Phân tích chế độ kinh nghiệm

Tại sao tín hiệu EEG chống lại các công cụ xử lý tín hiệu truyền thống

Vấn đề cốt lõi khi áp dụng các phương pháp xử lý tín hiệu cổ điển vào EEG là vấn đề về mặt cấu trúc. Phân tích dựa trên Fourier phân tích một tín hiệu thành một thư viện cố định gồm các sóng sin và cosin, một cách tiếp cận hoạt động hiệu quả khi quá trình cơ bản không thay đổi hành vi thống kê của nó theo thời gian.

EEG không đáp ứng điều kiện đó. Hoạt động não của một người trong lúc nghỉ ngơi yên tĩnh trông khác biệt về mặt thống kê so với hoạt động của chính người đó trong một đợt tập trung chú ý cao độ hoặc, trong môi trường lâm sàng, trong một cơn động kinh. Nghiên cứu trích dẫn tính chất không dừng này là lý do ban đầu để chuyển sang EMD thay vì các công cụ dựa trên tần số được xây dựng cho các tín hiệu ổn định.

Hệ quả thực tế là một phương pháp giả định tính dừng có thể làm mờ hoặc biểu diễn sai lệch các sự kiện thần kinh nhất thời, coi một xung nhọn ngắn như thể nó trải đều trên một khoảng thời gian dài hơn. Đối với các ứng dụng như chẩn đoán bệnh động kinh, nơi thời gian và hình dạng của một xung nhọn mang giá trị chẩn đoán, loại mờ đó là một hạn chế thực sự.

Giải pháp đề xuất của EMD là tránh hoàn toàn giả định cơ sở cố định và để quá trình phân tách tự thích ứng với bất kỳ hình dạng nào mà tín hiệu thực tế tạo ra.

Phân tách chế độ thực nghiệm hoạt động như thế nào và cơ chế hoạt động

EMD hoạt động thông qua một quá trình lặp đi lặp lại gọi là sàng lọc. Thuật toán xác định các đỉnh và thung lũng cục bộ của một tín hiệu, kết nối chúng thành các bao bọc trên và dưới, và trừ đi trung bình của các bao bọc đó từ tín hiệu gốc.

Bước này lặp lại cho đến khi thành phần kết quả đáp ứng hai điều kiện:

1. Các bao bọc trên và dưới của nó đối xứng qua điểm không

2. Giá trị trung bình của nó vẫn gần bằng không trên toàn bộ phân đoạn.

Khi một thành phần thỏa mãn các điều kiện này, nó được dán nhãn là hàm chế độ nội tại (IMFs), và nó sẽ được trừ khỏi tín hiệu gốc để quá trình có thể trích xuất thành phần tiếp theo.

Đầu ra là một tập hợp các IMF được sắp xếp từ các dao động nhanh nhất đến chậm nhất, tiếp theo là một xu hướng còn lại cuối cùng ghi lại bất kỳ sự trôi chậm nào còn sót lại. Bởi vì mỗi IMF được trích xuất trực tiếp từ hình dạng cục bộ của dữ liệu thay vì khớp với một dạng sóng được xác định trước, EMD, về nguyên tắc, có thể biểu diễn các động lực không đều và thay đổi mà không cần nhà phân tích phải chọn trước một cơ sở.

Cách EMD nắm bắt các sự kiện nhất thời như các xung nhọn động kinh

Các sự kiện nhất thời trong EEG, các xung nhọn dạng động kinh hoặc các đợt bùng phát ngắn gắn liền với một nhiệm vụ nhận thức, mang tầm quan trọng lâm sàng và thần kinh học to lớn, nhưng chúng thường bị chôn vùi dưới hoạt động não nền hoặc nhiễu gây ô nhiễm. Đây chính xác là tình huống mà sự phân tách thích ứng cục bộ của EMD được kỳ vọng mang lại lợi thế so với các phương pháp cơ sở cố định.

