Phép biến đổi Fourier

Biểu đồ EEG Thực sự Biểu diễn Điều gì

Một điện não đồ (EEG) ghi lại điện áp khi nó thay đổi từ khoảnh khắc này sang khoảnh khắc tiếp theo. Khi được vẽ ra, nó tạo ra một đường liên tục duy nhất, một chuỗi thời gian, di chuyển lên và xuống khi hoạt động điện bên dưới điện cực thay đổi. Bản thân đường này trông giống như một sự kiện thống nhất duy nhất. Nhưng vẻ ngoài đó là lừa dối.

Trong thực tế, điện áp được ghi lại tại bất kỳ thời điểm đơn lẻ nào là kết quả kết hợp của nhiều quá trình dao động riêng biệt xảy ra đồng thời trong mô thần kinh bên dưới. Một số quá trình này chu kỳ chậm, số khác nhanh. Khi chúng xảy ra cùng nhau, các mô hình riêng lẻ của chúng cộng lại thành một dạng sóng hỗn hợp, giống như cách nhiều nhạc cụ chơi các nốt khác nhau hòa quyện thành một hợp âm duy nhất. Người nghe nghe thấy một âm thanh, nhưng âm thanh đó thực chất được tạo thành từ nhiều cao độ riêng biệt xếp chồng lên nhau.

Một biểu đồ EEG cũng hoạt động theo cách tương tự. Những gì trông giống như một đường thất thường thực sự là một vài nhịp điệu được xếp chồng lên nhau thành một tín hiệu duy nhất.

Vấn đề mà điều này tạo ra rất đơn giản: nếu một vài nhịp điệu được trộn lẫn với nhau thành một dạng sóng, làm thế nào để ai đó có thể xác định nhịp điệu nào đang hiện diện, hoặc mức độ mạnh yếu của mỗi nhịp điệu là bao nhiêu?

Phép biến đổi Fourier: Một thấu kính, không phải kính hiển vi

Phép biến đổi Fourier trả lời câu hỏi đó, nhưng không phải bằng cách khám phá ra dữ liệu mới. Nó hoạt động bằng cách biểu diễn lại chính phân đoạn EEG đó bằng một hệ tọa độ khác. Thay vì mô tả tín hiệu về mặt điện áp theo thời gian, nó mô tả cùng một tín hiệu về mặt thành phần tần số, lượng của mỗi tốc độ dao động hiện diện trong nó.

Phép biến đổi này có tính khả nghịch về mặt toán học vì nó có thể chuyển đổi một phân đoạn EEG thành biểu diễn tần số của nó, sau đó chuyển đổi ngược lại, và dạng sóng dựa trên thời gian ban đầu sẽ xuất hiện lại chính xác như cũ.

Hai biểu diễn, thời gian và tần số, chứa thông tin giống hệt nhau. Chúng chỉ đơn giản là sắp xếp nó khác nhau, theo cách tương tự như ánh sáng mặt trời đi qua lăng kính không tạo ra màu sắc. Màu sắc đã có sẵn trong ánh sáng trắng. Lăng kính chỉ tách các bước sóng vốn đã trộn lẫn với nhau để chúng có thể nhìn thấy riêng lẻ.

Phép biến đổi Fourier thực hiện việc tách tương đương trên một tín hiệu EEG, làm cho các thành phần nhịp điệu hiển thị rõ ràng mà không làm thay đổi bản ghi ban đầu dưới bất kỳ hình thức nào.

Cơ sở Toán học của Phép biến đổi Fourier

Tại cốt lõi của nó, phép biến đổi dựa trên việc đánh giá tích phân của một tín hiệu nhân với các hàm mũ phức. Phép toán này tính toán mối tương quan giữa dạng sóng ban đầu và các sóng hình sin có tần số khác nhau. Nếu một tần số cụ thể tồn tại trong tín hiệu ban đầu, tích phân sẽ mang lại giá trị cao tại điểm đó trong miền tần số, đại diện cho cường độ năng lượng cục bộ.

