असतत संकेत प्रसंस्करण (Discrete signal processing) आधुनिक कंप्यूटिंग के लिए बुनियादी गणित के रूप में कार्य करता है, जो समय, स्थान और आवृत्ति डोमेन में डेटा के विश्लेषण को सक्षम बनाता है। ईईजी (EEG) सहित विभिन्न वैज्ञानिक और तकनीकी विषयों में डिजिटल जानकारी के प्रबंधन के लिए इन विधियों को समझना आवश्यक है।
डिस्क्रीट सिग्नल प्रोसेसिंग क्या है?
डिस्क्रीट सिग्नल प्रोसेसिंग में संख्याओं के अनुक्रम के रूप में प्रस्तुत जानकारी का गणितीय हेरफेर शामिल होता है। वास्तविक दुनिया के एनालॉग इनपुट को डिस्क्रीट सैंपल में बदलकर, कंप्यूटर जटिल विश्लेषण कर सकते हैं जो पारंपरिक एनालॉग सर्किट के साथ असंभव होगा।
इन डिजिटल ऑपरेशनों की सटीकता और दोहराव क्षमता उन्हें जलवायु मॉडलिंग से लेकर EEG सिग्नल प्रोसेसिंग जैसे क्षेत्रों में अपरिहार्य बनाती है। यह क्षेत्र उन नियमों को स्थापित करता है कि कैसे निरंतर (कंटीन्यूअस) डेटा को डिस्क्रीट किया जाता है, प्रसंस्कृत किया जाता है, और आखिरकार मानव या मशीन के उपयोग के लिए फिर से तैयार किया जाता है।
डिस्क्रीट-टाइम सिग्नल प्रोसेसिंग बनाम कंटीन्यूअस-टाइम सिग्नल्स
कंटीन्यूअस-टाइम सिग्नल्स सुचारू रूप से बदलते हैं और एक निश्चित अंतराल के भीतर हर समय बिंदु पर मौजूद होते हैं, जबकि डिस्क्रीट-टाइम सिग्नल्स केवल विशिष्ट, आवधिक बिंदुओं पर ही परिभाषित होते हैं।
डिजिटल सिग्नल प्रोसेसिंग इन दोनों प्रकारों के बीच रूपांतरण पर निर्भर करती है, जो अक्सर इस अंतर को पाटने के लिए हार्डवेयर का उपयोग करती है। इंजीनियरों को इस परिवर्तन का प्रबंधन सावधानीपूर्वक करना चाहिए ताकि यह सुनिश्चित हो सके कि डिस्क्रीट अनुक्रम अंतर्निहित कंटीन्यूअस घटनाओं को सटीक रूप से दर्शाता है, बिना एलियासिंग त्रुटियों को उत्पन्न किए जो तब होती हैं जब सैंपलिंग दर सिग्नल में सबसे तेज़ परिवर्तनों को पकड़ने के लिए अपर्याप्त होती है।
डिस्क्रीट टाइम सिग्नल्स की कंटीन्यूअस टाइम प्रोसेसिंग: सैंपलिंग और रिकंस्ट्रक्शन
एक निरंतर प्रभाव को डिजिटल प्रारूप में बदलने की प्रक्रिया के लिए एक एनालॉग-टू-डिजिटल कनवर्टर की आवश्यकता होती है जो सटीक समय अंतरालों पर सिग्नल की शक्ति को रिकॉर्ड करता है। एक बार प्रोसेसिंग पूरी हो जाने के बाद, डेटा को मनुष्यों द्वारा महसूस किए जाने के लिए वापस एनालॉग रूप में लाया जाना चाहिए, जो कि रिकंस्ट्रक्शन फिल्टर के माध्यम से हासिल किया जाता है। ये फिल्टर सैंपल किए गए डेटा के "सीढ़ीदार" स्वरूप को एक कंटीन्यूअस तरंग में सुचारू करते हैं।
सटीक रिकंस्ट्रक्शन नाइक्विस्ट-शैनन सैंपलिंग प्रमेय के अनुपालन पर निर्भर करता है, जो उस न्यूनतम आवृत्ति (फ़्रीक्वेंसी) को निर्धारित करता है जिस पर सभी मान्य जानकारी को सुरक्षित रखने के लिए एक सिस्टम को इनपुट को मापना चाहिए।
डिस्क्रीट सिग्नल प्रोसेसिंग में मुख्य अवधारणाएं
आधुनिक डिजिटल विश्लेषण गणितीय उपकरणों के एक सुइट पर निर्भर करता है जिसे डेटा बिंदुओं को प्रभावी ढंग से विघटित, पुनर्गठित और व्याख्या करने के लिए डिज़ाइन किया गया है। ये अवधारणाएं इंजीनियरों को बड़े सेंसर एरे से लेकर साधारण ऑडियो इनपुट तक सब कुछ संभालने के लिए एक ढांचा प्रदान करती हैं।
सही गणितीय दृष्टिकोण चुनकर, शोधकर्ता आउटपुट में देखी गई सिग्नल गुणवत्ता को अधिकतम करते हुए कम्प्यूटेशनल ओवरहेड को कम कर सकते हैं।
