Phân tích Fourier rời rạc

Phân tích Fourier rời rạc là gì?

Phân tích Fourier rời rạc là một phương pháp toán học được sử dụng để giải thích các tín hiệu được lấy mẫu bằng cách phân tách chúng thành một chuỗi các tần số cấu thành.

Thay vì xem dữ liệu như một dòng chảy liên tục, phương pháp này xử lý các chuỗi số rời rạc, hữu hạn—chẳng hạn như các chỉ số điện áp từ hệ thống ghi EEG—để xác định cường độ tương đối của các chu kỳ dao động khác nhau. Bằng cách chuyển đổi các mẫu này thành các biểu diễn số của biên độ và pha, các nhà nghiên cứu có được một góc nhìn rõ ràng về các thành phần tần số nào là nổi trội nhất trong một tập dữ liệu.

Kỹ thuật này thu hẹp khoảng cách giữa thu thập dữ liệu thô và trích xuất thông tin có ý nghĩa, hoạt động về cơ bản như một lăng kính kỹ thuật số. Khi áp dụng cho các dạng sóng phức tạp, quá trình này tách các dao động chồng chéo thành các dải có thể đọc được, cho phép cô lập các dấu hiệu nhịp điệu cụ thể mà nếu không sẽ bị che khuất bởi nhiễu tín hiệu rộng hơn. Đây là nền tảng của nghiên cứu khoa học thần kinh hiện đại, nơi việc cô lập các mô hình hoạt động não bộ riêng biệt là điều cần thiết để hiểu cả chức năng thần kinh khỏe mạnh và các trạng thái bệnh lý.

Bằng cách tận dụng khả năng của phân tích tần số để tổ chức lại các chuỗi thời gian, các nhà khoa học có thể lọc sạch các nhiễu điện xung quanh hoặc các hiện tượng nhiễu có thể làm bẩn kết quả đọc một cách hiệu quả. Sự chuyển đổi này không chỉ đơn thuần là một bài tập thống kê mà còn là một công cụ quan trọng giúp các dao động tần số cao, tinh tế có thể hiển thị dưới dạng định lượng. Sự phân bố công suất thu được trên các dải tần số khác nhau tạo thành cơ sở cho phần lớn các đánh giá chẩn đoán được thực hiện trong các phòng thí nghiệm lâm sàng đương đại ngày nay.

Biến đổi Fourier rời rạc (và FFT) thực sự làm gì trong xử lý tín hiệu EEG

Khi tín hiệu EEG liên tục đã được lấy mẫu thành một chuỗi số hữu hạn, DFT có thể hoạt động trên đó. Với N mẫu điện áp, DFT tạo ra N số phức, mỗi số đại diện cho sự đóng góp của một phần tần số cụ thể, hẹp, được gọi là một bin (thùng tần số). Thay vì một vệt điện áp lộn xộn, bạn sẽ có được một danh sách có cấu trúc hiển thị lượng của mỗi tần số xuất hiện trong bản ghi đó.

Việc tính toán trực tiếp DFT trở nên chậm khi N tăng lớn, vì tính toán tỷ lệ thuận với bình phương của số lượng mẫu. Biến đổi Fourier nhanh, hay FFT, là một thuật toán tạo ra kết quả giống hệt nhau về mặt toán học trong khi chạy hiệu quả hơn nhiều.

Trong thực tế, hầu như không ai tính toán DFT thô bằng phương pháp vét cạn. FFT chỉ đơn giản là cách tiêu chuẩn, hiệu quả để đạt được điều đó, và hai thuật ngữ này thường được sử dụng thay thế cho nhau trong nghiên cứu EEG.

Cách đọc phổ tần số EEG thô

Giả sử một bản ghi chứa N mẫu, được lấy với tốc độ lấy mẫu là fₛ mẫu mỗi giây. DFT của bản ghi đó tạo ra N bin tần số cách đều nhau trải dài từ 0 Hz đến fₛ Hz.

Khoảng cách giữa các bin liền kề, được gọi là độ rộng bin, bằng fₛ chia cho N. Con số đơn lẻ này, độ rộng bin, xác định chi tiết tần số tốt nhất mà phân tích có thể phân biệt.

Vì điện áp EEG là tín hiệu giá trị thực chứ không phải tín hiệu phức, chỉ có nửa đầu của các bin này, cụ thể là N/2 + 1 bin trong số đó, chứa thông tin duy nhất. Các bin còn lại là hình ảnh phản chiếu của nửa đầu và không thêm thông tin mới nào. Bin số k tương ứng với tần số thực bằng k nhân với độ rộng bin (fₛ / N).

