搜索其他主题…

脑电图(EEG)短时傅里叶变换指南

使用针对灵活现场部署进行优化的快速搭建、高密度无线阵列,加速您的分析脑电图(EEG)时间线。

使用针对灵活现场部署进行优化的快速搭建、高密度无线阵列,加速您的分析脑电图(EEG)时间线。

基本的傅里叶变换(这一将信号分解为其组成频率的经典数学工具)可以告诉您在整个记录的某个地方存在哪些脑电节律。但它无法告诉您这些节律是何时出现的。当有人闭上眼睛的那一刻,出现的一段短暂的 alpha 活动是一个有意义的、与时间锁定的事件。

如果将其平均到一个跨越十分钟记录的单一频率摘要中,这段短暂的活动就会变成一个统计数据,与背景噪声无异。恢复这些事件发生的时间是任何严肃的脑电图(EEG)研究的起点,而这正是短时傅里叶变换(STFT)旨在解决的确切问题。

使用针对灵活现场部署进行优化的快速搭建、高密度无线阵列,加速您的分析脑电图(EEG)时间线。

使用针对灵活现场部署进行优化的快速搭建、高密度无线阵列,加速您的分析脑电图(EEG)时间线。

标准傅里叶变换存在的问题

标准傅里叶变换是经典信号处理的支柱,因为它能有效地将复杂信号分解为纯正弦波的叠加。通过在无限时间上进行积分,它可以揭示记录中存在的全部频率成分。

然而,这种方法假定信号是平稳的;如果频率成分随时间发生改变,典型的输出结果就会掩盖时间序列信息。这一局限性使得人们无法区分短暂突发的事件与持续的谐波,而这在神经科学等领域中是至关重要的。

什么是脑电图(EEG)分析中的短时傅里叶变换

STFT 采用了一种相当直接的策略来解决时间定位问题。它并没有一次性对整段 EEG 记录进行傅里叶变换,而是将信号切分成简短、连续的片段(通常称为窗),并分别对每个片段应用傅里叶变换。每个窗都会生成自己微缩的频率快照,将这些快照按顺序拼接在一起,就能构建出一幅频率成分随时间变化的动态画面。

该过程的输出通常显示为时频图(spectrogram),这是一种以时间为一个轴、频率为另一个轴的可视化图谱。该图谱上任意特定点的颜色或强度代表该频率在那一时刻的功率或强度。这正是 STFT 分析旨在提供的核心价值。

正如 Zabidi 等人所述,STFT 分析的作用在于“揭示 EEG 信号在各个时间点的频率成分”。

为什么窗长是 STFT 中最重要的设置

将信号切分成窗听起来很简单,但为每个窗选择的长度几乎决定了所得时频图的质量和真实性的一切。这一抉择涉及到一个无法避免、只能权衡取舍的平衡。

可以这样理解:长窗就像一把精确的频率标尺,但却是一块模糊的秒表。由于它包含更多的数据点,长窗能够以极高的精度区分相近的频率。但因为它跨越了较长的时间段,该窗口内发生的任何事件都会被平摊模糊掉,使你失去精确定位某个变化何时发生的能力。

短窗则恰恰颠倒了这一权衡。它就像一块精确的秒表,但却是一把模糊的频率标尺。它几乎可以确切地告诉你某个事件何时发生,但在分离靠得很近的频率时却很吃力,因为短暂的信号切片根本不包含足够的振荡周期来精细测量频率。

这是支配所有时频分析的不确定性原理的一种表现形式:你无法在同一时刻获得完美的时间分辨率和频率分辨率。提升其中一个指标总是要以牺牲另一个指标为代价。认识到这种权衡,而不是试图消除它,是运用 STFT 的核心技能。

由于不同的脑电节律振荡速度差异很大,因此没有任何单一的窗长能适用于所有节律。以下指南是根据这些节律通常的特性总结出的实用启发式起点:

  • Delta 波(约 0.5 至 4 Hz):这些是最慢的脑节律,窗必须足够长(通常在 1 到 2 秒之间),以捕获所测最慢波形的至少一个完整周期。较短的窗根本无法包含足够的波形来表征它。

