Xử lý Tín hiệu Rời rạc

Xử lý tín hiệu rời rạc là gì?

Xử lý tín hiệu rời rạc liên quan đến việc thao tác toán học trên thông tin được biểu diễn dưới dạng một chuỗi các số. Bằng cách chuyển đổi các đầu vào tương tự ngoài đời thực thành các mẫu rời rạc, máy tính có thể thực hiện phân tích phức tạp mà các mạch tương tự truyền thống không thể thực hiện được.

Độ chính xác và khả năng lặp lại của các hoạt động kỹ thuật số này khiến chúng trở nên không thể thiếu trong các lĩnh vực từ mô hình hóa khí hậu đến xử lý tín hiệu EEG. Lĩnh vực này thiết lập các quy tắc cho cách dữ liệu liên tục được rời rạc hóa, xử lý và cuối cùng được tái tạo để con người hoặc máy móc sử dụng.

Xử lý tín hiệu thời gian rời rạc so với Tín hiệu thời gian liên tục

Tín hiệu thời gian liên tục thay đổi mượt mà và tồn tại ở mọi thời điểm trong một khoảng thời gian xác định, trong khi tín hiệu thời gian rời rạc chỉ được xác định tại các thời điểm định kỳ, cụ thể.

Xử lý tín hiệu số dựa vào việc chuyển đổi giữa hai loại này, thường sử dụng phần cứng để thu hẹp khoảng cách. Các kỹ sư phải quản lý quá trình chuyển đổi một cách cẩn thận để đảm bảo rằng chuỗi rời rạc phản ánh chính xác các hiện tượng liên tục tiềm ẩn mà không gây ra lỗi chồng phổ (aliasing) xảy ra khi tốc độ lấy mẫu không đủ để nắm bắt những thay đổi nhanh nhất trong tín hiệu.

Xử lý thời gian liên tục của tín hiệu thời gian rời rạc: Lấy mẫu và Tái tạo

Quá trình chuyển đổi một ảnh hưởng liên tục sang định dạng kỹ thuật số yêu cầu một bộ chuyển đổi tương tự-sang-số để ghi lại cường độ tín hiệu tại các khoảng thời gian chính xác. Sau khi quá trình xử lý hoàn tất, dữ liệu phải được đưa trở lại dạng tương tự nếu muốn con người cảm nhận được, điều này được thực hiện thông qua các bộ lọc tái tạo. Các bộ lọc này làm mượt dạng "bậc thang" của dữ liệu được lấy mẫu thành một sóng liên tục.

Việc tái tạo hiệu quả phụ thuộc vào việc tuân thủ định lý lấy mẫu Nyquist-Shannon, định lý này quy định tần số tối thiểu mà một hệ thống phải đo đầu vào để bảo toàn tất cả các thông tin hợp lệ.

Các khái niệm chính trong xử lý tín hiệu rời rạc

Phân tích kỹ thuật số hiện đại dựa vào một bộ công cụ toán học được thiết kế để phân rã, tổ chức lại và giải thích các điểm dữ liệu một cách hiệu quả. Các khái niệm này cung cấp một khuôn khổ cho các kỹ sư xử lý mọi thứ từ các mảng cảm biến khổng lồ đến các đầu vào âm thanh đơn giản.

Bằng cách chọn phương pháp toán học chính xác, các nhà nghiên cứu có thể giảm chi phí tính toán trong khi tối đa hóa chất lượng tín hiệu quan sát được ở đầu ra.

Phân tích miền tần số: Phép biến đổi Fourier rời rạc trong xử lý tín hiệu số

Phép biến đổi Fourier rời rạc (DFT) là một kỹ thuật cơ bản giúp chuyển đổi bất kỳ chuỗi dữ liệu chuỗi thời gian nào thành các thành phần tần số cấu thành của nó.

Sự biến đổi này cho phép người dùng thấy tần số nào chiếm ưu thế trong tín hiệu và tần số nào vắng mặt, tạo điều kiện thuận lợi cho các tác vụ như phân tích hài và nén dữ liệu. Bằng cách xem tín hiệu trong miền phổ, các nhà thực hành có thể cô lập các sự kiện cụ thể có thể bị che khuất hoàn toàn khi chỉ quan sát chuỗi thời gian.

