Przewodnik CleverPoint View Data v2.15

Wprowadzenie

CleverPoint View to desktopowe narzędzie badawcze do analizy wielokanałowych zapisów fizjologicznych (kanałów EEG-podobnych oraz kardio/EKG) w kontekście sesji eksperymentalnych. Program wczytuje dane z plików CSV, dzieli zapis na odcinki (epizody), stosuje standardowe procedury czyszczenia i filtrowania, a następnie wyświetla wyniki na kilku tematycznych ekranach.

Interfejs jest ukierunkowany na szybki przegląd dynamiki sygnału w czasie, charakterystyk widmowych, zależności między kanałami, wskaźników zmienności rytmu serca (HRV) oraz prostych wskaźników „stanu emocjonalnego”. Wskaźniki te nie mają charakteru diagnostycznego – są po prostu obliczane na podstawie opisanych poniżej formalnych wzorów.

Niniejszy przewodnik opisuje funkcjonalność wszystkich interfejsów aplikacji i zawiera szczegółowe wyjaśnienia przekształceń sygnału przeznaczone dla badaczy psychofizjologii.

0.1. Czym są sygnały fizjologiczne?

Sygnały fizjologiczne to potencjały elektryczne powstające w wyniku aktywności żywych tkanek. Ta aplikacja analizuje trzy główne typy sygnałów:

0.1.1. EEG (elektroencefalogram)

Podstawa fizjologiczna: EEG rejestruje aktywność elektryczną kory mózgowej. Aktywność ta powstaje w wyniku zsynchronizowanych zmian potencjałów błonowych dużych grup neuronów (komórek piramidowych).

Jak to działa:

• Neurony generują potencjały elektryczne podczas przekazywania informacji.
• Gdy tysiące neuronów aktywuje się synchronicznie, ich potencjały się sumują.
• Elektrody na powierzchni głowy rejestrują te zsumowane potencjały.
• Amplituda sygnału wynosi zazwyczaj 10–100 mikrowoltów (µV).

Co pokazuje EEG:

• Ogólny stan mózgu (czuwanie, sen, śpiączka)
• Procesy poznawcze (uwaga, pamięć, myślenie)
• Stany emocjonalne
• Zmiany patologiczne (padaczka, guzy)

Zakresy częstotliwości EEG (i ich znaczenie fizjologiczne):

• Delta (0,5–4 Hz): sen głęboki, stany patologiczne, niemowlęctwo
• Theta (4–8 Hz): sen płytki, medytacja, myślenie kreatywne, uczenie się
• Alfa (8–13 Hz): zrelaksowane czuwanie z zamkniętymi oczami, stan spokoju
• Beta (13–30 Hz): aktywne myślenie, koncentracja, rozwiązywanie problemów
• Gamma (30–100 Hz): przetwarzanie poznawcze wysokiego poziomu, integrowanie informacji z różnych obszarów mózgu

0.1.2. EKG (elektrokardiogram)

Podstawa fizjologiczna: EKG rejestruje aktywność elektryczną serca. Każde uderzenie serca (skurcz) jest inicjowane impulsem elektrycznym, który rozprzestrzenia się przez układ przewodzący serca.

Jak to działa:

• Węzeł zatokowo-przedsionkowy (rozrusznik serca) generuje impuls elektryczny.
• Impuls rozchodzi się przez przedsionki do węzła przedsionkowo-komorowego, a następnie do komór.
• Elektrody na ciele rejestrują te zmiany elektryczne.
• Załamek R w zapisie EKG odpowiada depolaryzacji komór (skurczowi).

Co pokazuje EKG:

• Częstość akcji serca (tętno)
• Regularność rytmu
• Stan układu przewodzącego serca
• Zmienność rytmu serca (HRV), wskaźnik regulacji autonomicznej

Zmienność rytmu serca (HRV):

• Zdrowe serce nie bije jak metronom — odstępy między uderzeniami stale się zmieniają.
• Ta zmienność jest kontrolowana przez autonomiczny układ nerwowy.
• Wysoka zmienność = dobra zdolność adaptacyjna i dobre zdrowie.
• Niska zmienność = stres, zmęczenie i możliwe problemy zdrowotne.

0.1.3. EMG (elektromiogram)

Podstawa fizjologiczna: EMG rejestruje aktywność elektryczną mięśni. Gdy mięsień się kurczy, włókna mięśniowe generują potencjały elektryczne.

Jak to działa:

• Neurony ruchowe wysyłają sygnały do włókien mięśniowych.
• Włókna mięśniowe ulegają depolaryzacji i kurczą się.
• Elektrody na skórze rejestrują tę aktywność.
• W tej aplikacji EMG rejestrowany jest z mięśni twarzy (Zygoma — mięśnie policzkowe).

Co pokazuje EMG:

• Napięcie mięśniowe
• Reakcje mimiczne (uśmiech, grymas)
• Reakcje stresowe i emocjonalne (napięcie mięśni twarzy)

0.2. Autonomiczny układ nerwowy (AUN)

Autonomiczny układ nerwowy (AUN) kontroluje mimowolne funkcje organizmu, w tym rytm serca, oddychanie i trawienie.

Dwie gałęzie AUN:

Układ współczulny („walcz lub uciekaj”):

• Aktywowany w stresie, w sytuacji zagrożenia lub podczas wysiłku fizycznego
• Zwiększa częstość akcji serca
• Zmniejsza zmienność rytmu serca
• Przygotowuje organizm do działania

Układ przywspółczulny („odpoczywaj i trawij”):

• Aktywowany podczas odpoczynku i relaksacji
• Zmniejsza częstość akcji serca
• Zwiększa zmienność rytmu serca
• Sprzyja regeneracji i odpoczynkowi

Równowaga AUN:

• Zdrowy organizm utrzymuje dynamiczną równowagę między układem współczulnym a przywspółczulnym.
• Analiza HRV umożliwia ocenę tej równowagi.
• Zaburzenie równowagi może wskazywać na stres, zmęczenie lub chorobę.

0.3. Emocje a mózg

Model walencja–pobudzenie:

• Walencja: pozytywna lub negatywna ocena emocji (przyjemna/nieprzyjemna)
• Pobudzenie: poziom aktywacji (spokój/pobudzenie)

Asymetria półkulowa:

• Lewa półkula (AF3): związana z emocjami pozytywnymi, zachowaniami zbliżającymi i aktywnością
• Prawa półkula (AF4): związana z emocjami negatywnymi, unikaniem i ostrożnością

Wzorce częstotliwościowe emocji:

• Aktywność alfa: relaksacja, spokój
• Aktywność beta: aktywne myślenie, stres, lęk
• Stosunek beta/alfa: poziom aktywacji/pobudzenia

0.4. Elektrody i ich rozmieszczenie w zestawie CleverPoint

System 10–20 (standardowe rozmieszczenie elektrod EEG)

• Wariant 1: elektroda referencyjna w punkcie Fz. Połączenie unipolarne.
• Wariant 2: do zastosowań naukowych. Wspólna, rozdzielona referencja na prawym i lewym uchu. Połączenie unipolarne.

Pozycje elektrod:

• F7, F8: boczne obszary czołowe
• AF3: lewy przedni obszar czołowy, między Fp1 i F3 (półkula lewa)
• AF4: prawy przedni obszar czołowy, między Fp2 i F4 (półkula prawa)
• L Zygoma, R Zygoma: mięśnie policzkowe (mięśnie twarzy, do EMG)

Co rejestruje każda elektroda:

• Każda elektroda rejestruje aktywność obszaru kory mózgowej znajdującego się bezpośrednio pod nią.
• Różne obszary mózgu odpowiadają za różne funkcje.
• Porównanie aktywności między elektrodami pokazuje interakcje między obszarami mózgu.

1.1. Podstawowe przekształcenia

Wszystkie interfejsy aplikacji korzystają ze wspólnego systemu przetwarzania sygnału. Każdy element tego systemu można włączyć lub wyłączyć osobno, a każdy ma własne ustawienia. Przekształcenia stosowane są w następującej kolejności:

1. Wybór typu danych (Type): RAW (dane surowe) lub Filtered (wstępnie przefiltrowane w paśmie 3–100 Hz, z filtrem zaporowym 50 Hz)
2. Przycinanie: usuwanie zaznaczonych fragmentów z artefaktami
3. CAR (wspólne uśrednione odniesienie): przeliczenie na wspólną elektrodę odniesienia
4. Odszumianie (tłumienie artefaktów mrugnięć): przetwarzanie falkowe usuwające mrugnięcia
5. Normalizacja: normalizacja amplitudy
6. IMF (empiryczna dekompozycja modów): dekompozycja na mody
7. Filtrowanie: filtrowanie pasmowoprzepustowe
8. Epoka: uśrednianie po epokach
9. Moc/amplituda: przeliczenie na moc lub amplitudę

1.2. Znakowanie i przycinanie

1.2.1. Automatyczne znakowanie artefaktów

Cel: Automatyczne wykrywanie odcinków sygnału z wartościami odstającymi amplitudy.

Jak to działa:

• Sygnał jest dzielony na okna 3-sekundowe.
• Dla każdego okna wyznaczana jest wartość maksymalna i minimalna.
• Progi obliczane są jako podwojone mediany tych ekstremów:
  quantPl = 2*median(max), quantMn = 2*median(min)
• Wartości przekraczające progi są ucinane do wartości progowych, co ogranicza wpływ rzadkich wartości odstających.
• Na podstawie tych progów system automatycznie oznacza odcinki artefaktów (w polu Ignoruj).
• Oznaczone odcinki są wyświetlane na wykresie w kolorze żółtym.

Wyjaśnienie fizjologiczne:

Procedura znakowania opiera się na założeniu „typowego” zakresu amplitudy w oknach 3-sekundowych: fizjologicznie prawidłowa aktywność ma zwykle względnie stabilną amplitudę, natomiast gwałtowne skoki są częściej związane z artefaktami. Ucinanie takich skoków ogranicza ich wpływ na dalsze obliczenia, jednocześnie zachowując strukturę czasową sygnału.

1.2.2. Przycinanie: usuwanie oznaczonych odcinków

Cel: Usunięcie oznaczonych (żółtych) odcinków artefaktów z sygnału.

Jak to działa:

• Usuwanie jest wykonywane, gdy zaznaczone jest pole wyboru Przycinanie.
• Wszystkie odcinki oznaczone jako artefakty w polu Ignoruj są usuwane z sygnału.
• Znaczniki czasowe sekcji i komentarzy są przeliczane z uwzględnieniem usuniętych odcinków.
• Czas sygnału jest przeliczany według wzoru:
  Time = (1:sum(Ignore==0))/Fs

Zastosowanie: Służy do wykluczania artefaktów ruchowych, mrugnięć, zakłóceń elektromagnetycznych i innych zniekształceń.

Wyjaśnienie fizjologiczne:

Artefakty to sygnały niezwiązane z badaną aktywnością fizjologiczną. Na przykład:

• Artefakty ruchowe: Gdy uczestnik porusza głową, elektrody przesuwają się względem skóry, powodując duże skoki napięcia.
• Artefakty mrugnięć: Mięśnie powieki generują potencjały elektryczne podczas mrugania, które są rejestrowane przez elektrody czołowe.
• Zakłócenia elektromagnetyczne: Urządzenia elektryczne (50/60 Hz) generują szum tła.
• Artefakty mięśniowe: Napięcie mięśni karku lub twarzy powoduje oscylacje wysokiej częstotliwości.

Usuwanie artefaktów jest niezbędne, aby uzyskać „czysty” sygnał odzwierciedlający wyłącznie aktywność mózgu lub serca.

1.3. CAR (wspólne uśrednione odniesienie)

Cel: Usunięcie artefaktów wspólnych, obecnych we wszystkich kanałach.

