एक इलेक्ट्रोएन्सेफलोग्राम (EEG) लंबी अवधि में दर्जनों चैनलों पर भारी मात्रा में निरंतर डेटा उत्पन्न करता है। यह वॉल्यूम पोर्टेबल हेडसेट की सीमित मेमोरी पर दबाव डालता है, टेलीमेडिसिन नेटवर्क को बाधित करता है, और रीयल-टाइम मस्तिष्क-कंप्यूटर इंटरफेस (BCIs) को धीमा कर देता है। नतीजतन, कच्चे EEG डेटा को कुशलतापूर्वक संसाधित करने के लिए इसे कम करने की आवश्यकता होती है।
डिस्रीट कोसाइन ट्रांसफॉर्म (DCT), जो JPEG संपीड़न के लिए गणितीय आधार के रूप में कार्य करता है, इस चुनौती को हल करता है। जिस तरह यह पहचान बनाए रखते हुए छवियों को संकुचित करता है, उसी तरह DCT अपने समग्र आकार को संरक्षित करते हुए EEG सिग्नल के आकार को कम करता है। इसकी कार्यप्रणाली और सीमाओं को पहचानना यह निर्धारित करने में मदद करता है कि DCT कब उपयुक्त है या कब वैकल्पिक ट्रांसफॉर्म बेहतर हैं।
डिस्क्रीट कोसाइन ट्रांसफॉर्म (Discrete Cosine Transform) क्या है?
डिस्क्रीट कोसाइन ट्रांसफॉर्म एक गणितीय संक्रिया है जो सैंपल किए गए मानों के एक सीमित अनुक्रम को कोसाइन फ़ंक्शंस से जुड़े गुणांकों में परिवर्तित करती है। किसी सिग्नल को सीधे समय या स्थिति के साथ मानों के रूप में वर्णित करने के बजाय, यह यह बताता है कि अलग-अलग कोसाइन पैटर्न उस सिग्नल में कितना योगदान करते हैं। परिणाम सीमित और डिस्क्रीट ही रहता है, लेकिन इसकी संरचना एक आवृत्ति (frequency) जैसी डोमेन में व्यक्त की जाती है।
एक कोसाइन आधार एक स्थिर पैटर्न के साथ शुरू होता है और तेजी से बढ़ती कंपनों के माध्यम से आगे बढ़ता है। इसलिए पहला गुणांक आमतौर पर इनपुट के औसत या समग्र स्तर को दर्शाता है, जबकि बाद के गुणांक उत्तरोत्तर महीन परिवर्तनों को कैप्चर करते हैं। यह व्यवस्था व्यापक रुझानों को तीव्र उतार-चढ़ाव से अलग करना आसान बना सकती है।
यह ट्रांसफॉर्म तब प्रतिवर्ती (reversible) होता है जब गुणांकों का पूरा सेट और संबंधित सामान्यीकरण (normalization) को बनाए रखा जाता है। व्यावहारिक कार्यों में, हालांकि, विश्लेषक केवल चुनिंदा गुणांकों को संरक्षित कर सकते हैं या उन्हें संख्यात्मक विशेषताओं (numerical features) के रूप में उपयोग कर सकते हैं। यह विकल्प विमीयता (dimensionality) को कम कर सकता है, लेकिन यह जानकारी को भी खारिज कर देता है, इसलिए कम किए गए प्रतिनिधित्व के अर्थ का आकलन मान लेने के बजाय विश्लेषण द्वारा किया जाना चाहिए।
डिस्क्रीट कोसाइन ट्रांसफॉर्म एल्गोरिदम चरण दर चरण
एक व्यावहारिक DCT वर्कफ़्लो एक सीमित अनुक्रम के साथ शुरू होता है और उन गुणांकों के साथ समाप्त होता है जिन्हें पुनर्निर्मित या विश्लेषण किया जा सकता है। यह अनुक्रम एक छोटा सिग्नल विंडो, एक इमेज पंक्ति, या मापों का एक अन्य व्यवस्थित संग्रह हो सकता है। गणना से पहले, विश्लेषक ट्रांसफॉर्म प्रकार, गुणांक स्केलिंग, विंडो लंबाई और गायब या दूषित नमूनों के उपचार को परिभाषित करता है।
प्रत्येक DCT आधार फ़ंक्शन एक सैंपल किया गया कोसाइन पैटर्न है। एल्गोरिदम प्रत्येक आधार पैटर्न के साथ इनपुट की तुलना करता है, जिससे प्रति पैटर्न एक गुणांक उत्पन्न होता है। गणना सीधे संकलन सूत्र (summation formula) के साथ या चयनित ट्रांसफॉर्म परिपाटी को बनाए रखते हुए गणना को कम करने के लिए डिज़ाइन किए गए तेज़ कार्यान्वयन (fast implementation) के साथ की जा सकती है।
संक्रिया को लागू करते समय एक संक्षिप्त वर्कफ़्लो उपयोगी होता है क्योंकि प्रत्येक चरण व्याख्या को प्रभावित करता है:
एक सीमित, लगातार सैंपल किए गए अनुक्रम को तैयार करें।
विश्लेषण की आवश्यकता होने पर अवांछित ऑफ़सेट और प्रवृत्तियों को हटा दें या मॉडल करें।
DCT प्रकार और सामान्यीकरण परिपाटी का चयन करें।
गुणांक वेक्टर की गणना करें और उसके आयामों को सत्यापित करें।
