การวิเคราะห์ EEGคือการใช้ประโยชน์จากวิธีการวิเคราะห์สัญญาณ ทางคณิตศาสตร์ และเทคโนโลยีคอมพิวเตอร์เพื่อดึงข้อมูลจาก สัญญาณ คลื่นไฟฟ้าสมอง (EEG) เป้าหมายของการวิเคราะห์ EEG คือการช่วยให้นักวิจัยเข้าใจสมอง ได้ดีขึ้น ช่วยแพทย์ในการวินิจฉัยและ เลือกวิธี การรักษาและส่งเสริม เทคโนโลยี การเชื่อมต่อสมองกับคอมพิวเตอร์ (BCI) มีหลายวิธีในการจัดหมวดหมู่คร่าวๆ ของวิธีการวิเคราะห์ EEG หาก มีการใช้ แบบจำลองทางคณิตศาสตร์เพื่อปรับสัญญาณ EEG ที่สุ่มตัวอย่าง^{[ 1 ]}วิธีการนี้สามารถจัดอยู่ในประเภทพาราเมตริก มิฉะนั้นจะเป็นวิธีการที่ไม่ใช่พาราเมตริก ตามธรรมเนียมแล้ว วิธี การวิเคราะห์ EEG ส่วนใหญ่แบ่งออกเป็นสี่ประเภท ได้แก่โดเมนเวลาโดเมนความถี่โดเมนเวลา-ความถี่และวิธีการไม่เชิงเส้น^{[ 2 ] [ 3 ]}นอกจากนี้ยังมีวิธีการในภายหลังรวมถึงโครงข่ายประสาทเทียมเชิงลึก (DNNs)

แม้ว่าการเลือกวิธีการวิเคราะห์ EEG ที่เหมาะสมตามวัตถุประสงค์การวิจัยและผลลัพธ์ที่ต้องการจะเป็นสิ่งสำคัญอย่างยิ่งสำหรับนักวิจัย แต่การศึกษาที่เสร็จสมบูรณ์แล้วนั้นสามารถเป็นข้อมูลอ้างอิงสำหรับการวิจัยในอนาคต ช่วยแก้ไขปัญหาที่มีอยู่ และเตรียมพื้นฐานสำหรับการศึกษาในอนาคตได้  

การวิเคราะห์โดเมนความถี่ หรือที่รู้จักกันในชื่อการวิเคราะห์สเปกตรัม เป็นวิธีการวิเคราะห์ EEG ที่เป็นที่นิยมและทรงพลังที่สุดวิธีหนึ่ง โดยให้ข้อมูลเชิงลึกเกี่ยวกับข้อมูลที่อยู่ในโดเมนความถี่ของรูปคลื่น EEG โดยใช้วิธี การทางสถิติและ การแปลงฟูริเยร์^{[ 4 ]}ในบรรดาวิธีสเปกตรัมทั้งหมด การวิเคราะห์สเปกตรัมกำลังเป็นวิธีที่ใช้กันมากที่สุด เนื่องจากสเปกตรัมกำลังสะท้อนถึง 'เนื้อหาความถี่' ของสัญญาณหรือการกระจายกำลังของสัญญาณตามความถี่^{[ 5 ]}เทคนิคนี้สามารถใช้เพื่อตรวจสอบการเปลี่ยนแปลงพลังงานของส่วนประกอบความถี่ต่างๆ ในสัญญาณ EEG ระหว่างการวิเคราะห์ EEG เหมาะสำหรับใช้ในการศึกษาโรคทางระบบประสาทและวิทยาศาสตร์สมอง เนื่องจากสภาวะเหล่านี้อาจทำให้เกิดการเปลี่ยนแปลงพลังงาน EEG ในระหว่างการเปลี่ยนแปลงสถานะ เช่น การเปลี่ยนแปลงระยะการนอนหลับ อาการชัก และสภาวะทางอารมณ์^{[ 6 ]}