Wzór matematyczny:

avgElectrodes = (F8 + AF4 + AF3 + F7) / 4
for each channel i: signal_i = signal_i - avgElectrodes

Jak to działa:

• Obliczana jest wartość średnia pierwszych czterech elektrod EEG (F8, AF4, AF3, F7).
• Ta wartość średnia jest odejmowana od każdego kanału.
• Usuwane są składowe wspólne dla wszystkich kanałów (na przykład zakłócenia sieciowe i ruchy gałek ocznych).

Zastosowanie: Standardowa metoda zmiany odniesienia (re-referencingu) w EEG, stosowana w celu zmniejszenia wpływu artefaktów wspólnych.

Wyjaśnienie fizjologiczne:

Elektrody EEG rejestrują różnicę potencjałów między elektrodą aktywną a elektrodą referencyjną. Problem polega na tym, że sama elektroda referencyjna (w typowym zestawie CleverPoint zazwyczaj umieszczona pośrodku czoła lub na płatku ucha) może zawierać własną aktywność lub artefakty.

CAR rozwiązuje ten problem:

• Zamiast pojedynczej elektrody referencyjnej wykorzystywana jest średnia wszystkich elektrod.
• Powstaje w ten sposób „wirtualna” elektroda referencyjna, odzwierciedlająca aktywność ogólną.
• Składowe wspólne dla wszystkich elektrod (zakłócenia sieciowe, ruchy gałek ocznych, ogólne artefakty) są automatycznie odejmowane.
• Pozostaje jedynie lokalna aktywność każdej elektrody.

Analogia: Wyobraź sobie pomiar wysokości gór względem poziomu morza. Jeśli sam poziom morza się waha, wszystkie pomiary zostają zniekształcone. CAR działa jak wykorzystanie średniego poziomu wszystkich punktów w celu uzyskania dokładniejszych pomiarów.

1.4. Odszumianie (tłumienie artefaktów mrugnięcia)

Cel: usunięcie artefaktów mrugnięcia z sygnału za pomocą przetwarzania falkowego.

Metoda: odszumianie falkowe z użyciem falki Daubechies 4 (db4).

Parametry:

• Poziom dekompozycji zależy od częstotliwości próbkowania:
  Fs = 1000 Hz: N = 7 poziomówFs = 500 Hz: N = 6 poziomówW pozostałych przypadkach: N = 5 poziomów
• Przetwarzanie progowe z parametrem alpha = 3
• Progowanie zależne od poziomu

Zasada działania:

• Dekompozycja falkowa sygnału na N poziomów
• Wyznaczenie progów dla każdego poziomu na podstawie statystyk współczynników
• Progowanie współczynników (usunięcie małych współczynników odpowiadających szumowi)
• Odwrotna transformata falkowa
• Szum obliczany jest jako różnica:
  noise = original_signal - denoised_signal
• Wynik:
  signal = original_signal - noise

Zastosowanie: tłumienie artefaktów mrugnięcia zniekształcających EEG, zwłaszcza w kanałach czołowych.

Wyjaśnienie fizjologiczne:

Mrugnięcia powodują krótkotrwałe artefakty o dużej amplitudzie, wynikające z aktywności mięśni powieki i ruchu gałki ocznej. Artefakty te mają charakterystyczny kształt i strukturę czasową, co pozwala je wyodrębnić i osłabić za pomocą transformacji falkowej przy jednoczesnym zachowaniu użytecznej aktywności neuronalnej.

Dlaczego to ważne: artefakty mrugnięcia maskują słabe, lecz istotne składowe EEG (na przykład rytm alfa w zakresie 8–13 Hz) i mogą powodować pozorne zmiany w widmie.

1.5. Normalizacja

Cel: Doprowadzenie amplitudy sygnału do standardowego poziomu.

Wzór:
normalized_signal = 5 * signal / mean(abs(signal))

Jak to działa:

• Obliczana jest średnia wartość bezwzględna sygnału.
• Sygnał jest skalowany tak, aby średnia wartość bezwzględna wynosiła 5.

Zastosowanie: Standaryzacja amplitud w celu porównywania sygnałów między uczestnikami lub sesjami.

Fizjologiczne wyjaśnienie normalizacji:

Amplituda sygnału EEG różni się znacznie między osobami, a nawet między sesjami u tej samej osoby. Zależy to od:

• Grubości czaszki i skóry
• Jakości kontaktu elektrod
• Indywidualnych cech mózgu
• Poziomu aktywacji

Dlaczego normalizacja jest potrzebna:

• Umożliwia porównywanie sygnałów między różnymi osobami.
• Usuwa wpływ czynników technicznych (jakości kontaktu).
• Skupia uwagę na wzorcach, a nie na wartościach bezwzględnych.
• Upraszcza wizualizację (wszystkie sygnały są wyświetlane w tej samej skali).

Ważne, aby zrozumieć:

• Normalizacja nie zmienia kształtu sygnału, a jedynie jego skalę.
• Zmiany względne są zachowane.
• Wartości bezwzględne są tracone (znormalizowanego sygnału nie można bezpośrednio porównać z sygnałem nieznormalizowanym).

1.6. IMF (empiryczna dekompozycja modów)

Cel: Dekompozycja sygnału na funkcje modów własnych.

Metoda: EMD (empiryczna dekompozycja modów) z maksymalnie 5 modami.

Jak to działa:

• Sygnał jest dekomponowany na mody własne za pomocą algorytmu EMD.

• Lista rozwijana zawiera 6 wartości:

• IMF: nie stosuje się żadnej dekompozycji; sygnał pozostaje niezmieniony

• 1: mod 1
• 2: mod 2
• 3: mod 3
• 4: mod 4
• 5: mod 5
• Jeśli wybrano konkretny mod, używany jest tylko ten mod:
  signal = imf(:, selected_mode)

Zastosowania:

• Izolowanie określonych składowych częstotliwościowych
• Usuwanie dryfu linii bazowej
• Analiza procesów nieliniowych i niestacjonarnych

Fizjologiczne wyjaśnienie EMD:

Empiryczna dekompozycja modów to metoda rozkładu sygnału na „mody własne” bez użycia predefiniowanych funkcji bazowych (w odróżnieniu od transformaty Fouriera).

Czym są mody:

• Mody to oscylacyjne składowe sygnału, które mają znaczenie fizyczne.
• Każdy mod ma własną częstotliwość i amplitudę.
• Mody dopasowują się do danych (nie są stałymi częstotliwościami, jak w analizie Fouriera).

Znaczenie fizjologiczne:

• Mod 1 (wysokoczęstotliwościowy): najszybsze składowe, możliwy szum
• Mody 2–3: główne rytmy (alfa, beta)
• Mod 4: wolniejsze składowe, szczegóły sygnału
• Mod 5 (niskoczęstotliwościowy): wolne zmiany, dryf linii bazowej i ewentualnie artefakty

Dlaczego warto stosować konkretny mod:

• Usuwanie dryfu: Mod 5 często zawiera dryf linii bazowej (spowodowany poceniem się lub przemieszczeniem elektrody).
• Izolowanie rytmu: Konkretny mod może zawierać interesujący nas rytm (na przykład alfa).
• Usuwanie artefaktów: Niektóre mody mogą zawierać artefakty, które można wykluczyć.

Zalety EMD:

• Adaptacyjność: mody dopasowują się do sygnału
• Nieliniowość: możliwa jest analiza procesów nieliniowych
• Niestacjonarność: działa z sygnałami, których właściwości zmieniają się w czasie

1.7. Filtrowanie

Cel: Wyodrębnienie sygnału w określonym paśmie częstotliwości.

Metoda: Filtr FIR (Finite Impulse Response, filtr o skończonej odpowiedzi impulsowej) wykorzystujący algorytm Parksa–McClellana (firpm).

Parametry filtru:

• Pasmo przejściowe: ±0.5 Hz od granic pasma przepustowego
• Tłumienie pasma zaporowego: 80 dB
• Rząd filtru: obliczany automatycznie

Typy filtrów:

• Typ 0: Brak filtrowania
• Typ 1: Filtr pasmowoprzepustowy (pojedyncze pasmo)
• Typ 2: Stosunek dwóch pasm (pasmo1 / pasmo2)

Dostępne zakresy (Typ 1):

• Theta (4–8 Hz)
• Theta1 (4–6 Hz)
• Theta2 (6–8 Hz)
• Alpha (8–13 Hz)
• Alpha1 (8–10 Hz)
• Alpha2 (10–13 Hz)
• Beta (13–30 Hz)
• Beta1 (13–20 Hz)
• Beta2 (20–30 Hz)
• Gamma (30–100 Hz)

Stosunki pasm (Typ 2):

• Alpha/Theta (8–13 Hz / 4–8 Hz)
• Alpha/Beta (8–13 Hz / 13–30 Hz)

Zastosowanie: Wyodrębnianie standardowych pasm EEG, ich podpasm (theta1, theta2, alpha1, alpha2, beta1, beta2) oraz obliczanie stosunków pasm.

Fizjologiczne wyjaśnienie pasm częstotliwości:

Delta (0.5–4 Hz):

• Fizjologia: najwolniejsze rytmy; związane z głębokim snem (stadia 3–4), śpiączką i stanami patologicznymi
• Mechanizmy nerwowe: synchronizacja dużych obszarów kory mózgowej, obniżony metabolizm
• Kiedy występuje: u dorosłych wyłącznie podczas snu; u niemowląt również podczas czuwania (norma)
• Znaczenie kliniczne: nadmierna fala delta podczas czuwania może wskazywać na patologię

Theta (4–8 Hz):

• Fizjologia: związana z płytkim snem, medytacją, myśleniem twórczym i uczeniem się
• Mechanizmy nerwowe: synchronizacja hipokampa i kory mózgowej; istotna dla konsolidacji pamięci
• Kiedy występuje: przy zamkniętych oczach, w stanie relaksu, podczas snu REM
• Znaczenie kliniczne: podwyższona fala theta może wskazywać na senność lub patologię

Podpasma theta:

• Theta1 (4–6 Hz): wolniejsza theta, częściej związana z sennością i stanami przejściowymi
• Theta2 (6–8 Hz): szybsza theta, częściej związana z uwagą i przetwarzaniem poznawczym

Alpha (8–13 Hz):

• Fizjologia: „rytm spoczynkowy”; dominuje podczas zrelaksowanego czuwania z zamkniętymi oczami
• Mechanizmy nerwowe: synchronizacja kory potylicznej i ciemieniowej; związana z brakiem stymulacji wzrokowej
• Kiedy występuje: przy zamkniętych oczach, w stanie spokoju; zanika po otwarciu oczu lub podczas wysiłku umysłowego
• Znaczenie kliniczne: brak fali alfa może wskazywać na patologię; asymetria alfa między półkulami może sygnalizować problemy

Podpasma alfa:

• Alpha1 (8–10 Hz): wolniejsza alfa, częściej związana z relaksem i spokojem
• Alpha2 (10–13 Hz): szybsza alfa, częściej odzwierciedla gotowość do przetwarzania informacji

Beta (13–30 Hz):

• Fizjologia: aktywne czuwanie, uwaga, rozwiązywanie problemów
• Mechanizmy nerwowe: desynchronizacja kory mózgowej, aktywne przetwarzanie informacji
• Kiedy występuje: przy otwartych oczach, podczas aktywności umysłowej, ruchu
• Znaczenie kliniczne: podwyższona fala beta może wskazywać na stres, lęk i napięcie

Podpasma beta:

• Beta1 (13–20 Hz): związana z aktywnym myśleniem i uwagą
• Beta2 (20–30 Hz): wyższa beta, częściej związana z napięciem i stresem

Gamma (30–100 Hz):

• Fizjologia: wysoko zorganizowane przetwarzanie poznawcze, integracja informacji z różnych obszarów
• Mechanizmy nerwowe: szybka synchronizacja odległych obszarów kory mózgowej; „wiązanie” cech w jednolite spostrzeżenie
• Kiedy występuje: podczas złożonych zadań poznawczych, percepcji i uwagi
• Znaczenie kliniczne: nieprawidłowości aktywności gamma wiążą się ze schizofrenią i autyzmem

Stosunki pasm (Typ 2):

• Alpha/Theta: wskaźnik relaksu względem senności/wolniejszych procesów
• Alpha/Beta: wskaźnik równowagi między relaksem a aktywnością poznawczą

Dlaczego filtrowanie jest ważne:

Sygnał EEG zawiera jednocześnie wszystkie częstotliwości. Filtrowanie umożliwia wyodrębnienie interesującego zakresu częstotliwości i analizowanie go osobno. Na przykład aktywność alfa jest potrzebna do badania relaksu, natomiast aktywność beta wykorzystywana jest do badania koncentracji.