शोध प्रश्न के अनुसार गुणांकों को बनाए रखें, पुनर्निर्मित करें या सांख्यिकीय रूप से विश्लेषण करें।
रूपांतरण के बाद, संख्यात्मक सटीकता और सामान्यीकरण परिपाटियों को छोड़कर, सभी गुणांकों के साथ पुनर्निर्माण से इनपुट दोबारा उत्पन्न होना चाहिए। गुणांक वेक्टर के केवल एक हिस्से का उपयोग करके किया गया पुनर्निर्माण एक सन्निकटन (approximation) है। पुनर्निर्माण त्रुटि की जांच करने से यह पता चल सकता है कि गुणांक में की गई कमी ने केवल शोर को कम करने के बजाय सार्थक संरचना को तो नहीं हटा दिया है।
उद्योगों में डिस्क्रीट कोसाइन ट्रांसफॉर्म के अनुप्रयोग
डिस्क्रीट कोसाइन ट्रांसफॉर्म के अनुप्रयोग वहां हर जगह हैं जहां सीमित, सैंपल किए गए डेटा को कोसाइन-आधारित प्रतिनिधित्व से लाभ मिल सकता है। छवि और वीडियो प्रणालियों में, यह स्थानिक (spatial) या लौकिक (temporal) ब्लॉकों के संक्षिप्त विवरणों का समर्थन करता है। ऑडियो और संचार में, संबंधित ट्रांसफॉर्म विधियां कोडिंग और ट्रांसमिशन के लिए सिग्नल जानकारी को व्यवस्थित करने में मदद कर सकती हैं।
वैज्ञानिक और इंजीनियरिंग अनुप्रयोग फ़िल्टरिंग, डीनोइज़िंग, विशेषता निर्माण और संख्यात्मक विश्लेषण के लिए DCT का उपयोग करते हैं। इसका वास्तविक-मूल्यवान (real-valued) आधार तब सुविधाजनक हो सकता है जब फेज़ (phase) प्राथमिक रुचि का विषय न हो या जब सम-विस्तार (even-extension) व्यवहार वाला एक सीमित अनुक्रम एक उपयुक्त मॉडल हो। उपयुक्त उपयोग सिग्नल, सीमा स्थितियों और वांछित आउटपुट पर निर्भर करता है।
बायोमेडिकल अनुसंधान में, ट्रांसफॉर्म गुणांक सांख्यिकीय मॉडल या वर्गीकरण प्रणालियों के लिए विशेषताओं के रूप में काम कर सकते हैं। ऐसी विशेषताएं रूपांतरित सिग्नल के माप हैं, न कि प्रत्यक्ष जैविक चर। इसलिए उनका मूल्य सत्यापन, प्रतिलिपि प्रस्तुत करने योग्यता (reproducibility) और मूल डेटा तथा प्रासंगिक शारीरिक मापों के साथ तुलना के माध्यम से स्थापित किया जाना चाहिए।
डिस्क्रीट कोसाइन ट्रांसफॉर्म बनाम डिस्क्रीट फूरियर ट्रांसफॉर्म
DCT और DFT दोनों ही कंपायमान आधार फ़ंक्शंस के माध्यम से सैंपल किए गए डेटा को व्यक्त करते हैं, लेकिन वे विभिन्न गणितीय धारणाएं बनाते हैं। DFT जटिल घातांक (complex exponentials) का उपयोग करता है और अपने गुणांकों में आयाम (amplitude) और फेज़ दोनों का प्रतिनिधित्व करता है। DCT वास्तविक कोसाइन फ़ंक्शंस का उपयोग करता है और आमतौर पर सीमित इनपुट के सम-सममित विस्तार (even-symmetric extension) से जुड़ा होता है।
सीमा व्यवहार (Boundary behavior) एक मुख्य अंतर है। DFT में आवधिक विस्तार (Periodic extension) एक सीमित खंड के अंत और शुरुआत के बीच एक कृत्रिम उछाल पैदा कर सकता है जब वे मान मेल नहीं खाते हैं। कई DCT रूपों से जुड़ी सम-विस्तार संरचना उस विशेष विच्छिन्नता को कम कर सकती है, हालांकि यह हर किनारे के प्रभाव को समाप्त नहीं करती है या हर सिग्नल के लिए बेहतर परिणाम की गारंटी नहीं देती है।
इसलिए चुनाव वैचारिक होने के बजाय विश्लेषणात्मक है। DFT तब स्वाभाविक होता है जब जटिल फेज़ और आवधिक संरचना मायने रखती है, जबकि DCT संक्षिप्त वास्तविक-मूल्यवान प्रतिनिधित्व और सीमित-विंडो डेटा के लिए आकर्षक हो सकता है।
DCT का उपयोग तब करें जब | FFT/वेवलेट्स का उपयोग तब करें जब |
|---|---|
कम-शक्ति वाले, एम्बेडेड संपीड़न (compression) की आवश्यकता हो | विशिष्ट आवृत्ति बैंड का विश्लेषण करना हो |
ML के लिए वास्तविक-मूल्यवान विशेषता वैक्टर की आवश्यकता हो | फेज़ तुल्यकालन (phase synchrony) को मापना हो |
डेटा में कमी लाना हो, आवृत्ति विश्लेषण नहीं | समय-स्थानीयकृत क्षणिक पहचान की आवश्यकता हो |
EEG सिग्नलों में DCT एनर्जी कॉम्पेक्शन विशेषता क्या है?
