Sự dao động thần kinh là các mô hình nhịp điệu của hoạt động điện học hỗ trợ trí nhớ, vận động và xử lý cảm giác trong khắp não bộ. Tuy nhiên, khi những dao động này được ghi lại trên da đầu bằng phương pháp ghi điện não đồ (EEG), chúng xuất hiện dưới dạng bị chôn vùi bên trong một tín hiệu nhiễu và liên tục thay đổi.
Đường điện thế thô từ bất kỳ điện đơn lẻ nào cũng phản ánh hoạt động kết hợp của hàng ngàn nguồn thần kinh xếp chồng lên hoạt động của cơ, can thiệp môi trường và nhiễu điện nền. Để trích xuất một dao động sạch từ hỗn hợp đó đòi hỏi một phương pháp có thể phân tách dữ liệu ghi âm thành các thành phần tần số của nó.
Hiểu Hệ Thống Dữ Liệu Thời Gian và Tần Số
Dữ liệu thời gian tồn tại dưới dạng một bản ghi quan sát liên tục được lập chỉ mục bằng các mốc thời gian cụ thể, phản ánh cách một hệ thống tiến triển trong một khoảng thời gian được chỉ định.
Trong bối cảnh khoa học thần kinh, việc này thường bao gồm việc ghi lại các điện thế từ da đầu để hiểu các động lực học của não bộ. Các tập dữ liệu này hiếm khi ở trạng thái tĩnh; chúng chứa một sự pha trộn của các tín hiệu nhịp điệu và các biến động ngẫu nhiên đòi hỏi phải diễn giải cẩn thận để trích xuất những Insight có thể hành động.
Dữ Liệu Thời Gian Là Gì?
Dữ liệu thời gian, hay dữ liệu chuỗi thời gian, đại diện cho các phép đo được thực hiện tuần tự tại các khoảng thời gian nhất định. Tiện ích của dữ liệu này phụ thuộc vào tần số lấy mẫu và độ dài của cửa sổ quan sát, những yếu tố quyết định độ phân giải của các thay đổi có thể phát hiện được.
Các nhà nghiên cứu kiểm tra các chuỗi này để đánh giá sự ổn định của hệ thống và xác định các xu hướng tồn tại trong thời gian dài.
Khái Niệm Tần Số Trong Dữ Liệu
Tần số đề cập đến tốc độ mà các mô hình định kỳ lặp lại trong một chuỗi thời gian, thường được đo bằng số chu kỳ trên giây. Bằng cách đánh giá các nhịp điệu này, các nhà phân tích có thể phân loại các quá trình cơ bản thúc đẩy dữ liệu.
Danh sách sau đây phác thảo các dải tần số chính thường được quan sát thấy trong các ứng dụng giám sát sinh học ở người:
Sóng Delta: Thường liên quan đến các giai đoạn giấc ngủ sâu và phục hồi.
Sóng Theta: Thường được quan sát thấy trong giấc ngủ nhẹ hoặc trạng thái thiền định.
Sóng Alpha: Đặc trưng là phổ biến trong quá trình thư giãn tỉnh táo, yên tĩnh.
Sóng Beta: Thường liên quan đến sự tập trung nhận thức tích cực và sự tỉnh táo.
Sóng Gamma: Liên quan đến các nhiệm vụ xử lý và tích hợp cấp cao.
Sự phân loại này cho phép lập bản đồ chính xác các trạng thái, giúp các nhà nghiên cứu phân biệt giữa các chỉ số sinh lý và biến động nền.
Tại Sao Cần Phân Tích Dữ Liệu Thời Gian Thành Các Tần Số?
Sự phân tách hoạt động như một lăng kính phân tích, tách một tín hiệu thô, nhiễu thành các phần thành phần riêng biệt. Nếu không có sự phân rã cấu trúc này, các tương tác phức tạp giữa các nhịp não khác nhau sẽ bị chôn vùi trong biên độ tổng hợp. Bằng cách cô lập các thành phần này, các nhà nghiên cứu có thể phân tích độc lập các dao động thần kinh cụ thể, tiết lộ mức độ phức tạp thực sự của các trạng thái nhận thức.
Nhận Diện Các Mô Hình và Chu Kỳ
Nhận dạng mô hình trong dữ liệu thời gian cho phép xác định các chu kỳ thần kinh nhất quán lặp lại dưới các kích thích hoặc nhiệm vụ cụ thể. Việc xác định các chu kỳ này cung cấp các chỉ số cơ bản để phân biệt hoạt động não khỏe mạnh với các mô hình lệch chuẩn.
