ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালিসিস

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস (ICA) কী?

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস বা স্বাধীন উপাদান বিশ্লেষণ হলো একটি পরিশীলিত পরিসংখ্যানগত এবং কম্পিউটেশনাল কৌশল যা মিশ্র পর্যবেক্ষণের একটি সেট থেকে লুকানো কারণ বা উপাদানগুলো নিষ্কাশন করার উপর ফোকাস করে।

অনেক বাস্তব-বিশ্বের পরিস্থিতিতে, রেকর্ড করা ডেটা হলো একাধিক উৎস সংকেতের ফলাফল যা একটি মাধ্যমের মধ্য দিয়ে একই সাথে কাজ করে, যার ফলে একটি জটিল ওভারল্যাপ তৈরি হয় যা প্রায়শই তার আসল আকারে বোধগম্য হয় না। নির্দিষ্ট বীজগণিতীয় রূপান্তর প্রয়োগ করে, এই পদ্ধতিটি মিশ্রণ প্রক্রিয়াটিকে উল্টে দেওয়ার জন্য ফিল্টার হিসাবে কাজ করে।

মূল ধারণা: মিশ্র সংকেতগুলোকে পৃথক করা

এই ক্ষেত্রের মূল ভিত্তিটি "ককটেল পার্টি সমস্যা"-কে কেন্দ্র করে আবর্তিত হয়, যেখানে একটি ঘরে একাধিক ব্যক্তি একসাথে কথা বলেন এবং বেশ কয়েকটি মাইক্রোফোন তার ফলে তৈরি হওয়া শ্রবণ সংক্রান্ত বিশৃঙ্খলা রেকর্ড করে।

একজন সাধারণ পর্যবেক্ষক কেবল কণ্ঠস্বরের একটি বিশৃঙ্খল মিশ্রণ শুনতে পান, তবে ICA তাত্ত্বিকভাবে প্রতিটি পৃথক বক্তার দেওয়া সংকেত সনাক্ত করতে পারে। এই ক্ষমতা গবেষকদের একটি বিশ্বব্যাপী প্রবাহ থেকে নির্দিষ্ট ওয়েভফর্ম বা তরঙ্গরূপকে আলাদা করার অনুমতি দেয়, যা পৃথক ডেটা চ্যানেলগুলোর জন্য একটি স্পষ্ট উইন্ডো সরবরাহ করে যা অন্যথায় অস্পষ্ট হয়ে থাকত।

ICA-এর গাণিতিক ভিত্তি

গাণিতিকভাবে, লক্ষ্য হলো একটি ব্লাইন্ড সোর্স সেপারেশন বা অন্ধ উৎস পৃথকীকরণ সম্পাদন করা, এমন একটি রৈখিক রূপান্তর সন্ধান করা যা পর্যবেক্ষিত পরিবর্তনশীলগুলোকে যতটা সম্ভব স্বাধীন করে তোলে। ডেটার একটি পর্যবেক্ষিত ভেক্টর দেওয়া হলে, অ্যালগরিদমটি একটি আনমিক্সিং ম্যাট্রিক্স সন্ধান করে যা পর্যবেক্ষণের সাথে গুণ করলে আনুমানিক উৎস সংকেতগুলো পাওয়া যায় যেগুলোর স্বাধীন পরিসংখ্যানগত বণ্টন রয়েছে।

এটি অর্জনের জন্য এই সংকেতগুলোকে নন-গাউসিয়ান হওয়া প্রয়োজন, কারণ গাউসিয়ান বণ্টনের গাণিতিক বৈশিষ্ট্যের জন্য সেগুলোকে অনন্যভাবে পৃথক করা অসম্ভব হয়ে পড়ে। আধুনিক স্নায়ুবিজ্ঞান বা নিউরোসায়েন্সের প্রসঙ্গে, এই কঠোরতা নিশ্চিত করে যে সূক্ষ্ম বৈদ্যুতিক ওঠানামা পার্শ্ববর্তী হস্তক্ষেপের পটভূমি গোলমালের মধ্যে হারিয়ে না যায়।

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস কীভাবে কাজ করে?

