تو این پست میخوام فرآیند تحلیل و پردازش سیگنالهای مغزی رو توضیح بدم. ممکنه یک قسمتهایی از این پست نیاز به دانش تخصصی داشته باشه ولی سعی میکنم تا جایی که میشه ساده و روان توضیح بدم که روشن و قابل فهم باشه. امیدوارم تا آخر این پست رو دنبال کنید.
مغز ما از سلولهای عصبی ساخته شده است که به آنها نرون گفته میشود. برای انجام فعالیتهای مختلفی که ما در طول روز انجام میدهیم این نرونها هستند که با هم ارتباط برقرار میکنند و ارتباط آنها با هم معانی مختلفی دارد. اولین چیزی که باید در تحلیل رفتار سلولی مغز بدانیم مفهومی است به نام Action Potential که به آن Spike هم گفته میشود. حال این Spike چیست؟
فعالیتهای مغزی از دو نوع الکتریکی و شیمیایی میباشد. سلولهای عصبی توسط یک لایه چربی مانند محافظت میشوند که روی آن یک سری کانال وجود دارد. در اطراف این سلولها مایعهایی متشکل از یونهای مختلف وجود دارد که به دلیل اختلاف غلظت این یونها در داخل و خارج سلول عصبی، یک اختلاف بار الکتریکی و در نتیجه یک اختلاف پتانسیل بین داخل و خارج سلول عصبی وجود دارد. در حالت عادی این مقدار اختلاف پتانسیل تقریبا مقدار ثابت و مشخصی دارد. حال اگر به دلیل یک محرک قرار باشد که این سلول عصبی فعال شود، این فعال شدن با تغییرات اختلاف پتانسیل انجام میشود. اینکه این تغییرات اختلاف پتانسیل چگونه ایجاد میشود کمی پیچیدگی دارد که در این پست در مورد آن صحبت نمیکنم. در شکل زیر یک تصویر از تغییر رفتار الکتریکی یک نرون رو مشاهده میکنیم.
همانطور که در شکل بالا مشاهده میشود، زمانی که یک Spike اتفاق نیافتاده است ولتاژ دو سر غشای نرون حدود منفی ۷۰ میلی ولت میباشد. با تحریکهای که به نرون وارد میشود این اختلاف پتانسیل کمی تغییر میکند. یک مقدار آستانهای وجود دارد که در شکل بالا منفی ۵۵ میلی ولت میباشد. اگر میزان تحریکات باعث شود که اختلاف پتانسیل دو سر غشای نرون از منفی ۵۵ میلی ولت مثبت تر شود، ناگهان نرون به اصطلاح fire میکند و یک Spike اتفاق میافتد. در طول Spike ولتاژ تا حدود مثبت ۴۰ میلی ولت افزایش پیدا میکند و بعد به سرعت به حالت اول باز میگردد. تمام این فرآیند اتفاق افتادن یک Spike تقریبا حدود ۱ میلی ثانیه طول میکشد.
هر سلول عصبی دارای Spike هایی با شکل مختص به خود است. ممکن است این شکلها خیلی به هم نزدیک باشد ولی هر سلول به دلیل تفاوتهای جزیی شیمیایی و فیزیکی که دارند دارای شکلهای Spike مختص خود هستند. برای مثال در شکل زیر چند شکل از Spike های مختلف را مشاهده میکنیم.
این سیگنالی که آن را Spike نامیدهایم برای یک سلول عصبی است. برای اینکه بتوانیم این سیگنالها را مشاهده کنیم باید به کمک الکترودهای الکترونی اختلاف پتانسیل داخل و خارج سلول را مانیتور کنیم تا بتوانیم این Spike ها را مشاهده کنیم. این کار نیاز به تکنولوژی بسیار بالایی دارد.
حال کسانی که در علوم شناختی فعالیت میکنند به دنبال پیدا کردن ارتباط بین محرکها خارجی و مشاهده تاثیر آن محرک بر روی مغز و رفتار خروجی میباشند. به همین دلیل برای انجام آزمایش نیاز دارند که شخص آزمایش کننده به هش باشد و هوشیار تا بتواند یک سری عمل شناختی را انجام دهد و همزمان بتوان از فعالیتهای مغزی او تصویربرداری کرد. به این خاطر بسیاری از روشهای تصویر برداری قابل انجام نیست چون نیاز به شکافتن مغز دارد. یکی از روشهای بسیار محبوب و بدون آسیب در تصویر برداری مغز، روش EEG نام دارد. در این روشتعداد زیادی الکترود به سر آزمایش شونده میچسبانند و بعد شروع به تصویر برداری میکنند. چیزی که این الکترودها ثبت میکنند مجموعهای از میدانهای الکتریکی است که به دلیل فعالیت تعداد بسیار زیادی نرون ایجاد میشود. برای مثال ممکن است ولتاژی که یک الکترود در EEG ثبت میکند برآیند فعالیت چند میلیون نرون باشد. میزان دقت مکانی این روش بسیار کمتر از تصویربرداری سلولی است ولی میتوان با روشهایی دقت این روش را نیز بالا برد. در تصویر زیر نمونهای از سیگنالهای دریافتی از الکترودهای EEG را مشاهده میکنید.
