EEG शोध में सबसे व्यापक रूप से उपयोग किए जाने वाले संदर्भ विकल्पों में से एक सामान्य औसत संदर्भ (common average reference), या CAR है, जो खोपड़ी पर सभी चैनलों के औसत के सापेक्ष प्रत्येक चैनल के मूल्य की पुनर्गणना करता है।
CAR की प्रतिष्ठा शोर-सफाई (noise-cleaning) के एक डिफॉल्ट विकल्प के रूप में है। यह BCI पाइपलाइनों, प्रकाशित शोधपत्रों और ओपन-सोर्स टूलबॉक्स में लगभग स्वचालित रूप से दिखाई देता है। लेकिन उपलब्ध शोध पर करीब से नज़र डालने से एक ऐसी तस्वीर सामने आती है जो इसकी प्रतिष्ठा की तुलना में अधिक मिश्रित है।
यह लेख CAR के पीछे के गणित, जिन धारणाओं पर यह निर्भर करता है, और उन स्थितियों के बारे में बताता है जिनके तहत वे धारणाएं टूट जाती हैं।
ईईजी (EEG) में कॉमन एवरेज रेफरेंस (Common Average Reference) क्या है?
प्रत्येक स्कैल्प इलेक्ट्रोड रिकॉर्डिंग के समय चुने गए किसी रेफरेंस चैनल या रेफरेंस चैनलों के एक छोटे सेट के सापेक्ष वोल्टेज को मापता है। सामान्य विकल्पों में इयरलोब पर एक एकल इलेक्ट्रोड, कानों के पीछे जुड़े मास्टॉयड, या Cz जैसी स्कैल्प साइट शामिल हैं।
एकल-साइट संदर्भ (reference) के साथ समस्या यह है कि यह कभी भी वास्तव में "शांत" नहीं होता है। यदि रेफरेंस इलेक्ट्रोड स्वयं शोर या मस्तिष्क की गतिविधि को पकड़ता है, तो वह संदूषण हर दूसरे चैनल में घट जाता है, क्योंकि प्रत्येक चैनल का सिग्नल इसके सापेक्ष परिभाषित होता है।
सीएआर (CAR) समय के प्रत्येक क्षण में संपूर्ण इलेक्ट्रोड सरणी में औसत वोल्टेज रिकॉर्ड करके एक अलग प्रकार के संदर्भ का उपयोग करके उस समस्या से बचता है। सभी अन्य इलेक्ट्रोडों से एक इलेक्ट्रोड के मान को घटाने के बजाय, CAR प्रत्येक व्यक्तिगत इलेक्ट्रोड से सभी इलेक्ट्रोडों का माध्य घटाता है।
सैद्धांतिक रूप से, यह औसत किसी भी एकल भौतिक इलेक्ट्रोड की तुलना में अधिक स्थिर, "शांत" संदर्भ बिंदु के रूप में कार्य करता है, क्योंकि यह एक स्थान के बजाय पूरे स्कैल्प से जानकारी प्राप्त करता है।
BCI अनुसंधान में CAR
यही कारण है कि CAR ब्रेन-कंप्यूटर इंटरफ़ेस अनुसंधान में इतनी बार दिखाई देता है। उदाहरण के लिए, इंटरनेशनल जर्नल ऑफ इंजीनियरिंग एंड टेक्नोलॉजी में प्रकाशित एक अध्ययन ने P300 स्पेलर के लिए बारह री-रेफरेंसिंग विधियों में से एक के रूप में CAR का परीक्षण किया, यह एक ऐसी प्रणाली है जो उपयोगकर्ता द्वारा किसी लक्षित अक्षर या प्रतीक पर ध्यान केंद्रित करने पर एक विशिष्ट मस्तिष्क प्रतिक्रिया का पता लगाती है, और CAR को परीक्षण की गई विधियों में सबसे उपयुक्त तकनीक के रूप में रिपोर्ट किया।
