1. परिचय

स्वागत है! इस ट्यूटोरियल में हम मस्तिष्क तरंगों और मस्तिष्क तथा व्यवहार को समझने के लिए उनका उपयोग कैसे किया जा सकता है, के बारे में सीख रहे हैं।

हांस बर्गर ने 1929 में इलेक्ट्रोएन्सेफलोग्राम शब्द गढ़ा, जब उन्होंने एक व्यक्ति के सिर पर लगाए गए सेंसरों से रिकॉर्ड किए गए विद्युत विभवों में बदलावों का वर्णन किया। उन्होंने मस्तिष्क तरंगों के दो प्रकारों की पहचान की, जिन्हें उन्होंने अल्फ़ा और बीटा तरंगें नाम दिया, केवल इसलिए क्योंकि उन्हें रिकॉर्ड करने का क्रम यही था। ऐसी तरंगें अन्य स्तनधारियों में रिकॉर्ड की गई थीं, लेकिन बर्गर ने पहली बार उन्हें मनुष्यों में वर्णित किया!

तब से, इलेक्ट्रोएन्सेफलोग्राफी विधि तंत्रिका विज्ञान में एक प्रमुख उपकरण बन गई है और इसने मस्तिष्क तरंगों (जिन्हें शोधकर्ता तंत्रिका दोलन कहते हैं) के बारे में हमारी समझ को विकसित करने में मदद की है तथा थकान और जागरूकता जैसी मस्तिष्क अवस्थाओं को विशेषीकृत करने में भी मदद की है।

इस संक्षिप्त ट्यूटोरियल में हम निम्नलिखित को कवर करेंगे:

• तंत्रिका दोलन क्या हैं?

• हम तंत्रिका दोलनों को कैसे माप सकते हैं?

• हम तंत्रिका दोलनों के साथ क्या कर सकते हैं?

• 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 और निष्क्रिय विधि है। इलेक्ट्रोड/सेंसर/चैनल खोपड़ी पर लगाए जाते हैं ताकि न्यूरॉन्स कहलाने वाली मस्तिष्क कोशिकाओं के समूहों द्वारा उत्पन्न विद्युत गतिविधि को रिकॉर्ड किया जा सके।

चित्र 1 – न्यूरॉन्स विद्युत गतिविधि उत्पन्न करते हैं, जिसे एक EEG डिवाइस से पहचाना जा सकता है [Siuly, et al. (2016)].

2.1. EEG प्रणालियाँ

बाजार में कई EEG डिवाइस उपलब्ध हैं जिनका उपयोग EEG रिकॉर्ड करने के लिए किया जा सकता है। EEG डिवाइस निम्न प्रकारों तक हो सकते हैं:

• एकल सेंसर से लेकर 256 इलेक्ट्रोड तक – अधिक इलेक्ट्रोड खोपड़ी पर सूचना का उच्चतर स्थानिक रिज़ॉल्यूशन प्रदान करेंगे।

• गीले या सूखे इलेक्ट्रोड – गीले इलेक्ट्रोड चालकता बढ़ाने के लिए इलेक्ट्रोलाइटिक जेल या सलाइन घोल का उपयोग करते हैं। सूखे इलेक्ट्रोड धातु या चालक बहुलक हो सकते हैं जिन्हें खोपड़ी के साथ सीधे संपर्क की आवश्यकता होती है।

• सक्रिय या निष्क्रिय इलेक्ट्रोड – निष्क्रिय इलेक्ट्रोड प्रणालियाँ बस सिग्नल को डिवाइस तक पहुँचाती हैं, जहाँ उसे प्रवर्धित किया जाता है। सक्रिय इलेक्ट्रोड प्रणालियाँ सिग्नल को प्रत्येक इलेक्ट्रोड पर प्रवर्धित करती हैं, इससे पहले कि वह प्रवर्धन के लिए डिवाइस तक पहुँचे। यह सिग्नल में पर्यावरणीय विद्युत शोर को कम करता है।

• वायर्ड या वायरलेस डिवाइस जो Bluetooth के माध्यम से डेटा प्रसारित करते हैं।

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

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

2.2. EEG का उपयोग कब करें?

प्रत्येक न्यूरोइमेजिंग विधि अलग-अलग 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 सकता है, जिससे पूर्व-चेतन प्रक्रियाओं को मापा जा सकता है।

चित्र 4 – विभिन्न न्यूरोइमेजिंग उपकरणों का स्थानिक बनाम कालिक रिज़ॉल्यूशन।

यह ऐसे प्रश्नों के लिए सबसे उपयुक्त है जैसे “मेरे वीडियो के कौन से हिस्सों पर प्रतिभागियों ने सबसे अधिक ध्यान दिया?”

