalgalarının doğrusal bir toplamı olarak modellenir; bu, pürüzsüz, periyodik aktiviteler için iyi çalışan ancak ani kaymalar veya sinüzoidal olmayan şekillerle karşılaşınca zorlanan bir yaklaşımdır.
Bu basitleştirmelere rağmen, PSD tabanlı yaklaşımlar pratikte yararlı olduklarını defalarca kanıtlamıştır.
Örneğin, motor hayal gücü sınıflandırması için spektral özellik çıkarma yöntemlerinin karşılaştırmalı bir analizi, PSD tekniklerinin, sol el hareket hayalini sağ el hareket hayalinden ayırt etmek için ayırt edici spektral kalıpları çıkarmada tutarlı bir şekilde en kararlı ve etkili yöntemler olduğunu, iki kayıt seansı boyunca on bir denek üzerinde değerlendirildiğinde ortaya koymuştur.
Ayrıca, uyuşukluk tespitine odaklanan bağımsız bir çalışma da bu modeli desteklemektedir. Araştırmacılar tek bir EEG kanalı kullanarak, merkezi frekans, spektral gücün dörtte birinin altına düştüğü frekans, toplam spektral enerji ve teta ile alfa bantlarındaki güç dahil olmak üzere PSD ölçümlerini dalgacık tabanlı özelliklerle birleştiren bir özellik seti oluşturmuşlardır.
Bu birleşik yaklaşım, uyuşukluk nöbetlerini yüzde 86.5 doğrulukla ve uyanıklık bölümlerini yüzde 81.7 doğrulukla tespit etmiştir. Bu özellik setinin PSD bileşeni, milisaniyelik bir salınım olayından ziyade, zihinsel durumlar arasındaki geniş geçiş türünü, yani spektral içerikteki kaba, duruma bağlı kaymaları takip ediyordur.
Bu iki çalışma birlikte, PSD tahmininin, durağanlık varsayımına rağmen, bu kalıpları üreten sinyal dinamik olsa bile, değişen beyin durumlarına bağlı anlamlı spektral kalıpları yakalama yeteneğine sahip olduğunu göstermektedir.
Ampirik Mod Ayrıştırma ve Uyarlanabilir Alternatifi
Ampirik Mod Ayrıştırma (EMD) tamamen farklı bir yaklaşım benimser. EMD, bir sinyali önceden tanımlanmış bir sinüs dalgası temeline zorlamak yerine, sinyalin kendisini içsel mod fonksiyonları (IMF) adı verilen bir dizi bileşene uyarlanabilir şekilde eler.
Her bir IMF, doğrudan verinin kendi salınım yapısından çıkarılır ve bu, prensipte yöntemin, sinyalin istatistiksel olarak hareketsiz kalmasını gerektirmeden genlik ve frekanstaki anlık değişiklikleri izlemesini sağlar.
EMD'nin, tek bir IMF'nin birden fazla gerçek frekans bandından salınımlar içermesiyle sonuçlanan mod karışması eğilimi ve ayrıştırmayı bozabilecek gürültü hassasiyeti dahil olmak üzere bilinen dezavantajları taşıdığı unutulmamalıdır.
İlişkili bir teknik olan Varyasyonel Mod Ayrıştırma (VMD), kısmen bu kararsızlık sorunlarını çözmek için geliştirilmiştir. VMD, standart EMD'den daha kararlı sonuçlar üretme eğiliminde olan daha kısıtlı bir matematiksel formülasyon kullanarak, her biri belirli bir frekans üzerinde merkezlenmiş, bant sınırlı modları çıkarır.
2019 tarihli bir araştırma çalışması, EEG kayıtlarında epileptik nöbet olaylarını tespit etmek için VMD'yi belirli bir frekans modunun düzensizliğini nicelleştiren mod spektral entropisi adı verilen bir ölçümle birlikte uygulamıştır. Kanal seçimi için temel bileşen analizi içeren bir ön işleme adımından sonra yöntem, Bonn EEG veritabanında yüzde 98 ila 100 doğruluğa ulaşmıştır. Daha zorlu CHB-MIT veri kümesinde ise ortalama yüzde 88.55 hassasiyet, yüzde 94.86 özgüllük ve yüzde 72.92 doğruluk üretmiştir.
Bu sonuç, mod tabanlı ayrıştırmaların son derece durağan olmayan, geçici sinirsel olayları başarıyla yönetebildiğini göstermektedir, çünkü bir nöbet tanımı gereği temel beyin aktivitesinden ani, kısa ömürlü bir sapmadır.
Uzamsal-Spektral Ayrıştırma Kaynak Karışımı Sorununu Çözüyor
Uzamsal-spektral ayrıştırma (SSD), tüm sensör dizisi boyunca çalışan, hedef tepe frekansında sinyal gücünü maksimize ederken aynı zamanda her iki taraftaki komşu frekans kutularındaki gücü minimize eden kanalların uzamsal bir kombinasyonunu bulan doğrusal bir ayrıştırma yöntemidir. Çıktı sadece daha temiz bir spektrum değil, aynı zamanda hangi elektrot konumlarının ve dolayısıyla kabaca hangi temel beyin bölgelerinin bu spesifik salınıma en çok katkıda bulunduğunu gösteren bir kalıptır.
Bu yöntemi tanıtan araştırma, sinyal-gürültü oranının 1'e 10 kadar düşük olduğu durumlarda bile SSD'nin salınımlı sinyalleri güvenilir bir şekilde çıkarabildiğini gösterdi; bu test, gürültünün ilgilenilen sinyalden ne kadar güçlü olduğu düşünüldüğünde oldukça zorludur.
