প্রি-প্রসেসিং কেন গুরুত্বপূর্ণ

EEG নিউরাল এবং নন-নিউরাল উভয় ধরনের বৈদ্যুতিক কার্যকলাপের প্রতি অত্যন্ত সংবেদনশীল। যদিও সতর্কতামূলক পরীক্ষামূলক ডিজাইন এবং ডেটা সংগ্রহ অনেক ধরনের নয়েজের উৎসকে কমিয়ে দেয়, তবুও কিছু মাত্রায় আর্টিফ্যাক্ট দূষণ এড়ানো অসম্ভব। প্রি-প্রসেসিং গবেষকদের পরবর্তী বিশ্লেষণের ধারাবাহিকতা উন্নত করার পাশাপাশি অবাঞ্ছিত সংকেত থেকে অর্থপূর্ণ মস্তিষ্কের কার্যকলাপকে আলাদা করতে সাহায্য করে।[1]

গুরুত্বপূর্ণভাবে, প্রি-প্রসেসিংকে নিম্নমানের রেকর্ডিং মেরামত করার উপায় হিসাবে দেখা উচিত নয়। বরং, এটি সঠিক পরীক্ষামূলক অনুশীলনের মাধ্যমে সংগৃহীত উচ্চ-মানের ডেটা পরিশোধনের একটি সুগঠিত প্রক্রিয়া। প্রি-প্রসেসিংয়ের সময় নেওয়া সিদ্ধান্তগুলো বিশ্লেষণের প্রতিটি পরবর্তী পর্যায়কে প্রভাবিত করে, যা স্বচ্ছতা এবং ধারাবাহিকতাকে অপরিহার্য করে তোলে।

একটি প্রি-প্রসেসিং পাইপলাইন তৈরি করা

প্রি-প্রসেসিং সাধারণত বিচ্ছিন্ন পদ্ধতির পরিবর্তে একের পর এক ধারাবাহিক পদক্ষেপ হিসেবে সম্পন্ন করা হয়। যদিও গবেষণার প্রশ্ন এবং বিশ্লেষণাত্মক পদ্ধতির উপর ভিত্তি করে ব্যক্তিগত কাজের ধারা পরিবর্তিত হয়, তবুও একটি ধারাবাহিক পাইপলাইন স্থাপন করা নিশ্চিত করতে সাহায্য করে যে প্রতিটি অংশগ্রহণকারীর ডেটা একই উপায়ে প্রসেস করা হচ্ছে।

গবেষকদের যথাসম্ভব আনুষ্ঠানিক বিশ্লেষণ শুরু করার আগেই তাদের প্রি-প্রসেসিং কৌশল নির্ধারণ করা উচিত। কাজের ধারা আগে থেকে নির্ধারণ করা ফলাফল পর্যালোচনার পর প্রসেসিংয়ের সিদ্ধান্ত নিয়ে পক্ষপাতিত্ব সৃষ্টির ঝুঁকি কমিয়ে দেয়।[1]

যেহেতু কোনো একক প্রি-প্রসেসিং পাইপলাইন প্রতিটি স্টাডির জন্য উপযুক্ত নয়, তাই কাজের ধারাগুলো প্রতিষ্ঠিত লিটারেচার, পরীক্ষামূলক ডিজাইন, রেকর্ডিং পদ্ধতি এবং বৈজ্ঞানিক উদ্দেশ্য দ্বারা পরিচালিত হওয়া উচিত।

EEG সিগন্যাল ফিল্টার করা

ফিল্টারিং প্রায়শই প্রথমদিকের প্রি-প্রসেসিং পদক্ষেপগুলোর মধ্যে একটি। ফিল্টারগুলো গবেষণার প্রশ্নের সাথে প্রাসঙ্গিক নিউরাল কার্যকলাপ সংরক্ষণ করার সময় অবাঞ্ছিত ফ্রিকোয়েন্সি উপাদানগুলোকে হ্রাস করে।

হাই-পাস ফিল্টার ধীর সিগন্যাল ড্রিফ্ট কমাতে পারে, যখন লো-পাস ফিল্টার উচ্চ-ফ্রিকোয়েন্সি নয়েজ দমন করতে সাহায্য করে। কিছু স্টাডি উপযুক্ত ক্ষেত্রে পাওয়ার সিস্টেম থেকে আসা বৈদ্যুতিক হস্তক্ষেপ কমাতে নচ ফিল্টারও প্রয়োগ করে।[1],[5]

