डिस्क्रीट फूरियर विश्लेषण (DFT) जटिल सिग्नलों को सटीक व्याख्या के लिए उनके मौलिक आवधिक घटकों में विघटित करने के लिए एक मजबूत ढांचा प्रदान करता है।
यह लेख इस बात पर काम करता है कि कैसे DFT सैंपल्ड वोल्टेज डेटा के एक सीमित ब्लॉक को, जैसे कि रेस्टिंग-स्टेट रिकॉर्डिंग या टास्क-आधारित प्रयोग से एक सिंगल ब्लॉक, आवृत्ति घटकों के एक सेट में परिवर्तित करता है।
डिस्क्रीट फूरियर विश्लेषण क्या है?
डिस्क्रीट फूरियर विश्लेषण एक गणितीय दृष्टिकोण है जिसका उपयोग सैंपल किए गए सिग्नलों को उनके घटक आवृत्तियों की एक श्रृंखला में विघटित करके उनकी व्याख्या करने के लिए किया जाता है।
डेटा को एक निरंतर प्रवाह के रूप में देखने के बजाय, यह विधि संख्याओं के असतत, सीमित अनुक्रमों को संसाधित करती है—जैसे कि EEG रिकॉर्डिंग सिस्टम से वोल्टेज रीडिंग—ताकि विभिन्न दोलन चक्रों की सापेक्ष ताकत की पहचान की जा सके। इन नमूनों को आयाम और चरण के संख्यात्मक अभ्यावेदन में परिवर्तित करके, शोधकर्ताओं को इस बात पर एक स्पष्ट दृष्टिकोण मिलता है कि डेटासेट के भीतर कौन से आवृत्ति घटक सबसे प्रमुख हैं।
यह तकनीक कच्चे डेटा संग्रह और सार्थक जानकारी निकालने के बीच की खाई को पाटती है, जो अनिवार्य रूप से एक डिजिटल प्रिज्म के रूप में कार्य करती है। जब जटिल तरंगों पर लागू किया जाता है, तो यह प्रक्रिया ओवरलैपिंग दोलनों को पठनीय बैंडों में अलग करती है, जिससे विशिष्ट लयबद्ध हस्ताक्षरों को अलग करने की अनुमति मिलती है जो अन्यथा व्यापक सिग्नल शोर द्वारा छिपे रह जाते। यह आधुनिक न्यूरोसाइंस अनुसंधान की आधारशिला है, जहां स्वस्थ तंत्रिका कार्य और रोग संबंधी स्थितियों दोनों को समझने के लिए मस्तिष्क की अलग-अलग गतिविधि के पैटर्न को अलग करना आवश्यक है।
आवृत्ति विश्लेषण की लौकिक अनुक्रमों को पुनर्गठित करने की क्षमता का लाभ उठाकर, वैज्ञानिक परिवेशी विद्युत शोर या कलाकृतियों को प्रभावी ढंग से फ़िल्टर कर सकते हैं जो रीडिंग को दूषित कर सकते हैं। यह परिवर्तन केवल एक सांख्यिकीय अभ्यास नहीं है बल्कि एक महत्वपूर्ण उपकरण है जो एक मात्रात्मक प्रारूप में सूक्ष्म, उच्च-आवृत्ति दोलनों को दृश्यमान बनाता है। विभिन्न आवृत्ति बैंडों में शक्ति का परिणामी वितरण आज समकालीन नैदानिक प्रयोगशालाओं में किए जाने वाले अधिकांश नैदानिक मूल्यांकन का आधार बनता है।
EEG सिग्नल प्रोसेसिंग में डिस्क्रीट फूरियर ट्रांसफॉर्म (और FFT) वास्तव में क्या करते हैं
