ডিসক্রিট ফুরিয়ার অ্যানালাইসিস (DFT) জটিল সংকেতগুলোকে সুনির্দিষ্ট ব্যাখ্যার জন্য তাদের মৌলিক পর্যায়বৃত্ত উপাদানগুলিতে বিভক্ত করার একটি শক্তিশালী কাঠামো প্রদান করে।
এই নিবন্ধটি বিস্তারিত আলোচনা করে কীভাবে DFT নমুনাযুক্ত ভোল্টেজ ডেটার একটি সীমিত ব্লগকে, যেমন একটি বিশ্রাম-অবস্থার রেকর্ডিং বা একটি টাস্ক-ভিত্তিক পরীক্ষা থেকে প্রাপ্ত একটি একক ব্লগকে, ফ্রিকোয়েন্সি উপাদানগুলির একটি সেটে রূপান্তরিত করে।
ডিসক্রিট ফুরিয়ার বিশ্লেষণ (Discrete Fourier Analysis) কী?
ডিসক্রিট ফুরিয়ার বিশ্লেষণ হলো এমন একটি গাণিতিক পদ্ধতি যা নমুনাযুক্ত সিগন্যালগুলোকে তাদের উপাদানগত তরঙ্গের একটি সিরিজে বিভক্ত করে ব্যাখ্যা করতে সাহায্য করে।
ডেটাকে একটি অবিচ্ছিন্ন প্রবাহ হিসেবে দেখার পরিবর্তে, এই পদ্ধতিটি সংখ্যার ডিসক্রিট, সসীম ক্রমগুলোকে প্রসেস করে—যেমন EEG রেকর্ডিং সিস্টেম থেকে প্রাপ্ত ভোল্টেজ রিডিং—যাতে বিভিন্ন দোলন চক্রের আপেক্ষিক শক্তি চিহ্নিত করা যায়। এই নমুনাগুলোকে অ্যামপ্লিচিউড এবং ফেজের সংখ্যাগত উপস্থাপনায় রূপান্তর করে গবেষকরা একটি ডেটাসেটের মধ্যে কোন ফ্রিকোয়েন্সি উপাদানগুলো সবচেয়ে বেশি প্রভাবশালী সে সম্পর্কে একটি স্পষ্ট ধারণা পেয়ে থাকেন।
এই প্রযুক্তিটি র-ডেটা সংগ্রহ এবং অর্থপূর্ণ তথ্য আহরণের মধ্যকার ব্যবধান ঘুচিয়ে দেয়, যা মূলত একটি ডিজিটাল প্রিজমের মতো কাজ করে। যখন এটি জটিল তরঙ্গরূপের ওপর প্রয়োগ করা হয়, তখন এই প্রক্রিয়াটি ওভারল্যাপ হওয়া দোলনগুলোকে পাঠযোগ্য ব্যান্ডে আলাদা করে ফেলে, যার ফলে নির্দিষ্ট ছন্দময় সিগনেচারগুলোকে আলাদা করা সম্ভব হয় যা অন্যথায় বৃহত্তর সিগন্যাল নয়েজের আড়ালে ঢাকা পড়ে থাকত। এটি আধুনিক neuroscience গবেষণার একটি ভিত্তিপ্রস্তর, যেখানে সুস্থ নিউরাল ফাংশন এবং প্যাথলজিকাল অবস্থা উভয় বোঝার জন্য স্বতন্ত্র মস্তিষ্কের কার্যকলাপের প্যাটার্নগুলোকে আলাদা করা অত্যন্ত প্রয়োজন।
টেম্পোরাল সিকোয়েন্স পুনর্গঠনে frequency analysis-এর ক্ষমতাকে কাজে লাগিয়ে বিজ্ঞানীরা পারিপার্শ্বিক বৈদ্যুতিক নয়েজ বা আর্টিফ্যাক্টগুলোকে কার্যকরভাবে ফিল্টার করতে পারেন যা একটি রিডিংকে দূষিত করতে পারে। এই রূপান্তরটি কেবল একটি পরিসংখ্যানগত অনুশীলন নয়, বরং এটি একটি গুরুত্বপূর্ণ হাতিয়ার যা একটি পরিমাণগত বিন্যাসে সূক্ষ্ম, উচ্চ-ফ্রিকোয়েন্সি দোলনগুলোকে দৃশ্যমান করে তোলে। বিভিন্ন ফ্রিকোয়েন্সি ব্যান্ডে শক্তির ফলস্বরূপ বণ্টনটি বর্তমান যুগের ক্লিনিক্যাল ল্যাবগুলোতে করা ডায়াগনস্টিক মূল্যায়নের মূল ভিত্তি তৈরি করে।
ইইজি সিগন্যাল প্রসেসিংয়ে ডিসক্রিট ফুরিয়ার ট্রান্সফর্ম (এবং FFT) আসলে কী কাজ করে