ফিল্টার নির্বাচন অত্যন্ত সতর্কতার সাথে করা উচিত। অতিরিক্ত ফিল্টারিং নিউরাল সিগন্যালকে বিকৃত করতে পারে বা ইভেন্ট-সম্পর্কিত প্রতিক্রিয়ার সময় এবং বিস্তারকে পরিবর্তন করতে পারে। গবেষকদের এমন ফিল্টার সেটিংস বেছে নেওয়া উচিত যা অপ্রয়োজনীয় সিগন্যাল পরিবর্তন এড়িয়ে কাঙ্ক্ষিত বিশ্লেষণকে সমর্থন করে।

আর্টিফ্যাক্ট সনাক্তকরণ এবং পরিচালনা

সতর্কতার সাথে ডেটা সংগ্রহের পরেও, কিছু রেকর্ডিংয়ে আর্টিফ্যাক্ট থাকবে যা প্রি-প্রসেসিংয়ের সময় মনোযোগ দেওয়ার দাবি রাখে।

গবেষকরা সাধারণত অতিরিক্ত নয়েজ, অস্থির চ্যানেল বা রেকর্ডিংয়ের বাধাগুলো সনাক্ত করতে রেকর্ডিংগুলো চাক্ষুষভাবে পরিদর্শন করার মাধ্যমে শুরু করেন। স্বয়ংক্রিয় গুণমান মূল্যায়ন সরঞ্জামগুলো আর্টিফ্যাক্ট সনাক্তকরণে সহায়তা করতে পারে, তবে ম্যানুয়াল পর্যালোচনা অনেক প্রি-প্রসেসিং কাজের ধারার একটি গুরুত্বপূর্ণ অংশ হিসেবে রয়ে গেছে।[3]

দূষণের প্রকৃতির উপর নির্ভর করে, গবেষকরা নির্দিষ্ট ট্রায়ালগুলো সরিয়ে ফেলতে পারেন, নয়েজ থাকা চ্যানেলগুলো প্রত্যাখ্যান করতে পারেন, বিচ্ছিন্ন ইলেকট্রোডগুলো ইন্টারপোলেট করতে পারেন বা আর্টিফ্যাক্ট সংশোধনের কৌশলগুলো প্রয়োগ করতে পারেন। এই সিদ্ধান্তগুলো বিশ্লেষণ শুরু হওয়ার আগে প্রতিষ্ঠিত পূর্বনির্ধারিত গুণমানের মানদণ্ড অনুসরণ করা উচিত।

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালিসিস

মিশ্র বৈদ্যুতিক সংকেতগুলোকে পরিসংখ্যানগতভাবে স্বাধীন উপাদানগুলোতে পৃথক করার জন্য ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালিসিস (ICA) অন্যতম বহুল ব্যবহৃত কৌশল। রেকর্ড করা EEG-কে অন্তর্নিহিত সিগন্যাল উৎসে বিভক্ত করে, ICA গবেষকদের চোখের পলক, চোখের নড়াচড়া, পেশীর কার্যকলাপ বা অন্যান্য নন-নিউরাল আর্টিফ্যাক্টগুলোর সাথে সম্পর্কিত উপাদানগুলো সনাক্ত করতে সহায়তা করতে পারে।[4]

একবার সনাক্ত করা হলে, EEG সিগন্যাল পুনর্গঠন করার আগে আর্টিফ্যাক্ট-সম্পর্কিত উপাদানগুলো সরানো যেতে পারে। যদিও ICA ডেটার গুণমানকে উল্লেখযোগ্যভাবে উন্নত করতে পারে, তবে এর সফল প্রয়োগ উপযুক্ত প্রি-প্রসেসিং, পর্যাপ্ত ডেটার গুণমান এবং প্রাপ্ত উপাদানগুলোর সতর্ক ব্যাখ্যার উপর নির্ভর করে।

স্বচ্ছতা এবং পুনরুৎপাদনযোগ্যতা বজায় রাখার জন্য গবেষকদের নথিভুক্ত করা উচিত যে কীভাবে ICA করা হয়েছিল এবং কোন উপাদানগুলো সরানো হয়েছিল।