एक बार जब एक निरंतर EEG सिग्नल को संख्याओं के सीमित अनुक्रम में सैंपल कर लिया जाता है, तो DFT इस पर काम कर सकता है। वोल्टेज के N नमूनों को देखते हुए, DFT, N जटिल संख्याएं उत्पन्न करता है, जिनमें से प्रत्येक आवृत्ति के एक विशिष्ट, संकीर्ण टुकड़े के योगदान का प्रतिनिधित्व करती है, जिसे बिन कहा जाता है। एक गन्दे वोल्टेज ट्रेस के बजाय, आपको एक संरचित सूची मिलती है जो दिखाती है कि उस रिकॉर्डिंग में कितनी आवृत्ति मौजूद है।
N के बड़े होने पर प्रत्यक्ष रूप से DFT की गणना करना धीमा हो जाता है, क्योंकि गणना नमूनों की संख्या के वर्ग के साथ बढ़ती है। फास्ट फूरियर ट्रांसफॉर्म, या FFT, एक ऐसा एल्गोरिदम है जो कहीं अधिक कुशलता से चलते हुए गणितीय रूप से समान परिणाम उत्पन्न करता है।
व्यवहार में, वस्तुतः कोई भी क्रूर बल द्वारा कच्चे DFT की गणना नहीं करता है। FFT वहां तक पहुंचने का बस मानक, कुशल तरीका है, और EEG अनुसंधान में इन दोनों शब्दों का अक्सर एक-दूसरे के स्थान पर उपयोग किया जाता है।
एक कच्चे EEG आवृत्ति स्पेक्ट्रम को कैसे पढ़ें
मान लीजिए कि एक रिकॉर्डिंग में N नमूने हैं, जो प्रति सेकंड fₛ नमूनों की नमूना दर पर लिए गए हैं। उस रिकॉर्डिंग का DFT 0 Hz से लेकर fₛ Hz तक फैले N समान दूरी वाले आवृत्ति बिन बनाता है।
समीपवर्ती बिनों के बीच की दूरी, जिसे बिन चौड़ाई कहा जाता है, N द्वारा विभाजित fₛ के बराबर होती है। यह एकल संख्या, बिन चौड़ाई, उस बेहतरीन आवृत्ति विवरण को निर्धारित करती है जिसे विश्लेषण अलग कर सकता है।
चूंकि EEG वोल्टेज एक जटिल सिग्नल के बजाय एक वास्तविक मूल्य वाला सिग्नल है, इसलिए इन बिनों के केवल पहले आधे हिस्से में, विशेष रूप से N/2 + 1 में, अद्वितीय जानकारी होती है। शेष बिन पहले आधे हिस्से की दर्पण छवियां हैं और कुछ भी नया नहीं जोड़ते हैं। बिन संख्या k, बिन चौड़ाई (fₛ / N) से गुणा किए गए k की वास्तविक आवृत्ति के अनुरूप है।
इनमें से प्रत्येक बिन पर, DFT एक जटिल संख्या आउटपुट करता है, जिसका अर्थ है कि इसके एक के बजाय दो घटक हैं। उस जटिल संख्या का परिमाण संबंधित आवृत्ति घटक का आयाम है, जिसे उचित रूप से स्केल करने के बाद माइक्रोवोल्ट में व्यक्त किया जाता है। यह आपको बताता है कि रिकॉर्ड किए गए खंड के भीतर वह विशेष लय कितनी मजबूत है।
जटिल संख्या का कोण चरण है, जो आपको बताता है कि रिकॉर्डिंग की शुरुआत में वह लय अपने चक्र में कहां है, प्रभावी रूप से यह दर्शाता है कि विंडो की शुरुआत के सापेक्ष लय कब चरम पर पहुंचती है।
तीन बाधाएं जो प्रत्येक EEG स्पेक्ट्रम को आकार देती हैं
तीन व्यावहारिक सीमाएं यह नियंत्रित करती हैं कि DFT-आधारित स्पेक्ट्रम वास्तव में कितना भरोसेमंद है, और तीनों इस तथ्य पर वापस जाती हैं कि इनपुट एक अनंत, निरंतर रिकॉर्ड के बजाय एक सीमित, सैंपल किया गया रिकॉर्ड है:
बिन चौड़ाई (आवृत्ति रिज़ॉल्यूशन) N द्वारा विभाजित fₛ के बराबर होती है; केवल एक लंबी रिकॉर्डिंग ही दो आस-पास की लय को अलग कर सकती है।
नमूनाकरण दर के आधे पर नाइक्विस्ट सीमा तेज मस्तिष्क गतिविधि को स्थायी रूप से उपनाम देती है जब तक कि नमूनाकरण से पहले फ़िल्टर न किया गया हो।
स्पेक्ट्रल रिसाव एक लय की ऊर्जा को पड़ोसी बिनों में फैला देता है जब उसकी आवृत्ति बिन केंद्रों के बीच गिरती है; पतला खिड़कियां प्रसार को कम करती हैं।
रेस्टिंग-स्टेट और ब्लॉक-डिजाइन EEG पर DFT लागू करना
DFT मानता है, कम से कम परोक्ष रूप से, कि विश्लेषण किए जा रहे खंड के दौरान सिग्नल की आवृत्ति सामग्री में बहुत अधिक बदलाव नहीं होता है। यह धारणा निरंतर आराम या बार-बार होने वाले संज्ञानात्मक कार्य के एक समान ब्लॉक के दौरान उचित है, ऐसी स्थितियां जो लगभग स्थिर होती हैं। उन स्थितियों में, पूरे युग में लिया गया एक एकल DFT एक स्पेक्ट्रम तैयार करता है जो समय के उस हिस्से के लिए मस्तिष्क की लयबद्ध गतिविधि का सार्थक प्रतिनिधित्व करता है।
यह गोलार्ध के EEG विषमता के एक विरासत अध्ययन में उपयोग किए गए दृष्टिकोण के करीब है, जहां प्रतिभागियों ने मौखिक, अंकगणितीय, स्थानिक और संगीत कार्य किए जबकि टेम्पोरल और पेरिएटल इलेक्ट्रोड साइटों से EEG रिकॉर्ड किया गया था।
इन रिकॉर्डिंग्स के डिस्क्रीट फूरियर ट्रांसफॉर्म ने मानक आवृत्ति बैंडों में दाएं और बाएं गोलार्द्धों की तुलना करते हुए शक्ति अनुपात का उत्पादन किया। अल्फा बैंड ने दिखाया कि गोलार्द्धों के बीच विषमता काफी हद तक इस बात पर निर्भर करती है कि कौन सा कार्य किया जा रहा था, और कार्य में अधिक सक्रिय रूप से लगे गोलार्द्ध ने लगातार आनुपातिक रूप से कम अल्फा शक्ति दिखाई।
अल्फा बैंड में इस कार्य-निर्भर प्रभाव को पिछले शोध की तुलना में 2 से 5 गुना बड़ा बताया गया था जब अल्फा को विशेष रूप से अलग किए बिना पूरे-बैंड की शक्ति को देखा गया था। संवेदनशीलता में वह लाभ सीधे तौर पर सिग्नल को एक अविभाजित ब्लॉक के रूप में मानने के बजाय DFT के साथ आवृत्ति बैंड को अलग करने से आया है।
इसके अलावा, सामान्य और मिर्गी के EEG के जापान में फुकुई प्रौद्योगिकी विश्वविद्यालय के एक अध्ययन में संभावित आराम-अवस्था की स्थितियों पर लागू एक समान पैटर्न की पेशकश की गई है। इसके फूरियर विश्लेषण ने पहले उल्लिखित 1/f-जैसे वर्णक्रमीय आकार का खुलासा किया और पुष्टि की कि अल्फा लय, जो सामान्य रिकॉर्डिंग में प्रमुख थी, मिर्गी वाले लोगों में अनुपस्थित थी।
