1. परिचय

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

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

तब से, इलेक्ट्रोएन्सेफोग्राफी पद्धति तंत्रिका विज्ञान में एक प्रमुख उपकरण बन गई है और इसने मस्तिष्क तरंगों (जिसे शोधकर्ता तंत्रिका दोलन कहते हैं) के बारे में हमारी समझ को विकसित करने में मदद की है और थकान तथा सतर्कता जैसी मस्तिष्क की अवस्थाओं को चिह्नित करने में मदद की है।

इस संक्षिप्त ट्यूटोरियल में हम निम्नलिखित विषयों को कवर करेंगे:

• तंत्रिका दोलन (न्यूरल ऑसिलेशन) क्या हैं?

• हम तंत्रिका दोलनों को कैसे माप सकते हैं?

• हम तंत्रिका दोलनों के साथ क्या कर सकते हैं?

• Emotiv उपकरणों और सॉफ्टवेयर का उपयोग करके व्यावहारिक अनुप्रयोग।

2. EEG क्या है?

इलेक्ट्रोएन्सेफोग्राफी (EEG) हमारे मस्तिष्क की विद्युतीय गतिविधि को मापने का एक गैर-आक्रामक और निष्क्रिय तरीका है। मस्तिष्क कोशिकाओं, जिन्हें न्यूरॉन्स कहा जाता है, के समूहों द्वारा उत्पन्न विद्युतीय गतिविधि को रिकॉर्ड करने के लिए स्कैल्प (खोपड़ी) पर इलेक्ट्रोड/सेंसर्स/चैनल रखे जाते हैं।

चित्र 1 - न्यूरॉन्स विद्युतीय गतिविधि उत्पन्न करते हैं जिसे एक EEG डिवाइस के साथ पता लगाया जा सकता है [Siuly, et al. (2016)]।

2.1. EEG प्रणालियाँ

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

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

• गीले या सूखे इलेक्ट्रोड - गीले इलेक्ट्रोड स्कैल्प और सेंसर के बीच चालकता को बेहतर बनाने के लिए 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 या निष्क्रिय इलेक्ट्रोड - निष्क्रिय इलेक्ट्रोड प्रणालियां केवल सिग्नल को डिवाइस तक संचालित करती हैं जहां इसे प्रवर्धित (amplified) किया जाता है। सक्रिय इलेक्ट्रोड प्रणालियां प्रवर्धन के लिए डिवाइस तक पहुंचने से पहले प्रत्येक इलेक्ट्रोड पर सिग्नल को प्रवर्धित करती हैं। यह सिग्नल में पर्यावरणीय विद्युत शोर को कम करता है।

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

चित्र 2 - एक वायरलेस, कम घनत्व वाली EEG प्रणाली।

चित्र 3 - एक वायर्ड, उच्च घनत्व इलेक्ट्रोड EEG प्रणाली।

2.2. EEG का उपयोग कब करें?

प्रत्येक न्यूरोइमेजिंग पद्धति विभिन्न शोध प्रश्नों का उत्तर देने में मदद कर सकती है।

EEG की सबसे बड़ी ताकत यह है कि यह मिलीसेकंड के पैमाने पर तंत्रिका गतिविधि को माप सकती है, जो पूर्व-सचेत प्रक्रियाओं को माप सकती है।

चित्र 4 – विभिन्न न्यूरोइमेजिंग उपकरणों का स्थानिक बनाम लौकिक रिज़ॉल्यूशन (spatial vs temporal resolution)।

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 को रिकॉर्ड करता है (यानी इसका स्थानिक रिज़ॉल्यूशन कम होता है)। एकल सेंसर के साथ 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। कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) इस तरह के सवालों के जवाब देने के लिए बेहतर अनुकूल है कि "मस्तिष्क का कौन सा हिस्सा ध्यान में बदलाव से संबंधित है?"

2.3. सेंसर से रॉ (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 सेंसर के बीच आयाम (amplitude) में अंतर के रूप में मापा जाता है। अधिकांश EEG प्रणालियों में इसे कॉमन मोड सेंस (CMS) इलेक्ट्रोड कहा जाता है। एक अतिरिक्त सेंसर, ड्रिवेन राइट लेग (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 इलेक्ट्रोडों वाली प्रणालियों में सिग्नल को प्रवर्धित 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।

रॉ EEG सिग्नल को आपके कंप्यूटर स्क्रीन पर देखे जाने से पहले ये कदम स्वयं हार्डवेयर में होते हैं।

2.4. कुछ बुनियादी शब्दावली

10-20 मानक नामकरण परंपरा

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

नोट 1: ये केवल नामकरण परंपराएं 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. तंत्रिका दोलन (Neural Oscillations) क्या हैं?

