জলবায়ু সূচক, বায়োমেডিকাল রেকর্ডিং, মেডিকেল ইমেজের মতো অনেক বাস্তব-জগতের সংকেত বা সিগন্যাল স্থির থাকে না। সময়ের সাথে সাথে এগুলির বৈশিষ্ট্যের পরিবর্তন ঘটে: ব্যায়ামের সময় হার্টবিট দ্রুত হয়, তারপর ধীর হয়ে যায়; সমুদ্র পৃষ্ঠের তাপমাত্রা ঋতু পরিবর্তনের সাথে সাথে ওঠানামা করে আবার কয়েক দশক ধরেও পরিবর্তিত হয়। এগুলি হলো নন-স্টেশনারি (অস্থির) সিগন্যাল।
ওয়েভলেট ট্রান্সফর্ম হলো একটি গাণিতিক পদ্ধতি যা এই ধরনের সিগন্যালগুলি বিশ্লেষণ করার জন্য তৈরি করা হয়েছে। এটি একটি সিগন্যালকে এমন উপাদানগুলিতে বিভক্ত করে যা সময় এবং স্কেল উভয় ক্ষেত্রেই স্থানীয়করণ করা থাকে, যা ঠিক কখন একটি নির্দিষ্ট প্যাটার্ন প্রদর্শিত হয় এবং তা কতটা সময় বা ব্যাপ্তি ধরে কাজ করে তা স্পষ্টভাবে প্রকাশ করে।
একটি প্রচলিত ফুরিয়ার বিশ্লেষণ (যা একটি সিগন্যালকে অন্তহীন সাইন তরঙ্গে বিভক্ত করে) তার বিপরীতে, কন্টিনিউয়াস ওয়েভলেট ট্রান্সফর্ম (CWT) একটি একক প্রোটোটাইপ তরঙ্গের স্কেলড এবং ট্রান্সলেটেড কপির সাহায্যে একটি টাইম-স্কেল উপস্থাপনা তৈরি করে। এই নিবন্ধটি CWT-এর লজিক, কীভাবে একটি মাদার ওয়েভলেট চয়ন করতে হয়, ফলাফলস্বরূপ প্রাপ্ত স্ক্যালোগ্রাম কীভাবে গণনা এবং ব্যাখ্যা করতে হয় এবং এই পদ্ধতির সহজাত সীমাবদ্ধতার পাশাপাশি কয়েক দশকের প্রয়োগের মাধ্যমে কী প্রমাণিত হয়েছে তা তুলে ধরেছে।
ওয়েভলেট ট্রান্সফর্ম (Wavelet Transform) কী?
একটি ওয়েভলেট ট্রান্সফর্ম হলো একাধিক স্কেলে একটি সংকেত (signal) পরীক্ষা করার একটি গাণিতিক পদ্ধতি। গ্লোবাল সাইনসয়ডাল উপাদানের মাধ্যমে সম্পূর্ণ সংকেতটিকে উপস্থাপন করার পরিবর্তে, এটি সংকেতটিকে ওয়েভলেট নামক সংক্ষিপ্ত ফাংশনগুলির সাথে তুলনা করে। এই ফাংশনগুলোকে সংকেত বরাবর স্থানান্তরিত করা হয় এবং স্থানীয় নিদর্শনগুলি প্রকাশ করার জন্য প্রসারিত বা সংকুচিত করা হয়।
এর ফলাফল হলো সহগ বা কো-অফিসিয়েন্ট (coefficients) এর একটি সংগ্রহ। প্রতিটি সহগ নির্দেশ করে যে সংকেতটি একটি নির্দিষ্ট অবস্থান এবং স্কেলে একটি নির্দিষ্ট ওয়েভলেটের সাথে কতটা ঘনিষ্ঠভাবে সাদৃশ্যপূর্ণ। ছোট স্কেলগুলো সাধারণত দ্রুত পরিবর্তন এবং সূক্ষ্ম বিবরণকে ফুটিয়ে তোলে, যেখানে বড় স্কেলগুলো ধীর পরিবর্তন এবং বিস্তৃত গঠনকে বর্ণনা করে।
এই স্থানীয় আচরণই হলো ওয়েভলেট বিশ্লেষণ এবং অনেক প্রচলিত কম্পাঙ্ক পদ্ধতি (frequency methods)-এর মধ্যে প্রধান পার্থক্য। একটি ফুরিয়ার ট্রান্সফর্ম (Fourier transform) দেখাতে পারে যে কোন কম্পাঙ্কগুলো উপস্থিত রয়েছে, তবে একটি ওয়েভলেট ট্রান্সফর্ম এও নির্দেশ করতে পারে যে সেই বৈশিষ্ট্যগুলো কোথায় ঘটছে। এটি একে ট্রানজিয়েন্ট, ডিসকন্টিনিউটি, বার্স্ট, এজ এবং অন্যান্য ঘটনার জন্য উপযুক্ত করে তোলে যেখানে সময়ের গুরুত্ব রয়েছে।
কন্টিনিউয়াস ওয়েভলেট ট্রান্সফর্ম (CWT): এটি যেভাবে কাজ করে
