प्रीप्रोसेसिंग क्यों महत्वपूर्ण है

EEG तंत्रिका (neural) और गैर-तंत्रिका दोनों प्रकार की विद्युत गतिविधि के प्रति अत्यधिक संवेदनशील होता है। यद्यपि सावधानीपूर्वक प्रायोगिक डिज़ाइन और डेटा संग्रह शोर के कई स्रोतों को कम करते हैं, फिर भी कुछ हद तक आर्टिफैक्ट संदूषण (artifact contamination) अपरिहार्य है। प्रीप्रोसेसिंग शोधकर्ताओं को अवांछित संकेतों से सार्थक मस्तिष्क गतिविधि को अलग करने में मदद करती है और साथ ही बाद के विश्लेषणों की निरंतरता में सुधार करती है।[1]

महत्वपूर्ण बात यह है कि, प्रीप्रोसेसिंग को खराब गुणवत्ता वाले रिकॉर्डिंग को ठीक करने के तरीके के रूप में नहीं देखा जाना चाहिए। इसके बजाय, यह ठोस प्रायोगिक प्रथाओं के माध्यम से एकत्र किए गए उच्च गुणवत्ता वाले डेटा को परिष्कृत करने की एक व्यवस्थित प्रक्रिया है। प्रीप्रोसेसिंग के दौरान लिए गए निर्णय विश्लेषण के प्रत्येक बाद के चरण को प्रभावित करते हैं, जिससे पारदर्शिता और निरंतरता आवश्यक हो जाती है।

एक प्रीप्रोसेसिंग पाइपलाइन का निर्माण

प्रीप्रोसेसिंग आमतौर पर अलग-अलग प्रक्रियाओं के बजाय चरणों के एक क्रम के रूप में की जाती है। यद्यपि शोध प्रश्न और विश्लेषणात्मक तरीकों के आधार पर व्यक्तिगत कार्यप्रवाह भिन्न होते हैं, एक सुसंगत पाइपलाइन स्थापित करने से यह सुनिश्चित करने में मदद मिलती है कि प्रत्येक प्रतिभागी के डेटा को एक ही तरीके से संसाधित किया जाए।

शोधकर्ताओं को जब भी संभव हो, औपचारिक विश्लेषण शुरू करने से पहले अपनी प्रीप्रोसेसिंग रणनीति निर्धारित करनी चाहिए। कार्यप्रवाह को पहले से परिभाषित करने से परिणाम देखने के बाद प्रसंस्करण निर्णय लेकर पूर्वाग्रह (bias) पेश करने का जोखिम कम हो जाता है।[1]

चूंकि कोई भी एकल प्रीप्रोसेसिंग पाइपलाइन हर अध्ययन के लिए उपयुक्त नहीं होती है, इसलिए कार्यप्रवाह स्थापित साहित्य, प्रायोगिक डिज़ाइन, रिकॉर्डिंग कार्यप्रणाली और वैज्ञानिक उद्देश्यों द्वारा निर्देशित होना चाहिए।

EEG सिग्नल को फ़िल्टर करना

फ़िल्टरिंग अक्सर शुरुआती प्रीप्रोसेसिंग चरणों में से एक होती है। फ़िल्टर अनुसंधान प्रश्न से संबंधित तंत्रिका गतिविधि को संरक्षित करते हुए अवांछित आवृत्ति घटकों (frequency components) को कम करते हैं।

हाई-पास फ़िल्टर धीमे सिग्नल ड्रिफ्ट को कम कर सकते हैं, जबकि लो-पास फ़िल्टर उच्च-आवृत्ति शोर को दबाने में मदद करते हैं। कुछ अध्ययन उपयुक्त होने पर बिजली प्रणालियों से विद्युत व्यवधान को कम करने के लिए नॉच फ़िल्टर भी लागू करते हैं।[1],[5]

फ़िल्टर चयन को सावधानीपूर्वक किया जाना चाहिए। अत्यधिक फ़िल्टरिंग तंत्रिका संकेतों को विकृत कर सकती है या घटना-संबंधित प्रतिक्रियाओं (event-related responses) के समय और आयाम को बदल सकती है। शोधकर्ताओं को फ़िल्टर सेटिंग्स का चयन करना चाहिए जो अनावश्यक सिग्नल संशोधन से बचते हुए इच्छित विश्लेषण का समर्थन करती हैं।

आर्टिफैक्ट्स की पहचान और प्रबंधन

सावधानीपूर्वक डेटा संग्रह के बाद भी, कुछ रिकॉर्डिंग्स में ऐसे आर्टिफैक्ट्स होंगे जिन पर प्रीप्रोसेसिंग के दौरान ध्यान देने की आवश्यकता होती है।