উচ্চ-মাত্রিক ডেটার সাথে সফলভাবে কাজ করার সময়, প্রক্রিয়াটি নন-গাউসিয়ানত্ব পরিমাপ করে একটি মিশ্রণকে তার উপাদান অংশে রূপান্তর করার উপর নির্ভর করে। কারণ সেন্ট্রাল লিমিট থিওরেমের কারণে মিশ্র সংকেতগুলো প্রায়শই গাউসিয়ান বণ্টনের দিকে ঝুঁকে থাকে, তাই অ্যালগরিদমটি ডেটার এমন দিকগুলো জোরালোভাবে অনুসন্ধান করে কাজ করে যা গাউসিয়ান থেকে যতটা সম্ভব দূরে থাকে।

যার ফলে তৈরি হওয়া উপাদানগুলো কার্যকরভাবে "বিশুদ্ধ" সংকেত যা মিশ্রণ প্রক্রিয়া থেকে স্বাধীনভাবে মূল উৎসকে পুনর্গঠন করে।

ICA-এর অনুমানসমূহ

এই অ্যালগরিদমের সফল সম্পাদন বেশ কয়েকটি গুরুত্বপূর্ণ প্রয়োজনীয়তার উপর নির্ভর করে। সবচেয়ে গুরুত্বপূর্ণ অনুমানটি হলো উৎস সংকেতগুলো একে অপরের থেকে পরিসংখ্যানগতভাবে স্বাধীন; যদি একটি উৎসের মান জানা অন্যটি সম্পর্কে কোনো তথ্য প্রদান না করে, তবে তারা পৃথকীকরণের জন্য যোগ্য।

অতিরিক্তভাবে, অ্যালগরিদমটি ধরে নেয় যে পর্যবেক্ষিত মিশ্র সংকেতের সংখ্যা অন্তত স্বাধীন উৎসের সংখ্যার সমান। অবশেষে, যেমন উল্লেখ করা হয়েছে, উৎসগুলোকে অবশ্যই নন-গাউসিয়ান বণ্টন প্রদর্শন করতে হবে, কারণ এই স্বতন্ত্র কাঠামোটি অ্যালগরিদমের তার পৃথকীকরণ প্রচেষ্টাকে নোঙর করার জন্য প্রয়োজনীয় ল্যান্ডমার্ক তৈরি করে।

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস অ্যালগরিদম: মূল কৌশলসমূহ

এই পৃথকীকরণ অর্জনের জন্য বেশ কয়েকটি অ্যালগরিদমিক পদ্ধতি রয়েছে, যার মধ্যে FastICA এবং Infomax অন্যতম প্রধান উদাহরণ। এই পদ্ধতিগুলো পারস্পরিক তথ্য হ্রাস করতে বা আউটপুটগুলোর নন-গাউসিয়ানত্ব সর্বাধিক করতে আনমিক্সিং ম্যাট্রিক্সটিকে পুনরাবৃত্তিমূলকভাবে সমন্বয় করে।

অপ্টিমাইজেশন প্রক্রিয়াটি কম্পিউটেশনালভাবে নিবিড়, যার জন্য বিভিন্ন ডেটাসেট জুড়ে সামঞ্জস্যপূর্ণ অভিসরণ বা কনভারজেন্স নিশ্চিত করতে সতর্ক বাস্তবায়নের প্রয়োজন হয়। এই ওজনগুলো পরিমার্জন করে, প্রতিটি স্বতন্ত্র সংকেত স্পষ্টভাবে আবির্ভূত না হওয়া পর্যন্ত সিস্টেমটি প্রগতিশীলভাবে হস্তক্ষেপের স্তরগুলো সরিয়ে দেয়।

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস বনাম প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস (ICA বনাম PCA)

যদিও উভয় কৌশলই মাত্রা হ্রাস বা সংকেত বিশ্লেষণের জন্য ব্যবহৃত হয়, তবে তাদের কার্যকরী লক্ষ্যগুলো উল্লেখযোগ্যভাবে ভিন্ন। গবেষকদের অবশ্যই তাদের ডেটাসেটের মধ্যে তারা ভিন্নতা নাকি স্বাধীনতা ক্যাপচার করতে চান তার উপর ভিত্তি করে এগুলোর মধ্যে থেকে বেছে নিতে হবে।

সঠিক সরঞ্জাম নির্বাচন করা অন্তর্নিহিত বিশ্লেষণের নির্দিষ্ট লক্ষ্যের উপর নির্ভর করে। যেখানে ডেটা কম্প্রেশনের জন্য PCA চমৎকার, যেখানে মূল প্রবণতাগুলো বজায় রাখা মূল বিষয়, সেখানে মোট পর্যবেক্ষণে অবদান রাখা অনন্য, স্বাধীন প্রক্রিয়াগুলো সনাক্ত করার ক্ষেত্রে ICA শ্রেয়তর।

কীভাবে ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস মস্তিষ্কের সংকেতকে গোলমাল থেকে পৃথক করে

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস PCA-এর চেয়ে আরও কঠোর পদ্ধতি গ্রহণ করে। সংকেতগুলোর কেবল ডিকোরিলেশন বা সহসম্পর্ক দূর করার পরিবর্তে, ICA এমন উপাদানগুলো অনুসন্ধান করে যা পরিসংখ্যানগতভাবে স্বাধীন, যার অর্থ একটি উপাদানের মান জানা অন্য কোনো উপাদান সম্পর্কে কোনো তথ্য প্রদান করে না।