একবার যখন একটি অবিচ্ছিন্ন ইইজি সিগন্যাল সসীম সংখ্যার ক্রমে নমুনাযুক্ত হয়ে যায়, তখন ডিএফটি (DFT) এর ওপর কাজ করতে পারে। ভোল্টেজের N সংখ্যক নমুনা দেওয়া হলে, ডিএফটি N সংখ্যক জটিল সংখ্যা তৈরি করে, যার প্রতিটি একটি নির্দিষ্ট, সংকীর্ণ ফ্রিকোয়েন্সি স্লাইসের অবদানকে উপস্থাপন করে, যাকে বিন (bin) বলা হয়। একটি বিশৃঙ্খল ভোল্টেজ ট্রেসের পরিবর্তে, আপনি একটি সুবিন্যস্ত তালিকা পাবেন যা দেখায় যে ওই রেকর্ডিংয়ে প্রতিটি ফ্রিকোয়েন্সি কতটুকু পরিমাণে উপস্থিত আছে।
N-এর মান বৃদ্ধি পাওয়ার সাথে সাথে সরাসরি ডিএফটি হিসাব করা ধীরগতির হয়ে যায়, কারণ এই গণনাটি নমুনার সংখ্যার বর্গের সাথে বৃদ্ধি পায়। ফাস্ট ফুরিয়ার ট্রান্সফর্ম বা এফএফটি (FFT) হলো এমন একটি অ্যালগরিদম যা অত্যন্ত দক্ষতার সাথে চালানোর পাশাপাশি গাণিতিকভাবে অভিন্ন ফলাফল তৈরি করে।
বাস্তবে, খুব কম লোকই সরাসরি গাণিতিক শক্তির ব্যবহারে একটি র-ডিএফটি গণনা করে থাকে। এফএফটি হলো সেখানে পৌঁছানোর একটি সহজ, মানসম্মত ও কার্যকর উপায় এবং EEG research-এ এই দুটি পদ প্রায়শই পরষ্পরের পরিবর্তে ব্যবহৃত হয়।
কীভাবে একটি র-ইইজি ফ্রিকোয়েন্সি স্পেকট্রাম পড়তে হয়
ধরা যাক একটি রেকর্ডিংয়ে N সংখ্যক নমুনা রয়েছে, যা প্রতি সেকেন্ডে fₛ নমুনার একটি স্যাম্পলিং রেটে নেওয়া হয়েছে। ওই রেকর্ডিংয়ের ডিএফটি 0 Hz থেকে fₛ Hz পর্যন্ত বিস্তৃত N সংখ্যক সমদূরবর্তী ফ্রিকোয়েন্সি বিন তৈরি করে।
পাশাপাশি অবস্থিত বিনগুলোর মধ্যকার দূরত্বকে বিন উইথ (bin width) বলা হয়, যা fₛ-কে N দ্বারা ভাগ করলে পাওয়া যায়। বিন উইথের এই একক সংখ্যাটি বিশ্লেষণটি কতটা সূক্ষ্ম ফ্রিকোয়েন্সি বিশদ সনাক্ত করতে পারে তা নির্ধারণ করে।
যেহেতু ইইজি ভোল্টেজ একটি জটিল সিগন্যাল না হয়ে বাস্তব-মানসম্পন্ন সিগন্যাল হয়ে থাকে, সেহেতু এই বিনগুলোর কেবল প্রথম অর্ধাংশ, বিশেষ করে N/2 + 1 বিন ইউনিক তথ্য ধারণ করে। বাকি বিনগুলো প্রথম অর্ধাংশের হুবহু প্রতিচ্ছবি এবং নতুন কিছুই যোগ করে না। k নম্বর বিনটি k-কে বিন উইথ (fₛ / N) দ্বারা গুণিতক একটি বাস্তব ফ্রিকোয়েন্সির অনুরূপ হয়।
এই প্রতিটি বিনে, ডিএফটি একটি জটিল সংখ্যা আউটপুট দেয়, যার অর্থ হলো এতে একটি উপাদানের পরিবর্তে দুটি উপাদান থাকে। সেই জটিল সংখ্যার মানটি হলো সংশ্লিষ্ট ফ্রিকোয়েন্সি উপাদানের অ্যামপ্লিচিউড, যা সঠিকভাবে স্কেল করার পর মাইক্রোভোল্টে প্রকাশ করা হয়। এটি আপনাকে জানায় যে রেকর্ড করা অংশের মধ্যে ওই নির্দিষ্ট ছন্দটি কতটা শক্তিশালী।
জটিল সংখ্যার কোণটি হলো ফেজ (phase), যা আপনাকে জানায় যে রেকর্ডিংয়ের শুরুতে ওই ছন্দটি তার চক্রের ঠিক কোথায় রয়েছে, যা উইন্ডোটির শুরুর সাপেক্ষে ছন্দটির সর্বোচ্চ শিখরে পৌঁছানোর সময়কে কার্যকরভাবে চিহ্নিত করে।
তিনটি সীমাবদ্ধতা যা প্রতিটি ইইজি স্পেকট্রামকে প্রভাবিত করে