Khi một mô hình được cô lập thông qua sự phân tách, việc theo dõi sự xuất hiện và thời lượng của nó với độ tin cậy thống kê cao hơn sẽ trở nên khả thi.
Giảm Nhiễu và Tăng Cường Tín Hiệu
Quá trình xử lý tín hiệu hiệu quả là điều cần thiết để loại bỏ các nhiễu tạp từ môi trường, chẳng hạn như nhiễu đường dây điện 60Hz, khỏi các bản ghi sinh lý. Bằng cách xác định ranh giới tần số của dữ liệu sinh học hợp lệ, các nhà nghiên cứu áp dụng các bộ lọc để loại bỏ các thành phần tín hiệu không mong muốn.
Quá trình trích xuất tín hiệu này củng cố về mặt cơ bản độ rõ nét của dữ liệu cơ sở để đánh giá chẩn đoán sâu hơn.
Dự Báo và Mô Hình Hóa Dự Đoán
Các mô hình dự đoán tận dụng các phân khúc đã được phân tách để dự kiến các chuyển dịch hệ thống hoặc các kích hoạt sự kiện trước khi chúng biểu hiện đầy đủ biên độ. Các mô hình này dựa vào tính ổn định của các thành phần tần số được xác định để dự báo sự tiến triển trong tương lai của chuỗi thời gian.
Khả năng này hỗ trợ cả hoạt động giám sát lâm sàng chủ động và nghiên cứu thực nghiệm về tính mềm dẻo lâu dài của não bộ.
Các Kỹ Thuật Clốt Lõi Để Phân Tách Dữ Liệu Thời Gian
Sự phân tách đòi hỏi sự nghiêm ngặt về toán học để đảm bảo rằng dữ liệu được chuyển đổi vẫn đại diện cho hoạt động thần kinh ban đầu.
Một số phương pháp đã được thiết lập mang lại những lợi thế độc đáo tùy thuộc vào độ phân giải và độ ổn định của các tín hiệu thu được. Việc lựa chọn một công cụ thích hợp đòi hỏi phải cân bằng giữa nhu cầu tính toán với sự cần thiết của cả độ chính xác về thời gian và phổ.
Các Phương Pháp Biến Đổi Fourier
Phân tích Fourier đóng vai trò là cách tiếp cận nền tảng để lập bản đồ các tín hiệu miền thời gian thành các tín hiệu tương đương của miền tần số. Phương thức này vượt trội trong việc xác định các thành phần tần số tĩnh, mặc dù nó gặp các giới hạn khi phân tích các tín hiệu nhất thời thay đổi theo thời gian.
Bảng dưới đây so sánh các kỹ thuật phân tách lớn được áp dụng trong các môi trường nghiên cứu hiện nay:
Kỹ thuật | Điểm mạnh chính | Hạn chế |
|---|---|---|
Biến đổi Fourier | Độ chính xác tần số cao | Định vị thời gian kém |
Biến đổi Wavelet | Sự cân bằng thời gian-tần số | Độ phức tạp tính toán |
Phân tích phổ đơn lẻ (SSA) | Phân tách dựa trên dữ liệu | Nhạy cảm với tiếng ồn |
Biến Đổi Wavelet
Biến đổi wavelet cung cấp một phân tích đa độ phân giải bằng cách giãn nở và dịch chuyển một wavelet mẹ để quét tín hiệu.
Khác với các phương pháp Fourier, cách tiếp cận này duy trì thông tin cục bộ ở cả thời gian và tần số, làm cho nó phù hợp để ghi lại các đột biến điện nhất thời thường gặp trong phép đo EEG. Khả năng thích ứng này là rất quan trọng để xác định các đặc điểm không tĩnh mà các phương pháp phổ truyền thống có thể bỏ qua trong các chuyển đổi dữ liệu nhanh chóng.
Phân Tích Phổ Đơn Lẻ (SSA)
Phân tích Phổ Đơn lẻ cung cấp một cách tiếp cận phi tham số nhằm phân tách một chuỗi thời gian thành các thành phần xu hướng, dao động và nhiễu dựa trên chính cấu trúc của dữ liệu. Bằng cách nhúng chuỗi thời gian vào một không gian đa chiều và thực hiện phân tách giá trị đơn lẻ, SSA trích xuất các mô hình cấu trúc quan trọng nhất.