অবিচ্ছিন্ন ডেটা ইপোকিং করা

অনেক EEG বিশ্লেষণ নির্দিষ্ট পরীক্ষামূলক ঘটনাগুলোর আশেপাশে ঘটে যাওয়া নিউরাল প্রতিক্রিয়ার উপর ফোকাস করে। এই বিশ্লেষণগুলোকে সহজতর করার জন্য, অবিচ্ছিন্ন EEG রেকর্ডিংগুলোকে প্রায়শই ইপোক নামে পরিচিত সংক্ষিপ্ত সময়ের অংশে ভাগ করা হয়।

প্রতিটি ইপোক একটি ইভেন্ট মার্কারের সাথে সারিবদ্ধ করা হয় যা পরীক্ষার সময় একটি উদ্দীপনা উপস্থাপন, অংশগ্রহণকারীর প্রতিক্রিয়া বা অন্য কোনো অর্থপূর্ণ ঘটনার প্রতিনিধিত্ব করে। এই বিভাজন গবেষকদের বারবার করা পরীক্ষামূলক পরিস্থিতিজুড়ে নিউরাল কার্যকলাপের তুলনা করতে দেয় এবং অনেক ইভেন্ট-রিলেটেড পটেনশিয়াল (ERP) বিশ্লেষণের ভিত্তি তৈরি করে।[2],[6]

তাই ইপোকিং শুরু করার আগে সঠিক ইভেন্ট টাইমিং অত্যন্ত জরুরি।

বেসলাইন সংশোধন

অংশগ্রহণকারীরা যখন বিশ্রামে থাকে তখনও নিউরাল কার্যকলাপ ক্রমাগত পরিবর্তিত হতে থাকে। প্রতিটি পরীক্ষামূলক ইপোককে সংশ্লিষ্ট ঘটনার ঠিক আগের একটি রেফারেন্স পিরিয়ডের সাথে তুলনা করে বেসলাইন সংশোধন এই চলমান ওঠানামাগুলোকে বিবেচনায় নিতে সহায়তা করে।

পরবর্তী নিউরাল প্রতিক্রিয়া থেকে এই বেসলাইনটি বিয়োগ করার মাধ্যমে গবেষকরা সম্পর্কহীন ব্যাকগ্রাউন্ড কার্যকলাপের কারণে সৃষ্ট পরিবর্তনশীলতা হ্রাস করার সাথে সাথে পরীক্ষামূলক ঘটনার সাথে সম্পর্কিত কার্যকলাপকে আরও ভালভাবে আলাদা করতে পারেন।[2]

বেসলাইন নির্বাচন পুরো স্টাডি জুড়ে সামঞ্জস্যপূর্ণ হওয়া উচিত এবং নির্বাচিত পরীক্ষামূলক দৃষ্টান্তের জন্য প্রতিষ্ঠিত অনুশীলনের প্রতিফলন হওয়া উচিত।

গুণমান নিয়ন্ত্রণ এবং ডকুমেন্টেশন

ডেটা পরিচ্ছন্ন দেখানোর সাথেই প্রি-প্রসেসিং শেষ হয়ে যায় না। গবেষকদের ফিল্টারিং প্যারামিটার, আর্টিফ্যাক্ট প্রত্যাখ্যানের মানদণ্ড, ইন্টারপোলেশন পদ্ধতি, সফ্টওয়্যার সংস্করণ এবং বিশ্লেষণ সেটিংসসহ প্রতিটি প্রসেসিং পদক্ষেপ যত্ন সহকারে নথিভুক্ত করা উচিত।

বিস্তারিত ডকুমেন্টেশন অন্য গবেষকদের প্রি-প্রসেসিং কাজের ধারা বুঝতে, মূল্যায়ন করতে এবং তার পুনরাবৃত্তি করার অনুমতি দিয়ে পুনরুৎপাদনযোগ্যতাকে সমর্থন করে। স্বচ্ছ প্রতিবেদন ভবিষ্যতের স্টাডিগুলোর মধ্যকার তুলনাকেও আরও অর্থপূর্ণ করে তোলে।[1]