इसके अलावा, एक 2025 के अध्ययन ने मोटर इमेजरी वर्गीकरण पाइपलाइन में एक मानक पूर्व-प्रसंस्करण चरण के रूप में CAR को लागू किया, जिसमें इसके उद्देश्य को सिग्नल-टू-नॉइज़ अनुपात को बढ़ाने के रूप में वर्णित किया गया।
CAR फॉर्मूले की गणना कैसे करें
CAR की कार्यप्रणाली सरल बीजगणित है, न कि कोई सांख्यिकीय मॉडल जिसे गणितीय रूप से काम करने के लिए सिद्ध करने के लिए डेटा की आवश्यकता होती है। N इलेक्ट्रोडों की एक सरणी के लिए, प्रत्येक समय t पर एक वोल्टेज रिकॉर्ड करता है, जिसे V₁(t), V₂(t), से लेकर Vₙ(t) तक लिखा जाता है, किसी भी एकल इलेक्ट्रोड i के लिए CAR-रूपांतरित मान है:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
सरल शब्दों में, किसी विशिष्ट इलेक्ट्रोड के लिए CAR खोजने के लिए, किसी दिए गए मिलीसेकंड पर उसकी मूल रीडिंग लें, और उसी सटीक मिलीसेकंड पर सभी स्कैल्प इलेक्ट्रोड की औसत रीडिंग को घटा दें।
कॉमन एवरेज रेफरेंस ईईजी के अनुप्रयोग
सही संदर्भ दृष्टिकोण का चयन नैदानिक आकलन और जटिल अनुसंधान अध्ययनों की सफलता को निर्धारित करता है।
नैदानिक सेटअप अक्सर स्पष्टता और स्थिरता को प्राथमिकता देते हैं, यह सुनिश्चित करते हुए कि न्यूरोलॉजिस्ट संदर्भ-प्रेरित विकृतियों के हस्तक्षेप के बिना मार्करों की पहचान कर सकें। शोधकर्ता इस वैश्विक दृष्टिकोण का समर्थन तब करते हैं जब वे यह मानचित्रण करते हैं कि हस्तक्षेप तंत्रिका गतिविधि को कैसे प्रभावित कर सकते हैं, जैसा कि श्वसन नियंत्रित दोलनों पर निष्कर्षों में प्रदर्शित किया गया है, जहाँ स्थानीय तंत्रिका लय से श्वसन-लिंक प्रभावों को अलग करने के लिए एक तटस्थ आधार रेखा आवश्यक है।
नैदानिक सेटिंग्स और प्रयोगात्मक तंत्रिका विज्ञान दोनों में, शोधकर्ता सुसंगत डेटा व्याख्या पर भरोसा करते हैं जो कृत्रिम विकृतियों को कम करती है। यह विधि विभिन्न सत्रों या सुविधाओं में रोगी रिकॉर्डिंग की तुलना करते समय पारदर्शिता बनाए रखने में मदद करती है।
मानक री-रेफरेंसिंग का उपयोग करके, विश्लेषक यह सुनिश्चित करते हैं कि आयाम में देखे गए परिवर्तन आधार रेखा में तकनीकी बदलावों के बजाय जैविक बदलावों को दर्शाते हैं। यह वस्तुनिष्ठ रुख व्यापक ब्रेनवेव माप अनुप्रयोगों में स्पष्ट नैदानिक रिपोर्टिंग और वैध परिणामों का समर्थन करता है।
CAR कॉमन-मोड नॉइज़ को कैसे कम करता है
CAR के पक्ष में तर्क कॉमन-मोड नॉइज़ नामक एक अवधारणा पर निर्भर करता है। यह उस हस्तक्षेप को संदर्भित करता है जो लगभग हर इलेक्ट्रोड पर लगभग समान ताकत पर दिखाई देता है, न कि उस शोर को जो किसी एक स्थान के लिए विशिष्ट होता है।