सीमाएं: जब DFT विफल हो जाता है
DFT की मूल धारणा, कि आवृत्ति सामग्री विश्लेषण किए गए खंड में स्थिर रहती है, तब टूट जाती है जब भी EEG गतिविधि उस विंडो के भीतर तेजी से बदलती है। मिर्गी के दौरे और अचानक भावनात्मक बदलाव इस तरह के गैर-स्थिर व्यवहार के दो स्पष्ट उदाहरण हैं।
सामान्य और मिर्गी के EEG का विश्लेषण करने वाले अध्ययन ने इस सीमा को सीधे प्रदर्शित किया। जबकि फूरियर ट्रांसफॉर्म ने रिकॉर्डिंग के समग्र 1/f वर्णक्रमीय आकार को सफलतापूर्वक कैप्चर किया, यह दौरे की गतिविधि के विशिष्ट स्थानीयकृत स्पाइक्स और तेज परिसरों को प्रकट करने में विफल रहा।
वेवलेट ट्रांसफॉर्म, समय-आवृत्ति उपकरणों का एक अलग वर्ग, उन स्थानीयकृत घटनाओं का पता लगाने में सक्षम थे जहां फूरियर दृष्टिकोण नहीं कर सका।
व्यावहारिक निष्कर्ष सीधा है: स्थिर रिकॉर्डिंग, आराम-अवस्था ब्लॉक या अच्छी तरह से नियंत्रित कार्य ब्लॉक के लिए, DFT आवृत्ति विश्लेषण के लिए एक ठोस और व्याख्या योग्य आधार प्रदान करता है। क्षणिक या तेजी से बदलते घटनाक्रमों के लिए, समय-आवृत्ति विस्तार जैसे कि वेवलेट्स या अनुकूली शॉर्ट-टाइम ट्रांसफॉर्म की आवश्यकता हो सकती है।
डिस्क्रीट फूरियर विश्लेषण और वेवलेट्स: वे कैसे तुलना करते हैं
डिस्क्रीट फूरियर विश्लेषण एक सिग्नल का एक उत्कृष्ट वैश्विक दृष्टिकोण प्रदान करता है, जो डेटा के पूरे ब्लॉक में स्थिर आवृत्ति संरचना की पहचान करता है। चूंकि यह उस समय विंडो के लिए एक एकल औसत स्पेक्ट्रम की गणना करता है, इसलिए यह स्थिर सिग्नलों के लिए अत्यधिक कुशल है जहां लयबद्ध गुण सुसंगत रहते हैं। हालांकि, इसमें सटीक रूप से यह निर्धारित करने की क्षमता की कमी होती है कि उस विश्लेषण किए गए खंड के भीतर एक विशिष्ट आवृत्ति घटना कब घटित होती है, अनिवार्य रूप से अस्थायी विशेषताओं को एक एकल समग्र चित्र में धुंधला कर देती है।
इसके विपरीत, वेवलेट्स एक बहु-रिज़ॉल्यूशन दृष्टिकोण प्रदान करते हैं जो समय और आवृत्ति दोनों में स्थानीयकृत जानकारी प्रदान करता है। आकार में भिन्न होने वाली विंडो का उपयोग करके, वेवलेट ट्रांसफॉर्म क्षणिक स्पाइक्स या गतिविधि के अचानक फटने पर ज़ूम इन कर सकते हैं, जो अक्सर व्यापक फूरियर विधियों का उपयोग करते समय खो जाते हैं। यह उन्हें एपिसोडिक मस्तिष्क परिघटनाओं या तीव्र न्यूरोलॉजिकल बदलावों की जांच करने के लिए महत्वपूर्ण रूप से अधिक लचीला बनाता है जो एक निर्धारित आवधिक पैटर्न का पालन नहीं करते हैं।
इन विधियों के बीच चयन करना अनुसंधान परियोजना मापदंडों के भीतर जानकारी की आवश्यकताओं को प्राथमिकता देने का मामला है। शोधकर्ता अक्सर अपनी सिग्नल प्रोसेसिंग रणनीति निर्धारित करने के लिए एक मानक प्रक्रियात्मक वर्कफ़्लो का पालन करते हैं:
पुष्टि करें कि रुचि का सिग्नल स्थिर है या क्षणिक।
औसत शक्ति मूल्यांकन के लिए पारंपरिक वैश्विक वर्णक्रमीय विश्लेषण लागू करें।
स्थानीयकृत घटना ट्रैकिंग के लिए समय-आवृत्ति अपघटन को लागू करें।
ज्ञात शारीरिक कलाकृतियों के खिलाफ परिणामी ऊर्जा वितरण को मान्य करें।
डिस्क्रीट फूरियर विश्लेषण पायथन कार्यान्वयन गाइड
पायथन में इस विश्लेषण को लागू करने में आमतौर पर NumPy या SciPy जैसे विशेष पुस्तकालयों का उपयोग शामिल होता है, जो तेजी से फूरियर वैचारिक गणना के लिए अनुकूलित कार्य प्रदान करते हैं।
प्राथमिक फ़ंक्शन fft वोल्टेज नमूनों के एक सरणी को स्वीकार करता है और प्रत्येक हार्मोनिक पर शक्ति और चरण का प्रतिनिधित्व करने वाला एक जटिल-मूल्यवान कंटेनर देता है। डेवलपर्स को यह सुनिश्चित करना होगा कि यदि आवश्यक हो तो इनपुट सरणी को सही ढंग से पैड किया गया है, हालांकि आधुनिक पुस्तकालय अधिकांश मानक सरणी आकारों के लिए अंतर्निहित मैट्रिक्स संचालन को स्वचालित रूप से संभालते हैं।
कच्चे रूपांतरण की गणना करने के बाद, वास्तविक दुनिया के कार्यान्वयन के लिए आउटपुट के मानकीकरण और पावर स्पेक्ट्रम को प्राप्त करने के लिए पूर्ण मूल्य गणना की आवश्यकता होती है। इसमें परिमाण को उचित रूप से स्केल करने के लिए अनुक्रम की कुल लंबाई से विभाजित करना शामिल है। एक बार स्केल करने के बाद, स्पेक्ट्रम को एक परिभाषित आवृत्ति अक्ष के खिलाफ प्लॉट किया जा सकता है, जो रिकॉर्डिंग हार्डवेयर की मूल नमूनाकरण आवृत्ति के आधार पर बनाया गया है।
कोड को अंतिम रूप देने के लिए बैंडपास फिल्टर के माध्यम से आने वाले सिग्नल को पहले साफ करके संभावित कलाकृतियों को संभालने की आवश्यकता होती है। केवल वर्तमान अध्ययन के लिए रुचि की आवृत्तियों को अलग करके, उपयोगकर्ता कम्प्यूटेशनल पदचिह्न को कम करते हैं और अंतिम वर्णक्रमीय ग्राफ की व्याख्या में सुधार करते हैं। यह मॉड्यूलर दृष्टिकोण शोध की नई आवश्यकताओं के उभरने पर प्रसंस्करण पाइपलाइनों के तेजी से शोधन की अनुमति देता है।
डिस्क्रीट फूरियर विश्लेषण PDF गाइड और संसाधन
गहरे तकनीकी मैनुअल चाहने वालों के लिए, कई मौलिक PDF संसाधन हैं जो वर्णक्रमीय विश्लेषण के लिए गणितीय प्रमाणों और कार्यान्वयन रणनीतियों का विवरण देते हैं। ये दस्तावेज़ सैद्धांतिक सिग्नल प्रोसेसिंग पाठ्यपुस्तकों और व्यावहारिक प्रयोगशाला अनुप्रयोगों के बीच एक सेतु का काम करते हैं, और यह स्पष्ट करते हैं कि त्रुटि सीमाओं और सिस्टम-विशिष्ट पूर्वाग्रहों का हिसाब कैसे रखा जाए। इनमें से कई गाइड बहु-संस्थागत अध्ययनों में प्रसंस्करण को मानकीकृत करने के उद्देश्य से शैक्षणिक अनुसंधान समूहों द्वारा क्यूरेट किए गए हैं।
