Điện não đồ (EEG) tạo ra một lượng lớn dữ liệu liên tục trên hàng chục kênh trong thời gian dài. Khối lượng này gây áp lực lên bộ nhớ hạn chế của các thiết bị đeo di động, hạn chế các mạng lưới y tế từ xa và làm chậm các giao diện não - máy tính (BCIs) thời gian thực. Do đó, dữ liệu EEG thô cần phải được giảm thiểu để xử lý một cách hiệu quả.
Phép biến đổi cosine rời rạc (DCT), đóng vai trò là nền tảng toán học cho nén ảnh JPEG, giải quyết thách thức này. Giống như cách nó nén hình ảnh trong khi vẫn duy trì khả năng nhận diện, DCT giảm kích thước tín hiệu EEG trong khi vẫn bảo toàn hình dạng tổng thể của nó. Việc hiểu rõ cơ chế và ranh giới của nó giúp xác định khi nào DCT phù hợp hoặc khi nào các phép biến đổi thay thế sẽ tốt hơn.
Biến Đổi Cosine Rời Rạc Là Gì?
Biến đổi cosine rời rạc là một phép toán học chuyển đổi một chuỗi hữu hạn các giá trị được lấy mẫu thành các hệ số liên kết với các hàm cosine. Thay vì mô tả trực tiếp một tín hiệu dưới dạng các giá trị theo thời gian hoặc vị trí, nó mô tả mức độ đóng góp mạnh mẽ của các mẫu cosine khác nhau vào tín hiệu đó. Kết quả thu được vẫn là hữu hạn và rời rạc, nhưng cấu trúc của nó được biểu diễn trong một miền tương tự như miền tần số.
Một cơ sở cosine bắt đầu bằng một mẫu không đổi và tiến triển qua các dao động ngày càng nhanh. Do đó, hệ số đầu tiên thường phản ánh mức độ trung bình hoặc tổng thể của đầu vào, trong khi các hệ số sau ghi lại những thay đổi dần dần tinh vi hơn. Sự sắp xếp này có thể giúp dễ dàng tách biệt các xu hướng rộng lớn khỏi các dao động nhanh.
Biến đổi này có thể đảo ngược khi tập hợp đầy đủ các hệ số và chuẩn hóa tương ứng được giữ lại. Tuy nhiên, trong công việc thực tế, các nhà phân tích có thể chỉ bảo tồn các hệ số được chọn hoặc sử dụng chúng như các đặc trưng số học. Lựa chọn đó có thể làm giảm số chiều, nhưng nó cũng loại bỏ thông tin, vì vậy ý nghĩa của biểu diễn thu gọn phải được đánh giá chứ không thể mặc nhiên thừa nhận.
Thuật Toán Biến Đổi Cosine Rời Rạc Từng Bước Một
Một quy trình làm việc thực tế của DCT bắt đầu với một chuỗi hữu hạn và kết thúc bằng các hệ số có thể được tái cấu trúc hoặc phân tích. Chuỗi này có thể là một cửa sổ tín hiệu ngắn, một hàng hình ảnh hoặc một tập hợp các phép đo có thứ tự khác. Trước khi tính toán, nhà phân tích xác định loại biến đổi, tỷ lệ hệ số, độ dài cửa sổ và việc xử lý các mẫu bị thiếu hoặc bị nhiễu.
Mỗi hàm cơ sở DCT là một mẫu cosine được lấy mẫu. Thuật toán so sánh đầu vào với mọi mẫu cơ sở, tạo ra một hệ số cho mỗi mẫu. Phép tính có thể được thực hiện trực tiếp bằng công thức tổng hoặc bằng một thuật toán triển khai nhanh được thiết kế để giảm tính toán trong khi vẫn bảo toàn quy ước biến đổi đã chọn.