क्लासिक उदाहरणों में आस-पास के बिजली स्रोतों से 50/60 हर्ट्ज विद्युत लाइन शोर, ऊतक चालन के माध्यम से पूरे स्कैल्प में फैलने वाली मांसपेशियों की गतिविधि, और त्वचा के खिलाफ इलेक्ट्रोड के थोड़ा खिसकने के कारण होने वाले धीमे बहाव शामिल हैं।
चूंकि इस तरह का शोर व्यापक रूप से पूरी सरणी में साझा किया जाता है, इसलिए सभी चैनलों का एक साथ औसत निकालने से, सैद्धांतिक रूप से, उस साझा शोर घटक का एक उचित अनुमान उत्पन्न होना चाहिए। फिर प्रत्येक चैनल से औसत घटाने से उस साझा हस्तक्षेप का अधिकांश हिस्सा निकल जाता है जबकि चैनल-दर-चैनल अंतर, जो वास्तविक मस्तिष्क गतिविधि को प्रतिबिंबित करने की अधिक संभावना रखते हैं, काफी हद तक बरकरार रहते हैं।
CAR के पीछे की मूल धारणाएँ
CAR की शोर-कमी का तर्क केवल तभी सही बैठता है जब डेटा के बारे में कई स्थितियां सच हों। इन धारणाओं को EEG पाठ्यपुस्तकों और ट्यूटोरियल में लगातार वर्णित किया गया है, हालांकि उपलब्ध साक्ष्यों के भीतर उनका वास्तविक दुनिया का सत्यापन कम है।
शून्य-माध्य धारणा (zero-mean assumption)। किसी भी क्षण, सिर पर सभी वोल्टेज का औसत शून्य के करीब माना जाता है, जिसका अर्थ है कि सकारात्मक और नकारात्मक गतिविधि स्कैल्प पर लगभग संतुलित हो जाती है।
सघन, समान इलेक्ट्रोड कवरेज। माना जाता है कि सरणी सिर को इतनी अच्छी तरह से कवर करती है कि औसत उस चीज़ के करीब पहुंच जाता है जिसे सिर से असीम रूप से दूर का संदर्भ बिंदु, और इसलिए विद्युत रूप से तटस्थ, रिकॉर्ड करेगा। विरल या असमान कवरेज इस अनुमान को कमजोर करता है।
कोई एकल प्रमुख स्रोत नहीं। कोई भी एक इलेक्ट्रोड, खराब चैनल, या बड़ा आर्टिफैक्ट (जैसे कि आंख का जोर से झपकना) अपने आप में औसत को बिगाड़ने के लिए पर्याप्त बड़ा नहीं होना चाहिए।
जब ये तीनों स्थितियाँ बनी रहती हैं, तो औसत वास्तव में एक तटस्थ संदर्भ बिंदु की तरह व्यवहार करता है। जब ऐसा नहीं होता है, तो औसत स्वयं विकृत हो जाता है, और विकृत औसत को घटाने से पुरानी समस्याओं को दूर करने के बजाय नई समस्याएं पैदा होती हैं।
वास्तविक ईईजी डेटा के साथ CAR की धारणाओं का परीक्षण
सार्वजनिक रूप से उपलब्ध रेस्टिंग-स्टेट ईईजी रिकॉर्डिंग, उदाहरण के लिए एक मानक 64-चैनल डेटासेट, लेकर और CAR लागू करने से पहले वैश्विक औसत तरंग रूप की गणना करने से अक्सर ऐसे मान सामने आते हैं जो शून्य से विचलित होते हैं, कभी-कभी एक ध्यान देने योग्य अंतर से। यह विचलन कच्चे सिग्नल में मौजूद कॉमन-मोड सामग्री का प्रत्यक्ष प्रमाण है, जिसे हटाने के लिए ही CAR को डिज़ाइन किया गया है। CAR लागू होने के बाद, सूत्र की परिभाषा के अनुसार, उसी वैश्विक औसत को प्रत्येक समय बिंदु पर ठीक शून्य होने के लिए बाध्य किया जाता है।
