লিখেছেন ড. নিকোলাস উইলিয়ামস, Emotiv রিসার্চ সায়েন্টিস্ট।

কয়েক মাস আগে আমি আট বছর বিদেশে থাকার পর আবার মার্কিন যুক্তরাষ্ট্রে ফিরে আসি। নতুন করে শুরু করার অর্থ ছিল জীবনধারণের জন্য প্রয়োজনীয় সমস্ত জিনিসপত্র কেনা। একটি সোফা, বিছানা এবং ডাইনিং টেবিলের পাশাপাশি আমার অবশ্যই একটি গাড়ির প্রয়োজন ছিল। নিজেকে সামাজিকভাবে একজন অর্থনৈতিক সচেতন ব্যক্তি মনে করে, আমি কেবলমাত্র পুরানো, সাশ্রয়ী মূল্যের মডেলগুলির সন্ধান করছিলাম তবে বর্ধিত দাম এবং সীমিত স্টকের কারণে দ্রুত হতাশ হয়ে পড়ি। 2021 সালের ব্যবহৃত গাড়ির বাজার কার্যত আমাকে নতুন গাড়ি কিনতে বাধ্য করছিল, যা আমি শেষ পর্যন্ত করেছি। মৌলিক ব্যক্তিগত আর্থিক নীতি লঙ্ঘনের জন্য আমার হতাশা খুব দ্রুত নতুন টয়োটা এসইউভি (Toyota SUV) গাড়ির আরাম এবং বৈশিষ্ট্যের প্রতি এক অদম্য উৎসাহে রূপান্তরিত হয়েছিল।

আমি বিশেষ করে স্বয়ংক্রিয়ভাবে গাড়ি চালানোর (autonomous driving) বৈশিষ্ট্যগুলির প্রতি আসক্ত হয়ে পড়েছিলাম, যা নিয়ে এই পর্যন্ত আমি কেবল পড়েই এসেছি। অ্যাসিস্টেড স্টিয়ারিং এবং ফরোয়ার্ড-লুকিং রাডার দীর্ঘ পথ গাড়ি চালানোকে খুব সহজ করে তুলেছিল। আমাকে কেবল রাস্তার দিকে নজর রাখতে হতো এবং স্টিয়ারিং হুইলে একটি হাত রেখে বিশ্রাম দিতে হতো, আর আমার গাড়িটি মূলত নিজেই চলত। তার সাথে যুক্ত হয়েছিল কলিশন-অ্যভয়েডেন্স (collision-avoidance), ব্লাইন্ড-স্পট মনিটরিং (blind-spot monitoring) এবং অ্যালার্ট সিস্টেম সহ রিয়ার-ফেসিং ক্যামেরা, যা নিশ্চিত করত যে আমার পিছনে দিয়ে পার হওয়া কোনো পথচারীকে যেন আমি ধাক্কা না দিই। এই নতুন গাড়িটি বস্তুনিষ্ঠভাবে আমার গত দশকের বেশিরভাগ সময় চালানো পুরানো মডেলগুলোর চেয়ে বহুগুণ নিরাপদ ছিল।

গাড়িগুলি অবশ্য এখনও নিজেরাই চলতে পারে না। যদিও এগুলিতে চমৎকার স্বায়ত্তশাসিত এবং সুরক্ষা বৈশিষ্ট্য রয়েছে, তবুও গাড়িচালক দ্বারা এটি পর্যবেক্ষণ এবং প্রয়োজনে হস্তক্ষেপ করার প্রয়োজন হয়। গাড়ি চালনা থেকে মানুষের ভূমিকা সম্পূর্ণরূপে বাদ দেওয়া এখনও অনেক দূরের বিষয় এবং এই মানুষের ভূমিকাই মূলত অটোমোবাইল দুর্ঘটনা এবং মৃত্যুর জন্য দায়ী। মানুষ গাড়ি চালানোর সময় ভুল করে বসে। তারা মদ্যপান করার পর গাড়ি চালানোর সিদ্ধান্ত নিক, বা গতি বাড়ানোকে মজাদার ভাবুক, কিংবা তাদের ক্লান্ত শরীরকে বিশ্রাম দেওয়ার জন্য গাড়ি থামানোর আগে আরও কয়েক মাইল পথ গাড়ি চালাতে চাক, মানুষ অনেক প্রতিরোধযোগ্য অটোমোবাইল দুর্ঘটনার কারণ হয়ে দাঁড়ায়।

[block id="cta-shortcode-browse-eeg-headsets-v2"]