Một quy trình làm việc nhỏ gọn rất hữu ích khi triển khai hoạt động này vì mỗi bước đều ảnh hưởng đến việc diễn giải:
Chuẩn bị một chuỗi hữu hạn, được lấy mẫu nhất quán.
Loại bỏ hoặc mô hình hóa các độ lệch và xu hướng không mong muốn khi phân tích yêu cầu.
Chọn loại DCT và quy ước chuẩn hóa.
Tính toán vectơ hệ số và xác minh kích thước của nó.
Giữ lại, tái cấu trúc hoặc phân tích thống kê các hệ số theo câu hỏi nghiên cứu.
Sau khi biến đổi, việc tái cấu trúc với tất cả các hệ số sẽ tái tạo lại đầu vào, ngoại trừ độ chính xác số học và quy ước chuẩn hóa. Một sự tái cấu trúc chỉ sử dụng một phần của vectơ hệ số là một sự xấp xỉ. Việc kiểm tra sai số tái cấu trúc có thể cho thấy liệu việc giảm hệ số đã loại bỏ cấu trúc có ý nghĩa hay chỉ đơn thuần là giảm nhiễu.
Ứng Dụng Biến Đổi Cosine Rời Rạc Trong Các Ngành Công Nghiệp
Biến đổi cosine rời rạc có ứng dụng ở bất kỳ nơi nào mà dữ liệu hữu hạn, được lấy mẫu có thể hưởng lợi từ biểu diễn dựa trên cosine. Trong các hệ thống hình ảnh và video, nó hỗ trợ mô tả nhỏ gọn các khối không gian hoặc thời gian. Trong âm thanh và truyền thông, các phương pháp biến đổi liên quan có thể giúp sắp xếp thông tin tín hiệu để mã hóa và truyền tải.
Các ứng dụng khoa học và kỹ thuật sử dụng DCT để lọc, khử nhiễu, xây dựng đặc trưng và phân tích số học. Cơ sở giá trị thực của nó có thể thuận tiện khi pha không phải là lượng được quan tâm chính hoặc khi một chuỗi hữu hạn có hành vi mở rộng chẵn là một mô hình phù hợp. Việc sử dụng thích hợp phụ thuộc vào tín hiệu, các điều kiện biên và đầu ra mong muốn.
Trong nghiên cứu y sinh, các hệ số biến đổi có thể đóng vai trò là các đặc trưng cho các mô hình thống kê hoặc hệ thống phân loại. Các đặc trưng này là các phép đo của một tín hiệu được biến đổi, không phải là các biến sinh học trực tiếp. Do đó, giá trị của chúng phải được thiết lập thông qua xác thực, khả năng tái lặp và so sánh với dữ liệu gốc cũng như các phép đo sinh lý liên quan.
Biến Đổi Cosine Rời Rạc vs Biến Đổi Fourier Rời Rạc
DCT và DFT đều biểu diễn dữ liệu được lấy mẫu thông qua các hàm cơ sở dao động, nhưng chúng đưa ra các giả định toán học khác nhau. DFT sử dụng hàm mũ phức và biểu diễn cả biên độ và pha trong các hệ số của nó. DCT sử dụng các hàm cosine thực và thường liên quan đến một phần mở rộng đối xứng chẵn của đầu vào hữu hạn.
Hành vi biên là một sự khác biệt trung tâm. Phần mở rộng định kỳ trong DFT có thể tạo ra một bước nhảy nhân tạo giữa điểm cuối và điểm bắt đầu của một phân đoạn hữu hạn khi các giá trị đó không khớp nhau. Cấu trúc mở rộng chẵn liên quan đến nhiều dạng DCT có thể làm giảm sự gián đoạn cụ thể đó, mặc dù nó không loại bỏ mọi hiệu ứng cạnh hoặc đảm bảo kết quả tốt hơn cho mọi tín hiệu.