एक अधिक खुलासा करने वाले परीक्षण में बड़े आंख-झपकने के आर्टिफैक्ट्स वाले युगों को देखना शामिल है।
आंखों का झपकना बड़े वोल्टेज कंपन उत्पन्न करता है जो ललाट इलेक्ट्रोड पर सबसे मजबूत होते हैं लेकिन सरणी के अधिकांश भाग में प्रवेश करते हैं। इन युगों के दौरान, CAR से पहले का वैश्विक औसत अक्सर शून्य से तेजी से हट जाता है, क्योंकि पलक झपकना समान रूप से वितरित नहीं होता है बल्कि सिर के एक हिस्से में केंद्रित होता है। जब CAR लागू किया जाता है, तो यह संकेंद्रित आर्टिफैक्ट औसत में जुड़ जाता है और प्रत्येक चैनल में कम मात्रा में पुनर्वितरित हो जाता है, जिसमें आंखों से दूर वाले चैनल भी शामिल हैं जो मूल रूप से साफ थे।
शोध क्या कहता है: BCI अध्ययनों से मिश्रित साक्ष्य
उपरोक्त अध्ययन ने ऑफ़लाइन और ऑनलाइन दोनों परीक्षण स्थितियों में तीन P300 स्पेलर डेटासेट में बारह री-रेफरेंसिंग तकनीकों की तुलना की, और निष्कर्ष निकाला कि CAR सभी बारह तकनीकों में सबसे उपयुक्त तकनीक थी। हालांकि, जबकि अध्ययन वर्गीकरण सटीकता की ग्राफिकल तुलना और मानक विचलन के साथ औसत अधिकतम बिटरेट का विवरण देने वाली तालिकाएं प्रदान करता है, यह विधियों के बीच प्रभाव आकार या औपचारिक सांख्यिकीय महत्व परीक्षणों की रिपोर्ट नहीं करता है, जो इस बात को सीमित करता है कि उस रैंकिंग पर कितना विश्वास किया जा सकता है।
इस बीच एक 2017 के अध्ययन ने मोटर इमेजरी और आंदोलन-इरादे कार्य के साथ एक अलग दृष्टिकोण अपनाया। ग्यारह विषयों ने प्रदर्शन किया और दाहिनी कलाई के आंदोलनों की कल्पना की जबकि 28 इलेक्ट्रोड से ईईजी रिकॉर्ड किया गया था। CAR और लाप्लासियन रेफरेंसिंग (Laplacian referencing) दोनों का उपयोग करके सिग्नल को संसाधित किया गया था, यह एक स्थानिक फ़िल्टरिंग विधि है जो पूरे स्कैल्प के औसत के बजाय एक केंद्रीय इलेक्ट्रोड और उसके तत्काल पड़ोसियों के बीच के अंतर पर जोर देती है।
लाप्लासियन रेफरेंसिंग का उपयोग करके वर्गीकरण सटीकता कल्पित आंदोलन के लिए 63.33% से 100% और वास्तविक आंदोलन के लिए 60% से 96.67% तक थी, जिसमें k-निकटतम पड़ोसी क्लासिफायर ने द्विघात विभेदक विश्लेषण से बेहतर प्रदर्शन किया। लाप्लासियन रेफरेंसिंग ने कुल मिलाकर CAR से बेहतर प्रदर्शन किया, हालांकि अध्ययन प्रत्यक्ष तुलना के लिए CAR के सटीक सटीकता आंकड़ों की रिपोर्ट नहीं करता है। यह परिणाम बताता है कि CAR उन कार्यों के लिए कम अनुकूल हो सकता है जिनमें फोकल, स्थानीयकृत मोटर-संबंधित मस्तिष्क गतिविधि शामिल होती है।