  • Theta 和 Alpha 节律(约 4 至 13 Hz):折中的窗长(通常在 500 毫秒左右)往往能取得切实可行的平衡。它既足够长以捕获若干振荡周期(有助于清晰界定节律),又足够短以追踪有意义的变化(例如闭眼时 alpha 突发的起始)。

  • Beta 和 Gamma 节律(大约 13 Hz 以上):这些更快的节律变化迅速,因此必须使用较短的窗(通常为 250 毫秒或更短)来追踪它们的快速动态。这里的代价是分辨高频 gamma 范围内相邻频率的能力降低,这正是上述权衡取舍的直接后果。

STFT 如何揭示真实运动与想象运动之间的差异

STFT 的实用价值在脑机接口(BCI)研究中体现得最为明显,其目标是将大脑活动直接转化为设备的控制信号。

一个深入研究的范例是:对比一个人在想象手部动作时记录的 EEG 与想象脚部动作时的 EEG,或者对比想象动作与该动作真实物理执行时的表现。

在这些与运动相关的范式中,一个常见的分析目标是称为事件相关去同步(ERD)的现象,即与运动相关的大脑区域在 mu 和 beta 节律范围内的信号功率下降。由于 ERD 是一种特定的、时间锁定的功率骤降,而不是持续的背景特征,因此它恰恰属于那种会被全记录频率汇总所抹去、而时间分辨时频图能够精准捕获的事件。

Zabidi 等人直接应用 STFT 研究这一问题,分析了在实际书写和想象书写期间采集的 EEG。信号首先经过一个带通滤波器,将分析限制在 8 到 30 Hz 的范围内(涵盖与运动活动最相关的 alpha 和 beta 节律),然后使用调谐后的汉明窗计算 STFT。

其结果是一个直接且明确的发现:“从书写中获得的 EEG 信号频率成分与想象书写期间获得的频率成分相同”。

实际上,在想象动作期间大脑的电节律模式与真实物理动作期间的模式非常相似,这种相关性构成了 BCI 系统的大部分逻辑基础,这些系统旨在无需任何实际物理动作即可检测意图运动。

利用 STFT 为深度学习模型构建图像

除了目视检查外,STFT 生成的时频图还在深度学习系统中迎来了第二次应用生命周期,特别是作为预处理步骤输入到卷积神经网络(CNN)中,这是一种最初设计用于识别图像模式的模型。由于时频图本质上是一幅显示功率随时间和频率变化的彩色图像,研究人员认为它可以直接输入到基于图像的深度学习模型中,进而检测出数据中难以手动指定的隐藏结构。

一项 2019 年的研究将区分右手和右脚运动的运动想象任务中的 EEG 记录,通过 STFT 和替代时频方法转换成图像,然后将两组图像输入到预训练的 CNN 架构中。

这两种方法的表现都很强劲,整个处理流程达到了 99.35% 的分类准确率,被称为现有可比方法中的最佳成绩。然而,在同一项研究中直接对比这两种图像生成方法时,结果却并不均等:“CWT 方法比 STFT 方法产生了更好的结果”,这表明每种方法在将底层 EEG 信号忠实转换为可用图像方面存在着真实的、可衡量的权衡。

据报道,这种权衡是另一项方法学发展背后的驱动问题。研究人员构建了所谓的锚定 STFT(anchored-STFT),被称为“STFT 的高级版本,因为它最小化了 STFT 所呈现的时间分辨率和频谱分辨率之间的权衡”。

结合对抗性数据增强方法,这一增强流程在多个 BCI 数据集上报告的分类准确率从大约 69% 到超过 90% 不等,进一步证实了这样一个规律:普通的 STFT 可以作为一种真正有能力的特征提取工具,但其已知的分辨率局限性为进一步改进留出了空间——无论是通过参数调优、技术本身的增强版本,还是完全不同的时频方法。

研究如何将短时傅里叶变换应用于运动想象分类

最近的一项研究将短时傅里叶变换从可视化阶段推进到了实用的分类流程中。与上述早期工作一样,其切入点也是一项运动想象任务,即受试者想象移动手部而不是实际进行物理运动。

