ईईजी (EEG) अनुसंधान में सबसे व्यापक रूप से उपयोग किए जाने वाले संदर्भ विकल्पों में से एक सामान्य औसत संदर्भ, या सीएआर (CAR) है, जो स्कैल्प पर सभी चैनलों के औसत के संबंध में प्रत्येक चैनल के मान की पुनर्गणना करता है।
सीएआर (CAR) की प्रतिष्ठा शोर-सफाई (noise-cleaning) के एक स्वतः 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 सीएआर (CAR) के पीछे के गणित, जिन धारणाओं पर यह निर्भर करता है, और वे परिस्थितियाँ जिनके तहत वे धारणाएँ विफल हो जाती हैं, उनके बारे में विस्तार से बताता है।
EEG में कॉमन एवरेज रेफरेंस क्या है?
प्रत्येक स्कैल्प इलेक्ट्रोड रिकॉर्डिंग के समय चुने गए किसी संदर्भ चैनल, या संदर्भ चैनलों के एक छोटे समूह के सापेक्ष वोल्टेज को मापता है। सामान्य विकल्पों में कान की बाली पर एक एकल इलेक्ट्रोड, कानों के पीछे जुड़े मास्टॉयड, या Cz जैसी स्कैल्प साइट शामिल हैं।
एकल-साइट संदर्भ के साथ समस्या यह है कि यह कभी भी वास्तव में "शांत" नहीं होता है। यदि संदर्भ 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।
CAR एक अलग प्रकार के संदर्भ का उपयोग करके उस समस्या से बचता है जहां समय के प्रत्येक क्षण में पूरे इलेक्ट्रोड सरणी में औसत वोल्टेज रिकॉर्ड किया जाता है। सभी अन्य इलेक्ट्रोडों से एक इलेक्ट्रोड के मूल्य को घटाने के बजाय, CAR प्रत्येक व्यक्तिगत इलेक्ट्रोड से सभी इलेक्ट्रोडों का माध्य घटाता है।
सिद्धांत रूप में, 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 मस्तिष्क-कंप्यूटर इंटरफ़ेस अनुसंधान में अक्सर दिखाई देता है। उदाहरण के लिए, इंटरनेशनल जर्नल ऑफ इंजीनियरिंग एंड टेक्नोलॉजी में प्रकाशित एक अध्ययन ने P300 स्पेलर के लिए बारह पुन: संदर्भ विधियों में से एक के रूप में CAR का परीक्षण किया, यह एक ऐसी प्रणाली है जो तब एक विशिष्ट मस्तिष्क प्रतिक्रिया का पता लगाती है जब कोई उपयोगकर्ता किसी लक्षित अक्षर या प्रतीक पर ध्यान केंद्रित करता है, और परीक्षण की गई विधियों में CAR को 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 फॉर्मूला की गणना कैसे करें
CAR की कार्यप्रणाली सरल बीजगणित है, न कि एक सांख्यिकीय मॉडल जिसे गणितीय रूप से काम करने के लिए डेटा की आवश्यकता होती है। N इलेक्ट्रोड की एक सरणी के लिए, प्रत्येक समय t पर 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 EEG 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 कलाकृतियों के हस्तक्षेप के बिना मार्करों की पहचान कर सकते हैं। शोधकर्ता इस वैश्विक दृष्टिकोण का समर्थन तब करते हैं जब वे यह मानचित्रण करते हैं कि हस्तक्षेप तंत्रिका गतिविधि को कैसे प्रभावित कर सकता है, जैसा कि श्वसन नियंत्रित दोलनों पर निष्कर्षों में प्रदर्शित किया गया है, जहां स्थानीय तंत्रिका लय से श्वसन-लिंक्ड प्रभावों को अलग करने के लिए एक तटस्थ आधार रेखा आवश्यक है।
नैदानिक सेटअपों और प्रयोगात्मक तंत्रिका विज्ञान दोनों में, शोधकर्ता सुसंगत डेटा व्याख्या पर भरोसा करते हैं जो कृत्रिम विकृतियों को कम करता है। यह विधि विभिन्न सत्रों या सुविधाओं में रोगी रिकॉर्डिंग की तुलना करते समय पारदर्शिता बनाए रखने में मदद करती है।
मानक संदर्भ 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 स्पष्ट नैदानिक रिपोर्टिंग और व्यापक मस्तिष्क तरंग माप अनुप्रयोगों में वैध परिणामों का समर्थन करता है।
