নিউরাল অসিলেশন বা স্নায়বিক স্পন্দন হলো বৈদ্যুতিক কার্যকলাপের ছন্দময় প্যাটার্ন যা পুরো মস্তিষ্ক জুড়ে স্মৃতিশক্তি, নড়াচড়া এবং সংবেদনশীল প্রক্রিয়াকরণকে সহায়তা করে। তবুও, যখন এই স্পন্দনগুলো ইলেক্ট্রোএনসেফালোগ্রাম (EEG) রেকর্ডিং ব্যবহার করে মাথার ত্বকে ধরা পড়ে, তখন সেগুলো একটি কোলাহলপূর্ণ, ক্রমাগত পরিবর্তনশীল সংকেতের মধ্যে চাপা পড়ে থাকে।
যেকোনো একক ইলেকট্রোড থেকে প্রাপ্ত কাঁচা ভোল্টেজ ট্রেস পেশীর কার্যকলাপ, পরিবেশগত হস্তক্ষেপ এবং পটভূমির বৈদ্যুতিক কোলাহলের উপরে স্তরিত হাজার হাজার নিউরাল উৎসের সম্মিলিত প্রতিফলন ঘটায়। সেই মিশ্রণ থেকে একটি পরিষ্কার অসিলেশন বা স্পন্দন বের করার জন্য এমন একটি পদ্ধতির প্রয়োজন যা রেকর্ডিংটিকে তার ফ্রিকোয়েন্সি উপাদানগুলিতে বিভক্ত করতে পারে।
টেম্পোরাল ডেটা এবং ফ্রিকোয়েন্সি বোঝা
টেম্পোরাল ডেটা নির্দিষ্ট টাইমস্ট্যাম্প দ্বারা সূচিবদ্ধ পর্যবেক্ষণের একটি অবিচ্ছিন্ন রেকর্ড হিসাবে বিদ্যমান থাকে, যা একটি নির্দিষ্ট সময়ের মধ্যে একটি সিস্টেম কীভাবে বিকশিত হয় তা প্রতিফলিত করে।
স্নায়ুবিজ্ঞান (neuroscience)-এর প্রেক্ষাপটে, এর মধ্যে সাধারণত মস্তিষ্কের গতিশীলতা বোঝার জন্য স্ক্যাল্প থেকে বৈদ্যুতিক সম্ভাবনা রেকর্ড করা জড়িত থাকে। এই ডেটাসেটগুলি খুব কমই অপরিবর্তিত থাকে; এগুলিতে ছন্দবদ্ধ সংকেত এবং এলোমেলো ওঠানামার সংমিশ্রণ থাকে যা কার্যকরী Insight বের করতে সতর্ক ব্যাখ্যার প্রয়োজন বোধ করে।
টেম্পোরাল ডেটা কী?
টেম্পোরাল ডেটা, বা টাইম সিরিজ ডেটা, সামঞ্জস্যপূর্ণ বিরতিতে ধারাবাহিকভাবে নেওয়া পরিমাপকে প্রতিনিধিত্ব করে। এই ডেটার উপযোগিতা তার স্যাম্পলিং ফ্রিকোয়েন্সি এবং পর্যবেক্ষণ উইন্ডোর দৈর্ঘ্যের উপর নির্ভর করে, যা সনাক্তকরণযোগ্য পরিবর্তনের রেজোলিউশন নির্ধারণ করে।
গবেষকরা সিস্টেমের স্থায়িত্ব মূল্যায়ন করতে এবং দীর্ঘ সময় ধরে টিকে থাকা প্রবণতাগুলি সনাক্ত করতে এই ক্রমগুলি পরীক্ষা করেন।
ডেটাতে ফ্রিকোয়েন্সির ধারণা
ফ্রিকোয়েন্সি বলতে একটি টাইম সিরিজের মধ্যে পর্যায়ক্রমিক প্যাটার্নগুলি যে হারে পুনরাবৃত্ত হয় তাকে বোঝায়, যা সাধারণত প্রতি সেকেন্ডে চক্রে পরিমাপ করা হয়। এই ছন্দগুলি মূল্যায়ন করে, বিশ্লেষকরা ডেটা পরিচালনাকারী অন্তর্নিহিত প্রক্রিয়াগুলিকে শ্রেণীবদ্ধ করতে পারেন।
নিচের তালিকাটি মানুষের জৈবিক পর্যবেক্ষণ অ্যাপ্লিকেশনগুলিতে প্রায়শই লক্ষ্য করা যায় এমন মূল ফ্রিকোয়েন্সি ব্যান্ডগুলির রূপরেখা দেয়:
ডেল্টা তরঙ্গ: সাধারণত গভীর, পুনরুদ্ধারকারী ঘুমের পর্যায়ের সাথে যুক্ত।
থিটা তরঙ্গ: হালকা ঘুম বা ধ্যানমগ্ন অবস্থার সময় ঘন ঘন লক্ষ্য করা যায়।
আলফা তরঙ্গ: শান্ত, জাগরণশীল শিথিলতার সময় বৈশিষ্ট্যগতভাবে প্রচলিত।
বিটা তরঙ্গ: প্রায়শই সক্রিয় জ্ঞানীয় একাগ্রতা এবং সতর্কতার সাথে যুক্ত।
গামা তরঙ্গ: উচ্চ-স্তরের প্রক্রিয়াকরণ এবং একীকরণের কাজের সাথে সম্পর্কিত।
এই শ্রেণীবিভাগটি অবস্থার সুনির্দিষ্ট ম্যাপিংয়ের সুবিধা দেয়, যা গবেষকদের শারীরবৃত্তীয় মার্কার এবং পটভূমির পরিবর্তনশীলতার মধ্যে পার্থক্য করতে সহায়তা করে।
কেন টেম্পোরাল ডেটাকে ফ্রিকোয়েন্সিতে পচে ফেলা বা বিভক্ত করা হয়?
বিশ্লেষণাত্মক লেন্স হিসাবে ডিকম্পোজিশন বা বিভাজন কাজ করে, যা একটি অশোধিত, গোলমেলে সংকেতকে স্বতন্ত্র উপাদান অংশে পৃথক করে। এই কাঠামোগত বিভাজন ছাড়া, বিভিন্ন মস্তিষ্কের ছন্দের মধ্যে জটিল মিথস্ক্রিয়া সামগ্রিক বিস্তারের মধ্যে চাপা পড়ে থাকে। এই উপাদানগুলিকে আলাদা করে, গবেষকরা স্বাধীনভাবে নির্দিষ্ট নিউরাল দোলন বিশ্লেষণ করতে পারেন, যা জ্ঞানীয় অবস্থার আসল জটিলতা প্রকাশ করে।
প্যাটার্ন এবং চক্র সনাক্তকরণ
টেম্পোরাল ডেটার মধ্যে প্যাটার্ন বা ধরন সনাক্তকরণ ধারাবাহিক নিউরাল চক্রগুলি সনাক্ত করার অনুমতি দেয় যা নির্দিষ্ট উদ্দীপনা বা কাজের অধীনে পুনরাবৃত্তি হয়। এই চক্রগুলি সনাক্ত করা বেসলাইন মেট্রিকগুলি প্রদান করে যা সুস্থ মস্তিষ্কের কার্যকলাপ-কে ভিন্নধর্মী প্যাটার্ন থেকে আলাদা করে।
একবার বিভাজনের মাধ্যমে একটি প্যাটার্নকে আলাদা করা সম্ভব হলে, উচ্চ পরিসংখ্যানগত নির্ভরযোগ্যতার সাথে এর উপস্থিতি এবং সময়কাল ট্র্যাক করা সম্ভব হয়।
শব্দ কমানো এবং সংকেত বৃদ্ধি
শারীরবৃত্তীয় রেকর্ড থেকে পরিবেশগত ক্ষতিকর উপাদানগুলি যেমন 60Hz পাওয়ার লাইনের হস্তক্ষেপ দূর করার জন্য কার্যকর সংকেত প্রক্রিয়াকরণ (signal processing) অপরিহার্য। বৈধ জৈবিক ডেটার ফ্রিকোয়েন্সি সীমানা নির্ধারণের মাধ্যমে, গবেষকরা অবাঞ্ছিত সংকেত উপাদানগুলিকে দূর করার জন্য ফিল্টার প্রয়োগ করেন।
এই সংকেত নিষ্কাশন প্রক্রিয়া মৌলিকভাবে আরও ডায়াগনস্টিক পর্যালোচনার জন্য অন্তর্নিহিত ডেটার স্পষ্টতাকে শক্তিশালী করে।
অনুমূলক অনুমিতি এবং ভবিষ্যদ্বাণীমূলক মডেলিং
