1. परिचय

आपका स्वागत है! इस ट्यूटोरियल में हम मस्तिष्क तरंगों के बारे में सीख रहे हैं और हम मस्तिष्क और व्यवहार को समझने के लिए उनका उपयोग कैसे कर सकते हैं।

हैन्स बर्गर ने 1929 में इलेक्ट्रोएन्सेफलोग्राम शब्द की खोज की, जब उन्होंने किसी व्यक्ति के सिर पर लगाए गए सेंसर का उपयोग करके रिकॉर्ड किए गए विद्युत क्षमता में बदलावों का वर्णन किया। उन्होंने दो प्रकार की मस्तिष्क तरंगों की पहचान की, जिन्हें उन्होंने बस उस क्रम के कारण अल्फा और बीटा तरंगें कहा जिसमें उन्होंने उन्हें रिकॉर्ड किया था। ऐसी तरंगें अन्य स्तनधारियों में रिकॉर्ड की गई थीं लेकिन बर्गर ने पहली बार मनुष्यों में उनका वर्णन किया था!

तब से, इलेक्ट्रोएन्सेफलोग्राफी विधि तंत्रिका विज्ञान (न्यूरोसाइंस) में एक प्रमुख उपकरण बन गई है और इसने मस्तिष्क तरंगों (जिन्हें शोधकर्ता न्यूरल ऑसिलेशन कहते हैं) के बारे में हमारी समझ को विकसित करने में मदद की है और मस्तिष्क की उन स्थितियों को चिह्नित करने में मदद की है जैसे कि थकान और जागरूकता।

इस संक्षिप्त ट्यूटोरियल में हम निम्नलिखित को कवर करेंगे:

• न्यूरल ऑसिलेशन क्या हैं?

• हम न्यूरल ऑसिलेशन को कैसे माप सकते हैं?

• हम न्यूरल ऑसिलेशन के साथ क्या कर सकते?

• Emotiv उपकरणों और सॉफ़्टवेयर का उपयोग करके व्यावहारिक अनुप्रयोग।

2. EEG क्या है?

इलेक्ट्रोएन्सेफलोग्राफी (EEG) हमारे मस्तिष्क की विद्युत गतिविधि को मापने की एक गैर-आक्रामक (नॉन-इनवेसिव) और निष्क्रिय (पैसिव) विधि है। मस्तिष्क कोशिकाओं, जिन्हें न्यूरॉन्स कहा जाता है, की आबादी द्वारा उत्पन्न विद्युत गतिविधि को रिकॉर्ड करने के लिए स्कैल्प पर इलेक्ट्रोड/सेंसर्स/चैनल रखे जाते हैं।

चित्र 1 - न्यूरॉन्स विद्युत गतिविधि उत्पन्न करते हैं जिसे EEG उपकरण [सिउली, आदि (2016)] के साथ पहचाना जा सकता है।

2.1. EEG सिस्टम

बाजार में कई EEG उपकरण हैं जिनका उपयोग EEG रिकॉर्ड करने के लिए किया जा सकता है। EEG उपकरणों की रेंज निम्न हो सकती है:

• एक एकल सेंसर या 256 इलेक्ट्रोड तक - अधिक इलेक्ट्रोड होने से स्कैल्प पर जानकारी का उच्च स्थानिक रिज़ॉल्यूशन (स्पेशियल रिज़ॉल्यूशन) प्राप्त होगा।

• गीले (वेट) या सूखे (ड्राय) इलेक्ट्रोड - गीले इलेक्ट्रोड स्कैल्प और सेंसर के बीच चालकता में सुधार करने के लिए एक इलेक्ट्रोलाइटिक जेल या खारे घोल का उपयोग करते हैं। सूखे इलेक्ट्रोड धातु या प्रवाहकीय पॉलिमर हो सकते हैं जिन्हें स्कैल्प के साथ सीधे संपर्क की आवश्यकता होती है।

• सक्रिय (एक्टिव) या निष्क्रिय (पैसिव) इलेक्ट्रोड - निष्क्रिय इलेक्ट्रोड सिस्टम केवल सिग्नल को उस डिवाइस तक ले जाते हैं जहां इसे एम्पलीफाई किया जाता है। सक्रिय इलेक्ट्रोड सिस्टम सिग्नल को एम्पलीफाई होने के लिए डिवाइस तक पहुंचने से पहले प्रत्येक इलेक्ट्रोड पर ही एम्पलीफाई करते हैं। यह सिग्नल में पर्यावरणीय विद्युत शोर (एनवायर्नमेंटल इलेक्ट्रिकल नॉइज़) को कम करता है।