ন্যাশনাল হাইওয়ে ট্রাফিক সেফটি অ্যাডমিনিস্ট্রেশন (NHTSA) এর মতে, 2019 সালে 36,096টি মোটর গাড়ির ট্রাফিক দুর্ঘটনাজনিত মৃত্যু ঘটেছে। 2020 সালের জন্য, এই মৃত্যুর সংখ্যা 38,000 এর বেশি বলে অনুমান করা হয়েছে [1]। এর একটি বড় অংশ ঝুঁকিপূর্ণ গাড়ি চালানোর কারণে ঘটে এবং তাই এটি প্রতিরোধযোগ্য। NHTSA ছয় ধরণের ঝুঁকিপূর্ণ ড্রাইভিং চিহ্নিত করেছে: অতিরিক্ত গতি, মদ্যপ ও মাদকাসক্ত হয়ে গাড়ি চালানো, সিট বেল্ট ব্যবহার না করা (বা ভুলভাবে ব্যবহার করা), বিভ্রান্ত হয়ে গাড়ি চালানো, এবং তন্দ্রাচ্ছন্ন বা ক্লান্ত অবস্থায় গাড়ি চালানো। যেহেতু সমস্ত ট্রাফিক দুর্ঘটনার দুই-তৃতীয়াংশ অতিরিক্ত গতি এবং অসাবধানভাবে গাড়ি চালানোর জন্য দায়ী করা যেতে পারে, তাই অনেক সচেতনতামূলক প্রচারণা সঠিকভাবে এই ঝুঁকিগুলি মোকাবেলার লক্ষ্যে পরিচালিত হয়। তবুও, বিভ্রান্ত এবং তন্দ্রাচ্ছন্ন অবস্থায় গাড়ি চালানোর ফলে উল্লেখযোগ্য সংখ্যক মৃত্যু ঘটে থাকে, যার মধ্যে 2019 সালে 3,142টি বিভ্রান্তি-সম্পর্কিত মৃত্যু এবং 697টি তন্দ্রাচ্ছন্নতা-সম্পর্কিত মৃত্যু ঘটেছে [2]।

ল্যাবরেটরিতে মনোযোগ পরিমাপ করার জন্য স্নায়ুবিজ্ঞানের ব্যবহার

চালকের আসনে স্নায়ুবিজ্ঞান - ল্যাবরেটরিতে মনোযোগ পরিমাপ করার জন্য স্নায়ুবিজ্ঞানের ব্যবহার।

স্নায়ুবিজ্ঞানীরা ল্যাবরেটরিতে মনোযোগ পরিমাপ করার জন্য বিভিন্ন পদ্ধতি ব্যবহার করে থাকেন। এর মধ্যে একটি পদ্ধতি এই বাস্তবতার উপর ভিত্তি করে কাজ করে যে, আমাদের মস্তিষ্কের নিউরনগুলি সক্রিয় হওয়ার সময় অত্যন্ত সামান্য পরিমাণে বিদ্যুৎ নির্গত করে। ইলেক্ট্রোএনসেফালোগ্রাম (EEG) ব্যবহার করে, মস্তিষ্ক কখন এবং কোথায় সক্রিয় রয়েছে তা বোঝার জন্য আমরা এই বিদ্যুতের তারতম্য বা ওঠানামা পরিমাপ করতে পারি। এই ওঠানামার গতি বা ফ্রিকোয়েন্সিকে অসিলেশন বা সাধারণত ব্রেন ওয়েভ (মস্তিষ্কের তরঙ্গ) বলা হয়। ব্রেন ওয়েভের ফ্রিকোয়েন্সি মানুষের মানসিক অবস্থা বা প্রক্রিয়া সম্পর্কে ধারণা দিতে পারে।

উদাহরণস্বরূপ, যেসব ব্রেন ওয়েভ প্রতি সেকেন্ডে 14 থেকে 30 বার (বা 14 - 30 Hz) স্পন্দিত হয় সেগুলিকে বিটা ওয়েভ (beta waves) বলা হয় এবং এগুলি উচ্চ স্তরের মানসিক ব্যস্ততার সাথে সম্পর্কিত। 8 - 13 Hz রেঞ্জের অসিলেশনগুলিকে আলফা ওয়েভ (alpha waves) বলা হয় এবং এগুলি সাধারণত শিথিলতা বা নিষ্ক্রিয় মনোযোগের সময় বিদ্যমান থাকে। উদাহরণস্বরূপ, ধ্যান করার সময় প্রায়ই আলফা ওয়েভ দেখতে পাওয়া যাবে। থিটা ওয়েভ (theta waves) হলো 4 থেকে 7 Hz এর মধ্যের অসিলেশন এবং এটি মানুষ যখন গভীরভাবে শিথিল বা তন্দ্রাচ্ছন্ন থাকে তখন দেখা যায়। সবচেয়ে ধীর গতির তরঙ্গ হলো ডেল্টা ওয়েভ (delta waves) (1 - 4 Hz) এবং এটি মানুষ যখন গভীর ঘুমে থাকে তখন দেখা যায়।