Tại mỗi bin này, DFT xuất ra một số phức, nghĩa là nó có hai thành phần thay vì một. Độ lớn của số phức đó là biên độ của thành phần tần số tương ứng, được biểu thị bằng microvolt sau khi được định tỷ lệ thích hợp. Điều này cho bạn biết nhịp điệu cụ thể đó mạnh như thế nào trong phân đoạn được ghi lại.

Góc của số phức là pha, cho bạn biết nhịp điệu đó đang ở đâu trong chu kỳ của nó tại thời điểm bắt đầu ghi, đánh dấu hiệu quả thời điểm nhịp điệu đạt đỉnh so với thời điểm bắt đầu của cửa sổ.

Ba ràng buộc định hình mọi phổ EEG

Ba giới hạn thực tế chi phối mức độ đáng tin cậy của phổ dựa trên DFT, và cả ba đều bắt nguồn từ thực tế là đầu vào là một bản ghi hữu hạn, được lấy mẫu chứ không phải là một bản ghi liên tục, vô hạn:

1. Độ rộng bin (độ phân giải tần số) bằng fₛ chia cho N; chỉ có bản ghi dài hơn mới có thể tách biệt hai nhịp điệu gần nhau.

2. Giới hạn Nyquist ở một nửa tốc độ lấy mẫu sẽ vĩnh viễn gây ra hiện tượng chồng phổ (aliasing) cho hoạt động não nhanh hơn trừ khi được lọc trước khi lấy mẫu.

3. Rò rỉ phổ (spectral leakage) lan truyền năng lượng của một nhịp điệu sang các bin lân cận khi tần số của nó nằm giữa các tâm bin; các cửa sổ thuôn nhọn giúp giảm sự lan truyền này.

Áp dụng DFT vào EEG trạng thái nghỉ và thiết kế theo khối (Block-Design)

DFT giả định, ít nhất là ngầm định, rằng nội dung tần số của tín hiệu không thay đổi nhiều trong phân đoạn được phân tích. Giả định này là hợp lý trong thời gian nghỉ ngơi kéo dài hoặc một khối thống nhất của một nhiệm vụ nhận thức lặp đi lặp lại, các trạng thái xấp xỉ dừng. Trong những điều kiện đó, một DFT đơn lẻ được thực hiện trên toàn bộ phân đoạn tạo ra một phổ đại diện một cách có ý nghĩa cho hoạt động nhịp điệu của não trong khoảng thời gian đó.

Điều này gần với phương pháp được sử dụng trong một nghiên cứu trước đây về sự bất đối xứng EEG của bán cầu não, nơi những người tham gia thực hiện các nhiệm vụ ngôn ngữ, số học, không gian và âm nhạc trong khi EEG được ghi lại từ các vị trí điện cực thái dương và đỉnh.

Biến đổi Fourier rời rạc của các bản ghi này đã tạo ra tỷ lệ công suất so sánh bán cầu phải và trái trên các dải tần số tiêu chuẩn. Dải alpha cho thấy sự bất đối xứng giữa các bán cầu phụ thuộc đáng kể vào việc nhiệm vụ nào đang được thực hiện, và bán cầu tham gia tích cực hơn vào nhiệm vụ liên tục cho thấy công suất alpha ít hơn một cách tương xứng.

Hiệu ứng phụ thuộc vào nhiệm vụ này ở dải alpha được báo cáo là lớn hơn từ 2 đến 5 lần so với những gì nghiên cứu trước đó đã tìm thấy khi xem xét công suất toàn dải mà không tách biệt riêng dải alpha. Sự gia tăng độ nhạy đó đến trực tiếp từ việc tách các dải tần số bằng DFT thay vì xử lý tín hiệu như một khối không chia tách.

Hơn nữa, một nghiên cứu từ Đại học Công nghệ Fukui ở Nhật Bản về EEG bình thường và động kinh đưa ra một mô hình tương tự áp dụng cho các điều kiện có thể là trạng thái nghỉ. Phân tích Fourier của nó đã tiết lộ hình dạng phổ dạng 1/f như đã đề cập trước đó và xác nhận rằng nhịp alpha, vốn nổi bật trong các bản ghi bình thường, đã vắng bóng trong các bản ghi động kinh.