Các định nghĩa chính thức sử dụng đồng nhất thức Euler để thu hẹp khoảng cách giữa các hàm số lượng giác và hàm mũ phức. Phép biến đổi xuôi chuyển đổi một hàm liên tục f(t) thành F(ω), trong khi phép biến đổi ngược tái tạo tín hiệu ban đầu thông qua một tổng của các thành phần tổng hợp này. Sự đối xứng này đảm bảo rằng không có thông tin nào bị mất đi trong quá trình chuyển đổi, cho phép một sự chuyển đổi toán học có tính khả nghịch hoàn hảo.

Những người thực hành phải chú ý kỹ đến các hằng số chuẩn hóa và tiêu chí hội tụ khi áp dụng các tích phân này vào dữ liệu vật lý. Việc xử lý không đúng các giới hạn tích phân hoặc các định nghĩa tín hiệu có thể dẫn đến các ước lượng phổ không chính xác. Bằng cách tôn trọng các ranh giới toán học này, người ta đảm bảo rằng **biểu diễn miền tần số** vẫn là sự phản ánh trung thực của luồng dữ liệu phụ thuộc vào thời gian ban đầu.

Các loại Phép biến đổi Fourier

Phép biến đổi Fourier Liên tục so với Phép biến đổi Fourier Rời rạc

Phép biến đổi liên tục áp dụng cho các hàm được xác định trên một khoảng thời gian vô hạn, trong khi phiên bản rời rạc hoạt động trên các chuỗi dữ liệu hữu hạn, được lấy mẫu.

Trong thực tế, các hệ thống kỹ thuật số luôn sử dụng xử lý rời rạc, đòi hỏi phải cân nhắc kỹ lưỡng các giới hạn lấy mẫu để biểu diễn chính xác các hiện tượng liên tục. Nhiều phương pháp khác nhau tồn tại để xấp xỉ quá trình chuyển đổi này mà không mất mát dữ liệu đáng kể, bao gồm:

• Các hàm cửa sổ giúp ngăn chặn rò rỉ phổ bằng cách thu hẹp các cạnh dữ liệu đầu vào.

• Kỹ thuật chèn thêm số 0 (Zero-padding) để tăng độ phân giải của các bins tần số kết quả.

• Các chiến lược giảm thiểu hiện tượng răng cưa (aliasing) để đảm bảo tính toàn vẹn của tín hiệu trong quá trình số hóa.

• Tuân thủ định lý lấy mẫu để nắm bắt tất cả thông tin tần số cao có liên quan hiện diện.

• Sơ đồ tính toán hiệu quả tỷ lệ thuận với số lượng điểm dữ liệu đầu vào.

Những cân nhắc này giúp quyết định mức độ hiệu quả mà một kết quả rời rạc phản ánh cấu trúc tín hiệu liên tục bên dưới.

Phép biến đổi Fourier Nhanh: Tại sao Tốc độ lại Quan trọng

Sự phát triển của các thuật toán hiệu quả, chẳng hạn như Phép biến đổi Fourier Nhanh (FFT), đã cho phép phân tích phổ theo thời gian thực trong các hệ thống có lượng dữ liệu khổng lồ. Nếu không có những tối ưu hóa này, độ phức tạp tính toán của các phép biến đổi rời rạc tiêu chuẩn sẽ khiến các công nghệ chẩn đoán hiện đại không thể sử dụng được. Hiệu quả đạt được là vô cùng rõ ràng khi so sánh thời gian tính toán cho các tập dữ liệu lớn, như được minh họa dưới đây.

Bằng cách chuyển đổi một phép toán có tỷ lệ bình phương thành một phép toán có tỷ lệ logarit, các công cụ này tạo điều kiện cho việc giám sát tín hiệu nhanh chóng. Xử lý nhanh cho phép tạo ra các vòng lặp phản hồi tức thời, điều cực kỳ quan trọng trong môi trường mà việc quan sát những thay đổi trong thời gian thực là mục tiêu chính của cuộc khảo sát.

