Estoy tratando de entender por qué se usa Fast Fourier Transform ( FFT ) en el análisis de datos de canal de EEG sin procesar.
Mi entendimiento (en la vista de 30,000 pies) es que FFT descompone ecuaciones diferenciales lineales con términos fuente no sinusoidales (que son bastante difíciles de resolver) y las divide en ecuaciones de componentes ( con términos fuente sinusoidales) que son fáciles de resolver. Luego combina cada uno de estos componentes/soluciones parciales para resolver la ecuación original. En términos sencillos, es como tomar un batido y descomponerlo en su receta de ingredientes. Hacerlo nos permitiría estudiar y analizar cada ingrediente en relación con el producto final (el batido).
Pero, ¿cómo se relaciona esto con los datos de EEG sin procesar (no descompuestos por FFT)? Mi comprensión de un solo canal de datos de EEG es que es esencialmente una medida de voltaje a lo largo del tiempo. ¿Qué se gana usando FFT para descomponer esta señal de voltaje/tiempo en sus frecuencias constituyentes (ondas alfa/beta/gamma/delta/mu), etc.? ¿Qué información adicional puede brindarnos cada frecuencia sobre los datos sin procesar?
Aquí está mi comprensión actualizada de cómo FFT se relaciona con los datos de EEG sin procesar según la descripción de @Mark a continuación:
Fast-Fourier Transform (FFT) transforma una señal del dominio del tiempo al dominio de la frecuencia. Básicamente, cualquier señal dependiente del tiempo se puede descomponer en una colección de sinusoides. De esta manera, las grabaciones de EEG largas y ruidosas se pueden trazar convenientemente en un espectro de potencia de frecuencia . Al hacerlo, las características ocultas pueden volverse evidentes. Al sumar todas las sinusoides después de FFT, se puede restaurar la señal original, por lo que no se pierde información.
Una aplicación notable de FFT en EEG se muestra en la Fig. 1, que muestra un EEG en una persona despierta (traza azul superior) y un EEG en una persona sedada con propofol (traza roja inferior). Las huellas son diferentes, pero ¿exactamente cuán diferentes ? A los científicos les gusta cuantificar cosas.
Ahora mire en la Fig. 2, que muestra los mismos datos pero filtrados en la banda delta ( EEG filtrado de paso bajo con una frecuencia de corte de 1,5 Hz, panel izquierdo). Aquí ya se hace más evidente lo que está pasando, pero ¿cuál es exactamente la diferencia entre las dos huellas? Esa diferencia se vuelve evidente en el dominio de la frecuencia usando FFT (Fig. 2, panel derecho); El espectro de frecuencia tiene un pico a 0,2 Hz en ambos trazos, pero ese pico es aproximadamente el doble en el estado anestesiado que en el estado normal. En otras palabras, el cerebro anestesiado revela más actividad de baja frecuencia.
Figura 1. EEG sin procesar de una persona despierta (azul) y anestesiada con propofol (rojo). fuente: Wang et al (2014) .
Fig. 2. EEG filtrados (<1,5 Hz) de una persona despierta (azul) y anestesiada con propofol (rojo) (panel izquierdo) y espectros FFT correspondientes (derecha). fuente: Wang et al (2014) .
Esto recuerda la somnolencia que se encuentra en el sueño de ondas lentas ; que es otro ejemplo más de por qué FFT es útil; varias etapas del sueño son marcadamente diferentes en su EEG. Por ejemplo, las primeras etapas del sueño se caracterizan por EEG de ondas lentas, mientras que el sueño REM se caracteriza por actividad de EEG de alta frecuencia. Mediante el uso de FFT, estas diferencias en el contenido de frecuencia se pueden capturar en datos simples y cuantificables.
Otra aplicación basada en FFT ampliamente aplicada es el filtrado en el dominio de la frecuencia. Mire el EEG del sueño en la Fig. 3. Al dividir la señal sin procesar en bandas de frecuencia, se puede eliminar el ruido (componentes de alta frecuencia), pero aún mejor, se puede eliminar el complejo k (un sello característico del sueño normal). bellamente aislado de una señal de EEG desordenada (trazo inferior, 12-15 Hz).
Figura 3. Filtrado basado en EEG FFT. fuente: Neurología
Referencia
- Wang et al ., Front Syst Neurosci (2014); 00215
Cualquier forma de onda periódica se puede producir sumando una serie de ondas sinusoidales de la frecuencia y amplitud apropiadas. La FFT analiza una forma de onda compleja y calcula esas frecuencias y amplitudes. El resultado es una nueva curva que representa la amplitud frente a la frecuencia. Por lo tanto, transforma la señal del dominio del tiempo al dominio de la frecuencia.
No tengo ningún conocimiento de las señales de EEG, pero he trabajado con FFT. Si quisiera saber qué frecuencias hacen la mayor contribución a la forma de onda original, la FFT le proporcionará esa información.
Aquí hay un documento que encontré que usa el análisis FFT de formas de onda EEG para observar las contribuciones relativas de diferentes frecuencias. Incluye la siguiente tabla que indica que las ondas "Delta" están en el rango de 0,5 a 4 Hz, las ondas Theta están en el rango de 4 a 8 Hz, etc. El análisis FFT divide rápidamente la forma de onda general en sus frecuencias constituyentes para identificar qué de estos rangos contribuyen más o menos.
EEG simplemente mide las fluctuaciones de voltaje sobre el cuero cabelludo causadas por dipolos eléctricos dentro del tejido cerebral. La comunicación entre neuronas puede ocurrir en diferentes escalas espaciales y temporales. En cada escala, esta comunicación da como resultado un patrón distinto de flujo de corriente. Debido a que EEG mide las fluctuaciones de voltaje en un área relativamente grande del cerebro, refleja el flujo de corriente creado por la comunicación en varias escalas entre millones de neuronas (cada escala presumiblemente asociada con una frecuencia diferente de oscilaciones). La investigación actual está tratando de comprender qué procesos neuronales en el tejido cerebral dan como resultado el EEG. Todavía no hay una comprensión completa de lo que representa cada banda de frecuencia, pero el estudio de tipos similares de oscilaciones dentro del tejido cerebral (llamados potenciales de campo locales) ha proporcionado información invaluable (por ejemplo, las comunicaciones de rango pequeño están asociadas con bandas de frecuencia más altas). La forma en que las oscilaciones registradas dentro del tejido cerebral se relacionan con el EEG es un área activa de investigación.
Sam
smeeb
Cort Amón
smeeb
smeeb
Sam
Cort Amón