Hạn chế: Khi DFT không đáp ứng được yêu cầu

Giả định cốt lõi của DFT, rằng nội dung tần số không thay đổi trong phân đoạn được phân tích, sẽ không còn đúng bất cứ khi nào hoạt động EEG thay đổi nhanh chóng trong cửa sổ đó. Sóng nhọn động kinh và sự thay đổi cảm xúc đột ngột là hai ví dụ rõ ràng về loại hành vi không dừng này.

Nghiên cứu phân tích EEG bình thường và động kinh đã chứng minh trực tiếp hạn chế này. Trong khi biến đổi Fourier nắm bắt thành công hình dạng phổ 1/f tổng thể của các bản ghi, nó đã thất bại trong việc phát hiện các sóng nhọn cục bộ và các phức bộ nhọn đặc trưng cho hoạt động co giật.

Biến đổi wavelet, một họ công cụ tần số-thời gian khác, đã có thể phát hiện các sự kiện cục bộ đó trong khi phương pháp Fourier không thể làm được.

Kết luận thực tế rất đơn giản: đối với các bản ghi dừng, các khối trạng thái nghỉ hoặc các khối nhiệm vụ được kiểm soát tốt, DFT cung cấp một nền tảng vững chắc và có thể giải thích được cho phân tích tần số. Đối với các sự kiện nhất thời hoặc thay đổi nhanh chóng, các phần mở rộng tần số-thời gian như wavelet hoặc biến đổi thời gian ngắn thích ứng có thể là cần thiết.

Phân tích Fourier rời rạc và Wavelet: So sánh như thế nào

Phân tích Fourier rời rạc cung cấp một cái nhìn tổng thể tuyệt vời về một tín hiệu, xác định thành phần tần số tĩnh trên toàn bộ một khối dữ liệu. Bởi vì nó tính toán một phổ trung bình duy nhất cho cửa sổ thời gian đó, nó rất hiệu quả cho các tín hiệu dừng nơi các đặc tính nhịp điệu vẫn nhất quán. Tuy nhiên, nó thiếu khả năng giải quyết chính xác thời điểm một sự kiện tần số cụ thể xảy ra trong phân đoạn được phân tích đó, về cơ bản làm mờ các đặc điểm thời gian thành một bức chân dung tổng hợp duy nhất.

Ngược lại, wavelet cung cấp một phương pháp đa độ phân giải cung cấp thông tin cục bộ ở cả thời gian và tần số. Bằng cách sử dụng một cửa sổ thay đổi kích thước, biến đổi wavelet có thể phóng to vào các sóng nhọn nhất thời hoặc các đợt hoạt động đột ngột, vốn thường bị mất khi sử dụng các phương pháp Fourier rộng hơn. Điều này giúp chúng linh hoạt hơn đáng kể trong việc kiểm tra các hiện tượng não bộ theo từng giai đoạn hoặc các thay đổi thần kinh nhanh chóng không theo một mô hình định kỳ cố định nào.

Việc lựa chọn giữa các phương pháp này là vấn đề ưu tiên nhu cầu thông tin trong các tham số của dự án nghiên cứu. Các nhà nghiên cứu thường tuân theo một quy trình làm việc chuẩn hóa để xác định chiến lược xử lý tín hiệu của họ:

1. Xác nhận xem tín hiệu cần quan tâm là dừng hay nhất thời.

2. Áp dụng phân tích phổ tổng thể truyền thống để đánh giá công suất trung bình.

3. Triển khai phân tách tần số-thời gian để theo dõi sự kiện cục bộ.

4. Xác thực các phân bố năng lượng thu được chống lại các hiện tượng nhiễu sinh lý đã biết.

Hướng dẫn triển khai Python cho phân tích Fourier rời rạc

Việc triển khai phân tích này trong Python thường liên quan đến việc sử dụng các thư viện chuyên dụng như NumPy hoặc SciPy, cung cấp các hàm tối ưu hóa để tính toán biến đổi Fourier nhanh.

Hàm chính fft chấp nhận một mảng các mẫu điện áp và trả về một bộ chứa giá trị phức biểu thị công suất và pha ở mỗi sóng hài. Các nhà phát triển phải đảm bảo mảng đầu vào được đệm chính xác nếu cần thiết, mặc dù các thư viện hiện đại tự động xử lý các hoạt động ma trận cơ bản cho hầu hết các kích thước mảng tiêu chuẩn.

Sau khi tính toán biến đổi thô, việc triển khai trong thế giới thực đòi hỏi phải chuẩn hóa đầu ra và tính toán giá trị tuyệt đối để suy ra phổ công suất. Điều này liên quan đến việc chia cho tổng chiều dài của chuỗi để định tỷ lệ các độ lớn một cách thích hợp. Sau khi được định tỷ lệ, phổ có thể được biểu diễn trên một trục tần số đã xác định, được xây dựng dựa trên tần số lấy mẫu ban đầu của phần cứng ghi âm.