Lọc: Loại bỏ hoặc Nâng cao các thành phần tín hiệu

Lọc cho phép sửa đổi có chọn lọc các tín hiệu bằng cách làm suy giảm các tần số không mong muốn trong khi cho phép các thành phần mong muốn đi qua. Bộ lọc kỹ thuật số có thể được tinh chỉnh tỉ mỉ để triệt tiêu tiếng rít tần số cao, tiếng ù tần số thấp hoặc các nhiễu định kỳ cụ thể gây khó khăn cho việc thu thập dữ liệu thô.

Bảng sau đây minh họa các loại bộ lọc phổ biến được thiết kế cho các nhu cầu hoạt động cụ thể trong quy trình làm việc kỹ thuật số:

Các cấu hình này đại diện cho tập hợp các công cụ tiêu chuẩn có sẵn trong hầu hết các triển khai kỹ thuật số.

Tín hiệu ngẫu nhiên rời rạc và xử lý tín hiệu thống kê

Xử lý tín hiệu thống kê giải quyết các trường hợp tín hiệu không hoàn toàn mang tính xác định mà thay vào đó thể hiện các mức độ ngẫu nhiên khác nhau. Bằng cách coi các đầu vào này là các quá trình ngẫu nhiên, các nhà phân tích có thể xác định các hành vi trung bình và phương sai của một hệ thống, ngay cả khi các điểm dữ liệu riêng lẻ có vẻ không thể dự đoán được.

Cách tiếp cận này là cực kỳ quan trọng để ước tính các đường dẫn tín hiệu trong khoa học thần kinh và quản lý sự không chắc chắn trong môi trường nhiễu.

Phép chập: Kết hợp các tín hiệu

Phép chập cung cấp một phương pháp toán học nghiêm ngặt để xác định xem đầu ra của một hệ thống thay đổi thế nào dựa trên đầu vào và đáp ứng xung của nó. Khi một tín hiệu được chập với một tín hiệu khác, đầu ra thu được cho thấy hệ thống biến đổi dạng sóng tới như thế nào qua thời gian và không gian.

Các bước sau đây phác thảo việc triển khai thực tế của phép chập:

1. Đảo ngược tín hiệu thứ hai theo thời gian.

2. Dịch chuyển tín hiệu đã đảo ngược qua tín hiệu đầu tiên.

3. Tính tích phân hoặc tổng của các vùng chồng chéo.

4. Lặp lại tính toán cho từng điểm dọc theo trục thời gian.

Phương pháp có hệ thống này đảm bảo rằng đầu ra được mô hình hóa chính xác dựa trên các đặc tính vốn có của hệ thống và các hạn chế của môi trường.

Ứng dụng của xử lý tín hiệu rời rạc

Xử lý tín hiệu rời rạc quyết định hiệu suất của nhiều máy móc hiện đại tương tác với thế giới vật lý. Bằng cách áp dụng các thuật toán này, các nhà phát triển có thể đảm bảo rằng dữ liệu nhạy cảm vẫn rõ ràng và chính xác, cho dù thông tin đó đến từ một cầu nối mạng hay hồ sơ EEG của một người.

Tính linh hoạt của các phương pháp này có nghĩa là các thuật toán phổ biến thường xuất hiện trong phần cứng từ các thiết bị cầm tay tiêu dùng đến các giàn thử nghiệm công nghiệp chuyên dụng.

Xử lý thời gian rời rạc của tín hiệu giọng nói trong các ứng dụng âm thanh

Tín hiệu âm thanh trải qua tính toán chuyên sâu để đảm bảo độ rõ nét trong quá trình truyền và lưu trữ. Các phương pháp rời rạc cho phép giảm kích thước dữ liệu trong khi vẫn bảo toàn đủ chi tiết để nghe tự nhiên, một kỳ tích đạt được bằng cách mô hình hóa thính giác của con người và loại bỏ các âm thanh thường không thể nghe thấy.

Kỹ thuật lọc không gian tiên tiến này quản lý hiệu quả các môi trường âm học phức tạp mà không cần công suất phần cứng quá mức.

Xử lý hình ảnh và video

Phương tiện truyền thông thị giác phụ thuộc vào phân tích rời rạc hai chiều, nơi các pixel đóng vai trò là các điểm dữ liệu được lấy mẫu. Bằng cách thao tác các lưới này, các thiết bị có thể thực hiện các tác vụ như làm sắc nét các cạnh, điều chỉnh cân bằng màu sắc và nén video để tiết kiệm băng thông trong khi vẫn duy trì độ phân giải không gian thị giác cao.

