1. পরিচিতি

স্বাগতম! এই টিউটোরিয়ালে আমরা মস্তিষ্কের তরঙ্গ এবং সেগুলো কীভাবে মস্তিষ্ক ও আচরণ বুঝতে ব্যবহার করা যায় তা শিখছি।

Hans Berger 1929 সালে electroencephalogram শব্দটি প্রবর্তন করেন, যখন তিনি কোনো ব্যক্তির মাথায় স্থাপিত সেন্সর ব্যবহার করে রেকর্ড করা বৈদ্যুতিক বিভবের পরিবর্তন বর্ণনা করেছিলেন। তিনি মস্তিষ্কের তরঙ্গের দুটি ধরন শনাক্ত করেন, যেগুলোকে তিনি কেবলমাত্র তিনি যেভাবে সেগুলো রেকর্ড করেছিলেন সেই ক্রম অনুযায়ী alpha এবং beta waves নামে অভিহিত করেন। এ ধরনের তরঙ্গ অন্যান্য স্তন্যপায়ীতে রেকর্ড করা হয়েছিল, কিন্তু Berger প্রথমবারের মতো সেগুলোকে মানুষের ক্ষেত্রে বর্ণনা করেছিলেন!

তারপর থেকে, electroencephalography পদ্ধতি neuroscience-এ একটি গুরুত্বপূর্ণ হাতিয়ার হয়ে উঠেছে এবং মস্তিষ্কের তরঙ্গ সম্পর্কে আমাদের বোঝাপড়া বিকশিত করতে সাহায্য করেছে (যাকে গবেষকরা neural oscillations বলেন) এবং ক্লান্তি ও জাগ্রত অবস্থার মতো মস্তিষ্কের অবস্থা চিহ্নিত করতে সাহায্য করেছে।

এই সংক্ষিপ্ত টিউটোরিয়ালে আমরা নিম্নলিখিত বিষয়গুলো আলোচনা করব:

• neural oscillations কী?

• আমরা কীভাবে neural oscillations পরিমাপ করতে পারি?

• neural oscillations দিয়ে আমরা কী করতে পারি?

• Emotiv ডিভাইস ও সফটওয়্যার ব্যবহার করে ব্যবহারিক প্রয়োগ।

2. EEG কী?

ইলেক্ট্রোএনসেফালোগ্রাফি (EEG) হলো মস্তিষ্কের বৈদ্যুতিক কার্যকলাপ পরিমাপের একটি অ-আক্রমণকারী ও নিষ্ক্রিয় পদ্ধতি। ইলেক্ট্রোড/সেন্সর/চ্যানেল মাথার ত্বকে স্থাপন করা হয়, যাতে নিউরন নামে পরিচিত মস্তিষ্ককোষসমূহ দ্বারা উৎপন্ন বৈদ্যুতিক কার্যকলাপ রেকর্ড করা যায়।

চিত্র ১ – নিউরন EEG ডিভাইসের সাহায্যে শনাক্ত করা যায় এমন বৈদ্যুতিক কার্যকলাপ উৎপন্ন করে [Siuly, et al. (2016)].

2.1. EEG সিস্টেমসমূহ

বাজারে অনেক EEG ডিভাইস আছে যেগুলো EEG রেকর্ড করতে ব্যবহার করা যায়। EEG ডিভাইসগুলোর বৈশিষ্ট্য হতে পারে:

• একটি একক সেন্সর বা সর্বোচ্চ 256টি ইলেক্ট্রোড – বেশি ইলেক্ট্রোড মাথার ত্বক জুড়ে তথ্যের আরও উচ্চ স্থানিক রেজোলিউশন প্রদান করবে।

• ভেজা বা শুকনো ইলেক্ট্রোড – ভেজা ইলেক্ট্রোড মাথার ত্বক এবং সেন্সরের মধ্যে পরিবাহিতা বাড়াতে একটি ইলেক্ট্রোলাইটিক জেল বা স্যালাইন দ্রবণ ব্যবহার করে। শুকনো ইলেক্ট্রোড ধাতু বা পরিবাহী পলিমার হতে পারে, যেগুলোর মাথার ত্বকের সঙ্গে সরাসরি সংযোগ প্রয়োজন।