फ़्रीक्वेंसी डोमेन विश्लेषण: डिजिटल सिग्नल प्रोसेसिंग में डिस्क्रीट फूरियर ट्रांसफॉर्म
डिस्क्रीट फूरियर ट्रांसफॉर्म (DFT) एक मौलिक तकनीक है जो समय-श्रृंखला डेटा के किसी भी अनुक्रम को उसके घटक फ़्रीक्वेंसी घटकों में स्थानांतरित करती है।
यह ट्रांसफ़ॉर्मेशन उपयोगकर्ताओं को यह देखने की अनुमति देता है कि कौन सी फ़्रीक्वेंसीज़ सिग्नल पर हावी हैं और कौन सी अनुपस्थित हैं, जिससे हार्मोनिक विश्लेषण और डेटा संपीड़न जैसे कार्यों को सुगम बनाया जा सकता है। स्पेक्ट्रल डोमेन में सिग्नल को देखकर, अभ्यासकर्ता उन विशिष्ट घटनाओं को अलग कर सकते हैं जो केवल टेम्पोरल अनुक्रम को देखने पर पूरी तरह से अस्पष्ट हो सकती हैं।
फ़िल्टरिंग: सिग्नल घटकों को हटाना या बढ़ाना
फ़िल्टरिंग वांछित घटकों को गुजरने की अनुमति देते हुए अवांछित आवृत्तियों को कम करके संकेतों के चयनात्मक संशोधन की अनुमति देती है। डिजिटल फ़िल्टर को उच्च-आवृत्ति वाली हिस, कम-आवृत्ति वाली गुनगुनाहट, या विशिष्ट आवधिक हस्तक्षेपों को दबाने के लिए सावधानीपूर्वक ट्यून किया जा सकता है जो अपरिष्कृत डेटा संग्रह को परेशान करते हैं।
निम्नलिखित तालिका डिजिटल वर्कफ़्लो के भीतर विशिष्ट परिचालन आवश्यकताओं के अनुरूप सामान्य फ़िल्टर प्रकारों को दर्शाती है:
फ़िल्टर का प्रकार | प्राथमिक कार्रवाई | विशिष्ट अनुप्रयोग |
|---|---|---|
लो-पास | उच्च आवृत्तियों को ब्लॉक करता है | शोर में कमी (नॉइज़ रिडक्शन) |
हाई-पास | कम आवृत्तियों को ब्लॉक करता है | बेसलाइन ड्रिफ्ट को हटाना |
बैंड-पास | विशिष्ट श्रेणियों को लक्षित करता है | भाषण संवर्धन (स्पीच एन्हांसमेंट) |
ये कॉन्फ़िगरेशन अधिकांश डिजिटल कार्यान्वयनों में उपलब्ध उपकरणों के मानक सेट का प्रतिनिधित्व करते।
डिस्क्रीट रैंडम सिग्नल्स और स्टैटिस्टिकल सिग्नल प्रोसेसिंग
स्टैटिस्टिकल सिग्नल प्रोसेसिंग उन मामलों को संबोधित करती है जहां सिग्नल पूरी तरह से नियतात्मक (डिटरमिनिस्टिक) नहीं होते हैं बल्कि इसके बजाय अलग-अलग डिग्री की यादृच्छिकता (रैंडमनेस) प्रदर्शित करते हैं। इन इनपुटों को स्टोकेस्टिक प्रक्रियाओं के रूप में मानकर, विश्लेषक किसी सिस्टम के औसत व्यवहार और भिन्नता (वैरिएंस) को निर्धारित कर सकते हैं, भले ही व्यक्तिगत डेटा बिंदु अप्रत्याशित दिखाई दें।
यह दृष्टिकोण न्यूरोसाइंस में सिग्नल पथों का अनुमान लगाने और शोर वाले वातावरण में अनिश्चितता का प्रबंधन करने के लिए अत्यंत महत्वपूर्ण है।
कॉन्वोल्यूशन: सिग्नलों का संयोजन
कॉन्वोल्यूशन यह निर्धारित करने के लिए एक कठोर गणितीय तरीका प्रदान करता है कि किसी सिस्टम का आउटपुट उसके इनपुट और उसके इम्पल्स रिस्पॉन्स के आधार पर कैसे बदलता है। जब एक सिग्नल को दूसरे के साथ कॉन्वॉल्व किया जाता है, तो परिणामी आउटपुट दर्शाता है कि सिस्टम समय और स्थान के माध्यम से घटना तरंग को कैसे बदलता है।
निम्नलिखित चरण कॉन्वोल्यूशन के व्यावहारिक कार्यान्वयन को रेखांकित करते हैं:
दूसरे सिग्नल को समय में उल्टा करें।
उलटे हुए सिग्नल को पहले सिग्नल पर खिसकाएं।
ओवरलैप होने वाले क्षेत्रों के इंटीग्रल या योग की गणना करें।
टेम्पोरल अक्ष के प्रत्येक बिंदु के लिए गणना दोहराएं।
यह व्यवस्थित दृष्टिकोण सुनिश्चित करता है कि सिस्टम के अंतर्निहित गुणों और पर्यावरणीय बाधाओं के आधार पर आउटपुट को सटीक रूप से मॉडल किया गया है।