शोधकर्ता आमतौर पर अत्यधिक शोर, अस्थिर चैनलों या रिकॉर्डिंग रुकावटों की अवधि की पहचान करने के लिए रिकॉर्डिंग्स का दृश्य रूप से निरीक्षण करके शुरू करते हैं। स्वचालित गुणवत्ता मूल्यांकन उपकरण आर्टिफैक्ट का पता लगाने में सहायता कर सकते हैं, लेकिन मैन्युअल समीक्षा कई प्रीप्रोसेसिंग कार्यप्रवाहों का एक महत्वपूर्ण घटक बनी हुई है।[3]

संदूषण की प्रकृति के आधार पर, शोधकर्ता व्यक्तिगत परीक्षणों को हटा सकते हैं, शोर वाले चैनलों को अस्वीकार कर सकते हैं, अलग-थलग इलेक्ट्रोडों को इंटरपोलेट कर सकते हैं, या आर्टिफैक्ट सुधार तकनीकों को लागू कर सकते हैं। ये निर्णय विश्लेषण शुरू होने से पहले स्थापित पूर्वनिर्धारित गुणवत्ता मानदंडों का पालन करने चाहिए।

इंडिपेंडेंट कंपोनेंट एनालिसिस (स्वतंत्र घटक विश्लेषण)

इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA) मिश्रित विद्युत संकेतों को सांख्यिकीय रूप से स्वतंत्र घटकों में अलग करने के लिए सबसे व्यापक रूप से उपयोग की जाने वाली तकनीकों में से एक है। रिकॉर्ड किए गए EEG को अंतर्निहित सिग्नल स्रोतों में विघटित करके, ICA शोधकर्ताओं को आंखों के झपकने, आंखों की गतिविधियों, मांसपेशियों की गतिविधि, या अन्य गैर-तंत्रिका आर्टिफैक्ट्स से जुड़े घटकों की पहचान करने में मदद कर सकता है।[4]

एक बार पहचान हो जाने के बाद, EEG सिग्नल को पुनर्गठित करने से पहले आर्टिफैक्ट से संबंधित घटकों को हटाया जा सकता है। जबकि ICA डेटा गुणवत्ता में काफी सुधार कर सकता है, सफल अनुप्रयोग उपयुक्त प्रीप्रोसेसिंग, पर्याप्त डेटा गुणवत्ता और परिणामी घटकों की सावधानीपूर्वक व्याख्या पर निर्भर करता है।

पारदर्शिता और प्रतिलिपियोग्यता (reproducibility) का समर्थन करने के लिए शोधकर्ताओं को यह दस्तावेज करना चाहिए कि ICA कैसे किया गया था और किन घटकों को हटाया गया था।

सतत डेटा का एपोचिंग (Epoching)

कई EEG विश्लेषण विशिष्ट प्रायोगिक घटनाओं के आसपास होने वाली तंत्रिका प्रतिक्रियाओं पर ध्यान केंद्रित करते हैं। इन विश्लेषणों को सुविधाजनक बनाने के लिए, निरंतर EEG रिकॉर्डिंग्स को अक्सर कम समय के खंडों में विभाजित किया जाता है जिन्हें एपोच (epochs) कहा जाता है।

प्रत्येक एपोच एक घटना मार्कर के साथ संरेखित होता है जो उत्तेजना प्रस्तुति, प्रतिभागी प्रतिक्रिया, या प्रयोग के दौरान किसी अन्य सार्थक घटना का प्रतिनिधित्व करता है। यह विभाजन शोधकर्ताओं को बार-बार होने वाली प्रायोगिक स्थितियों में तंत्रिका गतिविधि की तुलना करने की अनुमति देता है और कई घटना-संबंधित क्षमता (ERP) विश्लेषणों की नींव बनाता है।[2],[6]

इसलिए एपोचिंग शुरू होने से पहले सटीक घटना समय का होना आवश्यक है।

बेसलाइन सुधार (Baseline Correction)

तंत्रिका गतिविधि लगातार बदलती रहती है, तब भी जब प्रतिभागी आराम कर रहे होते हैं। बेसलाइन सुधार रुचि की घटना से ठीक पहले की संदर्भ अवधि के साथ प्रत्येक प्रायोगिक एपोच की तुलना करके इन चल रहे उतार-चढ़ाव को समझाने में मदद करता है।

बाद की तंत्रिका प्रतिक्रिया से इस बेसलाइन को घटाने से शोधकर्ताओं को असंबंधित पृष्ठभूमि गतिविधि द्वारा पेश की गई परिवर्तनशीलता को कम करते हुए प्रायोगिक घटना से जुड़ी गतिविधि को बेहतर ढंग से अलग करने में मदद मिलती है।[2]

बेसलाइन चयन पूरे अध्ययन में सुसंगत रहना चाहिए और चुने हुए प्रायोगिक प्रतिमान के लिए स्थापित प्रथाओं को प्रतिबिंबित करना चाहिए।