সম্পর্কিত পোস্টটি দেখুন EEG এর পরিচিতিমূলক নির্দেশিকা

ল্যাবে, বিজ্ঞানীরা ব্রেন ওয়েভের সময়কাল, মাত্রা এবং ফ্রিকোয়েন্সি পরিমাপ করতে পারেন তা নির্ধারণ করার জন্য যে কোনো কাজ করার সময় একজন ব্যক্তির মন কতটা সক্রিয় বা নিষ্ক্রিয় রয়েছে। উদাহরণস্বরূপ, যখন কোনো ব্যক্তি এমন কিছু দেখে বা শোনে যা সে পর্যবেক্ষণ করছে, তখন তার EEG-তে P300 নামক একটি অত্যন্ত নির্দিষ্ট প্রতিক্রিয়া দেখা যায়, যা একটি বড় মাত্রার তরঙ্গ এবং বস্তুটি প্রদর্শিত হওয়ার প্রায় 300 মিলি-সেকেন্ড পরে ঘটে থাকে [3]। একইভাবে, আলফা অসিলেশনের হ্রাস নির্দেশ করতে পারে যে কেউ কোনো কিছুর প্রতি গভীর মনোযোগ দিচ্ছে [4]। তন্দ্রাচ্ছন্ন হওয়ার ফলেও ডেল্টা, থিটা এবং আলফা অসিলেশনের পরিবর্তনের মাধ্যমে সনাক্তযোগ্য EEG সিগনেচার তৈরি হয় [5]।

আমরা কীভাবে গাড়ির ভেতরে মনোযোগের মাত্রা পরিমাপ করতে পারি?

একটি গাড়ির ভেতরে আমরা আচরণগত পদ্ধতি ব্যবহার করে মনোযোগ এবং তন্দ্রাচ্ছন্নতা পরিমাপ করতে পারি। উদাহরণস্বরূপ, চালকরা রাস্তার দিকে তাকাচ্ছেন কিনা তা নিশ্চিত করার জন্য ক্যামেরা চালকদের চোখ ট্র্যাক করতে পারে। একইভাবে, চালকদের মাথা কখন ঝুঁকতে শুরু করে তা ক্যামেরা সনাক্ত করতে পারে, যা ইঙ্গিত দেয় যে তারা ক্লান্ত বা ঘুমিয়ে পড়ছেন। তবে, শুধুমাত্র একজন ব্যক্তি রাস্তার দিকে তাকিয়ে আছেন বা তার মাথা ঝুঁকছে না বলেই যে তিনি মনোযোগ দিচ্ছেন কিংবা তিনি ক্লান্ত নন, এমনটা বলা যায় না। EEG এই ঝুঁকিপূর্ণ অবস্থাগুলির সনাক্তকরণ প্রক্রিয়াকে আরও উন্নত করতে পারে। আচরণগতভাবে সনাক্ত করার আগেই এগুলি হয়তো এই অবস্থাগুলির পূর্বাভাস দিতে সক্ষম হতে পারে।

চালকের আসনে স্নায়ুবিজ্ঞান - EEG এই ঝুঁকিপূর্ণ অবস্থা সনাক্তকরণ প্রক্রিয়াকে আরও উন্নত করতে পারে। আচরণগতভাবে সনাক্ত করার আগেই এগুলি হয়তো এই অবস্থাগুলির পূর্বাভাস দিতে সক্ষম হতে পারে।