Việc hoàn thiện mã yêu cầu xử lý các nhiễu tiềm ẩn bằng cách làm sạch tín hiệu đầu vào trước tiên thông qua các bộ lọc thông dải. Bằng cách chỉ cô lập các tần số quan tâm đối với nghiên cứu hiện tại, người dùng giảm bớt dấu ấn tính toán và cải thiện khả năng giải thích của biểu đồ phổ cuối cùng. Cách tiếp cận mô-đun này cho phép tinh chỉnh nhanh chóng các đường ống xử lý khi các yêu cầu nghiên cứu mới xuất hiện.

Tài liệu hướng dẫn PDF và tài nguyên phân tích Fourier rời rạc

Đối với những người tìm kiếm các hướng dẫn kỹ thuật sâu, có một số tài nguyên PDF nền tảng trình bày chi tiết các chứng minh toán học và chiến lược triển khai cho phân tích phổ. Các tài liệu này đóng vai trò là cầu nối giữa sách giáo khoa xử lý tín hiệu lý thuyết và các ứng dụng thực tế trong phòng thí nghiệm, làm rõ cách giải thích các giới hạn lỗi và các sai lệch đặc thù của hệ thống. Nhiều hướng dẫn trong số này được tuyển chọn bởi các nhóm nghiên cứu học thuật nhằm mục đích tiêu chuẩn hóa việc xử lý trên các nghiên cứu đa tổ chức.

Các tài nguyên này thường bao gồm các bài hướng dẫn về việc chuẩn bị dữ liệu chuỗi thời gian thô để phân tích, nhấn mạnh các yêu cầu cụ thể về độ sạch của dữ liệu như loại bỏ nhiễu và tham chiếu lại. Chúng cũng cung cấp các cái nhìn tổng quan toàn diện về các hàm cửa sổ khác nhau, giải thích cách chúng ảnh hưởng đến sự đánh đổi giữa độ phân giải phổ và độ chính xác của biên độ. Hiểu được những sắc thái này là điều cần thiết cho bất kỳ nhà thực hành nào muốn tiến xa hơn việc triển khai hộp đen của các hàm thư viện thông thường.

Bằng cách tham khảo các hướng dẫn kỹ thuật này, sinh viên và nhà nghiên cứu có thể hiểu biết sâu sắc về các cạm bẫy phổ biến liên quan đến các chuyển đổi kỹ thuật số, chẳng hạn như rò rỉ phổ và nhiễu vòng lặp (wrap-around artifacts). Các hướng dẫn này được cập nhật định kỳ để phản ánh những tiến bộ về tốc độ và hiệu quả tính toán, đảm bảo rằng các phương pháp được mô tả vẫn hợp thời và có thể áp dụng cho phần cứng lấy mẫu độ phân giải cao hiện đại được sử dụng trong các dự án khoa học hiện nay.

Cách phân tích tần số tiết lộ các nhịp điệu ẩn của não

Việc chia nhỏ một bản ghi EEG thành các tần số thành phần của nó sẽ biến một vệt điện áp rối rắm thành một thứ có ý nghĩa hơn nhiều. Biến đổi Fourier rời rạc cho thấy chính xác những nhịp điệu nào hiện diện và chúng mạnh như thế nào, đó là lý do tại sao nó trở thành bước đầu tiên trong việc trích xuất các đặc điểm như sự bất đối xứng dải alpha liên quan đến các nhiệm vụ trí óc hoặc hình dạng 1/f đặc biệt giúp phân biệt hoạt động não bình thường với các bản ghi động kinh. Bước này cung cấp một bức tranh rõ ràng, có thể giải thích được về bối cảnh dao động của não trong các trạng thái ổn định, nghỉ ngơi hoặc dựa trên nhiệm vụ.

Tuy nhiên, phương pháp này đi kèm với các ranh giới quan trọng vì nó cần tốc độ lấy mẫu đủ nhanh để tránh hiện tượng chồng phổ, một cửa sổ đủ dài để phân biệt các nhịp điệu gần nhau và nhận thức được rằng các sự kiện thần kinh đột ngột sẽ phá vỡ giả định cốt lõi của nó về một trạng thái não ổn định. Đối với các sóng nhọn nhất thời hoặc các thay đổi cảm xúc nhanh chóng đó, các nhà nghiên cứu thường chuyển sang các giải pháp thay thế tần số-thời gian, mặc dù các so sánh giữa các công cụ này trên nhiều nhiệm vụ vẫn còn thưa thớt.