Các hoạt động này thường tận dụng phân tích thành phần chính để loại bỏ thông tin dư thừa một cách hiệu quả trên hàng triệu khung hình.

Viễn thông và truyền dữ liệu

Viễn thông dựa vào sự tối ưu hóa liên tục dòng tín hiệu để đảm bảo các gói thông tin đến đích mà không bị hỏng. Các thuật toán phát hiện và sửa lỗi tiên tiến sử dụng toán học rời rạc để xác minh tính toàn vẹn của dữ liệu trong thời gian thực, ngay cả khi có nhiễu điện từ mạnh.

Mức độ tin cậy này cho phép mở rộng nhanh chóng các cơ sở hạ tầng mạng hiện đại trên toàn thế giới.

Giọng nói liên tục của não bộ và nơi nó bắt đầu

Các tín hiệu điện được ghi lại bằng mũ chụp EEG bắt nguồn từ các quần thể neuron khổng lồ hoạt động đồng bộ lỏng lẻo. Biện pháp hoạt động của một neuron riêng lẻ quá cục bộ và yếu ớt để có thể phát hiện được ở da đầu, nhưng sự phóng điện tập thể của hàng ngàn neuron tạo ra một điện áp dao động—thường chỉ đo được vài chục microvolt. Tín hiệu yếu này phải truyền qua mô não, hộp sọ và da đầu trước khi cuối cùng đến được các điện cực ghi âm.

Bởi vì tín hiệu này quá mong manh, nó đến da đầu bị trộn lẫn nhiều với nhiễu sinh lý và môi trường, chẳng hạn như chuyển động của cơ, nháy mắt và nhiễu điện gần đó. Để hiểu được dữ liệu thô này, các nhà nghiên cứu phải tổ chức hoạt động của não một cách tỉ mỉ thành các dải tần số cụ thể—thường được dán tên là delta, theta, alpha, beta và gamma—mỗi dải tương ứng với các trạng thái tâm thần khác nhau và chiếm các phạm vi duy nhất của phổ.

Tầm quan trọng của sự phân tách này được làm nổi bật trong các nghiên cứu, chẳng hạn như một nghiên cứu từ năm 2010 được công bố trên tờ Journal of Biomedical Science and Engineering, nơi các bản ghi EEG được phân rã thành các dải alpha, beta và gamma bằng cách sử dụng Phép biến đổi Wavelet rời rạc (DWT) sau khi làm sạch ban đầu qua bộ lọc Surface Laplacian.

Mức độ chính xác này là rất quan trọng: nếu các nhịp gamma, có thể mở rộng lên đến 100 Hz, được phân tích một cách tự tin, quá trình số hóa phải bảo toàn các dải này dưới dạng các thành phần riêng biệt. Nếu không có quá trình xử lý tín hiệu trung thực, các dao động quan trọng này sẽ mờ nhạt thành một vệt không thể phân biệt được, khiến cho việc phân tích khoa học thần kinh chính xác trở thành bất khả thi.

Lấy mẫu: Chụp ảnh một dòng sông đang chảy

Việc chuyển đổi điện áp liên tục thành một chuỗi số đòi hỏi phải lấy mẫu, quá trình đo điện áp của tín hiệu tại các thời điểm rời rạc, định kỳ trong thời gian thay vì đo liên tục.

Hãy nghĩ về một dòng sông chảy qua một điểm cố định. Bạn không thể ghi lại chuyển động của nó dưới dạng chuyển động. Thay vào đó, bạn chụp một bức ảnh của nó sau mỗi vài giây. Chuỗi đủ ảnh được liên kết lại với nhau theo thứ tự, và bạn có được một sự thay thế hợp lý cho dòng chảy. Chụp quá ít ảnh, và chuyển động thực sự của dòng sông trở nên mơ hồ hoặc gây hiểu lầm.

Đây là nơi một quy tắc được gọi là tiêu chuẩn Nyquist trở nên không thể tránh khỏi. Nó chỉ ra rằng tốc độ lấy mẫu, số lượng phép đo được thực hiện mỗi giây, phải lớn hơn hai lần tần số cao nhất có mặt trong tín hiệu tương tự ban đầu.

