EEG গবেষণায় সবচেয়ে বেশি ব্যবহৃত রেফারেন্স পছন্দগুলির মধ্যে একটি হলো সাধারণ গড় রেফারেন্স, বা CAR, যা মাথার ত্বকের সমস্ত চ্যানেলের গড় সাপেক্ষে প্রতিটি চ্যানেলের মান পুনরায় গণনা করে।
CAR-এর একটি শব্দ-পরিষ্কারকারী ডিফল্ট হিসাবে সুনাম রয়েছে। এটি BCI পাইপলাইন, প্রকাশিত গবেষণাপত্র এবং ওপেন-সোর্স টুলবক্সগুলিতে প্রায় স্বয়ংক্রিয়ভাবে প্রদর্শিত হয়। তবে উপলব্ধ গবেষণাগুলি ঘনিষ্ঠভাবে দেখলে এমন একটি চিত্র দেখা যায় যা এই সুনামের চেয়ে অনেক বেশি মিশ্র।
এই লেখাটি CAR-এর পেছনের গণিত, যেসব অনুমানের ওপর এটি নির্ভর করে এবং যেসব পরিস্থিতিতে সেই অনুমানগুলো ভেঙে পড়ে তা বিশদভাবে আলোচনা করে।
ইইজিতে কমন অ্যাভারেজ রেফারেন্স (Common Average Reference) কী?
প্রতিটি স্কাল্প ইলেকট্রোড রেকর্ডিংয়ের সময় বেছে নেওয়া কিছু রেফারেন্স চ্যানেল বা রেফারেন্স চ্যানেলের একটি ছোট সেটের সাপেক্ষে ভোল্টেজ পরিমাপ করে। সাধারণ পছন্দের মধ্যে রয়েছে কানের লতির উপর একটি একক ইলেকট্রোড, কানের পিছনের লিঙ্কযুক্ত মাস্টয়েড বা Cz-এর মতো একটি স্কাল্প সাইট।
একটি একক-সাইট রেফারেন্সের সমস্যা হলো এটি কখনই সত্যিকার অর্থে "শান্ত" থাকে না। যদি রেফারেন্স ইলেকট্রোডটি নিজেই কোলাহল বা মস্তিষ্কের কার্যকারিতা গ্রহণ করে, তবে সেই দূষণটি অন্য প্রতিটি চ্যানেলে বিয়োগ হয়ে যায়, কারণ প্রতিটি চ্যানেলের সংকেত এটির সাপেক্ষেই সংজ্ঞায়িত হয়।
কার (CAR) সময়ের প্রতিটি মুহূর্তে সমগ্র ইলেকট্রোড বিন্যাস জুড়ে গড় ভোল্টেজ রেকর্ড করে একটি ভিন্ন ধরণের রেফারেন্স ব্যবহার করে এই সমস্যার সমাধান করে। অন্যান্য সমস্ত ইলেকট্রোড থেকে একটি ইলেকট্রোডের মান বিয়োগ করার পরিবর্তে, CAR প্রতিটি একক ইলেকট্রোড থেকে সমস্ত ইলেকট্রোডের গড় বিয়োগ করে।
তত্ত্বগতভাবে, এই গড়টি যেকোনো একক শারীরিক ইলেকট্রোডের চেয়ে আরও বেশি স্থিতিশীল, "শান্ত" রেফারেন্স পয়েন্ট হিসাবে কাজ করে, কারণ এটি একটি স্থানের পরিবর্তে পুরো স্কাল্প থেকে তথ্য সংগ্রহ করে।
BCI গবেষণায় CAR
এই কারণেই CAR ব্রেন-কম্পিউটার ইন্টারফেস গবেষণায় এত ঘন ঘন দেখা যায়। উদাহরণস্বরূপ, ইন্টারন্যাশনাল জার্নাল অব ইঞ্জিনিয়ারিং অ্যান্ড টেকনোলজিতে প্রকাশিত একটি গবেষণায় একটি P300 স্পেলারের জন্য বারোটি রি-রেফারেন্সিং পদ্ধতির একটি হিসাবে CAR পরীক্ষা করা হয়েছে—এটি এমন একটি সিস্টেম যা নির্দিষ্ট ব্রেন রেসপন্স সনাক্ত করে যখন একজন ব্যবহারকারী একটি লক্ষ্যযুক্ত অক্ষর বা প্রতীকে মনোযোগ দেয় এবং পরীক্ষিত পদ্ধতিগুলোর মধ্যে CAR-কে সবচেয়ে উপযুক্ত কৌশল হিসাবে রিপোর্ট করেছে।
তদ্ব্যতীত, একটি 2025 সালের গবেষণায় মোটর ইমেজরি শ্রেণীবিভাগ পাইপলাইনে একটি আদর্শ প্রাক-প্রক্রিয়াকরণ ধাপ হিসাবে CAR প্রয়োগ করা হয়েছে, যার উদ্দেশ্য সিগন্যাল-টু-নয়েজ অনুপাত বৃদ্ধি হিসাবে বর্ণনা করা হয়েছে।