Giả định về Tính Tuần hoàn Đằng sau Mỗi Tính toán Fourier

Khi phép biến đổi Fourier xử lý một phân đoạn tín hiệu, về mặt toán học, nó coi phân đoạn đó như thể nó lặp đi lặp lại vô hạn theo cả hai hướng, tiến và lùi trong thời gian, mãi mãi. Lát cắt ngắn của EEG đang được phân tích được coi như một đơn vị lặp lại trong một vòng lặp vô tận.

Hoạt động EEG thực tế không diễn ra theo cách này. Các tín hiệu não không tuần hoàn hoàn hảo, và một phân đoạn được rút ra từ một bản ghi liên tục hiếm khi bắt đầu và kết thúc ở các giá trị có thể kết nối mượt mà nếu được lặp lại chính nó.

Khi các cạnh của phân đoạn không khớp nhau, giả định về sự lặp lại vô hạn sẽ gây ra các biến dạng tại các ranh giới, đôi khi được gọi là các giả tượng ranh giới hoặc rò rỉ phổ, nơi năng lượng từ một tần số dường như bị nhòe sang các tần số lân cận vốn không thực sự hiện diện trong tín hiệu gốc.

Đây không phải là một khiếm khuyết làm mất hiệu lực của phương pháp. Đó là một sự đánh đổi toán học đã được biết đến, và nó có thể kiểm soát được khi các phân đoạn được lựa chọn cẩn thận. Đây là một phần lý do tại sao phân tích EEG dựa trên tần số thường hoạt động với các đoạn tín hiệu ngắn, tương đối ổn định thay vì các bản ghi thay đổi liên tục, kéo dài.

Jansen và các cộng sự, ví dụ, đã so sánh các đặc trưng miền tần số trên các khoảng EEG ngắn thay vì các bản ghi kéo dài, một cách tiếp cận nhất quán với việc giữ cho mỗi phân đoạn được phân tích đủ ngắn để giả định về tính tuần hoàn vẫn là một phép xấp xỉ hợp lý. Một nghiên cứu của Vidyaratne và các cộng sự đã đi theo một con đường liên quan nhưng chuyên biệt hơn, tính toán phép biến đổi gói wavelet hài, một kỹ thuật được xây dựng trên chính phép biến đổi Fourier, để trích xuất thông tin tần số trong khi giải quyết các hạn chế về độ phân giải đi kèm với việc phân tích các tín hiệu não thay đổi theo thời gian.

Cả hai cách tiếp cận đều cho thấy cách công việc EEG thực tế thích ứng với một sự tiện lợi toán học không hoàn toàn khớp với thực tế sinh học, mà không cần từ bỏ chính công cụ đó.

Tại sao Thành phần Tần số lại Quan trọng đối với việc Đọc Hoạt động Não

Một khi phân đoạn EEG đã được chuyển đổi thành các thành phần tần số của nó, các thành phần đó sẽ ánh xạ vào các danh mục mà bất kỳ ai đã đọc về hoạt động của não có lẽ đều đã gặp: các dải sóng delta, theta, alpha, beta và gamma. Các nhãn này mô tả các phạm vi tốc độ dao động, và chúng tạo thành từ vựng được sử dụng trong nghiên cứu giấc ngủ, nghiên cứu nhận thức và chẩn đoán lâm sàng.

Sự phân tách này là nền tảng khái niệm bên dưới hầu như tất cả các diễn giải EEG dựa trên tần số. Bất cứ khi nào một báo cáo đề cập đến hoạt động gia tăng ở một dải cụ thể, hoặc sự thay đổi trong sự cân bằng giữa các dải, tuyên bố đó chỉ có ý nghĩa vì tín hiệu ban đầu đã được chia nhỏ bằng cách sử dụng logic mà phép biến đổi Fourier cung cấp. Không có sự phân tách này, hoàn toàn không có từ vựng nào để mô tả nhịp điệu của não, chỉ có một đường ghi điện áp liên tục.

Tuyên bố rằng tần số dao động mang lại thông tin có ý nghĩa về các trạng thái não bộ được thảo luận rộng rãi trong nhiều lĩnh vực của khoa học thần kinh.