তিনটি ব্যবহারিক সীমাবদ্ধতা নির্ধারণ করে যে একটি ডিএফটি-ভিত্তিক স্পেকট্রাম আসলে কতটা নির্ভরযোগ্য, এবং এই তিনটি বিষয়ই এই ধারণার ওপর ভিত্তি করে তৈরি যে ইনপুটটি একটি অসীম ও অবিচ্ছিন্ন রেকর্ডের পরিবর্তে একটি সসীম ও নমুনাযুক্ত রেকর্ড:
বিন উইথ (ফ্রিকোয়েন্সি রেজোলিউশন) fₛ-কে N দ্বারা ভাগ করার সমান; কেবল দীর্ঘতর রেকর্ডিংই পাশাপাশি থাকা দুটি ছন্দকে আলাদা করতে পারে।
স্যাম্পলিং রেটের অর্ধেক অংশে অবস্থিত নাইকুইস্ট সীমা (Nyquist limit) দ্রুততর ব্রেন অ্যাক্টিভিটিকে স্থায়ীভাবে এলিয়াসড (aliased) করে ফেলে, যদি না স্যাম্পলিংয়ের আগেই ফিল্টার করা হয়।
যখন কোনো ফ্রিকোয়েন্সি বিন সেন্টারগুলোর মাঝে পড়ে যায়, তখন স্পেকট্রাল লিকেজ একটি ছন্দের শক্তিকে পার্শ্ববর্তী বিনগুলোতে ছড়িয়ে দেয়; টেপারিং উইন্ডো এই ছড়িয়ে পড়া কমিয়ে আনে।
রেস্টিং-স্টেট এবং ব্লক-ডিজাইন ইইজি-তে ডিএফটি প্রয়োগ করা
ডিএফটি অন্তত পরোক্ষভাবে ধরে নেয় যে সিগন্যালের ফ্রিকোয়েন্সি কনটেন্ট বিশ্লেষণ করা অংশের সময় খুব বেশি পরিবর্তিত হয় না। এই ধারণাটি দীর্ঘস্থায়ী বিশ্রাম বা পুনরাবৃত্তিমূলক জ্ঞানীয় কাজের একটি অভিন্ন ব্লকের সময় যুক্তিযুক্ত, যে অবস্থাগুলো মোটামুটি অপরিবর্তিত থাকে। সেই পরিস্থিতিতে, পুরো যুগ ধরে নেওয়া একটি একক ডিএফটি এমন একটি স্পেকট্রাম তৈরি করে যা ওই সময়ের জন্য মস্তিষ্কের ছন্দবদ্ধ কার্যকলাপকে অর্থপূর্ণভাবে উপস্থাপন করে।
এটি গোলার্ধের ইইজি অসমতার একটি legacy study-তে ব্যবহৃত পদ্ধতির কাছাকাছি, যেখানে অংশগ্রহণকারীরা মৌখিক, পাটিগণিত, স্থানিক ও সুরের কাজ সম্পাদন করেছিলেন এবং টেম্পোরাল ও প্যারাইটাল ইলেক্ট্রোডের স্থান থেকে ইইজি রেকর্ড করা হয়েছিল।
এই রেকর্ডিংগুলোর ডিসক্রিট ফুরিয়ার ট্রান্সফর্ম পাওয়ার রেশিও বা বিদ্যুৎ অনুপাত তৈরি করেছিল যা সাধারণ ফ্রিকোয়েন্সি ব্যান্ডগুলোতে ডান এবং বাম গোলার্ধের তুলনা করে। আলফা ব্যান্ডটি দেখিয়েছিল যে গোলার্ধের মধ্যকার অসমতা মূলত কোন কাজটি সম্পাদন করা হচ্ছে তার ওপর উল্লেখযোগ্যভাবে নির্ভর করে এবং যে গোলার্ধটি ওই কাজের সাথে কার্যকরভাবে যুক্ত ছিল তা তুলনামূলকভাবে কম আলফা শক্তি প্রদর্শন করেছিল।
আলফা ব্যান্ডের এই কাজ-নির্ভর প্রভাবটি আলফাকে বিশেষভাবে আলাদা না করে পুরো ব্যান্ড পাওয়ারটিকে লক্ষ্য করে সম্পাদিত পূর্ববর্তী গবেষণার পাওয়া ফলাফলের চেয়ে 2 থেকে 5 গুণ দ্রুততর বলে জানা যায়। সংবেদনশীলতার সেই বৃদ্ধি সরাসরি সিগন্যালটিকে একটি অখণ্ড ব্লক হিসেবে বিবেচনা না করে ডিএফটি দিয়ে ফ্রিকোয়েন্সি ব্যান্ডগুলোকে আলাদা করার মাধ্যমে এসেছিল।