1.8. Moc a amplituda

Cel: Przekształcenie sygnału w moc lub amplitudę.

Tryby:

• Amplituda: Sygnał oryginalny, bez zmian
• Moc: Sygnał podniesiony do kwadratu:
  power = signal.^2

Fizjologiczne wyjaśnienie mocy:

Moc jest równa kwadratowi amplitudy. Jest to miara „energii” aktywności.

Dlaczego moc jest ważna:

• Amplituda może być dodatnia lub ujemna (sygnał oscyluje wokół zera).
• Moc jest zawsze dodatnia i pokazuje „siłę” aktywności.
• Moc lepiej odzwierciedla ogólną aktywność niż amplituda.

Znaczenie fizjologiczne:

• Wysoka moc alfa: silna aktywność alfa = silne odprężenie
• Wysoka moc beta: silna aktywność beta = silna aktywność poznawcza
• Niska moc: słaba aktywność lub artefakty

Porównanie trybów:

• Amplituda: Pokazuje kształt sygnału i kierunek zmian (wychylenia dodatnie/ujemne)
• Moc: Pokazuje intensywność aktywności i nie zależy od znaku

Kiedy stosować:

• Amplituda: Wizualizacja sygnału, analiza kształtu przebiegu, wykrywanie artefaktów
• Moc: Ilościowa analiza aktywności, porównania między warunkami, statystyka

1.9. Epoka

Cel: Uśrednienie sygnału za pomocą okna przesuwnego.

Metoda: Średnia ruchoma z użyciem filtfilt (filtrowanie dwukierunkowe).

Wzór:
epoch_length_samples = epoch_length_seconds * Fsb = ones(1, epoch_length_samples) / epoch_length_samplessmoothed_signal = filtfilt(b, 1, signal)

Jak to działa:

• Tworzone jest okno uśredniające o określonej długości (w sekundach).
• Sygnał jest filtrowany za pomocą dwukierunkowej średniej ruchomej.
• Wynikiem jest wygładzony sygnał o zmniejszonej zmienności.

Fizjologiczne wyjaśnienie epok:

Epoka to uśrednianie w oknie czasowym. Pozwala to dostrzec ogólne trendy ukryte za szybkimi fluktuacjami.

Dlaczego uśrednianie jest potrzebne:

• Sygnały EEG są bardzo „zaszumione” i zawierają wiele szybkich oscylacji.
• Interesujące nas procesy (na przykład zmiany aktywności alfa) często zachodzą powoli.
• Uśrednianie wygładza szybkie fluktuacje, zachowując wolne trendy.

Znaczenie fizjologiczne:

• Szybkie oscylacje (milisekundy): pojedyncze zdarzenia neuronalne, artefakty
• Oscylacje średnie (sekundy): rytmy mózgowe (alfa, beta)
• Wolne trendy (dziesiątki sekund): zmiany stanu, reakcje na bodźce

Przykład:

• Bez uśredniania: widoczne są wszystkie szybkie oscylacje, a ogólny trend trudno dostrzec.
• Przy uśrednianiu 2-sekundowym: widoczne stają się zmiany aktywności alfa w czasie.
• Przy uśrednianiu 8-sekundowym: widoczne pozostają jedynie bardzo wolne zmiany stanu.

2.1. Cel

Interfejs Summary zapewnia zbiorcze statystyki dla wszystkich sekcji nagrania, obejmujące:

• Charakterystyki częstotliwościowe EEG (theta, alfa, beta, gamma)
• Parametry częstości akcji serca (HRV)
• Wskaźniki emocjonalne (walencja, pobudzenie, koncentracja)

2.2. Sterowanie

1. Podział sekcji na epizody lub stałe przedziały czasowe
2. Lista sekcji: wyświetla nazwę, czas rozpoczęcia i czas trwania każdej sekcji
3. Pola wyboru elektrod
4. Dane antropometryczne
5. Ustawienia przetwarzania sygnału
6. Przycisk przeliczenia danych
7. Przycisk eksportu danych

2.2.1. Przetwarzanie sygnału

1. Przycinanie: usunięcie fragmentów z artefaktami
2. CAR: włączenie wspólnego uśrednionego odniesienia
3. Odszumianie: tłumienie artefaktów mrugnięć
4. Względne: użycie wartości względnych (jako procent całkowitego widma)

2.2.2. Dane antropometryczne

• Wiek: w latach
• Waga: w kilogramach
• Wzrost: w centymetrach
• Płeć: mężczyzna/kobieta

Ważne: Dane te są wykorzystywane do normalizacji parametrów HRV względem norm dla wieku i płci.

2.2.3. Sekcje

1. Na podstawie epizodów: podział na epizody (na podstawie metadanych)
2. Na podstawie czasu: podział na stałe przedziały czasowe (60, 120, 180, 240, 300 sekund)
3. Lista sekcji: wyświetla nazwę, czas rozpoczęcia i czas trwania każdej sekcji

2.2.4. Wybór elektrod

Pola wyboru umożliwiające wyświetlanie danych z poszczególnych elektrod EEG/EMG (F8, AF4, AF3, F7, L Zygoma, R Zygoma).

2.3. Wykresy

2.3.1. Pasma częstotliwości (THETA, THETA1, THETA2, ALPHA, ALPHA1, ALPHA2, BETA, BETA1, BETA2, GAMMA)

Metoda obliczania:

• Stosowany jest filtr FIR pasmowoprzepustowy, aby wyodrębnić zakres częstotliwości.
• Obliczana jest moc:
  power = filtered_signal.^2
• Dla każdej sekcji obliczana jest średnia wartość mocy.

Wzór:
filtered = filtfilt(fir_filter, 1, signal)power = filtered.^2section_power = mean(power(section_start:section_end))

Interpretacja: Średnia moc sygnału w wybranym zakresie częstotliwości dla każdej sekcji.

Fizjologiczne wyjaśnienie mocy:

Moc jest kwadratem amplitudy sygnału. Jest to miara „energii” aktywności w danym zakresie częstotliwości.

Co oznacza moc:

• Wysoka moc alfa: silna relaksacja, stan spokoju
• Wysoka moc beta: aktywne myślenie, koncentracja, ewentualnie stres
• Wysoka moc teta: płytki sen, medytacja, stan kreatywny
• Niska moc we wszystkich pasmach: prawdopodobnie artefakty, słaby kontakt elektrody lub stan patologiczny

Porównanie między sekcjami:

• Jeśli moc alfa jest wyższa w sekcji „Relaksacja” niż w sekcji „Test stresowy”, jest to normalne i oczekiwane.
• Jeśli moc beta jest wyższa w sekcji „Rozwiązywanie problemów”, wskazuje to na aktywną pracę poznawczą.
• Zmiany mocy odzwierciedlają zmiany stanu funkcjonalnego mózgu.

2.3.2. Puls (PULSE)

Metoda obliczania:

• Odstępy RR są wyodrębniane z sygnału EKG.
• Dla każdej sekcji obliczany jest średni puls:
  HR = 60 / mean(RR_intervals)

Interpretacja: Średnie tętno w uderzeniach na minutę dla każdej sekcji.

Fizjologiczne wyjaśnienie pulsu:

Puls (tętno, HR) to liczba uderzeń serca na minutę. Jest to jeden z najprostszych i najważniejszych wskaźników stanu organizmu.

Wartości prawidłowe:

• W spoczynku: 60–100 uderzeń/min (u dorosłych)
• U sportowców: 40–60 uderzeń/min (wytrenowane serce)
• Podczas wysiłku: może osiągać 140–180 uderzeń/min (w zależności od wieku)
• Podczas snu: 40–60 uderzeń/min

Co wpływa na puls:

• Aktywność współczulna: zwiększa puls (stres, wysiłek fizyczny, emocje)
• Aktywność przywspółczulna: zmniejsza puls (odpoczynek, relaksacja)
• Wysiłek fizyczny: zwiększa puls, aby dostarczyć tlen do mięśni
• Emocje: stres i lęk go zwiększają; spokój go zmniejsza
• Wiek: maksymalny puls spada wraz z wiekiem
• Poziom wytrenowania: osoby wytrenowane mają niższy puls spoczynkowy

Interpretacja zmian:

• Wzrost pulsu: aktywacja, stres, wysiłek, emocje
• Spadek pulsu: relaksacja, odpoczynek, regeneracja
• Gwałtowne zmiany: reakcja na bodziec, przejście między stanami
• Utrzymujący się wysoki puls: możliwy przewlekły stres lub problemy zdrowotne

2.3.3. Stres (STRESS)

Metoda obliczania:

• Autorski algorytm
• Wartość jest ograniczona do zakresu [0, 100]

Fizjologiczne wyjaśnienie stresu:

Stres aktywuje układ współczulny, co prowadzi do:

• Wzrostu tętna
• Zmniejszenia zmienności rytmu serca (serce bije bardziej regularnie, jak metronom)
• Zmian kształtu wykresu Poincarégo (chmura punktów staje się bardziej wydłużona i zwarta)

Interpretacja:

• Wskaźnik stresu od 0 (minimalny stres) do 100 (maksymalny stres)
• 0–30: niski stres, dobra regeneracja
• 70–100: wysoki stres, możliwe przeciążenie

2.3.4. RMSSD (pierwiastek ze średniej kwadratów kolejnych różnic)

Metoda obliczania:
RMSSD = sqrt(mean(diff(RR).^2))

Interpretacja: Wskaźnik zmienności rytmu serca, który odzwierciedla aktywność przywspółczulną. Wyższe wartości = większa zmienność = większa relaksacja.

Fizjologiczne wyjaśnienie RMSSD:

RMSSD mierzy krótkoterminowe zmiany odstępów RR (od uderzenia do uderzenia). Jest to jeden z najbardziej czułych wskaźników aktywności przywspółczulnej (nerwu błędnego).

Jak działa układ przywspółczulny:

• Nerw błędny wysyła sygnały do serca.
• Sygnały te modulują tętno w zależności od fazy oddychania.
• Podczas wdechu: puls nieznacznie przyspiesza.
• Podczas wydechu: puls nieznacznie zwalnia.
• To tworzy zmienność mierzoną przez RMSSD.

Co oznaczają wartości:

• Wysoki RMSSD (>50 ms u młodszych osób): dobra aktywność przywspółczulna, relaksacja, regeneracja
• Niski RMSSD (<20 ms): obniżona aktywność przywspółczulna, stres, zmęczenie, możliwe problemy zdrowotne
• Wartości prawidłowe zależą od wieku (wyższe u młodszych osób, niższe u starszych)

Dlaczego to ważne:

RMSSD jest wskaźnikiem zdolności organizmu do regeneracji. Sportowcy z wysokim RMSSD szybciej regenerują się po wysiłku. Niski RMSSD może wskazywać na przetrenowanie lub przewlekły stres.