কীভাবে CAR ফর্মুলা গণনা করবেন
CAR-এর কার্যকারিতা সাধারণ বীজগণিত, কোনো পরিসংখ্যানগত মডেল নয় যার গাণিতিকভাবে কাজ করার প্রমাণ দেওয়ার জন্য ডেটার প্রয়োজন হয়। N সংখ্যক ইলেকট্রোডের একটি বিন্যাসের জন্য, প্রতিটি t সময়ে ভোল্টেজ রেকর্ড করে, যা V₁(t), V₂(t), থেকে Vₙ(t) পর্যন্ত লেখা হয়, যেকোনো একক ইলেকট্রোড i-এর জন্য CAR-রূপান্তরিত মান হলো:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
সহজ কথায়, একটি নির্দিষ্ট ইলেকট্রোডের জন্য CAR খুঁজে পেতে, একটি নির্দিষ্ট মিলিসেকেন্ডে এর আসল রিডিং নিন এবং ঠিক সেই একই মিলিসেকেন্ডে সমস্ত স্কাল্প ইলেকট্রোডের গড় রিডিং বিয়োগ করুন।
কমন অ্যাভারেজ রেফারেন্স ইইজি-র প্রয়োগ
সঠিক রেফারেন্স পদ্ধতি নির্বাচন করা ডায়াগনস্টিক মূল্যায়ন এবং জটিল গবেষণা অধ্যয়নের সাফল্য নির্ধারণ করে।
ক্লিনিকাল সেটআপগুলো প্রায়শই স্পষ্টতা এবং ধারাবাহিকতাকে অগ্রাধিকার দেয়, এটি নিশ্চিত করে যে নিউরোলজিস্টরা রেফারেন্স-প্ররোচিত আর্টিফ্যাক্টগুলোর হস্তক্ষেপ ছাড়াই মার্কারগুলো সনাক্ত করতে পারেন। হস্তক্ষেপগুলো কীভাবে স্নায়বিক ক্রিয়াকলাপকে প্রভাবিত করতে পারে তা ম্যাপিং করার সময় গবেষকরা এই বিশ্বব্যাপী পদ্ধতি পছন্দ করেন, যা শ্বসন মডুলেটেড দোলনের অনুসন্ধানে প্রদর্শিত হয়েছে, যেখানে স্থানীয় নিউরাল ছন্দ থেকে শ্বসন-সংযুক্ত প্রভাবগুলোকে আলাদা করার জন্য একটি নিরপেক্ষ বেসলাইন প্রয়োজন।
ক্লিনিকাল সেটিংস এবং পরীক্ষামূলক নিউরোসায়েন্স উভয়েই গবেষকরা সামঞ্জস্যপূর্ণ ডেটা ব্যাখ্যার উপর নির্ভর করেন যা কৃত্রিম বিকৃতিকে কমিয়ে দেয়। এই পদ্ধতিটি বিভিন্ন সেশন বা সুবিধা জুড়ে রোগীর রেকর্ডিং তুলনা করার সময় স্বচ্ছতা বজায় রাখতে সহায়তা করে।
স্ট্যান্ডার্ড রেফারেন্সিং ব্যবহার করে, বিশ্লেষকরা নিশ্চিত করেন যে প্রশস্ততায় পরিলক্ষিত পরিবর্তনগুলো বেসলাইনের প্রযুক্তিগত পরিবর্তনের চেয়ে জৈবিক পরিবর্তনগুলোকে প্রতিফলিত করে। এই উদ্দেশ্যমূলক অবস্থানটি আরও স্পষ্ট ডায়াগনস্টিক রিপোর্টিং এবং বিস্তৃত মস্তিষ্কতরঙ্গ পরিমাপ অ্যাপ্লিকেশনগুলোতে বৈধ ফলাফল সমর্থন করে।
কীভাবে CAR কমন-মোড নয়েজ হ্রাস করে
CAR-এর পক্ষে যুক্তিটি কমন-মোড নয়েজ নামক একটি ধারণার উপর ভিত্তি করে তৈরি। এটি এমন হস্তক্ষেপকে বোঝায় যা একটি নির্দিষ্ট অবস্থানের জন্য নির্দিষ্ট নয়েজের পরিবর্তে প্রায় প্রতিটি ইলেকট্রোডে প্রায় একই শক্তিতে প্রদর্শিত হয়।
ক্লাসিক উদাহরণগুলোর মধ্যে রয়েছে কাছাকাছি পাওয়ার সোর্স থেকে 50/60 Hz ইলেকট্রিক্যাল লাইন নয়েজ, পেশীর ক্রিয়াকলাপ যা টিস্যু পরিচালনার মাধ্যমে স্কাল্প জুড়ে ছড়িয়ে পড়ে এবং ত্বকের বিরুদ্ধে ইলেকট্রোড সামান্য সরে যাওয়ার কারণে সৃষ্ট ধীর প্রবাহ।