তদুপরি, স্বাভাবিক এবং মৃগী রোগীর ইইজি-র ওপর জাপানের Fukui University of Technology in Japan-এর একটি গবেষণা সম্ভবত রেস্টিং-স্টেট কন্ডিশনের ক্ষেত্রে অনুরূপ প্যাটার্ন সরবরাহ করে। এর ফুরিয়ার বিশ্লেষণটি আগে উল্লিখিত 1/f-অনুরূপ বর্ণালী আকার প্রকাশ করেছিল এবং নিশ্চিত করেছিল যে স্বাভাবিক রেকর্ডিংয়ে বিশিষ্ট আলফা ছন্দটি মৃগী রোগের রেকর্ডিংয়ে অনুপস্থিত ছিল।
সীমাবদ্ধতা: যখন ডিএফটি ব্যর্থ হয়
ডিএফটি-এর মূল ধারণা, যে ফ্রিকোয়েন্সি কনটেন্ট পুরো বিশ্লেষণ করা অংশজুড়ে স্থির থাকে, তা তখনই ভেঙে পড়ে যখনই ওই উইন্ডোর মধ্যে ইইজি কার্যকলাপ দ্রুত পরিবর্তিত হয়। মৃগী রোগের খিঁচুনি (epileptic spikes) এবং আকস্মিক মানসিক পরিবর্তন হলো এই ধরণের পরিবর্তনশীল আচরণের দুটি স্পষ্ট উদাহরণ।
স্বাভাবিক এবং মৃগী রোগীর ইইজি বিশ্লেষণকারী গবেষণাটি সরাসরি এই সীমাবদ্ধতা প্রদর্শন করেছে। যদিও ফুরিয়ার ট্রান্সফর্ম সফলভাবে রেকর্ডিংয়ের সামগ্রিক 1/f স্পেকট্রাল আকৃতি ধারণ করতে পেরেছিল, তবে এটি খিঁচুনির সাধারণ বৈশিষ্ট্য যেমন নির্দিষ্ট স্থানীয় স্পাইকসমূহ এবং ধারালো জটিলতাগুলো প্রকাশ করতে ব্যর্থ হয়েছিল।
ওয়েভলেট ট্রান্সফর্মসমূহ, যা time-frequency tools-এর একটি ভিন্ন গোত্র, ফুরিয়ার পদ্ধতি যেখানে ব্যর্থ হয়েছিল সেখানে সেই স্থানীয় ঘটনাগুলো সনাক্ত করতে সক্ষম হয়েছিল।
ব্যবহারিক সিদ্ধান্তটি সহজ সোজা: অপরিবর্তিত রেকর্ডিং, রেস্টিং-স্টেট ব্লক বা সুনিয়ন্ত্রিত টাস্ক ব্লকের জন্য, ডিএফটি ফ্রিকোয়েনসি বিশ্লেষণের জন্য একটি সুদৃঢ় এবং ব্যাখ্যাযোগ্য ভিত্তি প্রদান করে। ক্ষণস্থায়ী বা দ্রুত পরিবর্তনশীল ঘটনাগুলোর জন্য, ওয়েভলেট বা অ্যাডাপটিভ শর্ট-টাইম ট্রান্সফর্মের মতো টাইম-ফ্রিকোয়েন্সি সম্প্রসারণের প্রয়োজন হতে পারে।
ডিসক্রিট ফুরিয়ার বিশ্লেষণ এবং ওয়েভলেট: তাদের মধ্যে তুলনা
ডিসক্রিট ফুরিয়ার বিশ্লেষণ একটি সিগন্যালের চমৎকার বৈশ্বিক চিত্র প্রদান করে, যা পুরো ডেটা ব্লকজুড়ে স্থির ফ্রিকোয়েন্সি গঠন চিহ্নিত করে। যেহেতু এটি ওই সময় উইন্ডোর জন্য একটি একক গড় স্পেকট্রাম গণনা করে, তাই এটি স্থির সিগন্যালগুলোর জন্য অত্যন্ত কার্যকর যেখানে ছন্দবদ্ধ বৈশিষ্ট্যগুলো সামঞ্জস্যপূর্ণ থাকে। তবে, এটি ওই বিশ্লেষণ করা অংশের মধ্যে একটি নির্দিষ্ট ফ্রিকোয়েন্সি ইভেন্ট ঠিক কখন ঘটে তা সুনির্দিষ্টভাবে চিহ্নিত করার ক্ষমতা রাখে না, যা মূলত টেম্পোরাল বৈশিষ্ট্যগুলোকে একটি একক সামগ্রিক চিত্রে অস্পষ্ট করে ফেলে।
বিপরীতে, ওয়েভলেটগুলো একটি মাল্টি-রেজোলিউশন পদ্ধতি অফার করে যা সময় এবং ফ্রিকোয়েন্সি উভয় ক্ষেত্রেই স্থানীয় তথ্য সরবরাহ করে। আকারে পরিবর্তিত হয় এমন একটি উইন্ডো ব্যবহার করে, ওয়েভলেট ট্রান্সফর্মগুলো ক্ষণস্থায়ী স্পাইক বা কার্যকলাপের আকস্মিক বিস্ফোরণকে জুম করতে পারে, যা প্রায়শই বৃহত্তর ফুরিয়ার পদ্ধতি ব্যবহারের সময় হারিয়ে যায়। এটি মহাকর্ষীয় মস্তিষ্কের ঘটনা বা দ্রুত স্নায়বিক পরিবর্তন যেগুলো একটি নির্দিষ্ট পর্যায়ক্রমিক প্যাটার্ন অনুসরণ করে না তা পরীক্ষা করার জন্য এগুলোকে উল্লেখযোগ্যভাবে আরও নমনীয় করে তোলে।