DCT सिग्नल नमूनों के एक छोटे ब्लॉक को बढ़ती आवृत्तियों पर कोसाइन तरंगों के योग में तोड़कर काम करता है, जिसमें प्रत्येक को एक गुणांक से गुणा किया जाता है जो यह बताता है कि वह विशेष कोसाइन तरंग मूल ब्लॉक में कितना योगदान देती है।
फूरियर ट्रांसफॉर्म के विपरीत, जो जटिल संख्याएं उत्पन्न करता है जिसमें परिमाण (magnitude) और फेज़ दोनों जानकारी होती है, DCT केवल वास्तविक संख्याएं उत्पन्न करता है। यह आउटपुट को स्टोर करने और कम्प्यूटेशनल रूप से हेरफेर करने में सरल बनाता है।
वह विशेषता जो EEG के लिए सबसे अधिक मायने रखती है उसे एनर्जी कॉम्पेक्शन (energy compaction) कहा जाता है। EEG सिग्नल समय में अत्यधिक सहसंबंधित (correlated) होते हैं, जिसका अर्थ है कि अभी रिकॉर्ड किया गया एक नमूना सांख्यिकीय रूप से कुछ समय पहले रिकॉर्ड किए गए नमूने के समान होता है।
बिर्विनस्कास और अन्य का एक अध्ययन इसे सीधे वर्णित करता है, यह नोट करते हुए कि DCT "सहसंबंधित इनपुट डेटा लेता है और अपनी ऊर्जा को केवल पहले कुछ ट्रांसफॉर्म गुणांकों में केंद्रित करता है"। व्यावहारिक संदर्भ में, इसका मतलब यह है कि एक ब्लॉक से गुणांकों का पहला मुट्ठी भर हिस्सा सिग्नल के व्यापक आकार को कैप्चर करता है, जबकि बाद के गुणांक तेजी से बारीक विवरण कैप्चर करते हैं, जिनमें से अधिकांश शोर के साथ ओवरलैप होते हैं।
इस एकाग्रता प्रभाव के कारण, पुनर्निर्मित तरंग को न्यूनतम नुकसान के साथ गुणांकों के एक बड़े हिस्से को खारिज किया जा सकता है। बिर्विनस्कास के नेतृत्व में किया गया एक एम्बेडेड सिस्टम अध्ययन इसे सीधे प्रदर्शित करता है, आठ नमूनों के छोटे ब्लॉकों में DCT को लागू करता है और स्पष्ट रूप से बताता है कि "प्रसारण से पहले सबसे कम महत्वपूर्ण ट्रांसफॉर्म गुणांकों को हटा दिया जाता है" और पुनर्निर्माण से पहले शून्य से भर दिया जाता है। जो सिग्नल वापस बाहर आता है वह मूल के बिल्कुल समान नहीं होता है, लेकिन यह प्रमुख संरचना को बनाए रखता है, क्योंकि खारिज की गई जानकारी उन ट्रांसफॉर्म के हिस्सों में केंद्रित थी जो शुरुआत में सबसे कम ऊर्जा ले जाते थे।
यह डिकोरिलेटिंग (decorrelating) व्यवहार वैचारिक रूप से प्रिंसिपल कंपोनेंट एनालिसिस के पीछे के लक्ष्य से संबंधित है, जो सहसंबंधित डेटा के संक्षिप्त, डिकोरिलेटेड प्रतिनिधित्व की भी तलाश करता है, हालांकि PCA सांख्यिकीय रूप से डेटा से अपने आधार फ़ंक्शंस प्राप्त करता है जबकि DCT कोसाइन फ़ंक्शंस के एक निश्चित, पूर्वनिर्धारित सेट का उपयोग करता है।
DCT, FFT या वेवलेट्स की तरह एक ऑसिलेटरी डीकंपोज़िशन क्यों नहीं है
DCT को फूरियर विश्लेषण के एक सरल संस्करण के रूप में मानना लुभावना है, लेकिन दोनों उपकरण अलग-अलग लक्ष्यों के लिए बनाए गए हैं।
फास्ट फूरियर ट्रांसफॉर्म (FFT) एक सिग्नल को साइन और कोसाइन जोड़े में विघटित करता है, जिससे जटिल-मूल्यवान आउटपुट उत्पन्न होता है जो आवृत्ति परिमाण और फेज़ दोनों को वहन करता है। वह जटिल आउटपुट स्वाभाविक रूप से शास्त्रीय EEG आवृत्ति बैंड, डेल्टा, थीटा, अल्फा, बीटा और गामा पर मानचित्रित होता है, और यह इलेक्ट्रोड साइटों के बीच तुल्यकालन (synchronization) जैसे फेज़-आधारित उपायों का समर्थन कर सकता है। वेवलेट ट्रांसफॉर्म इस विचार को और आगे बढ़ाते हैं, जिससे आवृत्ति सामग्री को समय में स्थानीयकृत किया जा सकता है, जो स्पाइक या क्षणिक आर्टिफैक्ट जैसी अल्पकालिक घटनाओं को पकड़ने के लिए उपयोगी है।