• वायर्ड या वायरलेस डिवाइस जो ब्लूटूथ के माध्यम से डेटा संचारित करते हैं।

चित्र 2 - एक वायरलेस, लो डेंसिटी EEG सिस्टम।

चित्र 3 - एक वायर्ड, हाई डेंसिटी इलेक्ट्रोड EEG सिस्टम।

2.2. EEG का उपयोग कब करें?

प्रत्येक न्यूरोइमेजिंग विधि विभिन्न शोध प्रश्नों के उत्तर देने में मदद कर सकती है।

EEG की सबसे बड़ी ताकत यह है कि यह मिलीसेकंड के पैमाने में न्यूरल गतिविधि को माप सकता है, जो पूर्व-सचेत (प्री-कॉन्शियस) प्रक्रियाओं को माप सकता है।

चित्र 4 - विभिन्न न्यूरोइमेजिंग उपकरणों का स्थानिक (स्पेशियल) बनाम लौकिक (टेम्पोरल) रिज़ॉल्यूशन।

यह "मेरे वीडियो के किन हिस्सों पर प्रतिभागियों ने सबसे अधिक ध्यान दिया?" जैसे प्रश्नों के लिए सबसे उपयुक्त है।

EEG मुख्य रूप से मस्तिष्क की बाहरी परतों से गतिविधि रिकॉर्ड करता है (यानी इसका स्थानिक रिज़ॉल्यूशन कम होता है)। एकल सेंसर से गतिविधि के स्रोत की पहचान करना असंभव है। बड़ी संख्या में चैनलों के साथ रिकॉर्डिंग करने से गणितीय रूप से स्रोत का पुनर्निर्माण किया जा सकता है लेकिन गहरे स्रोतों की पहचान करने में यह अभी भी सीमित है। फंक्शनल मैग्नेटिक रेजोनेंस इमेजिंग (fMRI) जैसे प्रश्नों का उत्तर देने के लिए बेहतर अनुकूल है "मस्तिष्क का कौन सा हिस्सा ध्यान में बदलाव से संबंधित है?"

2.3. सेंसर से कच्चे (Raw) EEG तक?

एक बार सिर पर EEG डिवाइस फिट हो जाने के बाद, मस्तिष्क की गतिविधि को एक एकल सेंसर पर उस सेंसर और एक संदर्भ (रेफरेंस) सेंसर के बीच आयाम (एम्प्लिट्यूड) में अंतर के रूप में मापा जाता है। अधिकांश EEG सिस्टम में इसे कॉमन मोड सेंस (CMS) इलेक्ट्रोड कहा जाता है। एक अतिरिक्त सेंसर, संचालित दाहिना पैर (DRL), CMS पर किसी भी हस्तक्षेप को कम करने में मदद करता है।

चित्र 5 - EEG सिग्नल ट्रांसमिशन का सरलीकृत ब्लॉक आरेख।

सक्रिय और निष्क्रिय दोनों इलेक्ट्रोड वाले सिस्टम में सिग्नल को एम्पलीफाई किया जाता है और लो-पास फ़िल्टर किया जाता है। लो पास फ़िल्टरिंग एक ऐसा कदम है जो आपके सिग्नल में पर्यावरण से संभावित विद्युत हस्तक्षेपों को हटा देगा जैसे कि मुख्य बिजली लाइनें।

ये चरण आपके कंप्यूटर स्क्रीन पर कच्चे (Raw) EEG सिग्नल को देखने से पहले हार्डवेयर में ही होते हैं।

2.4. कुछ बुनियादी शब्दावली

10-20 मानक नामकरण परिपाटी

बाएं सेंसर आमतौर पर विषम संख्या वाले होते हैं और दाएं सेंसर आमतौर पर सम संख्या वाले होते हैं।

नोट 1: ये केवल नामकरण परिपाटी हैं और EEG सेंसर स्थान का स्रोत गतिविधि के स्रोत का संकेतक नहीं है।

नोट 2: एकल चैनल पर गतिविधि के स्रोत को निर्धारित करने के लिए स्रोत के गणितीय पुनर्निर्माण जैसे अतिरिक्त कदम उठाने की आवश्यकता होती है।

3. न्यूरल ऑसिलेशन क्या हैं?