ভবিষ্যদ্বাণীমূলক মডেলগুলি সিস্টেমে পরিবর্তন বা সম্পূর্ণ বিস্তৃতিতে প্রকাশ পাওয়ার আগে ইভেন্ট ট্রিগারগুলি অনুমান করার জন্য বিভক্ত অংশগুলিকে ব্যবহার করে। এই মডেলগুলি টাইম সিরিজের ভবিষ্যত বিবর্তন প্রজেক্ট করার জন্য চিহ্নিত ফ্রিকোয়েন্সি উপাদানগুলির স্থায়িত্বের উপর নির্ভর করে।
এই ক্ষমতা প্রোঅ্যাক্টিভ ক্লিনিকাল মনিটরিং এবং দীর্ঘমেয়াদী মস্তিষ্কের প্লাস্টিসিটির উপর পরীক্ষামূলক গবেষণা উভয়কেই সমর্থন করে।
টেম্পোরাল ডেটা বিভাজনের জন্য মূল কৌশলসমূহ
রূপান্তরিত ডেটা যাতে মূল নিউরাল ক্রিয়াকলাপের প্রতিনিধিত্ব বজায় রাখতে পারে তা নিশ্চিত করার জন্য বিভাজনের ক্ষেত্রে গাণিতিক কঠোরতার প্রয়োজন হয়।
সংগৃহীত সংকেতগুলির রেজোলিউশন এবং স্থায়িত্বের উপর নির্ভর করে বেশ কয়েকটি প্রতিষ্ঠিত পদ্ধতি অনন্য সুবিধা প্রদান করে। একটি উপযুক্ত সরঞ্জাম নির্বাচন করার জন্য টেম্পোরাল এবং বর্ণালী উভয় স্পষ্টতার প্রয়োজনীয়তার সাথে গণনাগত চাহিদার ভারসাম্য বজায় রাখা প্রয়োজন।
ফুরিয়ার ট্রান্সফর্ম পদ্ধতি
ফুরিয়ার বিশ্লেষণ টাইম-ডোমেন সিগন্যালগুলিকে তাদের ফ্রিকোয়েন্সি-ডোমেন সমতুল্যগুলিতে ম্যাপ করার জন্য একটি মৌলিক পদ্ধতি হিসাবে কাজ করে। এই পদ্ধতিটি স্থির ফ্রিকোয়েন্সি উপাদানগুলি সনাক্ত করতে অত্যন্ত কার্যকর, যদিও সময়ের সাথে পরিবর্তিত হওয়া ক্ষণস্থায়ী সংকেতগুলি বিশ্লেষণ করার সময় এটি সীমাবদ্ধতার সম্মুখীন হয়।
নিচের টেবিলটি বর্তমান গবেষণা পরিবেশে প্রয়োগ করা প্রধান বিভাজন কৌশলগুলির একটি তুলনা প্রদান করে:
কৌশল | প্রাথমিক শক্তি | সীমাবদ্ধতা |
|---|---|---|
ফুরিয়ার ট্রান্সফর্ম | উচ্চ ফ্রিকোয়েন্সি নির্ভুলতা | দুর্বল টেম্পোরাল স্থানীয়করণ |
ওয়েভলেট ট্রান্সফর্ম | সময়-ফ্রিকোয়েন্সি ভারসাম্য | গণনামূলক জটিলতা |
একক স্পেকট্রাম বিশ্লেষণ | ডেটা-চালিত বিভাজন | শব্দের প্রতি সংবেদনশীলতা |
ওয়েভলেট ট্রান্সফর্ম
ওয়েভলেট ট্রান্সফর্ম সংকেত স্ক্যান করার জন্য একটি মাদার ওয়েভলেট প্রসারিত এবং স্থানান্তরিত করে একটি বহুমুখী রেজোলিউশন বিশ্লেষণ প্রদান করে।
ফুরিয়ার পদ্ধতির বিপরীতে, এই পদ্ধতিটি সময় এবং ফ্রিকোয়েন্সি উভয় ক্ষেত্রেই স্থানীয় তথ্য বজায় রাখে, যা এটিকে EEG পরিমাপে সাধারণ ক্ষণস্থায়ী বৈদ্যুতিক স্পাইকগুলি ক্যাপচার করার জন্য উপযুক্ত করে তোলে। এই অভিযোজনযোগ্যতা অ-স্থির বৈশিষ্ট্যগুলি সনাক্ত করার জন্য অত্যাবশ্যক যা সনাতন বর্ণালী পদ্ধতিগুলি দ্রুত ডেটা স্থানান্তরের সময় উপেক্ষা করতে পারে।
একক স্পেকট্রাম বিশ্লেষণ (SSA)