Nếu không, hiện tượng méo tiếng do chồng phổ (aliasing) sẽ xảy ra, nơi một tín hiệu di chuyển nhanh bị ghi lại sai lệch thành một tín hiệu chậm hơn. Một khi nó xảy ra, không có mẹo toán học nào có thể tách tín hiệu chậm thực sự ra khỏi tín hiệu chậm giả vốn từng là một tín hiệu nhanh. Thông tin đã biến mất, vĩnh viễn bị gập vào nhầm chỗ.

Các hệ thống EEG lâm sàng thường lấy mẫu ở tốc độ từ 250 đến 500 Hz, giúp ghi lại một cách thoải mái hoạt động của não trải dài từ 0 đến 100 Hz với một khoảng dự phòng dư dả. Khoảng dự phòng này là bộ đệm giúp tiêu chuẩn Nyquist luôn được thỏa mãn ngay cả khi tín hiệu não mở rộng về phía đầu trên của dải gamma.

Hãy xem xét khuôn khổ phát hiện động kinh đã chạy một cuộc tìm kiếm toàn diện trên bảy họ wavelet khác nhau và nhiều cấp độ phân rã để tìm ra các thiết lập tối ưu để phân tích dữ liệu EEG. Cuộc tìm kiếm đó chỉ có ý nghĩa như một bài tập khoa học nếu nội dung tần số được tìm kiếm là chính xác.

Nếu tốc độ lấy mẫu ban đầu vi phạm tiêu chuẩn Nyquist, nhiễu tần số cao từ hoạt động của cơ hoặc nhiễu điện sẽ chồng phổ vào chính các dải tần số mà các nhà nghiên cứu đang cố gắng cô lập. Cuộc tìm kiếm các cài đặt wavelet tối ưu sẽ là tối ưu hóa chống lại một mục tiêu bị bóp méo, và độ chính xác được báo cáo trên 90% đối với việc phát hiện động kinh sẽ không phản ánh khả năng chẩn đoán thực tế. Nó sẽ phản ánh một phản ứng được tinh chỉnh tốt đối với nhiễu.

Bộ lọc chống chồng phổ ngăn chặn dữ liệu rác đầu vào như thế nào

Bởi vì hiện tượng chồng phổ không thể được khắc phục sau khi đã xảy ra, nó phải được ngăn chặn trước khi việc lấy mẫu diễn ra.

Đây là công việc của bộ lọc chống chồng phổ (anti-aliasing), một bộ lọc thông thấp tương tự được đặt trong đường dẫn phần cứng trước khi bộ chuyển đổi tương tự-sang-số thực hiện các phép đo của nó. Chức năng của nó bao gồm việc loại bỏ bất kỳ nội dung tần số nào vượt quá giới hạn Nyquist để không có gì tồn tại trong tín hiệu mà sau này có thể bị nhầm lẫn với thứ không phải là nó.

Một khi bước lọc này bị bỏ qua hoặc thực hiện kém, thiệt hại sẽ được ghi lại vĩnh viễn vào dữ liệu. Không có phần mềm hạ nguồn nào, dù tiên tiến đến đâu, có thể hoàn tác nó.

Trong một nghiên cứu chẩn đoán bệnh Alzheimer, các nhà nghiên cứu đã áp dụng một bộ lọc kỹ thuật số eliptic thông dải để loại bỏ nhiễu và xáo trộn khỏi tập dữ liệu EEG trước khi trích xuất các đặc trưng thông qua DWT. Quá trình lọc này diễn ra sau khi số hóa thay vì là một bước chống chồng phổ bằng phần cứng, nhưng logic cơ bản là giống hệt nhau.

Cả hai quy trình đều tồn tại để loại bỏ nội dung phổ không mong muốn ra khỏi bức tranh trước khi một thuật toán cố gắng giải thích những gì còn lại. Cho dù bộ lọc nằm trong mạch tương tự trước khi lấy mẫu hay trong chuỗi xử lý kỹ thuật số sau đó, mục đích của nó là như nhau: ngăn ngừa sự nhiễm bẩn lan rộng vào quá trình phân tích.

Ngoài ra, một nghiên cứu về nhiễu chuyển động năm 2020 minh họa lý do tại sao điều này quan trọng ngay cả khi có sẵn các công cụ dọn dẹp tinh vi. Nghiên cứu đó đã kết hợp ba kỹ thuật, Phân rã chế độ thực nghiệm tập hợp (Ensemble Empirical Mode Decomposition), Phân tích tương quan chính tắc (Canonical Correlation Analysis) và Phân rã Wavelet rời rạc, để loại bỏ nhiễu liên quan đến chuyển động ra khỏi tín hiệu EEG, cải thiện các chỉ số tín hiệu trên nhiễu một cách đáng kể.