作者描述了一个名为 AMD-KT2D 的框架,该框架建立在他们所谓的优化短时傅里叶变换(Optimized Short-Time Fourier Transform)之上。该变体没有拘泥于单一的固定窗设置,而是将加窗函数和时频分辨率结合在一起进行调谐,其明确目标是保留动态的时间和空间特征,而固定配置可能会使这些特征模糊或丢失。

生成的二维时频图像随后被传递给引导-学习者(guide-learner)架构:在大型数据集上预训练的 Improved ResNet50 提取高级时空特征,而定制的 2D 卷积神经网络则捕获多尺度特征。使用自适应边界差异分歧(Adaptive Margin Disparity Discrepancy)损失函数来减少两者之间的差异并对齐它们的特征。

左手与右手运动想象任务的 EEG 记录是使用 Emotiv Flex 系统采集的。在该数据集上,据报道该混合运动想象分类器在受试者依赖(subject-dependent)设置下达到了 96.75% 的准确率,在受试者独立(subject-independent)设置下达到了 92.17%。这两个数字之间的差距值得注意:在同一个人身上测得的性能并不会自动转移到模型未曾训练过的新个体上。

结合本文讨论的其他工作,该研究表明由短时傅里叶变换生成的时频图可以作为旨在进行运动想象解码的深度学习模型的可行输入。然而,该系列研究尚未确立的是通用性。这是一项单一的研究,基于单个数据集,准确率数据与特定任务和特定受试者群体绑定,而且所报道的方法依赖于该变换的调谐版本而非标准形式。

这些结果在其特定背景下应被视为前景广阔,但不应被视作基于 EEG 的接口在更广泛范围内的定论性表现。

当 STFT 显露不足时:固定分辨率问题

上面讨论的权衡是任何使用 STFT 的研究人员在根据时频图得出结论之前都需要批判性权衡的核心局限性。

一旦选择了窗长(例如 500 毫秒),无论研究人员观察的是较慢的 2 Hz delta 活动还是快速的 100 Hz gamma 活动,该窗都会统一应用于整个被分析的频谱。窗口不会自行调整。即使不同的节律在理想情况下能从不同的设置中受益,前述的时频权衡在整个分析过程中都被锁定在单一设置上。

这种固定性正是将 STFT 与诸如基于小波的方法等自适应技术区分开来的关键所在。自适应方法并不为每个频率锁定一个窗口大小,而是在低频时有效使用较长的窗口,在高频时使用较短的窗口,在单次分析中根据需要调整分辨率,而不是对整个信号做出单一种类的妥协。

例如,由 Wang 等人领导的一项开发自适应时频方法的研究报告称,与其相比,其方法“与 STFT 和 CWT 相比能够提供最佳的时频分辨率”,并明确指出 STFT 是被超越的基准。

在另一项利用治疗前 EEG 数据预测重度抑郁症抗抑郁治疗效果的临床应用中,研究人员直接将基于小波的方法与 STFT 及另一种分解方法进行了对比,并报告称在所对比的技术中“WT 分析表现出了最高的分类准确率”,与其他备选方案相比达到了 87.5% 的准确率。

生成和评估 EEG 时频图的分步工作流程

鉴于这些优势和局限性,严谨的工作流程有助于确保 STFT 得到得当的应用,并对其输出做出客观真实的解释。

步骤 1:在触碰数据之前明确研究问题。目标是检测快速、短暂的 gamma 突发,还是追踪数分钟内 delta 功率的缓慢漂移?答案决定了窗长权衡中哪一端更为重要。

步骤 2:选择与目标节律相匹配的初始窗长。以实用的上述指南为起点:delta 对应较长窗口,theta 和 alpha 对应折中窗口,beta 和 gamma 对应较短窗口。将其与窗口重叠方案相结合(连续窗口之间通常重叠 50% 到 90%),这可以使生成的时频图更加平滑,并减少时间切片之间出现伪影间隙的情况。

步骤 3:生成时频图并进行审慎检查。所选窗长是否显示出感兴趣快速节律的清晰、尖锐起始,还是该事件看起来被抹平在比预期更宽的时间段内?时频图能否清晰区分 alpha 峰和相邻的 theta 峰,还是两种节律相互渗透混杂?这些直观检查是检验所选窗长是否适合数据的直接、实用测试。