• সক্রিয় বা নিষ্ক্রিয় ইলেক্ট্রোড – নিষ্ক্রিয় ইলেক্ট্রোড সিস্টেম কেবল সংকেতকে ডিভাইসে পৌঁছে দেয়, যেখানে সেটি বর্ধিত করা হয়। সক্রিয় ইলেক্ট্রোড সিস্টেম প্রতিটি ইলেক্ট্রোডে সংকেত বর্ধিত করে, তারপর সেটি বর্ধনের জন্য ডিভাইসে পৌঁছে। এতে সংকেতে পরিবেশগত বৈদ্যুতিক শব্দ কমে।

• তারযুক্ত বা বেতার ডিভাইস, যা Bluetooth-এর মাধ্যমে ডেটা প্রেরণ করে।

চিত্র ২ – একটি বেতার, নিম্ন-ঘনত্বের EEG সিস্টেম।

চিত্র ৩ – একটি তারযুক্ত, উচ্চ-ঘনত্বের ইলেক্ট্রোড EEG সিস্টেম।

2.2. কখন EEG ব্যবহার করবেন?

প্রতিটি neuroimaging পদ্ধতি ভিন্ন গবেষণা প্রশ্নের উত্তর দিতে সাহায্য করতে পারে।

EEG-এর সবচেয়ে বড় শক্তি হলো এটি মিলিসেকেন্ড মাত্রায় স্নায়বিক কার্যকলাপ পরিমাপ করতে পারে, যা সচেতনতার আগের প্রক্রিয়াগুলিও পরিমাপ করতে পারে।

চিত্র ৪ – বিভিন্ন neuroimaging টুলের স্থানিক বনাম কালিক রেজোলিউশন।

এটি এমন প্রশ্নের জন্য সবচেয়ে উপযুক্ত, যেমন “আমার ভিডিওর কোন অংশে অংশগ্রহণকারীরা সবচেয়ে বেশি মনোযোগ দিয়েছিল?”

EEG মূলত মস্তিষ্কের বাইরের স্তরগুলো থেকে কার্যকলাপ রেকর্ড করে (অর্থাৎ, এর স্থানিক রেজোলিউশন কম)। একটি একক সেন্সর দিয়ে কার্যকলাপের উৎস শনাক্ত করা অসম্ভব। বিপুল সংখ্যক চ্যানেল দিয়ে রেকর্ড করলে গাণিতিকভাবে উৎস পুনর্গঠন করা সম্ভব হয়, তবে গভীর উৎস শনাক্তকরণে এটি এখনও সীমিত। Functional magnetic resonance imaging (fMRI) বেশি উপযুক্ত এমন প্রশ্নের উত্তর দিতে, যেমন “মস্তিষ্কের কোন অংশটি মনোযোগের পরিবর্তনের সঙ্গে সম্পর্কিত?”

2.3. সেন্সর থেকে কাঁচা EEG?

একবার EEG ডিভাইসটি মাথায় পরানো হলে, ওই সেন্সর এবং একটি রেফারেন্স সেন্সরের মধ্যকার amplitude-এর পার্থক্য হিসেবে একটি একক সেন্সরে মস্তিষ্কের কার্যকলাপ পরিমাপ করা হয়। বেশিরভাগ EEG সিস্টেমে এটিকে common mode sense (CMS) ইলেক্ট্রোড বলা হয়। একটি অতিরিক্ত সেন্সর, driven right leg (DRL), CMS-এ যেকোনো বিঘ্ন কমাতে সাহায্য করে।

চিত্র ৫ – EEG সংকেত প্রেরণের সরলীকৃত ব্লক ডায়াগ্রাম।

সক্রিয় ও নিষ্ক্রিয় উভয় ইলেক্ট্রোডযুক্ত সিস্টেমে সংকেতটি তারপর বর্ধিত করা হয় এবং low-pass filter করা হয়। Low-pass filtering এমন একটি ধাপ, যা আপনার সংকেত থেকে পরিবেশগত সম্ভাব্য বৈদ্যুতিক বিঘ্ন, যেমন মেইনস পাওয়ার, অপসারণ করবে।

এই ধাপগুলো হার্ডওয়্যারের মধ্যেই ঘটে, তার আগে আপনি আপনার কম্পিউটার স্ক্রিনে কাঁচা EEG সংকেত দেখতে পারেন।

2.4. কিছু মৌলিক পরিভাষা

10-20 standard naming convention

বাম সেন্সরগুলো সাধারণত বিজোড় নম্বরযুক্ত এবং ডান সেন্সরগুলো সাধারণত জোড় নম্বরযুক্ত।