डिस्क्रीट सिग्नल प्रोसेसिंग के अनुप्रयोग
डिस्क्रीट सिग्नल प्रोसेसिंग भौतिक दुनिया के साथ बातचीत करने वाली कई आधुनिक मशीनों के प्रदर्शन को परिभाषित करती है। इन एल्गोरिदम को लागू करके, डेवलपर्स यह सुनिश्चित कर सकते हैं कि संवेदनशील डेटा स्पष्ट और सटीक रहे, चाहे वह जानकारी किसी नेटवर्क ब्रिज से आए या किसी व्यक्ति के EEG रिकॉर्ड से।
इन विधियों की बहुमुखी प्रतिभा का अर्थ है कि सामान्य एल्गोरिदम अक्सर उपभोक्ता हैंडहेल्ड उपकरणों से लेकर विशेष औद्योगिक परीक्षण रिग्स तक के हार्डवेयर में दिखाई देते हैं।
ऑडियो अनुप्रयोगों में स्पीच सिग्नल्स की डिस्क्रीट टाइम प्रोसेसिंग
ट्रांसमिशन और स्टोरेज के दौरान स्पष्टता सुनिश्चित करने के लिए ऑडियो सिग्नल्स सघन गणना से गुजरते हैं। डिस्क्रीट विधियां प्राकृतिक दिखने के लिए पर्याप्त विवरण को सुरक्षित रखते हुए डेटा के आकार को कम करने की अनुमति देती हैं, जो मानव श्रवण को मॉडलिंग करने और उन ध्वनियों को हटाकर हासिल किया जाता है जो आमतौर पर सुनाई नहीं देती हैं।
यह उन्नत स्थानिक (स्पेशियल) फ़िल्टरिंग तकनीक अत्यधिक हार्डवेयर क्षमता की आवश्यकता के बिना जटिल ध्वनिक वातावरणों को प्रभावी ढंग से प्रबंधित करती है।
इमेज और वीडियो प्रोसेसिंग
विजुअल मीडिया टू-डायमेंशनल डिस्क्रीट विश्लेषण पर निर्भर करता है, जहां पिक्सल सैंपल किए गए डेटा बिंदुओं के रूप में कार्य करते हैं। इन ग्रिडों में हेरफेर करके, उपकरण किनारों को तेज करने, रंग संतुलन को समायोजित करने, और बैंडविड्थ बचाने के लिए वीडियो को संपीड़ित करने जैसे कार्य कर सकते हैं जबकि उच्च विजुअल स्पेशियल रिज़ॉल्यूशन को बनाए रखते हैं।
ये ऑपरेशन अक्सर लाखों फ़्रेमों में अनावश्यक जानकारी को कुशलतापूर्वक त्यागने के लिए प्रिंसिपल कंपोनेंट एनालिसिस का लाभ उठाते हैं।
दूरसंचार और डेटा ट्रांसमिशन
दूरसंचार सिग्नल प्रवाह के निरंतर अनुकूलन पर निर्भर करता है ताकि यह सुनिश्चित हो सके कि जानकारी के पैकेट बिना किसी त्रुटि के अपने गंतव्य तक पहुंचें। उन्नत त्रुटि पहचान और सुधार एल्गोरिदम तीव्र विद्युत चुंबकीय हस्तक्षेप की उपस्थिति में भी वास्तविक समय में डेटा अखंडता को सत्यापित करने के लिए डिस्क्रीट गणित का उपयोग करते हैं।
विश्वसनीयता का यह स्तर दुनिया भर में आधुनिक नेटवर्क बुनियादी ढांचे के तेजी से विस्तार की अनुमति देता है।
मस्तिष्क की निरंतर आवाज़ और इसकी शुरुआत कहाँ होती है
एक EEG कैप द्वारा कैप्चर किए गए विद्युत संकेत न्यूरॉन्स की विशाल आबादी से उत्पन्न होते हैं जो ढीले तालमेल में काम करते हैं। हालांकि एक व्यक्तिगत न्यूरॉन की गतिविधि खोपड़ी (स्कैल्प) पर पाई जाने के लिए बहुत अधिक स्थानीयकृत और कमजोर होती है, लेकिन हजारों न्यूरॉन्स के सामूहिक स्राव से एक उतार-चढ़ाव वाला वोल्टेज उत्पन्न होता है—जो आमतौर पर केवल कुछ दसियों माइक्रोवोल्ट मापता है। इस कमजोर सिग्नल को मस्तिष्क के ऊतकों, खोपड़ी और स्कैल्प से होकर गुजरना पड़ता है, इससे पहले कि वह अंततः रिकॉर्डिंग इलेक्ट्रोड तक पहुंचे।
चूंकि यह सिग्नल बहुत नाजुक होता है, इसलिए यह स्कैल्प पर शारीरिक और पर्यावरणीय शोर, जैसे मांसपेशियों की गतिविधियों, पलकें झपकाने और आस-पास के विद्युत हस्तक्षेप के साथ भारी रूप से मिश्रित होकर पहुंचता है। इस अपरिष्कृत डेटा को समझने के लिए, शोधकर्ताओं को मस्तिष्क की गतिविधि को विशिष्ट फ़्रीक्वेंसी बैंड—पारंपरिक रूप से डेल्टा, थेटा, अल्फा, बीटा और गामा—में सावधानीपूर्वक व्यवस्थित करना चाहिए, जिनमें से प्रत्येक विभिन्न मानसिक अवस्थाओं के अनुरूप होता है और स्पेक्ट्रम की अनूठी श्रेणियों पर कब्जा करता है।