যেহেতু এই ধরণের নয়েজ বিন্যাস জুড়ে ব্যাপকভাবে ভাগ করা হয়, তাই তাত্ত্বিকভাবে সমস্ত চ্যানেল একসাথে গড় করলে সেই ভাগ করা কোলাহল উপাদানের একটি যুক্তিসঙ্গত অনুমান তৈরি করা উচিত। প্রতিটি চ্যানেল থেকে গড় বিয়োগ করা হলে চ্যানেল-টু-চ্যানেল পার্থক্যগুলো বজায় রেখে সেই ভাগ করা হস্তক্ষেপের অনেকটাই সরিয়ে দেয়, যা প্রকৃত মস্তিষ্কের ক্রিয়াকলাপকে প্রতিফলিত করার সম্ভাবনা বেশি থাকে।
CAR-এর পিছনের মূল অনুমানগুলো
CAR-এর নয়েজ-হ্রাস যুক্তি তখনই বজায় থাকে যখন ডেটার ক্ষেত্রে বেশ কয়েকটি শর্ত সত্য হয়। এই অনুমানগুলো EEG পাঠ্যপুস্তক এবং টিউটোরিয়াল জুড়ে ধারাবাহিকভাবে বর্ণনা করা হয়েছে, যদিও উপলব্ধ প্রমাণের মধ্যে তাদের বাস্তব-জগতের বৈধতা সামান্য।
শূন্য-গড় অনুমান। যেকোনো মুহূর্তে, মাথার সমস্ত ভোল্টেজের গড় শূন্যের কাছাকাছি বলে মনে করা হয়, যার অর্থ ইতিবাচক এবং নেতিবাচক ক্রিয়াকলাপ স্কাল্প জুড়ে মোটামুটি ভারসাম্য বজায় রাখে।
ঘন, সুষম ইলেকট্রোড কভারেজ। মনে করা হয় যে বিন্যাসটি মাথাকে পুঙ্খানুপুঙ্খভাবে কভার করে যাতে গড়মানটি এমন একটি রেফারেন্স পয়েন্টের সাথে মিলে যায় যা মাথা থেকে অসীম দূরে এবং তাই বৈদ্যুতিকভাবে নিরপেক্ষ হিসেবে রেকর্ড করবে। স্পার্স বা অসম কভারেজ এই অনুমানকে দুর্বল করে।
কোনো একক প্রভাবশালী উৎস নেই। কোনো একটি ইলেকট্রোড, খারাপ চ্যানেল বা বড় আর্টিফ্যাক্ট (যেমন চোখের একটি শক্তিশালী পলক) নিজ থেকে গড়কে তির্যক করার মতো বড় হওয়া উচিত নয়।
যখন এই তিনটি শর্ত বজায় থাকে, তখন গড়টি প্রকৃতপক্ষে একটি নিরপেক্ষ রেফারেন্স পয়েন্টের মতো আচরণ করে। যখন তারা তা করে না, তখন গড় নিজেই বিকৃত হয়ে যায় এবং একটি বিকৃত গড় বিয়োগ করলে পুরানো সমস্যাগুলো দূর করার পরিবর্তে নতুন সমস্যা তৈরি হয়।
বাস্তব EEG ডেটা দিয়ে CAR-এর অনুমানগুলো পরীক্ষা করা
একটি সর্বজনীনভাবে উপলব্ধ রেস্টিং-স্টেট EEG রেকর্ডিং গ্রহণ করা, উদাহরণস্বরূপ একটি স্ট্যান্ডার্ড 64-চ্যানেল ডেটাসেট, এবং CAR প্রয়োগ করার আগে গ্লোবাল গড় ওয়েভফর্ম গণনা করা প্রায়শই এমন মানগুলো প্রকাশ করে যা শূন্য থেকে বিচ্যুত হয়, কখনও কখনও লক্ষণীয় ব্যবধানে। এই বিচ্যুতি কাঁচা সিগন্যালে থাকা কমন-মোড উপাদানের প্রত্যক্ষ প্রমাণ, যা দূর করার জন্যই CAR ডিজাইন করা হয়েছে। CAR প্রয়োগ করার পর, সূত্রের সংজ্ঞানুযায়ী, সেই একই গ্লোবাল গড় প্রতিটি সময় বিন্দুতে ঠিক শূন্য হতে বাধ্য করা হয়।
একটি আরও প্রকাশ্য পরীক্ষার মধ্যে চোখের পলকের বড় আর্টিফ্যাক্ট ধারণকারী সময়কাল বা epoch-গুলো লক্ষ্য করা জড়িত।