मस्तिष्क तरंगें, जिन्हें अक्सर तंत्रिका दोलन कहा जाता है, एक अकेले या न्यूरॉन्स के समूह द्वारा निर्मित लयबद्ध पैटर्न हैं।

यह अभी तक स्पष्ट नहीं है कि मस्तिष्क इन विभिन्न प्रकार के दोलनों का उत्पादन क्यों करता है, हालांकि कई सिद्धांत हैं। शोधकर्ता इन दोलन 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. एक दोलन के कुछ गुण

यह चित्र एक सामान्य विद्युत संकेत के माप को दर्शाता है:

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

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

प्रति सेकंड चक्रों की संख्या को तरंग की आवृत्ति (frequency) कहा जाता है और इसकी इकाई हर्ट्ज़ (Hz) है। इसलिए 1 चक्र प्रति सेकंड = 1 Hz। आयाम आमतौर पर माइक्रोवोल्ट (µV) में मापे जाते हैं।

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

विभिन्न प्रकार के मस्तिष्क दोलनों 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 दौरों का पता लगाने और मिर्गी के निदान के लिए तंत्रिका दोलन महत्वपूर्ण हैं।

2. मस्तिष्क कंप्यूटर इंटरफेस (BCI)
   दूरस्थ उपकरणों को प्रशिक्षित करने के लिए अक्सर बीटा, गामा और म्यू दोलनों की मात्रा का उपयोग 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 दोलनों) को देख सकते हैं और अपने मस्तिष्क में गामा दोलनों की मात्रा में सुधार करने के लिए संज्ञानात्मक 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 टाइम डोमेन या फ़्रीक्वेंसी डोमेन में विश्लेषण करते हैं।

1. टाइम डोमेन विश्लेषण

   आमतौर पर उत्तेजना (stimulus) 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 विंडो में या किसी घटना की शुरुआत से संबंधित विभिन्न फ़्रीक्वेंसी बैंडों में तंत्रिका दोलनों 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 दोलनों 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. आर्टफ़ैक्ट रिमूवल (कलाकृति हटाना)
   शारीरिक हलचल, आंखों का झपकना सभी बड़ी आर्टफ़ैक्ट्स (EEG में > 50 µV शिखर) 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 आर्टफ़ैक्ट्स 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 – रॉ EEG में पलक झपकने की आर्टफ़ैक्ट।

3.5. फास्ट फूरियर ट्रांसफॉर्म (FFT)

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

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

चित्र 9A – टाइम डोमेन में रॉ EEG।

चित्र 9B – FFT (फ़्रीक्वेंसी 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 का कितना हिस्सा है। बैंड पॉवर की इकाइयाँ आमतौर पर µV2/Hz में होती हैं। अक्सर, FFT से आयाम या पॉवर स्पेक्ट्रा को लघुगणकीय इकाई डेसिबल (dB) में दिखाया जाता है। डेसिबल मापी गई 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

इसके बाद, हम अल्फा दमन प्रभाव (alpha suppression effect) को देखने जा रहे हैं।

यह हंस बर्गर द्वारा सबसे पहले रिपोर्ट की गई एक घटना है, जिसमें हम किसी की आंखें खुली होने पर बंद होने की तुलना में अल्फा दोलनों (अल्फा पॉवर) की मात्रा में महत्वपूर्ण कमी देखते हैं।

चित्र 10 – आँखें खुली होने पर अल्फा दोलनों में वृद्धि देखी जा सकती है।

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

आप अपना खुद का अल्फा दमन 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 यहाँ और 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 Emotiv Analyzer का उपयोग करके इसे फ़्रीक्वेंसी डोमेन में बदल सकते हैं। वीडियो में दिए गए चरणों का पालन करें।

4.3. डेटा की व्याख्या करना

एक बार Analyzer का काम पूरा हो जाने पर ज़िप फ़ाइल डाउनलोड करें। प्रत्येक रिकॉर्ड के लिए आपके पास बैंड पॉवर के साथ एक csv फ़ाइल और एक इमेज फ़ाइल होगी जिसका उपयोग आप अपने स्वयं के सांख्यिकीय विश्लेषण को चलाने के लिए कर सकते हैं।

चित्र 11 – बैंडपॉवर।

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

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

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

5. संसाधन

उन्नत पठन

डोनोघ्यू एट अल। 2022 तंत्रिका दोलनों के अध्ययन के लिए पद्धतिगत विचार

EEG शब्दावली की शब्दावली

केन एट अल। 2017 (यहाँ)

ओपन सोर्स कोड

यदि आप पायथन कोडिंग के साथ सहज हैं, तो हमने पायथन स्क्रिप्ट उपलब्ध कराई हैं जिनका उपयोग आप आँखें खुली और आँखें बंद खंडों द्वारा लेबल किए गए अल्फा पावर मान प्राप्त करने के लिए कर सकते हैं। 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