इस पृथक्करण के महत्व को अध्ययनों में उजागर किया गया है, जैसे कि 2010 में जर्नल ऑफ बायोमेडिकल साइंस एंड इंजीनियरिंग में प्रकाशित एक अध्ययन, जहां सरफेस लाप्लासियन फ़िल्टरिंग के माध्यम से प्रारंभिक सफाई के बाद डिस्क्रीट वेवलेट ट्रांसफॉर्म (DWT) का उपयोग करके EEG रिकॉर्डिंग्स को अल्फा, बीटा और गामा बैंड में विघटित किया गया था।
परिशुद्धता का यह स्तर महत्वपूर्ण है: यदि गामा लयबद्धता (रिदम्स) का, जो कि 100 Hz तक बढ़ सकती है, विश्वासपूर्वक विश्लेषण करना है, तो डिजिटलीकरण प्रक्रिया को इन बैंडों को अलग घटकों के रूप में सुरक्षित रखना चाहिए। वास्तविक सिग्नल प्रोसेसिंग के बिना, ये महत्वपूर्ण दोलन (ऑसिलेशन) एक अस्पष्ट धब्बे में बदल जाएंगे, जिससे सटीक न्यूरोवैज्ञानिक विश्लेषण असंभव हो जाएगा।
सैंपलिंग: बहती नदी की तस्वीरें खींचना
एक निरंतर वोल्टेज को संख्याओं की एक श्रृंखला में बदलने के लिए सैंपलिंग की आवश्यकता होती है, जो निरंतर के बजाय समय में नियमित, अलग-अलग क्षणों पर सिग्नल के वोल्टेज को मापने की प्रक्रिया है।
एक निश्चित बिंदु से बहती नदी के बारे में सोचें। आप इसकी गति को गति के रूप में कैद नहीं कर सकते। इसके बजाय, आप हर कुछ सेकंड में इसकी एक तस्वीर लेते हैं। पर्याप्त तस्वीरों को क्रम में एक साथ जोड़ें, और आपको प्रवाह का एक उचित प्रतिनिधित्व मिल जाता है। बहुत कम तस्वीरें लें, और नदी की वास्तविक हलचल अस्पष्ट या भ्रामक हो जाती है।
यही वह जगह है जहां नाइक्विस्ट मानदंड के रूप में जाना जाने वाला नियम अपरिहार्य हो जाता है। इसमें कहा गया है कि सैंपलिंग दर यानी प्रति सेकंड लिए गए मापों की संख्या, मूल एनालॉग सिग्नल में मौजूद उच्चतम आवृत्ति से दोगुनी से अधिक होनी चाहिए।
यदि ऐसा नहीं होता है, तो एलियासिंग नामक एक विरूपण होता है, जहां एक तेज़ गति वाले सिग्नल को झूठे रूप से धीमे सिग्नल के रूप में रिकॉर्ड किया जाता है। एक बार ऐसा होने पर, कोई भी गणितीय चाल नहीं है जो वास्तविक धीमे सिग्नल को नकली धीमे सिग्नल (जो पहले एक तेज़ सिग्नल था) से अलग कर सके। जानकारी हमेशा के लिए गलत जगह पर चली जाती है।
क्लिनिकल EEG सिस्टम आमतौर पर 250 और 500 Hz के बीच की दरों पर सैंपल लेते हैं, जो अंतर के साथ 0 से 100 Hz तक फैली मस्तिष्क गतिविधि को आराम से कैप्चर करता है। यह अंतर वह बफ़र है जो नाइक्विस्ट मानदंड को तब भी संतुष्ट रखता है जब मस्तिष्क के संकेत गामा बैंड के ऊपरी छोर की ओर बढ़ते हैं।
उस दौरे का पता लगाने वाले ढांचे पर विचार करें जिसने EEG डेटा का विश्लेषण करने के लिए अनुकूलतम सेटिंग्स खोजने के लिए सात अलग-अलग वेवलेट परिवारों और कई अपघटन स्तरों में गहन खोज की। वह खोज एक वैज्ञानिक अभ्यास के रूप में तभी समझ में आती है जब खोजी जा रही फ़्रीक्वेंसी सामग्री सटीक हो।
यदि मूल सैंपलिंग दर ने नाइक्विस्ट मानदंड का उल्लंघन किया होता, तो मांसपेशियों की गतिविधि या विद्युत हस्तक्षेप से उच्च आवृत्ति वाला शोर उसी फ़्रीक्वेंसी बैंड में मिल जाता जिसे शोधकर्ता अलग करने की कोशिश कर रहे थे। अनुकूलतम वेवलेट सेटिंग्स की खोज एक विकृत लक्ष्य के विरुद्ध अनुकूलन कर रही होती, और दौरे का पता लगाने के लिए 90% से अधिक की रिपोर्ट की गई सटीकता वास्तविक नैदानिक क्षमता को प्रतिबिंबित नहीं करती। यह शोर के प्रति एक अच्छी तरह से ट्यून की गई प्रतिक्रिया को दर्शाती।