CAR कॉमन-मोड शोर को कैसे कम करता है
CAR के पक्ष में तर्क एक अवधारणा पर निर्भर करता है जिसे कॉमन-मोड शोर कहा जाता है। यह उस हस्तक्षेप को संदर्भित करता है जो लगभग एक ही ताकत पर लगभग हर इलेक्ट्रोड पर दिखाई देता है, बजाय उस शोर के जो किसी एक स्थान के लिए विशिष्ट होता है।
क्लासिक उदाहरणों में आस-पास के बिजली स्रोतों से 50/60 हर्ट्ज विद्युत लाइन शोर, मांसपेशियों की गतिविधि जो ऊतक चालन के माध्यम से पूरे स्कैल्प में फैलती है, और त्वचा के खिलाफ थोड़ा हिलने वाले इलेक्ट्रोड के कारण होने वाले धीमे बहाव शामिल हैं।
चूंकि इस प्रकार का शोर व्यापक रूप से सरणी में साझा किया जाता है, इसलिए सभी चैनलों को एक साथ औसत करने से, सिद्धांत रूप में, उस साझा शोर घटक का एक उचित अनुमान होना चाहिए। प्रत्येक चैनल से औसत घटाने से उस साझा हस्तक्षेप का बहुत अधिक हिस्सा निकल जाता है, जबकि चैनल-टू-चैनल अंतर, जो वास्तविक मस्तिष्क गतिविधि को प्रतिबिंबित करने की अधिक संभावना रखते हैं, काफी हद तक बरकरार रहते हैं।
CAR के पीछे की मुख्य धारणाएं
CAR का शोर-कम करने का तर्क केवल तभी सही साबित होता 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 कमजोर है।
शून्य-माध्य धारणा। किसी भी क्षण, पूरे सिर में सभी वोल्टेज का औसत शून्य के करीब माना जाता है, जिसका अर्थ है कि सकारात्मक और नकारात्मक गतिविधि स्कैल्प पर लगभग संतुलित होती है।
सघन, समान इलेक्ट्रोड कवरेज। माना जाता है कि सरणी सिर को पूरी तरह से कवर करती है जिससे औसत अनुमान उस संदर्भ बिंदु के समान होता है जो सिर से असीमित दूर है, और इसलिए विद्युतीय रूप से तटस्थ है, रिकॉर्ड करेगा। विरल या असमान कवरेज इस अनुमान को कमजोर करता है।
कोई एकल प्रमुख स्रोत नहीं। कोई भी एकल इलेक्ट्रोड, खराब चैनल, या बड़ी कलाकृति (जैसे कि एक मजबूत आंख झपकना) अपने आप में औसत को बिगाड़ने के लिए पर्याप्त नहीं होनी चाहिए।
जब ये तीनों स्थितियां बनी रहती हैं, तो औसत वास्तव में एक तटस्थ संदर्भ बिंदु की तरह व्यवहार करता है। जब वे ऐसा नहीं करते हैं, तो औसत स्वयं विकृत हो जाता है, और एक विकृत औसत को घटाने से पुरानी समस्याओं को दूर करने के बजाय नई समस्याएं पैदा होती हैं।
वास्तविक EEG डेटा के साथ CAR की धारणाओं का परीक्षण
सार्वजनिक रूप से उपलब्ध रेस्टिंग-स्टेट EEG रिकॉर्डिंग, उदाहरण के लिए एक मानक 64-चैनल डेटासेट को लेकर, और CAR लागू करने से पहले वैश्विक माध्य तरंगरूप 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 सीधे 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, फॉर्मूला की परिभाषा के अनुसार, उसी वैश्विक माध्य को प्रत्येक समय बिंदु पर ठीक शून्य होने के लिए बाध्य किया जाता है।
एक अधिक खुलासा करने वाला परीक्षण उन युगों को देखना शामिल करता है जिनमें आंख झपकने की बड़ी कलाकृतियां होती हैं।
आंखों का झपकना बड़े वोल्टेज झुलाव पैदा करता है जो ललाट इलेक्ट्रोड पर सबसे मजबूत होते हैं लेकिन अधिकांश सरणी में फैल जाते हैं। इन युगों के दौरान, CAR से पहले का वैश्विक माध्य 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 केंद्रित कलाकृति औसत में शामिल हो जाती है और कम मात्रा में, हर एक चैनल में पुनर्वितरित हो जाती है, जिसमें वे चैनल भी शामिल हैं जो आंखों से दूर थे 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 पुन: संदर्भ तकनीकों की तुलना की, और निष्कर्ष निकाला कि CAR सभी बारह तकनीकों में सबसे उपयुक्त तकनीक थी। हालांकि, जबकि अध्ययन वर्गीकरण सटीकता के 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 रैंकिंग पर किए जाने वाले विश्वास को सीमित करता है।