এই পদ্ধতিগুলোর মধ্যে নির্বাচন করা হলো গবেষণা প্রকল্পের প্যারামিটারগুলোর মধ্যে তথ্যের চাহিদার অগ্রাধিকার দেওয়ার বিষয়। গবেষকরা প্রায়শই তাদের সিগন্যাল প্রসেসিং কৌশল নির্ধারণের জন্য একটি মানক পদ্ধতিগত কর্মপ্রবাহ অনুসরণ করেন:
আগ্রহের সিগন্যালটি স্থির নাকি ক্ষণস্থায়ী তা নিশ্চিত করুন।
গড় শক্তি মূল্যায়নের জন্য ঐতিহ্যগত গ্লোবাল স্পেকট্রাল বিশ্লেষণ প্রয়োগ করুন।
স্থানীয় ইভেন্ট ট্র্যাকিংয়ের জন্য টাইম-ফ্রিকোয়েন্সি ডিকম্পোজিশন বাস্তবায়ন করুন।
পরিচিত শারীরবৃত্তীয় আর্টিফ্যাক্টগুলোর বিরুদ্ধে প্রাপ্ত শক্তি বণ্টনগুলো যাচাই করুন।
ডিসক্রিট ফুরিয়ার বিশ্লেষণ পাইথন বাস্তবায়ন নির্দেশিকা
পাইথনে এই বিশ্লেষণটি বাস্তবায়নের জন্য সাধারণত নামপাই (NumPy) বা সাইপাই (SciPy)-এর মতো বিশেষ লাইব্রেরি ব্যবহার করা হয়, যা ফাস্ট ফুরিয়ার ট্রান্সফর্ম গণনার জন্য অপ্টিমাইজড ফাংশন সরবরাহ করে।
প্রধান ফাংশন fft ভোল্টেজ নমুনার একটি অ্যারে গ্রহণ করে এবং প্রতিটি হারমোনিকে শক্তি এবং ফেজ উপস্থাপনকারী একটি জটিল-মানসম্পন্ন কন্টেইনার রিটার্ন করে। ডেভেলপারদের অবশ্যই নিশ্চিত করতে হবে যে ইনপুট অ্যারেটি প্রয়োজন হলে সঠিকভাবে প্যাড করা হয়েছে, যদিও আধুনিক লাইব্রেরিগুলো বেশিরভাগ মানক অ্যারের আকারের জন্য স্বয়ংক্রিয়ভাবে অন্তর্নিহিত ম্যাট্রিক্স ক্রিয়াকলাপগুলো পরিচালনা করে দেয়।
র-ট্রান্সফর্ম গণনা করার পরে, বাস্তব-বিশ্বের বাস্তবায়নে পাওয়ার স্পেকট্রাম পাওয়ার জন্য আউটপুটটির স্বাভাবিককরণ এবং পরম মান গণনা করা প্রয়োজন। এর মধ্যে মানগুলোকে যথাযথভাবে স্কেল করার জন্য সিকোয়েন্সের সামগ্রিক দৈর্ঘ্য দ্বারা ভাগ করা অন্তর্ভুক্ত রয়েছে। একবার স্কেল করা হলে, স্পেকট্রামটি একটি সংজ্ঞায়িত ফ্রিকোয়েন্সি অক্ষের বিপরীতে প্লট করা যেতে পারে, যা রেকর্ডিং হার্ডওয়্যারের আসল স্যাম্পলিং ফ্রিকোয়েন্সির ওপর ভিত্তি করে তৈরি করা হয়।
কোডটি চূড়ান্ত করার জন্য প্রথমে ব্যান্ডপাস ফিল্টারের মাধ্যমে আগত সিগন্যাল পরিষ্কার করে সম্ভাব্য আর্টিফ্যাক্টগুলো পরিচালনা করতে হবে। বর্তমান গবেষণার জন্য কেবল আগ্রহের ফ্রিকোয়েন্সিগুলোকে আলাদা করে, ব্যবহারকারীরা গণনামূলক পদক্ষেপ হ্রাস করতে এবং চূড়ান্ত স্পেকট্রাল গ্রাফের ব্যাখ্যাযোগ্যতা উন্নত করতে পারেন। এই মডুলার পদ্ধতিটি নতুন গবেষণার প্রয়োজনীয়তা উত্থাপিত হওয়ার সাথে সাথে দ্রুত প্রসেসিং পাইপলাইনগুলোর পরিমার্জনের অনুমতি দেয়।
ডিসক্রিট ফুরিয়ার বিশ্লেষণ পিডিএফ নির্দেশিকা এবং সংস্থানসমূহ