एंटी-एलियासिंग फ़िल्टर कैसे कचरे को अंदर आने से रोकते हैं
चूंकि एलियासिंग को परिणाम आने के बाद ठीक नहीं किया जा सकता है, इसलिए इसे सैंपलिंग होने से पहले ही रोकना होगा।
यह एंटी-एलियासिंग फ़िल्टर का काम है, जो एक एनालॉग लो-पास फ़िल्टर होता है जिसे एनालॉग-टू-डिजिटल कनवर्टर द्वारा माप लेने से पहले हार्डवेयर पथ में रखा जाता है। इसका कार्य नाइक्विस्ट सीमा से ऊपर की किसी भी फ़्रीक्वेंसी सामग्री को हटाना है ताकि सिग्नल में ऐसा कुछ भी मौजूद न रहे जिसे बाद में गलती से कुछ और समझ लिया जाए।
एक बार जब यह फ़िल्टरिंग चरण छोड़ दिया जाता है या खराब तरीके से किया जाता है, तो नुकसान डेटा में स्थायी रूप से समा जाता है। कोई भी डाउनस्ट्रीम सॉफ़्टवेयर, चाहे वह कितना भी उन्नत क्यों न हो, इसे पूर्ववत नहीं कर सकता।
एक अल्जाइमर निदान अध्ययन में शोधकर्ताओं ने DWT के माध्यम से विशेषताएं निकालने से पहले EEG डेटासेट से हस्तक्षेप और गड़बड़ी को हटाने के लिए एक बैंड-पास अण्डाकार (एलिप्टिक) डिजिटल फ़िल्टर लागू किया। यह फ़िल्टरिंग हार्डवेयर एंटी-एलियासिंग चरण के बजाय डिजिटलीकरण के बाद हुई, लेकिन अंतर्निहित तर्क समान है।
दोनों प्रक्रियाएं तस्वीर से अवांछित स्पेक्ट्रल सामग्री को बाहर निकालने के लिए मौजूद हैं, इससे पहले कि कोई एल्गोरिदम बची हुई चीज़ों की व्याख्या करने का प्रयास करे। चाहे फ़िल्टर सैंपलिंग से पहले एनालॉग सर्किटरी में बैठता हो या बाद में डिजिटल प्रोसेसिंग चेन में, उसका उद्देश्य एक ही है: प्रदूषण को विश्लेषण में आगे बढ़ने से रोकना।
इसके अतिरिक्त, एक 2020 मोशन आर्टिफैक्ट अध्ययन यह दर्शाता है कि परिष्कृत क्लीनअप उपकरण उपलब्ध होने पर भी यह क्यों मायने रखता है। उस शोध ने EEG संकेतों से गति-संबंधी हस्तक्षेप को हटाने के लिए तीन तकनीकों, एन्सेम्बल एम्पिरिकल मोड डीकंपोज़िशन, कैनोनिकल कोरिलेशन एनालिसिस, और डिस्क्रीट वेवलेट ट्रांसफॉर्म को संयोजित किया, जिससे उल्लेखनीय अंतर से सिग्नल-टू-नॉइज़ उपायों में सुधार हुआ।
लेकिन यह संपूर्ण क्लीनअप पाइपलाइन मानती है कि इसमें प्रवेश करने वाला उच्च-आवृत्ति स्पेक्ट्रम अन-एलियास्ड है। यदि डिजिटलीकरण के बिंदु पर एक हार्डवेयर एंटी-एलियासिंग फ़िल्टर गायब होता, तो परिणामी सिग्नल में भ्रष्टाचार की एक अतिरिक्त परत होती जिसे एक अच्छी तरह से डिज़ाइन किया गया आर्टिफैक्ट रिमूवल सिस्टम भी पूरी तरह से नहीं सुलझा सकता था।
बिट डेप्थ: एक सीमित पैलेट के साथ वोल्टेज को चित्रित करना
सैंपलिंग यह निर्धारित करती है कि वोल्टेज कब मापा जाता है। बिट डेप्थ यह निर्धारित करती है कि वह माप कितनी सटीकता से रिकॉर्ड किया गया है।
एक बार जब एनालॉग-टू-डिजिटल कनवर्टर किसी दिए गए क्षण में वोल्टेज को पकड़ लेता है, तो उसे उस मान को बाइनरी नंबर के रूप में व्यक्त करना होगा, और उस अभिव्यक्ति के लिए उपलब्ध बिट्स की संख्या माप का रिज़ॉल्यूशन निर्धारित करती है। प्लस या माइनस 1 मिलिवोल्ट की वोल्टेज रेंज में 16-बिट डेप्थ का उपयोग करने वाला सिस्टम लगभग आधा माइक्रोवोल्ट जितने सूक्ष्म अंतरों को हल कर सकता है।