Một nghiên cứu của Safieddine và các đồng nghiệp đã thử nghiệm điều này trực tiếp bằng cách mô phỏng các tín hiệu giống như xung nhọn động kinh và làm bẩn chúng bằng nhiễu cơ thực tế ở các cường độ khác nhau, sau đó so sánh bốn phương pháp hiệu chỉnh:

1. EMD

2. Phân tích thành phần độc lập (ICA)

3. Phân tích tương quan chính tắc (CCA)

4. Biến đổi Wavelet

Khi nhiễu bẩn nặng, EMD vượt trội hơn cả ba phương pháp thay thế. Tuy nhiên, lợi thế đó không phải là tuyệt đối. Khi tín hiệu ít nhiễu hơn và các xung nhọn đến từ một nguồn vỏ não duy nhất, CCA và ICA mang lại kết quả tốt hơn. Khi các xung nhọn bắt nguồn từ hai nguồn riêng biệt, EMD hoặc ICA hoạt động tốt nhất dưới mức nhiễu nặng, trong khi biến đổi wavelet hoạt động tốt hơn dưới mức nhiễu nhẹ hơn.

Nói cách khác, công cụ loại bỏ nhiễu tốt nhất phụ thuộc vào cả mức độ nhiễu và cấu hình nguồn cơ bản, và lợi thế của EMD mạnh nhất đặc biệt trong trường hợp bị nhiễu bẩn nặng.

Trong khi đó, các nghiên cứu nghiên cứu của Riaz và các đồng nghiệp và Shafiul Alam và các đồng nghiệp đã chuyển từ hiệu chỉnh nhiễu sang phân loại, sử dụng các IMF như một nguồn tính năng để phát hiện các cơn co giật và động kinh.

Nhóm của Riaz đã trích xuất các momen thời gian, nghĩa là các phép đo thống kê như phương sai, độ lệch và độ nhọn, cùng với các đặc trưng phổ như trọng tâm phổ và độ lệch phổ, từ mỗi IMF. Các đặc trưng này được đưa vào một máy vectơ hỗ trợ, một bộ phân loại học có giám sát tiêu chuẩn, và kết quả phân loại bệnh nhân động kinh và các phân đoạn co giật đã tạo ra những gì các tác giả mô tả là kết quả tốt so với các phương pháp trích xuất đặc trưng đã được thiết lập khác.

Nhóm của Alam đã tiến xa hơn bằng cách sử dụng các momen thống kê bậc cao được tính toán trong miền EMD, đưa chúng vào một mạng thần kinh nhân tạo. Trên một số nhiệm vụ phân loại, bao gồm phân biệt hoạt động co giật với hoạt động không co giật, phương pháp này báo cáo độ chính xác, độ nhạy và độ đặc hiệu cao tới 100 phần trăm, đồng thời chạy nhanh hơn các kỹ thuật phân tích thời gian-tần số có thể so sánh được.

Tựu chung lại, các nghiên cứu này gợi ý rằng EMD có thể giúp cô lập hoạt động động kinh nhất thời, nhưng hiệu suất của nó nhạy cảm với mức độ nhiễu, hình học nguồn và tập dữ liệu mà nó được thử nghiệm chứ không phải là một lợi thế cố định, được đảm bảo.

Các thách thức phổ biến trong phân tách chế độ thực nghiệm

EMD linh hoạt, nhưng sự linh hoạt đó tạo ra các lựa chọn phương pháp luận có thể ảnh hưởng đến kết quả khoa học. Những nhiễu động nhỏ trong tín hiệu có thể thay đổi các điểm cực trị, và do đó thay đổi các bao bọc và các chế độ được trích xuất. Nhiễu, lọc, bản ghi ngắn và ranh giới sắc nét đều có thể làm cho sự phân tách kém ổn định hơn.

Các bước kiểm tra phổ biến giúp phơi bày thay vì che giấu những khó khăn này. Chúng bao gồm:

• Đo lường sai số tái dựng sau khi cộng các IMF và phần dư.

• Thử nghiệm độ nhạy đối với xử lý điểm cuối và ngưỡng sàng lọc.

• So sánh các phân tách qua các phân đoạn lặp lại hoặc các tập hợp nhiễu.

• Kiểm tra xem một thành phần bị loại bỏ có chứa hoạt động thần kinh hợp lý hay không.

Những kiểm tra này không loại bỏ sự mơ hồ, nhưng chúng làm cho nó có thể nhìn thấy được. Trộn chế độ có thể yêu cầu một biến thể tập hợp, trong khi nội dung tần số cao quá mức có thể chỉ ra sự nhiễm bẩn hơn là một chế độ thần kinh hữu ích. Trong mọi trường hợp, phân tích nên báo cáo các quyết định đã tạo ra biểu diễn cuối cùng.