DCT एक संकीर्ण उद्देश्य के इर्द-गिर्द बनाया गया है। यह विशेष रूप से कोसाइन फ़ंक्शंस का उपयोग करता है, और यह केवल वास्तविक संख्याएं उत्पन्न करता है। इसके गुणांक तकनीकी रूप से "आवृत्ति" के एक रूप के अनुरूप होते हैं, लेकिन क्योंकि ट्रांसफॉर्म एक विशिष्ट सीमा स्थिति का उपयोग करके छोटे ब्लॉकों पर काम करता है, इसलिए अतिरिक्त प्रसंस्करण के बिना वह आवृत्ति जानकारी मानक EEG बैंड के साथ स्पष्ट रूप से संरेखित नहीं होती है।
यह कोई त्रुटि नहीं है। यह डिज़ाइन के उद्देश्य में अंतर को दर्शाता है। FFT और वेवलेट परिवार EEG जैसे लय-संचालित सिग्नल की ऑसिलेटरी सामग्री का वर्णन करने के लिए अनुकूलित हैं। DCT अपने आकार को संरक्षित करते हुए कम से कम संभावित संख्याओं में एक तरंग को संपीड़ित करने के लिए अनुकूलित है।
यह अंतर इस बात के केंद्र में है कि DCT का मूल्यांकन कैसे किया जाना चाहिए। यह मुख्य रूप से एक संपीड़न और विमीयता-कमी (dimensionality-reduction) उपकरण है, और आवृत्ति सामग्री में केवल एक माध्यमिक या अप्रत्यक्ष खिड़की है।
भंडारण और प्रसारण के लिए DCT EEG डेटा को कैसे संपीड़ित करता है
DCT का उपयोग करके बुनियादी संपीड़न का तरीका एक सुसंगत पैटर्न का अनुसरण करता है: सिग्नल के एक ब्लॉक को DCT गुणांकों में रूपांतरित करें, सबसे छोटे गुणांकों को छोड़ दें या मोटे तौर पर राउंड डाउन करें, और फिर मूल सिग्नल के सन्निकटन को पुनर्निर्मित करने के लिए एक व्युत्क्रम (inverse) ट्रांसफॉर्म लागू करें।
चूंकि खारिज किए गए गुणांक वे हैं जो सबसे कम ऊर्जा ले जाते हैं, पुनर्निर्मित सिग्नल अक्सर व्यापक तरंग आकार को सुरक्षित रखता है भले ही यह एक आदर्श प्रतिलिपि न हो। यही कारण है कि इस तकनीक को दोषरहित (lossless) संपीड़न के बजाय नुकसानदेह (lossy) संपीड़न के रूप में वर्णित किया गया है।
बिर्विनस्कास और अन्य द्वारा किए गए अध्ययन में, उन्होंने विशेष रूप से एम्बेडेड और पोर्टेबल प्रणालियों के लिए निर्माण किया जो एक समय में केवल आठ नमूनों के ब्लॉकों पर तेज़ DCT एल्गोरिदम लागू करते थे, यह डिज़ाइन विकल्प कम-शक्ति वाले हार्डवेयर पर कम्प्यूटेशनल बोझ को कम करने के उद्देश्य से लिया गया था। उन्होंने निष्कर्ष निकाला कि यह दृष्टिकोण "वास्तविक समय के एम्बेडेड प्रणालियों के लिए उपयुक्त है, जहां कम कम्प्यूटेशनल जटिलता और उच्च गति की आवश्यकता होती है।"
माज़ौज़ और अन्य का एक और अध्ययन इस अवधारणा को मल्टी-चैनल रिकॉर्डिंग तक विस्तारित करता है, जिसमें एंट्रॉपी कोडिंग को जोड़ा गया है, जो DCT-आधारित क्वांटाइजेशन के शीर्ष पर, DCT चरण के बाद फ़ाइल आकार को और छोटा करता है। यह पत्र इस प्रक्रिया को एक "रूढ़िवादी संक्रिया" के रूप में वर्णित करता है, जिसमें JPEG संपीड़न में उपयोग किए जाने वाले समान कोर गणित को उधार लिया गया है, और पुनर्निर्माण की गुणवत्ता को प्रतिशत रूट-मीन-स्क्वायर विरूपण (PRD) नामक एक मीट्रिक का उपयोग करके मापता है, जो यह निर्धारित करता है कि पुनर्निर्मित सिग्नल मूल से कितना विचलित होता है।
एक साथ लिए जाने पर, ये दो अध्ययन स्थापित करते हैं कि DCT-आधारित संपीड़न तकनीकी रूप से व्यावहारिक और कम्प्यूटेशनल रूप से कुशल है।
मशीन लर्निंग के लिए विशेषता निष्कर्षण (Feature Extraction) उपकरण के रूप में DCT का उपयोग करना