দ্রষ্টব্য ১: এগুলো কেবল নামকরণের নিয়ম, এবং EEG সেন্সরের অবস্থান কার্যকলাপের উৎসের নির্দেশক নয়।

দ্রষ্টব্য ২: একটি একক চ্যানেলে কার্যকলাপের উৎস নির্ধারণ করতে উৎসের গাণিতিক পুনর্গঠনসহ অতিরিক্ত ধাপ গ্রহণ করতে হবে।

3. Neural Oscillations কী?

মস্তিষ্কের তরঙ্গ, যেগুলোকে প্রায়ই neural oscillations বলা হয়, একক নিউরন বা নিউরনের একটি গুচ্ছ দ্বারা সৃষ্ট ছন্দোবদ্ধ প্যাটার্ন।

মস্তিষ্ক কেন এই ভিন্ন ধরনের oscillation উৎপন্ন করে তা এখনো পুরোপুরি স্পষ্ট নয়, যদিও অনেক তত্ত্ব রয়েছে। গবেষকরা এই দোলনশীল কার্যকলাপগুলোকে চিহ্নিত করতে বিভিন্ন কাজ ব্যবহার করেন এবং এসব ছন্দোবদ্ধ প্যাটার্নের মাধ্যমে মস্তিষ্কের রহস্য বোঝার চেষ্টা করেন।

3.1. একটি oscillation-এর কিছু বৈশিষ্ট্য

এই চিত্রটি একটি নিয়মিত বৈদ্যুতিক সংকেতের পরিমাপ দেখায়:

চিত্র ৬ – বিভিন্ন neuroimaging টুলের স্থানিক বনাম কালিক রেজোলিউশন।

বাম পাশে (y-axis) আমরা বৈদ্যুতিক রেকর্ডিংয়ের amplitude এবং অনুভূমিক অক্ষ (x-axis) বরাবর সময় অঙ্কন করতে পারি। সংকেতের amplitude কেন্দ্রীয় বিন্দুর চারপাশে নিয়মিতভাবে তার মান পরিবর্তন করবে। একটি পূর্ণ চক্রকে oscillation-ও বলা হয়।

প্রতি সেকেন্ডে চক্রের সংখ্যাকে তরঙ্গের frequency বলা হয় এবং এর একক হলো Hertz (Hz)। তাই 1 cycle per second = 1 Hz। Amplitude সাধারণত microvolts (µV)-এ মাপা হয়।

মস্তিষ্কে আমরা 0.2 Hz (খুব ধীর তরঙ্গ) থেকে 80 Hz বা তার বেশি (খুব দ্রুত তরঙ্গ) পর্যন্ত frequency-র তরঙ্গ দেখি। খিঁচুনির সঙ্গে সম্পর্কিত 500 Hz পর্যন্ত উচ্চ-ফ্রিকোয়েন্সির কার্যকলাপও মস্তিষ্কে রেকর্ড করা হয়েছে।

বিভিন্ন ধরনের মস্তিষ্কের oscillation তাদের frequency-এর ভিত্তিতে চিহ্নিত করা হয়। এগুলো frequency bands নামে পরিচিত এবং বিভিন্ন মস্তিষ্ক অবস্থার সঙ্গে সম্পর্কিত হতে পারে:

চিত্র ৭ – সাধারণ EEG-তে মস্তিষ্কের তরঙ্গ।

3.2. বিভিন্ন frequency band কেন গুরুত্বপূর্ণ?

1. স্বাভাবিক বনাম অস্বাভাবিক মস্তিষ্কের প্যাটার্ন শনাক্তকরণ
   স্নায়বিক oscillation Neurology-তে খিঁচুনি শনাক্তকরণ ও Epilepsy নির্ণয়ে গুরুত্বপূর্ণ।

   
   
   

2. Brain computer interfaces (BCI)
   beta, gamma, এবং mu oscillation-এর পরিমাণ প্রায়ই দূরবর্তী ডিভাইস প্রশিক্ষণে ব্যবহৃত হয় (যেমন, চিন্তার মাধ্যমে হুইলচেয়ার চালানো)।

   
   
   