अधिक बिट्स जोड़ें, और रिज़ॉल्यूशन और अधिक स्पष्ट हो जाता है। बिट डेप्थ को कम करें, और तरंग रूप में सूक्ष्म बदलाव बस गायब हो जाते हैं, जो एक मोटे पैमाने पर निकटतम उपलब्ध चरण में चपटे हो जाते हैं।
यह अंतर वास्तविक नैदानिक महत्व रखता है। एक 2019 मिर्गी का पता लगाने वाला अध्ययन गैर-मिर्गी की गतिविधि से मिर्गी की EEG गतिविधि को अलग करने के लिए वेवलेट गुणांकों पर की गई फजी एंट्रॉपी गणनाओं पर निर्भर था।
एंट्रॉपी माप डिज़ाइन द्वारा सूक्ष्म-स्तरीय आयाम भिन्नता के प्रति संवेदनशील होते हैं। वे एक सिग्नल में अनियमितता और जटिलता को मापते हैं, और वह गणना पहली बार में छोटे अंतरों का पता लगाने के लिए पर्याप्त रिज़ॉल्यूशन होने पर निर्भर करती है। एक मोटे तौर पर क्वांटाइज़्ड सिग्नल ठीक उसी अनियमितता को सुचारू कर देगा जिसे खोजने के लिए एंट्रॉपी गणना बनाई गई है।
इसी तरह, उपरोक्त अल्जाइमर अध्ययन ने DWT के माध्यम से उत्पन्न वेवलेट सब-बैंड्स से मानक विचलन (स्टैंडर्ड डेवििएशन), भिन्नता (वैरिएंस), और नॉर्म सहित सांख्यिकीय विशेषताएं निकालीं। ये सभी इस बात के माप हैं कि एक सिग्नल कितना भिन्न होता है। यदि अपर्याप्त बिट डेप्थ के कारण अंतर्निहित वोल्टेज मानों को बहुत आक्रामक रूप से राउंड-ऑफ किया गया होता, तो स्वस्थ और बीमार मस्तिष्क की अवस्थाओं के बीच का प्राकृतिक अंतर एक समान, चपटी सीमा की ओर संकुचित हो जाता, और सांख्यिकीय अंतर जिसने 99.98% वर्गीकरण सटीकता को संभव बनाया, उसी के अनुसार सिकुड़ जाता।
सही सैंपलिंग दर कचरे को बाहर क्यों रोकती है
ये तीन तत्व, नाइक्विस्ट-अनुपालन सैंपलिंग, एक कार्यशील एंटी-एलियासिंग फ़िल्टर, और पर्याप्त बिट डेप्थ, स्वतंत्र तकनीकी जिज्ञासाएं नहीं हैं। वे एक एकल निर्भरता श्रृंखला बनाते हैं, और इस शोध के शरीर में रिपोर्ट की गई प्रत्येक वर्गीकरण सटीकता उस श्रृंखला के डाउनस्ट्रीम बैठती है।
बहुत कम सैंपलिंग दर चुनना, या इसकी रक्षा करने वाले एंटी-एलियासिंग फ़िल्टर को छोड़ना, पाठ्यपुस्तकीय सिग्नल प्रोसेसिंग विफलता का कारण बनता है जिसे 'कचरा अंदर, कचरा बाहर' (गारबेज इन, गारबेज आउट) के रूप में जाना जाता है। एक बार जब एलियास्ड उच्च-आवृत्ति शोर उस चीज़ में मिल जाता है जो बीटा या गामा पावर जैसी दिखती है, तो प्रक्रिया को उलटने और वास्तविक अंतर्निहित लय को पुनः प्राप्त करने के लिए पर्याप्त परिष्कृत कोई एल्गोरिदम नहीं है। इसके विपरीत, एक सही ढंग से चुनी गई दर, प्रत्येक डाउनस्ट्रीम उपकरण को काम करने के लिए एक साफ, भरोसेमंद कैनवास सौंपती है।
2010 का भावना वर्गीकरण अध्ययन दिखाता है कि उस साफ कैनवास पर क्या संभव हो जाता है। DWT के माध्यम से निकाली गई विशेषताओं पर K-नियरेस्ट नेबर (KNN) वर्गीकरण का उपयोग करते हुए, शोधकर्ताओं ने घृणा, खुशी, आश्चर्य, भय और तटस्थ प्रतिक्रियाओं जैसी भावनात्मक स्थितियों को अलग करते हुए 83.26% सटीकता दर हासिल की। वह परिणाम अपघटन प्रक्रिया के दौरान अल्फा, बीटा और गामा लय को एक दूसरे से सही ढंग से अलग करने पर निर्भर करता है, एक ऐसा अलगाव जो केवल तभी संभव है जब उन बैंडों को पहली बार में बिना फ़्रीक्वेंसी मिक्सिंग के डिजिटाइज़ किया गया हो।
इसके अलावा, दौरे का पता लगाने वाला ढांचा अलग कोण से इसी बात को पुष्ट करता है। इसके लेखकों ने उल्लेख किया कि फ़्रीक्वेंसी बैंड और विशेषताओं के उनके अनुकूलित चयन ने लगभग 40% अनावश्यक जानकारी को समाप्त कर दिया, जिससे 90% से ऊपर की सटीकता का त्याग किए बिना विश्लेषण सुव्यवस्थित हो गया।