Do đó, sự lựa chọn mang tính phân tích hơn là ý thức hệ. DFT là tự nhiên khi pha phức và cấu trúc định kỳ quan trọng, trong khi DCT có thể hấp dẫn đối với các biểu diễn giá trị thực nhỏ gọn và dữ liệu cửa sổ hữu hạn.
Sử dụng DCT Khi | Sử dụng FFT/Wavelet Khi |
|---|---|
Cần nén nhúng, năng lượng thấp | Phân tích các dải tần số cụ thể |
Vectơ đặc trưng giá trị thực cho ML | Đo lường sự đồng bộ pha |
Giảm thiểu dữ liệu, không phải phân tích tần số | Phát hiện tín hiệu nhất thời định vị theo thời gian |
Thuộc Tính Nén Năng Lượng DCT Trong Tín Hiệu EEG Là Gì?
DCT hoạt động bằng cách phân tách một khối ngắn các mẫu tín hiệu thành tổng của các sóng cosine ở các tần số tăng dần, mỗi sóng được nhân với một hệ số mô tả mức độ đóng góp mạnh mẽ của sóng cosine cụ thể đó vào khối gốc.
Không giống như biến đổi Fourier vốn tạo ra các số phức chứa cả thông tin biên độ và pha, DCT chỉ tạo ra các số thực. Điều này giúp cho việc lưu trữ và xử lý tính toán của đầu ra trở nên đơn giản hơn.
Thuộc tính quan trọng nhất đối với EEG được gọi là nén năng lượng (energy compaction). Các tín hiệu EEG có mối tương quan cao theo thời gian, nghĩa là một mẫu được ghi lại bây giờ có sự tương đồng về mặt thống kê với mẫu được ghi lại một thời điểm trước đó.
Một nghiên cứu của Birvinskas và cộng sự mô tả trực tiếp điều này, lưu ý rằng DCT “nhận dữ liệu đầu vào có tương quan và tập trung năng lượng của nó chỉ trong vài hệ số biến đổi đầu tiên”. Về mặt thực tế, điều này có nghĩa là số ít hệ số đầu tiên của một khối sẽ nắm bắt được hình dạng tổng quát của tín hiệu, trong khi các hệ số sau nắm bắt các chi tiết ngày càng tinh vi hơn, mà phần lớn trong số đó trùng lặp với nhiễu.
Do hiệu ứng tập trung này, phần lớn các hệ số có thể được loại bỏ với tổn hại tối thiểu đối với dạng sóng được tái cấu trúc. Một nghiên cứu về hệ thống nhúng cũng do Birvinskas dẫn đầu chứng minh trực tiếp điều này, áp dụng DCT cho các khối ngắn gồm tám mẫu và tuyên bố rõ ràng rằng “các hệ số biến đổi ít quan trọng nhất được loại bỏ trước khi truyền” và được lấp đầy bằng các số không trước khi tái cấu trúc. Tín hiệu thu hồi lại không giống hệt với tín hiệu gốc, nhưng nó vẫn giữ lại cấu trúc chủ đạo, bởi vì thông tin bị loại bỏ được tập trung ở các phần biến đổi mang ít năng lượng nhất ngay từ đầu.
Hành vi loại bỏ tương quan này có liên quan về mặt khái niệm với mục tiêu đằng sau phân tích thành phần chính, vốn cũng tìm kiếm các biểu diễn nhỏ gọn, không tương quan của dữ liệu có tương quan, mặc dù PCA rút ra các hàm cơ sở của nó về mặt thống kê từ chính dữ liệu trong khi DCT sử dụng một tập hợp các hàm cosine cố định, được xác định trước.
Tại Sao DCT Không Phải Là Một Phân Tích Dao Động Như FFT Hay Wavelet
Có thể chúng ta sẽ muốn xem DCT như một biến thể đơn giản của phân tích Fourier, nhưng hai công cụ này được xây dựng cho các mục tiêu khác nhau.