যারা গভীর প্রযুক্তিগত ম্যানুয়াল খুঁজছেন, তাদের জন্য বেশ কয়েকটি মৌলিক পিডিএফ সংস্থান রয়েছে যা স্পেকট্রাল বিশ্লেষণের গাণিতিক প্রমাণ এবং বাস্তবায়ন কৌশলগুলো বিশদভাবে বর্ণনা করে। এই নথিগুলো তাত্ত্বিক সিগন্যাল প্রসেসিং পাঠ্যপুস্তক এবং ব্যবহারিক ল্যাব অ্যাপ্লিকেশনগুলোর মধ্যে একটি সেতু হিসাবে কাজ করে এবং গণনা ত্রুটি ও সিস্টেম-নির্দিষ্ট পক্ষপাতগুলোর ব্যাখ্যা দেয়। বহুমুখী প্রাতিষ্ঠানিক গবেষণাগুলোতে প্রসেসিং মানসম্মত করার উদ্দেশ্যে একাডেমিক গবেষণা গ্রুপগুলোর মাধ্যমে এই নির্দেশিকাগুলোর অনেকগুলো কিউরেট করা হয়েছে।
এই সংস্থানগুলোতে প্রায়শই বিশ্লেষণের জন্য র-টাইম-সিরিজ ডেটা প্রস্তুত করার টিউটোরিয়াল অন্তর্ভুক্ত থাকে, যেখানে আর্টিফ্যাক্ট প্রত্যাখ্যান এবং রি-রেফারেন্সিংয়ের মতো নির্দিষ্ট ডেটা পরিচ্ছন্নতার প্রয়োজনীয়তার ওপর জোর দেওয়া হয়। এগুলো বিভিন্ন উইন্ডোইং ফাংশনের ব্যাপক ওভারভিউও প্রদান করে, যা ব্যাখ্যা করে যে কীভাবে এগুলো স্পেকট্রাল রেজোলিউশন এবং আর্টপুট অ্যামপ্লিচিউডের নির্ভুলতার মধ্যকার ভারসাম্যকে প্রভাবিত করে। সাধারণ লাইব্রেরি ফাংশনগুলোর ব্ল্যাক-বক্স ব্যবহারের বাইরে যেতে চাওয়া যেকোনো অনুশীলনকারীর জন্য এই বিষয়গুলো বোঝা অত্যন্ত প্রয়োজনীয়।
এই প্রযুক্তিগত নির্দেশিকাগুলোর সাথে পরামর্শ করে, শিক্ষার্থী এবং গবেষকরা ডিজিটাল রূপান্তরের সাথে সম্পর্কিত সাধারণ সমস্যাগুলো যেমন স্পেকট্রাল লিকেজ এবং র্যাপ-অ্যারাউন্ড আর্টিফ্যাক্ট সম্পর্কে Insight অর্জন করতে পারেন। কম্পিউটেশনাল গতি এবং দক্ষতার অগ্রগতি প্রতিফলিত করার জন্য এই নির্দেশিকাগুলো পর্যায়ক্রমিক আপডেট করা হয়, যা নিশ্চিত করে যে বর্ণিত পদ্ধতিগুলো বর্তমান বিজ্ঞানের উচ্চ-রেজোলিউশন স্যাম্পলিং হার্ডওয়্যারের জন্য প্রযোজ্য থাকে।
কীভাবে ফ্রিকোয়েন্সি বিশ্লেষণ সুপ্ত মস্তিষ্কের ছন্দগুলো উন্মোচন করে
একটি ইইজি রেকর্ডিংকে এর উপাদান ফ্রিকোয়েন্সিগুলোতে বিভক্ত করা একটি জটিল ভোল্টেজ ট্রেসকে আরও অনেক বেশি অর্থপূর্ণ কিছুতে পরিণত করে। ডিসক্রিট ফুরিয়ার ট্রান্সফর্ম ঠিক কোন ছন্দগুলো উপস্থিত রয়েছে এবং সেগুলো কতটা শক্তিশালী তা দেখায়, যার কারণে এটি মানসিক কাজের সাথে সম্পর্কিত আলফা-ব্যান্ড অসমতা বা স্বাভাবিক মস্তিষ্কের কার্যকলাপকে মৃগী রোগের রেকর্ডিং থেকে আলাদা করে এমন স্বতন্ত্র 1/f আকৃতির মতো বৈশিষ্ট্যগুলো বের করার প্রথম পদক্ষেপ হয়ে উঠেছে। এই পদক্ষেপটি স্থিতিশীল, বিশ্রাম বা কাজ-ভিত্তিক অবস্থার সময় মস্তিষ্কের অসিলেটরি ল্যান্ডস্কেপের একটি স্পষ্ট, পাঠযোগ্য চিত্র প্রদান করে।