EEG मुख्यतः मस्तिष्क की बाहरी परतों से गतिविधि रिकॉर्ड करता है (अर्थात 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 गणितीय रूप से स्रोत का पुनर्निर्माण करने की अनुमति दे सकती है, लेकिन गहरे स्रोतों की पहचान में यह अभी भी सीमित है। फंक्शनल मैग्नेटिक रेज़ोनेंस इमेजिंग (fMRI) ऐसे प्रश्नों का उत्तर देने के लिए अधिक उपयुक्त है जैसे “मस्तिष्क का कौन सा भाग ध्यान में होने वाले परिवर्तनों से संबंधित है?”

2.3. सेंसर से रॉ EEG?

एक बार EEG डिवाइस को सिर पर फिट कर देने के बाद, मस्तिष्क गतिविधि को एकल सेंसर पर उस सेंसर और एक संदर्भ सेंसर के बीच आयाम के अंतर के रूप में मापा जाता है। अधिकांश EEG प्रणालियों में इसे कॉमन मोड सेंस (CMS) इलेक्ट्रोड कहा जाता है। एक अतिरिक्त सेंसर, ड्रिवन राइट लेग (DRL), CMS पर किसी भी हस्तक्षेप को कम करने में मदद करता है।

चित्र 5 – EEG सिग्नल संचरण का सरलीकृत ब्लॉक आरेख।

सक्रिय और निष्क्रिय दोनों इलेक्ट्रोड वाली प्रणालियों में फिर सिग्नल को प्रवर्धित किया जाता है और लो-पास फ़िल्टर किया जाता है। लो-पास फ़िल्टरिंग एक ऐसा चरण है जो आपके सिग्नल से वातावरण में मौजूद संभावित विद्युत हस्तक्षेपों को हटा देगा, जैसे मुख्य विद्युत आपूर्ति।

ये चरण हार्डवेयर में ही होते हैं, इससे पहले कि रॉ EEG सिग्नल को आपके कंप्यूटर स्क्रीन पर देखा जा सके।

2.4. कुछ मूल शब्दावली

10-20 मानक नामकरण परंपरा

बाएँ सेंसर आमतौर पर विषम संख्या वाले होते हैं और दाएँ सेंसर आमतौर पर सम संख्या वाले होते हैं।

नोट 1: ये केवल नामकरण परंपराएँ 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 चरण करने होंगे।

3. न्यूरल ऑसिलेशन्स क्या हैं?

मस्तिष्क तरंगें, जिन्हें अक्सर तंत्रिका दोलन कहा जाता है, एकल या न्यूरॉन्स के समूह द्वारा उत्पन्न लयबद्ध पैटर्न हैं।

यह अभी पूरी तरह स्पष्ट नहीं है कि मस्तिष्क इन विभिन्न प्रकार के दोलनों का उत्पादन क्यों करता है, हालांकि कई सिद्धांत हैं। शोधकर्ता इन दोलनशील गतिविधियों को विशेषीकृत करने के लिए विभिन्न कार्यों का उपयोग करते हैं और इन लयबद्ध पैटर्नों का उपयोग करके मस्तिष्क के रहस्यों को समझने का लक्ष्य रखते हैं।

3.1. एक दोलन के कुछ गुण

यह चित्र एक नियमित विद्युत संकेत का मापन दिखाता है:

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

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

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

मस्तिष्क में हमें 0.2 Hz (बहुत धीमी तरंगें) से 80 Hz या उससे अधिक (बहुत तेज़ तरंगें) तक की आवृत्तियों वाली तरंगें दिखाई देती हैं। दौरे से संबंधित 500 Hz तक की उच्च-आवृत्ति गतिविधि भी मस्तिष्क में रिकॉर्ड की जा सकती है।

मस्तिष्क के विभिन्न दोलनों के प्रकारों की पहचान उनकी आवृत्ति के आधार पर की जाती है। इन्हें आवृत्ति बैंड के रूप में जाना जाता है और ये विभिन्न मस्तिष्क अवस्थाओं से संबंधित हो सकते हैं:

चित्र 7 – सामान्य EEG में मस्तिष्क तरंगें।

3.2. विभिन्न आवृत्ति बैंड महत्वपूर्ण क्यों हैं?