Nhưng toàn bộ quy trình dọn dẹp này giả định phổ tần số cao đi vào nó không bị chồng phổ. Nếu một bộ lọc chống chồng phổ phần cứng bị thiếu tại thời điểm số hóa, tín hiệu kết quả sẽ mang thêm một lớp hỏng hóc mà ngay cả một hệ thống loại bỏ nhiễu được thiết kế tốt cũng không thể gỡ rối hoàn toàn.

Độ sâu bit: Vẽ điện áp với một bảng màu hạn chế

Lấy mẫu xác định khi nào một điện áp được đo. Độ sâu bit xác định phép đo đó được ghi lại chính xác như thế nào.

Một khi bộ chuyển đổi tương tự-sang-số ghi lại điện áp tại một thời điểm nhất định, nó phải biểu diễn giá trị đó dưới dạng số nhị phân, và số lượng bit có sẵn cho biểu thức đó thiết lập độ phân giải của phép đo. Một hệ thống sử dụng độ sâu 16-bit trên dải điện áp cộng hoặc trừ 1 millivolt có thể giải quyết các khác biệt nhỏ tới khoảng nửa microvolt.

Thêm nhiều bit hơn, và độ phân giải sẽ sắc nét hơn nữa. Giảm độ sâu bit, và các biến thể tinh tế trong dạng sóng chỉ đơn giản là biến mất, bị san phẳng thành bước gần nhất hiện có trên một thang đo thô hơn.

Sự khác biệt này mang lại giá trị chẩn đoán thực tế. Một nghiên cứu phát hiện động kinh năm 2019 dựa trên các tính toán entropy mờ được thực hiện trên các hệ số wavelet để phân biệt hoạt động EEG động kinh với hoạt động không động kinh.

Các phép đo entropy được thiết kế nhạy cảm với sự biến đổi biên độ chi tiết. Chúng định lượng tính không đều và tính phức tạp trong một tín hiệu, và tính toán đó phụ thuộc vào việc có đủ độ phân giải để phát hiện các khác biệt nhỏ ngay từ đầu. Một tín hiệu được lượng hóa thô sơ sẽ làm mượt đi chính xác những điểm không đều mà tính toán entropy được xây dựng để tìm kiếm.

Tương tự như vậy, nghiên cứu Alzheimer đã đề cập ở trên đã trích xuất các đặc trưng thống kê bao gồm độ lệch chuẩn, phương sai và chuẩn (norm) từ các phân dải wavelet được tạo ra thông qua DWT. Đây đều là những thước đo mức độ biến đổi của tín hiệu. Nếu các giá trị điện áp tiềm ẩn bị làm tròn quá mạnh do độ sâu bit không đủ, sự biến đổi tự nhiên giữa các trạng thái não khỏe mạnh và trạng thái não bị bệnh sẽ bị nén về một phạm vi tương tự, bị san phẳng, và các khác biệt thống kê giúp đạt được độ chính xác phân loại 99.98% sẽ bị thu hẹp tương ứng.

Tại sao tốc độ lấy mẫu phù hợp ngăn chặn dữ liệu rác đầu ra

Ba yếu tố này, lấy mẫu tuân thủ tiêu chuẩn Nyquist, một bộ lọc chống chồng phổ hoạt động hiệu quả, và độ sâu bit đầy đủ, không phải là những sự tò mò kỹ thuật độc lập. Chúng tạo thành một chuỗi phụ thuộc duy nhất, và mọi độ chính xác phân loại được báo cáo trong kho dữ liệu nghiên cứu này đều nằm ở hạ nguồn của chuỗi đó.

Chọn tốc độ lấy mẫu quá thấp, hoặc bỏ qua bộ lọc chống chồng phổ bảo vệ nó, sẽ tạo ra thất bại xử lý tín hiệu kinh điển được gọi là dữ liệu rác đầu vào, dữ liệu rác đầu ra. Một khi nhiễu tần số cao bị chồng phổ đã gập vào phần trông giống như năng lượng beta hoặc gamma, không có thuật toán nào đủ tinh vi để đảo ngược quy trình và khôi phục nhịp điệu tiềm ẩn thực sự. Ngược lại, một tốc độ được lựa chọn chính xác sẽ trao cho mọi công cụ hạ nguồn một bức tranh sạch sẽ, đáng tin cậy để làm việc.

