Məlumat

EEG məlumatlarında səs -küyü necə süzmək olar

EEG məlumatlarında səs -küyü necə süzmək olar

Mən kompüter elmləri tələbəsiyəm və psixologiya professoru üçün bir şey edirəm.

Bir insana hər biri 2 saniyə ərzində 140 şəkil göstərildiyi bir təcrübədən EEG məlumatları var. Başın dərisinə 64 elektrod qoyduq, buna görə də 64 kanal davamlı məlumatlarımız var.

Bir akkord diaqramından istifadə edərək qrafik qura biləcəyimiz üçün hər düyünü hər bir düyünlə əlaqələndirmək istəyirik.

Professorum xaricdə olduğu üçün, korrelyasiyalar əldə etmək üçün məlumatları manipulyasiya etməyim üçün verdiyi istiqamətlərdə çətinlik çəkirəm.

"Kanalların matrisini oxuya bildikdən sonra hər birindən orta siqnal çıxarmağı, 30 Hz -dən yuxarı səs -küyü aradan qaldırmaq üçün süzməyi təklif edirəm."

Sualım 30 Hz -dən yuxarı səs -küyü necə aradan qaldırmaq olar? Məsələn, 10 milisaniyəlik 1 elektrod üçün məlumatlar belə görünür (uV ilə ölçülür):

[ 31172.50, 31173.53, 31174.80, 31177.34, 31173.73, 31172.85, 31172.75, 31172.70, 31174.95, 31178.95]

İstifadə etdiyim python skript də bu məlumatları verir:

nümunə götürmə sürəti: 1000.0 Hz vaxtı: 0.0 s - 1883.15 s

Kimsə 30 Hz -dən yuxarı səs -küyü aradan qaldırmaq üçün hansı addımları atmalı olduğumu mənə doğru istiqamətdə göstərə bilərmi? Həm də bu elektrodlar arasındakı əlaqəni hesablamaq üçün yaxşı bir yoldurmu?


Səs -küyün aradan qaldırılması müxtəlif yollarla edilə bilər:

Adi filtrlər: 30 Hz-də kəsmə tezliyi olan Chebyshev və ya Butterworth filtri kimi rəqəmsal aşağı keçid filtri yarada bilərsiniz (pis və ya filtfilt Matlab -da işləyin).

FFT əsaslı filtrləmə: FIR filtrləri tezlik sahəsindəki tezlikləri aradan qaldırır. Beləliklə, əvvəlcə bir Fourier çevrilməsi aparılır və sonra> 30 Hz -dəki FFT əmsallarına '0' təyin etməklə> 30 Hz tezlikləri siqnaldan çıxarıla bilər. Əks FFT sonra siqnalınızı geri gətirir (fftfilt Matlab -da).

Wavelet çevrilir: Nisbətən mürəkkəb və emal gücünə ehtiyacı olan bir metod olduğundan, arxasınca getdiyiniz üsul olmaya bilər. Bununla birlikdə, müəyyən səs -küy növlərini aradan qaldırmaq və ya bir siqnaldan müəyyən xüsusiyyətləri çıxarmaq daha səmərəli ola bilər (cwt və ya dwt matlab -da funksiyalar).

Python ilə tanış deyiləm. Python -da uyğun filtrləri tapmaq olduqca sadə olmalıdır. Daha çox filtrləmə prosedurları var, ancaq yuxarıda göstərilənlər sizi işə salmalıdır.

Korrelyasiya təhlili daxil olmaqla müxtəlif üsullarla edilə bilər Pearson məhsul anı korrelyasiyası, Spearman rütbə sırası korrelyasiyası, Kendall rütbə sırası korrelyasiyasıqarşılıqlı məlumat. Bax Bonita və digərləri, 2014, DOI: 10.1007/s11571-013-9267-8.

Orta siqnalın çıxarılması müəyyən bir kanaldan ötürülməsi, çox aşağı kəsmə tezliyi olan yüksək ötürmə filtri ilə müqayisə olunan siqnal ofsetini (DC siqnalı) azaldır.


Ümumi addımlar bunlardır: - Xam Siqnal (əvvəlcədən gücləndiricidən və amplifikasiyadan sonra) - Bant keçmə filtri - Bantdan imtina/Çentik filtri (kəsilmə olduğunuz yerdən asılıdır) - Anti -Aliasing Filtri - Nümunə/Tutma - MUX (əgər varsa birdən çox kanal) - ADC - Rəqəmsal Siqnal

AliceD qeyd etdiyi kimi, FFT əsaslı filtrləri və WT -ni filtr kimi istifadə edə bilərsiniz. WT üçün onu əsasən siqnala tətbiq edirsiniz (ana dalğac seçildikdən sonra) və səsləri aradan qaldırmaq üçün xam siqnaldan çıxarıla bilən müxtəlif tezlik komponentlərini təmsil edən bir çox müştəri alacaqsınız.

Bu filtrlərdən başqa, məkan filtrlərindən də istifadə edə bilərsiniz, ən çox yayılmışı CSP (ümumi məkan nümunələri) və ya MEC, CCA, AC, CAR, ICA və s.


EEG -də səs -küyə siqnal

Elektroensefaloqrafiya (EEG), neyromarketinq tədqiqatlarında beyin fəaliyyətini müşahidə etmək üçün istifadə olunan əsas texnologiyalardan biridir. Digər üsullarla müqayisədə, dəqiqdir: beyin vəziyyətlərində minlərlə saniyədə baş verən dəyişiklikləri, sözün əsl mənasında "düşüncə sürətində" ölçmək. Həm də nisbətən aşağıdır dəyəri və istifadəsi asandır. Bununla birlikdə, EEG -dən istifadə tamamilə müəyyən maneələr olmadan deyil. Siqnal-səs-küy nisbəti (SNR) EEG məlumatlarının toplanması və təhlili üçün ən əhəmiyyətli metodoloji problemlərdən biridir. Bu məqalə SNR haqqında qısa bir məlumat verir: haradan qaynaqlanır, niyə əhəmiyyətlidir, necə azaldıla bilər və tədqiqatlarda SNR -in necə idarə olunduğunu anlamaq üçün alıcıların nələri bilməsi lazımdır.