এটি ডিকোরিলেশনের চেয়ে অনেক উচ্চতর মানদণ্ড, আর এটিই ICA-কে এমন সংকেতগুলোকে আলাদা করতে সাহায্য করে যা একই ফ্রিকোয়েন্সি শেয়ার করে কিন্তু প্রকৃতপক্ষে পৃথক শারীরিক উৎস থেকে উৎপন্ন হয়: এখানে চোখের একটি পলক, সেখানে চোয়ালের পেশির সংকোচন, অন্য কোথাও উদ্দীপনায় সাড়া দেওয়া ভিজ্যুয়াল কর্টেক্সের একটি অংশ।

• উইঙ্কলার প্রমুখের গবেষণা TDSEP প্রয়োগ করে, যা ICA-এর একটি সংস্করণ যা সময়ের সাথে সাথে টেম্পোরাল কোরিলেশন বা সাময়িক সহসম্পর্ককে বিবেচনা করে, কেবল সংকেতের তাৎক্ষণিক পরিসংখ্যান নয়।

• ওলাফ ডিমিগেনের গবেষণা Infomax ব্যবহার করে, যা বহুল ব্যবহৃত একটি ICA অ্যালগরিদম।

• মগননের গবেষণা একটি সাধারণ ICA-ভিত্তিক পাইপলাইনের উপরে তার স্বয়ংক্রিয় সনাক্তকরণ সরঞ্জাম তৈরি করে।

বাস্তবায়নে পার্থক্য থাকা সত্ত্বেও, এই সমস্ত পদ্ধতি একই অন্তর্নিহিত নীতির উপর নির্ভর করে: মিশ্রিত ইলেক্ট্রোড সংকেতকে একদল উপাদানে পচিয়ে ফেলা বা ডিকম্পোজ করা যা একে অপরের থেকে স্বাধীনভাবে আচরণ করে, তারপরে এই উপাদানগুলোর মধ্যে কোনটি মস্তিষ্কের কার্যকলাপের মতো দেখায় এবং কোনটি কৃত্রিম বা আর্টিফ্যাক্টের মতো দেখায় তা নির্ধারণ করা।

ICA-এর পিছনের মূল অনুমানসমূহ: নন-গাউসিয়ানত্ব এবং রৈখিক মিশ্রণ

ডেটা সম্পর্কে দুটি নির্দিষ্ট অনুমানের কারণে ICA কাজ করে এবং সেগুলো বুঝতে পারলে এর শক্তি এবং ব্যর্থতার পয়েন্ট উভয়ই ব্যাখ্যা করা যায়।

1. প্রথম অনুমানটি হলো নন-গাউসিয়ানত্ব। সত্যিকারের EEG উৎস, তা মস্তিষ্কের ছন্দ হোক, চোখের পলক হোক বা পেশির সংকোচন হোক, প্রায়শই এমন বিস্তার বন্টন থাকে যা গাউসিয়ান (স্বাভাবিক) বণ্টনের বেল-কার্ভ আকৃতি থেকে বিচ্যুত হয়। ICA অ্যালগরিদমগুলো এই নন-গাউসিয়ান কাঠামোটি সন্ধান করতে এবং সর্বাধিক করার জন্য তৈরি করা হয়েছে, কারণ স্বাধীন সংকেতের মিশ্রণ তার যেকোনো একক উপাদানের চেয়ে বেশি গাউসিয়ান দেখায় (সেন্ট্রাল লিমিট থিওরেমের একটি ফলাফল)।

2. দ্বিতীয় অনুমানটি হলো রৈখিক মিশ্রণ (লিনিয়ার মিক্সিং)। ICA ধরে নেয় যে একটি ইলেক্ট্রোড যা রেকর্ড করে তা হলো অন্তর্নিহিত উৎস সংকেতগুলোর একটি তাৎক্ষণিক, রৈখিক সংমিশ্রণ, একটি অনুমান যা স্থিতিশীল রেকর্ডিং পরিস্থিতিতে টিস্যু এবং মাথার খুলির মাধ্যমে বৈদ্যুতিক ক্রিয়াকলাপ কীভাবে ছড়িয়ে পড়ে (ভলিউম কন্ডাকশন নামে পরিচিত একটি প্রক্রিয়া) তার জন্য বেশ ভালোভাবেই প্রযোজ্য। এই অনুমানটি পূরণ করা সবচেয়ে সহজ যখন একজন ব্যক্তি স্থির হয়ে বসেন।