अंत में, उपर्युक्त 2025 के अध्ययन ने मोटर इमेजरी वर्गीकरण के लिए एक बड़े कनवोल्यूशनल न्यूरल नेटवर्क पाइपलाइन के अंदर एक प्रारंभिक पूर्व-प्रसंस्करण चरण के रूप में CAR को एम्बेड किया, जिसमें स्लाइडिंग टाइम विंडो, स्पेक्ट्रल ट्रांसफॉर्मेशन और फ्रीक्वेंसी-बैंड एक्सट्रैक्शन भी शामिल थे। पूर्ण पाइपलाइन ने एक प्रतियोगिता बेंचमार्क डेटासेट पर 91.75% सटीकता प्राप्त की। यह एक मजबूत परिणाम है, लेकिन चूंकि CAR कई प्रसंस्करण चरणों में से केवल एक था, इसलिए अध्ययन हमें यह नहीं बता सकता कि उस सटीकता का कितना हिस्सा CAR को जाता है बनाम CNN आर्किटेक्चर, विंडोइंग तकनीक, या फ्रीक्वेंसी-बैंड चयन को।
संक्षेप में, ये तीनों अध्ययन किसी एक निष्कर्ष पर नहीं पहुँचते हैं। CAR ने P300 संदर्भ में अच्छा प्रदर्शन किया, मोटर इमेजरी संदर्भ में एक विकल्प की तुलना में खराब प्रदर्शन किया, और उच्च-सटीकता डीप-लर्निंग संदर्भ में मौजूद था लेकिन अलग नहीं था। इस प्रकार, चर्चा किए गए साक्ष्य बताते हैं कि CAR का स्टैंडअलोन लाभ अस्पष्ट बना हुआ है और यह मापे जा रहे मस्तिष्क सिग्नल के प्रकार पर बहुत अधिक निर्भर करता है।
जब CAR विफल हो जाता है: आर्टिफैक्ट्स, विरल एरेज़ और फोकल स्रोत
इन अध्ययनों में पैटर्न तीन विफलता मोड के साथ संरेखित होता है जो ईईजी पद्धति में व्यापक रूप से चर्चा किए जाते हैं लेकिन उपलब्ध शोध में प्रत्यक्ष साक्ष्य द्वारा केवल आंशिक रूप से समर्थित हैं।
बड़े आर्टिफैक्ट्स। एक एकल उच्च-आयाम वाली घटना, जैसे कि आँख का तेज़ी से झपकना या मांसपेशियों का खिंचाव, औसत गणना पर हावी हो सकती है यदि यह बाकी सरणी के सापेक्ष पर्याप्त बड़ी है। जब ऐसा होता है, तो CAR आर्टिफैक्ट को नहीं हटाता है; यह इसके विकृत संस्करण को प्रत्येक चैनल में फैलाता है, जिसमें वे भी शामिल हैं जो मूल रूप से आर्टिफैक्ट-मुक्त थे। यह अलग से परीक्षण किए गए निष्कर्ष के बजाय CAR फॉर्मूले का प्रत्यक्ष परिणाम है, लेकिन यह इस लेख में पहले वर्णित प्रदर्शन से तार्किक रूप से अनुसरण करता है।
विरल एरेज़ (Sparse arrays)। CAR औसत के एक तटस्थ संदर्भ बिंदु के करीब पहुँचने पर निर्भर करता है, जिसके लिए स्कैल्प के उचित रूप से घने और समान कवरेज की आवश्यकता होती है। केवल कुछ मुट्ठी भर इलेक्ट्रोड के साथ, उदाहरण के लिए आठ से सोलह चैनल, औसत उस तटस्थ बिंदु का बहुत कमजोर अनुमान है, और CAR के पीछे की कवरेज धारणा का सीधे उल्लंघन होता है।
फोकल स्रोत। मस्तिष्क की गतिविधि जो पूरे स्कैल्प पर व्यापक रूप से फैलने के बजाय एक छोटे, स्थानीयकृत क्षेत्र से उत्पन्न होती है, एक "स्थानीय" सिग्नल की तरह व्यवहार कर सकती है जिसे संरक्षित करने के लिए CAR के पूरे-सरणी का औसत डिज़ाइन नहीं किया गया है। चूंकि CAR एक वैश्विक औसत को घटाता है, यह उन सिग्नलों को आंशिक रूप से रद्द कर सकता है जो व्यापक होने के बजाय संकेंद्रित हैं।
