Tại sao các nhà thần kinh học chuyển đổi thời gian thành tần số

Chuyển đổi thời gian sang tần số là gì?

Quy trình chuyển đổi liên quan đến việc biến đổi các chuỗi dữ liệu thô, thường được đo bằng biên độ theo thời gian, thành một phổ tần số. Sự thay đổi toán học này cho phép các nhà nghiên cứu quan sát các thành phần nhịp điệu cấu thành của tín hiệu thay vì chỉ quan sát những dao động điện áp hoặc áp suất thô độc lập. Bằng cách xem xét dữ liệu qua lăng kính này, các mô hình tinh vi bên trong các tập dữ liệu phức tạp trở nên dễ dàng phân loại và diễn giải hơn đáng kể để phục vụ cho các phân tích sâu hơn.

Bản chất cơ bản: Từ miền thời gian sang miền tần số

Trong ghi nhận tín hiệu tiêu chuẩn, khía cạnh thời gian thể hiện chuỗi các sự kiện khi chúng xảy ra, duy trì một trình tự thời gian mang tính trực quan để giám sát tức thời. Tuy nhiên, nhiều hệ thống động lực học thể hiện các hành vi lặp đi lặp lại—chẳng hạn như hoạt động nhịp nhàng của các neuron liên quan đến khoa học thần kinh—vốn không dễ dàng bóc tách nếu chỉ nhìn vào tín hiệu thô đơn thuần.

Việc chuyển đổi sang góc nhìn tần số hoạt động hiệu quả như một bộ lọc phân tích, cho phép người ta cô lập các nhịp điệu riêng lẻ và đóng góp tương đối của chúng vào cấu trúc tín hiệu tổng thể.

Cơ sở toán học: Biến đổi Fourier

Biến đổi Fourier hoạt động trên nguyên lý là bất kỳ tín hiệu dao động phức tạp nào cũng có thể được biểu diễn dưới dạng tổng có trọng số của các sóng sin và cosin đơn giản hơn. Phép toán này thực chất thực hiện một quá trình phân rã, trích xuất cấu trúc tuần hoàn cơ bản của một tín hiệu bất kể độ phức tạp ban đầu của nó là bao nhiêu.

Bằng cách áp dụng phép biến đổi này, nhà nghiên cứu ánh xạ các điểm dữ liệu thời gian vào một miền mới, nơi trục hoành biểu thị tần số và trục tung biểu thị công suất hoặc biên độ của từng thành phần tần số cụ thể.

Tại sao phân tích thời gian - tần số lại quan trọng?

Phân tích tín hiệu trong miền tần số là vô cùng cần thiết để cô lập các hiện tượng cụ thể bị lẫn trong nhiễu hoặc trong các dạng sóng hỗn hợp, lớn hơn. Cách tiếp cận này được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau dựa vào hoạt động xử lý tín hiệu chính xác để trích xuất các Insight liên quan từ các cảm biến và thiết bị đo lường.

Ứng dụng trong xử lý tín hiệu

Các kỹ sư thường gặp phải các tín hiệu bị lẫn tạp âm nền hoặc nhiễu điện môi trường xung quanh, điều này có thể che lấp thông tin chính cần quan tâm. Các kỹ thuật phân tích xem xét thành phần tần số cho phép lọc chính xác, nhờ đó các dải tần số không mong muốn cụ thể bị suy giảm mà không làm gián đoạn dữ liệu cốt lõi.

Khả năng này là nền tảng cho các hệ thống thông tin liên lạc và công nghệ cảm biến hiện đại, đảm bảo rằng các đỉnh tín hiệu hợp lệ vẫn rõ ràng và có thể diễn giải được cho quá trình xử lý tiếp theo.

Insight trong phân tích âm thanh và tiếng nói

Giọng nói của con người và âm thanh tự nhiên bao gồm nhiều tần số chồng chéo lên nhau, mỗi tần số đặc trưng cho âm sắc và tông giọng của nguồn phát cơ bản. Việc chuyển đổi các tín hiệu này sang miền tần số cho phép các nhà nghiên cứu lập bản đồ các formant hoặc phát hiện các đặc điểm giọng nói thay đổi theo thời gian, một yêu cầu thường thấy trong âm học.