কেন ICA-এর আগে হাই-পাস ফিল্টারিং সবকিছু পরিবর্তন করে দেয়

একটি ICA ডিকম্পোজিশন বা বিশ্লেষণের গুণমান মূলত অ্যালগরিদমটি চালানোর আগে সংকেতটি কীভাবে প্রক্রিয়াজাত করা হয় তার উপর নির্ভর করে, এবং হাই-পাস ফিল্টার কাটঅফ (এমন একটি ফিল্টার যা একটি নির্দিষ্ট ফ্রিকোয়েন্সির নিচে অত্যন্ত ধীরগতির প্রবাহ দূর করে) নির্বাচন করা পুরো পাইপলাইনের মধ্যে সবচেয়ে গুরুত্বপূর্ণ সিদ্ধান্তগুলোর একটি হিসেবে প্রমাণিত হয়।

একটি ২০১৫ সালের গবেষণায় যার নেতৃত্বে ছিলেন উইঙ্কলার প্রমুখ, সরাসরি ইভেন্ট-সম্পর্কিত সম্ভাবনা (ERP) ডেটা ব্যবহার করে এটি পরীক্ষা করা হয়েছে, যা ২১ জন অংশগ্রহণকারীর একটি শ্রবণ সংক্রান্ত অডবল কাজ সম্পাদন করার নির্দিষ্ট উদ্দীপনার সাথে যুক্ত ব্রেনওয়েভ প্যাটার্ন। ১ এবং ২ Hz-এর মধ্যে হাই-পাস ফিল্টারিং ধারাবাহিকভাবে তিনটি পৃথক মেট্রিক জুড়ে ভালো ফলাফল দিয়েছে: সংকেত-থেকে-গোলমালের অনুপাত (সিগন্যাল-টু-নয়েজ রেশিও), একক-ট্রায়াল ক্লাসিফিকেশন নির্ভুলতা, এবং কম্পোনেন্টের শতাংশ যা "নিয়ার-ডাইপোলার" দেখায়, যার অর্থ তাদের এমন একটি স্থানিক প্যাটার্ন ছিল যা বেশ কয়েকটি উৎসের মিশ্রণের পরিবর্তে একটি একক, স্থানীয় মস্তিষ্কের উৎসের সাথে সামঞ্জস্যপূর্ণ।

তাছাড়া, ২০২০ সালের একটি গবেষণায়, ক্লুগ প্রমুখ স্থির এবং মোবাইল রেকর্ডিং সেটআপ জুড়ে একই প্রশ্ন পরীক্ষা করেছেন। ৬৪টি চ্যানেল এবং একটি ০.৫ Hz ফিল্টারসহ একটি আদর্শ স্থির পরীক্ষার জন্য ফলাফলগুলো গ্রহণযোগ্য ছিল। কিন্তু মোবাইল পরীক্ষাগুলোর জন্য একটি সর্বোত্তম বিশ্লেষণ বা ডিকম্পোজিশনে পৌঁছানোর জন্য আরও উচ্চ কাটঅফ, ২ Hz পর্যন্ত প্রয়োজন ছিল এবং আরও বেশি চ্যানেলযুক্ত সেটআপগুলোর জন্য সেই অনুযায়ী উচ্চতর ফিল্টারের প্রয়োজন ছিল।

ওলাফ ডিমিগেন গবেষণা চোখের নড়াচড়ার আর্টিফ্যাক্টের নির্দিষ্ট প্রসঙ্গে এই ধারণাটিকে আরও এগিয়ে নিয়ে গেছে। হাই-পাস ফিল্টার, লো-পাস ফিল্টার এবং স্যাক্যাডিক স্পাইক পটেনশিয়াল সম্বলিত ট্রেনিং ডেটার অনুপাত পদ্ধতিগতভাবে পরিবর্তন করে গবেষক দেখতে পান যে, ডেটার উপর ICA ট্রেন করানো যেখানে এই স্পাইক পটেনশিয়ালগুলোর ওজন অত্যন্ত বেশি ছিল, তা সংশোধনের গুণমানকে জোরালোভাবে উন্নত করেছে।

একসাথে, এই তিনটি গবেষণা একই সিদ্ধান্তের দিকে ইঙ্গিত করে: ডিফল্ট ফিল্টার সেটিংস, বিশেষত সাধারণ ০.৫ Hz কাটঅফ, অনেক ব্যবহারের ক্ষেত্রে খুব বেশি শিথিল হতে পারে এবং সঠিক পছন্দটি নির্দিষ্ট আর্টিফ্যাক্ট এবং রেকর্ডিং পরিস্থিতির উপর নির্ভর করে।