มีสองวิธีสำคัญสำหรับการวิเคราะห์ EEG ในโดเมนเวลา ได้แก่การทำนายเชิงเส้นและการวิเคราะห์องค์ประกอบโดยทั่วไปการทำนายเชิงเส้นจะให้ค่าประมาณที่เท่ากับผลรวมเชิงเส้นของค่าเอาต์พุตในอดีตกับค่าอินพุตในปัจจุบันและในอดีต และการวิเคราะห์องค์ประกอบเป็นวิธีการแบบไม่กำกับดูแลซึ่งชุดข้อมูลจะถูกแมปไปยังชุดคุณลักษณะ^{[ 7 ]}ที่น่าสังเกตคือ พารามิเตอร์ในวิธีการโดเมนเวลานั้นขึ้นอยู่กับเวลาโดยสมบูรณ์ แต่ยังสามารถสกัดได้จากโมเมนต์ทางสถิติของสเปกตรัมกำลัง ส่งผลให้วิธีการโดเมนเวลาสร้างสะพานเชื่อมระหว่างการตีความเวลาทางกายภาพและการวิเคราะห์สเปกตรัมแบบดั้งเดิม^{[ 8 ]}นอกจากนี้ วิธีการโดเมนเวลายังเสนอวิธีการวัดคุณสมบัติสัญญาณพื้นฐานแบบออนไลน์โดยใช้การคำนวณตามเวลา ซึ่งต้องใช้อุปกรณ์ที่ซับซ้อนน้อยกว่าเมื่อเทียบกับการวิเคราะห์ความถี่แบบดั้งเดิม^{[ 9 ]}

โดยทั่วไป การวิเคราะห์เวลา-ความถี่จะดำเนินการโดยใช้การแปลงเวฟเล็ต (WT)การแยกองค์ประกอบโหมดเชิงประจักษ์ (EMD) การกระจายวิกเนอร์-วิลล์ (WVD) และการแปลงฟูริเยร์แบบช่วงเวลาสั้น (STFT) ^{[ 10 ]}

WTซึ่งเป็นวิธีการโดเมนเวลา-ความถี่ทั่วไป สามารถสกัดและแสดงคุณสมบัติจากสัญญาณชีวภาพชั่วคราวได้ โดยเฉพาะอย่างยิ่ง ผ่านการแยกส่วนเวฟเล็ตของบันทึก EEG คุณลักษณะชั่วคราวสามารถจับและระบุตำแหน่งได้อย่างแม่นยำทั้งในบริบทเวลาและความถี่^{[ 11 ]}ดังนั้นWTจึงเปรียบเสมือนกล้องจุลทรรศน์ทางคณิตศาสตร์ที่สามารถวิเคราะห์จังหวะประสาทในระดับต่างๆ และตรวจสอบการแกว่งของสัญญาณสมองในระดับเล็กๆ โดยไม่สนใจการมีส่วนร่วมของระดับอื่นๆ^{[ 12 ] [ 13 ]}นอกเหนือจากWT แล้ว ยังมีวิธีการโดเมนเวลา-ความถี่ที่โดดเด่นอีกวิธีหนึ่งที่เรียกว่าการแปลงฮิลเบิร์ต-ฮวงซึ่งสามารถแยกส่วนสัญญาณ EEG ออกเป็นชุดของส่วนประกอบการแกว่งที่เรียกว่า ฟังก์ชันโหมดภายใน (IMF) เพื่อจับข้อมูลความถี่ทันที^{[ 14 ] [ 15 ]}

ปรากฏการณ์หลายอย่างในธรรมชาติเป็นแบบไม่เชิงเส้นและไม่คงที่ เช่นเดียวกับสัญญาณ EEG คุณลักษณะนี้ทำให้การตีความสัญญาณ EEG มีความซับซ้อนมากขึ้น ทำให้วิธีการเชิงเส้น (วิธีการที่กล่าวถึงข้างต้น) มีข้อจำกัด ตั้งแต่ปี 1985 เมื่อ Rapp และ Bobloyantz สองผู้บุกเบิกในการวิเคราะห์ EEG แบบไม่เชิงเส้นได้ตีพิมพ์ผลลัพธ์แรกของพวกเขา ทฤษฎีระบบไดนามิกแบบไม่เชิงเส้น หรือที่เรียกว่า ' ทฤษฎีความโกลาหล ' ได้ถูกนำมาประยุกต์ใช้ในวงกว้างในด้านการวิเคราะห์ EEG ^{[ 16 ]}เพื่อทำการวิเคราะห์ EEG แบบไม่เชิงเส้น นักวิจัยได้นำพารามิเตอร์แบบไม่เชิงเส้นที่มีประโยชน์หลายอย่างมาใช้ เช่นเลขชี้กำลังLyapunov มิติความสัมพันธ์และเอนโทรปี เช่นเอนโทรปีโดยประมาณและ เอนโทร ปีตัวอย่าง^{[ 17 ] [ 18 ]}

