搜尋其他主題…

拉普拉斯轉換與傅立葉轉換

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

容積傳導(Volume conduction)意味著在某個電極記錄到的強烈電壓,並不一定代表底層的大腦活動直接源自該電極正下方。它可能來自數公分外的源頭,其訊號只是傳播得夠廣,從而同時在多個感測器上被記錄到。

這給試圖回答兩個截然不同的科學問題的研究者帶來了真正的難題:某個特定的活動模式集中在頭皮的哪個位置?以及大腦在那一刻產生的是什麼節奏或頻率?這兩個問題需要兩種不同的工具。一種是表面拉普拉斯算子(surface Laplacian),用於提高空間細節的清晰度;另一種是傅立葉轉換(Fourier transform),用於解碼時間資訊。

理解這兩種工具實際上的作用,以及為什麼兩者無法互相替代,能為任何初次閱讀腦波圖(EEG)方法章節的人澄清許多困惑。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

拉普拉斯變換對比傅立葉變換:概述

工程師和科學家在設計系統或分析實驗數據時,經常需要在拉普拉斯變換和傅立葉變換之間做出選擇。雖然這兩種數學工具的作用都是將信號從時間域轉移到可以觀察頻率行為的域,但它們在範疇、定義和基礎性質上有着根本的不同。選擇正確的方法往往會改變結果的清晰度,尤其是當處理包含穩定振盪和不可預測過渡的複雜現實世界數據流時。

傅立葉變換因其能夠在週期性或平穩信號中分離頻率成分而廣為人知。它依賴於一個純虛數的頻率參數,使其成為更廣義的拉普拉斯變換的一個子集。

因為它捕捉了信號的譜密度,而無需考慮初始條件或增長因子,所以它成為了經典頻率分析的基石。相比之下,拉普拉斯變換使用了一個複數頻率參數,這使得它能夠將系統響應中的衰減和增長指數行為同時囊括其中。

在這兩項技術之間進行選擇,需要評估所討論系統的穩定性和初始狀態。當研究人員關注穩態諧波內容時,傅立葉方法仍然是標準。相反,如果需要評估反饋系統的穩定性或考慮暫態過程,拉普拉斯變換則提供了顯著更廣泛的數學覆蓋。通過平衡這些需求,分析人員可以選擇能夠直接產生有效解評其特定數據集所需信息的方法。

空間拉普拉斯變換揭示了關於局灶性大腦活動的什麼信息

空間拉普拉斯變換是一種空間濾波器。它完全不觸及信號的時序。

相反,它在頭皮上的電極圖上運行,將每個單獨傳感器上的電壓與其緊鄰鄰居上記錄的電壓進行比較。如果某個電極的讀數顯著高於或低於其周圍電極的平均值,拉普拉斯變換就會將該點標記為一個可能的局部源。如果該電極的讀數與其鄰居密切匹配,拉普拉斯變換會將其視為廣泛的、瀰漫性的活動,而不是尖銳定位的活動,並在輸出中予以抑制。

這種濾波的實際結果是一個模糊度大為降低的拓撲圖。拉普拉斯變換後的圖案往往會產生更緊湊、更凝聚的活動區域,而不是大片、邊界模糊的活動,這些活動可能來自於寬闊頭皮下方的幾乎任何地方。這在概念上與電流源密度(CSD)相聯繫,後者是一種相關的方法,也旨在估算電流實際流入或流出頭皮表面的位置,而不是簡單地看電壓在何處最高。

傅立葉變換揭示了關於腦電節律的什麼信息

一旦將空間問題擱置一旁,一個完全不同的問題就成為了焦點。原始的腦電圖(EEG)時間序列,即隨時間推移從單一電極記錄的鋸齒狀、不斷變化的電壓軌跡,在肉眼看來顯得雜亂無章。然而,隱藏在這種表面混亂之中的是同時以不同速度發生的循環振盪。傅立葉變換就是將信號分離為這些重疊組合節律的數學工具。

與拉普拉斯變換在單一時間點跨電極觀察不同,傅立葉變換在單一電極信號內跨時間進行觀察。它將混亂的波形重新組織為頻譜,本質上這是一張展示信號總能量中有多少屬於各個頻帶的清單。

在腦電圖(EEG)研究中,這些頻帶通常被標記為 delta、theta、alpha、beta 和 gamma,每個頻帶都與不同範圍的振盪速度(以每秒週期數衡量)相關聯。一個由緩慢、大波主導的信號其頻譜會偏向低端。一個充滿快速、微小波動的信號,其能量則會更多地集中在高頻帶。

至關重要的是,傅立葉變換完全丟棄了空間信息。它不在乎電極是放置在頭部的前部還是後部,也不企圖確定所記錄的活動是局灶性的還是分佈在廣大區域。它的全部目的是時間性的:在給定單個通道隨時間變化的活動情況下,大腦正以什麼節律進行振盪。