2.3.5. SDNN (odchylenie standardowe odstępów NN)

Metoda obliczania:
SDNN = std(RR)

Interpretacja: Ogólna zmienność rytmu serca. Odzwierciedla zarówno aktywność współczulną, jak i przywspółczulną.

Fizjologiczne wyjaśnienie SDNN:

SDNN to odchylenie standardowe wszystkich odstępów RR. Jest to zbiorcza miara ogólnej zmienności, odzwierciedlająca funkcjonowanie całego autonomicznego układu nerwowego.

Co wpływa na SDNN:

• Aktywność przywspółczulna: zwiększa zmienność (arytmia oddechowa)
• Aktywność współczulna: może zarówno zwiększać zmienność (przy umiarkowanej aktywacji), jak i ją zmniejszać (przy silnym stresie)
• Rytmy okołodobowe: zmienność zmienia się w ciągu dnia
• Wiek: zmienność maleje wraz z wiekiem

Znaczenie kliniczne:

• Wysoki SDNN (>100 ms u młodszych osób): dobra regulacja autonomiczna, dobry stan zdrowia
• Niski SDNN (<50 ms): obniżona regulacja autonomiczna, możliwe problemy
• SDNN <20 ms: bardzo niska zmienność, wysokie ryzyko zdarzeń sercowo-naczyniowych

Porównanie z RMSSD:

• RMSSD jest bardziej czuły na aktywność przywspółczulną (zmiany krótkoterminowe)
• SDNN odzwierciedla całkowitą regulację autonomiczną (wszystkie zmiany)
• Oba parametry są ważne dla pełnego obrazu funkcjonowania autonomicznego układu nerwowego

2.3.6. Grupa funkcjonalna (FG)

Metoda obliczania:

SD1 i SD2 są obliczane na podstawie wykresu Poincarégo.

Obliczany jest średni puls.

Wykorzystywana jest funkcja findFunctionalGroup_Z, która:

• normalizuje SD1, SD2 i HR względem norm dla wieku i płci (z-score)
• określa grupę funkcjonalną (0–13) na podstawie kombinacji z-score
• uwzględnia, czy dana sekcja jest sekcją relaksacyjną (Calibration, Relax)

Fizjologiczne wyjaśnienie grupy funkcjonalnej:

Grupa funkcjonalna to kompleksowa ocena stanu autonomicznego układu nerwowego, oparta na normalizacji parametrów HRV względem norm dla wieku i płci.

Interpretacja: Zobacz przewodnik *Klasyfikacja stanów funkcjonalnych*.

2.3.7. Koncentracja (CONCENT)

Metoda obliczania:

Sygnał z elektrody AF4 jest filtrowany do trzech zakresów:

• Alfa (10–13 Hz)
• Beta (20–30 Hz)
• Gamma (30–90 Hz)

Obwiednie są obliczane przy użyciu 4-sekundowego okna:
envelope_alpha = filtfilt(moving_average, 1, abs(alpha_signal))envelope_beta = filtfilt(moving_average, 1, abs(beta_signal))envelope_gamma = filtfilt(moving_average, 1, abs(gamma_signal))

Wzór koncentracji:
Concentration = 20 * (envelope_beta + envelope_gamma) / envelope_alpha

Fizjologiczne wyjaśnienie koncentracji:

Koncentracja uwagi wiąże się z aktywacją kory przedczołowej i tłumieniem sygnałów rozpraszających. Znajduje to odzwierciedlenie w zmianach proporcji pasm częstotliwości EEG.

Neurofizjologia koncentracji:

• Aktywność alfa (8–13 Hz): związana z relaksacją i brakiem aktywnego przetwarzania
• Aktywność beta (13–30 Hz): związana z aktywnym myśleniem i przetwarzaniem informacji
• Aktywność gamma (30–90 Hz): związana z wiązaniem informacji i skupieniem uwagi

Co to oznacza:

• Podczas koncentracji: beta i gamma rosną (aktywne przetwarzanie), alfa maleje (mniejsza relaksacja)
• Podczas rozproszenia uwagi: alfa może być wysoka (relaksacja), a beta i gamma niskie (brak aktywnego przetwarzania)

Interpretacja wartości:

• Niskie wartości (<10): rozproszona uwaga, relaksacja, możliwa senność
• Średnie wartości (10–30): prawidłowa koncentracja
• Wysokie wartości (>30): wysoka koncentracja, aktywna praca umysłowa, możliwe napięcie

Dlaczego wykorzystywana jest elektroda AF4:

AF4 (prawa półkula, przednia okolica czołowa) jest wykorzystywana, ponieważ ten obszar jest ważny dla:

• Kontroli uwagi
• Tłumienia bodźców rozpraszających
• Pamięci roboczej
• Funkcji wykonawczych

2.3.8. Pobudzenie (AROUSAL)

Metoda obliczania:

• Sygnały z elektrod AF3 i AF4 są filtrowane do zakresów alfa (8–13 Hz) i beta (13–30 Hz).
• Moc jest obliczana w 8-sekundowym oknie:
  power_alpha = 1 + log10(sum(alpha_signal.^2) / window_length)power_beta = 1 + log10(sum(beta_signal.^2) / window_length)

Wzór pobudzenia:
Arousal = (AF3_beta + AF4_beta) / (AF3_alpha + AF4_alpha)

• Wartości są ograniczane do 95. percentyla w celu usunięcia wartości odstających.

Fizjologiczne wyjaśnienie pobudzenia:

Pobudzenie to ogólny poziom aktywacji układu nerwowego, od głębokiego snu po silny stres.

Neurofizjologia pobudzenia:

Niskie pobudzenie: dominuje rytm alfa (8–13 Hz)

• spokojne czuwanie
• zamknięte oczy
• medytacja
• stan spokoju

Średnie pobudzenie: mieszana aktywność

• otwarte oczy
• normalna aktywność
• równowaga alfa i beta

Wysokie pobudzenie: dominuje rytm beta (13–30 Hz)

• aktywne myślenie
• rozwiązywanie problemów
• stres
• lęk
• aktywność fizyczna

Interpretacja:

• Niskie wartości (<0,5): niskie pobudzenie, relaksacja, możliwa senność
• Średnie wartości (0,5–1,5): prawidłowe pobudzenie, czuwanie
• Wysokie wartości (>1,5): wysokie pobudzenie, stres, aktywna praca umysłowa

Znaczenie praktyczne:

• Utrzymujące się wysokie pobudzenie może wskazywać na przewlekły stres lub lęk.
• Bardzo niskie pobudzenie może wskazywać na depresję, zmęczenie lub senność.
• Optymalne pobudzenie zależy od zadania (niskie dla odpoczynku, średnie do wysokiego dla pracy).

2.3.9. Walencja (VALENCE)

Metoda obliczania:

• Wykorzystywane są te same wartości mocy alfa i beta, co przy pobudzeniu.

Wzór walencji:
Valence = (AF4_alpha / AF4_beta) - (AF3_alpha / AF3_beta)

• Wartości są ograniczane do 95. percentyla.

Fizjologiczne wyjaśnienie walencji:

Walencja to ocena emocji jako przyjemnej lub nieprzyjemnej. Badania pokazują, że lewa i prawa półkula przetwarzają emocje w różny sposób.

Teoria asymetrii półkulowej (Davidson, 1992):

Lewa półkula (AF3):

• przetwarzanie emocji pozytywnych
• zachowania zbliżające
• aktywność i entuzjazm
• wysoka alfa = niska aktywacja = stan zrelaksowany, ale zorientowany pozytywnie

Prawa półkula (AF4):

• przetwarzanie emocji negatywnych
• zachowania wycofujące
• ostrożność i lęk
• wysoka alfa = niska aktywacja = relaksacja, ale z możliwą negatywną walencją

Interpretacja:

• Wartości dodatnie:

• prawa półkula jest bardziej zrelaksowana (wysoki stosunek alfa/beta)

• lewa półkula jest bardziej aktywna (niski stosunek alfa/beta)
• emocje pozytywne, przyjemność, radość

• Wartości ujemne:

• lewa półkula jest bardziej zrelaksowana

• prawa półkula jest bardziej aktywna
• emocje negatywne, smutek, lęk, dyskomfort
• Blisko zera: emocje neutralne, równowaga

Ważne do zrozumienia:

• Aktywność alfa jest odwrotnie proporcjonalna do aktywacji kory mózgowej.
• Wysoki stosunek alfa/beta = niska aktywacja kory w danej półkuli.
• Niski stosunek alfa/beta = wysoka aktywacja kory w danej półkuli.
• Na sygnał wpływa napięcie mięśni czoła.

Znaczenie praktyczne:

• Utrzymująca się ujemna walencja może wskazywać na depresję lub lęk.
• Dodatnia walencja podczas relaksacji jest dobrym sygnałem.
• Zmiany walencji odzwierciedlają reakcje emocjonalne na bodźce.

2.4. Eksport danych

Przycisk Eksportuj do CSV zapisuje wszystkie obliczone parametry do pliku CSV z separatorami, w tym:

• Dane antropometryczne
• Znaczniki czasowe sekcji
• Czas trwania sekcji
• Poprawność danych EEG i EKG (w procentach)
• Wszystkie parametry częstotliwościowe dla poszczególnych elektrod
• Parametry aktywności mózgu
• Parametry rytmu serca

3.1. Cel

Ten interfejs służy do wizualizacji sygnałów w dziedzinie czasu, z możliwością nałożenia na siebie dwóch różnych ścieżek przetwarzania sygnału.

3.2. Sterowanie

3.2.1. Ustawienia ogólne

1. Trim: usuwanie fragmentów z artefaktami
2. Norm (Normalize): normalizacja amplitudy

3.2.2. Przetwarzanie sygnału 1 (górny wykres, zielony)

3. Type: RAW / Filtered (jeśli dla sygnału 2 nie wybrano żadnej wartości, sygnał 2 nie jest wyświetlany)
4. CAR: uśrednione odniesienie wspólne
5. Denoise: tłumienie artefaktów mrugania
6. IMF: wybór trybu EMD
7. Filter: wybór filtra częstotliwości
8. Sterowanie sygnałem 2: jeśli w polu Type dla sygnału 2 nie wybrano wartości (RAW / Filtered), sygnał 2 nie jest wyświetlany

3.2.3. Przetwarzanie sygnału 2 (dolny wykres, czerwony)

Te same parametry co dla sygnału 1.

3.2.4. Parametry dodatkowe

1. Amplitude/Power: wyświetlanie amplitudy lub mocy
2. Relative: wartości względne lub bezwzględne mocy sygnału
3. Epoch length: długość epoki do uśredniania (w sekundach)
4. Przyciski przeliczenia (lewy przycisk przywraca skalowanie wykresu do 100%; prawy przycisk zachowuje ten sam fragment sygnału)

3.2.5. Wybór elektrod

Pola wyboru do pokazywania lub ukrywania następujących kanałów:

1. F8, AF4, AF3, F7 (EEG)
2. L Zygoma, R Zygoma (EMG)
3. Cardio (EKG)

3.2.6. Skala EEG

Lista rozwijana do ustawiania stałej skali osi Y dla kanałów EEG (auto, 20, 50, 100 µV).

3.3. Wyświetlanie sygnału

3.3.1. Struktura wykresu

• Każdy kanał jest wyświetlany na osobnej osi.
• Wszystkie osie są zsynchronizowane w czasie (oś X).
• Kanały EEG są zsynchronizowane pod względem amplitudy (oś Y).