Səslər

SNR nədir? Ən yaxşı izahat, "analizinizdə ölçmək istədiyiniz hər şeyin" "EEG siqnalı ilə alınan hər şeyin" nisbətidir. Bu səs -küy bir problemdir, çünki EEG siqnallarında iki əsas səs -küy mənbəyi var. Birincisi, beynin xaricindən gələn ümumi fon səsidir. İkincisi, beynimizin içərisində yaranan təbii səs -küydür, çünki beynimiz həmişə bir anda çox iş görməklə məşğuldur. Bütün bu hərəkətlər EEG siqnalını çirkləndirir.

Çirkləndirici səs -küyün mənbələri

Əvvəlcə xarici səsləri araşdıraq. EEG texnologiyasının çətinliklərindən biri, beynin yaratdığı elektrik aktivliyinin, voltun milyonda bir hissəsində kiçik olmasıdır. Nəticədə, baş dərisində qeydə alınan elektrik aktivliyi, ürək fəaliyyəti, göz hərəkətləri və göz qırpımları, digər üz əzələlərinin hərəkətləri və s. beyinin istehsal etdiyi siqnallardan təxminən 100 dəfə böyük elektrik siqnalları istehsal edir. Hər hansı bir EEG məlumat analizinin əsas vəzifəsi, bu digər siqnalları beynin yaydığı siqnallardan ayırmaqdan ibarət olan artefaktın çıxarılmasıdır.

Xarici səs -küyün başqa bir mənbəyi EEG məlumatlarının qeyd edildiyi mühitdir. Bu ətraf səs -küyünün ən çox yayılmış mənbələri, 50 Hz və ya 60 Hz elektrik naqilləri olan hər hansı bir otaqdakı ətraf elektrik cərəyanıdır (hansı ölkəyə görə olduğunuza görə və EEG sensorlarına yaxın olan digər elektrik avadanlıqlarıdır. Bu siqnallar) adətən müəyyən tezliklərdə siqnalları aradan qaldıran bir çentik filtri istifadə edərək EEG qeydindən çıxarılır.

Daxili səs -küy daha çətindir. Bunun səbəbi, beynimizin istənilən anda bir çox fərqli fəaliyyətlə məşğul olmasıdır və bu fəaliyyətlərin hər biri baş dərisindəki EEG sensorlar tərəfindən alınan ümumi siqnala qarışan elektrik aktivliyi yaradır. Fəaliyyətin həmişə beynin hər tərəfində, həm baş dərisinin yaxınlığındakı kortikal səthdə, həm də beynin dərinliyindəki strukturlarda meydana gəlməsi və müxtəlif yollarla baş dərisinə çatması ilə çətinləşir. Bütün bu siqnalları müəyyən bir araşdırma üçün xüsusi bir maraq siqnalına yönəltmək üçün ayırmaq, ən çox nəzarət edilən təkrarlama və ortalamalar prinsipləri ilə həll olunan böyük bir problemdir.

Niyə fərqi var?

EEG analizindəki siqnal ətrafdakı səs -küydən (həm xarici, həm də daxili səs -küydən) düzgün ayrılmırsa, nəticələrin səhv və çox yanıltıcı olması ehtimalı var. Xüsusi bir reaksiyanın baş verdiyi görünə bilər, ancaq siqnal-səs-küy nisbətini açıq şəkildə düzəltməmisinizsə, bu cavab əsasən mənasızdır.

Siqnal-səs-küy nisbətinin yaxşılaşdırılması

SNR -ə nəzarət tədbirləri iki növdən ibarətdir: xarici səs mənbələrini aradan qaldırmaq və daxili səs -küyü maraq siqnalından ayırmaq. Mümkünsə, xarici səs -küylə baş etmənin ən yaxşı yolu ilk növbədə bunun qarşısını almaqdır. Avadanlıqların səs -küyünü aradan qaldırmaq üçün yüksək keyfiyyətli cihazlardan və elektrodlardan istifadə etmək daha yaxşıdır (məsələn, quru elektrodların çoxu xarici səs -küyə çox həssas olduqları üçün yararsızdır) və kabellər, cib telefonları, noutbuklar, qeyd sahəsindən kompüter monitorları və s. Bu, mövzunun özü tərəfindən yaranan səs -küyü aradan qaldırmaqla müqayisədə nisbətən asandır. İştirakçının sakit oturmasını istəmək adi bir işdir, ancaq göz qırpımının və ya üz əzələlərinin hərəkətinin qarşısını almaq əslində mümkün deyil.

Bu problem tez -tez iştirakçının əlini tapşırığa yönəltməsini və məşğul olmasını təmin edərək daxili beyin səs -küyünü minimuma endirə bilən, eyni zamanda tez -tez fasilələr verən iştirakçıların eksperimental tapşırıqlar arasında vaxtaşırı çırpınaraq yanıb -sönməsini təmin edən ağıllı bir təcrübə protokolu ilə həll olunur. Yaxşı təlim keçmiş EEG texnikləri, iştirakçıya rahatlıq verərək məlumatların toplanması üçün rahat, peşəkar bir atmosfer yaradaraq da kömək edə bilər.