Biến Đổi Fourier Nhanh (FFT) phân tích một tín hiệu thành các cặp sin và cosine, tạo ra đầu ra giá trị phức mang cả biên độ tần số và pha. Đầu ra phức đó ánh xạ tự nhiên vào các dải tần số EEG cổ điển, delta, theta, alpha, beta và gamma, và nó có thể hỗ trợ các phép đo dựa trên pha như sự đồng bộ hóa giữa các vị trí điện cực. Biến đổi wavelet mở rộng ý tưởng này xa hơn, cho phép định vị nội dung tần số theo thời gian, điều này hữu ích cho việc bắt các sự kiện ngắn ngủi như một đỉnh sóng nhọn hoặc một nhiễu ảnh nhất thời.
DCT được xây dựng xung quanh một mục đích hẹp hơn. Nó sử dụng độc quyền các hàm cosine và chỉ tạo ra các số thực. Các hệ số của nó về mặt kỹ thuật tương ứng với một dạng “tần số”, nhưng do phép biến đổi hoạt động trên các khối ngắn sử dụng một điều kiện biên cụ thể, thông tin tần số đó không liên kết rõ ràng với các dải EEG tiêu chuẩn nếu không có quá trình xử lý bổ sung.
Đây không phải là một khuyết điểm. Nó phản ánh một sự khác biệt trong ý đồ thiết kế. Các họ FFT và wavelet được tối ưu hóa để mô tả nội dung dao động của một tín hiệu hoạt động theo nhịp điệu như EEG. DCT được tối ưu hóa để nén một dạng sóng thành số lượng số ít nhất có thể trong khi vẫn bảo toàn hình dạng của nó.
Sự khác biệt này là trọng tâm trong việc đánh giá DCT. Trước hết, nó là một công cụ nén và giảm số chiều dữ liệu, và chỉ đóng vai trò thứ cấp hoặc gián tiếp để tìm hiểu nội dung tần số.
Cách DCT Nén Dữ Liệu EEG Để Lưu Trữ Và Truyền Tải
Công thức nén cơ bản sử dụng DCT tuân theo một quy trình nhất quán: biến đổi một khối tín hiệu thành các hệ số DCT, loại bỏ hoặc làm tròn thô các hệ số nhỏ nhất, sau đó áp dụng biến đổi ngược để tái cấu trúc một bản xấp xỉ của tín hiệu gốc.
Bởi vì các hệ số bị loại bỏ là những hệ số mang ít năng lượng nhất, tín hiệu được tái cấu trúc thường bảo tồn hình dạng dạng sóng tổng quát ngay cả khi nó không phải là một bản sao hoàn hảo. Đây là lý do tại sao kỹ thuật này được mô tả là nén có hao hao (lossy compression) thay vì nén không hao hao (lossless).
Trong nghiên cứu của Birvinskas và cộng sự, họ đã xây dựng đặc biệt cho các hệ thống nhúng và di động áp dụng các thuật toán DCT nhanh cho các khối chỉ gồm tám mẫu tại một thời điểm, một lựa chọn thiết kế nhằm giảm thiểu gánh nặng tính toán trên phần cứng công suất thấp. Họ kết luận rằng cách tiếp cận này rất phù hợp với “các hệ thống nhúng thời gian thực, nơi yêu cầu độ phức tạp tính toán thấp và tốc độ cao.”
Một nghiên cứu khác của Maazouz và cộng sự mở rộng khái niệm này cho các bản ghi đa kênh, thêm mã hóa entropy, một bước không hao hao giúp thu nhỏ thêm kích thước tệp sau bước DCT, dựa trên lượng tử hóa dựa trên DCT. Bài báo này mô tả quá trình này như một “phép toán bảo toàn”, mượn cùng một toán học cốt lõi được sử dụng trong nén JPEG, và đo lường chất lượng tái cấu trúc bằng một số đo gọi là độ méo trung bình bình phương phần trăm (PRD), định lượng mức độ sai lệch của tín hiệu tái cấu trúc so với tín hiệu gốc.