3.3.2. Znaczniki zdarzeń

• Pionowe kolorowe linie oznaczają zdarzenia i odcinki.
• Różne kolory odpowiadają różnym odcinkom.
• Nazwy odcinków są wyświetlane nad wykresami.
• Żółte kropki oznaczają segmenty przeznaczone do pominięcia.

3.3.3. Praca z odcinkami

• Edit episodes: edycja odcinków
• Add Sector (-): dodanie segmentu do pominięcia (zaznaczenie kursorem)
• Remove Sector (+): usunięcie segmentu z listy pomijanych
• Zmiany wprowadzone podczas edycji nie są zapisywane w pliku źródłowym, ale wpływają na znaczniki odcinków w eksportowanych danych.

1. Edit episodes obejmuje:
2. wybór odcinka (epizodu)
3. czas początkowy odcinka (epizodu) na potrzeby obliczeń
4. czas końcowy odcinka (epizodu) na potrzeby obliczeń

3.4. Przekształcenia sygnału

Wszystkie przekształcenia są stosowane w kolejności opisanej w Sekcji 1. Dla każdego wykresu (1 i 2) można zdefiniować niezależny łańcuch przekształceń, co pozwala porównywać różne metody przetwarzania.

Przykładowy scenariusz użycia:

• Wykres 1: Filtrowanie + CAR + Odszumianie (artefakty mrugnięć) + Filtr alfa (8–13 Hz) + Moc + Długość epoki 4 s
• Wykres 2: Filtrowanie + CAR + Odszumianie (artefakty mrugnięć) + Filtr beta (13–30 Hz) + Moc + Długość epoki 4 s

Dzięki temu można wizualnie porównać aktywność alfa i beta na jednym ekranie.

4.1. Przeznaczenie

Ten interfejs służy do analizy sygnałów w dziedzinie częstotliwości za pomocą spektrogramów (krótkoczasowej transformaty Fouriera).

4.2. Struktura interfejsu

Interfejs jest podzielony na dwa panele:

• Spektrogram 1 (panel lewy)
• Spektrogram 2 (panel prawy)

Każdy panel zawiera:

• Spektrogram (górny wykres)
• Przebieg czasowy sygnału (dolny wykres)

4.3. Sterowanie

4.3.1. Przetwarzanie sygnału

1. Trim: usuwanie fragmentów z artefaktami
2. Type: Filtered / RAW
3. Channel: wybór kanału (F8, AF4, AF3, F7, L Zygoma, R Zygoma, RR)
4. CAR: uśrednione odniesienie wspólne
5. Denoise: tłumienie artefaktów mrugania
6. IMF: wybór trybu EMD
7. Fourier/Wavelet/Hilbert: metoda analizy widmowej
8. Window, s: długość okna STFT (w sekundach)
9. Normalize: normalizacja spektrogramu
10. Correlation of the channels: korelacja między kanałami w obu panelach

4.4. Metody analizy widmowej

4.4.1. Fourier (STFT — krótkoczasowa transformata Fouriera)

Metoda: Spektrogram z użyciem okienkowanej FFT.

Parametry:

• Okno: Hamming
• Długość okna:
  window = Fs * window_length_seconds
• Zachodzenie okien:
  nooverlap = window - 25(dla zapewnienia gładkości)

Wzór:
[S, F, T, P] = spectrogram(signal, hamming(window), nooverlap, window, Fs, 'power', 'yaxis')

Wyświetlanie:

• Oś X: czas
• Oś Y: częstotliwość (0–50 Hz)
• Kolor: moc w skali logarytmicznej (10*log10(P))
• Zakres kolorów: od -15 do 25 dB

Interpretacja: Pokazuje, jak moc sygnału rozkłada się na częstotliwości w czasie. Jaśniejsze kolory = wyższa moc.

Jak odczytywać spektrogram:

• Oś pozioma (X): czas zapisu
• Oś pionowa (Y): częstotliwość (0–50 Hz)
• Kolor: moc (jaśniejszy = więcej mocy)

Typowe wzorce:

• Pasma poziome: stabilne rytmy
  • pasmo przy 10 Hz = rytm alfa (odprężenie)
  • pasmo przy 20 Hz = rytm beta (aktywność)
• Pasma pionowe: krótkie zdarzenia
  • artefakty mrugnięć (niskie częstotliwości, krótki czas trwania)
  • artefakty mięśniowe (wysokie częstotliwości, krótki czas trwania)
• Zmiany w czasie: przejścia między stanami
  • przejście z alfa do beta przy otwieraniu oczu
  • przejście z beta do alfa przy zamykaniu oczu

Interpretacja fizjologiczna:

Spektrogram jest „mapą” aktywności mózgu w czasie i częstotliwości. Pokazuje, które składowe częstotliwościowe są obecne w danym momencie.

• Jasne pasmo w zakresie alfa (8–13 Hz): stan odprężenia, oczy zamknięte
• Jasne pasmo w zakresie beta (13–30 Hz): aktywne myślenie, koncentracja
• Niska moc we wszystkich zakresach: możliwe artefakty lub patologia
• Gwałtowne zmiany: przejścia między stanami, reakcje na bodźce

4.4.2. Falka (Wavelet)

Metoda: Pakietowa dekompozycja falkowa (Wavelet Packet Decomposition).

Parametry:

• Poziom dekompozycji: 8
• Typ falki: wybierany z listy (na przykład db4, coif2, sym4)

• 1. Typ falki: wybierz z listy rozwijanej
• 2. Przyciski przeliczenia danych

Wzór:
wpt = wpdec(signal, 8, wavelet_type)[P, T, F] = wpspectrum(wpt, Fs)P = flipud(P)

Interpretacja: Podobna do STFT, ale z lepszą rozdzielczością czasową przy wysokich częstotliwościach i lepszą rozdzielczością częstotliwościową przy niskich częstotliwościach.

Zalety dla EEG:

• Wysokie częstotliwości (beta, gamma): krótkie okna pozwalają dokładnie określić moment zdarzenia
• Niskie częstotliwości (alfa, theta): długie okna zapewniają lepszą rozdzielczość częstotliwościową

Znaczenie fizjologiczne:

Przekształcenie falkowe wykorzystuje okna o zmiennej długości — krótkie okna dla wysokich częstotliwości i długie okna dla niskich częstotliwości. Dobrze odpowiada to sposobowi, w jaki mózg przetwarza informacje.

• Szybkie procesy (na przykład reakcja na bodziec) wymagają precyzyjnej rozdzielczości czasowej.
• Wolne rytmy (na przykład alfa) wymagają precyzyjnej rozdzielczości częstotliwościowej.
• Przekształcenie falkowe zapewnia optymalną równowagę.

Kiedy stosować:

• Do analizy szybkich zdarzeń (reakcji na bodźce)
• Do analizy wolnych rytmów z dużą precyzją
• Gdy jednocześnie potrzebna jest rozdzielczość czasowa i częstotliwościowa

4.4.3. Hilbert (transformata Hilberta-Huanga)

Metoda: Transformata Hilberta-Huanga (HHT) z użyciem EMD.

Parametry:

• Rozdzielczość częstotliwościowa: 1 Hz

Wzór:
[P, F, T] = hht(signal, Fs, 'FrequencyResolution', 1)

Interpretacja: Adaptacyjna dekompozycja na tryby własne, a następnie analiza częstotliwości chwilowej. Odpowiednia dla sygnałów nieliniowych i niestacjonarnych.

Fizjologiczne wyjaśnienie HHT:

Transformata Hilberta-Huanga łączy EMD (dekompozycję na tryby) z analizą częstotliwości chwilowej. Pozwala to śledzić, jak zmienia się w czasie częstotliwość danego rytmu.

Znaczenie fizjologiczne:

• Częstotliwość rytmu alfa nie jest stała; może „dryfować” od 8 do 13 Hz.
• HHT pokazuje te zmiany częstotliwości chwilowej.
• Jest to ważne dla zrozumienia dynamiki rytmu.

Zalety:

• Adaptacyjność: dopasowuje się do sygnału
• Nieliniowość: potrafi przetwarzać zjawiska nieliniowe
• Częstotliwość chwilowa: pokazuje zmiany częstotliwości w czasie

Kiedy stosować:

• Do analizy sygnałów niestacjonarnych (których właściwości zmieniają się w czasie)
• Do śledzenia dryfu częstotliwości rytmu
• Do analizy złożonych procesów nieliniowych

4.5. Korelacja kanałów

Gdy włączona jest opcja Korelacja kanałów:

• Dla bieżącego kanału w panelu 1 obliczany jest spektrogram.
• Dla wybranego kanału w panelu 2 obliczany jest spektrogram.
• Obliczane jest widmo wzajemne:
  P_cross = (P1 .* conj(P2)).^0.7

Interpretacja: Pokazuje synchronię składowych częstotliwościowych między dwoma kanałami.

Znaczenie fizjologiczne:

Korelacja między kanałami pokazuje, jak synchronicznie działają dwa obszary mózgu przy określonych częstotliwościach. Jeśli dwa obszary są zsynchronizowane przy danej częstotliwości, „komunikują się” ze sobą. Może to wskazywać na połączenie funkcjonalne między tymi obszarami.

Różne częstotliwości mogą wykazywać różny stopień synchronii:

• Synchronizacja w paśmie alfa: obszary razem się relaksują
• Synchronizacja w paśmie beta: obszary aktywnie współpracują (na przykład podczas rozwiązywania problemów)
• Synchronizacja w paśmie gamma: szybka komunikacja między obszarami; wiązanie informacji

Znaczenie praktyczne:

• Nieprawidłowości synchronizacji mogą wskazywać na problemy z łącznością funkcjonalną.
• Bardzo wysoka synchronizacja (>0.6) może wskazywać nie tylko na rzeczywistą łączność funkcjonalną, ale również na wspólne źródło zakłócające sygnał (szum lub artefakty).

4.6. Szeregi czasowe

Dolny wykres przedstawia oryginalny sygnał w dziedzinie czasu z takimi samymi przekształceniami (Trim, CAR, Denoise, IMF) jak spektrogram, ale bez filtrowania częstotliwościowego. Denoise służy do tłumienia artefaktów mrugania.

5.1. Cel

Ten interfejs służy do analizy mocy sygnału w pasmach częstotliwości w poszczególnych sekcjach zapisu. Ma dwa tryby:

• Moc według sekcji: tabela wartości mocy według sekcji
• Interakcje między kanałami: wykres interakcji między kanałami

Elementy sterujące wspólne dla obu trybów:

1. Przycinanie: Usuwanie odcinków artefaktów
2. CAR: Wspólne uśrednione odniesienie
3. Odszumianie: Tłumienie artefaktów mrugnięć
4. Log: Skala logarytmiczna
5. IMF: Wybór trybu EMD
6. Przycisk przeliczenia

5.2. Tryb „Moc według sekcji”

5.2.1. Sterowanie

1. Trim: usuwanie fragmentów z artefaktami
2. CAR: uśrednione odniesienie wspólne
3. Denoise: tłumienie artefaktów mrugania
4. Filter: wybór filtra częstotliwości
5. Function: funkcja agregująca (sum, mean, median, std)
6. Relative: wartości względne (procent całkowitego widma)
7. Epoch length: długość epoki do uśredniania
8. Przycisk przeliczenia
9. Wybór trybu: Moc według sekcji / Interakcje między kanałami

5.2.2. Tabela wyników

Tabela zawiera:

1. Section/filter: nazwa sekcji lub nazwa filtra
2. F8, AF4, AF3, F7, L Zygoma: moc dla każdej elektrody
3. Epoch length: długość epoki
4. Power: pole wyboru do włączania lub wyłączania sekcji

5.2.3. Metoda obliczania mocy

• Stosowane są przekształcenia: Trim, CAR, Denoise (artefakty mrugania)
• Stosowany jest filtr częstotliwości (jeśli wybrany)
• Sygnał jest przekształcany na moc:
  power = signal.^2
• Stosowane jest uśrednianie epokowe:
  power_smoothed = filtfilt(moving_average, 1, power)
• Dla każdej sekcji obliczana jest statystyka zbiorcza:
  sum: sum(power_section) / Fs (power integral)mean: mean(power_section) (mean power)median: median(power_section) (median power)std: std(power_section) (standard deviation)

5.2.4. Wartości względne

Gdy włączona jest opcja Relative:

• Dla każdego kanału obliczana jest moc całkowita (bez filtrowania).
• Moc w wybranym paśmie jest wyrażana w procentach:
  relative_power = 100 * filtered_power / total_power

Interpretacja: Procentowy udział mocy w wybranym paśmie częstotliwości w stosunku do całkowitej mocy sygnału.