Những gì Phân tích Dựa trên Fourier đã Tiết lộ về Hoạt động Động kinh

Phân biệt Tín hiệu Co giật và Tín hiệu Không co giật

Nhà nghiên cứu Ram Bilas Pachori đã áp dụng một kỹ thuật gọi là phân tách chế độ thực nghiệm (empirical mode decomposition) cho các tín hiệu EEG nội sọ, chia mỗi bản ghi thành một tập hợp các thành phần giới hạn dải được gọi là các hàm chế độ nội tại. Sau đó, ông sử dụng một khai triển Fourier-Bessel để tính toán tần số trung bình của mỗi thành phần này.

Khi so sánh các tín hiệu co giật (ictal), nghĩa là những tín hiệu được ghi lại trong quá trình hoạt động động kinh đang diễn ra, với các tín hiệu không co giật, đặc trưng tần số trung bình cho thấy sự khác biệt có ý nghĩa thống kê giữa hai trạng thái. Kết quả chứng minh rằng thông tin tần số được trích xuất thông qua một phương pháp dựa trên Fourier mang một dấu hiệu có thể phát hiện được liên quan đến hoạt động động kinh.

Vidyaratne và các cộng sự đã theo đuổi một mục tiêu liên quan nhưng phức tạp hơn: phát hiện sự bắt đầu của cơn co giật trong thời gian thực. Cách tiếp cận này kết hợp các đặc trưng năng lượng từ phép biến đổi gói wavelet hài, được tính toán thông qua phép biến đổi Fourier, với một thước đo riêng biệt gọi là chiều fractal, giúp nắm bắt các mô hình tự tương tự lặp lại trong tín hiệu.

Các đặc trưng kết hợp này được sắp xếp theo không gian trên các kênh điện cực và theo thời gian trên một cửa sổ phân tích chuyển động, sau đó được phân loại bằng máy vector liên quan (relevance vector machine), một phương pháp được lựa chọn vì hiệu quả của nó với các tập đặc trưng lớn và thưa thớt.

Được thử nghiệm trên các bản ghi EEG da đầu dài hạn, hệ thống đã đạt được độ nhạy 96% trong việc phát hiện sự bắt đầu của cơn co giật, với tỷ lệ phát hiện giả trung vị chỉ 0.1 sự kiện mỗi giờ và độ trễ phát hiện trung bình là 1.89 giây. Trên dữ liệu ngắn hạn, được lấy từ cả bản ghi da đầu và nội sọ, độ chính xác phân loại đạt 99.8%.

Cùng với nhau, hai nghiên cứu này cho thấy thông tin dao động được trích xuất thông qua phân tách liên quan đến Fourier mang nội dung có liên quan đến chẩn đoán trong bối cảnh cụ thể của việc phát hiện bệnh động kinh.

Các Đặc trưng Fourier so với Một Phép biến đổi Thay thế

Jansen và các cộng sự tiếp cận câu hỏi từ một góc độ khác, so sánh trực tiếp hai phép biến đổi toán học với nhau.

Thay vì thử nghiệm phân tích Fourier một cách cô lập, các nhà nghiên cứu đã so sánh các đặc trưng có nguồn gốc từ phép biến đổi Fourier với các đặc trưng có nguồn gốc từ phép biến đổi Walsh, một phương pháp phân tách các tín hiệu bằng cách sử dụng các hàm hình chữ nhật, hình vuông thay vì các đường sin mượt mà. Áp dụng cho các khoảng EEG ngắn, các đặc trưng được rút ra từ phép biến đổi Fourier liên tục tạo ra kết quả phân loại tốt hơn so với các đặc trưng được rút ra từ phép biến đổi Walsh.

Sự so sánh này gợi ý rằng các khối xây dựng hình sin có thể liên kết tự nhiên hơn với cấu trúc bên dưới của các tín hiệu EEG so với các giải pháp thay thế dạng khối, hình chữ nhật, ít nhất là đối với các nhiệm vụ phân loại cụ thể mà nghiên cứu đã xem xét.