Bằng cách xử lý các tín hiệu này dưới dạng ảnh phổ âm (spectrogram), các nhà phân tích có thể giám sát các biến đổi nhất thời có thể chỉ ra các tạp âm cụ thể hoặc các mô hình giúp phân biệt nguồn âm này với nguồn âm khác.

Các trường hợp sử dụng trong kỹ thuật y sinh

Trong môi trường y tế, việc đo lường chính xác đầu ra điện sinh học là vô cùng quan trọng để quan sát sức khỏe và chẩn đoán các bệnh lý thần kinh. Sử dụng thiết bị EEG làm công cụ chính, các bác sĩ có thể ghi lại các mô hình sóng não trong khi các nhà nghiên cứu sử dụng các phân tích tần số cụ thể để nghiên cứu các hành vi nhịp nhàng liên quan đến các trạng thái tỉnh táo khác nhau.

Việc tích hợp thiết bị chuyên dụng như phần cứng Thu thập dữ liệu PCI đảm bảo rằng dữ liệu có độ trung thực cao được thu thập, sau đó được xử lý thông qua các phép biến đổi miền tần số để cung cấp các Insight chẩn đoán có ý nghĩa.

Các phương pháp phổ biến để chuyển đổi thời gian sang tần số

Nhiều thuật toán khác nhau tồn tại để chuyển đổi dữ liệu thời gian, mỗi thuật toán phù hợp với các mức độ ổn định tín hiệu và yêu cầu độ chính xác khác nhau. Việc lựa chọn phương pháp phù hợp phụ thuộc vào bản chất của tín hiệu và độ phân giải yêu cầu của đầu ra phổ cuối cùng.

Biến đổi Fourier thời gian ngắn (STFT)

Phương pháp này phân đoạn một tín hiệu dài thành các cửa sổ nhỏ hơn, chồng chéo lên nhau, thực hiện biến đổi Fourier trên mỗi cửa sổ để quan sát cách nội dung tần số tiến triển. Nó đặc biệt hữu ích cho các tín hiệu không hoàn toàn tĩnh nhưng vẫn ổn định trong thời gian ngắn.

Cách chuyển đổi thời gian sang tần số theo cách thủ công

Trong khi phần mềm tự động hóa phần lớn việc tính toán, hiểu được cách chuyển đổi thủ công các tín hiệu tuần hoàn đòi hỏi phải xác định thời lượng chu kỳ. Bằng cách tính toán nghịch đảo của chu kỳ, người ta xác định được tốc độ mà sự kiện hoàn thành một chu kỳ đầy đủ, từ đó có được giá trị tần số được đo bằng Hertz.

Bảng này minh họa cho mối quan hệ nghịch đảo giữa chu kỳ và tần số, trong đó thời lượng chu kỳ ngắn hơn dẫn đến đầu ra tần số cao hơn đáng kể.

Sử dụng bộ tính toán tần số sang thời gian để ước tính nhanh

Các kỹ thuật viên thường sử dụng các công cụ ước tính để thu hẹp khoảng cách giữa thời gian và tần số mà không cần tính toán cặn kẽ. Các công cụ này thường cung cấp các tính năng sau để cấu hình nhanh trong quá trình phân tích dữ liệu:

• Tự động chuyển đổi thời gian chu kỳ sang hertz.

• Hỗ trợ nhiều đơn vị tỷ lệ như mili giây và micro giây.

• Đảo ngược các chức năng ngay lập tức để chuyển đổi ngược lại.

• Vẽ biểu đồ ngay lập tức để so sánh trực quan độ ổn định của tín hiệu.

Các bộ tính toán này cung cấp đánh giá ban đầu trước khi các kỹ thuật lọc kỹ thuật số hoặc phân rã phổ phức tạp hơn được áp dụng trong môi trường nghiên cứu.

Biến đổi Wavelet

Khác với các phương pháp tiếp cận Fourier truyền thống, Biến đổi Wavelet sử dụng các cửa sổ có thể mở rộng quy mô để phân tích đồng thời cả các thành phần tần số thấp và cao. Điều này cho phép định vị tốt hơn các thay đổi tín hiệu đột ngột, chẳng hạn như phóng điện nhất thời hoặc các xung nhọn xảy ra quá nhanh đối với phân tích STFT dạng cửa sổ.