মেশিন লার্নিংয়ের সাহায্যে আর্টিফ্যাক্ট কম্পোনেন্ট নির্বাচন স্বয়ংক্রিয় করা

একবার ICA স্বাধীন উপাদানগুলোর একটি সেট তৈরি করলে, কোনো ব্যক্তি বা কোনো কিছুকে এখনও সিদ্ধান্ত নিতে হয় যে কোন উপাদানগুলো মস্তিষ্কের কার্যকলাপের প্রতিনিধিত্ব করে এবং কোনগুলো আর্টিফ্যাক্টের প্রতিনিধিত্ব করে। প্রশিক্ষিত বিশেষজ্ঞদের দ্বারা ম্যানুয়াল লেবেলিং ধীরগতির এবং এটি ব্যক্তিনিষ্ঠতা বা সাবজেক্টিভিটি নিয়ে আসে, যেহেতু ভিন্ন ভিন্ন বিশেষজ্ঞরা সবসময় সীমানার ক্ষেত্রে একমত হন না।

এর সমাধানের জন্য, উইঙ্কলারের দল প্রতিটি উপাদানের ফ্রিকোয়েন্সি, স্থানিক এবং অস্থায়ী বৈশিষ্ট্য থেকে নেওয়া মাত্র ছয়টি বৈশিষ্ট্য ব্যবহার করে একটি বিষয়-স্বাধীন লিনিয়ার ক্লাসিফায়ার বা রৈখিক শ্রেণীবিভাগকারী তৈরি করেছে। একটি প্রতিক্রিয়া-সময় গবেষণায় ১২ জন অংশগ্রহণকারীর কাছ থেকে ৬৪০টি হাত দিয়ে লেবেল করা TDSEP উপাদানের উপর প্রশিক্ষিত ক্লাসিফায়ারটি নতুন ডেটাতে পরীক্ষা করার সময় ১০%-এর কম মিন স্কয়ার্ড এরর (MSE) অর্জন করেছে, যা মানুষের বিশেষজ্ঞদের মধ্যে প্রাকৃতিক মতবিরোধের হারের সমতুল্য কর্মক্ষমতা স্তর।

পুনরায় প্রশিক্ষণ ছাড়াই সম্পূর্ণ ভিন্ন শ্রবণ সংক্রান্ত ERP প্যারাডাইমে প্রয়োগ করা হলে, একই ক্লাসিফায়ার ১৫% MSE-তে পৌঁছেছে, যা একটি যুক্তিসঙ্গত কিন্তু লক্ষণীয়ভাবে দুর্বল ফলাফল যা বিভিন্ন প্যারাডাইম জুড়ে সাধারণীকরণের অসুবিধাকে প্রতিফলিত করে। একটি মোটর ইমেজরি মস্তিষ্ক-কম্পিউটার ইন্টারফেস বা ব্রেন-কম্পিউটার ইন্টারফেস (BCI) কাজে গবেষকরা দেখিয়েছেন যে, ৬০% পর্যন্ত সবচেয়ে আর্টিফ্যাক্ট-পূর্ণ উপাদানগুলো অপসারণ করার পরেও BCI-এর কাজ করার জন্য প্রয়োজনীয় বৈষম্যমূলক তথ্য সংরক্ষিত থাকে।

অতিরিক্তভাবে, মগননের দল ADJUST নামক একটি সম্পূর্ণ স্বয়ংক্রিয় অ্যালগরিদম প্রবর্তন করেছে যা চোখের পলক, চোখের নড়াচড়া এবং জেনেরিক অসঙ্গতিগুলো সনাক্ত করতে বিশেষভাবে টিউন করা স্থানিক এবং অস্থায়ী বৈশিষ্ট্যগুলোকে একত্রিত করে। একটি স্বাধীন ডেটাসেটে যাচাই করা হয়েছে, ADJUST-এর উপাদানগুলোর শ্রেণীবিভাগ ৯৫.২% ডেটা ভ্যারিয়েন্সে ম্যানুয়াল বিশেষজ্ঞ লেবেলিংয়ের সাথে একমত হয়েছে। ADJUST যেসব উপাদানকে আর্টিফ্যাক্ট হিসেবে চিহ্নিত করেছে সেগুলো সরিয়ে দেওয়ার ফলে ভারী আর্টিফ্যাক্টযুক্ত ডেটা থেকে চাক্ষুষ এবং শ্রবণ সংক্রান্ত ইভেন্ট-সম্পর্কিত সম্ভাবনার পরিষ্কার পুনর্গঠন পাওয়া গেছে, যেমনটি গবেষণায় বর্ণনা করা হয়েছে।

উভয় সরঞ্জামই EEG ক্লিন করার ম্যানুয়াল বোঝা কমানোর দিকে প্রকৃত অগ্রগতির প্রতিনিধিত্ব করে, তবে তাদের রিপোর্ট করা কর্মক্ষমতা নির্দিষ্ট ডেটাসেট এবং প্যারাডাইম থেকে আসে এবং নতুন পরিস্থিতিতে সাধারণীকরণ নিশ্চিত নয়।