Cách Tính toán Phép biến đổi Fourier Rời rạc (DFT)

Việc tính toán một phép biến đổi rời rạc bắt đầu với dữ liệu đầu vào sạch, đại diện cho tín hiệu trong một khoảng thời gian ổn định. Trước tiên, người ta phải đảm bảo rằng chiều dài tín hiệu khớp với độ phân giải tần số mong muốn, sau đó áp dụng một hàm cửa sổ để giảm thiểu các giả tượng phổ gây ra bởi việc cắt bớt dữ liệu hữu hạn. Công việc chuẩn bị này là thiết yếu để ngăn ngừa các sai số đáng kể trong giai đoạn tính toán.

Khi tín hiệu đã được chuẩn bị, tính toán thực tế liên quan đến việc áp dụng công thức biến đổi trên tất cả các điểm mẫu trong cửa sổ chuỗi thời gian. Các nền tảng phần mềm kỹ thuật số sẽ đảm nhận phần công việc nặng nhọc này, thường sử dụng thuật toán **Phép biến đổi Fourier Nhanh (FFT)** để thực hiện hàng triệu phép tính mỗi giây và tạo ra một phổ biên độ rõ ràng. Đầu ra này sau đó phải được thu phóng chính xác để phản ánh các đơn vị vật lý của phép đo đầu vào (chẳng hạn như microvolt, hoặc $\mu V$, trong EEG), đảm bảo rằng các kết quả vẫn có thể diễn giải được cho nghiên cứu tiếp theo.

Diễn giải độ lớn phổ kết quả đòi hỏi phải kiểm tra dữ liệu để tìm các mô hình dao động rõ rệt. Trong khi các hệ thống cơ học có thể tiết lộ các đỉnh sắc nhọn, cô lập, thì các tín hiệu sinh học như EEG thường đòi hỏi phải phân tích tổng công suất trong **các dải tần số rộng** (ví dụ, dải alpha 8–12 Hz) thay vì chỉ dựa vào các đỉnh rời rạc. Ý nghĩa vật lý của các đặc trưng phổ này phụ thuộc nhiều vào bối cảnh, thường chỉ ra hành vi sinh lý hoặc cơ học bên dưới. Bằng cách thực hiện nhất quán các bước này, những người thực hành có thể trích xuất dữ liệu tần số có ý nghĩa và có thể hành động từ ngay cả những dạng sóng quan sát phức tạp nhất.

Phép biến đổi Fourier so với các Phương pháp Miền tần số Khác

Mặc dù rất linh hoạt, phương pháp Fourier giả định các tín hiệu dừng, tức là ổn định trong suốt thời gian đo. Trong các tình huống liên quan đến những thay đổi nhanh chóng, nhất thời—**chẳng hạn như một đợt kịch phát động kinh đột ngột hoặc một đợt bùng phát ngắn của các thoi giấc ngủ (sleep spindles)**—các phương pháp khác như Biến đổi Wavelet cung cấp khả năng định vị tốt hơn bằng cách duy trì thông tin thời gian bên cạnh các chi tiết tần số. Việc lựa chọn công cụ phù hợp đòi hỏi phải đánh giá xem tín hiệu duy trì cấu trúc nhịp điệu không đổi hay thay đổi đột ngột.

Các phương pháp thay thế, chẳng hạn như Phân tích Phổ Đơn lẻ (SSA), mang lại lợi thế cho việc phân tách các tín hiệu phi tuyến tính, không thể dự đoán trước mà các phép biến đổi tiêu chuẩn gặp khó khăn khi giải quyết. Các phương pháp này thường vượt trội trong việc trích xuất xu hướng tín hiệu so với nhiễu dao động trong các tập dữ liệu sinh lý học phức tạp của thế giới thực. Sự lựa chọn bản lề phụ thuộc vào mức độ chính xác cần thiết cho độ chính xác theo thời gian so với phổ trong một thiết lập nghiên cứu cụ thể.

Cuối cùng, không một phương pháp biến đổi đơn lẻ nào đóng vai trò là giải pháp vạn năng cho các tình huống khó khăn trong xử lý tín hiệu. Người thực hành phải cân nhắc chi phí tính toán và các ràng buộc toán học của từng phương pháp so với các đặc tính dữ liệu của họ. Việc tích hợp các góc nhìn đa dạng này đảm bảo một quy trình chẩn đoán mạnh mẽ, toàn diện, tối đa hóa độ trung thực của diễn giải cuối cùng.