Məlumatlar qeyd edildikdən sonra, emal sonrası adlandırılan, inkişaf etmiş statistik alqoritmlər tez-tez xam EEG siqnalından hərəkət artefaktları, gözlərin qırpılması və əzələ gərginliyi kimi mövzu ilə əlaqəli səs-küyü müəyyən etmək və aradan qaldırmaq üçün istifadə olunur. Məsələn, maşın öyrənmə alqoritmləri xarici və ya daxili səs -küylə əlaqəli siqnal nümunələrini müəyyən edə və bu siqnalları beyin maraq siqnallarından ayıra bilər. Bu vəzifəni yerinə yetirmək üçün tez -tez Blind Signal Separation (BSS) alqoritmləri adlanan statistik üsullar ailəsi istifadə olunur və ümumiyyətlə həm kommersiya, həm də açıq mənbəli EEG analiz proqramına qurulur. Çox vaxt bu üsullar əl təmizliyi ilə müşayiət olunur, bu müddət ərzində EEG mütəxəssisi siqnalı vizual olaraq yoxlayır və əsərləri və səs -küylü hissələri əllə çıxarır.

ERP: Nəticələrin ortalaması

Daxili səs -küylə mübarizə aparmaq üçün istifadə olunan əsas texnika təkrarlama və ortalamadır. Bunu ən çox neyromarketinq EEG tədqiqatlarında istifadə edilən çox yayılmış bir üsul olan Event Related Potential (ERP) təhlili adlı EEG analizinin alt kateqoriyası istifadə etməklə göstərmək olar. ERP, EEG içərisində məlumatın beyində necə işləndiyini göstərən bir siqnaldır. Bu siqnal, bir hadisənin başlaması ilə EEG qeydinin vaxt kilidlənməsi ilə əldə edilə bilər.

Təkrarlama və ortalamalar ERP tədqiqatlarında maraq siqnalını digər beyin fəaliyyətinin səs -küyündən ayırmaq üçün istifadə olunur. Əsas ehtimal budur ki, bir stimul hadisəsi ilə tetiklenen siqnal bir çox sınaqlarda nisbətən sabit qalacaq, digər bütün siqnallar isə sınaqlarda təsadüfi olaraq baş verəcək. Buna görə də, bir və ya daha çox insanın eyni stimullaşdırıcı hadisəyə dəfələrlə məruz qalması ilə bağlı birdən çox sınaq keçirsəniz, siqnal təsadüfi paylanmadığı üçün fərqlənməyə davam edəcək, lakin səs -küy orta hesabla sıfıra bərabər olacaq təsiri ortadan yox olur və öyrənmək istədiyiniz siqnalın bütün şöhrətində önə çıxmasına imkan verir.

Nümunənizdəki bütün insanların oxşar olduğuna əminsinizsə, fərdi ortalamalarını birlikdə ortalayaraq Grand Average adlanır. Ümumiyyətlə ERP texnikasından istifadə edən akademik məqalələrdə bildirilən budur.


Elektrofizioloji məlumatlar üçün rəqəmsal filtr dizaynı-praktik bir yanaşma

Fon: Filtrləmə elektroensefalografik (EEG) və maqnitoensefalografik (MEG) məlumatların əvvəlcədən işlənməsində hər yerdə baş verən bir addımdır. Səs -küy olaraq qəbul edilən siqnal komponentlərinin zəifləməsinin nəzərdə tutulan təsirindən başqa, filtrasiya müxtəlif arzuolunmaz filtr effektləri (hamarlaşdırma kimi təhriflər) və filtr artefaktları ilə də nəticələnə bilər.

Metod: Süzgəc cavablarının qiymətləndirilməsi (impuls və tezlik reaksiyası) və filtr növlərinin seçilməsi (yüksək keçid/aşağı keçmə/bant ötürmə/bant-stop sonlu/sonsuz impuls reaksiyası, FIR/IIR) və seçilmiş elektrofizioloji tətbiqlər üçün siqnal-səs-küy nisbətini optimallaşdırmaq və siqnal təhriflərinin qarşısını almaq və ya azaltmaq üçün filtr parametrləri (kəsilmə tezlikləri, filtr sırası və yuvarlanma, dalğalanma, gecikmə və səbəb).

Nəticələr: Ümumi elektrofizyoloji proqram paketlərində müxtəlif filtr tətbiqləri təqdim edilir və müzakirə olunur. Nəticədə filtr cavabları müqayisə edilir və qiymətləndirilir.

Nəticə: Ümumi mənfi filtr effektlərini və filtr artefaktlarını tanımaq üçün strategiyalar təqdim edirik və bunları praktik nümunələrdə nümayiş etdiririk. Süzgəc parametrlərinin, məhdudiyyətlərin və süzgəc alternativlərinin seçilməsi və bildirilməsi üçün ən yaxşı təcrübə və tövsiyələr müzakirə olunur.

Açar sözlər: Elektrofiziologiya Filtre təhrifləri Süzgəc parametrləri Filtrləmə Ön işləmə.


Elektroansefalogramdakı filtrlər

Şəkillər 7-1 və 7-2, EEG səhifəsindəki filtrlərin təsirini göstərir. Şəkil 7-1, mülayim miqdarda xəstə hərəkəti zamanı qeydə alınan bir EEG-i, filtrlərin açıq istifadəsi olmadan göstərilən "xam" EEG izini göstərir. Şəkil 7-2, tipik filtr parametrləri ilə göstərilən eyni səhifəni göstərir. Diqqət yetirin ki, əzələ artefaktının EEG -in (müvəqqəti sahələr) üst dörd və alt dörd xəttinin hissələrini hələ də məhv etməsinə baxmayaraq, süzülmüş nümunədə həmin əzələ artefaktının amplitudu azalır, bu da bitişik kanalları görməyi asanlaşdırır. . Həqiqətən də, süzülmüş nümunədə, müəyyən dalğa formalarının mövcudluğu, əks halda aşkar edilə bilməyən əzələ artefakt sahələrində (bu artefakt temporalis əzələlərinin daralması nəticəsində əmələ gəlir) müəyyən edilə bilər. Həm də unutmayın ki, hər bir kanalın təməl xətti daha asan təfsir etməyə imkan verir - filtrlər istifadə edildikdən sonra hər bir kanalın öz üfüqi sahəsi daxilində qalma ehtimalı daha yüksəkdir.