চোখের পলক ফেলার কারণে বড় ভোল্টেজ পরিবর্তন তৈরি হয় যা ফ্রন্টাল ইলেকট্রোডে সবচেয়ে শক্তিশালী হয় তবে বাকি বিন্যাসের অনেকটাই প্রভাবিত করে। এই epoch-গুলোর সময়, CAR-এর আগের গ্লোবাল গড় প্রায়শই শূন্য থেকে তীব্রভাবে সরে যায়, কারণ চোখের পলক সবজায়গায় সমানভাবে বিতরণ করা হয় না বরং মাথার এক অংশে ঘনীভূত হয়। যখন CAR প্রয়োগ করা হয়, তখন এই ঘনীভূত আর্টিফ্যাক্টটি গড়ের মধ্যে যুক্ত হয়ে যায় এবং প্রতিটি চ্যানেলে কম পরিমাণে পুনরায় বিতরণ করা হয়, যার মধ্যে চোখের থেকে অনেক দূরে থাকা চ্যানেলগুলোও অন্তর্ভুক্ত যা মূলত পরিষ্কার ছিল।
গবেষণা কী বলে: BCI অধ্যয়ন থেকে মিশ্র প্রমাণ
পূর্বোক্ত গবেষণায় অফলাইন এবং অনলাইন উভয় পরীক্ষার শর্তে তিনটি P300 স্পেলার ডেটাসেট জুড়ে বারোটি রি-রেফারেন্সিং কৌশলের তুলনা করা হয়েছে এবং সিদ্ধান্ত নেওয়া হয়েছে যে বারোটির মধ্যে CAR ছিল সবচেয়ে উপযুক্ত কৌশল। তবে, গবেষণায় শ্রেণীবিভাগের নির্ভুলতার গ্রাফিকাল তুলনা এবং স্ট্যান্ডার্ড ডেভিয়েশন সহ গড় সর্বোচ্চ বিটরেটের বিবরণী প্রদান করা হলেও, এটি পদ্ধতিগুলোর মধ্যে প্রভাবের মাত্রা বা আনুষ্ঠানিক পরিসংখ্যানগত তাত্পর্য পরীক্ষা রিপোর্ট করে না, যা উক্ত র্যাঙ্কিংয়ে কতটা আস্থা রাখা যেতে পারে তা সীমিত করে।
এদিকে একটি 2017 সালের গবেষণায় মোটর ইমেজরি এবং মুভমেন্ট-ইনটেনশন টাস্কের সাথে একটি ভিন্ন পদ্ধতি গ্রহণ করা হয়েছে। এগারো জন ব্যক্তি ডান কব্জির নড়াচড়া সম্পাদন এবং কল্পনা করেছিলেন যখন ২৮টি ইলেকট্রোড থেকে EEG রেকর্ড করা হয়েছিল। সিগন্যালটি CAR এবং ল্যাপ্লাসিয়ান রেফারেন্সিং উভয়ই ব্যবহার করে প্রক্রিয়া করা হয়েছিল—এটি একটি স্পেশিয়াল ফিল্টারিং পদ্ধতি যা পুরো স্কাল্পের গড়ের পরিবর্তে একটি কেন্দ্রীয় ইলেকট্রোড এবং তার পার্শ্ববর্তী ইলেকট্রোডের মধ্যে পার্থক্যকে জোর দেয়।
ল্যাপ্লাসিয়ান রেফারেন্সিং ব্যবহার করে শ্রেণীবিভাগের নির্ভুলতা কল্পিত আন্দোলনের জন্য 63.33% থেকে 100% এবং প্রকৃত আন্দোলনের জন্য 60% থেকে 96.67% পর্যন্ত ছিল, যেখানে k-নিয়ারেস্ট নেইবার ক্লাসিফায়ারগুলো কোয়াড্রেটিক ডিসক্রিমিন্যান্ট বিশ্লেষণের চেয়ে ভালো পারফর্ম করেছে। ল্যাপ্লাসিয়ান রেফারেন্সিং সামগ্রিকভাবে CAR-এর চেয়ে ভালো পারফর্ম করেছে, যদিও গবেষণাটি সরাসরি তুলনার জন্য CAR-এর সঠিক নির্ভুলতার সংখ্যা রিপোর্ট করে না। এই ফলাফলটি নির্দেশ করে যে CAR ফুসফুস-সম্পর্কিত বা স্থানীয় মোটর-সম্পর্কিত মস্তিষ্কের ক্রিয়াকলাপের কাজের জন্য কম উপযুক্ত হতে পারে।