Một thách thức khác là truyền thông. Chỉ số IMF là một nhãn thuật toán, không phải là một chẩn đoán hay một băng tần EEG được định nghĩa phổ quát. Các hình ảnh rõ ràng, bản ghi tham số và ngôn từ thận trọng là cần thiết khi kết quả chuyển từ xử lý tín hiệu khám phá sang diễn giải y sinh.

Trộn chế độ: Điểm yếu chính của EMD cơ bản

Điểm yếu cấu trúc rõ ràng nhất trong EMD cơ bản là một hiện tượng gọi là trộn chế độ. Nó xảy ra theo hai cách có liên quan. Hoặc các dao động hoạt động trên các quy mô thời gian rất khác nhau cuối cùng bị mắc kẹt bên trong cùng một IMF, hoặc một thành phần nhịp điệu mạch lạc, duy nhất bị phân mảnh và phân tán trên nhiều IMF thay vì nằm trong một IMF. Cả hai phiên bản của vấn đề đều khiến việc tin tưởng rằng một IMF tương ứng với một quá trình sinh lý duy nhất, thực sự trở nên khó khăn hơn.

Rủi ro thực tế nằm ở khía cạnh diễn giải. Nếu một nhà nghiên cứu giả định một IMF nhất định đại diện cho, ví dụ, hoạt động trong một băng tần tần số cụ thể, nhưng IMF đó thực sự chứa một hỗn hợp của nhiễu cơ và hoạt động xung nhọn còn sót lại do trộn chế độ, bất kỳ kết luận nào được rút ra từ IMF đó đều trở nên không đáng tin cậy.

Phân tách chế độ thực nghiệm tập hợp đầy đủ

Phân tách chế độ thực nghiệm tập hợp đầy đủ, thường được gọi là CEEMD, là một phần mở rộng hỗ trợ bởi tiếng ồn của EMD. Nó thêm các hiện thực nhiễu được kiểm soát cẩn thận vào tín hiệu, phân tách tập hợp kết quả và trung bình hóa các chế độ tương ứng. Mục tiêu là làm cho sự phân tách ổn định hơn khi các quy mô dao động gần nhau khó tách biệt.

Cách CEEMD cải tiến so với EMD tiêu chuẩn

EMD tiêu chuẩn có thể bị trộn chế độ, trong đó các dao động với các quy mô khác nhau xuất hiện trong một IMF hoặc các quy mô tương tự được trải rộng trên nhiều IMF. CEEMD giải quyết sự bất ổn này bằng thống kê thay vì thay đổi ý tưởng sàng lọc bao bọc cơ bản. Việc phân tách lặp đi lặp lại và trung bình hóa có thể làm giảm ảnh hưởng của một hiện thực nhiễu riêng lẻ, nhưng kết quả vẫn phụ thuộc vào thiết kế tập hợp, biên độ nhiễu, số lượng thử nghiệm và các chi tiết triển khai.

Phương pháp này không tự động vượt trội cho mọi tập dữ liệu. Nó làm tăng chi phí tính toán và có thể giữ lại nhiễu dư hoặc đưa vào độ nhạy ranh giới nếu các tham số của nó được lựa chọn kém. Đối với EEG, các so sánh do đó nên kiểm tra chất lượng tái dựng, tính ổn định qua các thử nghiệm, việc bảo tồn các sự kiện nhất thời, và liệu các chế độ kết quả có thể diễn giải được cho câu hỏi nghiên cứu đã nêu hay không.

Những ứng dụng EEG nào đã thử nghiệm EMD cho đến nay

EMD đã được áp dụng phổ biến trong ba danh mục rộng lớn.

Trích xuất đặc trưng để phân loại đại diện cho trường hợp sử dụng lớn nhất. Ví dụ, một nghiên cứu do Ning Zhuang dẫn đầu đã sử dụng EMD để nhận dạng cảm xúc, trích xuất các đặc trưng đa chiều từ các IMF, bao gồm hiệu số bậc một của chuỗi thời gian, hiệu số bậc một của pha, và năng lượng chuẩn hóa, sau đó thử nghiệm chúng trên cơ sở dữ liệu cảm xúc DEAP có sẵn công khai. Nghiên cứu phát hiện ra rằng thành phần IMF1 tần số cao có ảnh hưởng đáng kể đến việc phân biệt các trạng thái cảm xúc, và cách tiếp cận tổng thể vượt trội hơn các phương pháp so sánh bao gồm chiều fractal, entropy mẫu và biến đổi wavelet rời rạc.