मशीन लर्निंग क्लासिफायर, वे एल्गोरिदम जो मिर्गी के दौरों जैसी चीजों का स्वचालित रूप से पता लगाने या इच्छित BCI आदेशों की व्याख्या करने के लिए उपयोग किए जाते हैं, तब बेहतर प्रदर्शन करते हैं और तेजी से चलते हैं जब उन्हें हजारों कच्चे समय-डोमेन नमूनों के बजाय सूचनात्मक संख्याओं की एक छोटी संख्या दी जाती है।
यह वह जगह है जहां DCT की एनर्जी कॉम्पेक्शन विशेषता भंडारण रणनीति के बजाय विशेषता निष्कर्षण रणनीति बन जाती है। स्थान बचाने के लिए छोटे गुणांकों को खारिज करने के बजाय, रखे गए गुणांकों का छोटा सेट एक क्लासिफायर के लिए प्रत्यक्ष इनपुट बन जाता है।
बिर्विनस्कास और अन्य के अध्ययनों में से एक इस तर्क को BCI प्रणालियों पर लागू करता है, कृत्रिम तंत्रिका नेटवर्क (artificial neural network) के साथ वर्गीकरण से पहले विशेष रूप से विशेषता निष्कर्षण और डेटासेट-कमी कदम के रूप में DCT का उपयोग करता है। लेखक निष्कर्ष निकालते हैं कि "इस पद्धति का उपयोग विशेषता निष्कर्षण और डेटासेट कमी के लिए सफलतापूर्वक किया जा सकता है।"
मिर्गी का पता लगाने वाले शोध एक और क्षेत्र प्रदान करते हैं जहां शोधकर्ता DCT का उपयोग करते हैं। एक दृष्टिकोण उच्च-आवृत्ति वाले DCT गुणांकों को अनुभवजन्य मोड अपघटन (EMD) नामक एक अलग तकनीक से प्राप्त बैंडविड्थ विशेषता के साथ जोड़ता है, फिर संयुक्त विशेषता सेट को एक सपोर्ट वेक्टर मशीन में फीड करता है ताकि इक्टल अवधियों (सक्रिय दौरे) को इंटरइक्टल अवधियों (दौरे के बीच के शांत अंतराल) से अलग किया जा सके।
लेखकों ने बताया कि यह संयुक्त दृष्टिकोण वर्गीकरण कार्यों के लिए मौजूदा अत्याधुनिक तरीकों से बेहतर प्रदर्शन कर सकता है।
इसके अलावा, एक अधिक मात्रात्मक रूप से विस्तृत अध्ययन के-नियरेस्ट नेबर (KNN) क्लासिफायर के साथ जोड़े गए 16 आवृत्ति उप-बैंडों में ऊर्जा विशेषताओं को निकालने के लिए DCT-II नामक एक विशिष्ट संस्करण को लागू करता है, जो एक ऐसी विधि है जो नए डेटा बिंदुओं को पहले से लेबल किए गए उदाहरणों के साथ उनकी समानता के आधार पर लेबल करती है।
CHB-MIT दीर्घकालिक EEG डेटासेट का उपयोग करके 21 रोगियों पर परीक्षण किए जाने पर, इस दृष्टिकोण ने 93.12 का औसत F1-स्कोर हासिल किया, एक ऐसा मीट्रिक जो क्लासिफायर की सटीकता (precision) और रिकॉल (recall) को एक ही संख्या में संतुलित करता है, साथ ही गलत-सकारात्मक दर 0.07 रही।
सही लक्ष्य के लिए सही उपकरण
DCT एक विशिष्ट गणितीय ताकत के माध्यम से EEG प्रसंस्करण में अपना स्थान अर्जित करता है: एक सहसंबंधित सिग्नल की ऊर्जा को वास्तविक-मूल्यवान, डिकोरिलेटेड गुणांकों की एक छोटी संख्या में केंद्रित करने की इसकी क्षमता।
यह विशेषता इसे दो अलग-अलग कार्यों के लिए वास्तव में उपयोगी बनाती है, भंडारण या प्रसारण के लिए EEG फ़ाइलों को छोटा करना, और मशीन लर्निंग क्लासिफायर्स के लिए कॉम्पैक्ट फीचर वैक्टर उत्पन्न करना। दोनों में से किसी भी काम के लिए ट्रांसफॉर्म द्वारा मस्तिष्क की लय का उस तरह वर्णन करने की आवश्यकता नहीं होती है जैसा फूरियर या वेवलेट विश्लेषण करता है, और न ही यह ऐसा करने का प्रयास करता है।
तंत्रिका विज्ञान (neuroscience) डेटा के साथ काम करने वाले छात्रों और शुरुआती करियर के शोधकर्ताओं के लिए, DCT एक हल्का, अच्छी तरह से समझा जाने वाला और आसानी से लागू होने वाला प्रवेश बिंदु प्रदान करता है जब भी प्राथमिकता सटीक ऑसिलेटरी माप के बजाय डेटा में कमी लाने की होती है। यहाँ समीक्षा किए गए सिग्नल प्रोसेसिंग साहित्य संपीड़न और वर्गीकरण कार्यों में इसकी व्यवहार्यता का समर्थन करते हैं, जिसमें दौरे का पता लगाने में एक मजबूत मात्रात्मक परिणाम भी शामिल है।