একক স্পেকট্রাম বিশ্লেষণ একটি অ-প্যারামেট্রিক পদ্ধতি অফার করে যা ডেটার কাঠামোর উপর ভিত্তি করে একটি টাইম সিরিজকে ট্রেন্ড, দোদুল্যমান এবং শব্দ উপাদানগুলিতে বিভক্ত করে। একটি বহুমাত্রিক স্পেসে টাইম সিরিজ এম্বেড করে এবং একক মান বিভাজন সম্পাদন করার মাধ্যমে, SSA সবচেয়ে গুরুত্বপূর্ণ কাঠামোগত প্যাটার্নগুলি নিষ্কাশন করে।
এটি সংকেতগুলির সংশোধন করার অনুমতি দেয় এমনকি যখন অন্তর্নিহিত উত্পাদন প্রক্রিয়া অজানা বা অত্যন্ত অ-রৈখিক হয়।
কীভাবে ফুরিয়ার ট্রান্সফর্ম EEG সংকেতগুলিকে ভেঙে দেয়
ফ্রিকোয়েন্সি বিশ্লেষণের সাধারণ প্রারম্ভিক বিন্দু হল ফুরিয়ার ট্রান্সফর্ম, একটি গাণিতিক প্রক্রিয়া যা একটি সংকেতকে বিভিন্ন ফ্রিকোয়েন্সিতে সাইন তরঙ্গের সমষ্টিতে বিভক্ত করে।
এর খাঁটি গাণিতিক আকারে, ফুরিয়ার ট্রান্সফর্ম একটি অসীম সংকেত অনুমান করে যার পরিসংখ্যানগত বৈশিষ্ট্যগুলি কখনই পরিবর্তিত হয় না, এমন একটি শর্ত যা বাস্তব EEG রেকর্ডিংগুলি কখনই পূরণ করতে পারে না। বাস্তবে, গবেষকরা রেকর্ডিংয়ের ছোট, উইন্ডোযুক্ত বিভাগে (সাধারণত কয়েক সেকেন্ড দীর্ঘ) ডিসক্রিট ফুরিয়ার ট্রান্সফর্ম (DFT) প্রয়োগ করে এবং পাওয়ার স্পেকট্রাল ডেনসিটি (PSD) অনুমান করতে ফলাফল ব্যবহার করে এটি সমাধান করেন, যা সেই উইন্ডোর মধ্যে প্রতিটি ফ্রিকোয়েন্সিতে কতটা সংকেত শক্তি বিদ্যমান তা পরিমাপ করে।
এই সমাধানের সাথে দুটি মূল অনুমান আসে:
প্রথমত, সংকেতটিকে এমনভাবে বিবেচনা করা হয় যেন এটি নির্বাচিত উইন্ডোর সময়কালের জন্য স্থির ছিল, যার অর্থ এর ফ্রিকোয়েন্সি বিষয়বস্তু সময়ের সেই অংশের মধ্যে পরিবর্তিত হবে না বলে ধরে নেওয়া হয়।
দ্বিতীয়ত, সংকেতটিকে নির্দিষ্ট সাইন তরঙ্গের রৈখিক সমষ্টি হিসাবে মডেল করা হয়, এটি এমন একটি অনুমান যা মসৃণ, পর্যায়ক্রমিক ক্রিয়াকলাপের জন্য ভাল কাজ করে তবে আকস্মিক পরিবর্তন বা অ-সাইনুসয়েডাল আকারের সাথে মানিয়ে নিতে চ্যালেঞ্জের সম্মুখীন হয়।
এই সরলীকরণগুলি সত্ত্বেও, PSD-ভিত্তিক পদ্ধতিগুলি অনুশীলনে বারবার দরকারী বলে প্রমাণিত হয়েছে।
উদাহরণস্বরূপ, মোটর কল্পনার শ্রেণীবিন্যাসের জন্য বর্ণালী বৈশিষ্ট্য নিষ্কাশন পদ্ধতির একটি তুলনামূলক বিশ্লেষণ-এ দেখা গেছে যে PSD কৌশলগুলি দুটি রেকর্ডিং সেশন জুড়ে এগারোটি বিষয়ের মূল্যায়ন করে বাম হাতের থেকে ডান হাতের নড়াচড়ার কল্পনাকে আলাদা করার জন্য স্বাতন্ত্র্যসূচক বর্ণালী প্যাটার্ন নিষ্কাশন করতে সবচেয়ে ধারাবাহিকভাবে শক্তিশালী এবং কার্যকর ছিল।