অবশেষে, পূর্বোক্ত 2025 সালের গবেষণায় মোটর ইমেজরি ক্লাসিফিকেশনের জন্য একটি বৃহত্তর কনভোল্যুশনাল নিউরাল নেটওয়ার্ক পাইপলাইনের মধ্যে একটি প্রাথমিক প্রি-প্রসেসিং ধাপ হিসাবে CAR-কে এমবেড করা হয়েছে, যার মধ্যে স্লাইডিং টাইম উইন্ডো, স্পেকট্রাল ট্রান্সফরমেশন এবং ফ্রিকোয়েন্সি-ব্যান্ড এক্সট্রাকশন অন্তর্ভুক্ত ছিল। সম্পূর্ণ পাইপলাইনটি একটি কম্পিটিশন বেঞ্চমার্ক ডেটাসেটে 91.75% নির্ভুলতা অর্জন করেছে। এটি একটি শক্তিশালী ফলাফল, কিন্তু যেহেতু CAR বেশ কয়েকটি প্রক্রিয়াকরণ পদক্ষেপের মধ্যে একটি মাত্র ছিল, তাই অধ্যয়নটি আমাদের বলতে পারে না যে সেই নির্ভুলতার কতটা সরাসরি CAR-এর নাকি CNN আর্কিটেকচার, উইন্ডোয়িং কৌশল বা ফ্রিকোয়েন্সি-ব্যান্ড নির্বাচনের অবদান।
একত্রে বিবেচনা করলে, এই তিনটি গবেষণা একক কোনো সিদ্ধান্তে পৌঁছায় না। CAR একটি P300 প্রসঙ্গে ভাল পারফর্ম করেছে, মোটর ইমেজরি প্রসঙ্গে একটি বিকল্পের চেয়ে খারাপ পারফর্ম করেছে এবং একটি উচ্চ-নির্ভুলতার ডিপ-লার্নিং প্রসঙ্গে উপস্থিত থাকলেও তা আলাদা করা যায়নি। সুতরাং, আলোচিত প্রমাণগুলো নির্দেশ করে যে CAR-এর স্বতন্ত্র সুবিধাটি এখনও অস্পষ্ট এবং মনে হয় এটি পরিমাপ করা মস্তিষ্কের সিগন্যালের ধরণের উপর ব্যাপকভাবে নির্ভর করে।
যখন CAR ব্যর্থ হয়: আর্টিফ্যাক্ট, স্পার্স অ্যারে এবং ফোকাল সোর্স
এইসব গবেষণা জুড়ে দৃশ্যমান প্যাটার্নটি তিনটি ব্যর্থতার মোডের সাথে মিলে যায় যা EEG পদ্ধতিতে ব্যাপকভাবে আলোচিত কিন্তু উপলব্ধ গবেষণায় প্রত্যক্ষ প্রমাণ দ্বারা আংশিকভাবে সমর্থিত।
বড় আর্টিফ্যাক্ট। একটি একক উচ্চ-প্রশস্ততার ঘটনা, যেমন চোখের একটি শক্তিশালী পলক বা পেশীর স্পাইক, গড়ের হিসাবকে প্রভাবিত করতে পারে যদি এটি বাকি বিন্যাসের তুলনায় যথেষ্ট বড় হয়। যখন এটি ঘটে, CAR আর্টিফ্যাক্টটি অপসারণ করে না; এটি প্রতিটি চ্যানেলে এর একটি বিকৃত সংস্করণ ছড়িয়ে দেয়, এমনকি সেগুলোতেও যা মূলত আর্টিফ্যাক্ট-মুক্ত ছিল। এটি আলাদাভাবে পরীক্ষিত অনুসন্ধানের চেয়ে CAR সূত্রের একটি সরাসরি পরিণতি, তবে এটি এই নিবন্ধে আগে বর্ণিত প্রদর্শনের উপর ভিত্তি করে যৌক্তিকভাবে অনুসরণ করে।
স্পার্স অ্যারে। CAR গড়মানের একটি নিরপেক্ষ রেফারেন্স পয়েন্টের কাছাকাছি যাওয়ার ওপর নির্ভর করে, যার জন্য স্কাল্পের যুক্তিসঙ্গত ঘন এবং সমান কভারেজ প্রয়োজন। মাত্র কয়েকটি ইলেকট্রোড সহ, উদাহরণস্বরূপ আট থেকে ষোলটি চ্যানেল, গড় মানটি সেই নিরপেক্ষ বিন্দুর একটি দুর্বল অনুমান দেয় এবং CAR-এর পিছনের কভারেজের অনুমানটি সরাসরি লঙ্ঘিত হয়।
ফোকাল সোর্স। মস্তিষ্কের ক্রিয়াকলাপ যা পুরো স্কাল্প জুড়ে ব্যাপকভাবে ছড়িয়ে পড়ার পরিবর্তে একটি ছোট, স্থানীয় অঞ্চল থেকে উদ্ভূত হয়, তা একটি "স্থানীয়" সিগন্যালের মতো আচরণ করতে পারে যা সংরক্ষণ করার জন্য CAR-এর সম্পূর্ণ বিন্যাসের গড় ডিজাইন করা হয়নি। যেহেতু CAR একটি বিশ্বব্যাপী গড় বিয়োগ করে, তাই এটি আংশিকভাবে সেই সিগন্যালগুলোকে বাতিল করতে পারে যা বিস্তৃত হওয়ার পরিবর্তে ঘনীভূত।
ব্যর্থতার মোড (Failure Mode) | মূল সমস্যা |