যাইহোক, এই পদ্ধতির কিছু গুরুত্বপূর্ণ সীমাবদ্ধতা রয়েছে কারণ এলিয়াসিং এড়াতে একটি দ্রুত স্যাম্পলিং রেট প্রয়োজন, কাছাকাছি থাকা ছন্দগুলোকে আলাদা করার জন্য একটি দীর্ঘ উইন্ডো প্রয়োজন এবং আকস্মিক নিউরাল ঘটনাগুলো একটি স্থির মস্তিষ্কের অবস্থার মূল ধারণাকে ব্যাহত করে তা জানা প্রয়োজন। সেই ক্ষণস্থায়ী স্পাইক বা দ্রুত মানসিক পরিবর্তনের জন্য, গবেষকরা প্রায়শই টাইম-ফ্রিকোয়েন্সি বিকল্পগুলোর দিকে মনোনিবেশ করেন, যদিও অনেক কাজের মধ্যে এই সরঞ্জামগুলোর তুলনা এখনও বেশ বিরল।
র-অ্যামপ্লিচিউড স্পেকট্রাম কী বলতে পারে এবং কী বলতে পারে না তা বোঝা মূলত ডেটা আসলে কী নির্দেশ করে তার ওপর ফোকাস বজায় রাখে, যা একের পর এক গবেষণার মাধ্যমে মস্তিষ্কের কার্যকারিতার একটি যত্নশীল চিত্র তৈরি করতে সহায়তা করে।
তথ্যসূত্র
ডয়েল, জে. সি., অর্নস্টাইন, আর., এবং গ্যালিন, ডি. (1974)। কগনিটিভ মোডের ল্যাটারাল স্পেশালাইজেশন: II। ইইজি ফ্রিকোয়েন্সি বিশ্লেষণ। সাইকোফিজিওলজি, 11(5), 567-578। https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
ইয়ামাগুচি, সি. (2003, মার্চ)। স্বাভাবিক এবং মৃগী রোগীর ইলেক্ট্রোএনসেফালোগ্রাম (ইইজি)-এর ফুরিয়ার এবং ওয়েভলেট বিশ্লেষণ। নিউরাল ইঞ্জিনিয়ারিংয়ের ওপর প্রথম আন্তর্জাতিক আইইইই ইএমবিএস কনফারেন্স, 2003। কনফারেন্স কার্যপ্রণালী। (পৃষ্ঠা নং. 406-409)। IEEE. https://doi.org/10.1109/CNE.2003.1196847
সামি, কে., কোভাকস, পি., এবং গ্যাবৌজ, এম. (2015)। রেশনাল ডিসক্রিট শর্ট-টাইম ফুরিয়ার ট্রান্সফর্ম ব্যবহার করে ইইজি টাইম-সিরিজের মৃগী রোগের খিঁচুনি শ্রেণিবিন্যাস। IEEE Trans। বায়োমেড। ইঞ্জি., 62(2), 541-552। https://doi.org/10.1109/TBME.2014.2360101
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
ডিসক্রিট ফুরিয়ার ট্রান্সফর্ম একটি ইইজি রেকর্ডিংয়ের সাথে ঠিক কী করে?
ডিএফটি নমুনাযুক্ত ইইজি ভোল্টেজের একটি সসীম ব্লককে ফ্রিকোয়েন্সি উপাদানগুলোর একটি সেটে বিভক্ত করে, যার প্রতিটি একটি জটিল সংখ্যা দ্বারা উপস্থাপিত হয়। এই সংখ্যাগুলো প্রকাশ করে যে প্রতিটি ফ্রিকোয়েন্সি ঠিক কতটুকু (অ্যামপ্লিচিউড) উপস্থিত রয়েছে এবং বিশ্লেষণ উইন্ডোর মধ্যে এটি কোন ধাপে শুরু হয়।
ইইজি রেকর্ড করার সময় স্যাম্পলিং রেট কেন এত গুরুত্বপূর্ণ?
স্যাম্পলিং রেট সর্বোচ্চ ফ্রিকোয়েন্সি নির্ধারণ করে যা সঠিকভাবে ক্যাপচার করা যায়, যা নাইকুইস্ট ফ্রিকোয়েন্সি হিসাবে পরিচিত। যদি সিগন্যালে স্যাম্পলিং রেটের অর্ধেকের বেশি ফ্রিকোয়েন্সি থাকে, তবে সেগুলো এলিয়াসড হয়ে যায়—নিম্ন ফ্রিকোয়েন্সি হিসাবে ভুলভাবে উপস্থাপিত হয়—এবং পরে তা আর সংশোধন করা যায় না। এটি প্রতিরোধ করার জন্য, ইইজি সিস্টেমগুলো স্যাম্পলিংয়ের আগে নাইকুইস্ট সীমার বাইরের ফ্রিকোয়েন্সিগুলো সরিয়ে ফেলার জন্য একটি লো-পাস ফিল্টার প্রয়োগ করে।
ডিএফটি কতটা সূক্ষ্মভাবে কাছাকাছি থাকা ফ্রিকোয়েন্সিগুলোকে আলাদা করতে পারে তা কীসের ওপর নির্ভর করে?