उस तरह की बुद्धिमान छंटाई तभी काम करती है जब बची हुई जानकारी वास्तविक हो। एक एलियास्ड सिग्नल से अतिरेक (रिडंडेंसी) को हटाने से कुछ भी सार्थक सरल नहीं होगा। यह सिर्फ कुशलतापूर्वक शोर को त्याग देगा और अन्य शोर को पीछे छोड़ देगा, क्योंकि दूषित फ़्रीक्वेंसी सामग्री पहले से ही वैध मस्तिष्क गतिविधि से अप्रभेद्य होगी।
अल्जाइमर के निदान का परिणाम सबसे स्पष्ट संदेश देता है। एक अपेक्षाकृत सरल क्लासिफायर, KNN, उचित रूप से विघटित वेवलेट सब-बैंड से ली गई विशेषताओं का उपयोग करके 99.98% सटीकता तक पहुंच गया। यह परिणाम दिखाता है कि जब किसी विश्लेषण की नींव ठोस होती है, तो सीधे वर्गीकरण के तरीके भी उल्लेखनीय रूप से उच्च स्तर पर प्रदर्शन कर सकते हैं।
यह विपरीत निहितार्थ भी वहन करता है। डाउनस्ट्रीम में एल्गोरिथम परिशोधन की कोई भी मात्रा, चाहे वह उन्नत तंत्रिका नेटवर्क (न्यूरल नेटवर्क्स) के माध्यम से हो या संपूर्ण फीचर इंजीनियरिंग के माध्यम से, उस डिजिटलीकरण प्रक्रिया की भरपाई नहीं कर सकती जिसने बुनियादी बातों को गलत किया था।
ईमानदार मस्तिष्क डेटा एक अदृश्य ढाल के साथ क्यों शुरू होता है
डिस्क्रीट सिग्नल प्रोसेसिंग आधुनिक तकनीक की अदृश्य रीढ़ के रूप में कार्य करती है, जो वस्तुतः सभी वैज्ञानिक और व्यावसायिक क्षेत्रों में डिजिटल डेटा के प्रभावी प्रबंधन और व्याख्या को सक्षम बनाती है। सैंपलिंग, फ़िल्टरिंग और ट्रांसफ़ॉर्मेशन के सिद्धांतों में महारत हासिल करके, शोधकर्ता और इंजीनियर डिजिटल इलेक्ट्रोएन्सेफलोग्राफी से लेकर वैश्विक वायरलेस संचार नेटवर्क जैसे क्षेत्रों में संभावनाओं की सीमाओं को आगे बढ़ाना जारी रख सकते हैं।
संदर्भ
मुरुगप्पन, एम., रामचंद्रन, एन., और सज़ाली, वाई. (2010)। डिस्क्रीट वेवलेट ट्रांसफॉर्म का उपयोग करके ईईजी से मानव भावना का वर्गीकरण। जर्नल ऑफ बायोमेडिकल साइंस एंड इंजीनियरिंग, 3(4), 390-396। http://dx.doi.org/10.4236/jbise.2010.34054
चेन, डी., वान, एस., जियांग, जे., और बाओ, एफ. एस. (2017)। डिस्क्रीट वेवलेट ट्रांसफॉर्म (DWT) और ईईजी पर आधारित एक उच्च प्रदर्शन दौरा पहचान एल्गोरिदम। प्लॉस वन, 12(3), e0173138। https://doi.org/10.1371/journal.pone.0173138
अलशराबी, के., सलामाह, वाई. बी., अब्दुर्रकीब, ए. एम., अलजलाल, एम., और अलतुर्की, एफ. ए. (2022)। डिस्क्रीट वेवलेट ट्रांसफॉर्म और मशीन लर्निंग दृष्टिकोण का उपयोग करके अल्जाइमर विकारों के लिए ईईजी सिग्नल प्रोसेसिंग। आईईईई एक्सेस, 10, 89781-89797।
शुक्ला, एस., रॉय, वी., और प्रकाश, ए. (2020, अप्रैल)। ईईजी सिग्नल से मोशन आर्टिफैक्ट्स के प्रभाव को कम करने के लिए वेवलेट आधारित अनुभवजन्य दृष्टिकोण। 2020 आईईईई 9वें इंटरनेशनल कॉन्फ्रेंस ऑन कम्युनिकेशन सिस्टम्स एंड नेटवर्क टेक्नोलॉजीज (CSNT) (पीपी. 323-326) में। आईईईई। https://doi.org/10.1109/CSNT48778.2020.9115761
चियांग, एच. एस., चेन, एम. वाई., और हुआंग, वाई. जे. (2019)। फ़ज़ी एंट्रॉपी और एसोसिएटिव पेट्री नेट का उपयोग करके मिर्गी का पता लगाने के लिए वेवलेट-आधारित ईईजी प्रोसेसिंग। आईईईई एक्सेस, 7, 103255-103262। https://doi.org/10.1109/ACCESS.2019.2929266
अक्सर पूछे जाने वाले प्रश्न
एनालॉग और डिजिटल प्रोसेसिंग में क्या अंतर है?