অতিরিক্তভাবে, তন্দ্রা সনাক্তকরণের উপর দৃষ্টি নিবদ্ধ করা একটি পৃথক গবেষণা এই প্যাটার্নটিকে আরও শক্তিশালী করে। একটি একক EEG চ্যানেল ব্যবহার করে, গবেষকরা একটি বৈশিষ্ট্যযুক্ত সেট তৈরি করেছেন যা PSD পরিমাপকে একত্রিত করে, যার মধ্যে রয়েছে কেন্দ্রীয় ফ্রিকোয়েন্সি, যে ফ্রিকোয়েন্সির নিচে বর্ণালী শক্তির এক চতুর্থাংশ পড়ে, মোট বর্ণালী শক্তি এবং থিটা ও আলফা ব্যান্ডের মধ্যে শক্তি, পাশাপাশি ওয়েভলেট-ভিত্তিক বৈশিষ্ট্যসমূহ।
এই সম্মিলিত পদ্ধতি ৮৬.৫ শতাংশ নির্ভুলতার সাথে তন্দ্রাচ্ছন্ন পর্বগুলি এবং ৮১.৭ শতাংশ নির্ভুলতার সাথে সতর্কতা অংশগুলি সনাক্ত করেছে। সেই বৈশিষ্ট্যযুক্ত সেটের PSD উপাদানটি বর্ণালী বিষয়বস্তুতে স্থূল, অবস্থার উপর নির্ভরশীল পরিবর্তনগুলি ট্র্যাক করছিল, যা মিলি-বাই-মিলি-সেকেন্ড দোদুল্যমান ঘটনার পরিবর্তে মানসিক অবস্থার মধ্যে ব্যাপক রূপান্তর নির্দেশ করে।
একসাথে, এই দুটি গবেষণা ইঙ্গিত দেয় যে PSD অনুমান, তার স্থিরতার অনুমান সত্ত্বেও, পরিবর্তনশীল মস্তিষ্কের অবস্থার সাথে যুক্ত অর্থপূর্ণ বর্ণালী প্যাটার্নগুলি ক্যাপচার করতে সক্ষম, এমনকি যখন সেই প্যাটার্নগুলি তৈরি করার সংকেত গতিশীল থাকে।
এম্পিরিক্যাল মোড ডিকম্পোজিশন এবং এর মানানসই বিকল্প
এম্পিরিক্যাল মোড ডিকম্পোজিশন (EMD) সম্পূর্ণ ভিন্ন পদ্ধতি গ্রহণ করে। সাইন তরঙ্গের পূর্বনির্ধারিত ভিত্তিতে একটি সংকেতকে জোর করার পরিবর্তে, EMD মানানসইভাবে সংকেতটিকে ইন্ট্রিন্সিক মোড ফাংশন (IMFs) নামক উপাদানগুলির একটি সেটে পরিণত করে।
প্রতিটি IMF সরাসরি ডেটার নিজস্ব দোদুল্যমান কাঠামো থেকে নিষ্কাশন করা হয়, যা নীতিগতভাবে পরিসংখ্যানগতভাবে স্থির থাকার সংকেত প্রয়োজন ছাড়াই পদ্ধতিটিকে বিস্তৃতি এবং ফ্রিকোয়েন্সিতে তাত্ক্ষণিক পরিবর্তনগুলি অনুসরণ করতে দেয়।
উল্লেখযোগ্যভাবে, EMD সুপরিচিত ত্রুটিও বহন করে, যার মধ্যে মোড মিশ্রণের প্রবণতা রয়েছে, যেখানে একটি একক IMF একাধিক প্রকৃত ফ্রিকোয়েন্সি ব্যান্ডের দোলন ধারণ করে শেষ হতে পারে এবং শব্দের প্রতি সংবেদনশীলতা যা বিভাজনকে বিকৃত করতে পারে।
একটি সম্পর্কিত কৌশল, ভ্যারিয়েশনাল মোড ডিকম্পোজিশন (VMD), আংশিকভাবে এই অস্থিরতার সমস্যাগুলি সমাধান করার জন্য তৈরি করা হয়েছিল। VMD ব্যন্ড-সীমিত মোডগুলি নিষ্কাশন করে, প্রতিটি একটি নির্দিষ্ট ফ্রিকোয়েন্দ্রিতে কেন্দ্রিক, আরও সীমাবদ্ধ গাণিতিক ফর্মুলেশন ব্যবহার করে যা স্ট্যান্ডার্ড EMD-এর চেয়ে বেশি স্থিতিশীল ফলাফল তৈরি করে।