EEG məlumatları üçün SNR necə hesablanır?

Bir ERP -nin SNR -nin hesablanması ilə maraqlanıram. Mənim motivasiyam: "siqnal-səs-küy nisbəti" ni hesablamaq və bundan sabit ERP qurmaq üçün neçə sınaq lazım olduğuna dair məlumatları (necə?) Çıxarmaqdır.

Əsas sualım budur: belə bir ssenari üçün SNR -ni necə hesablaya bilərəm?

EEG və ERP ilə bağlı daha bir açıqlama əlavə olunur: EEG:

Baş dərisinin elektrodlarından ölçülən beynin davamlı elektrik fəaliyyətinə elektroensefalogram və ya EEG deyilir. EEG içərisində, beyində məlumat emalı haqqında daha çox məlumat verən bir siqnaldır. Bu siqnal, kompüter ekranında bir söz oxuyan, bir alətdə çalan bir musiqi notunu dinləyən və ya bir jurnalda şəkilə baxan kimi hadisələrin başlanmasına qədər EEG qeydinin vaxt kilidlənməsi ilə əldə edilə bilər. Yaranan fəaliyyətə "hadisə ilə əlaqəli potensial" (ERP) deyilir.

ERP əldə etmək üçün lazım olan sınaqların sayı bir çox amillərdən asılıdır, ən əsası "siqnal-səs-küy nisbəti", yəni səsin nisbi ölçüsü (ERP), səs-küy ölçüsünə nisbətən. (fon EEG). Koqnitiv təcrübələrdə yaxşı təmiz orta ERP əldə etmək üçün adətən 30-50 stimul təqdimatı tələb olunur.


Neyrodiaqnostika sahəsindəki filtrlər

Bu epizodda Jen və Meshia, filtrlərdə aldığımız sualları müzakirə etmək üçün Petra Davidsonu yenidən qarşıladılar.

Petra, filtrlərin istənməyən elektrik siqnallarını kəsmək üçün istifadə etdiyimiz elektron pərdələr kimi çox geniş bir tərif verir. EEG, beynin korteksindən qaynaqlanan elektrik siqnallarının qrafik hissəsi olan bir rəsmdir. Cihazımız nə qədər yaxşı hazırlansa da, yalnız beyin elektrik siqnallarını qeyd edə bilməz. Əvvəlcədən təyin edilmiş tezlik aralığında bütün elektrik siqnallarını alır. Bura digər elektron cihazlar, qeyri -iradi və könüllü əzələ fəaliyyəti, göz hərəkətindən və dil hərəkətindən gələn elektrik siqnalları və digər elektrik boşalmaları daxildir. Saniyədə 0 dövrə və ya Hz -dən 120 Hz -ə qədər hər şey. İstənməyən işıq mənbələrini kəsmək üçün pərdələrdən istifadə etdiyimiz kimi, istənməyən siqnalların qarşısını almaq üçün filtrlərdən və ya pərdələrdən istifadə edirik. Üç əsas növ filtr var, aşağı tezlikli, yüksək tezlikli və çentikli filtrlər.

Aliasing: nümunənin az olması səbəbindən siqnalın dəyişdirilməsi. Analogdan rəqəmsal çeviriciyə siqnal daxil olduqda, gizli məlumat nöqtələrini seçməlidir, buna görə də düzgün qiymətləndirə biləcəyi məhdud sayda məlumatla məhdudlaşır. Daha sonra məlumatları nümunə götürür və yenidən ötürür. Telefon oyununu oynamağa və yalnız hər sözü təkrarlamağa bənzəyir.

Nyquist nəzəriyyəsi: Uyğun bir çıxış siqnalı əldə etmək üçün daxil olan nümunə, qeyd etmək istədiyiniz ən yüksək tezliyin iki misli olmalıdır.

Bant genişliyi: qurulmuş filtrlər arasındakı tezlik aralığına aiddir.

Elektrod empedansı: alternativ cərəyana qarşı ümumi effektiv müqavimət. AC cərəyanına bir az müqavimət lazımdır, bu da empedansın 1 -dən az olmasını İSTƏMƏYİR.

Paul soruşdu – Filtrlər bütün arzuolunmaz siqnalları kəsir və ya yalnız bu xüsusi tezliklərdə?

Filtrlər, göstərilən amplitudun orijinal amplitüdünün maksimum 20-30% -ni azaldır və ya düzləşdirir. Yüksək frekanslı filtrlər olaraq da bilinən aşağı keçid üçün, müəyyən edilmiş həddən yuxarı olan siqnallar, amplitüddə tədricən 20-30% -dən yüksək olana qədər azalır və ya azalır. Yüksək keçidli və ya aşağı tezlikli filtrlər üçün, müəyyən edilmiş həddən aşağı olan siqnallar, amplituda tədricən 20-30% -dən çox azaldılır və ya azalır. Filtrlər mükəmməl deyil, sənaye standartlarına uyğun olaraq, filtrlər xüsusi bir filtrin göstərilməsi üçün orijinal siqnalın maksimum 20-30% -nə qədər icazə verə bilər.