Công cụ và Phần mềm để Tính toán Phép biến đổi Fourier

Các thư viện nguồn mở hiện đại đã dân chủ hóa quyền truy cập vào các phép toán nâng cao này, cho phép các nhà nghiên cứu thực hiện các phân tích phức tạp chỉ với một vài dòng mã. Các nền tảng được xây dựng riêng cho khoa học dữ liệu cung cấp các quy trình tối ưu hóa giúp xử lý các mảng lớn và các tín hiệu nhiều chiều một cách dễ dàng. Các công cụ này tạo điều kiện thuận lợi cho việc tích hợp phân tích phổ vào các quy trình lớn hơn, bao gồm các tác vụ làm sạch tín hiệu tự động và phân loại.

Phần mềm chuyên dụng được thiết kế cho dữ liệu thần kinh hoặc địa chấn thường bao gồm các mô-đun được xây dựng sẵn để phân tách phổ và loại bỏ giả tượng một cách tự động. Các gói này tự động xử lý các chi tiết phức tạp của việc thu phong tần số và tạo cửa sổ, giảm nguy cơ sai sót cho các nhà nghiên cứu có thể không có chuyên môn về các thuật toán bên dưới. Việc sử dụng nhất quán các công cụ tiêu chuẩn hóa này cũng hỗ trợ khả năng tái tạo các kết quả nghiên cứu giữa các phòng thí nghiệm khác nhau.

Khi lựa chọn một bộ phần mềm, khả năng tương thích với các định dạng dữ liệu hiện có và khả năng xử lý các mảng cảm biến mật độ cao vẫn là những ưu tiên hàng đầu. Tài liệu hướng dẫn cung cấp các ví dụ rõ ràng về việc điều chỉnh tham số và lựa chọn thuật toán là vô cùng hữu ích cho người mới bắt đầu. Khi cộng đồng tiếp tục cải tiến các công cụ này, trọng tâm ngày càng dịch chuyển sang xử lý biên theo thời gian thực và khả năng mở rộng dựa trên đám mây cho các tập dữ liệu cực lớn.

Phân tích Tần số Tiết lộ Điều gì về Nhịp điệu Ẩn giấu của Não bộ

Phép biến đổi Fourier hoạt động giống như một lăng kính toán học cho các tín hiệu não, gỡ rối các nhịp điệu chồng chéo thành các dải tần số riêng biệt. Sự phân tách này cung cấp từ vựng thiết yếu để mô tả các trạng thái của não—từ giấc ngủ sâu đến sự tập trung chú ý—và làm rõ các thuật ngữ như sóng alpha hoặc delta. Nếu không có sự sắp xếp lại này, một biểu đồ EEG sẽ vẫn là một đường nguệch ngoạc không thể dịch nổi, các nhịp điệu ẩn giấu của nó sẽ không thể nhìn thấy.

Sức mạnh thực tế xuất hiện rõ ràng trong việc phát hiện co giật, nơi phân tích tần số phân biệt hoạt động co giật với các mô hình não bình thường với độ chính xác cao. Giả định của phép biến đổi rằng một phân đoạn tín hiệu lặp lại hoàn hảo là một sự tiện lợi toán học, không phải là thực tế sinh học, nhưng việc lựa chọn cẩn thận các đoạn ngắn, ổn định giúp kiểm soát các biến dạng. Các tài liệu nghiên cứu chứng minh rằng việc biểu diễn hoạt động của não dưới dạng tổng của các nhịp điệu—mặc dù không phải là một mô hình theo nghĩa đen của việc các neuron kích hoạt như thế nào—vẫn mang lại thông tin vừa có thể đo lường được vừa hữu ích về mặt lâm sàng.

Tài liệu tham khảo

1. Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Phân tách phổ của các khoảng EEG sử dụng phép biến đổi walsh và fourier. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686

2. Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Phát hiện cơn co giật động kinh theo thời gian thực sử dụng EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920

3. Pachori, R. B. (2008). Phân biệt giữa các tín hiệu EEG co giật và không co giật sử dụng phân tách chế độ thực nghiệm. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056

Các Câu hỏi Thường gặp

Một biểu đồ EEG thô thực sự biểu diễn điều gì?