Tóm lại, hai nghiên cứu này xác lập rằng việc nén dựa trên DCT là khả thi về mặt kỹ thuật và hiệu quả về mặt tính toán.
Sử Dụng DCT Làm Công Cụ Trích Xuất Đặc Trưng Cho Học Máy
Các bộ phân loại học máy, thuật toán được sử dụng để tự động phát hiện những thứ như động kinh hoặc diễn giải các lệnh BCI dự kiến, có xu hướng hoạt động tốt hơn và chạy nhanh hơn khi chúng được cung cấp một số lượng nhỏ các số chứa nhiều thông tin thay vì hàng nghìn mẫu miền thời gian thô.
Đây là nơi thuộc tính nén năng lượng của DCT trở thành một chiến lược trích xuất đặc trưng thay vì chiến lược lưu trữ. Thay vì loại bỏ các hệ số nhỏ để tiết kiệm không gian, tập hợp nhỏ các hệ số được giữ lại sẽ trở thành đầu vào trực tiếp cho bộ phân loại.
Một trong những nghiên cứu của Birvinskas và cộng sự áp dụng logic này cho các hệ thống BCI, sử dụng DCT một cách rõ ràng như một bước trích xuất đặc trưng và giảm thiểu tập dữ liệu trước khi phân loại bằng mạng thần kinh nhân tạo. Các tác giả kết luận rằng “phương pháp này có thể được sử dụng thành công cho việc trích xuất đặc trưng và thu giảm tập dữ liệu.”
Nghiên cứu phát hiện động kinh cung cấp một lĩnh vực khác nơi các nhà nghiên cứu sử dụng DCT. Một cách tiếp cận kết hợp các hệ số DCT tần số cao với một đặc trưng băng thông được rút ra từ một kỹ thuật riêng biệt gọi là phân tích chế độ thực nghiệm (EMD), sau đó đưa tập hợp đặc trưng kết hợp vào một máy vectơ hỗ trợ (SVM) để phân biệt các giai đoạn co giật (ictal) với các giai đoạn giữa các cơn co giật (interictal).
Các tác giả báo cáo rằng cách tiếp cận kết hợp này có thể hoạt động tốt hơn các phương pháp tiên tiến hiện nay cho các nhiệm vụ phân loại.
Hơn nữa, một nghiên cứu chi tiết hơn về mặt định lượng áp dụng một biến thể cụ thể gọi là DCT-II để trích xuất các đặc trưng năng lượng trên 16 phân dải tần số, kết hợp với bộ phân loại K-Láng Giềng Gần Nhất (KNN), một phương pháp gán nhãn cho các điểm dữ liệu mới dựa trên sự tương đồng của chúng với các ví dụ đã được gán nhãn.
Được thử nghiệm trên 21 bệnh nhân bằng cách sử dụng tập dữ liệu EEG dài hạn CHB-MIT, cách tiếp cận này đã đạt được điểm F1 trung bình là 93.12, một số đo cân bằng giữa độ chính xác (precision) và độ nhạy (recall) của bộ phân loại thành một con số duy nhất, cùng với tỷ lệ dương tính giả là 0.07.
Đúng Công Cụ Cho Đúng Mục Tiêu
DCT có được chỗ đứng trong xử lý EEG thông qua một thế mạnh toán học cụ thể: khả năng tập trung năng lượng của tín hiệu có tương quan vào một số lượng nhỏ các hệ số giá trị thực, không tương quan.
Thuộc tính đó làm cho nó thực sự hữu ích cho hai công việc riêng biệt, thu nhỏ các tệp EEG để lưu trữ hoặc truyền tải, và tạo ra các vectơ đặc trưng nhỏ gọn cho các bộ phân loại học máy. Cả hai công việc này đều không yêu cầu phép biến đổi phải mô tả các nhịp điệu của não theo cách mà phân tích Fourier hay wavelet thực hiện, và nó cũng không cố gắng làm điều đó.