การนำโครงข่ายประสาทเทียม (ANN) มาใช้จะถูกนำเสนอสำหรับการจำแนกสัญญาณคลื่นไฟฟ้าสมอง (EEG) ในกรณีส่วนใหญ่ ข้อมูล EEG จะต้องผ่านกระบวนการแปลงเวฟเล็ตก่อนนำเข้าสู่โครงข่ายประสาท^{[ 19 ] [ 20 ]} RNN ( โครงข่ายประสาทแบบวนซ้ำ ) เคยถูกนำมาใช้อย่างมากในการศึกษาการนำ ANN มาใช้ในการวิเคราะห์ EEG ^{[ 21 ] [ 22 ]}จนกระทั่งการเฟื่องฟูของการเรียนรู้เชิงลึกและ CNN ( โครงข่ายประสาทแบบคอนโวลูชัน ) วิธี CNN จึงกลายเป็นที่นิยมในการศึกษาการวิเคราะห์ EEG โดยใช้การเรียนรู้เชิงลึกในปัจจุบัน ด้วยการฝึกอบรม CNN เชิงลึกที่กระชับเพื่อให้ได้ความแม่นยำที่แข่งขันได้บนชุดข้อมูล CNN เชิงลึกจึงแสดงให้เห็นถึงประสิทธิภาพการถอดรหัสที่เหนือกว่า^{[ 23 ]}นอกจากนี้ ข้อมูล EEG ขนาดใหญ่ซึ่งเป็นอินพุตของ ANN ยังต้องการการจัดเก็บที่ปลอดภัยและทรัพยากรการคำนวณสูงสำหรับการประมวลผลแบบเรียลไทม์ เพื่อแก้ไขความท้าทายเหล่านี้ จึงมีการเสนอและนำเสนอการเรียนรู้เชิงลึกบนคลาวด์สำหรับการวิเคราะห์ข้อมูล EEG ขนาดใหญ่แบบเรียลไทม์^{[ 24 ]}

การตรวจคลื่นไฟฟ้าสมอง (EEG) เป็นเทคโนโลยีอเนกประสงค์ที่ไม่รุกราน ซึ่งเชื่อมโยงการวินิจฉัยทางการแพทย์กับการใช้งานเฉพาะทางที่ขับเคลื่อนโดยผู้บริโภค ในด้านประสาทวิทยา การตรวจ EEG มีความสำคัญอย่างยิ่งในการวินิจฉัยโรคเรื้อรัง เช่น โรคลมชักและ ADHD รวมถึงการติดตามภาวะเฉียบพลัน เช่น ภาวะโคม่า นอกเหนือจากการใช้งานทางคลินิกแล้ว EEG ยังมีบทบาทสำคัญในการวิจัยทางประสาทวิทยาศาสตร์เพื่อประเมินสภาวะการรับรู้ อินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ (BCI) เพื่อให้สามารถควบคุมอุปกรณ์ได้โดยตรง การบำบัดทางประสาทเพื่อเพิ่มประสิทธิภาพการทำงานของสมอง ไบโอเมตริกส์สำหรับการระบุตัวตนผู้ใช้ที่ไม่ซ้ำกัน และการตลาดทางประสาทวิทยาเพื่อวิเคราะห์การตอบสนองทางพฤติกรรมของผู้บริโภค^{[ 25 ]}การบันทึก EEG เป็นวิธีการที่พกพาสะดวกสำหรับการใช้งานทางคลินิกต่างๆ และเปิดกว้างสำหรับการใช้งานในหลากหลายสาขา เนื่องจากเป็นการวัดกิจกรรมประสาทโดยรวมโดยตรง^{[ 26 ]}

ในแง่ของต้นทุน การบันทึก EEG ถือว่ามีราคาถูกกว่าเทคโนโลยีการบันทึกสัญญาณสมองแบบไม่รุกรานอื่นๆ เช่นการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าเชิงฟังก์ชัน (fMRI) การตรวจคลื่นแม่เหล็กไฟฟ้าของสมอง (MEG) และการตรวจด้วยสเปกโทรสโกปีอินฟราเรดใกล้ (NIRS) ^{[ 27 ]}

การวิเคราะห์ EEG ถูกนำมาใช้กันอย่างแพร่หลายในการวินิจฉัยและการประเมินโรคทางสมอง ในด้านอาการชักจากโรคลมชักการตรวจจับการปล่อยกระแสไฟฟ้าผิดปกติใน EEG ถือเป็นองค์ประกอบสำคัญในการวินิจฉัยโรคลมชัก การวิเคราะห์บันทึก EEG อย่างละเอียดสามารถให้ข้อมูลเชิงลึกที่มีค่าและความเข้าใจที่ดีขึ้นเกี่ยวกับกลไกที่ก่อให้เกิดความผิดปกติของโรคลมชัก^{[ 28 ]}นอกจากนี้ การวิเคราะห์ EEG ยังช่วยอย่างมากในการตรวจหาโรคอัลไซเมอร์ [ ^{29 ] อาการ}สั่นฯลฯ