Ron soruşdu – Əgər dar bir fəaliyyət qrupu əldə etmək üçün aşağı filtrlərinizi bacardığınız qədər yüksək filtrləri də bacardığınız qədər aşağı qoymağınız daha yaxşı olarmı? Ən təmiz siqnala icazə verməzmi?

Qətiyyən. Son bir neçə onillikdə EEG maşınları yaxşılaşdıqca, araşdırmalar göstərdi ki, biz beynin yalnız çatdığı tam tezliklərdən istifadə etməyə başladıq. Beyin istehsal etdiyi tezliklərin maksimum görselleştirilmesine imkan vermək üçün filtrləri mümkün qədər açıq saxlamaq ən yaxşı təcrübədir.

Cyndi soruşdu – Filtrlər çox dar olarsa nə ola bilər? Bu qeydə təsir edirmi?

Süzgəclər çox dar olarsa, həkimin xəstəni düzgün diaqnoz etməsi risk altındadır. Aşağı tezlikli filtrlər çox yüksək olaraq təyin olunarsa, daha yavaş tezliklər bloklanır. Ensefalopatiya, koma və zehni vəziyyətin dəyişməsi hallarında xəstənin nəticəsini düzgün qiymətləndirmək üçün yavaş aktivliyi qeyd etmək vacibdir. Yüksək frekanslı filtrlər çox aşağı təyin olunarsa, sıçrayış və kəskinlik kimi yüksək tezliklər və hətta ümumi fon ritmi.

Connor soruşdu – Bir EEG tədqiqatı apararkən, ICU -da olduğumuz zaman çentik filtrindən istifadə etməkdən çəkinməməliyikmi?

EEG və digər Neurodiagnostic üsullarında, nəticələri təmizləmək üçün ilkin instinkt həmişə qeyd etdiyiniz kimi problemlərin aradan qaldırılması olmalıdır. Həmişə əvvəlcə problem həll etməyi tətbiq edin. Sonra səs -küy mənbələrini aradan qaldırdıqda və ya etiketlədikdə və izlədikdə, filtrləri düzgün tətbiq etmək məqbuldur. Çentik filtrindən istifadə etməzdən əvvəl, empedansların balanslaşdırıldığından əmin olun. Empedanslar balanslaşdırılmırsa, çentik filtri pis bir elektrodun səth interfeysinə təsirini maneə törədə bilər. Bu, çentik filtrinin pis bir elektrodu gizlətmə qabiliyyətinə malik olması deməkdir. Bu maskalanma EEG -də normal dalğa forması, alfa koma, sinusoidal teta boşalması və ya hətta aralıq milin partlaması kimi görünür. Pis bir elektroddan olan artefakt həmişə yüksək amplituda, qalın, qara qeyri -səlis xətlər şəklində gəlmir. Xüsusilə ən kritik olan xəstələrdə pis elektrod fokus və ya ümumiləşdirilmiş alfa kimi görünə bilər.

Empedanslar yüksək olsa da, balanslı olarsa, test keyfiyyətinin adekvat olacağı anlamına gəlirmi?

Çox güman ki, müasir gücləndiricilərlə yüksək, lakin balanslaşdırılmış impedanslar kifayət qədər testlə nəticələnəcək, baxmayaraq ki, aşağı və balanslaşdırılmış impedanslara malik olmaq daha yaxşı olardı. Bununla birlikdə, empedanslar heç vaxt 1 kOhms -dən aşağı olmamalıdır.

EEG -də axtardığınız tipik səs -küy və siqnal mənbələri hansılardır?

EEG -də ümumi səs -küy və ya istənməyən siqnal adətən aşağıdakı mənbələrdən yaranır: EOG və ya göz hərəkəti, EMG və ya əzələ artefaktı və elektrik xətti artefaktı. EEG -də ümumi kortikal siqnallar və ya istədiyimiz siqnallar yalnız korteksdən və ya beynin özündən qaynaqlanan kiçik siqnallardır. Səs siqnalları və beyin siqnalları ümumi tezlikləri bölüşdürür, buna görə filtrlər lazımdır, lakin ehtiyatla istifadə edilməlidir. Göz hərəkətindən gələn səs siqnalları tipik olaraq 1-3 Hz-dir, delta kortikal aktivlik ilə eynidir. EMG və ya əzələlərdən və elektrik xətlərindən gələn səs siqnalları, kəskinlik və sünbül dalğası aktivliyi kimi nöbet ilə eyni diapazonda olan 50-120 Hz-dir.

Amanda soruşdu – Hər bir filtr növünün digər mənfi cəhətləri və üstünlükləri varmı?

UC Davis, Fizika Bölməsinə görə, hər bir filtr növünün bir çox mənfi cəhətləri və üstünlükləri var. Böyük elektronika mütəxəssislərinin aşağıdakı səbəblərə görə rəqəmsal filtrlərə üstünlük verdiyini söyləməkdən əminəm:

  1. Rəqəmsal filtrlər proqramlaşdırıla bilər. Analoq filtrlər fərqli parametrləri idarə etmək üçün fiziki yenidən qurulma tələb edir.
  2. Rəqəmsal filtrlər vaxt və temperatur baxımından daha sabitdir.
  3. Rəqəmsal filtrlər daha asan sınaqdan keçirilir, dizayn edilir və istifadə olunur.
  4. Rəqəmsal filtrlər daha çox yönlüdür.
  5. Rəqəmsal filtrlər daha geniş tezlik diapazonunu daha asan idarə edə bilir.

