Phép biến đổi Fourier

Dấu vết EEG thực sự biểu thị điều gì

Một điện não đồ ghi lại điện áp khi nó thay đổi từ khoảnh khắc này sang khoảnh khắc khác. Khi được biểu diễn thành đồ thị, điều này 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 dịch chuyển. Khi nhìn riêng lẻ, đường này trông giống như một sự kiện đơn nhất. Nhưng vẻ ngoài đó dễ gây hiểu nhầm.

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 bên trong mô thần kinh bên dưới. Một số quá trình này diễn ra chậm, số khác lại nhanh. Khi chúng xảy ra cùng nhau, các mô hình riêng lẻ của chúng cộng lại thành một dạng sóng hỗn hợp duy nhất, tương tự như cách nhiều nhạc cụ chơi các nốt khác nhau hòa vào 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 lớp cùng nhau.

Dấu vết EEG cũng hoạt động theo cách tương tự. Những gì trông giống như một đường nét thất thường thực chất là nhiều nhịp điệu được chồng lên nhau thành một tín hiệu duy nhất.

Vấn đề mà điều này tạo ra rất rõ ràng: nếu nhiều nhịp điệu bị 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 từng nhịp điệu?

Biến đổi Fourier: Một lăng kính, không phải kính hiển vi

Biến đổi Fourier trả lời câu hỏi đó, nhưng không phải bằng cách khám phá dữ liệu mới. Nó hoạt động bằng cách biểu diễn lại chính đoạn EEG đó bằng một hệ tọa độ khác. Thay vì mô tả tín hiệu dưới dạng điện áp theo thời gian, nó mô tả cùng một tín hiệu đó dưới dạng nội dung tần số, tức là mức độ hiện diện của từng tốc độ dao động bên trong nó.

Phép biến đổi này có thể đảo ngược về mặt toán học vì nó có thể chuyển đổi một đoạn EEG sang dạng 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 cách biểu diễn, thời gian và tần số, chứa thông tin giống hệt nhau. Chúng chỉ sắp xếp nó theo cách khác nhau, tương tự như việc ánh sáng mặt trời đi qua lăng kính không hề tạo ra màu sắc. Màu sắc đã hiện diện sẵn trong ánh sáng trắng. Lăng kính chỉ tách các bước sóng vốn đã trộn lẫn với nhau để chúng trở nên hiển thị riêng lẻ.

Biến đổi Fourier thực hiện sự phân 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 bên dưới theo bất kỳ cách nào.

Nền tảng toán học của Biến đổi Fourier

Về cốt lõi, phép biến đổi dựa vào việc tính tích phân của một tín hiệu nhân với các hàm mũ phức. Thao tác này tính toán mối tương quan giữa dạng sóng ban đầu và các sóng sin có tần số khác nhau. Nếu một tần số cụ thể tồn tại bên 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 bắc cầu nối giữa các hàm lượng giác và hàm mũ phức. Phép biến đổi thuận chuyển đổi một hàm liên tục f(t) thành F(ω), trong khi phép biến đổi ngược tái tạo lại tín hiệu ban đầu thông qua phép tính tổng của các thành phần tổng hợp này. Tính đối xứng này đảm bảo rằng không có thông tin nào bị mất trong quá trình chuyển đổi, cho phép chuyển đổi toán học có thể đảo ngược hoàn toàn.

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 tính 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 thời gian ban đầu.

Các loại Biến đổi Fourier

Biến đổi Fourier liên tục so với 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 cẩn thận các giới hạn lấy mẫu để biểu diễn các hiện tượng liên tục một cách chính xác. Nhiều phương pháp khác nhau tồn tại để xấp xỉ quá trình chuyển đổi này mà không bị mất dữ liệu đáng kể, bao gồm:

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

• Kỹ thuật đệm số 0 (zero-padding) để tăng độ phân giải của các bin tần số thu được.

• Các chiến lược giảm thiểu hiện tượng răng cưa (aliasing) nhằm 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.

• Ánh xạ tính toán hiệu quả có khả năng mở rộng theo 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.