Loại bỏ nhiễu được thể hiện trong các nghiên cứu như nghiên cứu của Safieddine và các đồng nghiệp, nơi phân tách dựa trên bao bọc, xác định của EMD đã loại bỏ nhiễu cơ khỏi EEG động kinh mô phỏng hiệu quả hơn các phương pháp dựa trên ICA, CCA hoặc wavelet, đặc biệt trong các điều kiện bị nhiễm bẩn nặng.

Cuối cùng, phân tích đa kênh và giao diện não-máy tính có thể được nhìn thấy trong nghiên cứu được công bố trên Journal of Circuits, Systems and Computers, nơi EMD được áp dụng riêng biệt cho từng kênh trong bản ghi EEG đa kênh, và các IMF kết quả được gom cụm theo sự tương đồng phổ để xác định thành phần nào tương quan với kích thích bên ngoài.

Việc tái dựng tín hiệu chỉ từ các thành phần liên kết với kích thích đó đã cho phép các nhà nghiên cứu xác định khi nào một đối tượng đang chú ý đến một kích thích nhất định, một khả năng liên quan trực tiếp đến hệ thống BCI vốn phụ thuộc vào việc phân biệt các tín hiệu thần kinh có chủ ý với nhiễu nền.

Hướng dẫn phân tách chế độ thực nghiệm cho người mới bắt đầu

Một người mới bắt đầu có thể coi EMD như việc liên tục bóc tách dao động nhanh nhất có thể nhìn thấy ra khỏi một dạng sóng phức tạp. Thuật toán không bắt đầu với một danh sách các băng tần tần số. Thay vào đó, nó quan sát nơi tín hiệu tăng và giảm, ước tính một đường trung tâm cục bộ, và loại bỏ đường trung tâm đó khỏi dao động ứng viên.

Một bài tập học tập hợp lý bắt đầu với một tín hiệu tổng hợp ngắn, sạch chứa hai dao động và một xu hướng chậm. Kết quả mong đợi không phải là một sự phân tách hoàn hảo trong mọi trường hợp, mà là một tập hợp các thành phần có tổng tái tạo xấp xỉ tín hiệu đầu vào. Việc vẽ biểu đồ tín hiệu gốc, mọi IMF và phần dư trên một trục thời gian chung thường cung cấp nhiều thông tin hơn là chỉ kiểm tra đầu ra bằng số.

Đối với một bản ghi EEG, quy trình làm việc cũng bao gồm các quyết định trước khi phân tách:

• Chọn các kênh và phân đoạn

• Kiểm tra thông tin lấy mẫu

• Đánh dấu các khoảng thời gian xấu

• Tài liệu hóa tiền xử lý

Một hướng dẫn phân tách tần số chung có thể giúp định vị EMD trong số các phương pháp Fourier, wavelet và các phương pháp thời gian–tần số liên quan. Những lựa chọn này không biến EMD thành một thử nghiệm lâm sàng; chúng xác định các điều kiện để đầu ra của nó có thể được đánh giá.

Phân tách chế độ thực nghiệm Python: Hướng dẫn viết mã

Các triển khai Python thường chấp nhận một mảng một chiều và trả về một bộ sưu tập các IMF, đôi khi kèm theo một phần dư hoặc thông qua một thao tác phần dư riêng biệt. Một quy trình làm việc cơ bản tải một tín hiệu, xác nhận thứ tự lấy mẫu và trạng thái giá trị bị thiếu của nó, chạy phân tách và vẽ biểu đồ các thành phần. Phân tích có thể tái lập cũng ghi lại phiên bản thư viện và các tham số kiểm soát hành vi sàng lọc và tập hợp.

Các thư viện Python phổ biến cho EMD

Một số gói Python khoa học cung cấp EMD hoặc các thuật toán liên quan, nhưng API và các giá trị mặc định của chúng khác nhau. Một số cung cấp EMD tiêu chuẩn, các biến thể tập hợp, ngưỡng dừng, các lựa chọn spline và các công cụ hỗ trợ trực quan hóa; những gói khác yêu cầu lắp ráp thủ công nhiều hơn. Nhiệm vụ mã hóa trung tâm không chỉ đơn thuần là gọi một hàm, mà là kiểm tra xem các thành phần được trả về có ý nghĩa gì và liệu tổng của chúng có tái dựng lại tín hiệu đầu vào hay không.