Bütün bu üstünlüklərə baxmayaraq, rəqəmsal filtrlərin getməyin yeganə yolu olduğu görünür. İndi, analoq filtrlərin siqnalın bütünlüklə nümunə götürə bilməsi üstünlüyünə malik olduğunu başa düşmək vacibdir. Rəqəmsal filtrlər təmkinli nümunələri seçməlidir. Əyniləşdirmənin vacib olduğu yer budur. Sadaladığımız bütün üstünlükləri yarada və ya poza bilər. Kiçik nümunələr, nə qədər yaxşı süzülsə də, kortikal aktivliyin dəqiq təsdiqi deyil.

Lövhələriniz üçün təhsil alarkən bir çox mənbəni öyrənmək vacibdir, çünki həqiqətən sizinlə digərindən daha çox danışan birini tapa bilərsiniz. Məsələn, UCL Tibbi Fizika və Biotibbi Mühəndislik tərəfindən "Frekans Filtrlərini 10 dəqiqədə anlamaq" adlı fantastik bir YouTube videosu var. Güvənli Akademiyanın veb saytında hər hansı bir vaxt sərf etmisinizsə, bilirsiniz ki, filtrləri daha yaxşı başa düşmək üçün bir sıra fərqli nörodiganostik sahələr üçün CEU dərsləri, təməllər, lövhə hazırlıq dərsləri və tonlarla resurslar təklif edirik.


EEG Siqnalının Süzülməsi Tuzaqları

Rəqəmsal süzgəc, EEG məlumatlarını təhlil edərkən ümumi bir işləmə mərhələsidir. EEG siqnal emalının tipik praktikası, 0.1 Hz-dən az və ya tez-tez hətta 1 Hz-dən aşağı olan yavaş tezlikləri və 40 və ya 50 Hz-dən yuxarı olan tezlikləri süzmək üçün aşağı ötürmə filtrini tətbiq etməkdir. Filtrlər (və bunların bir çox növü var!) Səs -küyün azalması və/və ya maraq siqnalından ayrılmasında son dərəcə faydalı ola bilsələr də, tamamilə zərərsiz deyillər. Çoxsaylı tədqiqatlar göstərir ki, filtrasiya EEG siqnallarının və ya hadisə ilə əlaqəli potensial (ERP) məlumatlarının şəklini/müvəqqəti quruluşunu təsir edə və təhrif edə bilər (1-4). EEG siqnallarının işlənməsi üçün zəruri bir pislik varmı? Yoxsa onlarsız edə bilərik?

Rəqəmsal Süzgəcin Bəzi Əsasları

Filtrlər sonlu impuls reaksiyasına (FIR) və ya sonsuz impuls reaksiyasına (IIR) malik ola biləcək şəkildə dizayn edilə bilər. Bir impuls reaksiyası, filtrin zaman sahəsindəki bir vahid impuls siqnalını necə idarə etməsidir (siqnal quruluşuna nə edir) və onun Fourier çevrilməsi tezlik cavabı kimi tanınır. İmpuls reaksiyasını bilmək filtrin davranışını xarakterizə etmək üçün nələri bilməli olduğunuzu söyləyə bilər.

Bir FIR filtri, adından da göründüyü kimi, sonlu bir müddət üçün impuls reaksiyasına malikdir, bundan sonra çıxış sıfıra enir və bütün tezliklərdə bərabər gecikmələrə səbəb olur (xətti faz cavabı kimi də tanınır). Bunun əksinə olaraq, IIR filtrləri (rekursiv filtrlər kimi də tanınır) filtrin çıxışının bir hissəsinin əks əlaqə olaraq istifadə edildiyi sonsuz bir impuls reaksiyasına malikdir. Bu, müxtəlif tezliklərdə qeyri -bərabər gecikmələrə səbəb olur (qeyri -xətti faza xüsusiyyətləri). Bu o deməkdir ki, çıxış siqnalı bəzi tezlik komponentləri digərlərinə nisbətən daha çox dəyişdikcə girişə görə vaxtında dəyişdirilir. IIR filtrlərinin əsas üstünlüyü hesablama baxımından daha səmərəli olmasıdır.

Filtr dizaynının başqa bir cəhəti də giriş olaraq istifadə edilən siqnalın istiqamətidir. Yalnız keçmiş və indiki məlumatları ehtiva edən filtrlər kimi tanınır səbəb filtrləri Keçmişdən və gələcəkdən asılı olan filtrlər an kimi tanınır səbəb və ya səbəbsiz filtrlər. Səbəb filtri başlanandan sonra cavab verir (t = 0). Nedensel olmayan filtrlər geriyə süzülmə səbəbiylə başlamazdan əvvəl də bir reaksiya verir daha böyük yan loblar istehsal edir. Aşağıdakı Rousselet şəkli [5], impuls cavabları ilə səbəbli və səbəbsiz filtr arasındakı fərqi göstərir. Kəskin süzgəc, məlumatları bir dəfə irəli, sonra yenidən geriyə süzməklə əldə edilir və siqnalda faza gecikmələrinin minimuma endirilməsinə kömək edə bilər. Səbəbli və ya səbəbsiz süzgəc tam məlumatlara ehtiyac duyduğundan, bu onlayn və ya real vaxt rejimində edilə bilməz (səbəbli süzgəc kimi), ancaq məlumat əldə edildikdən sonra edilən bir offline əməliyyatdır.

Aşağıdakı rəqəm, Acunzo və digərlərindən [7], səbəbli filtrin siqnalın formasını necə təhrif etdiyini göstərir, halbuki səbəbsiz və ya səbəbsiz filtr siqnalın formasını qorumaqda çox yaxşıdır, lakin geriyə süzülməsinə görə t = 0 -da başlamazdan əvvəl siqnal.