Biến đổi Fourier nhanh: Tại sao tốc độ lại quan trọng

Sự phát triển của các thuật toán hiệu quả, chẳng hạn như Biến đổi Fourier nhanh (FFT), đã cho phép phân tích phổ theo thời gian thực trong các hệ thống có thông lượng dữ liệu lớn. Nếu không có các 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. Mức tăng hiệu quả thể hiện rõ ràng khi so sánh thời gian tính toán cho các tập dữ liệu lớn, như minh họa dưới đây.

Bằng cách chuyển đổi một phép toán có quy mô bậc hai thành quy mô logarit, các công cụ này tạo điều kiện thuận lợi cho việc giám sát tín hiệu nhanh chóng. Xử lý nhanh cho phép tạo ra các vòng phản hồi tức thì, vốn rất quan trọng trong các môi trường mà việc quan sát các thay đổi trong thời gian thực là mục tiêu chính của nghiên cứu.

Giả định về tính chu kỳ đằng sau mỗi phép tính Fourier

Khi phép biến đổi Fourier xử lý một đoạn tín hiệu, nó xử lý đoạn đó về mặt toán học như thể nó lặp lại vô hạn theo cả hai hướng, tiến và lùi theo thời gian, mãi mãi. Đoạn EEG ngắn 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 hoàn toàn có tính chu kỳ và một đoạn được trích xuất từ một bản ghi liên tục hiếm khi bắt đầu và kết thúc ở các giá trị có thể kết nối mượt mà nếu tự lặp lại chính nó.

Khi các cạnh của đoạn không khớp nhau, giả định về sự lặp lại vô hạn sẽ gây ra hiện tượng méo ở ranh giới, đôi khi được gọi là giả tượng cạnh 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 ban đầu.

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 có thể kiểm soát được khi các 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 dài, thay đổi liên tục.

Ví dụ, Jansen và cộng sự 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 đoạn được phân tích đủ ngắn để giả định về tính chu kỳ vẫn là một sự xấp xỉ hợp lý. Một nghiên cứu của Vidyaratne và cộng sự đã đi theo một lộ trình liên quan nhưng chuyên biệt hơn, tính toán phép biến đổi gói wavelet điều hòa (harmonic wavelet packet transform), 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 phương pháp đều cho thấy cách công việc EEG thực tế đáp ứng một sự thuận tiện về mặt toán học vốn không khớp hoàn toàn với thực tế sinh học, mà không cần phải từ bỏ chính công cụ đó.

Tại sao nội dung tần số lại quan trọng đối với việc đọc hoạt động não

Khi một epoch 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 từng đọc về hoạt động của não có thể đã gặp: các dải delta, theta, alpha, beta và gamma. Các nhãn này mô tả các phạm vi tốc độ dao động và chúng tạo thành vốn từ vựng được sử dụng trong nghiên cứu giấc ngủ, nghiên cứu nhận thức và chẩn đoán lâm sàng.

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

Khẳng định rằng tần số dao động mang thông tin có ý nghĩa về các trạng thái của não được thảo luận rộng rãi trên nhiều lĩnh vực khoa học thần kinh.

Những gì phân tích dựa trên Fourier đã tiết lộ về hoạt động co giật

Phân tách tín hiệu trong cơn co giật và không co giật

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

Khi so sánh các tín hiệu trong cơn động kinh (ictal signals), nghĩa là những tín hiệu được ghi lại trong quá trình co giật 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 phương pháp dựa trên Fourier mang một dấu hiệu có thể phát hiện được gắn liền với hoạt động co giật.

Vidyaratne và cộng sự đã theo đuổi một mục tiêu liên quan nhưng phức tạp hơn: phát hiện khởi phát co giật trong thời gian thực. Phương pháp này kết hợp các đặc trưng năng lượng từ phép biến đổi gói wavelet điều hòa, 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 bên 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 cách sử dụng máy vector liên quan (relevance vector machine), một phương pháp được chọn vì tính hiệu quả của nó với các tập đặc trưng lớn và thưa.

Được thử nghiệm trên các bản ghi EEG da đầu dài hạn, hệ thống đạt độ nhạy 96% trong việc phát hiện khởi phát co giật, với tỷ lệ phát hiện sai 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 quá trình phân rã liên quan đến Fourier mang nội dung 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 cộng sự đã tiếp cận câu hỏi từ một góc độ khác, so sánh trực tiếp hai phép biến đổi toán học với nhau.