Nó được đánh giá rất cao trong các lĩnh vực đòi hỏi độ nhạy cao về cả thời gian và tần số trong một lượt xử lý duy nhất.

Lăng kính vô hình: Biến thời gian thành tần số

Một khoảnh khắc hoạt động đơn lẻ của não bộ hiếm khi được tạo thành từ một làn sóng sạch duy nhất. Nó hoạt động giống như một hợp âm nhạc, nơi nhiều nốt nhạc vang lên cùng nhau để tạo ra một tông màu phức tạp.

Nếu bạn chỉ nghe toàn bộ hợp âm, bạn sẽ nghe thấy một sự hòa quyện chứ không phải các nốt nhạc riêng lẻ. Vấn đề tương tự cũng áp dụng cho một đường ghi EEG thô. Tại bất kỳ thời điểm nào, các dao động chậm, trung bình và nhanh đều đang kích hoạt đồng thời, và chế độ xem miền thời gian xếp chồng chúng thành một dạng sóng duy nhất, rất khó phân tích.

Chuyển đổi dạng sóng đó sang miền tần số không bổ sung thêm thông tin mới vào tín hiệu. Nó tổ chức lại thông tin hiện có để các dao động khác nhau trở nên rõ ràng dưới dạng các thành phần riêng biệt. Sự tổ chức lại này mang lại những hệ quả thực tế, có thể đo lường được đối với mức độ hiệu quả mà các nhà nghiên cứu có thể làm sạch dữ liệu nhiễu và phát hiện các mô hình có ý nghĩa.

Hãy xem xét nhiễu do chớp mắt, một trong những nguồn tạp âm dai dẳng nhất trong các bản ghi EEG. Khi mắt di chuyển, tín hiệu điện tạo ra, được gọi là điện nhãn đồ (EOG), sẽ rò rỉ vào các kênh EEG gần đó và làm biến dạng kết quả đọc. Các nỗ lực khắc phục ban đầu giả định rằng sự rò rỉ từ mắt đến da đầu hoạt động nhất quán trên tất cả các nhịp điệu, do đó phép trừ miền thời gian đơn giản sẽ hoạt động hiệu quả như nhau ở mọi nơi.

Kenemans và cộng sự đã trực tiếp kiểm tra giả định này. Sử dụng cả dữ liệu mô phỏng và dữ liệu thực tế, các nhà nghiên cứu đã so sánh ba chiến lược làm sạch:

1. Hồi quy miền thời gian đơn giản

2. Hồi quy miền thời gian đa độ trễ (multiple-lag) phức tạp hơn

3. Hồi quy miền tần số.

Khi sự truyền điện từ mắt đến da đầu không phụ thuộc vào tần số, nghĩa là nó hoạt động giống nhau trên tất cả các nhịp điệu, cả ba phương pháp đều hoạt động tốt như nhau. Nhưng khi sự truyền điện phụ thuộc vào tần số, nghĩa là tạp âm thay đổi tùy thuộc vào nhịp điệu liên quan, phương pháp miền thời gian đơn giản đã thất bại trong việc tái cấu trúc hoàn toàn EEG ban đầu.

Chỉ có phương pháp tiếp cận miền tần số và phương pháp miền thời gian đa độ trễ tinh vi hơn mới có thể giải thích được sự biến đổi đó. Điều này cho thấy rằng các nhiễu tín hiệu não không phải lúc nào cũng hoạt động đồng đều theo thời gian, và đôi khi chỉ có lăng kính nhận biết tần số mới có thể phân tách chính xác hoạt động não thực tế khỏi tạp âm.

Lợi ích của việc tái định hình này thậm chí còn trở nên ấn tượng hơn trong phát hiện động kinh. Một nghiên cứu năm 2018 cho thấy khi tín hiệu EEG miền thời gian thô được đưa vào một hệ thống phân loại, độ chính xác trên các bản ghi da đầu đã giảm xuống mức thấp nhất là 60 phần trăm trong một số thử nghiệm, một kết quả không tốt hơn nhiều so với việc tung đồng xu đối với một số tác vụ phân loại nhất định. Khi cùng một dữ liệu đó được chuyển đổi sang miền tần số trước, độ chính xác của cùng một tác vụ đó đã tăng vọt lên khoảng 96 phần trăm.