Điều này cho phép sàng lọc các tín hiệu ngay cả khi quá trình tạo cơ bản chưa được biết hoặc có tính phi tuyến tính cao.
Cách Biến Đổi Fourier Phân Tích Tín Hiệu EEG
Điểm khởi đầu cổ điển cho phân tích tần số là biến đổi Fourier, một phép toán phân tách một tín hiệu thành tổng của các sóng hình sin ở các tần số khác nhau.
Dưới dạng toán học thuần túy, biến đổi Fourier giả định một tín hiệu vô hạn có các đặc tính thống kê không bao giờ thay đổi, một điều kiện mà các bản ghi EEG thực tế không bao giờ đáp ứng được. Trong thực tế, các nhà nghiên cứu giải quyết vấn đề này bằng cách áp dụng biến đổi Fourier rời rạc (DFT) cho các phân đoạn ngắn, có cửa sổ của bản ghi, thường dài vài giây, và sử dụng kết quả để ước tính mật độ phổ công suất (PSD), nhằm định lượng lượng công suất tín hiệu tồn tại ở mỗi tần số trong cửa sổ đó.
Cách khắc phục này đi kèm với hai giả định cốt lõi:
Thứ nhất, tín hiệu được xử lý như thể nó ở trạng thái tĩnh trong suốt thời gian của cửa sổ đã chọn, nghĩa là nội dung tần số của nó được giả định là không thay đổi trong lát cắt thời gian đó.
Thứ hai, tín hiệu được mô hình hóa dưới dạng tổng tuyến tính của các sóng hình sin cố định, một phép xấp xỉ hoạt động tốt đối với hoạt động trơn tru, định kỳ nhưng gặp khó khăn với các chuyển dịch đột ngột hoặc các hình dạng không phải hình sin.
Mặc dù có những đơn giản hóa này, các phương pháp tiếp cận dựa trên PSD đã liên tục chứng minh được tính hữu ích trong thực tế.
Ví dụ, một phân tích so sánh về các phương pháp trích xuất đặc trưng phổ để phân loại hình ảnh vận động dựa trên EEG cho thấy các kỹ thuật PSD là mạnh mẽ và hiệu quả nhất một cách nhất quán trong việc trích xuất các mô hình phổ đặc biệt để phân biệt hình ảnh vận động tay trái với tay phải, được đánh giá trên mười một đối tượng qua hai phiên ghi âm.
Ngoài ra, một nghiên cứu riêng biệt tập trung vào phát hiện buồn ngủ càng củng cố mô hình này. Sử dụng một kênh EEG duy nhất, các nhà nghiên cứu đã xây dựng một bộ đặc trưng kết hợp các phép đo PSD, bao gồm tần số trung tâm, tần số mà dưới đó một phần tư công suất phổ giảm xuống, tổng năng lượng phổ và công suất trong các dải theta và alpha, cùng với các đặc trưng dựa trên wavelet.
Cách tiếp cận kết hợp này đã phát hiện các đợt buồn ngủ với độ chính xác 86.5% và các phân đoạn tỉnh táo với độ chính xác 81.7%. Thành phần PSD của bộ đặc trưng đó đang theo dõi các chuyển dịch lớn, phụ thuộc vào trạng thái trong nội dung phổ, loại chuyển đổi rộng giữa các trạng thái tinh thần thay vì một sự kiện dao động diễn ra từng mili giây.
Cùng nhau, hai nghiên cứu này chỉ ra rằng ước tính PSD, bất chấp giả định về tính tĩnh của nó, có khả năng nắm bắt các mô hình phổ có ý nghĩa gắn liền với các trạng thái não thay đổi, ngay cả khi tín hiệu tạo ra các mô hình đó là động.
Phân Tích Dạng Sóng Thực Nghiệm Và Lựa Chọn Thay Thế Thích Ứng
Phân tích Dạng Sóng Thực nghiệm (EMD) thực hiện một cách tiếp cận hoàn toàn khác. Thay vì buộc một tín hiệu vào một cơ sở sóng hình sin được xác định trước, EMD sàng lọc tín hiệu đó một cách thích ứng thành một tập hợp các thành phần được gọi là các hàm chế độ nội tại (IMF).
Mỗi IMF được trích xuất trực tiếp từ cấu trúc dao động của chính dữ liệu, về nguyên tắc cho phép phương pháp này theo dõi các thay đổi tức thời về biên độ và tần số mà không yêu cầu tín hiệu phải đứng yên về mặt thống kê.