इन संसाधनों में अक्सर विश्लेषण के लिए कच्चे समय-श्रृंखला डेटा को तैयार करने पर ट्यूटोरियल शामिल होते हैं, जिसमें विशिष्ट डेटा स्वच्छता आवश्यकताओं जैसे कि विरूपण अस्वीकृति और पुनः संदर्भित करने पर जोर दिया जाता है। वे विभिन्न विंडोइंग कार्यों का व्यापक अवलोकन भी प्रदान करते हैं, यह बताते हुए कि वे वर्णक्रमीय रिज़ॉल्यूशन और आयाम सटीकता के बीच व्यापार-बंद को कैसे प्रभावित करते हैं। सामान्य पुस्तकालय कार्यों के ब्लैक-बॉक्स कार्यान्वयन से परे जाने की तलाश में किसी भी अभ्यासी के लिए इन बारीकियों को समझना आवश्यक है।
इन तकनीकी गाइडों से परामर्श करके, छात्र और शोधकर्ता डिजिटल परिवर्तनों से जुड़े सामान्य नुकसानों जैसे कि वर्णक्रमीय रिसाव और रैप-अराउंड कलाकृतियों के बारे में जानकारी प्राप्त कर सकते हैं। वर्तमान वैज्ञानिक परियोजनाओं में उपयोग किए जाने वाले आधुनिक उच्च-रिज़ॉल्यूशन नमूनाकरण हार्डवेयर के लिए वर्णित पद्धतियों को वर्तमान और लागू सुनिश्चित करने के लिए कम्प्यूटेशनल गति और दक्षता में प्रगति को प्रतिबिंबित करने के लिए इन गाइडों को समय-समय पर अपडेट किया जाता है।
आवृत्ति विश्लेषण छिपी हुई मस्तिष्क तरंगों को कैसे उजागर करता है
एक EEG रिकॉर्डिंग को उसके घटक आवृत्तियों में तोड़ना एक उलझे हुए वोल्टेज ट्रेस को कहीं अधिक बताने वाली चीज़ में बदल देता है। डिस्क्रीट फूरियर ट्रांसफॉर्म बिल्कुल दिखाता है कि कौन सी लय मौजूद हैं और वे कितनी मजबूत हैं, यही कारण है कि यह मानसिक कार्यों से जुड़ी अल्फा-बैंड विषमता या सामान्य मस्तिष्क गतिविधि को मिर्गी की रिकॉर्डिंग से अलग करने वाले विशिष्ट 1/f आकार जैसे लक्षणों को निकालने में पहला कदम बन गया है। यह कदम स्थिर, आराम या कार्य-आधारित अवस्थाओं के दौरान मस्तिष्क के दोलनीय परिदृश्य की एक स्पष्ट, व्याख्या योग्य तस्वीर प्रदान करता है।
हालांकि, विधि महत्वपूर्ण सीमाएं रखती है क्योंकि इसे अलियासिंग से बचने के लिए पर्याप्त तेज़ नमूनाकरण दर, करीबी लय को अलग करने के लिए पर्याप्त लंबी खिड़की और एक जागरूकता की आवश्यकता होती है कि अचानक तंत्रिका घटनाएं एक स्थिर मस्तिष्क स्थिति की इसकी मूल धारणा को तोड़ देती हैं। उन क्षणिक स्पाइक्स या तीव्र भावनात्मक बदलावों के लिए, शोधकर्ता अक्सर समय-आवृत्ति विकल्पों की ओर रुख करते हैं, हालांकि कई कार्यों में इन उपकरणों की तुलना विरल बनी हुई है।