मस्तिष्क तरंगें, जिन्हें अक्सर न्यूरल ऑसिलेशन कहा जाता है, एक सिंगल न्यूरॉन या न्यूरॉन्स के समूह द्वारा निर्मित लयबद्ध पैटर्न (रिद्मिक पैटर्न) हैं।

यह अभी तक स्पष्ट नहीं है कि मस्तिष्क इन विभिन्न प्रकार के ऑसिलेशन का उत्पादन क्यों करता है, हालांकि इसके कई सिद्धांत हैं। शोधकर्ता इन ऑसिलेटरी गतिविधियों को चिह्नित करने के लिए विभिन्न कार्यों का उपयोग करते हैं और इन लयबद्ध पैटर्न का उपयोग करके मस्तिष्क के रहस्यों को समझने का लक्ष्य रखते हैं।

3.1. ऑसिलेशन के कुछ गुण

यह चित्र एक नियमित विद्युत संकेत का माप दिखाता है:

चित्र 6 - विभिन्न न्यूरोइमेजिंग उपकरणों का स्थानिक बनाम लौकिक रिज़ॉल्यूशन।

बाईं ओर (y-अक्ष) हम विद्युत रिकॉर्डिंग के आयाम (एम्प्लिट्यूड) को प्लॉट कर सकते हैं और क्षैतिज अक्ष (x-अक्ष) पर समय तय कर सकते हैं। सिग्नल का आयाम एक केंद्रीय बिंदु के बारे में नियमित तरीके से परिमाण में भिन्न होगा। एक चक्र को ऑसिलेशन भी कहा जाता है।

प्रति सेकंड चक्रों की संख्या को तरंग की आवृत्ति (फ्रीक्वेंसी) कहा जाता है और इसकी इकाई हर्ट्ज़ (Hz) है। इसलिए 1 चक्र प्रति सेकंड = 1 Hz। आयामों को आमतौर पर माइक्रोवोल्ट (µV) में मापा जाता है।

मस्तिष्क में हम 0.2 Hz (बहुत धीमी तरंगें) से लेकर 80 Hz या उससे अधिक (बहुत तेज़ तरंगें) तक की आवृत्तियों वाली तरंगें देखते हैं। मस्तिष्क में दौरे से जुड़ी 500 Hz तक की उच्च-आवृत्ति गतिविधि भी रिकॉर्ड की गई है।

विभिन्न प्रकार के मस्तिष्क ऑसिलेशन को उनकी आवृत्ति के आधार पर वर्गीकृत किया जाता है। इन्हें फ़्रीक्वेंसी बैंड के रूप में जाना जाता है और ये मस्तिष्क की विभिन्न अवस्थाओं से संबंधित हो सकते हैं:

चित्र 7 - सामान्य EEG में मस्तिष्क तरंगें।

3.2. विभिन्न फ़्रीक्वेंसी बैंड क्यों महत्वपूर्ण हैं?

1. सामान्य बनाम असामान्य मस्तिष्क पैटर्न की पहचान करना
   न्यूरोलॉजी में दौरे का पता लगाने और मिर्गी का निदान करने के लिए न्यूरल ऑसिलेशन महत्वपूर्ण हैं।

2. ब्रेन कंप्यूटर इंटरफेस (BCI)
   बीटा, गामा और म्यू ऑसिलेशन की मात्रा का उपयोग अक्सर रिमोट उपकरणों को प्रशिक्षित करने के लिए किया जाता है (जैसे विचारों के साथ व्हीलचेयर को स्थानांतरित करना)।

3. न्यूरोफीडबैक
   यह मस्तिष्क प्रशिक्षण का एक रूप है जहां आप अपनी मस्तिष्क तरंगों (जैसे गामा ऑसिलेशन) को देख सकते हैं और अपने मस्तिष्क में गामा ऑसिलेशन की मात्रा में सुधार करने के लिए संज्ञानात्मक (कॉग्निटिव) कार्यों में संलग्न हो सकते हैं।