Filtrlərin başqa bir vacib parametri sifariş bu, keçmiş məlumatların nə qədər daxil edilməsindən asılıdır və buna görə də filtrin kəsilməsinin kənarında olan tezliklərin amplitüdünün nə qədər dik azalacağını və ya 'yuvarlanmasını ’ müəyyən edir. Süzgəc sifarişi artdıqca yuvarlanmanın kəskinliyi artır. Bu yaxşı bir şey kimi görünə bilər, ancaq bir qiymətlə gəlir - daha böyük bir hesablama xərcləri ilə nəticələnir və məlumatlarda gecikmələr yaradır.

Beləliklə, rəqəmsal filtrin dizaynında və seçimində nəzərə alınmalı olan bir çox meyarlar və güzəştlər var.

EEG Analizində Filtr Seçimi

Seçiləcək filtr növü EEG məlumatları ilə edilən analizin növündən asılıdır. Bu, filtr seçiminin nəticəni kəskin şəkildə dəyişdirə biləcəyi ERP -lər kimi müvəqqəti quruluş elementlərinin təhlil edildiyi analiz üçün xüsusilə vacibdir.

Simulyasiya edilmiş məlumatlardan istifadə edərək Vanrullen tərəfindən edilən bir araşdırma [8], ERP-də başlanğıc gecikməsinin aşağı keçidli süzgəcin hamarlaşdırıcı təsirləri səbəbindən yüzlərlə milisaniyədən təsirlənə biləcəyini göstərir ki, bu da nəticəsiz səbəbdən istifadə etməklə ən qabaqcıl olaraq ortaya çıxır. filtrlər [6]. Səbəbsiz filtrlər sıfır fazalı gecikmənin arzu olunan xüsusiyyətini təmin etsə də, ERP başlanğıcının əvvəlkindən daha erkən görünməsinə səbəb ola biləcək impuls reaksiyasından əvvəl də yan lobları təqdim edir (bu geriyə doğru süzülməyə bağlıdır, yuxarıdakı rəqəmə baxın). ERP tədqiqatlarında yanlış şərhlərə səbəb ola bilər. Beləliklə, onun təklifi ERP quruluşlarını öyrənmək üçün səbəbli filtrlərdən istifadə etmək idi.

Bununla yanaşı, spesifikasiyalarla bağlı xeyli mübahisə var. Vanrullen tərəfindən edilən araşdırmadan fərqli olaraq, Rousselet [5], aşağı keçidli filtrasiyanın məlumatlarındakı ERP quruluşlarına heç bir təsir etmədiyini, əksinə yüksək keçidli filtrasiyanın daha problemli olduğunu və səbəbli yüksək ötürücü filtrdən istifadə edildiyini ortaya qoydu. . Başqa bir araşdırmada Wildman və Schröger [6] Vanrullen simulyasiya edilmiş məlumatlarından istifadə edərək siqnal gecikməsinə və fərqli filtr seçimlərinin forma və artefaktlarına olan təsirləri müqayisə etdilər. Vanrullen və həmkarları tərəfindən bildirilən təsirlərin böyüklüyə görə çox yüksək qiymətləndirildiyini və daha çox minimum fazalı filtrlər olaraq adlandırılan asimmetrik "səbəbli" FIR filtrlərinin istifadəsinin səbəbli süzgəcdəki gecikməni bir neçə milisaniyəyə qədər azalda biləcəyini bildirirlər. 6].

Simulyasiya edilmiş məlumatlardan daha çox həqiqi məlumatlardan istifadə edərək Acunzo və həmkarları [7], ERP gecikmələrinin qiymətləndirilməsi ilə əlaqədar səbəbləri olmayan yüksək keçid süzgəcləri (yüksək keçid süzgəcləri) ilə bağlı problemləri təqdim edirlər. Kesim tezliyi artdıqca ERP-nin üz (neytral, qorxulu və emosional) stimullarla əlaqəli sonrakı komponentlərinin yox olduğunu və əvvəlki ERP komponentlərinin aşağıya doğru itildiyini görürük. 0.1 Hz kəsmə tezliyində bu təsir daha az dramatikdir. Kəsmə tezliyi artdıqca təsirlər daha da pisləşir.

Müvəqqəti quruluşu əhatə edən və təsirlənə biləcək digər tədbirlər entropiya və DFA tədbirləridir.

Buna görə süzgəcdən keçdiyini nəzərə almaq vacibdir məlumatlarınızı dəyişəcək və nəticələr şərh edilərkən bu nəzərə alınmalıdır. Süzgəcdən tamamilə qaçmaq mümkün olmasa da, filtrasiya nə qədər az olsa, bir o qədər yaxşıdır!


M/EEG analizində yüksək keçidli filtrlər və əsas düzəliş. Şərh: "Uyğun olmayan yüksək keçid filtrləri, ERP dil və idrak araşdırmalarında necə artefaktlar və yanlış nəticələr çıxara bilər"

Tanner və s. (2015. Psixofizyoloji, 52 (8), 1009. doi: 10.1111/psyp.12437), N400 və ya P600 kimi gec bir sapmanın həm yüksək, həm də sonrakı gecikmələrə kəsilmə ilə necə əks olunduğunu inandırıcı şəkildə nümayiş etdirir. 0.1Hz -dən yüksək tezliklər. İstənməyən filtr effektlərini müəyyən etmək üçün fərqli parametrlərə malik filtrlərin elektrofizioloji məlumatlara sınaqdan keçirilməsinin vacibliyini gözəl şəkildə vurğulayır. Ümumiyyətlə, yanaşma və nəticələrlə razıyıq, xüsusən də yüksək siqnal filtrinin tətbiq olunmasının maraq siqnalının səs-küy nisbətini (SNR) yaxşılaşdırması və aşağı tezlikli siqnalların ağlabatan olduğu anlayışları ilə. vacib məlumatlar daşıya bilər. Bununla birlikdə, iki cəhətdən fikir ayrılığı var: Birincisi, Tanner və digərlərinin test məlumatları. yüksək keçidli filtrasiyanın faydalarını göstərmək üçün ən uyğun deyil, çünki onlar yalnız aşağı tezlikli səs-küylə minimal dərəcədə çirklənir və ikincisi, M/EEG məlumat analizində xüsusi tətbiqlər üçün standart baza düzəlişi yüksək keçidli filtrləmə ilə əvəz edilməlidir. Widmann və digərləri tərəfindən tövsiyə edilmişdir. (2015. J Neurosci Metodları, 250, 46. doi: 10.1016/j.jneumeth.2014.08.002).