Nghiên cứu phân loại cảm xúc năm 2010 chứng minh những gì trở nên khả thi trên bức tranh sạch sẽ đó. Sử dụng phân loại K-Neighbor gần nhất (KNN) trên các đặc trưng được trích xuất thông qua DWT, các nhà nghiên cứu đã đạt được tỷ lệ chính xác 83.26% để phân biệt các trạng thái cảm xúc như ghê tởm, hạnh phúc, ngạc nhiên, sợ hãi và các phản hồi trung tính. Kết quả đó phụ thuộc vào các nhịp alpha, beta và gamma được tách biệt chính xác với nhau trong quá trình phân rã, một sự tách biệt chỉ có thể thực hiện được nếu các dải đó được số hóa mà không bị trộn lẫn tần số ngay từ đầu.

Hơn nữa, khuôn khổ phát hiện động kinh củng cố cùng một quan điểm từ một góc độ khác. Các tác giả của nó lưu ý rằng việc lựa chọn tối ưu các dải tần số và đặc trưng của họ đã loại bỏ khoảng 40% thông tin dư thừa, hợp lý hóa việc phân tích mà không làm mất đi độ chính xác trên 90%.

Kiểu cắt bớt thông minh đó chỉ hoạt động khi thông tin còn lại là có thật. Loại bỏ sự dư thừa từ một tín hiệu bị chồng phổ sẽ không đơn giản hóa bất cứ điều gì có ý nghĩa. Nó sẽ chỉ loại bỏ nhiễu một cách hiệu quả trong khi vẫn để lại nhiễu khác, vì nội dung tần số bị hỏng đã không thể phân biệt được với hoạt động não hợp pháp.

Kết quả chẩn đoán bệnh Alzheimer mang lại thông điệp rõ ràng nhất. Một bộ phân loại tương đối đơn giản, KNN, đã đạt độ chính xác 99.98% bằng cách sử dụng các đặc trưng được lấy từ các phân dải wavelet được phân rã đúng cách. Kết quả này chỉ ra rằng khi nền tảng bên dưới một phân tích vững chắc, ngay cả các phương pháp phân loại đơn giản cũng có thể hoạt động ở mức độ cao đáng kể.

Nó cũng mang hàm ý ngược lại. Không một sự cải tiến thuật toán nào ở hạ nguồn, dù thông qua các mạng thần kinh tiên tiến hay kỹ thuật xây dựng đặc trưng toàn diện, có thể bù đắp cho một quy trình số hóa đã sai sót ngay từ các nguyên tắc cơ bản.

Tại sao dữ liệu não trung thực bắt đầu bằng một lá chắn vô hình

Xử lý tín hiệu rời rạc hoạt động như xương sống vô hình của công nghệ hiện đại, cho phép quản lý và giải thích hiệu quả dữ liệu kỹ thuật số trên thực tế tất cả các lĩnh vực khoa học và thương mại. Bằng cách làm chủ các nguyên lý lấy mẫu, lọc và chuyển đổi, các nhà nghiên cứu và kỹ sư có thể tiếp tục thúc đẩy các ranh giới của những gì có thể trong các lĩnh vực từ điện não đồ kỹ thuật số đến các mạng truyền thông không dây toàn cầu.

Tài liệu tham khảo

1. Murugappan, M., Ramachandran, N., & Sazali, Y. (2010). Phân loại cảm xúc con người từ EEG bằng phép biến đổi wavelet rời rạc. 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). Một thuật toán phát hiện động kinh hiệu suất cao dựa trên Phép biến đổi Wavelet rời rạc (DWT) và 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). Xử lý tín hiệu EEG cho các rối loạn Alzheimer sử dụng phép biến đổi wavelet rời rạc và các phương pháp học máy. IEEE Access, 10, 89781-89797.

4. Shukla, S., Roy, V., & Prakash, A. (2020, Tháng 4). Phương pháp thực nghiệm dựa trên Wavelet để giảm thiểu ảnh hưởng của nhiễu chuyển động từ tín hiệu EEG. Trong Hội nghị quốc tế lần thứ 9 của IEEE năm 2020 về Hệ thống truyền thông và Công nghệ mạng (CSNT) (trang 323-326). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761

5. Chiang, H. S., Chen, M. Y., & Huang, Y. J. (2019). Xử lý EEG dựa trên Wavelet để phát hiện động kinh sử dụng entropy mờ và mạng petri liên kết. Ieee Access, 7, 103255-103262. https://doi.org/10.1109/ACCESS.2019.2929266

Các câu hỏi thường gặp

Sự khác biệt giữa xử lý tương tự và xử lý kỹ thuật số là gì?