Một mẫu mã giả tối giản là:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

Mã này cố tình mang tính lược đồ vì tên hàm và giá trị trả về khác nhau giữa các gói. Việc xác thực nên bao gồm sai số tái dựng, biểu đồ của các cực trị và ranh giới, và kiểm tra độ nhạy dưới các thay đổi tham số hợp lý.

Đối với EEG, các chiều dữ liệu cũng quan trọng: một bản ghi đa kênh có thể yêu cầu một quy trình làm việc theo từng kênh hoặc một phương pháp đa biến cụ thể thay vì âm thầm làm phẳng tất cả các kênh thành một mảng duy nhất.

Áp dụng phân tách chế độ thực nghiệm cho các tín hiệu EEG

EEG là một môi trường tự nhiên cho phân tách chế độ thực nghiệm vì các thay đổi điện áp có thể chứa các nhịp điệu chồng chéo, các sự kiện nhất thời và hoạt động không dừng. EMD có thể được áp dụng cho các kênh riêng lẻ hoặc các phân đoạn được chọn để kiểm tra xem các dao động cục bộ tiến triển như thế nào. Câu hỏi khoa học liên quan có thể liên quan đến cấu trúc thời gian, phân tách nhiễu, các thay đổi liên quan đến sự kiện, hoặc các đặc trưng cho một mô hình thống kê tiếp theo.

Trước khi phân tách, chất lượng tín hiệu và bối cảnh ghi âm cần được chú ý. Vị trí điện cực, sơ đồ tham chiếu, tốc độ lấy mẫu, lọc, các mẫu bị thiếu và các nhiễu được đánh dấu đều có thể ảnh hưởng đến các điểm cực trị cục bộ.

Hơn nữa, các IMF kết quả không nên được gán các nhãn sinh lý chỉ dựa trên thứ tự của chúng. Các thành phần nhanh có thể bao gồm nhiễu cơ hoặc nhiễu thiết bị, và các thành phần chậm hơn có thể chứa sự trôi dạt cũng như hoạt động có ý nghĩa.

Việc diễn giải sẽ chặt chẽ hơn khi nó so sánh các tín hiệu được tái dựng, giữ lại một lịch sử kiểm tra rõ ràng của các thành phần bị loại trừ, và thử nghiệm xem các phát hiện có nhất quán trên các kênh, những người tham gia và các lựa chọn phân tích hay không.

Phân tách chế độ thực nghiệm so với biến đổi Wavelet

EMD và biến đổi wavelet đều hỗ trợ phân tích thời gian-tần số, nhưng chúng tổ chức cấu trúc tín hiệu khác nhau. EMD rút ra các chế độ từ các điểm cực trị cục bộ trong dữ liệu quan sát được, trong khi phân tích wavelet so sánh tín hiệu với một họ được chọn gồm các hàm cơ sở được mở rộng và dịch chuyển. Một bên thích ứng với dữ liệu; bên kia cung cấp một hệ tọa độ đa quy mô được xác định trước.

Sự khác biệt trở nên rõ ràng hơn khi so sánh các ưu tiên phân tích:

Không có phương pháp nào là tối ưu hơn trong mọi trường hợp. EMD có thể mang lại một sự phân tách trực quan cho các dao động thay đổi, trong khi wavelet có thể cung cấp một khung nhất quán để so sánh các tín hiệu khi cơ sở và các quy mô phù hợp về mặt khoa học.

Sự lựa chọn nên tuân theo câu hỏi nghiên cứu, các sự kiện nhất thời mong đợi, nhu cầu về khả năng tái lập và chiến lược xác thực, thay vì một tuyên bố chung chung rằng phương pháp này tiên tiến hơn phương pháp kia.

Phân tích tín hiệu não thu được gì từ sự phân tách dựa trên dữ liệu

Hoạt động của não hiếm khi đứng yên đủ lâu để các công cụ tần số cổ điển bắt kịp những khoảnh khắc biểu hiện rõ ràng nhất của nó, đó là lý do tại sao một phương pháp cho phép các tín hiệu tự định nghĩa các khối xây dựng của riêng chúng đã thu hút sự chú ý thực sự.