इस बीच एक 2017 के अध्ययन ने मोटर इमेजरी और गतिविधि-इरादा कार्य के साथ एक अलग दृष्टिकोण अपनाया। ग्यारह विषयों ने दाहिनी कलाई की गतिविधियों को किया और उसकी कल्पना की जबकि 28 इलेक्ट्रोड से EEG रिकॉर्ड किया गया था। CAR और लाप्लासियन संदर्भ दोनों का उपयोग करके सिग्नल को संसाधित किया गया था, यह एक स्थानिक फ़िल्टरिंग विधि है जो पूरे-स्कैल्प औसत के बजाय एक केंद्रीय इलेक्ट्रोड और उसके तत्काल पड़ोसियों के बीच के अंतर पर जोर देती है।
लाप्लासियन संदर्भ का उपयोग करते हुए वर्गीकरण सटीकता काल्पनिक गतिविधि के लिए 63.33% से 100% और वास्तविक गतिविधि के लिए 60% से 96.67% तक थी, जिसमें k-निकटतम पड़ोसी वर्गीकारक द्विघात विभेदक विश्लेषण से बेहतर प्रदर्शन करते थे। लाप्लासियन संदर्भ 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 उपयुक्त हो सकता है जिनमें केंद्रक, स्थानीयकृत मोटर-संबंधित मस्तिष्क गतिविधि शामिल होती।
अंत में, उपर्युक्त 2025 के अध्ययन में मोटर इमेजरी वर्गीकरण के लिए एक बड़े कनवोल्यूशनल न्यूरल नेटवर्क पाइपलाइन के भीतर एक शुरुआती पूर्व-प्रसंस्करण चरण के रूप में CAR को शामिल किया गया, जिसमें स्लाइडिंग टाइम विंडो, स्पेक्ट्रल ट्रांसफॉर्मेशन और फ्रीक्वेंसी-बैंड निष्कर्षण भी शामिल था। पूर्ण पाइपलाइन ने एक प्रतियोगिता बेंचमार्क डेटासेट पर 91.75% सटीकता प्राप्त की। यह एक मजबूत परिणाम है, लेकिन क्योंकि CAR केवल कई प्रसंस्करण चरणों में से एक था, अध्ययन हमें यह नहीं बता सकता कि उस सटीकता का कितना हिस्सा CAR के कारण है और कितना CNN आर्किटेक्चर, विंडोइंग तकनीक, या फ्रीक्वेंसी-बैंड चयन के कारण है।
कुल मिलाकर, ये तीन अध्ययन किसी एक निष्कर्ष पर नहीं पहुंचते 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: कलाकृतियां, विरल सरणियाँ और फोकल स्रोत
इन अध्ययनों में पैटर्न तीन विफलता मोड के साथ संरेखित होता है जो EEG पद्धति में व्यापक रूप से चर्चा किए जाते हैं लेकिन उपलब्ध शोध में प्रत्यक्ष साक्ष्य द्वारा केवल आंशिक रूप से समर्थित हैं।
बड़ी कलाकृतियां। एक एकल उच्च-आयाम वाली घटना, जैसे कि एक मजबूत आंख का झपकना या एक मांसपेशी स्पाइक, औसत गणना पर हावी हो सकती है यदि यह बाकी सरणी की तुलना में काफी बड़ी है। जब ऐसा होता है, तो CAR कलाकृति को हटाता नहीं है; यह इसके एक विकृत संस्करण को हर चैनल में फैला देता है, जिसमें वे चैनल भी शामिल हैं जो मूल रूप से कलाकृति-मुक्त थे। यह एक अलग से परीक्षण किए गए निष्कर्ष के बजाय CAR फॉर्मूला का प्रत्यक्ष परिणाम है, लेकिन यह इस लेख में पहले वर्णित प्रदर्शन से तार्किक रूप से अनुसरण करता है।
विरल सरणियाँ। CAR एक तटस्थ संदर्भ बिंदु के अनुमानित औसत पर निर्भर करता है, जिसके लिए स्कैल्प के यथोचित सघन और समान कवरेज की आवश्यकता होती है। केवल मुट्ठी भर इलेक्ट्रोड के साथ, उदाहरण के लिए आठ से सोलह चैनल, औसत उस तटस्थ बिंदु का बहुत कमजोर अनुमान होता 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 का संपूर्ण-सरणी औसत डिज़ाइन नहीं किया गया है। क्योंकि CAR एक वैश्विक औसत को घटाता है, यह उन सिग्नलों को आंशिक रूप से रद्द कर सकता है जो व्यापक होने के बजाय केंद्रित हैं।