CWT-এর কেন্দ্রে রয়েছে একটি একক, স্থানিক দোলায়মান ফাংশন যাকে মাদার ওয়েভলেট (mother wavelet) বলা হয়, যা ψ(t) দ্বারা চিহ্নিত করা হয়। আপনাকে সংকেতটিকে সাইনসয়েডের একটি নির্দিষ্ট সেটে পচে ফেলতে হবে না। পরিবর্তে, আপনি এই একটি প্রোটোটাইপকে প্রসারিত (স্কেলিং) এবং স্লাইড (স্থানান্তর) করে ওয়েভলেটের একটি পরিবার তৈরি করেন। স্কেল a এবং অবস্থান b-তে CWT হলো সিগন্যাল x(t)-এর সাথে একটি ওয়েভলেটের অভ্যন্তরীণ গুণফল যা a দ্বারা স্কেল করা হয়েছে এবং b দ্বারা স্থানান্তরিত হয়েছে:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
ফ্যাক্টর ১/√a স্কেল জুড়ে শক্তিকে স্বাভাবিক (normalize) করে। যখন a ছোট হয়, তখন ওয়েভলেটটি সংকুচিত হয় এবং সংক্ষিপ্ত, দ্রুত পরিবর্তনগুলো গ্রহণ করে। যখন a বড় হয়, তখন ওয়েভলেটটি প্রসারিত হয় এবং এটি ধীর, বিস্তৃত তরঙ্গকে ধারণ করে। স্থানান্তর b ওয়েভলেটটিকে সময় অক্ষ বরাবর সরিয়ে দেয়, তাই বিশ্লেষণটি শুরু থেকে শেষ পর্যন্ত স্লাইড করে।
এর আউটপুট হলো সময় এবং স্কেলের একটি দ্বি-মাত্রিক ফাংশন যা একটি স্কেলোগ্রাম (scalogram) হিসেবে প্রদর্শিত হতে পারে। ১৯৮৮ সালে ইনগ্রিড ডবশিস (Ingrid Daubechies)-এর মতো গবেষকরা ডিসক্রিট ওয়েভলেটের জন্য মাল্টি-রেজোলিউশন বিশ্লেষণের মূল ধারণাকে আনুষ্ঠানিক রূপ দিয়েছিলেন, যা প্রমাণ করে যে কম্প্যাক্টলি সাপোর্টেড ওয়েভলেটের অর্থোনরমাল বেসগুলি উচ্চ নিয়মিততার সাথে তৈরি করা যেতে পারে। CWT সেই মৌলিক স্কেলিং এবং স্থানান্তর নীতিটি উত্তরাধিকারসূত্রে পায়, তবে অর্থোগোনাল বেসের প্রয়োজনীয়তা ছাড়াই: আপনি যেকোনো মাদার ওয়েভলেট ব্যবহার করতে পারেন যা একটি সাধারণ গ্রহণযোগ্যতার শর্ত পূরণ করে, যা ট্রান্সফর্মটিকে বিপরীতমুখী (invertible) করে তোলে।
এই গঠনটি ওয়েভলেটকে তাদের সিগনেচার শক্তি দেয়। যেহেতু একটি মাদার ওয়েভলেট একটি সংক্ষিপ্ত, তরঙ্গের মতো স্পন্দন, তাই এটি স্বাভাবিকভাবেই ক্ষণস্থায়ী ঘটনাগুলোর ওপর ফোকাস করে। স্কেলিং এবং শিফটিং একসাথে সময় এবং স্কেলের একটি সমসাময়িক দৃশ্য প্রদান করে, যা একটি নির্দিষ্ট-উইন্ডো ফুরিয়ার পদ্ধতি সময় এবং কম্পাঙ্কের রেজোলিউশনের মধ্যে কৃত্রিম আপস না করে মেলাতে পারে না।
ডিসক্রিট ওয়েভলেট ট্রান্সফর্ম (DWT) কী?
ডিসক্রিট ওয়েভলেট ট্রান্সফর্ম, বা DWT, প্রতিটি সম্ভাব্য মান মূল্যায়ন করার পরিবর্তে একটি স্ট্রাকচার্ড গ্রিডে স্কেল এবং স্থানান্তর প্যারামিটারগুলির নমুনা সংগ্রহ করে। সাধারণ গঠনে, স্কেল এবং অবস্থানগুলি ডায়াডিকভাবে পরিবর্তিত হয়, প্রায়শই দুইয়ের ঘাত দ্বারা। এটি বেশ কয়েকটি রেজোলিউশনে তথ্য ধরে রাখার পাশাপাশি সহগগুলির একটি কমপ্যাক্ট সেট তৈরি করে।
DWT সাধারণত পেয়ার করা লো-পাস এবং হাই-পাস ফিল্টার দিয়ে প্রয়োগ করা হয়। লো-পাস শাখাটি সিগন্যালের একটি মসৃণ আনুমানিক রূপ ধরে রাখে, যখন হাই-পাস শাখাটি বিস্তারিত অংশ ধারণ করে। ডাউনস্যাম্পলিং প্রতিটি স্তরে নমুনার সংখ্যা হ্রাস করে এবং আনুমানিক শাখাটিকে আবার পচে ফেলা যেতে পারে।