步骤 4:将结果视为多种可能视角中的一种,而非最终定论。阴性结果(例如两组实验之间没有可测量的 gamma 差异)可能反映了真实效应的缺失,也可能只是反映了所选特定 STFT 窗的分辨率限制。要确认模糊或重要的发现,合理的下一步是使用自适应方法重新分析相同的数据作为交叉验证。

为什么追踪脑节律的激发时机能开启新的见解

大脑活动是一系列定时发生的事件,恢复这些时间信息可以将扁平的记录转化为心理状态转变的实时描述。通过从单一的频率汇总转向逐刻绘制的图谱,研究人员可以将特定的想法、意图或感觉与其伴随的脑节律直接联系起来。正是这种转变,将 EEG 从一种静态测量转变为一种能够支持脑机接口并输入深度学习模型(以学习识别思维模式)的工具。

该方法的固定分辨率权衡带来了一个更广泛的启示:每种分析选择在突出某些真相的同时,都可能模糊其他真相,因此没有任何单一结果能够讲述全部事实。这要求在研究发现至关重要时与其他方法进行交叉验证,它也印证了大脑的电模式是极其深邃丰富的——正如在想象运动与实际运动之间看到的紧密吻合一样。这种潜在的相似性支持了一种观点,即大脑在演练动作时使用的许多节律特征,与其实际执行动作时所使用的特征是相同的。

参考文献

  1. Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

  2. Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645

  3. Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

  4. Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109

  5. Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

常见问题解答

什么是 EEG 分析中的短时傅里叶变换?

短时傅里叶变换(STFT)将原始 EEG 信号切分成短暂、连续的时间窗,并计算每个时间窗的频谱。按顺序堆叠这些快照可创建出一幅动态画面(称为时频图),显示不同脑节律的功率如何随时间变化。

为什么不能直接对 EEG 记录使用常规傅里叶变换?

基本的傅里叶变换将整段记录分解为其组成频率,但抹去了所有时间信息,因此你只能知道整体上存在哪些节律,却无法知道它们何时出现。STFT 通过分别分析较短的片段来找回这些时间信息,让你能够看到 alpha 突发或 beta 功率骤降具体是在何时发生的。

时频图显示了什么?

时频图是一种可视化图谱,其中一个轴代表时间,另一个轴代表频率,颜色或亮度代表该瞬间每个频率的功率。它将 EEG 从扁平的概括转变为类似大脑电活动的“乐谱”。

为什么窗长如此重要?

较长的窗口可以提供精确的频率信息,但会使事件的确切发生时间变得模糊;而较短的窗口可以精确定位时间,却会把紧密间隔的频率混杂在一起。这种不可避免的权衡意味着窗长的选择直接决定了时频图能够揭示什么以及掩盖什么。

针对不同脑节律,什么样的窗长是良好的起点?

对于极慢的 delta 节律,需要大约一到两秒的较长窗口来捕获完整周期。Theta 和 alpha 节律通常非常适合半秒左右的窗口,而更快的 beta 和 gamma 节律则需要大约四分之一秒或更短的窗口来追踪其快速变化。

STFT 如何揭示真实运动与想象运动之间的相似性?

STFT 能够捕获 mu 和 beta 频段中被称为事件相关去同步的时间锁定功率下降,这种下降在人实际运动以及在大脑中想象相同运动时都会发生。真实和想象运动任务的时频图可以显示出几乎相同的频率模式,这为脑机接口提供了逻辑支撑。

STFT 可以与深度学习模型结合使用吗?

可以,由 STFT 生成的时频图可以直接输入到专为图像识别设计的卷积神经网络中。这些模型可以学习从时频模式中区分大脑状态,在运动想象检测等任务中往往能达到很高的分类准确率。

与其他时频方法相比,STFT 的主要局限是什么?

STFT 对所有频率均锁定单一窗口大小,这意味着它无法同时为快速突发提供清晰的时间细节并为慢波提供精细的频率细节。诸如小波之类的自适应技术会随频率改变有效窗长,在直接对比中往往能带来更好的分辨率和更高的分类性能。

在 EEG 数据上使用 STFT 时的推荐分步方法是什么?