การบันทึก EEG ระหว่างการจินตนาการการเคลื่อนไหวขวาและซ้ายทำให้สามารถสร้างช่องทางการสื่อสารใหม่ได้^{[ 30 ]}โดยอาศัยการวิเคราะห์ EEG แบบเรียลไทม์ด้วยรูปแบบเชิงพื้นที่เฉพาะบุคคลอินเทอร์เฟซระหว่างสมองกับคอมพิวเตอร์ (BCI) สามารถใช้เพื่อพัฒนาการตอบสนองแบบไบนารีง่ายๆ สำหรับการควบคุมอุปกรณ์ได้

แนวทาง BCI ที่ใช้ EEG ร่วมกับความก้าวหน้าในการเรียนรู้ของเครื่องจักรและเทคโนโลยีอื่นๆ เช่น การบันทึกแบบไร้สาย มีเป้าหมายเพื่อช่วยเหลือชีวิตประจำวันของผู้พิการและปรับปรุงคุณภาพชีวิตของพวกเขาให้ดีขึ้นอย่างมีนัยสำคัญ^{[ 31 ]} BCI ที่ใช้ EEG ดังกล่าวสามารถช่วยผู้ป่วยโรคกล้ามเนื้ออ่อนแรง (amyotrophic lateral sclerosis) ในกิจกรรมประจำวันบางอย่างได้

Brainstorm เป็นแอปพลิเคชันโอเพนซอร์สแบบร่วมมือกันที่มุ่งเน้นการวิเคราะห์การบันทึกสมอง รวมถึง MEG, EEG, fNIRS , ECoG , อิเล็กโทรดแบบฝังลึก และการตรวจระบบประสาทแบบรุกรานในสัตว์^{[ 32 ]}วัตถุประสงค์ของ Brainstorm คือการแบ่งปันชุดเครื่องมือที่ใช้งานง่ายอย่างครอบคลุมกับชุมชนวิทยาศาสตร์โดยใช้ MEG/EEG เป็นเทคนิคการทดลอง Brainstorm มีอินเทอร์เฟซกราฟิกที่ใช้งานง่ายและครบครันสำหรับแพทย์และนักวิจัย ซึ่งไม่จำเป็นต้องมีความรู้ด้านการเขียนโปรแกรม ซอฟต์แวร์วิเคราะห์โอเพนซอร์สอื่นๆ ที่เกี่ยวข้อง ได้แก่ FieldTrip เป็นต้น

เมื่อรวมกับการวิเคราะห์การแสดงออกทางใบหน้า การวิเคราะห์ EEG จะมีฟังก์ชันการตรวจจับอารมณ์อย่างต่อเนื่อง ซึ่งสามารถใช้ในการค้นหาร่องรอยทางอารมณ์ของวิดีโอได้^{[ 33 ]}แอปพลิเคชันอื่นๆ ได้แก่ การทำแผนที่สมองโดยใช้ EEG ระบบเข้ารหัสส่วนบุคคลโดยใช้ EEG ระบบการใส่คำอธิบายประกอบภาพโดยใช้ EEG เป็นต้น

• Bamanikar, Ashvini A.; Patil, Ritesh V.; Patil, Lalit V. (2022), "การรับรู้ความเครียดและอารมณ์โดยใช้การวิเคราะห์ความรู้สึกด้วยสัญญาณสมอง", การประชุมวิชาการนานาชาติครั้งที่ 2 ด้านเครือข่ายมือถือและการสื่อสารไร้สายของ IEEE (ICMNWC) ปี 2022 , หน้า 1-4, doi : 10.1109/ICMNWC56175.2022.10031835 , ISBN 978-1-6654-9111-2

• Cisotto, G., Chicco, D. (2024), "เคล็ดลับ 10 ข้อสำหรับการเก็บรวบรวมข้อมูลและการประมวลผลสัญญาณคลื่นไฟฟ้าสมอง (EEG) ทางคลินิก", PeerJ Computer Science , 10 (peerj-cs.2256) e2256, doi : 10.7717/peerj-cs.2256 , PMC  11419606 , PMID  39314688