कच्चा आयाम स्पेक्ट्रम क्या कह सकता है और क्या नहीं कह सकता है, यह समझना डेटा वास्तव में क्या समर्थन करता है इस पर ध्यान केंद्रित रखता है, जिससे अध्ययन दर अध्ययन मस्तिष्क कार्य की एक सावधानीपूर्वक तस्वीर बनती है।
संदर्भ
डॉयल, जे. सी., ऑर्नस्टीन, आर., और गैलिन, डी. (1974)। संज्ञानात्मक मोड का पार्श्व विशेषज्ञता: II. EEG आवृत्ति विश्लेषण। मनोशरीरविज्ञान, 11(5), 567-578। https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
यामागुची, सी. (2003, मार्च)। सामान्य और मिर्गी के इलेक्ट्रोएन्सेफलोग्राम (EEG) का फूरियर और वेवलेट विश्लेषण। न्यूरल इंजीनियरिंग पर प्रथम अंतर्राष्ट्रीय IEEE EMBS सम्मेलन में, 2003। सम्मेलन की कार्यवाही। (पृष्ठ 406-409)। IEEE। https://doi.org/10.1109/CNE.2003.1196847
सामी, के., कोवाक्स, पी., और गाबौज़, एम. (2015)। तर्कसंगत डिस्क्रीट शॉर्ट-टाइम फूरियर ट्रांसफॉर्म का उपयोग करके EEG समय-श्रृंखला का मिर्गी जब्ती वर्गीकरण। IEEE Trans। बायोमेड। इंजी., 62(2), 541-552। https://doi.org/10.1109/TBME.2014.2360101
अक्सर पूछे जाने वाले प्रश्न
डिस्क्रीट फूरियर ट्रांसफॉर्म EEG रिकॉर्डिंग के साथ वास्तव में क्या करता है?
DFT नमूने वाले EEG वोल्टेज के एक सीमित ब्लॉक को आवृत्ति घटकों के एक सेट में विघटित करता है, जिनमें से प्रत्येक को एक जटिल संख्या द्वारा दर्शाया जाता है। ये संख्याएं प्रकट करती हैं कि प्रत्येक आवृत्ति (आयाम) कितनी मौजूद है और विश्लेषण विंडो के भीतर यह किस चरण में शुरू होती है।
EEG रिकॉर्ड करते समय नमूनाकरण दर इतनी महत्वपूर्ण क्यों है?
नमूनाकरण दर उच्चतम आवृत्ति निर्धारित करती है जिसे सटीक रूप से कैप्चर किया जा सकता है, जिसे नाइक्विस्ट आवृत्ति के रूप में जाना जाता है। यदि सिग्नल में नमूनाकरण दर के आधे से अधिक की आवृत्तियां हैं, तो वे अलियास हो जाती हैं—निचली आवृत्तियों के रूप में गलत तरीके से प्रस्तुत की जाती हैं—और बाद में उन्हें ठीक नहीं किया जा सकता है। इसे रोकने के लिए, EEG सिस्टम नमूनाकरण से पहले नाइक्विस्ट सीमा से परे आवृत्तियों को हटाने के लिए कम-पास फ़िल्टर लागू करते हैं।
यह क्या निर्धारित करता है कि DFT कितनी बारीकी से करीबी आवृत्तियों को अलग कर सकता है?
आवृत्ति रिज़ॉल्यूशन बिन चौड़ाई द्वारा निर्धारित किया जाता है, जो खंड में नमूनों की संख्या से विभाजित नमूनाकरण दर के बराबर होती है। संकीर्ण बिन पास की लय के बेहतर अलगाव की अनुमति देते हैं, लेकिन उन्हें प्राप्त करने के लिए लंबे रिकॉर्डिंग युगों की आवश्यकता होती है।
स्पेक्ट्रल रिसाव क्या है, और इसे कैसे संबोधित किया जा सकता?