Açar sözlər: Əsas düzəliş EEG ERF ERP Yüksək keçid filtri MEG.


Siqnal İşlənməsi: Səs -küyü süzmək

Bulud hesablamasının hər yerdə yayılması və IoT -nin ortaya çıxması ilə üç böyük Veri ilə əlaqəli problemlər - yəni həcm, sürət və müxtəliflik daha da ağırlaşacaq. Hər sənaye konfransında spikerlərdən mütəmadi olaraq öz şirkətlərində üç V -nin böyüklüyünü eşidir. Ancaq çox nadir hallarda necə çıxarılacağına dair bir müzakirə yoxdur təsirli məlumatlardan anlayışlar. Bu, Samuel Taylor Coleridge -in məşhur sətirlərinə bənzəyir.Qədim dənizçinin dövrü:

Məlumat analizində qarşılaşılan ümumi bir problem, siqnalın işlənməsi dilində əsas siqnaldan səs -küyü necə süzməkdir. Bununla yanaşı, istehsalda bir çox digər məlumat sədaqət məsələləri var, məsələn:

  • Məlumat toplama problemləri
  • Məlumat çatışmır
  • Avtomatik ölçmə və ya daxil olan trafikdəki dəyişiklik kimi ekzogen faktorlar
  • Konsepsiya sürüşməsi: giriş (giriş xüsusiyyətləri) nəzərə alınmaqla, çıxışın (yəni hədəf dəyişəninin) şərti paylanmasında dəyişikliklər, girişin paylanması isə dəyişməz qala bilər.

Aşağıdakı süjet səs -küylə müşahidə olunan bir siqnalı (mavi rəngdə) və səssiz (qırmızı) əsas siqnalı göstərir.

Vizual analiz üçün uyğun olan yuxarıdakı nümunədən fərqli olaraq, əksər hallarda siqnalı təyin etmək üçün səs -küyü süzmək vizual analiz vasitəsi ilə mümkün deyil. Vaxt seriyalarının sayını nəzərə alsaq, vizual analiz aparmaq praktik deyil. Məlumat analizini alqoritmik bir şəkildə aparmaq vacibdir.

Üstəlik, müşahidə olunan siqnaldakı səs -küyü aradan qaldırmaq özlüyündə son məqsəd deyil. İstehsal şəraitində, vacib olan siqnaldan təsirli fikirlər çıxarmaqdır, əks halda analiz bir akademik məşqin ləzzətini ehtiva edir. Konkret olaraq, healthcare.gov üçün 12 gün müddətində gözləmə vaxtının zaman seriyasına (aşağıya bax) baxaq. From the plot we note that during the night the performance is great (i.e., Wait Time is low) but that during the day it’s slow (i.e., Wait Time is high). This is informative but not actionable as normalcy has not been defined.

While there are spikes in Wait Time in this particular instance, it must first be defined at which point a spike is indicative of a capacity issue. Now, if the upper bound on Wait Time were to be, say, 120 ms, then based on the data, one can deduce that perhaps there are capacity issues as there are multiple instances where Wait Time is more 120ms.

Likewise, from the plot below we note a gradual increase in the value of the three metrics.

This increase can be automatically detected via a simple linear regression. A consistent increase in the three metrics is actionable for the operations team.

On the other hand, there are many examples where the data may shed light on “interesting” insights but is not actionable. For instance, the plot below shows the Response Time of Google.com from various 4G wireless nodes in New York City before, during and after memorial week end. As you can see the performance of Google.com has nothing to do with Google but with the wireless networks being saturated.

Though the comparative analysis is of potential use to the end user, no immediate actionable insights can be gleaned from the data.

How to remove noise?

Over multiple decades, a large amount of work has been done is many different fields – such as, but not limited to, signal processing, statistics, information theory – to improve the signal-to-noise ratio (SNR). Noise reduction plays a key role is large set of applications beyond operations, e.g., image/audio/video processing.

A wide variety of filters have been proposed to address noise reduction. Broadly speaking, filters can be classified into two categories:

  • Low pass filter: It passes signals with a frequency lower than a certain cut-off frequency and attenuates signals with frequencies higher than the cut-off frequency. In the context of a time series, a simple moving average (SMA) exemplifies a low pass filter.

The red line in the plot above is the SMA of the original signal shown in blue. From the plot we note that SMA filters out most of the noise and approximates the underlying signal (shown earlier in the blog) very well. Note that, by construction, there’s a lag between SMA and the underlying signal.

  • High pass filter: It passes signals with a frequency higher than a certain cut-off frequency and attenuates signals with frequencies lower than the cut-off frequency.

Depending on the requirement, either linear filters (such as SMA) or non-linear filters (such as median filter) can be used. Some common filters used are Kalman filter, Recursive Least Square (RLS), Least Mean Square Error (LMS), Wiener-Kolmogorov Filters.

Noise reduction can be achieved in both the time domain as well as frequency domain. In case of the latter, Fourier Transform or Wavelet Transform of the observed signal is obtained and subsequently an appropriate filter is applied.