Thay vì kiểm tra phân tích Fourier một cách riêng lẻ, các nhà nghiên cứu đã so sánh các đặc trưng bắt nguồn từ phép biến đổi Fourier với các đặc trưng bắt nguồn từ phép biến đổi Walsh, một phương pháp phân rã tín hiệu bằng cách sử dụng các hàm hình chữ nhật, hình vuông thay vì các sóng sin mượt mà. Được áp dụng cho các khoảng EEG ngắn, các đặc trưng rút ra từ phép biến đổi Fourier luôn mang lại kết quả phân loại tốt hơn so với các đặc trưng rút ra từ phép biến đổi Walsh.

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

Biến đổi Fourier trong nghiên cứu EEG ứng dụng sử dụng các thiết bị di động

Các headset EEG di động đã giúp việc ghi lại hoạt động của não bên ngoài phòng thí nghiệm trở nên khả thi, và biến đổi Fourier vẫn là công cụ chính để trích xuất thông tin dải tần từ những bản ghi đó. Một số nghiên cứu gần đây sử dụng Emotiv Epoc X minh họa cách phân rã phổ hỗ trợ nghiên cứu trong giáo dục, giao diện não-máy tính, khoa học thần kinh người tiêu dùng và hiệu suất vận hành.

Theo dõi tải nhận thức và sự chú ý trong lớp học

Trong một nghiên cứu giáo dục, các nhà nghiên cứu đã sử dụng Emotiv Epoc X để ghi lại EEG trong quá trình thư giãn, đọc và làm số học. Họ đã áp dụng biến đổi Fourier để tính công suất dải theta, alpha và beta đồng thời đưa ra các ước tính về sự chú ý, mức độ tương tác và tải nhận thức. Các tác giả báo cáo công suất alpha tăng có liên quan đến sự mệt mỏi, sự chú ý cao hơn khi đọc và tải nhận thức tăng cao trong khi tính toán—đặc biệt là khi các câu trả lời đúng.

Những người tham gia mắc chứng khó đọc cho thấy tần số đỉnh alpha thấp hơn trong thời gian thư giãn mở mắt và tăng hoạt động theta khi đọc, mặc dù điểm kiểm tra của họ tương đương với nhóm đối chứng. Các phát hiện cho thấy EEG có thể giúp theo dõi sự tỉnh táo và mệt mỏi, nhưng tỷ lệ beta/theta được sử dụng cho sự chú ý có thể không theo dõi đáng tin cậy sự chú ý duy trì, như được mô tả trong theo dõi EEG trong giáo dục.

Phát hiện điện thế gợi thị giác trạng thái ổn định để điều khiển robot

Một nghiên cứu về giao diện não-máy tính đã sử dụng Emotiv Epoc X để phát hiện các điện thế gợi thị giác trạng thái ổn định (SSVEP) được gợi ra bởi các nhóm đèn LED nhấp nháy. Phân tích Biến đổi Fourier nhanh, kết hợp với mô hình Gaussian, đã xác định thành phần tần số chiếm ưu thế tương ứng với hướng nhìn của người dùng.

Không cần bất kỳ sự huấn luyện đối tượng nào, hệ thống đã phát hiện chính xác mục tiêu dự định trong 75% thời gian trung bình, chứng minh rằng việc phát hiện tần số dựa trên Fourier có thể chuyển đổi sự chú ý thị giác thành các lệnh điều khiển, như được hiển thị trong điều khiển BCI dựa trên SSVEP.

Trích xuất sở thích thương hiệu từ các đặc trưng dải Alpha

Trong một cuộc điều tra tiếp thị thần kinh, Emotiv Epoc X đã ghi lại các phản ứng của não trong khi những người tham gia xem quảng cáo ô tô. Dải alpha (8–13 Hz) đã được phân lập và Biến đổi Fourier nhanh đã trích xuất mật độ phổ công suất, năng lượng phổ và tâm phổ. Khi các đặc trưng này được phân loại bằng mạng nơ-ron xác suất, hệ thống đã đạt độ chính xác 96,62% trong việc xác định thương hiệu được ưa chuộng nhất.

Kết quả này chỉ ra rằng các đặc trưng miền tần số có thể phản ánh sở thích của người tiêu dùng trong một môi trường có kiểm soát, như được trình bày chi tiết trong phân tích tiếp thị thần kinh dựa trên FFT.

