असतत फूरियर विश्लेषण (DFT) जटिल सिग्नलों को उनके मौलिक आवधिक घटकों में विच्छेदित करने के लिए एक मजबूत ढांचा प्रदान करता है ताकि उनका सटीक विश्लेषण किया जा सके।
यह लेख इस बात पर काम करता है कि कैसे DFT नमूने के रूप में लिए गए वोल्टेज डेटा के एक सीमित ब्लॉक को, जैसे कि विश्राम-अवस्था रिकॉर्डिंग या कार्य-आधारित प्रयोग से एक एकल ब्लॉक को, आवृत्ति घटकों के एक सेट में परिवर्तित करता है।
डिस्क्रीट फूरियर विश्लेषण (Discrete Fourier Analysis) क्या है?
डिस्क्रीट फूरियर विश्लेषण एक गणितीय दृष्टिकोण है जिसका उपयोग सैंपल किए गए सिग्नलों को उनके घटक आवृत्तियों (constituent frequencies) की एक श्रृंखला में विघटित करके उनका विश्लेषण 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 प्रणालियों से वोल्टेज रीडिंग—ताकि विभिन्न दोलन चक्रों (oscillation cycles) की सापेक्ष ताकत की पहचान की जा सके। इन नमूनों को आयाम (amplitude) और फेज के संख्यात्मक निरूपण में परिवर्तित करके, शोधकर्ताओं को इस बात का स्पष्ट दृष्टिकोण मिलता है कि किसी डेटासेट के भीतर कौन से आवृत्ति घटक सबसे प्रभावी हैं।
यह तकनीक कच्चे डेटा संग्रह और अर्थपूर्ण जानकारी निकालने के बीच की खाई को पाटती है, जो अनिवार्य रूप से एक डिजिटल प्रिज्म के रूप में कार्य करती है। जब इसे जटिल तरंगों (waveforms) पर लागू किया जाता है, तो यह प्रक्रिया ओवरलैपिंग दोलनों को पठनीय बैंडों में अलग करती है, जिससे विशिष्ट लयबद्ध हस्ताक्षरों को अलग करना संभव हो जाता है जो अन्यथा व्यापक सिग्नल शोर के पीछे छिपे रहते। यह आधुनिक neuroscience अनुसंधान का एक आधारशिला है, जहां स्वस्थ तंत्रिका कार्य और रोग संबंधी स्थितियों दोनों को समझने के लिए विशिष्ट मस्तिष्क गतिविधि पैटर्न को अलग करना आवश्यक है।
frequency analysis की अस्थायी अनुक्रमों को पुनर्गठित करने की क्षमता का लाभ उठाकर, वैज्ञानिक परिवेशी विद्युत शोर या कलाकृतियों (artifacts) 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 सूक्ष्म, उच्च-आवृत्ति वाले दोलनों को मात्रात्मक प्रारूप में 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 एक सीमित अनुक्रम में सैंपल कर लिया जाता है, तो DFT इस पर काम कर सकता है। वोल्टेज के N सैंपल दिए जाने पर, DFT N जटिल संख्याएं उत्पन्न करता है, जिनमें से प्रत्येक संख्या आवृत्ति के एक विशिष्ट, संकीर्ण टुकड़े के योगदान का प्रतिनिधित्व करती है, जिसे बिन (bin) कहा जाता है। एक गन्दे वोल्टेज ट्रेस के बजाय, आपको एक संरचित सूची मिलती है जिसमें दिखाया जाता है कि उस रिकॉर्डिंग में प्रत्येक आवृत्ति कितनी मात्रा में मौजूद है।
जैसे-जैसे N का मान बढ़ता है, सीधे DFT की गणना करना धीमा हो जाता है, क्योंकि यह 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।
व्यावहारिक रूप से, वास्तव में कोई भी कच्चे DFT की गणना सीधे तौर पर नहीं करता है। FFT वहां तक पहुंचने का एक मानक, कुशल तरीका है, और इन दोनों शब्दों का अक्सर EEG research में एक-दूसरे के स्थान पर उपयोग किया जाता है।