Đối với sinh viên và các nhà nghiên cứu mới bắt đầu sự nghiệp làm việc với dữ liệu khoa học thần kinh, DCT cung cấp một điểm khởi đầu gọn nhẹ, dễ hiểu và dễ triển khai bất cứ khi nào ưu tiên là giảm thiểu dữ liệu hơn là đo lường dao động chính xác. Tài liệu xử lý tín hiệu được xem xét ở đây hỗ trợ tính khả thi của nó trong các nhiệm vụ nén và phân loại, bao gồm một kết quả định lượng mạnh mẽ trong việc phát hiện động kinh.
Con đường hợp lý phía trước là khớp công cụ với mục tiêu: DCT để nén và thu gọn đặc trưng, các phương pháp Fourier hoặc wavelet để diễn giải sinh lý học, và thử nghiệm đối đầu có kiểm soát bất cứ khi nào sự thành công của một dự án phụ thuộc vào việc biết cái nào thực sự hoạt động tốt hơn trong các điều kiện tương thích.
Các Lỗi Thường Gặp Khi Áp Dụng Biến Đổi Cosine Rời Rạc
Nhiều lỗi DCT phát sinh trước khi công thức được đánh giá. Một phép biến đổi có thể được tính toán chính xác trong khi vẫn trả lời cho một câu hỏi được xác định kém bởi vì độ dài phân đoạn, tốc độ lấy mẫu hoặc phương pháp tiền xử lý không phù hợp. Do đó, phân tích có thể tái lập đòi hỏi phải ghi chép lại cả quy ước toán học và các bước chuẩn bị dữ liệu.
Vấn đề thứ hai là coi độ lớn của hệ số là điều tự giải thích. Độ lớn phụ thuộc vào việc chuẩn hóa, định tỷ lệ tín hiệu, thời lượng cửa sổ và việc có loại bỏ độ lệch hay không. So sánh các giá trị từ các quy trình không tương thích có thể tạo ra những khác biệt rõ ràng phản ánh các lựa chọn xử lý hơn là các thuộc tính của tín hiệu.
Các sai lầm khác bao gồm việc giữ lại quá ít hệ số, bỏ qua các hiệu ứng cạnh, hoặc chỉ đánh giá các đặc trưng đã biến đổi mà không kiểm tra dạng sóng ban đầu. Các thử nghiệm tái cấu trúc và phân tích độ nhạy có thể vạch trần những vấn đề này. Đặc biệt trong EEG, các nhiễu ảnh có thể tạo ra các hệ số mạnh trông có vẻ có ý nghĩa về mặt số học trong khi không có cách giải thích sinh lý thần kinh có chủ ý nào.
Công Cụ và Phần Mềm Để Tính Toán Biến Đổi Cosine Rời Rạc
Hầu hết các môi trường tính toán số học đều cung cấp một bản triển khai DCT trực tiếp hoặc thông qua một thư viện xử lý tín hiệu. Vấn đề quan trọng không chỉ đơn thuần là tính sẵn có, mà là sự đồng thuận về loại biến đổi, chuẩn hóa, thứ tự trục và xử lý đầu vào giá trị thực. Tài liệu hướng dẫn và các vectơ kiểm tra nhỏ rất hữu ích để xác nhận rằng hai bản triển khai sử dụng các quy ước tương đương.
Một quy trình làm việc minh bạch thường bảo tồn phân đoạn thô hoặc được xử lý tối thiểu, ghi lại các tham số tiền xử lý, tính toán phép biến đổi và lưu trữ các thiết lập hệ số cùng với kết quả. Các tính toán tham chiếu bằng cách sử dụng tổng trực tiếp có thể giúp xác minh một bản triển khai nhanh trên các chuỗi ngắn.