Fizjologiczne wyjaśnienie mocy względnej:

Moc bezwzględna zależy od wielu czynników (jakości kontaktu, cech indywidualnych). Moc względna pokazuje, jaki udział w całkowitej aktywności mózgu ma dane pasmo częstotliwości.

• Moc względna jest bardziej stabilna i ułatwia porównywanie osób.
• Pokazuje „równowagę” między różnymi rytmami.

Przykłady:

• Alfa 50%: połowa aktywności mózgu to rytm alfa (silna relaksacja)
• Beta 30%: jedna trzecia aktywności to rytm beta (aktywne myślenie)
• Teta 10%: jedna dziesiąta aktywności to rytm teta (płytki sen lub medytacja)

Interpretacja zmian:

• Wzrost względnej alfy: przejście w kierunku relaksacji
• Wzrost względnej bety: przejście w kierunku aktywnej pracy
• Zmiana równowagi odzwierciedla zmianę stanu funkcjonalnego

5.3. Tryb „Interakcje między kanałami”

5.3.1. Cel

Wizualizacja zależności między dwoma kanałami w wybranym paśmie częstotliwości.

5.3.2. Elementy sterujące

1. Przycinanie: Usuwanie odcinków artefaktów
2. CAR: Wspólne uśrednione odniesienie
3. Odszumianie: Tłumienie artefaktów mrugnięć
4. Filtr: Wybór filtra częstotliwościowego
5. Amplituda/Moc: Amplituda lub moc
6. Długość epoki: Długość epoki
7. Wybór trybu: Moc według sekcji / Interakcje między kanałami
8. Przycisk przeliczenia
9. Elektroda Y: Kanał dla osi Y
10. Elektroda X: Kanał dla osi X

5.3.3. Metoda obliczeniowa

• Przekształcenia i filtrowanie są stosowane do każdego kanału.
• Sygnał jest przekształcany na amplitudę lub moc.
• Stosowane jest uśrednianie epok.
• Dla każdej sekcji budowany jest wykres rozrzutu:
  plot(X_channel, Y_channel)

5.3.4. Interpretacja

• Zależność liniowa: wysoka korelacja między kanałami
• Skupiska (klastry): różne sekcje mogą tworzyć odrębne skupiska
• Kształt chmury punktów: odzwierciedla rodzaj interakcji (synchroniczna, asynchroniczna, opóźniona)

5.4. Wykresy pasm częstotliwości

Po lewej stronie interfejsu wyświetlane są wykresy mocy dla czterech kanałów EEG (F7, AF3, AF4, F8) dla wszystkich sekcji.

Metoda:

• Dla każdej sekcji obliczana jest FFT.
• Konstruowane jest widmo mocy:
  P = abs(FFT(signal)) / length(signal)
• Stosowane jest wygładzanie.
• Wyświetlane jest widmo od 0 do 100 Hz.

Kolory: każda sekcja ma własny kolor dla łatwiejszego rozróżnienia wizualnego.

6.1. Przeznaczenie

Ten interfejs służy do analizy koherencji między parami elektrod EEG. Koherencja pokazuje stopień synchronizacji składowych częstotliwościowych między dwoma kanałami.

6.2. Sterowanie

1. Trim: usuwanie fragmentów z artefaktami
2. Type: RAW / Filtered (surowy / filtrowany)
3. CAR: wspólne uśrednione odniesienie (common average reference)
4. Denoise: tłumienie artefaktów mrugnięcia
5. IMF: wybór trybu EMD
6. df: rozdzielczość częstotliwościowa (0.0, 0.2, 0.4, 0.6, 0.8, 1.0 Hz)
7. Norm: normalizacja koherencji
8. Przycisk przeliczania

6.3. Metoda obliczania koherencji

Wzór: wykorzystywana jest funkcja mscohere (kwadrat koherencji):
[Cxy, F] = mscohere(signal1, signal2, [], [], frequencies, Fs)

Parametry:

• signal1, signal2: sygnały z dwóch elektrod po przetworzeniu
• frequencies: wektor częstotliwości do obliczeń (od df do 50 Hz z krokiem df)
• Fs: częstotliwość próbkowania

Definicja matematyczna:
Cxy(f) = |Pxy(f)|^2 / (Pxx(f) * Pyy(f))

gdzie:

• Pxy(f): gęstość widmowa mocy wzajemnej
• Pxx(f), Pyy(f): gęstości widmowe mocy własnej

Zakres wartości:

• 0 ≤ Cxy ≤ 1
• 0: całkowity brak koherencji
• 1: pełna koherencja

6.4. Wyświetlanie

Interfejs zawiera siatkę 16 wykresów (4 × 4), w której każda komórka odpowiada parze elektrod:

• F8–AF4, F8–AF3, F8–F7
• AF4–AF3, AF4–F7
• AF3–F7

Dla każdej pary wyświetlane są krzywe koherencji dla wszystkich sekcji, przy czym każda sekcja ma swój własny kolor.

1. Sterowanie:
2. Power: pole wyboru do włączania lub wyłączania sekcji

6.5. Interpretacja

Fizjologiczne wyjaśnienie koherencji:

Koherencja mierzy, jak synchronicznie działają dwa obszary mózgu przy danej częstotliwości.

Wysoka koherencja (bliska 1):

• Synchroniczna aktywność między kanałami
• Funkcjonalne połączenie między obszarami mózgu
• Możliwa synchronizacja zespołów neuronalnych
• Możliwe wspólne źródło szumu (zakłócenia, artefakty mięśniowe)

Niska koherencja (bliska 0):

• Niezależna aktywność kanałów
• Brak połączenia funkcjonalnego

Specyfika częstotliwościowa:

• Koherencja może być wysoka w niektórych zakresach częstotliwości, a niska w innych.
• Odzwierciedla to połączenia funkcjonalne specyficzne dla danej częstotliwości.

Zależności specyficzne dla częstotliwości:

• Koherencja alfa (8–13 Hz): związana z relaksacją i synchronią spoczynkową
• Koherencja beta (13–30 Hz): związana z aktywnym przetwarzaniem informacji i zadaniami poznawczymi
• Koherencja gamma (30–100 Hz): związana z wiązaniem informacji i percepcją

Znaczenie praktyczne:

• Zmiany koherencji odzwierciedlają zmiany funkcjonalnych sieci mózgowych.
• Wysoka koherencja w odpowiednich zakresach jest oznaką sprawnego funkcjonowania mózgu.

6.6. Zastosowanie w badaniach naukowych

• Analiza funkcjonalnej łączności mózgu
• Badanie synchronizacji między obszarami mózgu
• Diagnostyka zaburzeń łączności
• Monitorowanie zmian łączności w czasie

7.1. Cel

Ten interfejs służy do analizy stanu emocjonalnego na podstawie sygnałów EEG. Wykorzystuje model walencji i pobudzenia (Valence–Arousal).

7.2. Struktura interfejsu

Interfejs jest podzielony na dwa panele:

• Local EMOTION: szeregi czasowe walencji i pobudzenia
• Integral EMOTION: zintegrowana mapa emocji (wykres rozrzutu)

7.3. Sterowanie

7.3.1. Przetwarzanie sygnału

1. Przycinanie: usunięcie fragmentów z artefaktami
2. CAR: przetwarzanie ze wspólnym odniesieniem
3. Odszumianie: tłumienie artefaktów mrugnięć
4. Elektroda 1: pierwsza elektroda (domyślnie: AF3)
5. Filtr 1: filtr częstotliwościowy dla pierwszej elektrody (domyślnie: Alfa 8–13 Hz)
6. Elektroda 2: druga elektroda (domyślnie: AF4)
7. Filtr 2: filtr częstotliwościowy dla drugiej elektrody (domyślnie: Beta 13–30 Hz)
8. Okno, s: długość okna do obliczania mocy (domyślnie: 8 sekund)
9. Przycisk przeliczenia

7.4. Metoda obliczania emocji

7.4.1. Obliczanie mocy

Dla każdej elektrody i pasma częstotliwości:

• Stosowane jest filtrowanie w wybranym paśmie.
• Moc jest obliczana w oknie przesuwnym:
  window_samples = window_seconds * Fsfor i = 1:(length(signal) - window_samples) power(i) = 1 + log10(sum(signal(i:i+window_samples-1).^2) / window_samples)end

Wzór na moc:
power = 1 + log10(mean(signal_window.^2))

7.4.2. Pobudzenie (Arousal)

Wzór:
Arousal = (Electrode1_beta + Electrode2_beta) / (Electrode1_alpha + Electrode2_alpha)

Uzasadnienie teoretyczne: Stosunek beta/alfa odzwierciedla poziom aktywacji kory mózgowej. Aktywność beta wiąże się z aktywnym myśleniem i stresem, natomiast aktywność alfa — z odprężeniem.

Fizjologiczne wyjaśnienie pobudzenia:

Pobudzenie (arousal) to ogólny poziom aktywacji układu nerwowego, mieszczący się w zakresie od głębokiego snu do silnego stresu.

Neurofizjologia pobudzenia:

Niskie pobudzenie: dominuje rytm alfa (8–13 Hz)

• zrelaksowane czuwanie
• zamknięte oczy
• medytacja
• stan spokoju

Średnie pobudzenie: aktywność mieszana

• otwarte oczy
• normalna aktywność
• równowaga alfa/beta

Wysokie pobudzenie: dominuje rytm beta (13–30 Hz)

• aktywne myślenie
• rozwiązywanie problemów
• stres
• lęk
• aktywność fizyczna

Interpretacja:

• Niskie wartości (<0,5): niskie pobudzenie, odprężenie, możliwa senność
• Średnie wartości (0,5–1,5): prawidłowe pobudzenie, czuwanie
• Wysokie wartości (>1,5): wysokie pobudzenie, stres, aktywna praca umysłowa

Znaczenie kliniczne:

• Utrzymujące się wysokie pobudzenie może wskazywać na przewlekły stres lub lęk.
• Bardzo niskie pobudzenie może wskazywać na depresję, zmęczenie lub senność.
• Optymalne pobudzenie zależy od zadania (niskie dla odpoczynku, średnie do wysokiego dla pracy).

7.4.3. Walencja (Valence)

Wzór:
Valence = (Electrode2_alpha / Electrode2_beta) - (Electrode1_alpha / Electrode1_beta)

Uzasadnienie teoretyczne: Asymetria alfa/beta między lewą a prawą półkulą odzwierciedla walencję emocjonalną. Lewa półkula (AF3) wiąże się z emocjami pozytywnymi; prawa półkula (AF4) — z emocjami negatywnymi.

Fizjologiczne wyjaśnienie walencji:

Walencja to ocena emocji jako przyjemnej lub nieprzyjemnej. Badania pokazują, że lewa i prawa półkula przetwarzają emocje w odmienny sposób.