गुणवत्ता नियंत्रण और दस्तावेजीकरण

डेटा साफ दिखने पर प्रीप्रोसेसिंग समाप्त नहीं होती है। शोधकर्ताओं को प्रत्येक प्रसंस्करण चरण को सावधानीपूर्वक दस्तावेज करना चाहिए, जिसमें फ़िल्टरिंग पैरामीटर, आर्टिफैक्ट अस्वीकृति मानदंड, इंटरपोलेशन प्रक्रियाएं, सॉफ़्टवेयर संस्करण और विश्लेषण सेटिंग्स शामिल हैं।

विस्तृत दस्तावेजीकरण अन्य शोधकर्ताओं को प्रीप्रोसेसिंग कार्यप्रवाह को समझने, मूल्यांकन करने और दोहराने की अनुमति देकर प्रतिलिपियोग्यता का समर्थन करता है। पारदर्शी रिपोर्टिंग भविष्य में अध्ययनों के बीच तुलना को अधिक सार्थक बनाती है।[1]

सभी प्रतिभागियों में एक सुसंगत प्रीप्रोसेसिंग प्रोटोकॉल बनाए रखना परिवर्तनशीलता को और कम करता है और परिणामी विश्लेषणों में विश्वास को मजबूत करता है।

EEG प्रीप्रोसेसिंग के लिए सॉफ़्टवेयर चुनना

कई सॉफ़्टवेयर प्लेटफ़ॉर्म EEG प्रीप्रोसेसिंग और विश्लेषण का समर्थन करते हैं, जिनमें से प्रत्येक अलग-अलग कार्यप्रवाह और विश्लेषणात्मक क्षमताएं प्रदान करता है। शोधकर्ताओं को उन उपकरणों का चयन करना चाहिए जो उनके प्रायोगिक डिज़ाइन, तकनीकी विशेषज्ञता और रिपोर्टिंग आवश्यकताओं के अनुरूप हों।

सामान्य प्रीप्रोसेसिंग वातावरणों में EEGLAB, MNE-Python, और FieldTrip शामिल हैं, साथ ही व्यावसायिक अधिग्रहण सॉफ़्टवेयर भी शामिल हैं जो घटना सिंक्रनाइज़ेशन, डेटा विज़ुअलाइज़ेशन और सामान्य विश्लेषण प्रारूपों में निर्यात का समर्थन करते हैं।[4],[5] इंटरऑपरेबल (interoperable) उपकरणों का चयन करना पारदर्शी और प्रतिलिपि योग्य अनुसंधान प्रथाओं का समर्थन करते हुए सहयोग को सरल बना सकता है।

मुख्य निष्कर्ष

प्रीप्रोसेसिंग सार्थक तंत्रिका संकेतों को संरक्षित करते हुए शोर को कम करके, आर्टिफैक्ट्स को प्रबंधित करके और डेटा को व्यवस्थित करके वैज्ञानिक विश्लेषण के लिए कच्चे EEG रिकॉर्डिंग्स को तैयार करती है।

फ़िल्टरिंग, आर्टिफैक्ट प्रबंधन, इंडिपेंडेंट कंपोनेंट एनालिसिस, एपोचिंग, बेसलाइन सुधार और गुणवत्ता नियंत्रण सभी डेटा अखंडता को बनाए रखते हुए सिग्नल की गुणवत्ता में सुधार करने में योगदान करते हैं।

एक अच्छी तरह से डिज़ाइन की गई प्रीप्रोसेसिंग पाइपलाइन सुसंगत, पारदर्शी और अनुसंधान प्रश्न के लिए उपयुक्त होती है। प्रत्येक प्रसंस्करण चरण का दस्तावेजीकरण करके और प्रतिभागियों में मानकीकृत प्रक्रियाओं को लागू करके, शोधकर्ता अपने निष्कर्षों की विश्वसनीयता और प्रतिलिपियोग्यता को मजबूत करते हैं।

अपना EEG अध्ययन बनाना जारी रखें

एक बार विश्लेषण के लिए EEG डेटा तैयार हो जाने के बाद, शोधकर्ता यह तलाशना शुरू कर सकते हैं कि विभिन्न इलेक्ट्रोड स्थान मस्तिष्क गतिविधि को समझने में कैसे योगदान करते हैं।

अगली गाइड, EEG इलेक्ट्रोड और मोंटाज चुनना में, हम इलेक्ट्रोड प्लेसमेंट सिस्टम, चैनल चयन, और रिकॉर्डिंग स्थान प्रायोगिक डिज़ाइन तथा डेटा व्याख्या को कैसे प्रभावित करते हैं, इसका परीक्षण करेंगे।

संदर्भ

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex Saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.