3. Neurofeedback
   এটি মস্তিষ্ক প্রশিক্ষণের একটি রূপ, যেখানে আপনি আপনার মস্তিষ্কের তরঙ্গ (যেমন gamma oscillation) দেখতে পারেন এবং জ্ঞানগত কাজে অংশ নিয়ে আপনার মস্তিষ্কে gamma oscillation-এর পরিমাণ বাড়াতে পারেন।

   
   
   

4. Neuromarketing
   Alpha এবং beta frequency band ব্যবহার করে নির্ধারণ করা যায়, বিজ্ঞাপনের কোন অংশটি বেশি বা কম আকর্ষণীয়।

3.3. EEG ডেটা বিশ্লেষণের ধরন

সাধারণত গবেষকরা time domain অথবা frequency domain—এই দুইয়ের একটিতে বিশ্লেষণ করেন।

1. Time domain analysis

   সাধারণত একটি উদ্দীপনা শুরু হওয়ার পর আগ্রহের সময়বিন্দুতে ভোল্টেজের amplitude পরিমাপ করে। এগুলোকে event-related potentials (ERPs) বলা হয়।

   
   
   

2. Frequency domain analysis

   সাধারণত একটি নির্দিষ্ট সময় জানালায় বা কোনো ঘটনার শুরু হওয়ার সঙ্গে সম্পর্কিত বিভিন্ন frequency band-এ neural oscillation-এর পরিমাণ পরিমাপ করে।

এরপর আমরা frequency domain analysis-এর একটি সংক্ষিপ্ত পরিচয় দেব।

3.4. প্রক্রিয়াকরণ

একটি EEG রেকর্ডিং নেওয়ার পর, oscillation-এর অর্থ বোঝার আগে সাধারণত ডেটা পরিষ্কার করা হয়।

1. Filtering
   ডেটার উচ্চ ও নিম্ন-ফ্রিকোয়েন্সির পরিবেশগত শব্দ অপসারণের একটি কৌশল।

2. Artefact Removal
   শারীরিক নড়াচড়া, চোখের পলক—এসবই বড় আর্টিফ্যাক্ট সৃষ্টি করতে পারে (> 50 µV peaks in the EEG)। এগুলো অপসারণ করা যায়, যাতে সেগুলো আমাদের ফলাফলকে প্রভাবিত না করে। কিছু গবেষক এই আর্টিফ্যাক্ট সংশোধন করতে জটিল পদ্ধতি ব্যবহার করেন, যাতে ডেটা সংরক্ষিত থাকে।

ডেটা প্রক্রিয়াকরণের পর, সংকেতকে এখন frequency domain-এ রূপান্তর করা যায়, যাতে আমরা প্রতিটি ধরনের মস্তিষ্কের তরঙ্গের পরিমাণ নির্ণয় করতে পারি।

চিত্র ৮ – কাঁচা EEG-তে চোখের পলকের আর্টিফ্যাক্ট।

3.5. Fast Fourier Transform (FFT)

Fourier transform হলো EEG সংকেতকে ‘time domain’ (চিত্র A) থেকে ‘frequency domain (চিত্র B)’-এ রূপান্তরের একটি গাণিতিক পদ্ধতি।

Frequency domain-এ আমরা আমাদের রেকর্ডিংয়ে প্রতিটি ধরনের oscillation কতটা ছিল তা পরিমাপ করতে পারি। এটিই সাধারণত frequency band-এর ‘power’ এবং এটি একটি power spectrum (চিত্র B) হিসেবে দেখানো যেতে পারে।

চিত্র 9A – time domain-এ কাঁচা EEG।

চিত্র 9B – FFT-এর পরে power spectrum (frequency domain)।

3.6. Band Power

Fourier transform থেকে প্রাপ্ত কোনো frequency band-এর power (যেমন Alpha band) আমাদের জানায়, সংশ্লিষ্ট band-এ কতটা উপাদান আছে। Band power-এর একক সাধারণত µV2/Hz। বেশিরভাগ সময় FFT থেকে পাওয়া amplitude বা power spectrum লগারিদমিক একক decibel (dB)-এ দেখানো হয়। Decibel হলো পরিমাপিত power (P) এবং reference power (Pr)-এর অনুপাতের একক, নিম্নরূপ:

আগ্রহের ঘটনাগুলোর জন্য এই পরিমাপের একক পাওয়ার পর, পরীক্ষামূলক প্রভাবগুলো মস্তিষ্কের তরঙ্গের ওপর কীভাবে কাজ করে তা বোঝার জন্য band power তুলনা করা যায়।