Đánh giá nhận thức tình huống trong quá trình điều hướng hàng hải

Một nghiên cứu về các thuyền trưởng tàu kéo đã sử dụng Emotiv Epoc X cùng với phần mềm EmotivPRO để ghi lại EEG trong lúc nghỉ ngơi và các thao tác điều động thực tế tại cảng. Phân tích công suất dải của Biến đổi Fourier nhanh đã so sánh năm điều kiện và không tìm thấy sự khác biệt về công suất alpha, trong khi công suất delta, theta, beta và gamma giảm trong quá trình điều động. Các tác giả diễn giải mô hình này như một bằng chứng cho thấy các thuyền trưởng chuyên nghiệp duy trì nhận thức tình huống nhất quán giữa lúc nghỉ ngơi và điều hướng chủ động, như được báo cáo trong nhận thức tình huống trong điều hướng.

Cùng nhau, các cuộc điều tra này minh họa cách phân tích Fourier, kết hợp với công nghệ EEG di động, có thể trích xuất các đặc trưng phổ có ý nghĩa trên các nhiệm vụ đa dạng trong thế giới thực. Các phát hiện mang tính tương quan và được rút ra từ các cỡ mẫu nhỏ, vì vậy chúng hướng tới các ứng dụng tiềm năng hơn là thiết lập các dấu ấn sinh học đáng tin cậy. Nghiên cứu sâu hơn với các nhóm lớn hơn, đa dạng hơn sẽ cần thiết để hiểu được khả năng khái quát hóa của các thước đo dựa trên tần số này.

Cách tính 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 độ 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 ngắn dữ liệu hữu hạn. Công việc chuẩn bị này là rất cần thiết để ngăn ngừa các lỗi đáng kể trong giai đoạn tính toán.

Khi tín hiệu đã được chuẩn bị, việc tính toán thực tế bao gồm 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 xử lý công việc nặng nhọc này, thường sử dụng thuật toán 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 điều chỉnh tỷ lệ 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 giải thích được cho nghiên cứu tiếp theo.

Việc diễn giải độ lớn phổ thu được đòi hỏi phải kiểm tra dữ liệu để tìm các mô hình dao động riêng biệt. Trong khi các hệ thống cơ học có thể tiết lộ các đỉnh sắc nét, cô lập, các tín hiệu sinh học như EEG thường yêu cầu 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 ngữ cảnh, thường biểu thị hành vi sinh lý hoặc cơ học tiềm ẩn. Bằng cách luôn tuân theo các bước này, những người thực hành có thể trích xuất dữ liệu tần số có ý nghĩa, có thể hành động được ngay cả từ các dạng sóng quan sát phức tạp nhất.

Biến đổi Fourier so với các phương pháp miền tần số khác

Mặc dù rất linh hoạt, phương pháp tiếp cận Fourier giả định các tín hiệu dừng, tức là ổn định trong suốt thời gian đo. Trong các tình huống liên quan đến các thay đổi nhanh chóng, nhất thời—chẳng hạn như một gai động kinh đột ngột hoặc một đợt bùng phát ngắn của các thoi ngủ—các phương pháp khác như Biến đổi Wavelet cung cấp khả năng định vị tốt hơn bằng cách duy trì thông tin thời gian cùng với các chi tiết tần số. Việc chọn đúng công cụ 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 rã các tín hiệu phi tuyến tính, không thể dự đoán mà các phép biến đổi tiêu chuẩn khó 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 phức tạp trong thế giới thực. Sự lựa chọn phụ thuộc vào mức độ chính xác cần thiết cho độ chính xác về thời gian so với phổ trong một thiết lập nghiên cứu cụ thể.

Cuối cùng, không có phương pháp biến đổi đơn lẻ nào đóng vai trò là một phương thuốc vạn năng cho các vấn đề nan giải trong xử lý tín hiệu. Những người thực hành phải cân nhắc chi phí tính toán và các ràng buộc toán học của từng phương pháp tiếp cận so với các đặc điểm dữ liệu của họ. Việc tích hợp các quan điểm đa dạng này đảm bảo một quy trình chẩn đoán mạnh mẽ, toàn diện nhằm tối đa hóa độ trung thực của cách diễn giải cuối cùng.