Teoria asymetrii półkulowej (Davidson, 1992):

Lewa półkula (AF3):

• przetwarzanie emocji pozytywnych
• zachowania zbliżeniowe
• aktywność, entuzjazm
• wysokie alfa = niska aktywacja = stan odprężenia o pozytywnym zabarwieniu emocjonalnym

Prawa półkula (AF4):

• przetwarzanie emocji negatywnych
• zachowania wycofania
• ostrożność, lęk
• wysokie alfa = niska aktywacja = odprężenie, ale z możliwą negatywną walencją

Interpretacja:

Wartości dodatnie:

• prawa półkula jest bardziej zrelaksowana (wysokie alfa/beta)
• lewa półkula jest bardziej aktywna (niskie alfa/beta)
• emocje pozytywne, przyjemność, radość

Wartości ujemne:

• lewa półkula jest bardziej zrelaksowana
• prawa półkula jest bardziej aktywna
• emocje negatywne, smutek, lęk, dyskomfort

Blisko zera: emocje neutralne, równowaga

Ważne do zrozumienia:

• Aktywność alfa jest odwrotnie proporcjonalna do aktywacji korowej.
• Wysokie alfa/beta = niska aktywacja korowa w danej półkuli.
• Niskie alfa/beta = wysoka aktywacja korowa w danej półkuli.

Znaczenie praktyczne:

• Dodatnia walencja podczas odprężenia to dobry znak.
• Zmiany walencji odzwierciedlają reakcje emocjonalne na bodźce.

7.4.4. Obsługa wartości odstających

Wartości są przycinane na poziomie 95. percentyla, aby usunąć wartości odstające wywołane artefaktami:
quantile_arousal = quantile(abs(arousal), 0.95)arousal(abs(arousal) > quantile_arousal) = sign(arousal) * quantile_arousal

To samo wykonuje się dla walencji.

7.5. Wyświetlanie

7.5.1. EMOTION – widok lokalny

Dwa wykresy:

• Arousal (pobudzenie): szereg czasowy pobudzenia (zielona linia)
• Valence (walencja): szereg czasowy walencji (zielona linia)

Oba wykresy są zsynchronizowane w czasie i zawierają znaczniki odcinków.

7.5.2. EMOTION – widok zintegrowany

Wykres rozrzutu:

• Oś X: Valence (walencja)
• Oś Y: Arousal (pobudzenie)
• Punkty: każdy punkt odpowiada jednej chwili w czasie
• Kolory: różne odcinki mają różne kolory
• Duże punkty: wartości mediany dla każdego odcinka

Kwadranty emocji:

• Prawy górny (wysoka walencja, wysokie pobudzenie): radość, entuzjazm
• Lewy górny (niska walencja, wysokie pobudzenie): lęk, złość
• Lewy dolny (niska walencja, niskie pobudzenie): smutek, depresja
• Prawy dolny (wysoka walencja, niskie pobudzenie): spokój, satysfakcja

Fizjologiczne wyjaśnienie kwadrantów emocji:

Kwadrant prawy górny (wysoka walencja + wysokie pobudzenie):

• Emocje: radość, entuzjazm, podekscytowanie, zachwyt
• Fizjologia:
  • aktywacja lewej półkuli (emocje pozytywne)
  • wysoka aktywność fal beta (aktywne myślenie)
  • zwiększona aktywność współczulna, ale w pozytywnym kontekście
  • uwalnianie dopaminy i endorfin
• Zachowanie: aktywność, zachowanie ukierunkowane na cel, pozytywna motywacja

Kwadrant lewy górny (niska walencja + wysokie pobudzenie):

• Emocje: lęk, złość, strach, panika
• Fizjologia:
  • aktywacja prawej półkuli (emocje negatywne)
  • wysoka aktywność fal beta (stres, napięcie)
  • wysoka aktywność współczulna (reakcja „walcz lub uciekaj”)
  • uwalnianie kortyzolu i adrenaliny
• Zachowanie: unikanie, obrona, agresja

Kwadrant lewy dolny (niska walencja + niskie pobudzenie):

• Emocje: smutek, depresja, apatia, przygnębienie
• Fizjologia:
  • aktywacja prawej półkuli (emocje negatywne)
  • niska aktywność fal beta (obniżona aktywacja poznawcza)
  • wysoka aktywność fal alfa, ale w negatywnym kontekście
  • obniżona aktywność współczulna
  • możliwe zaburzenia równowagi neuroprzekaźników (serotonina, dopamina)
• Zachowanie: bierność, unikanie, obniżona motywacja

Kwadrant prawy dolny (wysoka walencja + niskie pobudzenie):

• Emocje: spokój, satysfakcja, relaks, wyciszenie
• Fizjologia:
  • aktywacja lewej półkuli (emocje pozytywne)
  • wysoka aktywność fal alfa (relaksacja)
  • niska aktywność fal beta (brak stresu)
  • wysoka aktywność przywspółczulna
  • zrównoważony autonomiczny układ nerwowy
• Zachowanie: odpoczynek, regeneracja, pozytywny relaks

Ważne:

Kwadranty mają charakter umowny i pokazują nie bezwzględne emocje, lecz zmiany emocji:

• od lewej do prawej: od mniej pozytywnych do bardziej pozytywnych (lub mniej negatywnych)
• od dołu do góry: od słabszych do silniejszych

Dynamika emocji:

• Emocje nie są statyczne; punkty mogą przemieszczać się między kwadrantami.
• Przejścia odzwierciedlają zmiany stanu emocjonalnego.
• Zdrowa osoba może znajdować się w różnych kwadrantach w zależności od sytuacji.
• Problem może występować, jeśli dana osoba stale pozostaje w jednym kwadrancie, zwłaszcza negatywnym.

7.6. Wybór sekcji

Pola wyboru po prawej stronie wykresu rozrzutu umożliwiają włączanie i wyłączanie sekcji z widoku. Jest to przydatne przy porównywaniu stanów emocjonalnych w różnych warunkach.

8.1. Przeznaczenie

Ten interfejs służy do kompleksowej analizy zmienności rytmu serca (HRV) na podstawie sygnału EKG.

8.2. Struktura interfejsu

Interfejs zawiera:

1. Panel górny: wizualizacja pulsu i odstępów RR
2. Panel środkowy lewy: tabela parametrów HRV
3. Panel środkowy centralny: tachogram RR i widmo
4. Panel środkowy prawy: wykres Poincarégo (mapa powrotów lokalnych)
5. Panel dolny: segmentowa analiza HRV

8.3. Sterowanie

8.3.1. Ustawienia ogólne

1. Sektor: wybór sekcji do analizy (cały sygnał lub konkretna sekcja)
2. Oblicz parametry HRV: przycisk przeliczający metryki HRV dla odcinka EKG wybranego w polu Sektor
3. Zapisz RR: zapis odstępów RR do pliku CSV
4. disp cardio signal: wyświetlenie oryginalnego sygnału EKG
5. Wiek, waga, wzrost, płeć: dane antropometryczne (wykorzystywane do normalizacji)

6. Sektor: wybór sekcji do analizy (AllRecord lub konkretna sekcja)
7. Zapisz HRV: zapis parametrów HRV dla poszczególnych sekcji do pliku CSV
8. Typ FFT: FFT lub Kąty (kąty na wykresie Poincarego)

Przesunięcie RR: przesunięcie dla wykresu Poincarego (1–15 odstępów)

Okno uśredniania: okno uśredniania dla analizy segmentowej (10–100 odstępów)

8.4. Wyodrębnianie odstępów RR

8.4.1. Metoda wykrywania załamków R

Wykorzystywana jest funkcja, która:

• Stosuje wstępne filtrowanie sygnału EKG
• Wykorzystuje próg adaptacyjny do wykrywania załamków
• Oblicza odstępy RR:
  RR(i) = time(R_peak(i+1)) – time(R_peak(i))
• Filtruje artefakty (ekstrasystolie, pominięte uderzenia)

8.4.2. Wizualizacja tętna

Górny wykres pokazuje:

• Szare punkty: wszystkie wykryte uderzenia
• Niebieskie punkty: prawidłowe odstępy RR
• Czerwone punkty: ekstrasystolie (oznaczone do wykluczenia)

8.5. Parametry HRV

8.5.1. Parametry w dziedzinie czasu

HR (tętno):
HR = 60 / mean(RR) [bpm]

SDNN (odchylenie standardowe odstępów NN):
SDNN = std(RR) [s]

Interpretacja: ogólna zmienność rytmu serca.

RMSSD (pierwiastek średniej kwadratów kolejnych różnic):
RMSSD = sqrt(mean(diff(RR).^2)) [s]

Interpretacja: aktywność przywspółczulna (wpływ nerwu błędnego).

pNN50:
pNN50 = 100 * sum(abs(diff(RR)) > 0.05) / (length(RR) - 1) [%]

Interpretacja: procent różnic między odstępami większych niż 50 ms. Wysokie wartości = wysoka zmienność.

8.5.2. Parametry wykresu Poincarego

SD1 i SD2:

• Konstruowany jest wykres Poincarego:
  plot(RR(1:end-1), RR(2:end))
• Obliczane są korelacja i kąt obrotu.
• Współrzędne są obracane tak, aby dopasować się do osi głównych.
• SD1: odchylenie standardowe wzdłuż osi krótkiej (zmienność krótkoterminowa)
• SD2: odchylenie standardowe wzdłuż osi długiej (zmienność długoterminowa)

Wzory:
SD1 = std(perpendicular_axis)SD2 = std(major_axis)SD1/SD2 ratio = SD1 / SD2

Interpretacja:

• SD1: aktywność przywspółczulna
• SD2: aktywność współczulna i przywspółczulna
• SD1/SD2: równowaga autonomicznego układu nerwowego

8.5.3. Parametry w dziedzinie częstotliwości

Metoda: analiza widmowa FFT tachogramu RR.

Procedura:

• Odstępy RR są interpolowane na równomiernej siatce (interpolacja sklejana).
• Obliczana jest FFT:
  Y = fft(zscore(RR_interpolated))
• Obliczana jest widmowa gęstość mocy.

• Moc jest całkowana w następujących zakresach:

• VLF (bardzo niska częstotliwość): 0–0,04 Hz

• LF (niska częstotliwość): 0,04–0,15 Hz
• HF (wysoka częstotliwość): 0,15–0,4 Hz

Parametry:
LF_nu = LF / (LF + HF) * 100 [%]HF_nu = HF / (LF + HF) * 100 [%]LF/HF ratio = LF / HF

Interpretacja:

• LF: aktywność współczulna i przywspółczulna (barorefleks)
• HF: aktywność przywspółczulna (arytmia oddechowa)
• LF/HF: równowaga układu współczulnego i przywspółczulnego

Fizjologiczne wyjaśnienie składowych częstotliwościowych HRV:

VLF (bardzo niska częstotliwość, 0–0,04 Hz):

• Fizjologia: bardzo wolne oscylacje związane z termoregulacją i cyklami hormonalnymi
• Kontrola: głównie czynniki humoralne; mniej bezpośrednio związane z autonomicznym układem nerwowym
• Znaczenie kliniczne: słabiej zbadane; często wyłączane z analizy

LF (niska częstotliwość, 0,04–0,15 Hz):

Fizjologia: związana z barorefleksem, mechanizmem regulacji ciśnienia krwi

Kontrola: mieszana — zarówno układ współczulny, jak i przywspółczulny

Mechanizm:

• Gdy zmienia się ciśnienie krwi, baroreceptory wysyłają sygnały.
• Autonomiczny układ nerwowy dostosowuje tętno.
• Powstają wolne oscylacje (około 0,1 Hz, okres ok. 10 sekund).