Thông tin cần thiết để xác định chính xác trạng thái động kinh đã luôn hiện diện trong bản ghi suốt thời gian đó. Nó chỉ đơn giản là không hiển thị cho thấy cho đến khi tín hiệu được xem xét thông qua các thành phần tần số của nó.

Tại sao góc nhìn tần số lại quan trọng: Từ tạp âm đến các ứng dụng thay đổi cuộc sống

Sự chuyển dịch từ thời gian sang tần số không phải là một sở thích kỹ thuật trừu tượng. Nó mang lại những hệ quả cụ thể trên bốn ứng dụng rất khác biệt.

Loại bỏ nhiễu sắc bén hơn

Chuyển động mắt và chớp mắt là nguồn tạp âm mãn tính trong các bản ghi EEG, vì tín hiệu điện do mắt tạo ra có thể lan sang các điện cực da đầu gần đó.

Nghiên cứu của Kenemans và cộng sự đã chứng minh rằng tạp âm này không phải lúc nào cũng truyền với tốc độ không đổi trên tất cả các tần số. Khi sự truyền phụ thuộc vào tần số, một hiệu chỉnh miền thời gian cơ bản hoạt động kém hiệu quả, trong khi phương pháp hồi quy miền tần số đã tái cấu trúc thành công tín hiệu não ban đầu.

Điều này rất quan trọng đối với bất kỳ ứng dụng nào coi trọng chất lượng tín hiệu sạch, vì các nhiễu mắt không được khắc phục có thể bị nhầm lẫn với hoạt động não thực sự nếu áp dụng sai phương pháp làm sạch.

Não bộ của bạn, Chữ ký của bạn

Một nghiên cứu được công bố trên Journal of Neural Engineering cho thấy mô hình tổng thể về nhịp điệu não của một người duy trì sự ổn định đáng kinh ngạc qua các phiên ghi nhận khác nhau và thậm chí qua các vị trí đặt cảm biến khác nhau trên da đầu. Sự nhất quán này, được mô tả như một dạng dấu vân tay EEG, mạnh nhất ở băng tần alpha nhưng vẫn có thể phát hiện được trên một phạm vi rộng từ 1 đến 40 Hz.

Đáng chú ý, chữ ký nhận dạng này vẫn được duy trì ngay cả khi các đối tượng đang thực hiện các tác vụ nhận thức hoàn toàn khác nhau, điều này cho thấy mô hình phản ánh một điều gì đó ổn định về mặt cấu trúc trong não bộ của một cá nhân thay vì một phản ứng đối với một hoạt động trí óc cụ thể tại thời điểm đó.

Khả năng phân biệt của các nhịp điệu này tuân theo những gì các nhà nghiên cứu mô tả là mô hình hình chữ W trên toàn bộ dải tần số, với đỉnh nhận dạng mạnh nhất tập trung quanh nhịp alpha 10 Hz. Phát hiện này có liên quan trực tiếp đến các hệ thống nhận dạng sinh trắc học mà một ngày nào đó có thể sử dụng hoạt động của não như một hình thức xác minh cá nhân an toàn.

Đọc hiểu cảm xúc

Các trạng thái cảm xúc để lại các dấu vết có thể đo lường được trong các mô hình nhịp não, và một nghiên cứu của Petrantonakis và nhóm của ông cho thấy các dấu vết này được ghi lại tốt nhất trong miền thời gian - tần số thay vì tín hiệu miền thời gian thô. Bằng cách sử dụng phương pháp phân đoạn thích ứng và đo lường sự bất đối xứng alpha vùng trán, các nhà nghiên cứu đã xây dựng một hệ thống phân loại có khả năng phân biệt các tổ hợp hóa trị (valence) và kích thích (arousal) khác nhau, phân loại chính xác các trạng thái cảm xúc cao hơn nhiều so với mức mong đợi của việc phỏng đoán ngẫu nhiên.