एक कच्चे EEG आवृत्ति स्पेक्ट्रम को कैसे पढ़ें
मान लीजिए कि एक रिकॉर्डिंग में N सैंपल हैं, जो प्रति सेकंड fₛ सैंपल की सैंपलिंग दर पर लिए गए हैं। उस रिकॉर्डिंग का DFT 0 Hz से लेकर fₛ Hz तक फैले N समान दूरी वाले आवृत्ति बिन (frequency bins) उत्पन्न करता है।
आस-पास के बिनों के बीच की दूरी, जिसे बिन चौड़ाई (bin width) कहा जाता है, fₛ को N से विभाजित करने के बराबर होती है। यह एकल संख्या, यानी बिन चौड़ाई, उस सबसे बारीक आवृत्ति विवरण को निर्धारित करती है जिसे विश्लेषण अलग कर सकता है।
चूंकि EEG वोल्टेज एक वास्तविक-मूल्यवान (real-valued) सिग्नल है न कि एक जटिल सिग्नल, इसलिए इन बिनों के केवल पहले आधे हिस्से में, विशेष रूप से उनमें से N/2 + 1 में ही अद्वितीय जानकारी होती है। शेष बिन पहले आधे हिस्से की दर्पण छवियां (mirror images) होते हैं और कुछ भी नया नहीं जोड़ते हैं। बिन संख्या k, k और बिन चौड़ाई (fₛ / N) के गुणनफल की वास्तविक आवृत्ति से मेल खाती है।
इनमें से प्रत्येक बिन पर, DFT एक जटिल संख्या आउटपुट करता है, जिसका अर्थ है कि इसके एक के बजाय दो घटक होते हैं। उस जटिल संख्या का परिमाण संबंधित आवृत्ति घटक का आयाम (amplitude) होता है, जिसे ठीक 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 फेज होता है, जो आपको बताता है कि वह लय रिकॉर्डिंग की शुरुआत में अपने चक्र में कहां पर है, जो प्रभावी रूप से यह दर्शाता है कि विंडो की शुरुआत के सापेक्ष वह लय कब अपने शिखर 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 विश्वसनीय है, और ये तीनों इस तथ्य से जुड़ी हैं कि इनपुट एक अनंत, निरंतर रिकॉर्ड के बजाय एक सीमित, सैंपल किया गया रिकॉर्ड है:
बिन चौड़ाई (आवृत्ति रिज़ॉल्यूशन) fₛ को N से विभाजित करने के बराबर होती है; केवल एक लंबी रिकॉर्डिंग ही दो आस-पास की लय को अलग कर सकती है।
सैंपलिंग दर के आधे पर स्थित नाइक्विस्ट सीमा (Nyquist limit) तेज मस्तिष्क गतिविधि को स्थायी रूप से एलियास (corrupt) कर देती है जब तक कि सैंपलिंग से पहले इसे फ़िल्टर न किया जाए।
स्पेक्ट्रल लीकेज (Spectral leakage) एक लय की ऊर्जा को पड़ोसी बिनों में फैला देता है जब उसकी आवृत्ति बिन केंद्रों के बीच गिरती है; टेपरिंग विंडो इस फैलाव को कम करती हैं।
रेस्टिंग-स्टेट और ब्लॉक-डिज़ाइन EEG पर DFT लागू करना
DFT यह मानकर चलता 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 एक दोहराव वाले संज्ञानात्मक कार्य के एक समान ब्लॉक के दौरान उचित है, जो अवस्थाएँ लगभग स्थिर (stationary) होती हैं। उन स्थितियों में, संपूर्ण युग (epoch) में लिया गया एक एकल DFT एक ऐसा स्पेक्ट्रम उत्पन्न करता है जो उस समय के लिए मस्तिष्क की लयबद्ध गतिविधि का सार्थक रूप से प्रतिनिधित्व करता है।
यह गोलार्ध (hemispheric) EEG विषमता के एक legacy study में उपयोग किए गए दृष्टिकोण के करीब है, जहां प्रतिभागियों ने मौखिक, अंकगणितीय, स्थानिक और संगीतमय कार्य किए, जबकि टेम्पोरल और पैरिएटल इलेक्ट्रोड साइटों से EEG रिकॉर्ड किया गया था।