वर्णक्रमीय रिसाव तब होता है जब एक वास्तविक मस्तिष्क की लय एक DFT आवृत्ति बिन के साथ पूरी तरह से संरेखित नहीं होती है, जिससे इसकी ऊर्जा कई बिनों में फैल जाती है और शिखर धुंधला हो जाता है। एक पतला करने वाली खिड़की (जैसे कि हान खिड़की) लागू करना जो सिग्नल के किनारों को चिकना करती है, इस रिसाव को कम करती है, हालांकि इसे पूरी तरह से समाप्त नहीं किया जा सकता है।
DFT आउटपुट हमें एक सरल शक्ति मूल्य से परे क्या बताता है?
कच्चा DFT आयाम दोनों प्रदान करता है, जो माइक्रोवोल्ट में एक लय की ताकत को इंगित करता है, और चरण, जो बताता है कि रिकॉर्डिंग विंडो की शुरुआत में लय का चक्र कहां है। जबकि आयाम का व्यापक रूप से उपयोग किया जाता है, EEG अध्ययनों में चरण की अक्सर अनदेखी की जाती है लेकिन यह अभी भी DFT परिणाम का एक अंतर्निहित हिस्सा है।
किन परिस्थितियों में DFT मस्तिष्क गतिविधि की एक विश्वसनीय तस्वीर प्रदान करता है?
DFT तब अच्छा काम करता है जब EEG सिग्नल लगभग स्थिर होता है, जिसका अर्थ है कि रिकॉर्डिंग ब्लॉक के दौरान इसकी आवृत्ति सामग्री में बहुत अधिक बदलाव नहीं होता है। यह आराम-अवस्था रिकॉर्डिंग या संज्ञानात्मक कार्य के अच्छी तरह से नियंत्रित, समान ब्लॉकों के लिए विशिष्ट है।
DFT मस्तिष्क की कुछ घटनाओं को पकड़ने में क्यों विफल हो सकता है?
DFT मानता है कि विश्लेषण किए गए खंड में आवृत्ति सामग्री स्थिर रहती है, इसलिए यह मिर्गी के स्पाइक्स या अचानक भावनात्मक बदलाव जैसे तीव्र, क्षणिक घटनाओं का सटीक रूप से प्रतिनिधित्व नहीं कर सकता है। इन गैर-स्थिर मामलों में, ऊर्जा कई आवृत्तियों में बिखर जाती है, और वेवलेट्स जैसी समय-आवृत्ति विधियां अधिक उपयुक्त होती हैं।
फास्ट फूरियर ट्रांसफॉर्म (FFT) DFT से कैसे संबंधित है, और इसका उपयोग क्यों किया जाता है?
FFT एक ऐसा एल्गोरिदम है जो DFT की बहुत तेजी से गणना करता है, जिससे गणितीय रूप से समान परिणाम मिलते हैं। EEG अनुसंधान में, शब्दों का अक्सर एक-दूसरे के स्थान पर उपयोग किया जाता है क्योंकि FFT आवृत्ति स्पेक्ट्रम प्राप्त करने का मानक, कुशल तरीका 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।
चिकित्सा संबंधी अस्वीकरण (Medical Disclaimer): इस वेबसाइट पर प्रदान की गई जानकारी केवल शैक्षिक और सूचनात्मक उद्देश्यों के लिए है और इसे चिकित्सा या स्वास्थ्य सलाह के रूप में नहीं माना जाना चाहिए। इस सामग्री में त्रुटियां हो सकती हैं और जीवन को प्रभावित करने वाले स्वास्थ्य, चिकित्सा या जीवन शैली के विकल्प चुनने के लिए इस पर भरोसा नहीं किया जाना चाहिए। किसी चिकित्सीय स्थिति या उपचार के संबंध में आपके किसी भी प्रश्न के लिए हमेशा अपने चिकित्सक या अन्य योग्य स्वास्थ्य प्रदाता की सलाह लें।
क्रिश्चियन बर्गोस