একটি ২০১৯ সালের গবেষণা EEG রেকর্ডিং-এ মৃগীরোগের খিঁচুনি ইভেন্টগুলি সনাক্ত করতে মোড স্পেকট্রাল এনট্রপি নামক একটি পরিমাপের সাথে একসাথে VMD প্রয়োগ করেছিল, যা একটি নির্দিষ্ট ফ্রিকোয়েন্সি মোডের অনিয়মিততাকে পরিমাপ করে। চ্যানেল নির্বাচনের জন্য প্রধান উপাদান বিশ্লেষণ (principal component analysis) সহ একটি প্রিপ্রসেসিং ধাপের পরে, পদ্ধতিটি বন EEG ডেটাবেস-এ ৯৮ থেকে ১০০ শতাংশ নির্ভুলতা অর্জন করেছে। আরও চ্যালেঞ্জিং CHB-MIT ডেটাসেটে, এটি ৮৮.৫৫ শতাংশের গড় সংবেদনশীলতা, ৯৪.৮৬ শতাংশের নির্দিষ্টতা এবং ৭২.৯২ শতাংশের নির্ভুলতা তৈরি করেছে।
এই ফলাফলটি প্রদর্শন করে যে মোড-ভিত্তিক বিভাজনগুলি সফলভাবে অত্যন্ত অ-স্থির, ক্ষণস্থায়ী নিউরাল ঘটনাগুলি পরিচালনা করতে পারে, কারণ একটি খিঁচুনি সংজ্ঞা অনুসারে বেসলাইন মস্তিষ্কের কার্যকলাপ থেকে একটি আকস্মিক, স্বল্পস্থায়ী প্রস্থান।
স্প্যাটিও-স্পেকট্রাল বিভাজন উৎস-মিশ্রণ সমস্যার সমাধান করে
স্প্যাটিও-স্পেকট্রাল ডিকম্পোজিশন (SSD) হল একটি রৈখিক বিভাজন পদ্ধতি যা সম্পূর্ণ সেন্সর অ্যারে জুড়ে কাজ করে, চ্যানেলগুলির একটি স্থানিক সংমিশ্রণ খুঁজে পায় যা একটি টার্গেট পিক ফ্রিকোয়েন্সিতে সংকেত শক্তি সর্বাধিক করে এবং একই সাথে উভয় পাশের প্রতিবেশী ফ্রিকোয়েন্সি বিনগুলিতে শক্তি হ্রাস করে। আউটপুটটি কেবল একটি পরিষ্কার বর্ণালী নয় বরং একটি প্যাটার্ন যা দেখায় কোন ইলেক্ট্রোডের অবস্থানগুলি এবং সেই অনুযায়ী কোন অন্তর্নিহিত মস্তিষ্কের অঞ্চলগুলি সেই নির্দিষ্ট দোলনে সবচেয়ে বেশি অবদান রাখে।
গবেষণা এই পদ্ধতিটির প্রবর্তন করে দেখিয়েছে যে সংকেত-থেকে-শব্দ অনুপাত ১ থেকে ১০-এর মতো কম হলেও SSD নির্ভরযোগ্যভাবে দোদুল্যমান সংকেতগুলি নিষ্কাশন করতে পারে, যা আগ্রহের সংকেতের চেয়ে শব্দ কতটা শক্তিশালী ছিল তা বিবেচনা করে একটি কঠিন পরীক্ষা।
সরাসরি তুলনাতে, SSD স্বাধীন উপাদান বিশ্লেষণ (ICA) ভিত্তিক ঐতিহ্যবাহী পদ্ধতিগুলিকে ছাড়িয়ে গেছে। বাস্তব EEG ডেটাতে প্রয়োগ করা হলে, SSD কেন্দ্রীয়, সেন্সরিমোটর অবস্থানগুলির সাথে মেলে এমন স্থানিক নিদর্শনগুলির সাথে উপাদানগুলিকে আলাদা করে এবং সেইসাথে অক্সিপিটাল-প্যারিটাল, পোস্টেরিয়র অবস্থানগুলির সাথে মিলে যায় এমন পৃথক উপাদানগুলিকে পৃথক করে।
টেম্পোরাল ডেটা বিভাজনের ভবিষ্যৎ