विफलता मोड | मुख्य समस्या |
|---|---|
आर्टिफैक्ट्स | बड़ा आर्टिफैक्ट औसत को विकृत करता है |
विरल एरेज़ | बहुत कम इलेक्ट्रोड, कमजोर संदर्भ |
फोकल स्रोत | स्थानीय संकेत कमजोर हो सकते हैं |
CAR की कमजोरियों को कैसे कम करें
इन विफलता बिंदुओं को संबोधित करने के लिए ईईजी अभ्यास में आमतौर पर कई समायोजनों की सिफारिश की जाती है:
जब बड़े आर्टिफैक्ट चिंता का विषय हों, तो CAR की गणना करने से पहले खराब चैनलों या आर्टिफैक्ट-भारी खंडों की पहचान करें और उन्हें इंटरपोलेट करें या हटा दें।
एक विरल सरणी (जैसे, 8-16 चैनल) के साथ काम करते समय, CAR से बचें और जुड़े मास्टॉयड जैसे एक निश्चित भौतिक संदर्भ का उपयोग करें।
फोकल, स्थानीयकृत मस्तिष्क गतिविधि को लक्षित करने वाले कार्यों के लिए, लाप्लासियन रेफरेंसिंग या स्रोत-अंतरिक्ष विधियों पर विचार करें जो वैश्विक औसत के बजाय स्थानीय ढाल पर जोर देते हैं।
क्या CAR आपके ईईजी सेटअप के लिए सही संदर्भ विकल्प है?
CAR एक स्पष्ट और सुसंगत गणितीय आधार के साथ व्यापक रूप से उपयोग की जाने वाली संदर्भ विधि बनी हुई है। यह पूरी सरणी में औसत सिग्नल को शून्य पर लाने के लिए बाध्य करती है, और यह, सैद्धांतिक रूप से, पूरे स्कैल्प पर व्यापक और समान रूप से दिखाई देने वाले शोर को हटा सकती है। यह सैद्धांतिक आकर्षण बताता है कि यह ईईजी और BCI पाइपलाइनों में डिफ़ॉल्ट चरण के रूप में इतनी बार क्यों दिखाई देता है।
अपने स्वयं के डेटा पर CAR लागू करने वाले किसी भी व्यक्ति को इसे गारंटीकृत सुधार के बजाय एक उचित डिफ़ॉल्ट के रूप में मानना चाहिए। इसकी धारणाएं, लगभग शून्य-माध्य सिग्नल, घने और समान इलेक्ट्रोड कवरेज, और एक हावी होने वाले आर्टिफैक्ट की अनुपस्थिति, को स्वचालित रूप से मान लेने के बजाय विशिष्ट रिकॉर्डिंग सेटअप और काम के खिलाफ जांचना फायदेमंद है।
जहाँ उन धारणाओं के सही होने की संभावना कम है, विशेष रूप से विरल एरेज़ या फोकल, स्थानीयकृत मस्तिष्क स्रोतों पर केंद्रित कार्यों के साथ, लाप्लासियन रेफरेंसिंग जैसे विकल्पों पर गंभीरता से विचार किया जाना चाहिए।
ईईजी संदर्भ धारणाओं की जांच करना डिफ़ॉल्ट सेटिंग्स से अधिक महत्वपूर्ण क्यों है
कॉमन एवरेज रेफरेंस इलेक्ट्रोडों में साझा शोर को हटाने के लिए पूरे स्कैल्प के औसत को घटाने के सरल गणितीय विचार पर बनाया गया है। यह कागज़ पर खूबसूरती से काम करता है, लेकिन वास्तविक मस्तिष्क रिकॉर्डिंग शायद ही कभी पूरी तरह से सहयोग करती हैं। एल्गोरिदम हमेशा इलेक्ट्रोड के औसत को शून्य होने के लिए बाध्य करता है, लेकिन वह मजबूर संतुलन मस्तिष्क गतिविधि की स्पष्ट तस्वीर की गारंटी नहीं देता है—केवल यह कि संख्याएं आपस में जुड़ती हैं।