Đối với công việc EEG, khả năng tái lập cũng phụ thuộc vào các siêu dữ liệu như tần số lấy mẫu, lựa chọn kênh, độ chồng chéo của cửa sổ, các phân đoạn bị loại bỏ và các đơn vị tỷ lệ. Một gói phần mềm có thể tính toán DCT một cách đáng tin cậy, nhưng nó không thể quyết định liệu biểu diễn kết quả có phù hợp về mặt khoa học hay không. Đánh giá đó vẫn là một phần của thiết kế và xác thực nghiên cứu.
Tại Sao Biến Đổi Cosine Rời Rạc Giúp Dữ Liệu EEG Trở Nên Thực Tiễn Cho Các Thiết Bị Thực Tế
Biến đổi cosine rời rạc cung cấp một con đường đơn giản để thu nhỏ tín hiệu EEG vì nó đóng gói hầu hết hình dạng của tín hiệu vào chỉ một số ít hệ số ban đầu. Sự nén năng lượng này có nghĩa là các thiết bị đeo đầu có thể truyền ít dữ liệu hơn nhiều trong khi vẫn bảo toàn cấu trúc dạng sóng chủ đạo, một lợi thế quan trọng khi bộ nhớ và băng thông khan hiếm. Toán học cơ bản đủ nhẹ để chạy trên phần cứng công suất thấp, giúp cho việc nén thời gian thực trở nên khả thi bên ngoài phòng thí nghiệm.
Ngoài việc lưu trữ, chính một vài hệ số đó có thể hoạt động như các đầu vào nhỏ gọn cho các bộ phân loại học máy được giao nhiệm vụ phát hiện động kinh hoặc diễn giải các lệnh giao diện não-máy tính. Cách tiếp cận này đã cho thấy kết quả mạnh mẽ trong các thử nghiệm phát hiện động kinh cụ thể.
Hiện tại, DCT được coi là một lựa chọn thực tế khi ưu tiên là giảm thiểu dữ liệu mà không làm mất hình dạng tổng thể, chứ không phải khi cần phân tích tần số sóng não chính xác. Nó đưa ra một nguyên tắc hữu ích: hãy khớp phép biến đổi với mục tiêu thực tế của bạn, chứ không phải với một giả định chung chung về xử lý EEG.
Tài liệu tham khảo
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2012, November). EEG dataset reduction and feature extraction using discrete cosine transform. Trong 2012 Sixth UKSim/AMSS European Symposium on Computer Modeling and Simulation (tr. 199-204). IEEE. https://doi.org/10.1109/EMS.2012.88
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2015). Fast DCT algorithms for EEG data compression in embedded systems. Computer Science and Information Systems, 12(1), 49-62. https://doi.org/10.2298/CSIS140101083B
Maazouz, M., Kebir, S. T., Bengherbia, B., Toubal, A., Batel, N., & Bahri, N. (2015, December). A DCT-based algorithm for multi-channel near-lossless EEG compression. Trong 2015 4th International Conference on Electrical Engineering (ICEE) (tr. 1-5). IEEE. https://doi.org/10.1109/INTEE.2015.7416805
Parvez, M. Z., & Paul, M. (2012, December). Features extraction and classification for Ictal and Interictal EEG signals using EMD and DCT. Trong 2012 15th International Conference on Computer and Information Technology (ICCIT) (tr. 132-137). IEEE. https://doi.org/10.1109/ICCITechn.2012.6509719
Jumaah, M. A., Shihab, A. I., & Farhan, A. A. (2020). Epileptic seizures detection using DCT-II and KNN classifier in long-term EEG signals. Iraqi Journal of Science, 2687-2694. https://doi.org/10.24996/ijs.2020.61.10.26
Câu Hỏi Thường Gặp
Biến đổi cosine rời rạc (DCT) là gì và tại sao nó được sử dụng cho EEG?