2020 সালে, গবেষকরা রিয়েল-টাইমে তন্দ্রাচ্ছন্নতা সনাক্ত করতে বাণিজ্যিকভাবে সহজলভ্য EEG হেডসেট ব্যবহার করা গবেষণাগুলির একটি নিয়মতান্ত্রিক পর্যালোচনা করেছিলেন [6]। তারা প্রতিবেদন করেছেন যে এই ধরণের গবেষণায় সবচেয়ে বেশি ব্যবহৃত হেডসেটটি ছিল Emotiv দ্বারা নির্মিত, এর পরেই রয়েছে Neurosky, Interaxon এবং OpenBCI। তন্দ্রাচ্ছন্নতা সনাক্তকরণের জন্য, তারা দেখেছেন যে সাধারণ EEG বৈশিষ্ট্যগুলিও, যেমন ফ্রিকোয়েন্সি অসিলেশন, তন্দ্রাচ্ছন্নতা সনাক্ত করতে ব্যবহার করা যেতে পারে। তবে, তারা উল্লেখ করেছেন যে অনেক ক্ষেত্রে, "অ্যালগরিদমিক অপ্টিমাইজেশন প্রয়োজনীয় রয়ে গেছে", যার অর্থ মেশিন লার্নিং অ্যালগরিদমগুলি আরও সঠিক সনাক্তকরণের ফলাফল সরবরাহ করেছে।

আমাদের আরও নিরাপদ রাখতে বাণিজ্যিক EEG এবং মেশিন লার্নিং অ্যালগরিদমের ব্যবহার

Emotiv এক দশকেরও বেশি সময় ধরে বাণিজ্যিক EEG ক্ষেত্রে অগ্রণী ভূমিকা পালন করে আসছে। এই সময়ের মধ্যে তারা 32-চ্যানেলের ঐতিহ্যবাহী গবেষণা ক্যাপ থেকে শুরু করে 2-চ্যানেলের ইন-ইয়ার হেডফোন পর্যন্ত বিভিন্ন আকারে EEG সিস্টেম তৈরি করেছে। MN8 হেডফোন বা Insight এর মতো কমপ্যাক্ট ডিজাইনের সিস্টেমগুলি দৈনন্দিন পরিধানযোগ্য নিউরোটেকনোলজির প্রথম পদক্ষেপের প্রতিনিধিত্ব করে। অটোমোবাইল নিয়ন্ত্রণের সাথে এই ধরণের হার্ডওয়্যারকে একীভূত করে, আমরা হয়তো দুর্ঘটনা ঘটার আগেই সেই মানসিক অবস্থাগুলি প্রতিরোধ করতে সক্ষম হতে পারি।

চালকের আসনে স্নায়ুবিজ্ঞান - আমাদের আরও নিরাপদ রাখতে বাণিজ্যিক EEG এবং মেশিন লার্নিং অ্যালগরিদমের ব্যবহার।

যানের মধ্যে EEG হার্ডওয়্যার যুক্ত করা সমাধানের একটি অংশ মাত্র। সংগৃহীত মস্তিষ্কের ডেটা উপকারে লাগানোর জন্য, আমাদের এটিকে দরকারী মেট্রিক্সে রূপান্তর করতে হবে। অত্যাধুনিক মেশিন-লার্নিং অ্যালগরিদমগুলি EEG ডেটাকে নির্দিষ্ট মানসিক দিক নির্দেশ করে এমন বৈশিষ্ট্যে রূপান্তর করার মাধ্যমে এটি অর্জন করে। আজ পর্যন্ত, Emotiv এই ধরণের সাতটি সনাক্তকরণ বৈশিষ্ট্য তৈরি করেছে: হতাশা, আগ্রহ, শিথিলতা, ব্যস্ততা, উত্তেজনা, মনোযোগ এবং মানসিক চাপ। Emotiv ইঞ্জিনিয়াররা স্নায়ুবিজ্ঞানীদের সাথে নিবিড়ভাবে কাজ করেছেন এই সনাক্তকরণ বৈশিষ্ট্যগুলি তৈরি করার জন্য এবং এর জন্য কঠোর পরীক্ষামূলক গবেষণা ব্যবহার করেছেন যা মানসিক অবস্থাগুলিকে জাগিয়ে তুলতে পরিচিত প্রোটোকল ব্যবহার করে। অটোমোবাইল ক্ষেত্রে, Emotiv বর্তমানে ড্রাইভিং সিমুলেটরের মধ্যে উন্নত করা ড্রাইভার-বিভ্রান্তি সনাক্তকরণ বৈশিষ্ট্যটিকে আরও সূক্ষ্মভাবে উন্নত করছে। এটি রয়্যাল অটোমোবাইল ক্লাব অফ ওয়েস্টার্ন অস্ট্রেলিয়া-র সাথে অংশীদারিত্বের একটি আশাব্যঞ্জক ফলাফল অনুসরণ করে ডিজাইন করা হয়েছে, যার ফলস্বরূপ একটি মনোযোগ-চালিত গাড়ি তৈরি করা হয়েছে যা মনোযোগ কমে গেলে গতি মন্থর করে দেয় [7]। আপনি ইউটিউবে এই অংশীদারিত্ব এবং এর ফলাফলের কিছু ভিডিও পেতে পারেন।