ICA দিয়ে EEG ডেটা ক্লিন করার জন্য বাস্তবসম্মত দিকনির্দেশনা

ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস কাজ করে কারণ এটি ডিকোরিলেশনের দুর্বল বৈশিষ্ট্যের পরিবর্তে সত্যিকারের পরিসংখ্যানগত স্বাধীনতাকে লক্ষ্য করে যার উপর PCA-এর মতো পদ্ধতিগুলো নির্ভর করে। এই পার্থক্যটিই এটিকে মস্তিষ্কের সংকেত এবং আর্টিফ্যাক্টগুলোকে আলাদা করতে সাহায্য করে এমনকি যখন তাদের ফ্রিকোয়েন্সি বিষয়বস্তু ওভারল্যাপ করে, যা ফ্রিকোয়েন্সি-ডোমেন ফিল্টারিং করতে পারে না এবং রিগ্রেশন-ভিত্তিক EOG সংশোধন সরাসরি পরীক্ষায় অর্জন করতে ব্যর্থ হয়েছে।

তবে, সেই সাফল্য শর্তসাপেক্ষ। ১ থেকে ২ Hz সীমার মধ্যে হাই-পাস ফিল্টারিং স্থির ERP গবেষণায় ধারাবাহিকভাবে ভালো ডিকম্পোজিশন তৈরি করতে দেখা গেছে, যেখানে মোবাইল রেকর্ডিংগুলো ২ Hz পর্যন্ত ফিল্টার থেকে উপকৃত হয়েছে, যাতে চ্যানেলের সংখ্যাও একটি ভূমিকা পালন করে। অবলীলায় দেখাকালীন স্যাক্যাডিক স্পাইক পটেনশিয়ালের মতো বিশেষ করে কঠিন আর্টিফ্যাক্টের জন্য, ডিফল্ট সেটিংস ব্যবহারের পরিবর্তে প্রশিক্ষণের সময় ইচ্ছাকৃতভাবে আর্টিফ্যাক্টের ওজন বাড়িয়ে দেওয়া অসন্তোষজনক সংশোধনকে এমন একটি সংশোধনে পরিণত করতে পারে যা মস্তিষ্কের কার্যকলাপের ন্যূনতম বিকৃতিসহ প্রায় সমস্ত দূষণ দূর করে।

তদুপরি, স্বয়ংক্রিয় কম্পোনেন্ট ক্লাসিফায়ারগুলো, যার মধ্যে উপরোক্ত গবেষণাগুলোর থেকে ছয়-বৈশিষ্ট্যের রৈখিক মডেল এবং ADJUST অ্যালগরিদম রয়েছে, ম্যানুয়াল লেবেলিংয়ের সাথে জড়িত সময় এবং সাবজেক্টিভিটি অর্থপূর্ণভাবে কমিয়ে দিতে পারে। উভয়ই তাদের বৈধতা ডেটাতে বিশেষজ্ঞ মতামতের সাথে দৃঢ় ঐক্য প্রদর্শন করেছে। তবে, বিভিন্ন রেকর্ডিং প্যারাডাইম এবং সরঞ্জাম জুড়ে কর্মক্ষমতা কীভাবে স্থানান্তরিত হতে পারে সে সম্পর্কে সচেতন না হয়ে কোনোটিকেই সর্বজনীন সমাধান হিসাবে বিবেচনা করা উচিত নয়।

ICA-ভিত্তিক আর্টিফ্যাক্ট অপসারণ EEG ডেটা পরিষ্কার করার জন্য উপলব্ধ আরও ভালোভাবে সমর্থিত পদ্ধতিগুলোর একটি হিসেবে রয়ে গেছে, এবং এর পিছনের নিউরোসায়েন্স একটি সুসংগত পরিসংখ্যানগত যুক্তিতে প্রতিষ্ঠিত। তবে এর প্রকৃত কর্মক্ষমতা অ্যালগরিদমটি চালানোর অনেক আগের পছন্দের উপর নির্ভর করে: ফিল্টার সেটিংস, ট্রেনিং ডেটা কম্পোজিশন এবং লক্ষ্য করা নির্দিষ্ট আর্টিফ্যাক্ট। এটি প্রয়োগকারী যে কারোরই উচিত একটি একক কনফিগারেশন সর্বত্র কাজ করবে ধরে নেওয়ার পরিবর্তে উদ্দেশ্যমূলক মেট্রিক্স দিয়ে ফলাফলগুলো যাচাই করা।