Hiểu được những gì phổ biên độ thô có thể và không thể cho biết giúp giữ sự tập trung vào những gì dữ liệu thực sự hỗ trợ, xây dựng một bức tranh cẩn thận về chức năng não qua từng nghiên cứu.

Tài liệu tham khảo

1. 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

2. 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

3. 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

Câu hỏi thường gặp

Chính xác thì biến đổi fourier rời rạc làm gì với bản ghi EEG?

DFT phân tích một khối hữu hạn điện áp EEG được lấy mẫu thành một tập hợp các thành phần tần số, mỗi thành phần được biểu diễn bằng một số phức. Những con số này tiết lộ lượng của mỗi tần số (biên độ) hiện diện và bắt đầu ở pha nào trong cửa sổ phân tích.

Tại sao tốc độ lấy mẫu lại cực kỳ quan trọng khi ghi EEG?

Tốc độ lấy mẫu xác định tần số cao nhất có thể được ghi lại một cách chính xác, được gọi là tần số Nyquist. Nếu tín hiệu chứa các tần số trên một nửa tốc độ lấy mẫu, chúng sẽ bị chồng phổ—bị biểu thị sai thành các tần số thấp hơn—và không thể sửa đổi sau đó. Để ngăn chặn điều này, các hệ thống EEG áp dụng bộ lọc thông thấp để loại bỏ các tần số vượt quá giới hạn Nyquist trước khi lấy mẫu.

Điều gì xác định mức độ chi tiết mà DFT có thể tách biệt các tần số gần nhau?

Độ phân giải tần số được thiết lập bởi độ rộng bin, bằng tốc độ lấy mẫu chia cho số lượng mẫu trong phân đoạn. Các bin hẹp hơn cho phép tách biệt tốt hơn các nhịp điệu gần nhau, nhưng để đạt được chúng đòi hỏi các kỷ nguyên ghi dài hơn.

Rò rỉ phổ là gì và làm thế nào để giải quyết nó?

Rò rỉ phổ xảy ra khi một nhịp điệu não thực tế không căn chỉnh hoàn hảo với một bin tần số DFT, khiến năng lượng của nó lan sang nhiều bin và làm mờ đỉnh. Áp dụng một cửa sổ thuôn nhọn (như cửa sổ Hann) để làm mượt các cạnh tín hiệu sẽ giảm hiện tượng rò rỉ này, mặc dù không thể loại bỏ hoàn toàn.

Đầu ra DFT cho chúng ta biết điều gì ngoài một giá trị công suất đơn giản?

DFT thô cung cấp cả biên độ, cho biết cường độ của nhịp điệu tính bằng microvolt, và pha, cho biết chu kỳ của nhịp điệu đang ở đâu tại thời điểm bắt đầu cửa sổ ghi. Trong khi biên độ được sử dụng rộng rãi, pha thường bị bỏ qua trong các nghiên cứu EEG nhưng vẫn là một phần vốn có của kết quả DFT.

Trong những điều kiện nào thì DFT cung cấp một bức tranh đáng tin cậy về hoạt động của não?

DFT hoạt động tốt khi tín hiệu EEG xấp xỉ dừng, nghĩa là nội dung tần số của nó không thay đổi nhiều trong khối ghi âm. Điều này là điển hình cho các bản ghi trạng thái nghỉ hoặc các khối thống nhất, được kiểm soát tốt của một nhiệm vụ nhận thức.

Tại sao DFT có thể thất bại trong việc ghi lại một số sự kiện của não?

DFT giả định rằng nội dung tần số không đổi trong phân đoạn được phân tích, vì vậy nó không thể biểu thị chính xác các sự kiện nhanh, nhất thời như các sóng nhọn động kinh hoặc các thay đổi cảm xúc đột ngột. Trong các trường hợp không dừng này, năng lượng bị nhòe ra trên nhiều tần số, và các phương pháp tần số-thời gian như wavelet sẽ phù hợp hơn.

Biến đổi Fourier nhanh (FFT) có liên quan như thế nào đến DFT, và tại sao nó được sử dụng?

FFT là một thuật toán tính toán DFT nhanh hơn nhiều, tạo ra kết quả giống hệt nhau về mặt toán học. Trong nghiên cứu EEG, các thuật ngữ này thường được sử dụng thay thế cho nhau vì FFT là cách tiêu chuẩn, hiệu quả để có được phổ tần số.