স্নায়ুবিজ্ঞান এবং গাড়ি চালানোর ভবিষ্যৎ

চালকের আসনে স্নায়ুবিজ্ঞান - স্নায়ুবিজ্ঞান এবং গাড়ি চালানোর ভবিষ্যৎ।

সিট বেল্ট এবং রাম্বল স্ট্রিপের মতো প্রাথমিক প্রতিরোধ ব্যবস্থা থেকে শুরু করে আধুনিক স্বয়ংক্রিয় জরুরি ব্রেকিং এবং অ্যাসিস্টেড স্টিয়ারিংয়ের মতো বৈশিষ্ট্যগুলির কারণে আমাদের গাড়িগুলি অনেক বেশি নিরাপদ হয়ে উঠেছে। তবুও প্রতি বছর দুর্ঘটনায় মারা যাওয়া মানুষের সংখ্যা প্রমাণ করে যে, যানবাহনগুলিকে "নিরাপদ" হিসাবে বিবেচনা করার পর্যায়ে পৌঁছানোর জন্য আমাদের এখনও অনেক পথ পাড়ি দেওয়া বাকি আছে। প্রযুক্তির উন্নতির সাথে সাথে আমাদের গাড়িগুলি নিঃসন্দেহে আরও নিরাপদ হতে থাকবে, তবে যতদিন পর্যন্ত মানুষই প্রধান যানবাহন চালক থাকবে, ততদিন মানুষের কারণে ঘটা দুর্ঘটনাগুলি চলতেই থাকবে। EEG প্রযুক্তি সূক্ষ্ম লক্ষণগুলি সনাক্ত করে এবং দুর্ঘটনা ঘটানোর মতো পরিস্থিতি তৈরি হওয়ার আগেই হস্তক্ষেপ করে মানুষের ভুলত্রুটির সমস্যা কমানোর জন্য একটি বিশেষ আশাব্যঞ্জক উপায় হিসাবে ভূমিকা রাখছে।

তথ্যসূত্র

[1] ন্যাশনাল সেন্টার ফর স্ট্যাটিস্টিকস অ্যান্ড অ্যানালাইসিস, “Early estimate of motor vehicle traffic fatalities in 2020.” ন্যাশনাল হাইওয়ে ট্রাফিক সেফটি অ্যাডমিনিস্ট্রেশন, মে 2021। অ্যাক্সেস করা হয়েছে: জানুয়ারী 04, 2022। [অনলাইন]। উপলব্ধ: https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/813115

[2] ন্যাশনাল সেন্টার ফর স্ট্যাটিস্টিকস অ্যান্ড অ্যানালাইসিস, “Overview of motor vehicle crashes in 2019.” ন্যাশনাল হাইওয়ে ট্রাফিক সেফটি অ্যাডমিনিস্ট্রেশন, 2020।

[3] এস. জে. লাক এবং ই. এস. ক্যাপেনম্যান, The Oxford handbook of event-related potential components। অক্সফোর্ড ইউনিভার্সিটি প্রেস, 2011।

[4] জি. থুট, “Alpha-Band Electroencephalographic Activity over Occipital Cortex Indexes Visuospatial Attention Bias and Predicts Visual Target Detection,” J. Neurosci., ভলিউম. 26, নং. 37, পৃষ্ঠা. 9494–9502, সেপ্টেম্বর. 2006, ডিওআই: 10.1523/JNEUROSCI.0875-06.2006।

[5] সি.-এইচ. চুয়াং, সি.-এস. হুয়াং, এল.-ডব্লিউ. কো, এবং সি.-টি. লিন, “An EEG-based perceptual function integration network for application to drowsy driving,” Knowl.-Based Syst., ভলিউম. 80, পৃষ্ঠা. 143–152, মে 2015, ডিওআই: 10.1016/j.knosys.2015.01.007।

[6] জে. ল্যারোকো, এম. ডি. লে, এবং ডি.-জি. পেং, “A Systemic Review of Available Low-Cost EEG Headsets Used for Drowsiness Detection,” Front. Neuroinformatics, ভলিউম. 14, পৃষ্ঠা. 42, 2020, ডিওআই: 10.3389/fninf.2020.553352.[7] “Australia researchers unveil ‘attention-powered’ car,” 2013. https://phys.org/news/2013-09-australia-unveil-attention-powered-car.html (অ্যাক্সেস করা হয়েছে জানুয়ারী 12, 2022)।