Đáng chú ý, EMD cũng mang lại những nhược điểm đã biết, bao gồm xu hướng trộn lẫn chế độ, trong đó một IMF đơn lẻ cuối cùng chứa các dao động từ nhiều hơn một dải tần số thực sự, và độ nhạy đối với nhiễu có thể làm biến dạng sự phân tách.
Một kỹ thuật liên quan, Biến đổi Dạng Sóng Biến phân (VMD), được phát triển một phần để giải quyết các vấn đề mất ổn định này. VMD trích xuất các chế độ giới hạn băng tần, mỗi chế độ tập trung vào một tần số cụ thể, bằng cách sử dụng một công thức toán học bị ràng buộc nhiều hơn, có xu hướng tạo ra kết quả ổn định hơn so với EMD tiêu chuẩn.
Một nghiên cứu năm 2019 đã áp dụng VMD cùng với một phép đo gọi là entropy phổ chế độ, vốn định lượng tính bất thường của một chế độ tần số nhất định, để phát hiện các sự kiện động kinh trong các bản ghi EEG. Sau bước tiền xử lý bao gồm phân tích thành phần chính để lựa chọn kênh, phương pháp này đã đạt được độ chính xác từ 98 đến 100% trên cơ sở dữ liệu Bonn EEG. Trên tập dữ liệu CHB-MIT đầy thách thức hơn, nó tạo ra độ nhạy trung bình là 88.55%, độ đặc hiệu là 94.86% và độ chính xác là 72.92%.
Kết quả này chứng minh rằng các phân tách dựa trên chế độ có thể xử lý thành công các sự kiện thần kinh nhất thời, không tĩnh cao, vì một cơn động kinh theo định nghĩa là một sự sai lệch đột ngột, ngắn ngủi so với hoạt động não bộ cơ sở.
Phân Tách Không Gian - Phổ Giải Quyết Vấn Đề Trộn Nguồn
Phân tách không gian - phổ (SSD) là một phương pháp phân tách tuyến tính hoạt động trên toàn bộ mảng cảm biến, tìm kiếm sự kết hợp không gian của các kênh giúp tối đa hóa công suất tín hiệu ở tần số đỉnh mục tiêu, đồng thời giảm thiểu công suất ở các thùng tần số lân cận ở cả hai bên. Đầu ra không chỉ là một phổ sạch hơn mà còn là một mô hình cho thấy vị trí điện cực nào, và từ đó đại khái là vùng não cơ bản nào, đóng góp nhiều nhất vào dao động cụ thể đó.
Nghiên cứu giới thiệu phương pháp này đã chứng minh rằng SSD có thể trích xuất các tín hiệu dao động một cách đáng tin cậy ngay cả khi tỷ lệ tín hiệu trên nhiễu thấp ở mức 1 trên 10, một thử nghiệm khắt khe khi biết rằng nhiễu mạnh hơn nhiều so với tín hiệu cần quan tâm.
Trong các so sánh trực tiếp, SSD vượt trội hơn các phương pháp tiếp cận thông thường dựa trên phân tích thành phần độc lập (ICA). Khi áp dụng cho dữ liệu EEG thực tế, SSD đã tách biệt các thành phần có mô hình không gian khớp với các vị trí trung tâm, cảm giác vận động cũng như các thành phần riêng biệt khớp với các vị trí chẩm-đỉnh, phía sau.
Tương Lai Của Việc Phân Tách Dữ Liệu Thời Gian
Những tiến bộ trong sức mạnh tính toán và các thuật toán học máy đang bắt đầu hợp nhất phân tách phổ cổ điển với các kiến trúc dự đoán dựa trên dữ liệu. Các hệ thống tích hợp này hứa hẹn sẽ tự động hóa việc trích xuất các dấu ấn sinh học, cho phép phân tích thời gian thực các động lực học thần kinh vốn trước đây yêu cầu xử lý ngoại tuyến kéo dài. Sự hội tụ của các phương pháp này có thể sẽ làm giảm độ trễ giữa việc thu thập dữ liệu và hành động lâm sàng, tạo điều kiện cho các giao diện não-máy tính phản hồi nhanh hơn.
Nghiên cứu ngày càng tập trung vào việc phát triển các bộ ước lượng phổ cải tiến lượng tử giúp vượt qua các giới hạn cố hữu trong các hàm cửa sổ cổ điển. Bằng cách tối ưu hóa hiệu quả băng thông của các tập hợp wavelet, các nhà nghiên cứu hy vọng sẽ đạt được siêu phân giải có thể phân biệt giữa các nguồn vỏ não chồng lấp ở quy mô milimet. Sự phát triển này hướng tới một tương lai nơi giám sát tín hiệu trở nên chi tiết và dễ tiếp cận hơn đáng kể.