4. তত্ত্ব থেকে ব্যবহারিক প্রয়োগে

এবার আমরা alpha suppression প্রভাবটি দেখব।

এটি Hans Berger প্রথম যে phenomenon রিপোর্ট করেছিলেন, যেখানে দেখা যায় কারও চোখ খোলা থাকলে alpha oscillation-এর পরিমাণে (alpha power) উল্লেখযোগ্য হ্রাস ঘটে, চোখ বন্ধ থাকার তুলনায়।

চিত্র ১০ – চোখ খোলা থাকলে alpha oscillation বৃদ্ধি দেখা যায়।

প্রথমে EmotivPRO Builder ব্যবহার করে আমরা একটি সহজ পরীক্ষা তৈরি করেছি। এই পরীক্ষায় অংশগ্রহণকারীকে কেবল 2 মিনিট চোখ খোলা রেখে স্ক্রিনে মনোযোগ দিতে বলা হয়, তারপর 2 মিনিট চোখ বন্ধ রাখতে বলা হয়। 2 মিনিট শেষে একটি ঘণ্টাধ্বনি শোনা যায়, যা চোখ খোলার সংকেত দেয়।

আপনি নিচের ভিডিওটি অনুসরণ করে নিজস্ব alpha suppression পরীক্ষা তৈরি করতে পারেন, অথবা এখানে থাকা লিঙ্ক থেকে আমাদের পরীক্ষাটি চালাতে পারেন:

4.1. ডিভাইস পরিধান ও EEG মান

আমাদের EQ gate কীভাবে কাজ করে সে সম্পর্কে আরও পড়ুন এখানে। আপনার headset-এর জন্য নির্দিষ্ট device fitting সম্পর্কে আরও তথ্য এখানে খুঁজুন:

• EPOC ধরন

• Insight ধরন

4.2. EEG ডেটা প্রক্রিয়াকরণ ও রূপান্তর

এখন যেহেতু আপনার ডেটা আছে, Emotiv Analyzer ব্যবহার করে সেটিকে frequency domain-এ রূপান্তর করতে পারেন। ভিডিওতে দেওয়া ধাপগুলো অনুসরণ করুন।

4.3. ডেটা ব্যাখ্যা

Analyzer কাজ শেষ করলে zip file ডাউনলোড করুন। প্রতিটি রেকর্ডের জন্য band power-সহ একটি csv file এবং একটি image file পাবেন, যা ব্যবহার করে আপনি নিজস্ব statistical analysis চালাতে পারেন।

চিত্র ১১ – Band powers.

আমাদের আউটপুটে দেখা যায়, চোখ বন্ধ থাকলে (কমলা) Alpha power বেড়েছে, চোখ খোলা অবস্থার (নীল) তুলনায়।

এটাই আমাদের টিউটোরিয়ালের শেষ! এখন আপনি মৌলিক বিষয়গুলো জানেন 🙂

আরও উন্নত পাঠের কিছু লিঙ্ক আপনি resources section-এ খুঁজে পাবেন।

5. সম্পদ

উন্নত পাঠ

Donoghue et al. 2022 neural oscillations অধ্যয়নের জন্য পদ্ধতিগত বিবেচনা

EEG পরিভাষার শব্দকোষ

Kane et al. 2017 (এখানে)

ওপেন সোর্স কোড

আপনি যদি python coding-এ স্বচ্ছন্দ হন, তাহলে আমরা python scripts সরবরাহ করেছি, যেগুলো ব্যবহার করে আপনি eyes-open এবং eyes-closed segment দ্বারা লেবেলকৃত alpha power মান পেতে পারেন। এখানে code এবং sample Alpha Suppression data files খুঁজুন: https://osf.io/9bvgh/

Emotiv ম্যানুয়ালসমূহ

EmotivPRO Builder ম্যানুয়াল
EmotivPRO ম্যানুয়াল
EmotivPRO Analyzer ম্যানুয়াল

7. তথ্যসূত্র

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. neural oscillations অধ্যয়নের জন্য পদ্ধতিগত বিবেচনা। European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. ক্লিনিক্যাল electroencephalographer-দের দ্বারা সবচেয়ে বেশি ব্যবহৃত পরিভাষার একটি সংশোধিত শব্দকোষ এবং EEG finding-গুলোর report format-এর জন্য হালনাগাদ প্রস্তাব। Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) এবং এর পটভূমি। In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1