|---|---|
আর্টিফ্যাক্ট (Artifacts) | বড় আর্টিফ্যাক্ট গড়কে পরিবর্তন করে দেয় |
স্পার্স অ্যারে (Sparse Arrays) | খুব কম ইলেকট্রোড, দুর্বল রেফারেন্স |
ফোকাল সোর্স (Focal Sources) | স্থানীয় সিগন্যালগুলো দুর্বল হয়ে যেতে পারে |
কীভাবে CAR-এর দুর্বলতাগুলো প্রশমিত করা যায়
এই প্রধান সমস্যাগুলো সমাধানের জন্য EEG অনুশীলনে সাধারণত বেশ কয়েকটি সমন্বয়ের সুপারিশ করা হয়:
যখন বড় আর্টিফ্যাক্টগুলো উদ্বেগের কারণ হয়, তখন CAR গণনা করার আগে খারাপ চ্যানেল বা আর্টিফ্যাক্ট-ভারী অংশগুলো সনাক্ত করুন এবং ইন্টারপোলেট বা অপসারণ করুন।
একটি স্পার্স অ্যারে (যেমন, 8-16 চ্যানেল) নিয়ে কাজ করার সময়, CAR এড়িয়ে চলুন এবং একটি নির্দিষ্ট শারীরিক রেফারেন্স ব্যবহার করুন যেমন লিঙ্কযুক্ত মাস্টয়েড।
ফোকাল, স্থানীয় মস্তিষ্কের ক্রিয়াকলাপকে লক্ষ্য করে করা কাজের ক্ষেত্রে, ল্যাপ্লাসিয়ান রেফারেন্সিং বা সোর্স-স্পেস পদ্ধতিগুলো বিবেচনা করুন যা বিশ্বব্যাপী গড়ের পরিবর্তে স্থানীয় গ্রেডিয়েন্টগুলোকে জোর দেয়।
CAR কি আপনার EEG সেটআপের জন্য সঠিক রেফারেন্স পছন্দ?
CAR একটি সুনির্দিষ্ট এবং সুসংগত গাণিতিক ভিত্তি সহ একটি ব্যাপকভাবে ব্যবহৃত রেফারেন্স পদ্ধতি হিসেবে রয়ে গেছে। এটি বিন্যাস জুড়ে গড় সংকেতকে শূন্য হতে বাধ্য করে এবং এটি নীতিগতভাবে, স্কাল্প জুড়ে ব্যাপকভাবে এবং সমানভাবে প্রদর্শিত নয়েজ দূর করতে পারে। সেই তাত্ত্বিক আকর্ষণই ব্যাখ্যা করে যে কেন এটি ইইজি এবং BCI পাইপলাইনগুলোতে প্রায়শই একটি ডিফল্ট ধাপ হিসাবে প্রদর্শিত হয়।
যে কেউ তাদের নিজস্ব ডেটাতে CAR প্রয়োগ করছেন তাদের এটিকে স্বয়ংক্রিয়ভাবে ধরে নেওয়ার চেয়ে কোনো গ্যারান্টিযুক্ত উন্নতি হিসেবে না দেখে একটি যুক্তিসঙ্গত ডিফল্ট হিসাবে বিবেচনা করা উচিত। এর অনুমানগুলো—একটি মোটামুটি শূন্য-গড় সংকেত, ঘন এবং সমান ইলেকট্রোড কভারেজ এবং একটি প্রভাবশালী আর্টিফ্যাক্টের অনুপস্থিতি—নির্দিষ্ট রেকর্ডিং সেটআপ এবং কাজের বিপরীতে পরীক্ষা করা উচিত।
যেখানে এই অনুমানগুলো বজায় থাকার সম্ভাবনা কম, বিশেষ করে স্পার্স অ্যারে বা ফোকাল, স্থানীয় মস্তিষ্কের উৎসের উপর দৃষ্টি নিবদ্ধ করে করা কাজগুলোর ক্ষেত্রে, ল্যাপ্লাসিয়ান রেফারেন্সিংয়ের মতো বিকল্পগুলো গুরুত্ব সহকারে বিবেচনা করা উচিত।
কেন ডিফল্ট সেটিংসের চেয়ে আপনার EEG রেফারেন্স অনুমিতিগুলো পরীক্ষা করা বেশি গুরুত্বপূর্ণ
কমন অ্যাভারেজ রেফারেন্সটি ইলেকট্রোড জুড়ে ভাগ করা কোলাহল অপসারণ করার জন্য পুরো স্কাল্পের গড় বিয়োগ করার সহজ গাণিতিক ধারণার উপর তৈরি করা হয়েছে। এটি কাগজে-কলমে চমৎকারভাবে কাজ করে, কিন্তু বাস্তব মস্তিষ্কের রেকর্ডিং খুব কমই নিখুঁতভাবে সহযোগিতা করে। অ্যালগরিদম সর্বদা ইলেকট্রোডের গড় শূন্য হতে বাধ্য করে, কিন্তু সেই জোরপূর্বক ভারসাম্য মস্তিষ্কের ক্রিয়াকলাপের আরও পরিষ্কার চিত্রের গ্যারান্টি দেয় না—কেবলমাত্র সংখ্যাগুলো যোগ করে।