1. सामान्य बनाम असामान्य मस्तिष्क पैटर्न की पहचान
   तंत्रिका दोलन न्यूरोलॉजी में दौरे पहचानने और मिर्गी का निदान करने के लिए महत्वपूर्ण हैं।

   
   
   

2. मस्तिष्क कंप्यूटर इंटरफेस (BCI)
   बीटा, गामा और म्यू दोलनों की मात्रा का उपयोग अक्सर दूरस्थ उपकरणों को प्रशिक्षित करने के लिए किया जाता है (जैसे, विचारों से व्हीलचेयर चलाना)।

   
   
   

3. न्यूरोफीडबैक
   यह मस्तिष्क प्रशिक्षण का एक रूप है जिसमें आप अपनी मस्तिष्क तरंगें (जैसे, गामा दोलन) देख सकते हैं और अपने मस्तिष्क में गामा दोलनों की मात्रा को बेहतर करने के लिए संज्ञानात्मक कार्यों में संलग्न हो सकते हैं।

   
   
   

4. न्यूरोमार्केटिंग
   अल्फ़ा और बीटा आवृत्ति बैंड का उपयोग यह निर्धारित करने के लिए किया जा सकता है कि विज्ञापन का कौन सा भाग अधिक या कम आकर्षक है।

3.3. EEG डेटा विश्लेषण के प्रकार

अधिकतर शोधकर्ता विश्लेषण समय डोमेन या आवृत्ति डोमेन में करते हैं।

1. समय डोमेन विश्लेषण

   आमतौर पर उत्तेजना शुरू होने के बाद रुचि के समय बिंदुओं पर वोल्टेज आयाम को मापता है। इन्हें इवेंट-रिलेटेड पोटेंशियल्स (ERPs) कहा जाता है।

   
   
   

2. आवृत्ति डोमेन विश्लेषण

   आमतौर पर एक परिभाषित समय विंडो में या किसी घटना की शुरुआत से संबंधित विभिन्न आवृत्ति बैंडों में तंत्रिका दोलनों की मात्रा को मापता है।

आगे हम आवृत्ति डोमेन विश्लेषण का एक अवलोकन प्रस्तुत करते हैं।

3.4. प्रसंस्करण

एक बार जब आप EEG रिकॉर्डिंग कर लेते हैं, तो सामान्यतः दोलनों को समझने से पहले डेटा को साफ किया जाता है।

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

2. आर्टिफैक्ट हटाना
   शारीरिक गति, आँखों की झपकियाँ सभी बड़े आर्टिफैक्ट (> EEG में 50 µV पीक) पैदा कर सकते हैं। इन्हें हटाया जा सकता है ताकि वे हमारे परिणामों को प्रभावित न करें। कुछ शोधकर्ता डेटा को सुरक्षित रखने के लिए इन आर्टिफैक्ट्स को सही करने के लिए परिष्कृत विधियों का उपयोग करते हैं।

डेटा के संसाधित हो जाने के बाद, अब सिग्नल को आवृत्ति डोमेन में बदला जा सकता है ताकि हम प्रत्येक प्रकार की मस्तिष्क तरंगों की मात्रा निर्धारित कर सकें।

चित्र 8 – रॉ EEG में आँख झपकने का आर्टिफैक्ट।

3.5. फास्ट फूरियर ट्रांसफॉर्म (FFT)

फूरियर ट्रांसफॉर्म EEG सिग्नल का ‘समय डोमेन’ (छवि A) से ‘आवृत्ति डोमेन (छवि B)’ में गणितीय रूपांतरण है।

आवृत्ति डोमेन में, हम अपनी रिकॉर्डिंग में प्रत्येक प्रकार के दोलन की कितनी मात्रा थी, इसे माप सकते हैं। यह आमतौर पर उस आवृत्ति बैंड की ‘पावर’ होती है और इसे पावर स्पेक्ट्रम (छवि B) के रूप में प्रदर्शित किया जा सकता है।