এই ফিল্টার-ব্যাংক গঠনটি সসীম ডিজিটাল ডেটার জন্য DWT-কে দক্ষ করে তোলে। বিশ্লেষণ এবং সংশ্লেষণ ফিল্টারগুলি সঠিকভাবে ডিজাইন করা হলে এটি পুনর্গঠনকেও সমর্থন করে।
এর প্রয়োগগুলির মধ্যে রয়েছে নয়েজ কমানো, কম্প্রেশন, ইভেন্ট ডিটেকশন এবং মাল্টিস্কেল ফিচার এক্সট্রাকশন, যদিও সহগগুলির ব্যাখ্যা নমুনা সংগ্রহ, সীমানা নির্ধারণ এবং ওয়েভলেট পছন্দের ওপর নির্ভরশীল থাকে।
ডিসক্রিট ওয়েভলেট ট্রান্সফর্ম ব্যাখ্যা করা হলো
DWT ক্রমাগত স্তরে আনুমানিক সহগ এবং বিস্তারিত সহগের মাধ্যমে একটি নমুনাযুক্ত সংকেত উপস্থাপন করে। প্রথম স্তরে, সংকেতটিকে বিস্তৃত, ধীরে ধীরে পরিবর্তনশীল বিষয়বস্তু এবং আরও দ্রুত পরিবর্তনশীল বিস্তারিত অংশে বিভক্ত করা হয়। আনুমানিক রূপের ওপর অপারেশনটির পুনরাবৃত্তি রেজোলিউশনের একটি অনুক্রম তৈরি করে।
CWT-এর বিপরীতে, DWT সাধারণত প্রতিটি ধারাবাহিক অবস্থান এবং স্কেলের জন্য সহগ তৈরি করে না। এর স্ট্রাকচার্ড স্যাম্পলিং অপ্রয়োজনীয়তা এবং গণনা খরচ কমায়। এটি একে বড় অ্যারে, রিয়েল-টাইম প্রসেসিং এবং কম্প্রেশন সিস্টেমের জন্য ব্যবহারিক করে তোলে।
ডিকম্পোজিশন স্তর নির্ধারণ করে যে বিশ্লেষণটি কতদূর অগ্রসর হবে। খুব কম স্তর থাকলে বিস্তৃত কাঠামো বাদ পড়ে যেতে পারে, অন্যদিকে খুব বেশি স্তর থাকলে এমন সহগ তৈরি হতে পারে যা ব্যাখ্যা করা কঠিন বা যা সংকেতের দৈর্ঘ্য এবং সীমানা শর্ত দ্বারা জোরালোভাবে প্রভাবিত হয়। তাই দরকারী গভীরতা হলো ডেটা এবং বিশ্লেষণাত্মক উদ্দেশ্যের একটি বৈশিষ্ট্য, কোনো বৈশ্বিক ধ্রুবক নয়।
DWT ডিসক্রিট ওয়েভলেট ট্রান্সফর্ম অ্যালগরিদম ধাপসমূহ
একটি স্ট্যান্ডার্ড DWT বারবার ফিল্টারিং এবং ডাউনস্যাম্পলিংয়ের মাধ্যমে অগ্রসর হয়। মূল অপারেশনটি সহজ, কিন্তু প্রতিটি ধাপ পরবর্তী উপস্থাপনাকে প্রভাবিত করে।
একটি ওয়েভলেট ফ্যামিলি এবং পছন্দসই ডিকম্পোজিশন স্তর নির্বাচন করুন।
আনুমানিক নমুনা পেতে সংকেতটিকে একটি লো-পাস ফিল্টারের মধ্য দিয়ে প্রবাহিত করুন।
বিস্তারিত নমুনা পেতে একই সংকেতটিকে একটি হাই-পাস ফিল্টারের মধ্য দিয়ে প্রবাহিত করুন।
উভয় আউটপুট ডাউনস্যাম্পল করুন এবং আনুমানিক শাখায় প্রক্রিয়াটি পুনরাবৃত্তি করুন।
সহগগুলো সংরক্ষণ করুন এবং প্রয়োজন হলে সংকেতটি পুনর্গঠন করুন।
এর ফলে প্রাপ্ত সহগ ট্রি মোটা গঠনকে ক্রমান্বয়ে সূক্ষ্ম বিবরণ থেকে পৃথক করে। বাস্তবে, নির্বাচিত সহগগুলো বিশ্লেষণের সাথে প্রাসঙ্গিক সংকেত বৈশিষ্ট্যগুলো সংরক্ষণ করে কিনা তা পরীক্ষা করার জন্য পুনর্গঠন ব্যবহার করা যেতে পারে।
হার ওয়েভলেট ট্রান্সফর্ম: সবচেয়ে সহজ ওয়েভলেট
হার (Haar) ওয়েভলেট হলো ব্যবহৃত সবচেয়ে সহজ ওয়েভলেট। এটি পিসওয়াইজ ধ্রুবক কারণ এটি একটি সংক্ষিপ্ত ব্যবধানের এক অংশে একটি মান এবং অন্য অংশে বিপরীত মান গ্রহণ করে, যার গড় শূন্য। এর আকস্মিক আকৃতি এটিকে স্বাভাবিকভাবেই জাম্প এবং ধাপের মতো পরিবর্তনের প্রতি প্রতিক্রিয়াশীল করে তোলে।