ফ্রিকোয়েন্সি রেজোলিউশনটি বিন উইথ দ্বারা সেট করা হয়, যা স্যাম্পলিং রেটকে ওই অংশের নমুনার সংখ্যা দ্বারা ভাগ করার সমান। সংকীর্ণ বিনগুলো কাছাকাছি থাকা ছন্দগুলোকে আরও ভালোভাবে আলাদা করার অনুমতি দেয়, তবে সেগুলো অর্জন করতে দীর্ঘতর রেকর্ডিংয়ের প্রয়োজন হয়।
স্পেকট্রাল লিকেজ কী এবং কীভাবে এটি সমাধান করা যেতে পারে?
স্পেকট্রাল লিকেজ তখনই ঘটে যখন মস্তিষ্কের একটি আসল ছন্দ ডিএফটি ফ্রিকোয়েন্সি বিনের সাথে পুরোপুরি মেলে না, যার ফলে এর শক্তি কয়েকটি বিনে ছড়িয়ে পড়ে এবং মূল পিক বা সর্বোচ্চ পয়েন্টটিকে অস্পষ্ট করে ফেলে। একটি টেপারিং উইন্ডো (যেমন হ্যান উইন্ডো) প্রয়োগ করা যা সিগন্যালের প্রান্তগুলোকে মসৃণ করে তা এই লিকেজ হ্রাস করে, যদিও এটি সম্পূর্ণরূপে নির্মূল করা যায় না।
একটি সাধারণ পাওয়ার বা শক্তি মানের চেয়ে ডিএফটি আউটপুট আমাদের অতিরিক্ত আর কী জানায়?
র-ডিএফটি অ্যামপ্লিচিউড এবং ফেজ উভয়ই প্রদান করে, যেখানে প্রথমটি মাইক্রোভোল্টে একটি ছন্দের শক্তি নির্দেশ করে এবং দ্বিতীয়টি রেকর্ডিং উইন্ডোর শুরুতে ছন্দটির চক্র কোথায় রয়েছে তা জানায়। যদিও অ্যামপ্লিচিউড ব্যাপকভাবে ব্যবহৃত হয়, তবে ইইজি গবেষণায় ফেজটি প্রায়শই উপেক্ষা করা হয় তবে এটি এখনও ডিএফটি ফলাফলের একটি অন্তর্নিহিত অংশ।
কোন পরিস্থিতিতে ডিএফটি মস্তিষ্কের কার্যকলাপের একটি নির্ভরযোগ্য চিত্র প্রদান করে?
ডিএফটি তখন ভালো কাজ করে যখন ইইজি সিগন্যাল মোটামুটি অপরিবর্তিত থাকে, যার অর্থ রেকর্ডিং ব্লকের সময় এর ফ্রিকোয়েন্সি কনটেন্ট খুব বেশি পরিবর্তিত হয় না। এটি সাধারণত রেস্টিং-স্টেট রেকর্ডিং বা কোনো জ্ঞানীয় কাজের সুনিয়ন্ত্রিত, ধ্রুবক ব্লকের ক্ষেত্রে ঘটে থাকে।
ডিএফটি কেন নির্দিষ্ট কিছু মস্তিষ্কের ঘটনা ক্যাপচার করতে ব্যর্থ হতে পারে?
ডিএফটি ধরে নেয় যে ফ্রিকোয়েন্সি কনটেন্ট পুরো বিশ্লেষণ করা অংশজুড়ে স্থির থাকে, তাই এটি মৃগী রোগের খিঁচুনি বা হঠাৎ মানসিক পরিবর্তনের মতো দ্রুত, ক্ষণস্থায়ী ঘটনাগুলোকে সঠিকভাবে উপস্থাপন করতে পারে না। এই অস্থির ক্ষেত্রগুলোতে, শক্তি অনেক ফ্রিকোয়েন্সি জুড়ে ছড়িয়ে পড়ে এবং সেই ক্ষেত্রে ওয়েভলেটের মতো টাইম-ফ্রিকোয়েন্সি পদ্ধতিগুলো বেশি উপযোগী।
ফাস্ট ফুরিয়ার ট্রান্সফর্ম (FFT) কীভাবে ডিএফটি-এর সাথে সম্পর্কিত এবং এটি কেন ব্যবহার করা হয়?
এফএফটি হলো এমন একটি অ্যালগরিদম যা ডিএফটি-কে অনেক দ্রুত গণনা করে এবং গাণিতিকভাবে সম্পূর্ণ অভিন্ন ফলাফল দেয়। ইইজি গবেষণায়, ফ্রিকোয়েন্সি স্পেকট্রাম পাওয়ার জন্য এফএফটি একটি মানক ও কার্যকর উপায় হওয়ায় এই পরিভাষা দুটি প্রায়শই একে অপরের পরিবর্তে ব্যবহৃত হয়।
Emotiv একটি নিউরোটেকনোলজি শীর্ষস্থানীয় প্রতিষ্ঠান, যা সহজলভ্য EEG এবং ব্রেন ডেটা টুলের মাধ্যমে স্নায়ুবিজ্ঞান গবেষণার অগ্রগতিতে সহায়তা করে।
ক্রিশ্চিয়ান বার্গোস