সমস্ত অংশগ্রহণকারীদের মধ্যে একটি সামঞ্জস্যপূর্ণ প্রি-প্রসেসিং প্রোটোকল বজায় রাখা পরিবর্তনশীলতাকে আরও হ্রাস করে এবং প্রাপ্ত বিশ্লেষণের ওপর আত্মবিশ্বাসকে শক্তিশালী করে।

EEG প্রি-প্রসেসিংয়ের জন্য সফ্টওয়্যার নির্বাচন করা

বেশ কয়েকটি সফ্টওয়্যার প্ল্যাটফর্ম EEG প্রি-প্রসেসিং এবং বিশ্লেষণকে সমর্থন করে, যার প্রতিটি বিভিন্ন কাজের ধারা এবং বিশ্লেষণাত্মক ক্ষমতা প্রদান করে। গবেষকদের এমন সরঞ্জামগুলো নির্বাচন করা উচিত যা তাদের পরীক্ষামূলক ডিজাইন, প্রযুক্তিগত দক্ষতা এবং প্রতিবেদনের প্রয়োজনীয়তার সাথে সামঞ্জস্যপূর্ণ।

সাধারণ প্রি-প্রসেসিং পরিবেশগুলোর মধ্যে রয়েছে EEGLAB, MNE-Python, এবং FieldTrip, পাশাপাশি রয়েছে বাণিজ্যিক অ্যাকুইজিশন সফ্টওয়্যার যা ইভেন্ট সিঙ্ক্রোনাইজেশন, ডেটা ভিজ্যুয়ালাইজেশন এবং সাধারণ বিশ্লেষণ ফরম্যাটে এক্সপোর্ট করা সমর্থন করে।[4],[5] ইন্টারঅপারেবল সরঞ্জামগুলো নির্বাচন করা স্বচ্ছ এবং পুনরুৎপাদনযোগ্য গবেষণা অনুশীলনকে সমর্থন করার পাশাপাশি সহযোগিতা সহজ করতে পারে।

মূল বিষয়সমূহ

প্রি-প্রসেসিং নয়েজ কমিয়ে, আর্টিফ্যাক্টগুলো পরিচালনা করে এবং অর্থপূর্ণ নিউরাল সিগন্যালগুলো সংরক্ষণ করার সাথে ডেটা সাজিয়ে বৈজ্ঞানিক বিশ্লেষণের জন্য র' (raw) EEG রেকর্ডিং প্রস্তুত করে।

ফিল্টারিং, আর্টিফ্যাক্ট ম্যানেজমেন্ট, ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালিসিস, ইপোকিং, বেসলাইন সংশোধন এবং গুণমান নিয়ন্ত্রণ—সবকিছুই ডেটার অখণ্ডতা বজায় রেখে সিগন্যালের গুণমান উন্নত করতে অবদান রাখে।

একটি সুপরিকল্পিত প্রি-প্রসেসিং পাইপলাইন সুসংগত, স্বচ্ছ এবং গবেষণার প্রশ্নের জন্য উপযুক্ত। প্রতিটি প্রসেসিং পদক্ষেপ নথিভুক্ত করে এবং অংশগ্রহণকারীদের মধ্যে মানসম্মত পদ্ধতি প্রয়োগ করে, গবেষকরা তাদের প্রাপ্ত ফলাফলের নির্ভরযোগ্যতা এবং পুনরুৎপাদনযোগ্যতাকে শক্তিশালী করেন।

আপনার EEG স্টাডি তৈরি করা চালিয়ে যান

একবার বিশ্লেষণের জন্য EEG ডেটা প্রস্তুত হয়ে গেলে, গবেষকরা অন্বেষণ শুরু করতে পারেন যে কীভাবে বিভিন্ন ইলেকট্রোডের অবস্থান মস্তিষ্কের কার্যকলাপ বুঝতে অবদান রাখে।

পরবর্তী নির্দেশিকা, EEG ইলেকট্রোড এবং মন্টেজ নির্বাচন করা-তে আমরা ইলেকট্রোড বসানোর সিস্টেম, চ্যানেল নির্বাচন এবং কীভাবে রেকর্ডিংয়ের অবস্থানগুলো পরীক্ষামূলক ডিজাইন এবং ডেটার ব্যাখ্যাকে প্রভাবিত করে তা পরীক্ষা করব।

তথ্যসূত্র

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex Saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.