একজোড়া সংক্ষিপ্ত নমুনার জন্য, হার ট্রান্সফর্মকে একটি গড় এবং একটি পার্থক্য গণনা হিসেবে বোঝা যেতে পারে। গড় একটি মোটা অনুমানে পরিণত হয়, যখন পার্থক্যটি স্থানীয় পরিবর্তন রেকর্ড করে। এই অপারেশনের পুনরাবৃত্তি বিশেষভাবে স্পষ্ট ব্যাখ্যার সাথে একটি বহুমুখী উপস্থাপনা তৈরি করে।
হার ওয়েভলেটটি গণনাগতভাবে সাশ্রয়ী এবং ব্যাখ্যা করা সহজ, তবে এটি মসৃণ নয়। ধীরে ধীরে দোলন দ্বারা প্রভাবিত সংকেতগুলি মসৃণ ওয়েভলেটের তুলনায় কম দক্ষতার সাথে উপস্থাপিত হতে পারে। এর মূল্য সবচেয়ে বেশি তখন যখন মসৃণ ফ্রিকোয়েন্সি নির্বাচনের চেয়ে সরলতা, দ্রুত গণনা বা সংযোগ বিচ্ছিন্নতার প্রতি সংবেদনশীলতা বেশি গুরুত্বপূর্ণ।
একটি মাদার ওয়েভলেট নির্বাচন করা
প্রতিটি ছোট দোলাই মাদার ওয়েভলেট হিসেবে গণ্য হওয়ার যোগ্যতা রাখে না। ফাংশনটিকে অবশ্যই গ্রহণযোগ্যতার শর্ত পূরণ করতে হবে, যার অর্থ মূলত এর গড় শূন্য এবং সসীম শক্তি রয়েছে, যার অর্থ এটি শূন্যের উপরে এবং নীচে দোলে এবং একটি সংক্ষিপ্ত ব্যবধানের বাইরে শূন্যে মিলিয়ে যায়।
সেই প্রয়োজনীয়তার বাইরে, আপনি এমন একটি আকৃতি চয়ন করতে স্বাধীন যা আপনার ডেটাতে আপনি যে ধরণের বৈশিষ্ট্য আশা করছেন তার সাথে মেলে। পছন্দটি সূত্রবদ্ধ নয়, তবে ব্যবহারিক অভিজ্ঞতা কয়েকটি হিউরিস্টিকস (heuristics)-এর দিকে নির্দেশ করে:
আকৃতির সাদৃশ্য। যদি আপনার সংকেতে দোলায়মান বার্স্ট থাকে, তবে একটি মর্লেট (Morlet) ওয়েভলেট—একটি গাউসিয়ানে মোড়ানো একটি জটিল সাইন তরঙ্গ—প্রায়শই ভাল কাজ করে কারণ এটি একটি স্থানীয় দোলনের মতো দেখায়। তীক্ষ্ণ, স্পাইকি ট্রানজিয়েন্টের জন্য, মেক্সিকান হ্যাট ওয়েভলেট (একটি গাউসিয়ানের দ্বিতীয় ডেরিভেটিভ) বা একটি কমপ্যাক্টলি সাপোর্টেড ওয়েভলেটের মতো কিছু এজ এবং পিকগুলোকে আরও পরিষ্কারভাবে আলাদা করতে পারে।
সময়-স্কেল রেজোলিউশনের ভারসাম্য। একটি দীর্ঘ ওয়েভলেট কাছাকাছি স্কেলের মধ্যে সূক্ষ্ম পার্থক্য দেখায় তবে একটি বৈশিষ্ট্য ঠিক কোন মুহূর্তে ঘটে তা ঝাপসা করে দেয়। একটি ছোট ওয়েভলেট সঠিক সময় নির্ধারণ করে তবে স্কেলগুলোকে একসাথে মিশ্রিত করে। এটি স্থানীয় বিশ্লেষণের অনিবার্য আপস, কোনো ত্রুটি নয়।
বাস্তব বনাম জটিল ওয়েভলেট। একটি রিয়েল-ভ্যালুড মাদার ওয়েভলেট (যেমন, মেক্সিকান হ্যাট) কেবল অ্যামপ্লিচিউড তথ্য প্রদান করে। একটি জটিল ওয়েভলেট (যেমন, মর্লেট) অ্যামপ্লিচিউড এবং ফেজ উভয়ই প্রদান করে, যা অত্যন্ত গুরুত্বপূর্ণ হতে পারে যখন আপনি পরবর্তীতে ক্রস-ওয়েভলেট কোহেরেন্সের মাধ্যমে দুটি সংকেতের মধ্যে সময়ের সম্পর্ক পরীক্ষা করতে চান।
ডবশিসের গবেষণায় নির্মিত কমপ্যাক্টলি সাপোর্টেড ওয়েভলেটের অর্থোনরমাল বেসগুলি ডিসক্রিট, নিখুঁত পুনর্গঠন কাজের জন্য তৈরি করা হয়েছে। CWT-এর জন্য, আপনি অর্থোনরমালিটির সাথে আবদ্ধ নন, তাই আপনি অবাধে নন-অর্থোগোনাল ওয়েভলেটগুলি নির্বাচন করতে পারেন যদি সেগুলি আপনার সংকেতের মরফোলজির সাথে আরও ভালভাবে মেলে।
তবুও, কমপ্যাক্ট সাপোর্ট এবং নিয়মিততা কাম্য কারণ এগুলি এজের ঝাপসাভাব কমাতে পারে এবং পরিষ্কার ট্রান্সফর্ম দিতে পারে।
কন্টিনিউয়াস ওয়েভলেট ট্রান্সফর্ম গণনা করা