工具

分析對象

回答的問題

輸出

空間拉普拉斯變換

空間電極分佈圖

活動在哪裡局灶性集中

更清晰的空間分佈圖

傅立葉變換

單一電極隨時間變化的信號

存在什麼節律

頻譜

結合拉普拉斯變換和傅立葉變換以獲得更乾淨的頻譜

因為這兩種工具解決的是不同的問題,所以在腦電圖分析中,一種被廣泛教授的方法是按順序應用它們,而不是二選一。

典型的工作流程包括首先在電極陣列上運行空間拉普拉斯變換,產生一組經過空間濾波的新波形,然後將傅立葉變換應用於這些已經過濾的信號,而不是原始的原始記錄。

容積傳導會將多個源的信號混合到單個電極的原始記錄中。這意味着原始時間序列並非真正是單一底層神經節律的故事。它更像是來自附近和遠遠多個源的幾種節律的重疊記錄,都融合在頭皮上的那一個點上。

當傅立葉變換直接應用於此混合信號時,產生的頻譜就會反映出這種混合。真正的局灶性節律最終可能會被從其他區域收集到的更廣泛、特異性較低的活動所稀釋。

首先應用空間拉普拉斯變換旨在頻率分析開始之前減少這種干擾。通過抑制寬闊的、瀰漫性的成分並強調尖銳的局部成分,拉普拉斯變換步驟旨在留下一個更接近於直接在該電極下方產生的活動的波形。理論上,在這種經過濾的波形上運行傅立葉變換,應該能產生更好地反映該特定皮層區域節律活動的頻譜,而不是遠處源的混合體。

這種結合方法通常被描述為能產生“更乾淨”或在空間上更局限的譜估計,其底層推論與各個單獨工具的功能在邏輯上是一致的。

為所提出的問題保留正確的視角

在神經科學中,每一次腦電圖記錄都帶有重疊信息的隱藏糾纏,而工具的選擇決定了什麼會變得可見。

拉普拉斯變換使活動高峰位置的地圖變得更清晰,而傅立葉變換則調整到大腦速度隱藏的節拍器中,混淆它們的角色會導致基於虛假清晰度的理解。在時間濾波之前應用空間濾波,遵循了在詢問節律之前清洗基於距離的污染的合理邏輯,儘管該步驟的實際益處仍然取決於手頭的具體數據。

保持不變的是基本的權衡:定位的方法會丟棄時序,而揭示頻率的方法會忽視空間。將這種概念上的分裂帶入任何腦電圖方法學章節,可以防止將這些不同的計算視為回答同一個根本問題的常見錯誤。

參考文獻

  1. Pascual-Marqui, R. D., Gonzalez-Andino, S. L., & Valdes-Sosa, P. A. (1988). Current source density estimation and interpolation based on the spherical harmonic Fourier expansion. International journal of neuroscience, 43(3-4), 237-249. https://doi.org/10.3109/00207458808986175

常見問題解答

空間拉普拉斯變換解決的主要問題是什麼?

空間拉普拉斯變換解決了容積傳導的問題,即大腦信號在穿過組織和顱骨到達電極時發生的抹平和模糊。它充當空間濾波器,以提供對頭皮上活動真正集中或局灶性位置的更清晰估算。

傅立葉變換在腦電圖分析中回答了什麼問題?

傅立葉變換通過將單個電極混亂的時間序列分離為其重疊的組成頻率,回答了“什麼節律”的問題。它揭示了不同振盪頻帶(如 delta、theta 或 alpha)中有多少能量,純粹側重於時間模式。

空間拉普拉斯變換可以用於尋找大腦節律嗎?反之亦然?

不能,這兩種工具不可互換,因為它們回答的是根本不同的問題。拉普拉斯變換使空間位置(“在哪裡”)更清晰,而傅立葉變換解碼節律時序(“以什麼節律”),這意味着兩者不能互相替代。

為什麼研究人員會在引入傅立葉變換之前應用空間拉普拉斯變換?

首先應用拉普拉斯變換可以通過減少因容積傳導而混合到記錄中的瀰漫性、遠處活動來在空間上清潔信號。隨後的傅立葉變換隨之產生頻譜,能更好地反映直接位於電極下方的特定皮層區域的節律。

球面諧波傅立葉展開(SHE)用於什麼?

SHE 是一種計算方法,通過在整個頭部模擬頭皮電場來估計空間拉普拉斯變換。模擬研究表明,與更簡單的鄰居比較技術相比,該方法給出了更好的拉普拉斯估計,並且在插值方面表現更佳。

空間拉普拉斯變換如何識別大腦活動可能的局部源?