কেন প্রিপ্রসেসিং পছন্দগুলো EEG-তে ICA-এর সাফল্য নির্ধারণ করে

মনস্তত্ত্ব-নিয়ন্ত্রিত ডিভাইস থেকে শুরু করে সতর্ক মেমরি গবেষণা পর্যন্ত সবকিছুর ভিত্তি হলো পরিষ্কার মস্তিষ্কের ডেটা। ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস মিশ্র স্নায়ুর ক্রিয়াকলাপ এবং শারীরিক গোলমালকে আলাদা করার একটি গাণিতিকভাবে সঠিক উপায় সরবরাহ করে, এমনকি যখন সহজ ফিল্টারিংয়ের মতো সহজ পদ্ধতিগুলো ব্যর্থ হয়। সত্যিকারের পরিসংখ্যানগত স্বাধীনতাকে লক্ষ্য করে, এটি একই ফ্রিকোয়েন্সি ব্যান্ডে ঘটে যাওয়া একটি আসল মস্তিষ্কের ছন্দ এবং চোখের পলকের পৃথক বৈদ্যুতিক ফিঙ্গারপ্রিন্ট বা আঙ্গুলের ছাপ প্রকাশ করতে পারে।

তবে প্রকৃত ক্ষমতা তখনই প্রকাশ পায় যখন গবেষকরা প্লাগ-এন্ড-প্লে ডিফল্টগুলোর বাইরে যান। গবেষণাগুলো দেখায় যে নির্দিষ্ট রেকর্ডিং পরিস্থিতির সাথে হাই-পাস ফিল্টার টিউন করা এবং আর্টিফ্যাক্ট ডিটেক্টরের জন্য সাবধানে ট্রেনিং উদাহরণগুলো প্রস্তুত করাই ICA-কে একটি আশাব্যঞ্জক পরীক্ষা থেকে ধারাবাহিকভাবে নির্ভরযোগ্য সরঞ্জামে পরিণত করে। এই ধরনের ব্যক্তিগতকৃত মনোযোগ বিজ্ঞানীদের একটি কোলাহলপূর্ণ রেকর্ডিংয়ের ভিতরে মিশ্রিত রাখার পরিবর্তে আত্মবিশ্বাসের সাথে মস্তিষ্কের বার্তাগুলো পুনরুদ্ধার করতে দেয়।

তথ্যসূত্র

1. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

2. Dimigen, O. (2020). Optimizing the ICA-based removal of ocular EEG artifacts from free viewing experiments. NeuroImage, 207, 116117. https://doi.org/10.1016/j.neuroimage.2019.116117

3. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

4. Winkler, I., Debener, S., Müller, K. R., & Tangermann, M. (2015). On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2015, 4101–4105. https://doi.org/10.1109/EMBC.2015.7319296

5. Klug, M., & Gramann, K. (2021). Identifying key factors for improving ICA‐based decomposition of EEG data in mobile and stationary experiments. European Journal of Neuroscience, 54(12), 8406-8420. https://doi.org/10.1111/ejn.14992

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

কেন সাধারণ ফ্রিকোয়েন্সি ফিল্টারিং চোখের পলক এবং পেশির কার্যকলাপের মতো EEG আর্টিফ্যাক্টগুলো দূর করতে পারে না?

ফ্রিকোয়েন্সি ফিল্টারিং ব্যর্থ হয় কারণ আর্টিফ্যাক্ট এবং মস্তিষ্কের সংকেতগুলো প্রায়শই একই ফ্রিকোয়েন্সি ব্যান্ড শেয়ার করে, যেমন পেশির কার্যকলাপ এবং ফ্রন্টাল থিটা ছন্দ, তাই একটি সরিয়ে ফেললে অন্যটিও সরানো হয়ে যায়। যখন তাদের দোলন ওভারল্যাপ করে তখন একটি ফিল্টার সেগুলোকে আলাদা করতে পারে না।

মস্তিষ্কের সংকেতকে গোলমাল থেকে আলাদা করার ক্ষেত্রে PCA এবং ICA-এর মধ্যে মূল পার্থক্য কী?

PCA কেবল সংকেতগুলোর ডিকোরিলেশন করে—এটি সেগুলোকে রৈখিকভাবে সম্পর্কহীন করে তোলে—কিন্তু পরিসংখ্যানগত স্বাধীনতার প্রয়োজন হয় না। ICA আরও এগিয়ে গিয়ে এমন উপাদানগুলো অনুসন্ধান করে যা সম্পূর্ণ পরিসংখ্যানগতভাবে স্বাধীন, যার অর্থ কেবল একটি উপাদান জানলে অন্যটি সম্পর্কে কিছুই প্রকাশ পায় না, যা মিশ্র মস্তিষ্ক এবং আর্টিফ্যাক্ট উৎসগুলোর আরও ভালো পৃথকীকরণ সক্ষম করে।

ICA কীভাবে আসলে মস্তিষ্কের সংকেতকে আর্টিফ্যাক্ট থেকে পৃথক করে?