इन रिकॉर्डिंग के डिस्क्रीट फूरियर ट्रांसफॉर्म ने मानक आवृत्ति बैंडों में दाएं और बाएं गोलार्धों की तुलना करते हुए शक्ति अनुपात (power ratios) उत्पन्न किए। अल्फा बैंड ने दिखाया कि गोलार्धों 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 शामिल गोलार्ध 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 पाया गया था, जब बिना अल्फा को अलग किए 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 बैंडों को अलग करने से आया था।
इसके अलावा, सामान्य और मिर्गी के EEG के जापान में Fukui University of Technology in Japan के एक अध्ययन में संभावित विश्राम-अवस्था की स्थितियों पर लागू इसी तरह का पैटर्न मिलता है। इसके फूरियर विश्लेषण से पहले उल्लिखित 1/f जैसे स्पेक्ट्रल आकार का पता चला और पुष्टि हुई कि अल्फा लय, जो सामान्य रिकॉर्डिंग में प्रमुख थी, मिर्गी वाली रिकॉर्डिंग से गायब थी।
सीमाएं: जब DFT विफल रहता है
DFT की मुख्य धारणा, कि आवृत्ति सामग्री विश्लेषण किए गए खंड में स्थिर रहती है, तब टूट जाती है जब उस विंडो के भीतर EEG गतिविधि तेजी से बदलती है। मिर्गी के झटके (epileptic spikes) और अचानक भावनात्मक बदलाव इस तरह के गैर-स्थिर (non-stationary) व्यवहार के दो स्पष्ट उदाहरण हैं।
सामान्य और मिर्गी के EEG का विश्लेषण करने वाले अध्ययन ने इस सीमा को सीधे तौर पर प्रदर्शित किया। जबकि फूरियर ट्रांसफॉर्म ने रिकॉर्डिंग के समग्र 1/f स्पेक्ट्रल आकार को सफलतापूर्वक कैप्चर किया, यह दौरे की गतिविधि के विशिष्ट स्थानीयकृत स्पाइक्स और तीव्र परिसरों (sharp complexes) को प्रकट करने में विफल रहा।
वेवलेट ट्रांसफॉर्म, जो time-frequency tools का एक अलग वर्ग है, उन स्थानीयकृत घटनाओं का पता लगाने में सक्षम था जहां फूरियर दृष्टिकोण सफल नहीं हो सका।
व्यावहारिक निष्कर्ष सीधा है: स्थिर रिकॉर्डिंग, विश्राम-अवस्था ब्लॉक या अच्छी तरह से नियंत्रित कार्य ब्लॉक के लिए, DFT आवृत्ति विश्लेषण के लिए एक मजबूत और व्याख्या योग्य आधार प्रदान करता है। क्षणिक या तेजी से बदलते दौरों के लिए, वेवलेट्स या अनुकूली शॉर्ट-टाइम ट्रांसफॉर्म जैसे समय-आवृत्ति विस्तार आवश्यक हो सकते हैं।
डिस्क्रीट फूरियर विश्लेषण और वेवलेट्स: उनकी तुलना कैसे की जाती है
डिस्क्रीट फूरियर विश्लेषण डेटा के पूरे ब्लॉक में स्थिर आवृत्ति संरचना की पहचान करते हुए, सिग्नल का एक उत्कृष्ट वैश्विक दृश्य प्रदान करता है। चूंकि यह उस समय सीमा के लिए एकल औसत स्पेक्ट्रम की गणना करता है, इसलिए यह स्थिर सिग्नलों के लिए अत्यधिक कुशल है जहां लयबद्ध गुण सुसंगत रहते हैं। हालांकि, इसमें यह सटीक रूप से हल करने की क्षमता नहीं है कि विश्लेषण किए गए खंड के भीतर एक विशिष्ट आवृत्ति घटना कब होती है, जिससे अनिवार्य रूप से अस्थायी विशेषताएं एकल समग्र चित्र में धुंधली हो जाती हैं।
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 अचानक होने वाली गतिविधियों पर ज़ूम इन कर सकते हैं, जो अक्सर व्यापक फूरियर विधियों का उपयोग करते समय खो जाते हैं। यह उन्हें एपिसोडिक मस्तिष्क घटनाओं या तेजी से न्यूरोलॉजिकल बदलावों की जांच करने के लिए काफी अधिक Flex बनाता है जो एक निर्धारित आवधिक पैटर्न का पालन नहीं करते हैं।