拉普拉斯變換將一個電極上的電壓與其緊鄰鄰居的平均電壓進行比較。如果讀數有顯著差異,則會被標記為局部源;但如果與鄰居密切匹配,則會作為廣泛的、瀰漫性的活動被抑制。

應用空間拉普拉斯變換後,腦電圖信號會發生什麼?

轉換後的輸出會產生一個模糊度大為降低的拓撲圖,顯示更緊湊、更凝聚的活動區域。信號的時序不會被改變;只有其在頭皮上的空間表徵被細化,以更好地指示電流流動。

結合拉普拉斯變換和傅立葉變換能否保證更好的分析?

結合使用是一種基於在頻率分析前減少空間干擾邏輯的合理啟發式方法,但這並不是一種有保證的、普遍量化的效果。研究人員仍需確認這種順序處理是否能改善其特定數據集的結果。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

Emotiv 是一家神經科技領導者,透過可近用的 EEG 和腦部資料工具,協助推動神經科學研究進展。

醫療免責聲明:本網站提供的資訊僅供教育和參考之用,不構成醫療或健康建議。本內容可能含有錯誤,不應作為做出改變生活的健康、醫療或生活方式選擇的依據。若您對醫療狀況或治療有任何疑問,請務必諮詢您的醫生或其他符合資格的健康提供者的建議。

克里斯蒂安·布戈斯

我們的最新消息

乾式腦電圖(EEG)電極的權衡:速度與舒適度 vs. 信號保真度

數十年來,腦電圖(EEG)一直是神經科學的基石,它透過放置在頭皮上的電極來測量大腦的電活動。傳統的「濕式」電極需要導電凝膠來填補皮膚與感測器之間的間隙,以降低可能阻擋這些微小電壓的電阻(即阻抗)。塗抹凝膠的過程既繁瑣又耗時,且通常會讓受試者感到不適。

隨著腦電圖走出實驗室,進入家庭、診所和走動式環境,對更快速、更簡便介面的需求也日益增長。無需凝膠、可直接接觸皮膚的乾式電極正帶來了這樣的希望:快速設置與更高的舒適度。

但這種便利性也伴隨著物理代價。缺少凝膠會導致更高的阻抗和雜訊更多的訊號,從而在實用性與數據保真度之間產生了持續的權衡取捨。近期一系列的獨立研究精確描繪了這種權衡的具體面向,釐清了乾式電極在哪些方面表現出色,而在哪些方面仍屬次選。

閱讀文章

居家腦電圖(EEG)如何進行日常大腦記錄?

居家腦電圖(Home EEG)是指在任何臨床或實驗室環境之外自行進行的記錄。它將電極凝膠、headset 以及記錄軟體交給未受過專業訓練的使用者,通常僅透過智慧型手機應用程式進行引導。這個概念在於具備能夠融入日常生活的腦部測量能力,有可能在沒有前往醫院的後勤負擔下,記錄睡眠結構、認知專注力或癲癇發作模式。

閱讀文章

作為整體系統的神經回饋設備

想像一下玩電子遊戲時控制器是隱形的——你僅僅依靠自己的腦電波來操控。這個想法正是神經回饋的核心,這項技術為你提供了一個觀察大腦活動的即時窗口,並教導你如何調節它。

設備會接收你大腦產生的訊號,最常見的是使用腦電圖 (EEG) 檢測頭皮上的電位變化模式,或是偶爾使用功能性近紅外光譜 (fNIRS) 感測器追蹤血流情況。這些原始訊號經過處理後,會轉換成簡單的遊戲、聲音或螢幕上移動的圖形。透過反覆試錯,你的大腦會學會產生相應的模式,使回饋朝著你期望的方向發展。

許多指南都著重於各個組件——EEG 電極、導線、軟體——但只有當這些組件構成一個協調的整體時,設備才能真正發揮作用。本介紹將神經回饋視為一個整合系統來進行探討,其中訊號處理、回饋設計和日常可用性相互結合,共同決定它是否能帶來真正的幫助。

閱讀文章

掌握腦電圖 (EEG) 設定:記錄前的最佳實踐

將清晰、可解讀的神經訊號與受到肌肉假訊號或電源雜訊干擾的波形區分開來的,並非複雜的事後處理演算法,而是一套有系統、按時間順序進行的準備步驟流程。在這種情況下,腦電圖(EEG)的設置不僅僅是將電極帽戴在受試者頭上。它是一套嚴謹的生物、環境及電氣校準程序,共同在大腦與放大器之間建立一個穩定且低雜訊的介面。

本文將逐步介紹記錄前的工作流程,並綜合現有證據以證明:細緻的受試者說明、頭皮準備、環境屏蔽、參考導聯配置選擇以及基準假訊號篩查,構成了一套不可或缺的相互依賴環節。

閱讀文章