EEG মন্টেজের চেয়ে যা বেশি গুরুত্বপূর্ণ তা হলো রেকর্ডিং সেটআপটি মূল অনুমানগুলো পূরণ করে কিনা। ঘন, এমনকি ইলেকট্রোড কভারেজ এবং চোখের পলকের মতো অপ্রতিরোধ্য আর্টিফ্যাক্টের অনুপস্থিতি CAR-কে একটি ঝুঁকিপূর্ণ শর্টকাট থেকে একটি দরকারী টুলে পরিণত করতে পারে। স্পার্স অ্যারে বা ছোট, সংজ্ঞায়িত মস্তিষ্কের সংকেতগুলো ক্যাপচার করার জন্য প্রয়োজনীয় কাজের ক্ষেত্রে, এই একই পদক্ষেপটি দূষণ ছড়িয়ে দিতে পারে এবং একজন গবেষক যে ক্রিয়াকলাপটি সনাক্ত করতে চান তা ঝাপসা করে দিতে পারে।
গবেষণা থেকে প্রাপ্ত ফলাফল এটি নয় যে CAR ভালো নাকি খারাপ, বরং এর ব্যবহার ডেটা পরিস্থিতির একটি সচেতন যাচাই দাবি করে, কোনো জনপ্রিয় প্রিসেটের ওপর চোখ বন্ধ করে বিশ্বাস নয়।
তথ্যসূত্র
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
ইইজিতে কমন অ্যাভারেজ রেফারেন্স (CAR) কী?
CAR হলো একটি রি-রেফারেন্সিং পদ্ধতি যা প্রতিটি সময় বিন্দুতে প্রতিটি পৃথক ইলেকট্রোড থেকে সমস্ত স্কাল্প ইলেকট্রোডের গড় ভোল্টেজ বিয়োগ করে। এটি রেকর্ডিংয়ের জন্য আরও স্থিতিশীল রেফারেন্স পয়েন্ট তৈরির লক্ষ্যে পুরো স্কাল্পের গড় দিয়ে একটি একক শারীরিক রেফারেন্সকে প্রতিস্থাপন করে।
CAR কীভাবে EEG সিগন্যালে নয়েজ কমায়?
CAR কমন-মোড নয়েজকে লক্ষ্য করে—এমন হস্তক্ষেপ যা বহু ইলেকট্রোড জুড়ে একইভাবে প্রদর্শিত হয়, যেমন পাওয়ার লাইনের গুনগুন শব্দ বা পেশীর ক্রিয়াকলাপ। সমস্ত চ্যানেলের গড় করে এবং সেই গড় বিয়োগ করে, ভাগ করা কোলাহল অনেকটাই অপসারণ করা হয় এবং চ্যানেল-নির্দিষ্ট মস্তিষ্কের ক্রিয়াকলাপের পার্থক্যগুলো সংরক্ষিত হয়।
CAR ভালোভাবে কাজ করার জন্য প্রয়োজনীয় মূল অনুমানগুলো কী কী?
CAR ধরে নেয় যে প্রতিটি মুহূর্তে স্কাল্প-ব্যাপী ভোল্টেজের গড় শূন্যের কাছাকাছি থাকে, ইলেকট্রোড কভারেজ ঘন এবং সমান হয় এবং কোনো একক আর্টিফ্যাক্ট বা চ্যানেল গড়কে প্রভাবিত করে না। যদি এগুলো বজায় না থাকে, তবে গণনাকৃত গড় বিকৃত হয়ে যায় এবং এটি বিয়োগ করার ফলে ত্রুটি দেখা দেয়।
কখন CAR ব্যর্থ হয় বা আর্টিফ্যাক্ট তৈরি করে?
CAR চোখের পলকের মতো বড়, স্থানীয় আর্টিফ্যাক্টগুলোর ক্ষেত্রে ব্যর্থ হতে পারে, যা গড়কে পরিবর্তন করে দেয় এবং তারপরে সমস্ত চ্যানেলে ছড়িয়ে পড়ে। এটি স্পার্স ইলেকট্রোড অ্যারে বা মস্তিষ্কের সিগন্যালগুলোর ক্ষেত্রেও সমস্যার সৃষ্টি করে যা অত্যন্ত ঘনীভূত বা ফোকাল, কারণ বিশ্বব্যাপী গড় তখন আর নিরপেক্ষ রেফারেন্সের প্রতিনিধিত্ব করে না।
CAR-এর কার্যকারিতা সম্পর্কে উপলব্ধ গবেষণা কী বলে?