বাস্তবে, CWT মাদার ওয়েভলেটের স্কেলড, টাইম-রিভার্সড কপির সাথে সংকেতকে কনভল্ভ করে আনুমানিক হিসাব করা হয়। যেহেতু সংকেতগুলি সসীম, রেকর্ডটির শুরু বা শেষের দিকে যাওয়ার সাথে সাথে ওয়েভলেটটি অনিবার্যভাবে ডেটার সীমানা ছাড়িয়ে প্রসারিত হয়। সেই সীমানা অঞ্চলগুলি বিকৃত মান তৈরি করে; কোণ অব ইনফ্লুয়েন্স (COI) সেই সময়-স্কেল অঞ্চলটিকে চিহ্নিত করে যেখানে সীমানা প্রভাব বিশ্লেষণটিকে অবিশ্বস্ত করে তোলে। COI-এর মধ্যে প্রবেশ করা যেকোনো বৈশিষ্ট্যকেই সন্দেহের চোখে দেখতে হবে।
একটি স্কেলোগ্রাম তৈরি করতে, স্কেলগুলি সাধারণত সংকেতের সময়কালের সাথে মেলে এমন একটি ব্যাপ্তিকে কভার করার জন্য দুইয়ের ভগ্নাংশের ঘাত হিসাবে নমুনা নেওয়া হয়। CWT সহগগুলির বর্গাকার মাত্রা গণনা করলে ওয়েভলেট পাওয়ার পাওয়া যায়, যা পরে এক অক্ষে সময় এবং অন্য অক্ষে স্কেল সহ একটি কালার ম্যাপ হিসাবে প্লট করা হয়।
স্কেলোগ্রাম ব্যাখ্যা করা
একটি স্কেলোগ্রাম হলো ওয়েভলেট বিশ্লেষণের প্রধান ভিজ্যুয়াল আউটপুট। উজ্জ্বল অঞ্চলগুলি উচ্চ ওয়েভলেট পাওয়ারের সাথে মিলে যায়, এগুলি এমন জায়গা যেখানে সংকেতের একটি নির্দিষ্ট স্কেল এবং সময়ে একটি শক্তিশালী উপাদান রয়েছে।
তবে প্রতিটি হট স্পট অর্থবহ নয়। র্যান্ডম ওঠানামা থেকে আসল বৈশিষ্ট্যগুলিকে আলাদা করতে, গবেষকরা প্রায়শই তাত্ত্বিক পটভূমির বিরুদ্ধে পরিসংখ্যানগত তাত্পর্য পরীক্ষাগুলি তৈরি করেন: হোয়াইট নয়েজ (যা সমানভাবে শক্তি ছড়িয়ে দেয়) এবং রেড নয়েজ (যা কম কম্পাঙ্কে শক্তি ঘনীভূত করে, যেমন অনেক প্রাকৃতিক প্রক্রিয়া করে)। ব্যাকগ্রাউন্ড স্পেকট্রামের ৯৫তম পার্সেন্টাইলের সাথে পর্যবেক্ষিত পাওয়ারের তুলনা করে, আপনি এমন যুগ এবং স্কেলগুলি সনাক্ত করতে পারেন যা আকস্মিকভাবে ঘটার সম্ভাবনা কম।
সময়ে, স্কেলে বা উভয় ক্ষেত্রেই মসৃণকরণ এই জাতীয় বৈশিষ্ট্যগুলির নির্ভরযোগ্যতা বাড়াতে পারে।
CWT-এর পরিচিত সীমাবদ্ধতা এবং সতর্কতা
কোনো গাণিতিক সরঞ্জামই দুর্বলতা মুক্ত নয়, এবং CWT-ও এর ব্যতিক্রম নয়। মাদার ওয়েভলেট পছন্দ করা একই সাথে একটি নমনীয়তা এবং একটি দায়বদ্ধতা। এমন কোনো স্বয়ংক্রিয় পদ্ধতি নেই যা একটি অজানা সংকেতের জন্য সর্বোত্তম ওয়েভলেটের নিশ্চয়তা দেয়।
একটি অনুপযুক্ত পছন্দ—ধরুন, তীক্ষ্ণ স্পাইকে ভরা সংকেতের জন্য একটি দীর্ঘ মর্লেট—বৈশিষ্ট্যগুলোকে ঝাপসা করে দিতে পারে বা বিভ্রান্তিকর স্কেলোগ্রাম আর্টিফ্যাক্ট তৈরি করতে পারে। এমনকি যখন গবেষকরা চোখে দেখে একটি ভাল মিল খুঁজে পান, তবুও বিশ্লেষণটি আংশিকভাবে ব্যক্তিনিষ্ঠ থেকে যায়।
সীমানা প্রভাব (Edge effects) হলো সসীম ডেটার একটি বাস্তব সত্য। দীর্ঘ স্কেলগুলি ওয়েভলেটটিকে সীমানার অনেক বাইরে নিয়ে যায়, তাই COI সবচেয়ে মোটা স্কেলগুলিতে স্কেলোগ্রামের একটি বড় অংশ গ্রাস করতে পারে। মার্জিন থেকে অনুমান করা যেকোনো ঘটনাকে সাময়িক হিসাবে বিবেচনা করা উচিত। তাত্পর্য পরীক্ষাগুলি নীতিগত হলেও, অনুমান করা নয়েজ মডেলগুলির ওপর নির্ভর করে যা প্রতিটি ডেটাসেটের জন্য নাও মিলতে পারে।