Một biểu đồ EEG là một đường duy nhất hiển thị sự thay đổi điện áp theo thời gian, nhưng nó thực chất là tổng kết hợp của nhiều quá trình dao động riêng biệt xảy ra đồng thời trong não bộ. Các nhịp điệu nhanh và chậm khác nhau cộng lại thành một dạng sóng hỗn hợp, giống như nhiều nhạc cụ hòa quyện thành một hợp âm duy nhất.

Phép biến đổi Fourier phân tích một tín hiệu EEG như thế nào?

Phép biến đổi Fourier sắp xếp lại chính dữ liệu EEG đó bằng cách mô tả nó dưới dạng thành phần tần số thay vì điện áp theo thời gian. Nó tách biệt các thành phần nhịp điệu hỗn hợp đã có sẵn, hoạt động giống như một lăng kính tiết lộ các bước sóng riêng lẻ trong một chùm ánh sáng.

Phép biến đổi Fourier có thêm thông tin mới vào bản ghi EEG không?

Không, phép biến đổi có tính khả nghịch về mặt toán học và không tạo ra hay loại bỏ bất kỳ dữ liệu nào. Nó chỉ đơn giản là thay đổi cách hiển thị bằng cách chuyển đổi tín hiệu thành một tập hợp các tần số hình sin, làm cho các thành phần nhịp điệu bên dưới có thể nhìn thấy được.

Giả định toán học quan trọng nhất khi áp dụng phép biến đổi Fourier cho EEG là gì?

Tính toán này về mặt toán học coi phân đoạn EEG được chọn như thể nó lặp lại vô hạn trong một vòng lặp hoàn hảo. Giả định về tính tuần hoàn này đơn giản hóa việc phân tích nhưng có thể tạo ra các giả tượng ranh giới nếu điểm bắt đầu và điểm kết thúc của tín hiệu không khớp nhau một cách mượt mà.

Tại sao việc phân rã một sóng não không đều thành các sóng sin mượt mà lại hợp lệ?

Định lý Fourier chỉ ra rằng hầu như bất kỳ dạng sóng nào cũng có thể được tái tạo bằng cách cộng các sóng sin và cos thuần túy có tần số, biên độ và pha cụ thể lại với nhau. Biểu diễn toán học này hoạt động hiệu quả cho việc phân tích, mặc dù các neuron không thực sự tạo ra các sóng sin cô lập, sạch sẽ.

Tại sao các dải tần số như alpha hay delta lại quan trọng trong việc diễn giải EEG?

Một khi tín hiệu được phân rã, các thành phần của nó sẽ ánh xạ vào các dải tiêu chuẩn như delta hoặc beta, vốn tạo thành từ vựng cơ bản để mô tả các trạng thái não bộ. Bất kỳ sự đề cập nào đến việc thay đổi công suất trong một dải cụ thể hoàn toàn phụ thuộc vào sự phân tách dựa trên Fourier ban đầu này.

Bằng chứng nào hỗ trợ việc sử dụng phân tích Fourier để phát hiện các cơn co giật?

Các nghiên cứu sử dụng các đặc trưng tần số có nguồn gốc từ Fourier đã cho thấy sự khác biệt có ý nghĩa thống kê giữa các tín hiệu não co giật và không co giật. Một hệ thống phát hiện thời gian thực đã đạt được độ nhạy cao, chứng minh rằng thông tin dao động mang nội dung có liên quan về mặt lâm sàng đối với bệnh động kinh.

Những hạn chế chính của phương pháp dựa trên tần số này là gì?

Giả định lặp lại vô hạn là một sự đơn giản hóa cấu trúc trở nên kém chính xác hơn đối với các bản ghi dài và thay đổi. Ngoài ra, các kết quả phân loại mạnh mẽ đến từ các tập dữ liệu cụ thể và không chứng minh rằng não sử dụng các bộ dao động hình sin rời rạc làm các cấu trúc sinh lý.