Xử lý tương tự liên quan đến các mức điện áp hoặc dòng điện liên tục, trong khi xử lý kỹ thuật số sử dụng một chuỗi các con số để biểu diễn dữ liệu, cho phép kiểm soát và lưu trữ chính xác hơn.

Bộ lọc kỹ thuật số hoạt động như thế nào?

Bộ lọc kỹ thuật số sử dụng các thuật toán toán học để tính toán một chuỗi mới từ một chuỗi đầu vào, điều chỉnh tỷ lệ hoặc làm trễ các tần số cụ thể một cách có chọn lọc để cho phép các thành phần mong muốn đi qua.

Tiêu chuẩn Nyquist là gì và tại sao nó lại cần thiết cho việc số hóa EEG?

Tiêu chuẩn Nyquist yêu cầu lấy mẫu ở mức nhiều hơn hai lần tần số cao nhất có mặt trong EEG để ngăn ngừa méo tần số. Nó là cần thiết vì vi phạm quy tắc này gây ra hiện tượng chồng phổ, nơi các sóng não nhanh bị ghi lại sai lệch thành sóng chậm, làm hỏng dữ liệu vĩnh viễn và khiến việc phân tích chính xác trở nên bất khả thi.

Chồng phổ (aliasing) là gì và tại sao nó không thể khắc phục được sau khi lấy mẫu?

Chồng phổ là một lỗi lấy mẫu trong đó các tín hiệu tần số cao bị ghi lại sai lệch thành các thành phần tần số thấp hơn. Một khi nó xảy ra, thông tin tín hiệu nhanh ban đầu bị trộn lẫn không thể cứu vãn vào các dải tần số khác, vì vậy không có kỹ thuật toán học nào có thể hoàn tác sự bóp méo đó.

Bộ lọc chống chồng phổ bảo vệ tín hiệu EEG như thế nào?

Bộ lọc chống chồng phổ là một bộ lọc thông thấp tương tự được đặt trước bộ chuyển đổi tương tự-sang-số giúp loại bỏ các tần số trên giới hạn Nyquist. Bằng cách loại bỏ nội dung tần số cao trước khi lấy mẫu, nó ngăn chặn hiện tượng chồng phổ xảy ra và bảo toàn tính toàn vẹn của tín hiệu não.

Tại sao độ sâu bit lại quan trọng khi chuyển đổi các mức điện áp của não thành các số kỹ thuật số?

Độ sâu bit quyết định độ chính xác của mỗi phép đo điện áp bằng cách xác định có bao nhiêu bước rời rạc có sẵn để biểu diễn biên độ của tín hiệu. Độ sâu bit mịn hơn sẽ ghi lại các biến đổi biên độ tinh tế vốn rất quan trọng đối với các thuật toán dựa vào các đặc tính như entropy hoặc phương sai để phân biệt các trạng thái của não.

Điều gì xảy ra nếu một EEG được lấy mẫu ở tốc độ quá thấp?

Nếu tốc độ lấy mẫu quá thấp, hiện tượng chồng phổ sẽ xảy ra, khiến hoạt động tần số cao (như nhiễu cơ hoặc nhịp não nhanh) bị ghi lại sai lệch thành các sóng não chậm hơn. Điều này làm nhiễm bẩn vĩnh viễn tín hiệu số hóa, vì vậy các phân tích hạ nguồn sẽ dựa trên dữ liệu bị hỏng thay vì hoạt động não thực sự.

Tại sao chồng phổ được coi là một dạng hỏng dữ liệu vĩnh viễn?

Chồng phổ làm hỏng dữ liệu vĩnh viễn vì nó biến đổi các tín hiệu tần số cao thành các biểu diễn tần số thấp giả, và thông tin tần số cao ban đầu bị mất đi không thể lấy lại được. Không có thuật toán hạ nguồn nào có thể phân biệt nhiễu chồng phổ với hoạt động não hợp lệ, vì cả hai đều được mã hóa giống hệt nhau trong tín hiệu ghi được.