একটি নতুন ডেটাসেটের কাছে যাওয়ার সময়, সবচেয়ে স্পষ্ট পথটি সংকেতের প্রত্যাশিত গঠন সম্পর্কে শারীরিক যুক্তির সাথে রক্ষণশীল পরিসংখ্যানগত পরীক্ষা এবং স্কেলোগ্রামটি একটি ইঙ্গিতপূর্ণ মানচিত্র, কোনো সুনির্দিষ্ট শারীরবৃত্তীয় নীলনকশা নয়—এই সত্যটির একটি স্পষ্ট গ্রহণযোগ্যতাকে একত্রিত করে।
EEG বিশ্লেষণের জন্য ওয়েভলেট ট্রান্সফর্ম ব্যবহার করা
ইলেক্ট্রোএনসেফালোগ্রাফি সময়ের সাথে সাথে ভোল্টেজের পরিবর্তনগুলি রেকর্ড করে এবং সেই পরিবর্তনগুলিতে প্রায়শই ওভারল্যাপিং রিদম, ক্ষণস্থায়ী ঘটনা এবং নন-স্টেশনারি আচরণ থাকে। একটি ওয়েভলেট ট্রান্সফর্ম সময় এবং স্কেল জুড়ে এই উপাদানগুলিকে উপস্থাপন করতে পারে, যা নির্দিষ্ট নিদর্শনগুলি কখন আবির্ভূত হয় তা পরীক্ষা করার জন্য দরকারী করে তোলে। পদ্ধতিটি তাই নিউরোলজি এবং EEG রেকর্ডিংয়ের বিশ্লেষণের সাথে প্রাসঙ্গিক।
EEG-এর কাজে, সহগগুলি স্কেল, সময়ের ব্যবধান, চ্যানেল বা ইভেন্ট কন্ডিশন দ্বারা সংক্ষিপ্ত করা যেতে পারে। এই জাতীয় সারসংক্ষেপ রিদম, ইভোকড রেসপন্স, খিঁচুনি সম্পর্কিত ট্রানজিয়েন্ট, ঘুমের ধরণ বা আর্টিফ্যাক্ট স্ট্রাকচার সম্পর্কিত গবেষণাকে সমর্থন করতে পারে। রূপান্তরটি নিজেই কোনো মস্তিষ্কের ব্যাধি নির্ণয় করে না; ব্যাখ্যার জন্য উপযুক্ত ডেটা সংগ্রহ, প্রিপ্রসেসিং, তুলনা গ্রুপ এবং ডোমেন দক্ষতার প্রয়োজন হয়।
প্রিপ্রসেসিং প্রধান বিষয় হিসেবে রয়ে গেছে। ইলেকট্রোড আর্টিফ্যাক্ট, চোখের নড়াচড়া, পেশীর ক্রিয়াকলাপ, রেফারেন্স পছন্দ, ফিল্টারিং, অনুপস্থিত ডেটা এবং সীমানা প্রভাব সবই ওয়েভলেট সহগ পরিবর্তন করতে পারে। ফলাফলগুলি ফ্রিকোয়েন্সি-টু-স্কেল ম্যাপিং এবং নির্বাচিত ওয়েভলেটটি অধ্যয়ন করা টেম্পোরাল মরফোলজির সাথে সাদৃশ্যপূর্ণ কিনা তার প্রতিও সংবেদনশীল।
ওয়েভলেট ট্রান্সফর্ম গণনার জন্য টুল এবং সফটওয়্যার
ওয়েভলেট ট্রান্সফর্মগুলি নিউমেরিক্যাল লাইব্রেরি, বৈজ্ঞানিক প্রোগ্রামিং পরিবেশ এবং বিশেষায়িত সিগন্যাল-প্রসেসিং সফ্টওয়্যার দিয়ে গণনা করা যেতে পারে। উপযুক্ত পছন্দটি নির্ভর করে লক্ষ্যটি শিক্ষণ, অনুসন্ধানী ভিজ্যুয়ালাইজেশন, ব্যাচ প্রসেসিং, এমবেডেড কম্পিউটেশন নাকি পুনরুৎপাদনযোগ্য গবেষণা তার ওপর।
একটি দরকারী টুলের উচিত ট্রান্সফর্ম প্যারামিটারগুলোকে একটি একক ডিফল্ট কমান্ডের আড়ালে লুকিয়ে না রেখে স্পষ্টভাবে প্রকাশ করা।
একটি সাধারণ কাজের ধারা নমুনাযুক্ত ডেটা লোড এবং যাচাই করে, একটি ওয়েভলেট চয়ন করে, CWT বা DWT গণনা করে, সহগগুলি পরিদর্শন করে এবং পুনর্গঠন বা ডাউনস্ট্রিম বৈশিষ্ট্যগুলি মূল্যায়ন করে। নিয়ন্ত্রিত প্যারামিটার পরিবর্তনের সাথে ওয়ার্কফ্লোটির পুনরাবৃত্তি ফলাফলটি স্থিতিশীল কিনা তা দেখাতে পারে। যখন ছোট বাস্তবায়নের পার্থক্য সহগের মানগুলিকে প্রভাবিত করে তখন ডকুমেন্টেশন এবং সংস্করণের রেকর্ডগুলি গুরুত্বপূর্ণ হয়ে দাঁড়ায়।