Interpretacja:

• Wysokie LF może wskazywać na aktywację (współczulną + przywspółczulną)
• Niskie LF może wskazywać na osłabioną regulację

HF (wysoka częstotliwość, 0,15–0,4 Hz):

Fizjologia: związana z arytmią oddechową

Kontrola: przeważnie przywspółczulna (nerw błędny)

Mechanizm:

• Podczas wdechu: aktywność przywspółczulna maleje → tętno rośnie
• Podczas wydechu: aktywność przywspółczulna rośnie → tętno maleje
• Powstają szybkie oscylacje zsynchronizowane z oddychaniem

Interpretacja:

• Wysokie HF = dobra aktywność przywspółczulna = relaksacja, regeneracja
• Niskie HF = obniżona aktywność przywspółczulna = stres, zmęczenie

Stosunek LF/HF:

Fizjologia: równowaga między układem współczulnym i przywspółczulnym

Interpretacja:

• Wysoki LF/HF (>2): przewaga aktywności współczulnej, stres, aktywacja
• Niski LF/HF (<1): przewaga aktywności przywspółczulnej, relaksacja, odpoczynek
• Prawidłowy LF/HF (1–2): stan zrównoważony

Jednostki znormalizowane (nu):

• LF_nu i HF_nu wyrażają procentowy udział w mocy całkowitej z wyłączeniem VLF.
• Pozwala to porównywać osoby między sobą przez wyeliminowanie wpływu mocy całkowitej.
• LF_nu + HF_nu = 100%

Znaczenie kliniczne:

• Obniżone HF i podwyższone LF/HF to markery stresu i zmęczenia.
• Sportowcy w spoczynku często wykazują wysokie HF i niskie LF/HF.
• Przy przewlekłym stresie LF/HF utrzymuje się na podwyższonym poziomie.
• Regeneracji po wysiłku towarzyszy wzrost HF.

8.5.4. Grupa funkcjonalna

Interpretacja: Stan funkcjonalny autonomicznego układu nerwowego.

Fizjologiczne wyjaśnienie grupy funkcjonalnej:

Grupa funkcjonalna to kompleksowa ocena stanu autonomicznego układu nerwowego, oparta na normalizacji parametrów HRV względem norm dla wieku i płci.

Jak to działa:

• Każda osoba ma „prawidłowe” wartości SD1, SD2 i HR, zależne od wieku i płci.
• Rzeczywiste wartości są porównywane z tymi normami (wskaźniki z, z-score).
• Kombinacja wskaźników z determinuje grupę funkcjonalną.

Zobacz dokument *Klasyfikacja grup funkcjonalnych*.

8.5.5. Parametry dodatkowe

Relaksacja:
Relaxation = 1e6 * SD1 * SD2 / HR [ms²/beat]

Interpretacja: zintegrowany wskaźnik relaksacji.

Mediana rrHRV:
Mediana odległości od punktu centralnego na mapie względnych odstępów RR.

Punkt dodatkowy:
Dodatkowy wynik w grupie funkcjonalnej (0–100).

8.6. Wizualizacja

8.6.1. Tachogram RR

Wykres odstępów RR w czasie:

• Niebieska linia: odstępy RR
• Szare punkty: lokalne minima (cykle oddechowe)
• Zielona linia: moc sygnału (przeskalowana)
• Szare linie pionowe: znaczniki sekcji

8.6.2. Widmo tachogramu RR

Widmo FFT interpolowanego sygnału RR:

• Oś X: częstotliwość (0–0,5 Hz)
• Oś Y: amplituda widmowa
• Zaznaczone są zakresy LF (0,04–0,15 Hz) i HF (0,15–0,4 Hz)
• Wyświetlane są LF%, HF% oraz stosunek LF/HF

8.6.3. Wykres Poincarégo (lokalna mapa powrotów)

Wykres punktowy RR(i) względem RR(i-1) lub RR(i-shift):

• Każdy punkt: para kolejnych odstępów RR
• Kolory: różne sekcje
• Elipsy: 2SD1 i 2SD2 dla każdej sekcji

1. Shift RR: przesunięcie dla wykresu Poincarégo (1–15 odstępów)
2. Pola wyboru do włączania lub wyłączania sekcji

Fizjologiczne wyjaśnienie wykresu Poincarégo:

Wykres Poincarégo (mapa powrotów) to graficzny sposób wizualizacji zmienności rytmu serca, pokazujący wzorce zmian odstępów RR.

Jak odczytywać wykres:

• Każdy punkt = para kolejnych odstępów RR
• Oś X: RR(i-1), poprzedni odstęp
• Oś Y: RR(i), bieżący odstęp
• Gdyby serce biło jak metronom, wszystkie punkty znajdowałyby się w jednym miejscu.

Typowe kształty:

Kształt okrągły/owalny (zdrowe serce):

• wysoka zmienność
• dobra zdolność adaptacyjna
• zdrowy stan autonomicznego układu nerwowego
• SD1 i SD2 są w przybliżeniu równe

Kształt wydłużony wzdłuż przekątnej:

• niska zmienność krótkoterminowa (małe SD1)
• utrzymują się trendy długoterminowe (większe SD2)
• możliwy stres lub zmęczenie
• niski stosunek SD1/SD2

Zwarta chmura punktów:

• ogólnie niska zmienność
• bardzo regularne bicie serca
• możliwe problemy zdrowotne
• zarówno SD1, jak i SD2 są małe

Przesunięty środek:

• zmiana średniego RR
• przejście między stanami (odpoczynek → obciążenie)
• reakcja na bodziec

Fizjologiczne znaczenie SD1 i SD2:

• SD1 (oś mniejsza):
  • zmienność krótkoterminowa
  • zmiany od uderzenia do uderzenia
  • przede wszystkim aktywność przywspółczulna
  • związana z arytmią oddechową
• SD2 (oś większa):
  • zmienność długoterminowa
  • trendy i powolne zmiany
  • aktywność współczulna + przywspółczulna
  • związana z barorefleksem i innymi powolnymi procesami regulacyjnymi

Znaczenie kliniczne:

• Osoby zdrowe: okrągła lub owalna chmura, SD1/SD2 ≈ 0,3–0,5
• Stres: chmura wydłuża się, SD1 maleje
• Starzenie się: chmura staje się bardziej zwarta, oba SD maleją
• Patologia: bardzo zwarta chmura lub nietypowy kształt

8.6.4. Segmentowa analiza HRV

Wykres przedstawia dynamikę parametrów HRV w czasie:

• HR: tętno
• FuncGroup: grupa funkcjonalna (×10)
• ExtraPoint: dodatkowy wynik (×100)
• z(HR): z-score pulsu
• z(SD1): z-score SD1
• z(SD2): z-score SD2
• RMSSD: RMSSD
• Relaxation: Relaksacja
• Concentration: Koncentracja (na podstawie EEG)
• Breath: częstość oddechu

Wszystkie parametry są obliczane w oknie kroczącym z 75% nakładaniem.

1. Pola wyboru do włączania lub wyłączania parametrów HRV
2. Average Window: Okno uśredniania dla analizy segmentowej (10–100 odstępów)
3. Save continuously HRV: Zapis ciągłych parametrów HRV w czasie

8.7. Eksport danych

• Zapisz HRV: Zapisuje parametry HRV dla poszczególnych sekcji do pliku CSV
• Zapisz RR: Zapisuje odstępy RR do pliku CSV
• Zapisuj HRV w sposób ciągły: Zapisuje parametry HRV w sposób ciągły w czasie

Podsumowanie

CleverPoint View oferuje kompleksowy zestaw narzędzi do analizy sygnałów fizjologicznych, z dokładną kontrolą nad każdym etapem przetwarzania. Zrozumienie działania każdej transformacji pomaga badaczom:

• Poprawnie interpretować wyniki: Znajomość matematycznych podstaw metod pomaga uniknąć błędnych wniosków.
• Dobierać optymalne parametry: Zrozumienie wpływu każdego parametru na wynik pozwala dostosować analizę do konkretnego zadania.
• Weryfikować wyniki: Znajomość ograniczeń metod pomaga ocenić wiarygodność wyników.
• Publikować wyniki: Szczegółowy opis metod przetwarzania jest wymagany w publikacjach naukowych.

9.1. Zalecenia dotyczące użytkowania

• Zawsze dokumentuj parametry przetwarzania: zapisuj wszystkie użyte ustawienia (Przycinanie, CAR, Odszumianie, filtry itd.), łącznie z notatką dotyczącą artefaktów mrugnięć.
• Sprawdzaj jakość danych: użyj interfejsu Dziedzina czasu, aby wzrokowo ocenić sygnały przed analizą.
• Porównuj różne metody: skorzystaj z opcji nakładania dwóch ścieżek przetwarzania.
• Uwzględniaj dane antropometryczne: przy analizie HRV zawsze podawaj wiek, płeć, wzrost i wagę.
• Weryfikuj wyniki: porównuj wyniki z danymi z literatury i znanymi normami.

9.2. Dodatkowe zasoby

• Oficjalna strona: cleverpoint.pro
• Wersja aplikacji: 2.15
• Obsługiwane formaty: CSV z metadanymi sekcji

Uwaga: Ten podręcznik dotyczy wersji 2.15 aplikacji CleverPoint View Data. Wszystkie opisane metody i wzory odpowiadają implementacji w kodzie aplikacji.

9.3. Przewodnik dla początkujących

Jeśli dopiero zaczynasz przygodę z elektrofizjologią, zalecamy następującą kolejność nauki:

1. Zacznij od podstaw (Sekcja 0):

• Dowiedz się, czym są EEG, EKG i EMG.
• Zrozum znaczenie zakresów częstotliwości (alfa, beta, theta, gamma).
• Poznaj autonomiczny układ nerwowy i HRV.

2. Poznaj przetwarzanie sygnału (Sekcja 1):

• Zrozum, po co potrzebna jest każda operacja (Trim, CAR, Denoise itd.), szczególnie Denoise w kontekście mrugnięć.
• Zacznij od prostych operacji (Trim, Filter).
• Stopniowo dodawaj bardziej złożone operacje (CAR, Denoise, EMD), gdzie Denoise odpowiada za artefakty mrugnięć.

3. Poćwicz pracę z interfejsami:

• Time domain: zacznij tutaj — wizualizacja sygnału pomoże Ci zrozumieć, co się dzieje.
• Summary: użyj go, aby uzyskać przegląd — zobaczysz od razu wszystkie parametry.
• Frequency domain: przeanalizuj spektrogramy — zrozumiesz wzorce częstotliwościowe.
• Cardio domain: przeanalizuj HRV — ważny wskaźnik stanu zdrowia.
• Emotional state: przeanalizuj emocje — interesujące zastosowanie EEG.

4. Interpretuj wyniki:

• Zawsze uwzględniaj fizjologiczne znaczenie parametrów.
• Porównuj z wartościami prawidłowymi (normami).
• Bierz pod uwagę kontekst (spoczynek a obciążenie).
• Nie spiesz się z wnioskami — jeden parametr nie daje pełnego obrazu.

5. Zapoznaj się z literaturą:

• Czytaj prace naukowe z zakresu psychofizjologii.
• Poznaj prawidłowe (normatywne) wartości parametrów.
• Zrozum ograniczenia stosowanych metod.

Warto pamiętać:

• Elektrofizjologia to złożona dziedzina nauki, której opanowanie wymaga czasu.
• Nie wszystkie parametry można zawsze interpretować jednoznacznie.
• Kontekst ma ogromne znaczenie — te same wartości mogą oznaczać coś innego w różnych sytuacjach.
• Zawsze krytycznie oceniaj wyniki i porównuj je z danymi z literatury.