কম্পিউটেশনাল পাওয়ার এবং মেশিন লার্নিং অ্যালগরিদমের অগ্রগতি ডেটা-চালিত ভবিষ্যদ্বাণীমূলক আর্কিটেকচারের সাথে সনাতন বর্ণালী বিভাজনকে একত্রিত করতে শুরু করেছে। এই সমন্বিত সিস্টেমগুলি বায়োমার্কার নিষ্কাশন স্বয়ংক্রিয় করার প্রতিশ্রুতি দেয়, যা নিউরাল গতিশীলতার রিয়েল-টাইম বিশ্লেষণের অনুমতি দেয় যা পূর্বে দীর্ঘ অফলাইন প্রক্রিয়াকরণের প্রয়োজন হতো। এই পদ্ধতিগুলির অভিসরণ সম্ভবত ডেটা অর্জন এবং ক্লিনিকাল অ্যাকশনের মধ্যে বিলম্ব কমিয়ে দেবে, আরও প্রতিক্রিয়াশীল মস্তিস্ক-কম্পিউটার ইন্টারফেস (brain-computer interfaces) সহজতর করবে।
গবেষণা ক্রমবর্ধমানভাবে কোয়ান্টাম-উন্নত স্পেকট্রাল এস্টিমেটর তৈরির দিকে মনোনিবেশ করছে যা সনাতন উইন্ডোইং ফাংশনে অন্তর্নিহিত সীমাবদ্ধতাগুলিকে অতিক্রম করে। ওয়েভলেট সেটের ব্যান্ডউইথ দক্ষতা অপ্টিমাইজ করার মাধ্যমে, গবেষকরা সুপার-রেজোলিউশন অর্জনের আশা করেন যা মিলিমিটার স্কেলে ওভারল্যাপিং কর্টিকাল উত্সগুলির মধ্যে পার্থক্য করতে পারে। এই বিবর্তনটি এমন একটি ভবিষ্যতের দিকে ইঙ্গিত করে যেখানে সংকেত পর্যবেক্ষণ উল্লেখযোগ্যভাবে আরও দানাদার এবং অ্যাক্সেসযোগ্য হয়ে উঠবে।
বৈশ্বিক গবেষণা ল্যাবরেটরি জুড়ে প্রমিতকরণ টেম্পোরাল ডেটা সায়েন্সের পরবর্তী দশকের জন্য একটি অত্যন্ত গুরুত্বপূর্ণ লক্ষ্য হিসাবে রয়ে গেছে। কর্মক্ষমতা মূল্যায়নের জন্য বেঞ্চমার্ক স্থাপন নিশ্চিত করবে যে প্রযুক্তিগত অগ্রগতিগুলি পুনরুৎপাদনযোগ্য এবং জনস্বাস্থ্য অ্যাপ্লিকেশনগুলিতে অনুবাদযোগ্য। এই পদ্ধতিগুলি স্থিতিশীল হওয়ার সাথে সাথে মৌলিক স্নায়ুবিজ্ঞান গবেষণা এবং ব্যবহারিক ডায়াগনস্টিক উপযোগিতার মধ্যে ব্যবধান যথেষ্ট পরিমাণে হ্রাস পাবে বলে আশা করা হচ্ছে।
উপসংহার
মানুষের ফিজিওলজিতে বৈদ্যুতিক সংকেতগুলির জটিলতা বোঝার জন্য টেম্পোরাল ডেটাকে ফ্রিকোয়েন্সিতে বিভক্ত করার কৌশলটি একটি গুরুত্বপূর্ণ নিয়ম হিসাবে রয়ে গেছে। গোলমেলে ডেটাসেট থেকে অর্থপূর্ণ প্যাটার্ন বের করার জন্য শক্তিশালী গাণিতিক পদ্ধতি প্রয়োগ করে, গবেষকরা তাদের স্থায়িত্ব পর্যবেক্ষণ এবং রোগগত পরিবর্তন সনাক্ত করার ক্ষমতা উন্নত করেন।
যেহেতু এই বিশ্লেষণাত্মক কাঠামো ক্রমাগত বিকশিত হচ্ছে, তারা স্নায়বিক গবেষণার নির্ভুলতা এবং পরবর্তী ক্লিনিকাল ফলাফলের কার্যকারিতাকে আরও বাড়িয়ে তুলবে।
তথ্যসূত্র
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
সময় এবং ফ্রিকোয়েন্সি ডোমেনের মধ্যে পার্থক্য কী?