विफलता मोड | मुख्य समस्या |
|---|---|
कलाकृतियां (अर्टिफैक्ट्स) | बड़ी कलाकृति औसत को बिगाड़ती है |
विरल सरणियाँ | बहुत कम इलेक्ट्रोड, कमजोर संदर्भ |
फोकल स्रोत | स्थानीय संकेत कम हो सकते हैं |
CAR की कमजोरियों को कैसे कम करें
इन विफलता बिंदुओं को संबोधित करने के लिए आमतौर पर EEG अभ्यास में कई समायोजन की सिफारिश की जाती है:
जब बड़ी कलाकृतियां चिंता का विषय हों, तो CAR की गणना करने से पहले खराब चैनलों या कलाकृति-भारी खंडों की पहचान करें और उन्हें इंटरपोलेट करें या हटा दें।
विरल सरणी (जैसे, 8-16 चैनल) के साथ काम करते समय, CAR से बचें और जुड़े हुए मास्टॉयड जैसे एक निश्चित भौतिक संदर्भ का उपयोग करें।
केंद्रित, स्थानीयकृत मस्तिष्क गतिविधि को लक्षित करने वाले कार्यों के लिए, लाप्लासियन संदर्भ या स्रोत-स्थान विधियों पर विचार करें जो वैश्विक औसत के बजाय स्थानीय ढाल पर जोर देते हैं।
क्या CAR आपके EEG 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 सरणी में औसत सिग्नल को शून्य करने के लिए मजबूर करती है, और यह, सैद्धांतिक रूप से, उस शोर को समाप्त कर सकती है जो पूरे स्कैल्प पर व्यापक रूप से और समान रूप से दिखाई देता है। वह सैद्धांतिक अपील बताती है कि यह अक्सर EEG और BCI पाइपलाइनों में एक डिफ़ॉल्ट चरण के रूप में 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, जैसे कि एक लगभग शून्य-माध्य सिग्नल, सघन और समान इलेक्ट्रोड कवरेज, और एक हावी कलाकृति की अनुपस्थिति, को स्वचालित रूप से मानने के बजाय विशिष्ट रिकॉर्डिंग सेटअप और कार्य के विरुद्ध जांचने योग्य है।
जहां उन धारणाओं के सही होने की संभावना कम है, विशेष रूप से विरल सरणियों या केंद्रित, स्थानीयकृत मस्तिष्क स्रोतों पर केंद्रित कार्यों के साथ, वहां लाप्लासियन संदर्भ जैसे विकल्पों पर गंभीरता से विचार किया जाना चाहिए।
क्यों डिफ़ॉल्ट सेटिंग्स की तुलना में आपके EEG संदर्भ मान्यताओं की जांच करना अधिक महत्वपूर्ण है
कॉमन एवरेज संदर्भ इलेक्ट्रोड में साझा किए गए शोर को हटाने के लिए पूरे-स्कैल्प औसत को घटाने के सरल गणितीय विचार पर बनाया गया है। यह कागज पर खूबसूरती से काम करता है, लेकिन वास्तविक मस्तिष्क रिकॉर्डिंग शायद ही कभी पूरी तरह से सहयोग करती हैं। एल्गोरिथ्म हमेशा इलेक्ट्रोड औसत को शून्य होने के लिए मजबूर करता है, लेकिन वह मजबूर संतुलन मस्तिष्क गतिविधि की स्पष्ट तस्वीर की गारंटी नहीं देता है—केवल यह कि संख्याएं जुड़ जाती हैं।
EEG मोंटाज की तुलना में जो चीज अधिक मायने रखती है वह यह है कि क्या रिकॉर्डिंग सेटअप अंतर्निहित धारणाओं को पूरा करता है। सघन, समान इलेक्ट्रोड कवरेज और आंखों के झपकने जैसी अत्यधिक कलाकृतियों की अनुपस्थिति CAR को एक जोखिम भरे शॉर्टकट से एक उपयोगी उपकरण में बदल सकती है। विरल सरणियों या उन कार्यों के लिए जिन्हें छोटे, केंद्रित मस्तिष्क सिग्नलों को पकड़ने की आवश्यकता होती है, यही चरण संदूषण फैला सकता है और उस 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
EEG में कॉमन एवरेज रेफरेंस (CAR) क्या है?
CAR एक पुन: संदर्भ 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 औसत के साथ एक एकल भौतिक संदर्भ को प्रतिस्थापित करता है।
CAR EEG सिग्नलों में शोर को कैसे कम करता है?