Baş başa karşılaştırmalarda SSD, bağımsız bileşen analizine (ICA) dayalı geleneksel yaklaşımlardan daha iyi performans gösterdi. Gerçek EEG verilerine uygulandığında SSD, merkezi, duyu-motor konumlarla eşleşen uzamsal kalıplara sahip bileşenlerin yanı sıra oksipito-parietal, arka konumlarla eşleşen bağımsız bileşenleri ayırdı.
Geçici Veri Ayrıştırmanın Geleceği
Hesaplama gücü ve makine öğrenimi algoritmalarındaki gelişmeler, klasik spektral ayrıştırmayı veriye dayalı öngörücü mimarilerle birleştirmeye başlıyor. Bu entegre sistemler, biyobelirteçlerin çıkarılmasını otomatikleştirmeyi vaat ederek, daha önce uzun çevrimdışı işlemler gerektiren sinirsel dinamiklerin gerçek zamanlı analizine olanak tanıyor. Bu yöntemlerin yakınsaması, muhtemelen veri edinimi ile klinik eylem arasındaki gecikmeyi azaltacak ve daha duyarlı beyin-bilgisayar arayüzlerini kolaylaştıracaktır.
Araştırmalar giderek, klasik pencereme işlevlerinde bulunan sınırlılıkları aşan, kuantumla güçlendirilmiş spektral tahminciler geliştirmeye odaklanıyor. Araştırmacılar, dalgacık setlerinin bant genişliği verimliliğini optimize ederek, milimetre ölçeğinde çakışan kortikal kaynakları ayırt edebilecek süper çözünürlüğe ulaşmayı umuyorlar. Bu gelişim, sinyal izlemenin önemli ölçüde daha ayrıntılı ve erişilebilir hale geleceği bir geleceğe işaret ediyor.
Küresel araştırma laboratuvarları arasında standardizasyon, geçici veri biliminin önümüzdeki on yılı için önemli bir hedef olmaya devam etmektedir. Performans değerlendirmesi için kriterlerin belirlenmesi, teknik gelişmelerin tekrarlanabilir olmasını ve halk sağlığı uygulamalarına dönüştürülebilmesini sağlayacaktır. Bu metodolojiler kararlılık kazandıkça, temel nörobilim araştırmaları ile pratik tanısal yarar arasındaki boşluğun önemli ölçüde kapanması beklenmektedir.
Sonuç
Geçici verileri frekanslara ayrıştırma tekniği, insan fizyolojisindeki elektriksel sinyallerin karmaşıklığını çözmek için hayati bir disiplin olmaya devam etmektedir. Araştırmacılar, gürültülü veri kümelerinden anlamlı kalıplar çıkarmak için güçlü matematiksel yöntemler uygulayarak kararlılığı izleme ve patolojik değişimleri tespit etme kapasitelerini artırırlar.
Bu analitik çerçeveler gelişmeye devam ettikçe, nörolojik araştırmaların hassasiyetini ve sonraki klinik sonuçların etkinliğini daha da artıracaktır.
Referanslar
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
Sıkça Sorulan Sorular
Zaman ve frekans alanları arasındaki fark nedir?
Zaman alanı, bir sinyalin genliğinin zaman içinde nasıl değiştiğini gösterirken, frekans alanı sinyalin ne kadarının belirli frekans bantlarında bulunduğunu gösterir.
Geçici ayrıştırma gerçek zamanlı olarak gerçekleştirilebilir mi?
Evet, modern dijital sinyal işleme araçları frekans bileşenlerinin sürekli olarak hesaplanmasına izin vererek gerçek zamanlı izleme ve geri bildirim uygulamalarına olanak tanır.
Gürültü, gerçek beyin aktivitesinden nasıl ayrılır?
Gürültü genellikle bilinen sinirsel aktivite aralıklarının dışındaki frekans bantlarının tanımlanmasıyla veya çevresel parazitlerle ilişkili karakteristik uzamsal veya spektral imzaların tanınmasıyla izole edilir.
Fourier dönüşümü EEG'den frekans bilgisini nasıl çıkarır?
Fourier dönüşümü, sinyalin kısa bir zaman penceresi içinde durağan olduğunu varsayarak bir sinyali sinüs dalgalarının toplamına ayırır. Güç spektral yoğunluğu (PSD) daha sonra her bir frekansta ne kadar güç olduğunu ölçerek salınım içeriğinin anlık bir görüntüsünü sağlar.
Ampirik Mod Ayrıştırma (EMD) Fourier analizinden nasıl ayrılır?
EMD, durağanlık varsaymadan sinyali uyarlanabilir bir şekilde içsel mod fonksiyonlarına eler ve anlık frekans ile genlik değişikliklerini izlemesine olanak tanır. Bu, onu teorik olarak mu gibi durağan olmayan ritimler için daha uygun hale getirir, ancak mod karışmasından muzdarip olabilir.
Bir mod ayrıştırma yöntemi yerine ne zaman PSD'yi seçersiniz?
PSD, motor hayal gücü görevlerini karşılaştırmak gibi koşullar arasındaki geniş, tekrarlanabilir spektral kalıpları incelerken sağlam bir seçimdir. Hesaplama basitliği ve zihinsel durumları sınıflandırmadaki kanıtlanmış güvenilirliği, hızlı değişikliklerin kesin zamanlamasının kritik olmadığı durumlarda onu etkili kılar.
Emotiv, erişilebilir EEG ve beyin verisi araçları aracılığıyla sinirbilim araştırmalarının ilerlemesine yardımcı olan bir nöroteknoloji lideridir.
Christian Burgos