ईईजी मोंटाज से अधिक यह मायने रखता है कि क्या रिकॉर्डिंग सेटअप अंतर्निहित धारणाओं को पूरा करता है। सघन, समान इलेक्ट्रोड कवरेज और आँखें झपकने जैसे भारी आर्टिफैक्ट्स की अनुपस्थिति CAR को एक जोखिम भरे शॉर्टकट से एक उपयोगी उपकरण में बदल सकती है। विरल एरेज़ या ऐसे कार्यों के लिए जिन्हें छोटे, केंद्रित मस्तिष्क सिग्नलों को कैप्चर करने की आवश्यकता होती है, यही कदम संदूषण फैला सकता है और उसी गतिविधि को धुंधला कर सकता है जिसे एक शोधकर्ता खोजने की उम्मीद करता है।
शोध से निष्कर्ष यह नहीं है कि CAR अच्छा है या बुरा, बल्कि यह है कि इसका उपयोग डेटा स्थितियों की जानबूझकर जांच की मांग करता है, न कि किसी लोकप्रिय प्रीसेट में अंधा विश्वास।
संदर्भ
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
अक्सर पूछे जाने वाले प्रश्न
ईईजी में कॉमन एवरेज रेफरेंस (CAR) क्या है?
CAR एक री-रेफरेंसिंग विधि है जो प्रत्येक समय बिंदु पर प्रत्येक व्यक्तिगत इलेक्ट्रोड से सभी स्कैल्प इलेक्ट्रोड के औसत वोल्टेज को घटाती है। यह रिकॉर्डिंग के लिए अधिक स्थिर संदर्भ बिंदु बनाने के उद्देश्य से पूरे स्कैल्प के औसत के साथ एक एकल भौतिक संदर्भ को प्रतिस्थापित करता है।
CAR ईईजी सिग्नलों में शोर को कैसे कम करता है?
CAR कॉमन-मोड नॉइज़ को लक्षित करता है—वो हस्तक्षेप जो कई इलेक्ट्रोडों में समान रूप से दिखाई देता है, जैसे कि पावर लाइन की गूंज या मांसपेशियों की गतिविधि। सभी चैनलों का औसत निकालकर और उस औसत को घटाकर, साझा शोर काफी हद तक हटा दिया जाता है जबकि चैनल-विशिष्ट मस्तिष्क गतिविधि के अंतर सुरक्षित रहते हैं।
CAR के अच्छी तरह से काम करने के लिए आवश्यक मूल धारणाएं क्या हैं?
CAR मानता है कि हर पल स्कैल्प-व्यापी वोल्टेज का औसत शून्य के करीब होता है, इलेक्ट्रोड कवरेज घना और समान होता है, और कोई भी एकल आर्टिफैक्ट या चैनल औसत पर हावी नहीं होता है। यदि ये स्थितियां सही नहीं बैठती हैं, तो गणना किया गया औसत विकृत हो जाता है, और इसे घटाने से त्रुटियां उत्पन्न होती हैं।
CAR कब विफल होता है या आर्टिफैक्ट्स पेश करता है?
CAR आंखों को झपकने जैसे बड़े, स्थानीयकृत आर्टिफैक्ट्स के साथ विफल हो सकता है, जो औसत को विकृत करते हैं और फिर सभी चैनलों में फैल जाते हैं। यह विरल इलेक्ट्रोड एरेज़ या उन मस्तिष्क सिग्नलों के साथ भी संघर्ष करता है जो अत्यधिक फोकल होते हैं, क्योंकि वैश्विक औसत अब एक तटस्थ संदर्भ का प्रतिनिधित्व नहीं करता है।
CAR की प्रभावशीलता के बारे में उपलब्ध शोध क्या कहता है?