DCT phân tách một khối ngắn các mẫu EEG thành tổng của các sóng cosine ở tần số tăng dần, chỉ tạo ra các hệ số số thực. Nó được sử dụng vì các tín hiệu EEG có mối tương quan cao theo thời gian, và DCT tập trung năng lượng tín hiệu vào chỉ một vài hệ số ban đầu, giúp nén và giảm đặc trưng hiệu quả.
DCT nén các tín hiệu EEG như thế nào?
Phép biến đổi được áp dụng cho các khối mẫu ngắn, sau đó các hệ số nhỏ nhất—những hệ số mang ít năng lượng nhất—bị loại bỏ hoặc làm tròn thô. Một biến đổi ngược sẽ tái cấu trúc một bản xấp xỉ của dạng sóng ban đầu, đạt được nén có hao hao trong khi vẫn bảo tồn hình dạng tín hiệu rộng rãi.
Tại sao DCT được so sánh với nén JPEG?
JPEG sử dụng DCT để thu nhỏ hình ảnh vì hầu hết thông tin thị giác được nắm bắt bởi một vài hệ số tần số thấp, và thuộc tính nén năng lượng tương tự cũng áp dụng cho các tín hiệu EEG. Cả hai đều loại bỏ các chi tiết tần số cao ít được nhận biết hoặc ít có ý nghĩa hơn, làm cho DCT trở nên phù hợp tự nhiên cho việc giảm thiểu dữ liệu thần kinh.
DCT khác với biến đổi Fourier (FFT) như thế nào trong phân tích EEG?
FFT phân tích một tín hiệu thành các cặp sin và cosine, tạo ra các số phức ánh xạ trực tiếp đến các dải tần số và pha của sóng não. DCT chỉ sử dụng các hàm cosine và mang lại các hệ số số thực không liên kết rõ ràng với các dải EEG tiêu chuẩn, làm cho nó trở thành một công cụ nén hơn là một phương pháp phân tích dao động.
Có thể sử dụng DCT để trích xuất các đặc trưng cho phân loại học máy của EEG không?
Có, các hệ số nhỏ gọn, không tương quan từ DCT có thể đóng vai trò như một vectơ đặc trưng nhỏ cho các bộ phân loại, làm giảm số chiều dữ liệu trong khi vẫn giữ lại cấu trúc chủ đạo của tín hiệu. Cách tiếp cận này đã được áp dụng thành công trong các hệ thống phát hiện động kinh và giao diện não-máy tính.
Khi nào tôi nên chọn DCT thay vì FFT cho dự án EEG của mình?
Hãy chọn DCT khi ưu tiên là nén thời gian thực, giảm lưu trữ dữ liệu hoặc trích xuất đặc trưng nhỏ gọn cho học máy, đặc biệt là trên các thiết bị công suất thấp. Chọn FFT hoặc wavelet khi nghiên cứu của bạn yêu cầu phân tích các dải tần số cụ thể hoặc các mối quan hệ pha, vì DCT không trực tiếp cung cấp cách diễn giải sinh lý học đó.
DCT có làm giảm nhiễu trong tín hiệu EEG không?
Việc loại bỏ các hệ số DCT nhỏ, có chỉ số cao thường loại bỏ các dao động giống như nhiễu cùng với chi tiết nhỏ, dẫn đến tuyên bố rằng DCT là “ít nhiễu ảnh”. Tuy nhiên, các nghiên cứu được xem xét không trực tiếp đo lường sự giảm nhiễu ảnh, vì vậy đây vẫn là một giả thuyết hợp lý hơn là một phát hiện đã được xác nhận.
Tại sao các cửa sổ EEG được
Emotiv là một đơn vị dẫn đầu về công nghệ thần kinh, giúp thúc đẩy nghiên cứu khoa học thần kinh thông qua các công cụ EEG và dữ liệu não bộ dễ tiếp cận.
Christian Burgos