इन विधियों के बीच चुनाव करना अनुसंधान परियोजना के 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 (stationary) है या क्षणिक (transient)।
औसत शक्ति मूल्यांकन के लिए पारंपरिक वैश्विक स्पेक्ट्रल विश्लेषण लागू करें।
स्थानीयकृत घटना ट्रैकिंग के लिए समय-आवृत्ति अपघटन (time-frequency decomposition) को लागू करें।
ज्ञात शारीरिक कलाकृतियों (physiological artifacts) के विरुद्ध परिणामी ऊर्जा वितरण को मान्य करें।
डिस्क्रीट फूरियर विश्लेषण पायथन कार्यान्वयन गाइड
पायथन में इस विश्लेषण को लागू करने में आम तौर पर NumPy या SciPy जैसी विशेष लाइब्रेरी का उपयोग शामिल होता है, जो फास्ट फूरियर ट्रांसफॉर्म की गणना के लिए अनुकूलित कार्य प्रदान करती हैं।
प्राथमिक फ़ंक्शन fft वोल्टेज नमूनों का एक सरणी (array) स्वीकार करता है और प्रत्येक हार्मोनिक पर शक्ति और फेज का प्रतिनिधित्व करने वाला एक जटिल-मूल्यवान कंटेनर देता है। डेवलपर्स को यह सुनिश्चित करना चाहिए कि यदि आवश्यक हो तो इनपुट सरणी को सही ढंग से पैड किया गया है, हालांकि आधुनिक लाइब्रेरी अधिकांश मानक सरणी आकारों के लिए मैट्रिक्स संचालन को स्वचालित रूप से संभालती हैं।
कच्चे ट्रांसफॉर्म की गणना करने के बाद, वास्तविक दुनिया के कार्यान्वयन के लिए आउटपुट के सामान्यीकरण और शक्ति स्पेक्ट्रम को प्राप्त करने के लिए पूर्ण मूल्य गणना की आवश्यकता होती है। इसमें आयामों 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 विरुद्ध प्लॉट किया जा सकता है, जिसे रिकॉर्डिंग हार्डवेयर की मूल सैंपलिंग आवृत्ति के आधार पर बनाया जाता 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। वर्तमान अध्ययन के लिए केवल रुचि की आवृत्तियों को अलग करके, उपयोगकर्ता कम्प्यूटेशनल पदचिह्न को कम करते हैं और अंतिम स्पेक्ट्रल ग्राफ की व्याख्या में सुधार करते हैं। यह मॉड्यूलर दृष्टिकोण प्रसंस्करण पाइपलाइनों के तेजी से शोधन की अनुमति देता है जैसे-जैसे नए शोध की आवश्यकताएं उभरती हैं।
डिस्क्रीट फूरियर विश्लेषण PDF गाइड और संसाधन
उन लोगों के लिए जो गहन तकनीकी मैनुअल की तलाश में हैं, कई मौलिक PDF संसाधन मौजूद हैं जो स्पेक्ट्रल 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 पुल के रूप में कार्य करते हैं, जिससे यह स्पष्ट होता है कि त्रुटि सीमाओं और प्रणाली-विशिष्ट पूर्वाग्रहों का हिसाब कैसे रखा जाए। इनमें से कई गाइड अकादमिक अनुसंधान समूहों द्वारा बहु-संस्थागत अध्ययनों में प्रसंस्करण को मानकीकृत करने के उद्देश्य से तैयार किए जाते 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 आर्टिफैक्ट रिजेक्शन और री-रेफरेंसिंग पर जोर दिया जाता है। वे विभिन्न विंडोइंग फ़ंक्शंस का व्यापक अवलोकन भी प्रदान करते हैं, जिसमें यह बताया जाता है कि वे स्पेक्ट्रल रिज़ॉल्यूशन और आयाम सटीकता के बीच संतुलन को कैसे प्रभावित करते हैं। सामान्य लाइब्रेरी फ़ंक्शंस के ब्लैक-बॉक्स