Phân tách chế độ thực nghiệm đi đường vòng qua nhu cầu về các khuôn mẫu toán học cố định, tạo ra các kết quả đã chứng minh là hữu ích cho việc cô lập các xung nhọn động kinh dưới nhiễu nặng và trích xuất các đặc trưng có ý nghĩa để nhận dạng cảm xúc. Sự chuyển hướng sang phân tích có hình dạng thích ứng này tạo ra một lộ trình để bắt các sự kiện thần kinh nhất thời mà nếu không sẽ bị mờ hoặc bị bỏ lỡ. Kết quả thực tế, như đã thấy qua các nghiên cứu, là một công cụ có thể hỗ trợ phân loại và loại bỏ nhiễu khi các điều kiện thuận lợi hội tụ.

Tài liệu tham khảo

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

Các câu hỏi thường gặp

Phân tách chế độ thực nghiệm (EMD) là gì và tại sao nó hữu ích cho EEG?

EMD là một phương pháp xử lý tín hiệu thích ứng, phân tích một dạng sóng thành các thành phần dao động được gọi là các hàm chế độ nội tại mà không giả định tín hiệu là dừng. Nó hữu ích cho EEG vì hoạt động của não thay đổi liên tục và chứa các sự kiện nhất thời, điều mà các công cụ cơ sở cố định truyền thống gặp khó khăn để biểu diễn chính xác.

Quá trình sàng lọc trong EMD hoạt động như thế nào?

Quá trình sàng lọc liên tục xác định các đỉnh và thung lũng cục bộ của tín hiệu, xây dựng các bao bọc trên và dưới, và trừ đi giá trị trung bình của chúng từ tín hiệu. Bước này lặp lại cho đến khi thành phần còn lại có các bao bọc đối xứng và giá trị trung bình gần bằng không, tại thời điểm đó nó trở thành một hàm chế độ nội tại.

Các hàm chế độ nội tại (IMF) là gì?

Các IMF là các khối xây dựng dựa trên dữ liệu được tạo ra bởi EMD, được sắp xếp từ các dao động nhanh nhất đến chậm nhất. Vì chúng được trích xuất trực tiếp từ hình dạng cục bộ của tín hiệu chứ không phải khớp với một dạng sóng cài đặt sẵn, chúng có thể nắm bắt các động lực thần kinh không đều và thay đổi.

Tại sao trộn chế độ là một vấn đề trong EMD?

Trộn chế độ xảy ra khi các dao động của các quy mô thời gian khác nhau bị mắc kẹt trong cùng một IMF hoặc khi một nhịp điệu duy nhất bị chia tách trên nhiều IMF. Sự mơ hồ này khiến việc tin tưởng rằng một IMF đại diện cho một quá trình sinh lý duy nhất trở nên khó khăn, có khả năng trộn lẫn nhiễu hoặc các hiện tượng nhân tạo với hoạt động não thực sự.

EMD xử lý các sự kiện nhất thời như thế nào như các xung nhọn co giật?

EMD cô lập các xung nhọn ngắn bằng cách trích xuất chúng thành các IMF tần số cao, nơi hoạt động nền được tách ra. Dưới sự nhiễm bẩn cơ nặng, EMD vượt trội hơn các phương pháp loại bỏ nhiễu khác, mặc dù lợi thế của nó giảm dần với các tín hiệu sạch hơn hoặc cấu hình nguồn khác nhau.

EMD có thể thay thế các phương pháp truyền thống như biến đổi Fourier cho tất cả các phân tích EEG không?

EMD không phải là sự thay thế vạn năng; nó có giá trị nhất đối với các tín hiệu không dừng và nhất thời, nơi các phương pháp Fourier cơ sở cố định không đáp ứng được. Tuy nhiên, độ tin cậy của nó thay đổi theo mức độ nhiễu và chưa được chứng minh trên tất cả các điều kiện ghi EEG.

EMD có yêu cầu giả định tín hiệu là dừng không?

Không, EMD không giả định tính dừng, một lợi thế chính so với phân tích Fourier cổ điển đối với EEG. Sự phân tách thích ứng trực tiếp với đặc tính thống kê thay đổi của dữ liệu, cho phép nó theo dõi các động lực não thay đổi và các sự kiện ngắn mà không cần điều kiện trước.

EMD có thể phân tích trực tiếp EEG đa kênh không?

EMD cơ bản thường được áp dụng cho các tín hiệu một chiều. Phân tích đa kênh đòi hỏi một chiến lược theo từng kênh hoặc đa biến có chủ ý, vì việc chỉ kết hợp các kênh một cách đơn giản có thể che khuất ý nghĩa không gian và thời gian.