4. न्यूरोमार्केटिंग
   अल्फा और बीटा फ़्रीक्वेंसी बैंड का उपयोग यह निर्धारित करने के लिए किया जा सकता है कि किसी विज्ञापन का कौन सा हिस्सा अधिक या कम आकर्षक है।

3.3. EEG डेटा विश्लेषण के प्रकार

आम तौर पर शोधकर्ता या तो टाइम डोमेन या फ़्रीक्वेंसी डोमेन में विश्लेषण करते हैं।

1. टाइम डोमेन विश्लेषण

   आमतौर पर उत्तेजना (स्टिमुलस) की शुरुआत के बाद रुचि के समय बिंदुओं पर वोल्टेज आयाम को मापता है। इन्हें इवेंट-रिलेटेड पोटेंशियल (ERPs) कहा जाता है।

2. फ़्रीक्वेंसी डोमेन विश्लेषण

   आमतौर पर एक निश्चित समय सीमा में या किसी घटना की शुरुआत से संबंधित विभिन्न फ़्रीक्वेंसी बैंड में न्यूरल ऑसिलेशन की मात्रा को मापता है।

इसके बाद हम फ़्रीक्वेंसी डोमेन विश्लेषण का अवलोकन प्रदान करते हैं।

3.4. प्रोसेसिंग

एक बार जब आप EEG रिकॉर्डिंग कर लेते हैं, तो आमतौर पर आप ऑसिलेशन को समझने से पहले डेटा को साफ करते हैं।

1. फ़िल्टरिंग
   डेटा में उच्च और निम्न आवृत्ति वाले पर्यावरणीय शोर को हटाने की एक तकनीक।

2. कलाकृति निष्कासन (आर्टिफैक्ट रिमूवल)
   शारीरिक हलचल, पलकें झपकना सभी बड़ी कलाकृतियों (EEG में > 50 µV चोटियाँ) का कारण बन सकते हैं। इन्हें हटाया जा सकता है ताकि ये हमारे परिणामों को प्रभावित न करें। कुछ शोधकर्ता डेटा को संरक्षित करने के लिए इन कलाकृतियों को ठीक करने के लिए परिष्कृत तरीकों का उपयोग करते हैं।

डेटा संसाधित होने के बाद, सिग्नल को अब फ़्रीक्वेंसी डोमेन में परिवर्तित किया जा सकता है ताकि हम प्रत्येक प्रकार की मस्तिष्क तरंगों की मात्रा को माप सकें।

चित्र 8 - कच्चे (Raw) EEG में पलक झपकने की विकृति (आर्टिफैक्ट)।

3.5. फास्ट फूरियर ट्रांसफॉर्म (FFT)

फूरियर ट्रांसफॉर्म 'टाइम डोमेन' (छवि A) से 'फ्रीक्वेंसी डोमेन (छवि B)' में EEG सिग्नल का गणितीय रूपांतरण है।

फ़्रीक्वेंसी डोमेन में, हम यह निर्धारित कर सकते हैं कि हमारी रिकॉर्डिंग में प्रत्येक प्रकार का कितना ऑसिलेशन था। यह आम तौर पर फ़्रीक्वेंसी बैंड की 'पॉवर' होती है और इसे पॉवर स्पेक्ट्रम (छवि B) में प्रदर्शित किया जा सकता है।

चित्र 9A - टाइम डोमेन में कच्चा (Raw) EEG।

चित्र 9B - FFT (फ्रीक्वेंसी डोमेन) के बाद पॉवर स्पेक्ट्रम।

3.6. बैंड पॉवर

फूरियर ट्रांसफॉर्म से प्राप्त फ़्रीक्वेंसी बैंड (जैसे अल्फा बैंड) की पॉवर हमें बताती है कि प्रत्येक फ़्रीक्वेंसी बैंड कितना है। बैंड पॉवर इकाइयाँ आमतौर पर µV2/Hz में होती हैं। अक्सर, FFT से आयाम या पॉवर स्पेक्ट्रा को लॉगरिदमिक इकाई डेसिबल (dB) में दिखाया जाता है। डेसिबल मापे गए पॉवर (P) और एक संदर्भ पॉवर (Pr) के बीच अनुपात की एक इकाई है, जो इस प्रकार है:

एक बार रुचि की घटनाओं के लिए माप की यह इकाई प्राप्त हो जाने के बाद, मस्तिष्क तरंगों पर प्रयोगात्मक प्रभावों को समझने के लिए बैंड पॉवर की तुलना की जा सकती है।

4. सिद्धांत से व्यवहार तक

आगे, हम अल्फा सप्रेशन प्रभाव को देखने जा रहे हैं।

यह पहली बार हैन्स बर्गर द्वारा रिपोर्ट की गई एक घटना है, जिसमें हम आंखें बंद होने की तुलना में खुली होने पर अल्फा ऑसिलेशन (अल्फा पॉवर) की मात्रा में महत्वपूर्ण कमी देखते हैं।

चित्र 10 - आंखें खुली होने पर अल्फा ऑसिलेशन में वृद्धि देखी जा सकती है।

सबसे पहले EmotivPRO Builder का उपयोग करके हमने एक सरल प्रयोग बनाया। इस प्रयोग में एक प्रतिभागी को स्क्रीन पर ध्यान केंद्रित करते हुए केवल 2 मिनट के लिए अपनी आँखें खुली रखने के लिए कहा जाता है, और फिर 2 मिनट के लिए बंद रखने के लिए। आँखें खोलने का संकेत देने के लिए वे 2 मिनट के अंत में एक घंटी सुनेंगे।

आप अपना खुद का अल्फा सप्रेशन प्रयोग बनाने के लिए नीचे दिए गए वीडियो का अनुसरण कर सकते हैं या आप यहाँ दिए गए लिंक से हमारा प्रयोग चला सकते हैं:

4.1. डिवाइस फिटिंग और EEG गुणवत्ता

हमारा EQ गेट कैसे काम करता है इसके बारे में और अधिक यहाँ पढ़ें। अपने हेडसेट के लिए विशिष्ट डिवाइस फिटिंग के बारे में अधिक जानकारी यहाँ प्राप्त करें:

• EPOC प्रकार

• Insight प्रकार

4.2. EEG डेटा को प्रोसेस और ट्रांसफॉर्म करना

अब जब आपके पास अपना डेटा है तो आप इसे Emotiv Analyzer का उपयोग करके फ्रीक्वेंसी डोमेन में बदल सकते हैं। वीडियो में दिए गए चरणों का पालन करें।

4.3. डेटा की व्याख्या करना

एक बार एनालाइज़र हो जाने के बाद ज़िप फ़ाइल डाउनलोड करें। प्रत्येक रिकॉर्ड के लिए आपके पास बैंड पॉवर वाली एक csv फ़ाइल और एक इमेज फ़ाइल होगी जिसका उपयोग आप अपना स्वयं का सांख्यिकीय विश्लेषण चलाने के लिए कर सकते हैं।

चित्र 11 - बैंडपॉवर।

हमारे आउटपुट में हम देख सकते हैं कि आँखें खुली होने (नीला) की तुलना में बंद होने (नारंगी) पर अल्फा पॉवर में वृद्धि हुई है।

यह हमारे ट्यूटोरियल का अंत है! अब आप बुनियादी बातों से सुसज्जित हैं 🙂

आप संसाधन अनुभाग में अधिक उन्नत अध्ययन के लिए कुछ लिंक पा सकते हैं।

5. संसाधन

उन्नत अध्ययन (एडवांस्ड रीडिंग)

डोनोघ्यू आदि। 2022 न्यूरल ऑसिलेशन के अध्ययन के लिए कार्यप्रणाली संबंधी विचार

EEG शब्दावली की शब्दावली

केन आदि। 2017 (यहाँ)

ओपन सोर्स कोड

यदि आप पायथन कोडिंग के साथ सहज हैं, तो हमने पायथन स्क्रिप्ट उपलब्ध कराई हैं जिनका उपयोग आप अल्फा पॉवर मान प्राप्त करने के लिए कर सकते हैं, जिन्हें खुली-आंखों और बंद-आंखों के खंडों द्वारा लेबल किया गया है। कोड और नमूना अल्फा सप्रेशन डेटा फ़ाइलें यहाँ प्राप्त करें: https://osf.io/9bvgh/

Emotiv मैनुअल

EmotivPRO Builder मैनुअल
EmotivPRO मैनुअल
EmotivPRO Analyzer मैनुअल

7. संदर्भ

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1