নির্ভরযোগ্য কাজের জন্য, সফ্টওয়্যার মূল্যায়নে প্রায়শই গাণিতিক নির্ভুলতা, বহুমাত্রিক ডেটার জন্য সমর্থন, সীমানা বিকল্প, প্লটিং, গণনাগত খরচ এবং ইন্টারঅপারেবিলিটি অন্তর্ভুক্ত থাকে। কোডের উচিত স্যাম্পলিং রেট এবং প্রিপ্রসেসিং ইতিহাস সংরক্ষণ করা, কারণ সেই প্রসঙ্গ ছাড়া সহগগুলি পুনরুৎপাদন বা ব্যাখ্যা করা কঠিন।
নন-স্টেশনারি সংকেত পড়ার জন্য কেন ওয়েভলেট বিশ্লেষণ গুরুত্বপূর্ণ
ওয়েভলেট ট্রান্সফর্মের সংজ্ঞায়িত অন্তর্দৃষ্টি হলো যে একটি সংকেতের পরিচয়কে কম্পাঙ্কের একটি স্থির তালিকা হিসাবে নয় বরং কখন নিদর্শনগুলি ঘটে এবং কতক্ষণ স্থায়ী হয় তার একটি জীবন্ত মানচিত্র হিসাবে সবচেয়ে ভাল বোঝা যায়। এই সময়-স্কেল ভিউ বাস্তব-জগতের সেটিংসে তার মূল্য প্রমাণ করেছে। তবুও সেই সাফল্যগুলি সর্বদা একটি সতর্কতা বহন করে: গণিত শুরু হওয়ার আগে নেওয়া সিদ্ধান্তগুলির মতোই বিশ্লেষণটি নির্ভরযোগ্য হয়।
একটি মাদার ওয়েভলেট বেছে নেওয়া বৈজ্ঞানিক বিচারের বিষয়, এবং সীমানা প্রভাব এবং নয়েজের অনুমান যেকোনো স্কেলোগ্রাম যা দাবি করতে পারে তার ওপর বাস্তব সীমানা নির্ধারণ করে। সততার সাথে বলতে গেলে, ওয়েভলেট বিশ্লেষণ পরিবর্তনশীল সংকেতগুলিতে গঠন দেখার একটি উপায় অফার করে, তবে এটি প্রতিটি উজ্জ্বল দাগের অন্ধ স্বীকৃতির পরিবর্তে রক্ষণশীল ব্যাখ্যার দাবি রাখে।
যেসব গবেষকরা পরিসংখ্যানগত পরীক্ষার সাথে শারীরিক যুক্তিকে একত্রিত করেন তারা এই হাতিয়ার থেকে সর্বাধিক মূল্য পান এবং তাদের সিদ্ধান্তগুলিকে যথাযথভাবে পরিমিত রাখেন।
তথ্যসূত্র
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
ওয়েভলেট ট্রান্সফর্ম কী এবং কেন এটি নন-স্টেশনারি সংকেতের জন্য ব্যবহৃত হয়?
ওয়েভলেট ট্রান্সফর্ম একটি সংকেতকে এমন উপাদানগুলিতে বিভক্ত করে যা সময় এবং স্কেল উভয় ক্ষেত্রেই স্থানীয়করণ করা হয়, যা প্রকাশ করে যে কখন একটি প্যাটার্ন উপস্থিত হয় এবং এটি কত সময় ধরে কাজ করে। এটি নন-স্টেশনারি সংকেতের জন্য তৈরি করা হয়েছে, যার চরিত্র সময়ের সাথে সাথে পরিবর্তিত হয়, স্থির পদ্ধতির বিপরীতে যা স্থিতিশীল আচরণ অনুমান করে।
কন্টিনিউয়াস ওয়েভলেট ট্রান্সফর্ম ফুরিয়ার বিশ্লেষণ থেকে কীভাবে আলাদা?
একটি সংকেতকে অবিরাম সাইন তরঙ্গে বিভক্ত করার পরিবর্তে, CWT একটি একক মাদার ওয়েভলেটের স্কেলড এবং স্থানান্তরিত কপি ব্যবহার করে। এই গঠনটি সময় এবং স্কেলের একটি সমসাময়িক দৃশ্য প্রদান করে, ফুরিয়ার পদ্ধতিতে পাওয়া সময় এবং কম্পাঙ্কের রেজোলিউশনের মধ্যে নির্দিষ্ট-উইন্ডোর আপস এড়িয়ে চলে।
মাদার ওয়েভলেট কী এবং এটি কোন শর্ত পূরণ করবে?
একটি মাদার ওয়েভলেট হলো একটি একক, স্থানিক দোলায়মান ফাংশন যা একটি সংকেত বিশ্লেষণ করার জন্য প্রসারিত এবং স্থানান্তরিত হয়। বৈধ হওয়ার জন্য, এটিকে অবশ্যই গ্রহণযোগ্যতার শর্ত পূরণ করতে হবে, যার অর্থ মূলত এর গড় শূন্য এবং সসীম শক্তি রয়েছে—এটি শূন্যের উপরে এবং নীচে দোলে এবং একটি সংক্ষিপ্ত ব্যবধানের বাইরে শূন্যে মিলিয়ে যায়।
একটি নির্দিষ্ট সংকেতের জন্য আপনি কীভাবে একটি মাদার ওয়েভলেট চয়ন করবেন?