ICA ধরে নেয় যে মিশ্রিত ইলেক্ট্রোড সংকেতগুলো স্বাধীন, নন-গাউসিয়ান উৎস সংকেতগুলোর রৈখিক সংমিশ্রণ। এটি এমন একটি রূপান্তর খুঁজে পায় যা ফলস্বরূপ উপাদানগুলোর স্বাধীনতাকে সর্বাধিক করে তোলে, কার্যকরভাবে চোখের পলকের মতো স্বতন্ত্র শারীরিক উৎসগুলোকে মস্তিষ্কের ছন্দ থেকে আলাদা করে তোলে এমনকি তাদের ফ্রিকোয়েন্সি ওভারল্যাপ করলেও।

ICA কাজ করার জন্য নন-গাউসিয়ানত্ব কেন গুরুত্বপূর্ণ?

সত্যিকারের EEG উৎসের নন-গাউসিয়ান বিস্তার বন্টন থাকে, যেখানে স্বাধীন সংকেতগুলোর মিশ্রণ আরও গাউসিয়ান হয়ে ওঠে। ICA অ্যালগরিদমগুলো মূল উৎসগুলোকে আলাদা করতে এই নন-গাউসিয়ান কাঠামোটি খোঁজে এবং সর্বাধিক করে, কারণ সবচেয়ে কম গাউসিয়ান প্রজেকশনগুলো খুঁজে পাওয়া স্বাধীন উপাদানগুলোকে পুনরুদ্ধার করে।

ICA-এর আগে EEG ডেটার হাই-পাস ফিল্টারিং কেন এত গুরুত্বপুর্ণ?

হাই-পাস ফিল্টার অত্যন্ত ধীরগতির প্রবাহ দূর করে যা ICA বিশ্লেষণকে দূষিত করতে পারে। গবেষণাগুলোতে ধারাবাহিকভাবে পাওয়া গেছে যে ১–২ Hz-এর কাছাকাছি ফিল্টার কাটঅফ ০.৫ Hz-এর মতো নিম্ন ডিফল্ট সেটিংসের তুলনায় মোবাইল রেকর্ডিংয়ে বা নির্দিষ্ট আর্টিফ্যাক্টগুলোকে লক্ষ্য করার সময় আরও পরিষ্কার, মস্তিষ্কের মতো স্বাধীন উপাদান তৈরি করে।

কীভাবে মেশিন লার্নিং মস্তিষ্কের ক্রিয়াকলাপ বা আর্টিফ্যাক্ট হিসেবে ICA উপাদানগুলোর শ্রেণীবিন্যাস স্বয়ংক্রিয় করতে সাহায্য করতে পারে?

স্বয়ংক্রিয় ক্লাসিফায়ারগুলো বিশেষজ্ঞের মতামতের কাছাকাছি নির্ভুলতার সাথে লেবেল করার জন্য প্রতিটি উপাদানের ফ্রিকোয়েন্সি, স্থানিক এবং অস্থায়ী নিদর্শন থেকে কয়েকটি বৈশিষ্ট্য ব্যবহার করে। এটি কোন উপাদানগুলো সরাতে হবে তা বেছে নেওয়ার ম্যানুয়াল, সাবজেক্টিভ কাজের চাপকে হ্রাস করে, যদিও নতুন পরীক্ষামূলক প্যারাডাইমে প্রয়োগ করা হলে কর্মক্ষমতা হ্রাস পেতে পারে।

মোবাইল EEG রেকর্ডিংয়ের সময় যেখানে অংশগ্রহণকারীরা ঘোরাফেরা করেন সেখানে ICA কর্মক্ষমতার কী ঘটে?

নড়াচড়া রৈখিক মিশ্রণের অনুমানকে সম্পূর্ণরূপে ভেঙে দেয় না, তাই ICA এখনও কাজ করে, তবে এটি পরিষ্কার, ব্যাখ্যাযোগ্য মস্তিষ্কের উপাদানের সংখ্যা হ্রাস করে যা পুনরুদ্ধার করা যেতে পারে। মোবাইল সেটআপগুলোতে প্রায়শই স্থির রেকর্ডিংয়ের তুলনায় সর্বোত্তম বিশ্লেষণ বজায় রাখার জন্য উচ্চতর হাই-পাস ফিল্টার কাটঅফ প্রয়োজন হয়।

ICA কি অ-রৈখিক মিশ্রণের ক্ষেত্রে প্রয়োগ করা যেতে পারে?

আদর্শ অ্যালগরিদমটি একটি রৈখিক মিশ্রণ ধরে নেয়, তাই জটিল অ-রৈখিক সংমিশ্রণে এটি প্রয়োগ করার জন্য প্রায়শই মডেলে বিশেষ সংশোধন বা এক্সটেনশনের প্রয়োজন হয়।