कार्यान्वयन से परे जाने के इच्छुक किसी भी व्यवसायी 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 स्पेक्ट्रल रिसाव और रैप-अराउंड कलाकृतियों के बारे में Insight प्राप्त कर सकते हैं। इन गाइडों को कम्प्यूटेशनल गति और दक्षता में प्रगति को प्रतिबिंबित करने के लिए समय-समय पर अपडेट किया जाता है, जिससे यह सुनिश्चित होता है कि वर्णित पद्धतियां वर्तमान और वैज्ञानिक परियोजनाओं में उपयोग किए जाने वाले आधुनिक उच्च-रिज़ॉल्यूशन सैंपलिंग हार्डवेयर के लिए लागू रहें।
फ्रीक्वेंसी विश्लेषण कैसे छिपी हुई मस्तिष्क लय को प्रकट करता है
एक EEG रिकॉर्डिंग को उसकी घटक आवृत्तियों में तोड़ने से एक उलझा हुआ वोल्टेज ट्रेस कहीं अधिक बताने वाली चीज़ में बदल जाता है। डिस्क्रीट फूरियर ट्रांसफॉर्म यह सटीक रूप से दिखाता है कि कौन सी लय मौजूद हैं और वे कितनी मजबूत हैं, यही कारण है कि यह मानसिक कार्यों से जुड़े अल्फा-बैंड विषमता या सामान्य मस्तिष्क गतिविधि को मिर्गी की रिकॉर्डिंग से अलग करने वाले विशिष्ट 1/f आकार जैसी विशेषताओं को निकालने में पहला कदम बन गया है। यह कदम स्थिर, विश्राम या कार्य-आधारित अवस्थाओं के दौरान मस्तिष्क के दोलनात्मक परिदृश्य की एक स्पष्ट, व्याख्या योग्य तस्वीर प्रदान करता है।
हालांकि, इस पद्धति की कुछ महत्वपूर्ण सीमाएँ हैं क्योंकि इसे एलियासिंग से बचने के लिए पर्याप्त तेज़ सैंपलिंग दर, आस-पास की लय को अलग करने के लिए पर्याप्त लंबी विंडो और इस बात की जागरूकता की आवश्यकता होती है कि अचानक होने वाली तंत्रिका संबंधी घटनाएं इसके स्थिर मस्तिष्क अवस्था की मूल धारणा को तोड़ देती हैं। उन क्षणिक स्पाइक्स या अचानक भावनात्मक बदलावों के लिए, शोधकर्ता अक्सर समय-आवृत्ति के विकल्पों की ओर रुख करते हैं, हालांकि कई कार्यों में इन उपकरणों की तुलना अभी भी सीमित है।
कच्चा आयाम स्पेक्ट्रम क्या कह सकता है और क्या नहीं, इसे समझने से ध्यान इस बात पर केंद्रित रहता है कि डेटा वास्तव में क्या समर्थन करता है, जिससे अध्ययन दर अध्ययन मस्तिष्क के कार्य की एक सतर्क तस्वीर बनती है।
संदर्भ
Doyle, J. C., Ornstein, R., & Galin, D. (1974). Lateral specialization of cognitive mode: II. EEG frequency analysis. Psychophysiology, 11(5), 567-578. https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
Yamaguchi, C. (2003, March). Fourier and wavelet analyses of normal and epileptic electroencephalogram (EEG). In First International IEEE EMBS Conference on Neural Engineering, 2003. Conference Proceedings. (pp. 406-409). IEEE. https://doi.org/10.1109/CNE.2003.1196847
Samiee, K., Kovacs, P., & Gabbouj, M. (2015). Epileptic seizure classification of EEG time-series using rational discrete short-time fourier transform. IEEE Trans. Biomed. Eng., 62(2), 541-552. https://doi.org/10.1109/TBME.2014.2360101
अक्सर पूछे जाने वाले प्रश्न
डिस्क्रीट फूरियर ट्रांसफॉर्म वास्तव में EEG रिकॉर्डिंग के साथ क्या करता है?