Các công cụ và phần mềm để tính toán 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 được tối ưu hóa để xử lý các mảng lớn và các tín hiệu đa chiều một cách dễ dàng. Các công cụ này tạo điều kiện thuận lợi cho việc tích hợp phân tích phổ vào các đường ống lớn hơn, bao gồm các tác vụ làm sạch và phân loại tín hiệu tự động.

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 rã phổ và loại bỏ giả tượng. Các gói này tự động xử lý sự phức tạp của việc chia tỷ lệ 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 cơ bản. Việc sử dụng nhất quán các công cụ tiêu chuẩn hóa này cũng hỗ trợ khả năng tái lập kết quả nghiên cứu trên các phòng thí nghiệm khác nhau.

Khi 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 cung cấp các ví dụ rõ ràng về việc tinh chỉnh tham số và lựa chọn thuật toán là vô cùng hữu ích cho người mới bắt đầu. Khi cộng đồng tiếp tục hoàn thiện các công cụ này, trọng tâm ngày càng chuyển sang xử lý biên theo thời gian thực và khả năng mở rộng dựa trên đám mây cho các tập dữ liệu rất lớn.

Những gì phân tích tần số tiết lộ về các nhịp điệu tiềm ẩn của não bộ

Biến đổi Fourier hoạt động 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 tích này cung cấp vốn từ vựng thiết yếu để mô tả các trạng thái của não—từ giấc ngủ sâu đến sự tập trung chú ý—và giúp hiểu được các thuật ngữ như sóng alpha hoặc delta. Nếu không có sự tái tổ chức này, dấu vết EEG sẽ vẫn là một nét nguệch ngoạc không thể giải mã được, các nhịp điệu tiềm ẩn của nó sẽ vô hình.

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 đoạn tín hiệu lặp lại hoàn hảo là một sự thuận tiện về mặt toán học, không phải là một thực tế sinh học, nhưng việc lựa chọn cẩn thận các đoạn ngắn, ổn định sẽ giữ cho các biến dạng ở mức có thể kiểm soát được. 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 về cách các tế bào thần kinh kích hoạt—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). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686

2. Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using 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). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056

Câu hỏi thường gặp

Dấu vết EEG thô thực sự đại diện cho điều gì?

Dấu vết EEG là một đường duy nhất thể hiện các thay đổi điện áp theo thời gian, nhưng nó thực sự là tổng kết hợp của nhiều quá trình dao động riêng biệt xảy ra đồng thời trong não. Các nhịp điệu nhanh và chậm khác nhau cộng lại thành một dạng sóng hỗn hợp duy nhất, giống như nhiều nhạc cụ hòa vào một hợp âm duy nhất.

Biến đổi Fourier phân tích tín hiệu EEG như thế nào?

Biến đổi Fourier sắp xếp lại chính dữ liệu EEG đó bằng cách mô tả nó dưới dạng nội dung tần số thay vì điện áp theo thời gian. Nó tách các thành phần nhịp điệu hỗn hợp đã hiện diện, hoạt động giống như một lăng kính làm lộ ra các bước sóng riêng lẻ bên trong một chùm ánh sáng.

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

Không, phép biến đổi có thể đảo ngược về mặt toán học và không tạo ra hoặc 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 trở nên hiển thị rõ ràng.

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

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

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

Định lý Fourier chỉ ra rằng gần như bất kỳ dạng sóng nào cũng có thể được tái tạo bằng cách cộng các sóng sin và cosin 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 nơ-ron không thực sự tạo ra các sóng sin sạch, riêng biệt theo nghĩa đen.

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

Khi một 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 vốn từ vựng cơ bản để mô tả các trạng thái của não. Bất kỳ đề cập nào về sự thay đổi công suất trong một dải cụ thể đều hoàn toàn dựa vào sự phân tách dựa trên Fourier ban đầu này.

Có bằng chứng nào ủng hộ việc sử dụng phân tích Fourier để phát hiện các cơn co giật?

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

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

Giả định lặp lại vô hạn là một sự đơn giản hóa về mặt cấu trúc và trở nên kém chính xác hơn đối với các bản ghi dài hơn, biến đổi liên tục. 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 như các cấu trúc sinh lý.