Loại phát hiện cảm xúc dựa trên tần số này có liên quan đến mối quan tâm ngày càng tăng đối với các giao diện não-máy tính được thiết kế để phản hồi lại tâm trạng hoặc sự tham gia cảm xúc của người dùng, mặc dù độ chính xác phân loại được báo cáo, dao động từ khoảng 64 đến 83 phần trăm tùy thuộc vào các danh mục cảm xúc cụ thể được kiểm tra, cho thấy đây vẫn là một công cụ mang tính xác suất hơn là một kết quả đọc cảm xúc dứt khoát.

Chế ngự bệnh động kinh

Có lẽ minh chứng ấn tượng nhất về giá trị thực tiễn của miền tần số đến từ nghiên cứu về bệnh động kinh. Nghiên cứu năm 2018 đã đề cập ở trên đã so sánh trực tiếp các tín hiệu miền thời gian và miền tần số làm đầu vào cho một mạng thần kinh tích chập có nhiệm vụ phân biệt các trạng thái não bộ lúc lên cơn (ictal), trước khi lên cơn (preictal), và giữa các cơn (interictal).

Trên cơ sở dữ liệu Freiburg nội sọ, đầu vào miền tần số tạo ra độ chính xác trung bình từ 92 đến 97 phần trăm trên ba thử nghiệm phân loại riêng biệt, trong khi đầu vào miền thời gian trên cùng cơ sở dữ liệu đó tạo ra độ chính xác dao động từ khoảng 84 đến 91 phần trăm. Khoảng cách này nới rộng đáng kể trên cơ sở dữ liệu CHB-MIT được ghi trên da đầu, nơi độ chính xác của miền tần số vẫn ở mức cao, từ khoảng 93 đến 98 phần trăm, trong khi độ chính xác của miền thời gian sụp đổ xuống chỉ còn từ 48 đến 62 phần trăm trong một số thử nghiệm.

Điều này cho thấy rằng đối với một số điều kiện ghi nhận nhất định, đặc biệt là EEG da đầu, tín hiệu miền thời gian thô có thể đơn giản là thiếu cấu trúc có thể phân giải cần thiết để phân loại cơn động kinh tự động đáng tin cậy, trong khi việc tổ chức lại miền tần số của cùng tín hiệu đó giúp hệ thống học máy có thể tiếp cận mô hình cơ bản.

Hơn nữa, Madhavan và cộng sự đẩy khái niệm này đi xa hơn bằng cách tập trung cụ thể vào việc định vị thay vì phát hiện trong nghiên cứu năm 2020 của họ. Sử dụng một kỹ thuật gọi là biến đổi synchrosqueezing để tạo ra các biểu diễn thời gian - tần số chi tiết, kết hợp với mạng thần kinh tích chập sâu, nghiên cứu đã đạt được các giá trị độ chính xác, độ nhạy và độ đặc hiệu trên 99 phần trăm trong việc phân biệt các tín hiệu EEG khu trú, bắt nguồn từ vùng gây động kinh chịu trách nhiệm kích hoạt các cơn co giật, với các tín hiệu không khu trú bắt nguồn từ những nơi khác trong não.

Mức độ chính xác này liên quan trực tiếp đến phẫu thuật động kinh, nơi việc xác định chính xác vùng não chịu trách nhiệm cho hoạt động động kinh là điều kiện tiên quyết để can thiệp phẫu thuật an toàn và hiệu quả.

Một lăng kính mới trên bộ não sống

Sự chuyển đổi từ một đường điện áp duy nhất dịch chuyển theo thời gian thành một phổ của các nhịp điệu riêng biệt chính là cơ chế giúp cho EEG có thể đọc được ngay từ đầu. Nếu không có nó, một thuật toán phát hiện động kinh hoạt động dựa trên dữ liệu da đầu hầu như không thể mang lại kết quả tốt hơn việc đoán ngẫu nhiên.

Với nó, cùng thuật toán đó có thể đạt tới độ chính xác ngoài 90 phần trăm. Không có nó, nhiễu chớp mắt tinh vi có thể giả dạng hoạt động não thực tế.

Với việc hiệu chỉnh nhận biết tần số, tạp âm đó có thể được phân tách ra một cách đáng tin cậy hơn. Không có nó, mô hình ổn định, đặc trưng cho từng người trong nhịp não của một ai đó, tập trung mạnh nhất quanh băng tần alpha, vẫn vô hình. Với nó, mô hình đó trở thành một chữ ký có thể đo lường được.