টাইম ডোমেন দেখায় যে কীভাবে সময়ের সাথে সাথে সংকেতের প্রশস্ততা পরিবর্তিত হয়, যখন ফ্রিকোয়েন্সি ডোমেন প্রদর্শন করে যে সংকেতটির কতটা অংশ নির্দিষ্ট ফ্রিকোয়েন্সি ব্যান্ডের মধ্যে থাকে।
টেম্পোরাল বিভাজন কি বাস্তব সময়ে করা সম্ভব?
হ্যাঁ, আধুনিক ডিজিটাল সিগন্যাল প্রসেসিং হার্ডওয়্যার ফ্রিকোয়েন্সি উপাদানগুলির অবিচ্ছিন্ন গণনার অনুমতি দেয়, যা রিয়েল-টাইম পর্যবেক্ষণ এবং প্রতিক্রিয়া অ্যাপ্লিকেশনগুলিকে সক্ষম করে।
কীভাবে প্রকৃত মস্তিষ্কের কার্যকারিতা থেকে শব্দকে আলাদা করা হয়?
পরিচিত নিউরাল ক্রিয়াকলাপের সীমার বাইরের ফ্রিকোয়েন্সি ব্যান্ডগুলি চিহ্নিত করে বা পরিবেশগত হস্তক্ষেপের সাথে সম্পর্কিত বৈশিষ্ট্যযুক্ত স্থানিক বা বর্ণালী স্বাক্ষরগুলি সনাক্ত করে সাধারণত শব্দকে আলাদা করা হয়।
কীভাবে ফুরিয়ার ট্রান্সফর্ম EEG থেকে ফ্রিকোয়েন্সি তথ্য বের করে?
ফুরিয়ার ট্রান্সফর্ম একটি সংকেতকে সাইন তরঙ্গের সমষ্টিতে বিভক্ত করে, ধরে নেয় যে সংকেতটি একটি ছোট সময় উইন্ডোর মধ্যে স্থির রয়েছে। পাওয়ার স্পেকট্রাল ডেনসিটি (PSD) তখন পরিমাপ করে যে প্রতিটি ফ্রিকোয়েন্সিতে কতটা শক্তি বিদ্যমান, যা দোদুল্যমান উপাদানের একটি রূপরেখা প্রদান করে।
কীভাবে এম্পিরিক্যাল মোড ডিকম্পোজিশন (EMD) ফুরিয়ার বিশ্লেষণ থেকে আলাদা?
EMD স্থিরতার পূর্বানুমান ছাড়াই সংকেতটিকে ইন্ট্রিন্সিক মোড ফাংশন বা অন্তর্লীন মোড ফাংশনে রূপান্তরিত করে, যা এটিকে তাত্ক্ষণিক ফ্রিকোয়েন্সি এবং প্রশস্ততার পরিবর্তনগুলি ট্র্যাক করতে সাহায্য করে। এটি তাত্ত্বিকভাবে এটিকে মিউ-এর মতো অ-স্থির ছন্দের জন্য আরও উপযুক্ত করে তোলে, যদিও এটি মোড মিশ্রণে ভুগতে পারে।
আপনি কখন মোড ডিকম্পোজিশন পদ্ধতির চেয়ে PSD বেছে নেবেন?
বিভিন্ন পরিস্থিতিতে বিস্তৃত, পুনরাবৃত্তিযোগ্য বর্ণালী নিদর্শনগুলি অধ্যয়ন করার সময় PSD একটি নির্ভরযোগ্য পছন্দ, যেমন মোটর কল্পনার কাজগুলির তুলনা করা। এর গণনামূলক সরলতা এবং মানসিক অবস্থা শ্রেণীবদ্ধ করার জন্য প্রতিষ্ঠিত নির্ভরযোগ্যতা এটিকে কার্যকর করে তোলে যখন দ্রুত পরিবর্তনের সুনির্দিষ্ট সময় নির্ধারণ করা গুরুত্বপূর্ণ নয়।
Emotiv একটি নিউরোটেকনোলজি শীর্ষস্থানীয় প্রতিষ্ঠান, যা সহজলভ্য EEG এবং ব্রেন ডেটা টুলের মাধ্যমে স্নায়ুবিজ্ঞান গবেষণার অগ্রগতিতে সহায়তা করে।
ক্রিশ্চিয়ান বার্গোস