आगे बढ़ने का समझदारी भरा रास्ता उपकरण को लक्ष्य से मिलाना है: संपीड़न और फीचर कॉम्पैक्शन के लिए DCT, शारीरिक व्याख्या के लिए फूरियर या वेवलेट विधियां, और नियंत्रित परीक्षण जब भी किसी परियोजना की सफलता यह जानने पर निर्भर करती है कि कौन सा वास्तव में बेहतर प्रदर्शन करता है।
डिस्क्रीट कोसाइन ट्रांसफॉर्म लागू करते समय सामान्य गलतियाँ
कई DCT त्रुटियां सूत्र के मूल्यांकन से पहले ही उत्पन्न होती हैं। सेगमेंट की लंबाई, सैंपलिंग दर, या प्रीप्रोसेसिंग विधि अनुपयुक्त होने के कारण एक खराब परिभाषित प्रश्न का उत्तर देते हुए भी ट्रांसफॉर्म की गणना सही ढंग से की जा सकती है। इसलिए प्रतिलिपि प्रस्तुत करने योग्य विश्लेषण के लिए गणितीय परिपाटी और डेटा तैयारी चरणों दोनों का दस्तावेजीकरण करना आवश्यक है।
दूसरी समस्या गुणांक परिमाण को स्वतः-स्पष्ट मानना है। परिमाण सामान्यीकरण, सिग्नल स्केलिंग, विंडो अवधि और क्या कोई ऑफ़सेट हटाया गया था, इस पर निर्भर करते हैं। असंगत पाइपलाइनों के मानों की तुलना करने से स्पष्ट अंतर उत्पन्न हो सकते हैं जो सिग्नल गुणों के बजाय प्रसंस्करण विकल्पों को दर्शाते हैं।
अन्य गलतियों में बहुत कम गुणांक रखना, किनारे के प्रभावों की अनदेखी करना, या मूल तरंग की जाँच किए बिना केवल रूपांतरित विशेषताओं का मूल्यांकन करना शामिल है। पुनर्निर्माण परीक्षण और संवेदनशीलता विश्लेषण इन समस्याओं को उजागर कर सकते हैं। विशेष रूप से EEG में, आर्टिफैक्ट्स मजबूत गुणांक उत्पन्न कर सकते हैं जो बिना किसी इच्छित न्यूरोफिज़ियोलॉजिकल व्याख्या के संख्यात्मक रूप से सार्थक दिखते हैं।
डिस्क्रीट कोसाइन ट्रांसफॉर्म की गणना के लिए उपकरण और सॉफ्टवेयर
अधिकांश संख्यात्मक कंप्यूटिंग वातावरण सीधे या सिग्नल-प्रोसेसिंग लाइब्रेरी के माध्यम से एक DCT कार्यान्वयन प्रदान करते हैं। महत्वपूर्ण मुद्दा केवल उपलब्धता नहीं है, बल्कि ट्रांसफॉर्म प्रकार, सामान्यीकरण, अक्ष क्रम और वास्तविक-मूल्यवान इनपुट के उपचार के बारे में सहमति है। प्रलेखन (documentation) और छोटे परीक्षण वैक्टर यह पुष्टि करने के लिए उपयोगी हैं कि दो कार्यान्वयन समकक्ष परिपाटियों का उपयोग करते हैं।
एक पारदर्शी वर्कफ़्लो आमतौर पर कच्चे या न्यूनतम संसाधित खंड को सुरक्षित रखता है, प्रीप्रोसेसिंग मापदंडों को रिकॉर्ड करता है, ट्रांसफॉर्म की गणना करता है, और परिणामों के साथ गुणांक सेटिंग्स को संग्रहीत करता है। प्रत्यक्ष संकलन (direct summation) का उपयोग करके संदर्भ गणना छोटे अनुक्रमों पर तेज़ कार्यान्वयन को सत्यापित करने में मदद कर सकती है।
EEG कार्य के लिए, प्रतिलिपि प्रस्तुत करने योग्यता मेटाडेटा जैसे सैंपलिंग आवृत्ति, चैनल चयन, विंडो ओवरलैप, अस्वीकृत खंड और स्केलिंग इकाइयों पर भी निर्भर करती है। एक सॉफ्टवेयर पैकेज DCT की गणना मज़बूती से कर सकता है, लेकिन यह यह तय नहीं कर सकता कि परिणामी प्रतिनिधित्व वैज्ञानिक रूप से उपयुक्त है या नहीं। वह निर्णय अध्ययन डिजाइन और सत्यापन का हिस्सा बना रहता है।
क्यों डिस्क्रीट कोसाइन ट्रांसफॉर्म EEG डेटा को वास्तविक दुनिया के उपकरणों के लिए व्यावहारिक बनाता है