साक्ष्य मिश्रित हैं। एक अध्ययन में पाया गया कि CAR ने P300 स्पेलर कार्य के लिए अच्छा काम किया, लेकिन दूसरे अध्ययन ने दिखाया कि लाप्लासियन रेफरेंसिंग ने मोटर इमेजरी के लिए CAR से बेहतर प्रदर्शन किया। एक तीसरे अध्ययन ने एक सफल डीप-लर्निंग पाइपलाइन में CAR का उपयोग किया लेकिन इसके विशिष्ट योगदान को अलग नहीं किया, इसलिए इसका स्टैंडअलोन लाभ अस्पष्ट बना हुआ है।
क्या मुझे अपने ईईजी विश्लेषण के लिए हमेशा डिफ़ॉल्ट संदर्भ के रूप में CAR का उपयोग करना चाहिए?
आँख मूंदकर नहीं। यदि आपके पास घना, समान इलेक्ट्रोड कवरेज है और सिग्नल बिना किसी प्रभावी आर्टिफैक्ट के लगभग शून्य-माध्य है, तो CAR एक उचित डिफ़ॉल्ट है। विरल एरेज़ या फोकल मस्तिष्क गतिविधि के लिए, एक निश्चित भौतिक संदर्भ या लाप्लासियन रेफरेंसिंग जैसे विकल्प अधिक उपयुक्त हो सकते हैं।
लाप्लासियन रेफरेंसिंग क्या है और यह CAR की तुलना में कैसा है?
लाप्लासियन रेफरेंसिंग एक केंद्रीय इलेक्ट्रोड और उसके तत्काल पड़ोसियों के बीच वोल्टेज अंतर पर जोर देती है, जो स्थानीय मस्तिष्क गतिविधि को उजागर करती है। इसने एक मोटर इमेजरी अध्ययन में CAR से बेहतर प्रदर्शन किया, यह सुझाव देते हुए कि यह स्थानिक रूप से केंद्रित सिग्नलों का पता लगाने के लिए बेहतर अनुकूल है।
जब मैं CAR का उपयोग करना चाहता हूँ तो मैं इसकी कमजोरियों को कैसे कम कर सकता हूँ?
CAR की गणना करने से पहले, खराब चैनलों और पलक झपकने जैसे बड़े आर्टिफैक्ट्स की पहचान करें और उन्हें हटा दें या इंटरपोलेट करें। यह एक एकल शोर वाले चैनल या घटना को पूरे स्कैल्प के औसत को विकृत करने और सभी चैनलों को दूषित करने से रोकता है।
CAR-संदर्भित रिकॉर्डिंग में आंख झपकने पर क्या होता है?
आंखों का झपकना ललाट इलेक्ट्रोड पर केंद्रित मजबूत वोल्टेज बदलाव बनाता है। जब CAR लागू किया जाता है, तो पलक झपकने का प्रभाव वैश्विक औसत में शामिल हो जाता है और फिर घटा दिया जाता है, जिससे पलक झपकने का एक छोटा लेकिन विकृत संस्करण हर चैनल में फैल जाता है, यहाँ तक कि उन चैनलों में भी जो मूल रूप से साफ थे।
क्या CAR वास्तव में सभी चैनलों के औसत को शून्य बना देता है?
हाँ, परिभाषा के अनुसार CAR रूपांतरण प्रत्येक समय बिंदु पर सभी री-रेफरेंस किए गए वोल्टेज के योग को शून्य होने के लिए बाध्य करता है। हालांकि, यह गणितीय संपत्ति इस बात की गारंटी नहीं देती है कि परिणामी सिग्नल मस्तिष्क गतिविधि का एक स्पष्ट प्रतिनिधित्व है—यह केवल एक ऐसी शर्त लागू करता है जो वास्तविकता से मेल खा भी सकती है और नहीं भी।
Emotiv एक न्यूरोटेक्नोलॉजी लीडर है जो सुलभ ईईजी (EEG) और मस्तिष्क डेटा उपकरणों के माध्यम से तंत्रिका विज्ञान (न्यूरोसाइंस) अनुसंधान को आगे बढ़ाने में मदद कर रहा है।
क्रिश्चियन बर्गोस