首先,将初始窗长与你关注的节律相匹配;其次,使用重叠窗口来平滑时频图;然后检查结果,观察事件的时间表现是清晰锐利还是模糊平摊。如果该发现至关重要,请考虑使用自适应方法对数据进行交叉验证,因为单一的 STFT 设置可能只侧重于一种类型的分辨率。

使用针对灵活现场部署进行优化的快速搭建、高密度无线阵列,加速您的分析脑电图(EEG)时间线。

使用针对灵活现场部署进行优化的快速搭建、高密度无线阵列,加速您的分析脑电图(EEG)时间线。

Emotiv 是一家神经技术领域的领导者,致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。

医疗免责声明:本网站提供的信息仅用于教育和信息参考目的,不作为医疗或健康建议。这些内容可能包含错误,不应作为做出改变生活的健康、医疗或生活方式选择的依据。如果您对医疗状况或治疗有任何疑问,请始终咨询您的医生或其他合格的健康服务提供者。

Christian Burgos

我们的最新动态

干式脑电电极的权衡:速度与舒适度 vs. 信号保真度

数十年来,脑电图(EEG)一直是神经科学的基石,它通过放置在头皮上的电极来测量大脑的电活动。传统的“湿”电极需要使用导电凝胶来连接皮肤和传感器,以降低阻抗——否则这种阻抗会阻碍这些微弱电压的传导。涂抹凝胶的过程既繁琐、耗时,又常常让参与者感到不适。

随着脑电图技术走出实验室——走进家庭、诊所和门诊环境——人们对更快、更简便接口的需求不断增长。干电极无需凝胶即可直接与皮肤接触,恰恰带来了这样的前景:快速设置和更高的舒适度。

但这种便利性也带来了物理层面的代价。缺乏凝胶会导致更高的阻抗和更大的信号噪声,从而在实用性与数据保真度之间形成了持续的权衡取舍。最近的一系列独立研究精确绘制了这种权衡的各个维度,阐明了干电极在哪些方面表现出色,而在哪些方面仍然是次选方案。

阅读文章

家用脑电图(EEG)是如何进行日常大脑记录的?

居家脑电图(EEG)是在任何临床或实验室环境之外由个人自行完成的记录。它将电极凝胶、headset以及记录软件交给未经专业培训的用户,通常仅依靠智能手机应用程序进行指导。该概念的核心在于具备能够融入日常生活的脑测量能力,无需承担前往医院的后勤负担,即可记录睡眠结构、认知专注度或癫痫发作模式。

阅读文章

作为完整系统的神经反馈设备

想象一下玩一款手柄隐形的游戏——你完全仅凭自己的脑电波来进行操控。这一构想正是神经反馈的核心所在,这项技术为你提供了一个实时观察大脑活动的窗口,并教会你如何去改变它。

设备会捕捉大脑产生的信号,最常用的是通过脑电图(EEG)检测头皮上的电活动模式,有时也会使用功能性近红外光谱技术(fNIRS)传感器来追踪血流。这些原始信号经过处理后,会转化为屏幕上的简单游戏、声音或移动图形。通过反复试错,你的大脑会学会产生特定的模式,使反馈朝着你所期望的方向发展。

许多指南都侧重于单个部件——EEG电极、导线、软件——但一款设备只有在这些部件构成一个协调的整体时才能取得成功。本篇介绍将神经反馈视作一个集成系统进行审视,在这个系统中,信号处理、反馈设计和日常实用性相结合,共同决定了它是否真正有用。

阅读文章

掌握脑电图(EEG)设置:记录前最佳实践

将清晰、可解释的神经信号与受肌肉伪迹或工频噪声干扰的波形区分开来的,并不是复杂的后期处理算法,而是一套系统的、按时间顺序执行的准备流程。在这一语境下,脑电图(EEG)的准备工作不仅仅是给被试佩戴电极帽这一动作。它是一套严格的生物、环境和电气校准程序,共同在大脑与放大器之间建立起一个稳定、低噪声的接口。

本文将详细梳理记录前的工作流程,综合现有证据表明:细致的被试告知、头皮准备、环境屏蔽、参考导联选择以及基线伪迹筛查,构成了一个不可分割的依存链条。

阅读文章