প্রমাণ মিশ্র। একটি গবেষণায় দেখা গেছে যে CAR একটি P300 স্পেলার টাস্কের জন্য বেশ ভালো কাজ করেছে, তবে অন্য একটি গবেষণায় দেখা গেছে যে মোটর ইমেজরির জন্য ল্যাপ্লাসিয়ান রেফারেন্সিং CAR-এর চেয়ে ভালো পারফর্ম করেছে। তৃতীয় একটি গবেষণায় একটি সফল ডিপ-লার্নিং পাইপলাইনে CAR ব্যবহার করা হয়েছে কিন্তু এর সুনির্দিষ্ট অবদানকে আলাদা করা হয়নি, তাই এর একক সুবিধা এখনও অস্পষ্ট রয়ে গেছে।
আমার EEG বিশ্লেষণের জন্য কি সবসময় ডিফল্ট রেফারেন্স হিসাবে CAR ব্যবহার করা উচিত?
চোখ বন্ধ করে নয়। আপনার যদি ঘন, সমান ইলেকট্রোড কভারেজ থাকে এবং প্রভাবশালী আর্টিফ্যাক্ট ছাড়াই সিগন্যালটি প্রায় শূন্য-গড় হয় তবে CAR একটি যুক্তিসঙ্গত ডিফল্ট। স্পার্স অ্যারে বা ফোকাল মস্তিষ্কের ক্রিয়াকলাপের জন্য, একটি নির্দিষ্ট শারীরিক রেফারেন্স বা ল্যাপ্লাসিয়ান রেফারেন্সিংয়ের মতো বিকল্পগুলো আরও উপযুক্ত হতে পারে।
ল্যাপ্লাসিয়ান রেফারেন্সিং কী এবং এটি কীভাবে CAR-এর সাথে তুলনা করে?
ল্যাপ্লাসিয়ান রেফারেন্সিং একটি কেন্দ্রীয় ইলেকট্রোড এবং তার পার্শ্ববর্তী ইলেকট্রোডের মধ্যে ভোল্টেজের পার্থক্যকে জোর দেয়, যা স্থানীয় মস্তিষ্কের ক্রিয়াকলাপকে হাইলাইট করে। এটি একটি মোটর ইমেজরি গবেষণায় CAR-এর চেয়ে ভালো পারফর্ম করেছে, যা নির্দেশ করে যে এটি স্থানিকভাবে ঘনীভূত সংকেত সনাক্ত করার জন্য আরও উপযুক্ত।
আমি যখন CAR ব্যবহার করতে চাই তখন কীভাবে এর দুর্বলতাগুলো কমাতে পারি?
CAR গণনা করার আগে, খারাপ চ্যানেল এবং চোখের পলকের মতো বড় আর্টিফ্যাক্টগুলো সনাক্ত এবং অপসারণ বা ইন্টারপোলেট করুন। এটি একটি একক কোলাহলপূর্ণ চ্যানেল বা ঘটনাকে পুরো স্কাল্পের গড় বিকৃত করা এবং সমস্ত চ্যানেলকে দূষিত করা থেকে বিরত রাখে।
একটি CAR-রেফারেন্সযুক্ত রেকর্ডিংয়ে চোখের পলক পড়লে কী ঘটে?
চোখের পলক ফেলার ফলে ফ্রন্টাল ইলেকট্রোডে ঘনীভূত শক্তিশালী ভোল্টেজ শিফট তৈরি হয়। যখন CAR প্রয়োগ করা হয়, তখন চোখের পলকের প্রভাব গ্লোবাল গড়ের মধ্যে অন্তর্ভুক্ত হয় এবং তারপরে বিয়োগ করা হয়, যা প্রতিটি চ্যানেলে চোখের পলকের একটি ছোট কিন্তু বিকৃত সংস্করণ ছড়িয়ে দেয়, এমনকি মূলত পরিষ্কার থাকা চ্যানেলগুলোতেও।
CAR কি সত্যিই সব চ্যানেলের গড় শূন্য করে দেয়?
হ্যাঁ, সংজ্ঞানুযায়ী CAR রূপান্তর প্রতিটি সময় বিন্দুতে সমস্ত রি-রেফারেন্সযুক্ত ভোল্টেজের যোগফলকে শূন্য হতে বাধ্য করে। তবে, এই গাণিতিক বৈশিষ্ট্যটি গ্যারান্টি দেয় না যে ফলস্বরূপ সংকেতটি মস্তিষ্কের ক্রিয়াকলাপের একটি পরিষ্কার উপস্থাপন—এটি কেবলমাত্র এমন একটি শর্ত প্রয়োগ করে যা বাস্তবের সাথে মিলতেও পারে আবার নাও মিলতে পারে।
Emotiv একটি নিউরোটেকনোলজি শীর্ষস্থানীয় প্রতিষ্ঠান, যা সহজলভ্য EEG এবং ব্রেন ডেটা টুলের মাধ্যমে স্নায়ুবিজ্ঞান গবেষণার অগ্রগতিতে সহায়তা করে।
ক্রিশ্চিয়ান বার্গোস