डिस्क्रीट कोसाइन ट्रांसफॉर्म EEG सिग्नलों को छोटा करने का एक सीधा रास्ता प्रदान करता है क्योंकि यह सिग्नल के अधिकांश आकार को केवल मुट्ठी भर शुरुआती गुणांकों में समेट देता है। इस एनर्जी कॉम्पेक्शन का मतलब है कि पहनने योग्य हेडसेट बहुत कम डेटा संचारित कर सकते हैं, जबकि अभी भी प्रमुख तरंग संरचना को संरक्षित कर सकते हैं, जो कि मेमोरी और बैंडविड्थ की कमी होने पर एक महत्वपूर्ण लाभ है। अंतर्निहित गणित कम-शक्ति वाले हार्डवेयर पर चलने के लिए पर्याप्त हल्का है, जिससे प्रयोगशाला के बाहर वास्तविक समय में संपीड़न व्यवहार्य हो जाता है।
भंडारण के अलावा, वे ही कुछ गुणांक मशीन लर्निंग क्लासिफायर्स के लिए कॉम्पैक्ट इनपुट के रूप में कार्य कर सकते हैं जिन्हें दौरों को पहचानने या मस्तिष्क-कंप्यूटर इंटरफ़ेस कमांड की व्याख्या करने का काम सौंपा गया है। इस दृष्टिकोण ने विशिष्ट दौरे का पता लगाने के परीक्षणों में पहले से ही मजबूत परिणाम दिखाए हैं।
फिलहाल, DCT एक व्यावहारिक विकल्प के रूप में खड़ा है जब प्राथमिकता समग्र आकार को खोए बिना डेटा में कमी लाना है, न कि तब जब सटीक ब्रेनवेव आवृत्ति विश्लेषण (frequency analysis) की आवश्यकता हो। यह एक उपयोगी व्यावहारिक नियम प्रदान करता है: ट्रांसफॉर्म को अपने वास्तविक लक्ष्य से मिलाएं, न कि EEG प्रसंस्करण के बारे में एक-आकार-सभी-के-लिए-फिट होने वाले अनुमान से।
संदर्भ
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2012, November). EEG dataset reduction and feature extraction using discrete cosine transform. In 2012 Sixth UKSim/AMSS European Symposium on Computer Modeling and Simulation (pp. 199-204). IEEE. https://doi.org/10.1109/EMS.2012.88
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2015). Fast DCT algorithms for EEG data compression in embedded systems. Computer Science and Information Systems, 12(1), 49-62. https://doi.org/10.2298/CSIS140101083B
Maazouz, M., Kebir, S. T., Bengherbia, B., Toubal, A., Batel, N., & Bahri, N. (2015, December). A DCT-based algorithm for multi-channel near-lossless EEG compression. In 2015 4th International Conference on Electrical Engineering (ICEE) (pp. 1-5). IEEE. https://doi.org/10.1109/INTEE.2015.7416805
Parvez, M. Z., & Paul, M. (2012, December). Features extraction and classification for Ictal and Interictal EEG signals using EMD and DCT. In 2012 15th International Conference on Computer and Information Technology (ICCIT) (pp. 132-137). IEEE. https://doi.org/10.1109/ICCITechn.2012.6509719
Jumaah, M. A., Shihab, A. I., & Farhan, A. A. (2020). Epileptic seizures detection using DCT-II and KNN classifier in long-term EEG signals. Iraqi Journal of Science, 2687-2694. https://doi.org/10.24996/ijs.2020.61.10.26
अक्सर पूछे जाने वाले प्रश्न
डिस्क्रीट कोसाइन ट्रांसफॉर्म (DCT) क्या है और EEG के लिए इसका उपयोग क्यों किया जाता है?
DCT EEG नमूनों के एक छोटे ब्लॉक को बढ़ती आवृत्तियों पर कोसाइन तरंगों के योग में तोड़ता है, जिससे केवल वास्तविक-संख्या गुणांक उत्पन्न होते हैं। इसका उपयोग इसलिए किया जाता है क्योंकि EEG सिग्नल समय में अत्यधिक सहसंबंधित होते हैं, और DCT सिग्नल ऊर्जा को केवल कुछ शुरुआती गुणांकों में केंद्रित करता है, जिससे संपीड़न और विशेषता में कमी लाना कुशल हो जाता है।
DCT EEG सिग्नलों को कैसे संपीड़ित करता है?