Không có ứng dụng nào trong số này yêu cầu bổ sung thông tin mới vào tín hiệu EEG. Chúng yêu cầu thông tin hiện có phải được tổ chức lại thành một biểu thức nơi các mô hình có ý nghĩa cuối cùng có thể được phân biệt khỏi tạp âm.

Sự tổ chức lại đó, bước chuyển dịch từ thời gian sang tần số, là thứ biến một đường ghi điện áp hỗn loạn thành một bản ghi có cấu trúc của hoạt động delta, theta, alpha, beta và gamma, mang đến cho các nhà nghiên cứu và bác sĩ lâm sàng một cách rõ ràng hơn, không xâm lấn để nghiên cứu giấc ngủ, trạng thái cảm xúc, danh tính cá nhân và bệnh lý thần kinh khi chúng diễn ra trong bộ não sống.

Tài liệu tham khảo

1. Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x

2. Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095

3. DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.

4. Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647

5. Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072

Các câu hỏi thường gặp

Tại sao các nhà khoa học thần kinh chuyển đổi tín hiệu EEG từ thời gian sang tần số?

Một đường ghi EEG thô xếp chồng nhiều nhịp điệu não ở các tốc độ khác nhau thành một dạng sóng phức tạp duy nhất, khiến các mô hình riêng lẻ trở nên khó nhận biết. Chuyển đổi sang miền tần số phân tách tín hiệu đó thành các tần số thành phần riêng biệt, giống như một lăng kính phân tách ánh sáng trắng thành các màu sắc, nhờ đó mỗi nhịp điệu có thể được nghiên cứu độc lập.

Góc nhìn tần số cải thiện việc loại bỏ nhiễu chớp mắt như thế nào?

Nhiễu chớp mắt có thể truyền khác nhau qua các dải tần số EEG, nghĩa là phép trừ dựa trên thời gian đơn giản thường thất bại. Phép hồi quy miền tần số giải quyết được những khác biệt phụ thuộc vào tần số này, cho phép tái cấu trúc tín hiệu não thực tế một cách chính xác hơn.

Điều gì xảy ra với độ chính xác phát hiện động kinh khi sử dụng miền tần số thay vì miền thời gian?

Các mô hình liên quan đến động kinh hiện diện trong tín hiệu thô nhưng không nhìn thấy được trong miền thời gian. Phân tích tần số sắp xếp lại dữ liệu để bộ phân loại có thể đạt được độ chính xác trên 90%, trong khi đầu vào miền thời gian thô đôi khi không mang lại kết quả nào tốt hơn phân tích ngẫu nhiên trên các bản ghi da đầu.

Tại sao nhịp alpha được coi là một nhận dạng sinh trắc học mạnh mẽ?

Hoạt động alpha thể hiện một đỉnh đặc biệt, ổn định quanh tần số 10 Hz và duy trì nhất quán qua các tác vụ và phiên ghi nhận khác nhau. Sự ổn định này phản ánh cấu trúc não bộ tiềm ẩn của một cá nhân, biến nó thành một dấu vân tay EEG đáng tin cậy để nhận dạng con người.

Các mô hình tần số EEG có thể chỉ ra trạng thái cảm xúc như thế nào?

Sự bất đối xứng alpha vùng trán, so sánh cường độ alpha giữa vùng não trán trái và phải, khác biệt tùy theo hóa trị cảm xúc và mức độ kích thích. Phân tích miền tần số nắm bắt được các mô hình bất đối xứng này, cho phép phân loại các trạng thái cảm xúc vượt trội hơn nhiều so với mức ngẫu nhiên.

Tại sao phân tích tần số lại cần thiết để định vị các vùng khởi phát cơn động kinh trong phẫu thuật động kinh?

Các đợt bùng phát gamma tần số cao, thời gian ngắn và các dịch chuyển trên tất cả các dải tần số đánh dấu vùng gây động kinh. Các kỹ thuật thời gian - tần số như biến đổi synchrosqueezing chuyển đổi các mô hình này thành các biểu diễn chi tiết, cho phép các mô hình học sâu phân biệt các tín hiệu động kinh khu trú với các tín hiệu không khu trú với độ chính xác rất cao—một điều kiện tiên quyết để chuẩn bị phẫu thuật an toàn.