चित्र 9A – समय डोमेन में रॉ EEG।

चित्र 9B – FFT के बाद पावर स्पेक्ट्रम (आवृत्ति डोमेन)।

3.6. बैंड पावर

किसी आवृत्ति बैंड (जैसे अल्फ़ा बैंड) की पावर, जो फूरियर ट्रांसफॉर्म से प्राप्त होती है, हमें बताती है कि प्रत्येक आवृत्ति बैंड की कितनी मात्रा है। बैंड पावर की इकाइयाँ आमतौर पर µV2/Hz में होती हैं। अधिकांश समय, FFT से प्राप्त आयाम या पावर स्पेक्ट्रा को लॉगरिदमिक इकाई डेसीबेल (dB) में दिखाया जाता है। डेसीबेल मापी गई पावर (P) और संदर्भ पावर (Pr) के बीच अनुपात की एक इकाई है, जैसा कि नीचे है:

एक बार जब रुचि की घटनाओं के लिए माप की यह इकाई प्राप्त हो जाती है, तो प्रयोगात्मक प्रभावों को मस्तिष्क तरंगों पर समझने के लिए बैंड पावर की तुलना की जा सकती है।

4. सिद्धांत से अभ्यास तक

अब, हम अल्फ़ा दमन प्रभाव को देखेंगे।

यह एक ऐसी घटना है जिसे पहली बार Hans Berger ने रिपोर्ट किया था, जिसमें हम देखते हैं कि जब किसी व्यक्ति की आँखें बंद होती हैं, तब की तुलना में खुली होने पर अल्फ़ा दोलनों (अल्फ़ा पावर) की मात्रा में उल्लेखनीय कमी आती है।

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

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

आप नीचे दिए गए वीडियो का अनुसरण करके अपना स्वयं का अल्फ़ा दमन प्रयोग बना सकते हैं, या आप यहाँ दिए गए लिंक से हमारा प्रयोग चला सकते हैं:

4.1. डिवाइस फिटिंग और EEG गुणवत्ता

हमारा EQ gate कैसे काम करता है, इसके बारे में अधिक पढ़ें यहाँ. अपने हेडसेट के लिए विशिष्ट डिवाइस फिटिंग के बारे में अधिक जानकारी यहाँ पाएँ:

• EPOC प्रकार

• Insight प्रकार

4.2. EEG डेटा को संसाधित करना और रूपांतरित करना

अब जब आपके पास आपका डेटा है, तो आप Emotiv Analyzer का उपयोग करके इसे आवृत्ति डोमेन में रूपांतरित कर 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 zip फ़ाइल डाउनलोड करें। प्रत्येक रिकॉर्ड के लिए आपके पास band powers वाला एक csv फ़ाइल और एक image फ़ाइल होगी, जिसका उपयोग आप अपना स्वयं का सांख्यिकीय विश्लेषण चलाने के लिए कर सकते हैं।

चित्र 11 – Bandpowers.

हमारे आउटपुट में हम देख सकते हैं कि आँखें बंद होने पर (नारंगी) Alpha power में वृद्धि हुई, बनाम आँखें खुली होने पर (नीला)।

यह हमारे ट्यूटोरियल का अंत है! अब आप मूलभूत बातों से लैस हैं 🙂

आप संसाधन अनुभाग में आगे पढ़ने के लिए कुछ लिंक पा सकते हैं।

5. संसाधन

उन्नत पठन

Donoghue et al. 2022 तंत्रिका दोलनों के अध्ययन के लिए कार्यप्रणाली संबंधी विचार

EEG शब्दावली की शब्दावली

Kane et al. 2017 (यहाँ)

ओपन सोर्स कोड

यदि आप python कोडिंग में सहज हैं, तो हमने python स्क्रिप्ट्स उपलब्ध कराई हैं जिनका उपयोग आप आँखें खुली और आँखें बंद सेगमेंट्स द्वारा लेबल किए गए अल्फ़ा पावर मान प्राप्त करने के लिए कर सकते हैं। कोड और नमूना अल्फ़ा दमन डेटा फ़ाइलें यहाँ पाएँ: https://osf.io/9bvgh/

Emotiv मैनुअल

EmotivPRO Builder मैनुअल
EmotivPRO मैनुअल
EmotivPRO Analyzer मैनुअल

7. संदर्भ

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. तंत्रिका दोलनों के अध्ययन के लिए कार्यप्रणाली संबंधी विचार. 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. नैदानिक इलेक्ट्रोएन्सेफलोग्राफरों द्वारा सबसे अधिक उपयोग किए जाने वाले शब्दों की एक संशोधित शब्दावली और EEG निष्कर्षों की रिपोर्ट प्रारूप के लिए अद्यतन प्रस्ताव. 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