ट्रांसफॉर्म को नमूनों के छोटे ब्लॉकों पर लागू किया जाता है, फिर सबसे छोटे गुणांकों—जो सबसे कम ऊर्जा ले जाते हैं—को हटा दिया जाता है या मोटे तौर पर राउंड किया जाता है। एक व्युत्क्रम ट्रांसफॉर्म मूल तरंग के सन्निकटन को पुनर्निर्मित करता है, जिससे व्यापक सिग्नल आकार को सुरक्षित रखते हुए नुकसानदेह संपीड़न प्राप्त होता है।
DCT की तुलना JPEG संपीड़न से क्यों की जाती है?
JPEG छवियों को छोटा करने के लिए DCT का उपयोग करता है क्योंकि अधिकांश दृश्य जानकारी कुछ कम-आवृत्ति गुणांकों द्वारा कैप्चर की जाती है, और वही एनर्जी कॉम्पेक्शन विशेषता EEG सिग्नलों पर लागू होती है। दोनों ही उच्च-आवृत्ति विवरणों को छोड़ देते हैं जो कम प्रत्यक्ष या सार्थक होते हैं, जिससे DCT तंत्रिका डेटा में कमी लाने के लिए एक स्वाभाविक विकल्प बन जाता है।
EEG विश्लेषण के लिए DCT, फूरियर ट्रांसफॉर्म (FFT) से कैसे भिन्न है?
FFT एक सिग्नल को साइन और कोसाइन जोड़े में विघटित करता है, जिससे जटिल संख्याएं उत्पन्न होती हैं जो सीधे मस्तिष्क तरंग आवृत्ति बैंड और फेज़ पर मानचित्रित होती हैं। DCT केवल कोसाइन फ़ंक्शंस का उपयोग करता है और वास्तविक-संख्या गुणांक उत्पन्न करता है जो मानक EEG बैंड के साथ स्पष्ट रूप से संरेखित नहीं होते हैं, जिससे यह ऑसिलेटरी विश्लेषण विधि के बजाय एक संपीड़न उपकरण बन जाता है।
क्या EEG के मशीन लर्निंग वर्गीकरण के लिए विशेषताएँ निकालने के लिए DCT का उपयोग किया जा सकता है?
हाँ, DCT से प्राप्त संक्षिप्त, डिकोरिलेटेड गुणांक क्लासिफायर्स के लिए एक छोटे फीचर वेक्टर के रूप में काम कर सकते हैं, जिससे सिग्नल की प्रमुख संरचना को बनाए रखते हुए डेटा विमीयता कम हो जाती है। इस दृष्टिकोण को दौरे का पता लगाने और मस्तिष्क-कंप्यूटर इंटरफ़ेस प्रणालियों में सफलतापूर्वक लागू किया गया है।
मुझे अपने EEG प्रोजेक्ट के लिए FFT के बजाय DCT को कब चुनना चाहिए?
DCT तब चुनें जब प्राथमिकता वास्तविक समय संपीड़न, डेटा भंडारण में कमी, या मशीन लर्निंग के लिए कॉम्पैक्ट फीचर निष्कर्षण हो, विशेष रूप से कम-शक्ति वाले उपकरणों पर। FFT या वेवलेट्स तब चुनें जब आपके शोध में विशिष्ट आवृत्ति बैंड या फेज़ संबंधों का विश्लेषण करने की आवश्यकता हो, क्योंकि DCT सीधे वह शारीरिक व्याख्या प्रदान नहीं करता है।
क्या DCT EEG सिग्नलों में शोर को कम करता है?
छोटे, उच्च-इंडेक्स वाले DCT गुणांकों को छोड़ने से अक्सर बारीक विवरण के साथ-साथ शोर जैसे उतार-चढ़ाव भी दूर हो जाते हैं, जिससे यह दावा किया जाता है कि DCT "आर्टिफैक्ट-लाइट" है। हालांकि, समीक्षा किए गए अध्ययनों ने सीधे तौर पर आर्टिफैक्ट में कमी को नहीं मापा, इसलिए यह एक पुष्ट निष्कर्ष के बजाय एक प्रशंसनीय परिकल्पना बनी हुई है।
DCT से पहले EEG विंडोज़ का उपयोग क्यों किया जाता है?
DCT को एक सीमित अनुक्रम के लिए परिभाषित किया गया है, इसलिए एक EEG रिकॉर्डिंग को आमतौर पर विंडोज़ में विभाजित किया जाता है। विंडोइंग एक रिकॉर्डिंग के हिस्सों के बीच परिवर्तनों की अलग-अलग जांच करने की भी अनुमति देता है, हालांकि यह अवधि और ओवरलैप के बारे में विकल्प पेश करता है।
क्या DCT परिणाम न्यूरोलॉजिकल स्थिति को सिद्ध करता है?
नहीं। एक रूपांतरित सिग्नल एक गणितीय प्रतिनिधित्व है, स्वतंत्र नैदानिक साक्ष्य नहीं। किसी भी नैदानिक व्याख्या के लिए उपयुक्त नैदानिक मूल्यांकन, मान्य तरीकों और प्रासंगिक सहायक जानकारी की आवश्यकता होती है।
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