এমন একটি ওয়েভলেট চয়ন করুন যার আকৃতি আপনার প্রত্যাশিত বৈশিষ্ট্যগুলির সাথে মেলে; উদাহরণস্বরূপ, একটি মর্লেট ওয়েভলেট দোলায়মান বার্স্টের জন্য উপযুক্ত, যখন একটি মেক্সিকান হ্যাট ওয়েভলেট তীক্ষ্ণ স্পাইকগুলিকে আলাদা করে। আপনি সময় বনাম স্কেল রেজোলিউশনের ভারসাম্যও বজায় রাখুন এবং আপনার ফেজ তথ্যের প্রয়োজন আছে কিনা তা স্থির করুন, যেখানে জটিল ওয়েভলেটগুলি অ্যামপ্লিচিউড এবং ফেজ উভয়ই অফার করে।
স্কেলোগ্রাম কী এবং আপনি কীভাবে এটি ব্যাখ্যা করবেন?
একটি স্কেলোগ্রাম হলো ওয়েভলেট বিশ্লেষণের প্রধান ভিজ্যুয়াল আউটপুট, যা এক অক্ষে সময় এবং অন্য অক্ষে স্কেল সহ ওয়েভলেট পাওয়ারকে প্লট করে। উজ্জ্বল অঞ্চলগুলি একটি নির্দিষ্ট সময় এবং স্কেলে শক্তিশালী সংকেত উপাদানগুলিকে নির্দেশ করে, তবে হোয়াইট বা রেড নয়েজ ব্যাকগ্রাউন্ডের বিরুদ্ধে তাত্পর্য পরীক্ষাগুলি আসল বৈশিষ্ট্যগুলিকে র্যান্ডম ওঠানামা থেকে আলাদা করতে সহায়তা করে।
কোণ অব ইনফ্লুয়েন্স (cone of influence) কী এবং কেন এটি গুরুত্বপূর্ণ?
কোণ অব ইনফ্লুয়েন্স সেই সময়-স্কেল অঞ্চলটিকে চিহ্নিত করে যেখানে সীমানা প্রভাব ওয়েভলেট বিশ্লেষণকে অবিশ্বস্ত করে তোলে কারণ ওয়েভলেটটি সসীম ডেটা সীমানা ছাড়িয়ে প্রসারিত হয়। COI-এর ভিতরে থাকা যেকোনো বৈশিষ্ট্যকে সন্দেহের চোখে দেখতে হবে।
কন্টিনিউয়াস ওয়েভলেট ট্রান্সফর্মের প্রধান সীমাবদ্ধতাগুলি কী কী?
মাদার ওয়েভলেটের পছন্দ আংশিকভাবে ব্যক্তিনিষ্ঠ, এবং একটি অনুপযুক্ত পছন্দ বৈশিষ্ট্যগুলিকে ঝাপসা করে দিতে পারে বা বিভ্রান্তিকর আর্টিফ্যাক্ট তৈরি করতে পারে। সীমানা প্রভাব স্কেলোগ্রামের বড় অংশকে দূষিত করতে পারে, এবং তাত্পর্য পরীক্ষাগুলি অনুমান করা নয়েজ মডেলগুলির ওপর নির্ভর করে যা প্রতিটি ডেটাসেটের জন্য নাও মিলতে পারে।
বাস্তবে রিয়েল এবং কমপ্লেক্স মাদার ওয়েভলেট কীভাবে আলাদা?
রিয়েল-ভ্যালুড ওয়েভলেট, যেমন মেক্সিকান হ্যাট, কেবল অ্যামপ্লিচিউড তথ্য সরবরাহ করে। কমপ্লেক্স ওয়েভলেট, যেমন মর্লেট, অ্যামপ্লিচিউড এবং ফেজ উভয়ই সরবরাহ করে, যা ক্রস-ওয়েভলেট কোহেরেন্সের মাধ্যমে সংকেতগুলির মধ্যে সময়ের সম্পর্ক পরীক্ষার জন্য অপরিহার্য।
CWT এবং DWT-এর মধ্যে পার্থক্য কী?
কন্টিনিউয়াস ওয়েভলেট ট্রান্সফর্ম অনেক কাছাকাছি থাকা স্কেল এবং অবস্থানগুলিকে মূল্যায়ন করে, একটি বিস্তারিত এবং প্রায়শই অপ্রয়োজনীয় উপস্থাপনা তৈরি করে। ডিসক্রিট ওয়েভলেট ট্রান্সফর্ম আরও কমপ্যাক্ট উপস্থাপনা তৈরি করতে স্কেল এবং অবস্থানগুলির একটি স্ট্রাকচার্ড সেট ব্যবহার করে।
হার ওয়েভলেট কীসের জন্য ব্যবহৃত হয়?
হার ওয়েভলেট আকস্মিক পরিবর্তন বা ধাপের মতো আচরণ সহ সংকেতগুলির সহজ, দ্রুত বিশ্লেষণের জন্য দরকারী। এর পিসওয়াইজ-কনস্ট্যান্ট ফর্ম অন্তর্নিহিত গড় এবং পার্থক্যগুলিকে ব্যাখ্যা করা সহজ করে তোলে।
Emotiv একটি নিউরোটেকনোলজি শীর্ষস্থানীয় প্রতিষ্ঠান, যা সহজলভ্য EEG এবং ব্রেন ডেটা টুলের মাধ্যমে স্নায়ুবিজ্ঞান গবেষণার অগ্রগতিতে সহায়তা করে।
ক্রিশ্চিয়ান বার্গোস