Tiêu chuẩn hóa giữa các phòng thí nghiệm nghiên cứu toàn cầu vẫn là một mục tiêu then chốt cho thập kỷ tiếp theo của khoa học dữ liệu thời gian. Việc thiết lập các tiêu chuẩn để đánh giá hiệu suất sẽ đảm bảo rằng các tiến bộ kỹ thuật có thể tái lập và dịch chuyển thành các ứng dụng sức khỏe cộng đồng. Khi các phương pháp luận này ổn định, khoảng cách giữa nghiên cứu khoa học thần kinh cơ bản và tiện ích chẩn đoán thực tế dự kiến sẽ được thu hẹp đáng kể.
Kết Luận
Kỹ thuật phân tách dữ liệu thời gian thành các tần số vẫn là một bộ môn quan trọng để giải mã sự phức tạp của các tín hiệu điện trong sinh lý học con người. Bằng cách áp dụng các phương pháp toán học mạnh mẽ để trích xuất các mô hình có ý nghĩa từ các tập dữ liệu nhiễu, các nhà nghiên cứu cải thiện khả năng theo dõi sự ổn định và phát hiện các chuyển dịch bệnh lý.
Khi các khung phân tích này tiếp tục phát triển, chúng sẽ nâng cao hơn nữa độ chính xác của nghiên cứu thần kinh và tính hiệu quả của các kết quả lâm sàng tiếp theo.
Tài Liệu Tham Khảo
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
Câu Hỏi Thường Gặp
Sự khác biệt giữa miền thời gian và miền tần số là gì?
Miền thời gian hiển thị biên độ của tín hiệu thay đổi như thế nào theo thời gian, trong khi miền tần số hiển thị lượng tín hiệu nằm trong các dải tần số cụ thể.
Việc phân tách thời gian có thể được thực hiện trong thời gian thực không?
Có, phần cứng xử lý tín hiệu kỹ thuật số hiện đại cho phép tính toán liên tục các thành phần tần số, kích hoạt các ứng dụng giám sát và phản hồi theo thời gian thực.
Làm thế nào để tách nhiễu ra khỏi hoạt động thực tế của não?
Nhiễu thường được cô lập bằng cách xác định các dải tần số nằm ngoài phạm vi hoạt động thần kinh đã biết hoặc bằng cách nhận dạng các đặc điểm không gian hoặc phổ đặc trưng liên quan đến nhiễu môi trường.
Biến đổi Fourier trích xuất thông tin tần số từ EEG như thế nào?
Biến đổi Fourier phân tách một tín hiệu thành tổng của các sóng hình sin, giả định tín hiệu ở trạng thái tĩnh trong một cửa sổ thời gian ngắn. Mật độ phổ công suất (PSD) sau đó sẽ đo lượng công suất tồn tại ở mỗi tần số, cung cấp một hình ảnh nhanh về nội dung dao động.
Phân Tích Dạng Sóng Thực Nghiệm (EMD) khác với phân tích Fourier như thế nào?
EMD sàng lọc tín hiệu một cách thích ứng thành các hàm chế độ nội tại mà không giả định tính tĩnh, cho phép nó theo dõi các thay đổi tần số và biên độ tức thời. Điều này giúp nó về mặt lý thuyết phù hợp hơn cho các nhịp điệu không tĩnh như mu, mặc dù nó có thể bị ảnh hưởng bởi sự trộn lẫn chế độ.
Khi nào bạn nên chọn PSD thay vì một phương pháp phân tách chế độ?
PSD là một lựa chọn mạnh mẽ khi nghiên cứu các mô hình phổ rộng, có thể lặp lại trên các điều kiện, chẳng hạn như so sánh các nhiệm vụ hình ảnh vận động. Sự đơn giản trong tính toán và độ tin cậy đã được thiết lập của nó trong việc phân loại các trạng thái tinh thần giúp nó có hiệu quả khi thời gian chính xác của các thay đổi nhanh chóng không phải là yếu tố quan trọng.
Emotiv là một đơn vị dẫn đầu về công nghệ thần kinh, giúp thúc đẩy nghiên cứu khoa học thần kinh thông qua các công cụ EEG và dữ liệu não bộ dễ tiếp cận.
Christian Burgos