DFT सैंपल किए गए 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 मात्रा में मौजूद है और विश्लेषण विंडो के भीतर वह किस फेज में शुरू होती है।
EEG रिकॉर्ड करते समय सैंपलिंग दर इतनी महत्वपूर्ण क्यों है?
सैंपलिंग दर उस उच्चतम आवृत्ति को निर्धारित करती है जिसे सटीक रूप से कैप्चर किया जा सकता है, जिसे नाइक्विस्ट आवृत्ति कहा जाता है। यदि सिग्नल में सैंपलिंग दर के आधे से अधिक की आवृत्तियां शामिल हैं, तो वे एलियास हो जाती हैं—यानी कम आवृत्तियों के रूप में गलत तरीके से प्रदर्शित होती हैं—और बाद में उन्हें ठीक नहीं किया जा सकता है। इसे रोकने के लिए, EEG प्रणालियां सैंपलिंग से पहले नाइक्विस्ट सीमा से बाहर की आवृत्तियों को हटाने के लिए लो-पास फ़िल्टर लागू करती हैं।
यह क्या निर्धारित करता है कि DFT कितनी बारीकी से पास की आवृत्तियों को अलग कर सकता है?
आवृत्ति रिज़ॉल्यूशन बिन चौड़ाई द्वारा निर्धारित किया जाता है, जो खंड में नमूनों की संख्या से विभाजित सैंपलिंग दर के बराबर होती है। संकीर्ण बिन पास की लय को बेहतर ढंग से अलग करने की अनुमति देते हैं, लेकिन उन्हें प्राप्त करने के लिए लंबी रिकॉर्डिंग अवधियों (epochs) की आवश्यकता होती है।
स्पेक्ट्रल लीकेज क्या है, और इसका समाधान कैसे किया जा सकता?
स्पेक्ट्रल लीकेज तब होता है जब एक वास्तविक मस्तिष्क लय पूरी तरह से DFT आवृत्ति बिन के साथ संरेखित नहीं होती है, जिससे उसकी ऊर्जा कई बिनों में फैल जाती है और शिखर धुंधला हो जाता है। एक टेपरिंग विंडो (जैसे हन विंडो) को लागू करना जो सिग्नल के किनारों को सुचारू बनाती है, इस लीकेज को कम करती है, हालांकि इसे पूरी तरह से समाप्त नहीं किया जा सकता है।
DFT आउटपुट हमें एक साधारण शक्ति मान से परे क्या बताता है?
कच्चा DFT आयाम (amplitude) दोनों प्रदान करता है, जो माइक्रोवोल्ट में एक लय की ताकत को इंगित करता है, और फेज, जो बताता है कि रिकॉर्डिंग विंडो की शुरुआत में लय का चक्र कहाँ है। हालांकि आयाम का व्यापक रूप से उपयोग किया जाता है, लेकिन EEG अध्ययनों में अक्सर फेज की 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 अच्छी तरह से 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 रेस्टिंग-स्टेट रिकॉर्डिंग या संज्ञानात्मक कार्य के अच्छी तरह से नियंत्रित, समान ब्लॉकों के लिए विशिष्ट है।
DFT कुछ खास दिमागी घटनाओं को कैप्चर करने में क्यों विफल हो सकता है?
DFT यह मान लेता है कि विश्लेषण किए गए खंड में आवृत्ति सामग्री स्थिर रहती है, इसलिए यह मिर्गी के झटके (epileptic spikes) या अचानक भावनात्मक बदलाव जैसी तेज़, क्षणिक घटनाओं का सटीक 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) का DFT से क्या संबंध है, और इसका उपयोग क्यों किया जाता है?
FFT एक एल्गोरिदम है जो गुणात्मक रूप से समान परिणाम उत्पन्न करते हुए DFT की बहुत तेज़ी से गणना करता है। EEG अनुसंधान में, इन शब्दों का अक्सर एक-दूसरे के स्थान पर उपयोग किया जाता है क्योंकि आवृत्ति स्पेक्ट्रम प्राप्त करने के लिए FFT एक मानक और कुशल तरीका है।
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