حال در ادامه میخواهم نحوهی پردازش این سیگنالهای ثبت شده مغزی را توضیح دهم. این پروسهای که در ادامه بررسی میکنیم Spike Sorting Method نام دارد. در این فرآیند هدف این است که از درون یک سیگنال ثبت شده Spike ها و الگوی ایجاد آنها را استخراج کنیم و بتوانیم بر اساس فعالیت شناختی که انجام شده این دادههای بدست آمده را لیبل گذاری کنیم.
شکل زیر دادهی یک دقیقه از یک الکترود EEG است که با فرکانس ۳۲ کیلوهرتز نمونهبرداری کرده است.
هر سیگنالی که توسط الکترودهای EEG ثبت میشود دارای دو طیف فرکانسی هستند. ساختار اصلی سیگنال که دارای فرکانسهای پایینتر از ۳۰۰ هرتز هستند که به آنها LFP گفته میشود. و فعالیتهای Spike که دارای فرکانس بالاتر از ۳۰۰ هرتز هستند. به همین دلیل زمانی که یک سیگنال EEG را دریافت میکنیم، برای مطالعه فعالیتهای Spike باید ابتدا سیگنالها را از فیلترهای فرکانسی پایینگذر و بالاگذر عبور دهیم. نتیجهی انجام این کار دو شکل زیر خواهد بود که یکی نتیجه عبور از فیلتر پایینگذر که خروجی آن سیگنالهای LFP است و دیگری نتیجه عبور از فیلتر بالاگذر که خروجی آن فعالیتهای Spike است.
خروجی فیلتر بالاگذر که آن را Spike نامیدهایم از مجموع نویزها و فعالیتهای بسیار کوچک سلولی بدست آمده است. پس برای اینکه بتوانیم فقط Spike ها را از درون آن بیرون بکشیم، باید به کمک یک ولتاژ آستانه جاهایی از سیگنال که Spike دارد را پیدا کرده و بعد آنها را نشان دهیم. برای این کار بر روی سیگنال حرکت میکنیم. هرکجا که مقدار سیگنال بیشتر از مقدار آستانه که ما در اینجا 0.000045 ولت در نظر گرفتیم بیشتر شد یک پنجره ۱.۵ میلی ثانیهای از آن سیگنال را ذخیره میکند. خروجی این کار تعداد بسیار زیادی سیگنال Spike میباشد که اگر آنها را روی هم رسم کنیم به صورت شکل زیر خواهد بود.
حالا بر اساس شکل سیگنالهای Spike بدست آمده میتوان آنها را کلاستر یا خوشهبندی کرد. برای این کار من از الگوریتم Kmeans با تعداد خوشهی ۳ استفاده کردم. بعد از اینکه سیگنالهای مختلف در خوشههای مختلف قرار گرفتند، برای هر خوشه یک سیگنال میانگین به عنوان نماینده آن سیگنال تولید کردیم که آن را در شکل زیر مشاهده میکنیم. در شکل زیر ۳ سیگنال مشاهده میشود که هر کدام میانگین سیگنالهای هر خوشه است.
همانطور که مشخص است دوتا از سیگنالها از نظر ساختار شکلی خیلی نزدیک به هم هستند. ولی یک سیگنال از نظر ساختار شکلی تفاوت زیادی دارد. این موضوع نشان میدهد که به احتمال خوبی سیگنالهای ثبت شده توسط یک الکترود EEG برآیند فعالیت ۳ نوع مختلف از نرونها بوده است. اگر بخواهیم این دسته بندی را در یک فضای دو بعدی نشان دهیم میتوانیم به کمک PCA ابعاد داده را کم کرده و آن را به دو بعد کاهش دهیم و بعد آن را در فضای دو بعدی نشان دهیم. نتیجه این کار شکل زیر میباشد.
این روش Spike Sorting که توضیح داده شد، یکی از روشهای بسیار مهم برای مطالعات سیگنالهای مغزی میباشد و در بین دانشمندان علوم شناختی بسیار طرفدار دارد و دقت بسیار خوبی دارد. زیرا هم میتوان به کمک EEG از یک آزمونشونده هوشیار بدون آسیب فیزیکی نمونه برداری انجام دهیم، آن هم در حین انجام یک عمل شناختی و هم میتوانیم الگوی فعالیتهای مغزی را بر اثر فعالیتها به کمک روش بالا بدست بیاوریم.