CAR कॉमन-मोड शोर को लक्षित करता है—वह हस्तक्षेप जो कई इलेक्ट्रोडों पर समान रूप से दिखाई देता है, जैसे पावर लाइन का गुनगुनाहट या मांसपेशियों की गतिविधि। सभी चैनलों का औसत निकालकर और उस औसत को घटाकर, साझा शोर को 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 मुख्य धारणाएं क्या हैं?
CAR यह मानकर चलता है कि प्रत्येक क्षण में पूरे स्कैल्प का वोल्टेज औसत शून्य के करीब होता है, इलेक्ट्रोड कवरेज सघन और समान है, और कोई भी एकल कलाकृति या चैनल औसत पर हावी नहीं होता है। यदि ये लागू नहीं होते हैं, तो गणना किया गया औसत विकृत हो जाता है, और इसे घटाने से त्रुटियां उत्पन्न होती हैं।
CAR कब विफल होता है या कलाकृतियां प्रस्तुत करता है?
CAR आंखों के झपकने जैसी बड़ी, स्थानीयकृत कलाकृतियों के साथ विफल हो सकता है, जो औसत को बिगाड़ देती हैं और फिर सभी चैनलों में फैल जाती हैं। यह विरल इलेक्ट्रोड सरणियों या मस्तिष्क के संकेतों के साथ भी संघर्ष करता है जो अत्यधिक केंद्रित होते हैं, क्योंकि वैश्विक औसत अब एक तटस्थ संदर्भ का प्रतिनिधित्व नहीं करता है।
CAR की प्रभावशीलता के बारे में उपलब्ध शोध क्या कहते हैं?
साक्ष्य मिश्रित हैं। एक अध्ययन में पाया गया कि CAR ने P300 स्पेलर कार्य के लिए अच्छा काम किया, लेकिन दूसरे ने दिखाया कि मोटर इमेजरी के लिए लाप्लासियन संदर्भ ने 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 हमेशा अपने EEG विश्लेषण के लिए CAR को डिफ़ॉल्ट संदर्भ के रूप में उपयोग करना चाहिए?
आँख मूँद कर नहीं। यदि आपके पास सघन, समान इलेक्ट्रोड कवरेज है और सिग्नल बिना किसी प्रभावशाली कलाकृतियों के लगभग शून्य-माध्य है, तो CAR एक उचित डिफ़ॉल्ट है। विरल सरणियों या केंद्रित मस्तिष्क गतिविधि के लिए, एक निश्चित भौतिक संदर्भ या लाप्लासियन संदर्भ जैसे विकल्प अधिक उपयुक्त हो सकते हैं।
लाप्लासियन संदर्भ क्या है और यह CAR की तुलना में कैसा है?
लाप्लासियन संदर्भ एक केंद्रीय इलेक्ट्रोड और उसके तत्काल पड़ोसियों के बीच वोल्टेज अंतर पर जोर देता है, जो स्थानीय मस्तिष्क गतिविधि को उजागर करता है। इसने एक मोटर इमेजरी अध्ययन में CAR से बेहतर प्रदर्शन किया, यह सुझाव देते हुए कि यह स्थानिक रूप से केंद्रित संकेतों 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 पलकें झपकने जैसी बड़ी कलाकृतियों की पहचान करें और उन्हें हटा दें या इंटरपोलेट करें। यह एक एकल शोर वाले चैनल या घटना को पूरे स्कैल्प के औसत को बिगाड़ने और सभी चैनलों को दूषित करने से रोकता है।
जब CAR-संदर्भित रिकॉर्डिंग में आंख झपकती है तो क्या होता है?
आंखों का झपकना ललाट इलेक्ट्रोड पर केंद्रित मजबूत वोल्टेज बदलाव पैदा करता 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 कर देता है?
हाँ, परिभाषा के अनुसार CAR रूपांतरण प्रत्येक समय बिंदु पर सभी पुन: संदर्भित वोल्टेज के योग को शून्य होने के लिए बाध्य करता है। हालांकि, यह गणितीय गुण इस बात की गारंटी नहीं देता है कि परिणामी सिग्नल मस्तिष्क की गतिविधि का एक स्पष्ट प्रतिनिधित्व है—यह केवल एक ऐसी स्थिति को लागू करता है जो वास्तविकता से मेल खा भी सकती है और नहीं भी।
Emotiv एक न्यूरोटेक्नोलॉजी अग्रणी कंपनी है जो सुलभ EEG और मस्तिष्क डेटा टूल्स के माध्यम से न्यूरोसाइंस अनुसंधान को आगे बढ़ाने में मदद करती है।
क्रिश्चियन बर्गोस