एनालॉग प्रोसेसिंग में निरंतर वोल्टेज या करंट स्तर शामिल होते हैं, जबकि डिजिटल प्रोसेसिंग डेटा का प्रतिनिधित्व करने के लिए संख्याओं के अनुक्रम का उपयोग करती है, जिससे अधिक सटीक नियंत्रण और भंडारण की अनुमति मिलती है।
एक डिजिटल फ़िल्टर कैसे काम करता है?
एक डिजिटल फ़िल्टर एक इनपुट अनुक्रम से एक नए अनुक्रम की गणना करने के लिए गणितीय एल्गोरिदम का उपयोग करता है, जो वांछित घटकों को पारित करने की अनुमति देने के लिए विशिष्ट आवृत्तियों को चुनिंदा रूप से स्केल या विलंबित करता है।
नाइक्विस्ट मानदंड क्या है और ईईजी डिजिटलीकरण के लिए यह क्यों आवश्यक है?
फ्रीक्वेंसी विरूपण को रोकने के लिए नाइक्विस्ट मानदंड को ईईजी में मौजूद उच्चतम आवृत्ति से दोगुने से अधिक पर सैंपलिंग की आवश्यकता होती है। यह आवश्यक है क्योंकि इस नियम का उल्लंघन करने से एलियासिंग होती है, जहां मस्तिष्क की तेज़ तरंगें धीमी तरंगों के रूप में गलत तरीके से रिकॉर्ड हो जाती हैं, जिससे डेटा स्थायी रूप से दूषित हो जाता है और सटीक विश्लेषण असंभव हो जाता है।
एलियासिंग क्या है और सैंपलिंग के बाद इसे ठीक क्यों नहीं किया जा सकता है?
एलियासिंग एक सैंपलिंग त्रुटि है जहां उच्च-आवृत्ति संकेतों को गलत तरीके से निम्न-आवृत्ति घटकों के रूप में रिकॉर्ड किया जाता है। एक बार ऐसा होने पर, मूल तेज़ सिग्नल की जानकारी अन्य फ़्रीक्वेंसी बैंडों में अपरिवर्तनीय रूप से मिश्रित हो जाती है, इसलिए कोई भी गणितीय तकनीक विकृति को पूर्ववत नहीं कर सकती है।
एंटी-एलियासिंग फ़िल्टर ईईजी सिग्नल की सुरक्षा कैसे करता है?
एक एंटी-एलियासिंग फ़िल्टर एक एनालॉग लो-पास फ़िल्टर है जिसे एनालॉग-टू-डिजिटल कनवर्टर से पहले रखा जाता है जो नाइक्विस्ट सीमा से ऊपर की आवृत्तियों को हटा देता है। सैंपलिंग से पहले उच्च-आवृत्ति सामग्री को हटाकर, यह एलियासिंग को होने से रोकता है और मस्तिष्क सिग्नल की अखंडता को सुरक्षित रखता है।
मस्तिष्क के वोल्टेज को डिजिटल नंबरों में परिवर्तित करते समय बिट डेप्थ क्यों मायने रखती है?
बिट डेप्थ यह परिभाषित करके प्रत्येक वोल्टेज माप की सटीकता निर्धारित करती है कि सिग्नल के आयाम का प्रतिनिधित्व करने के लिए कितने असतत चरण उपलब्ध हैं। एक बेहतर बिट डेप्थ सूक्ष्म आयाम विविधताओं को कैप्चर करती है जो उन एल्गोरिदम के लिए महत्वपूर्ण हैं जो मस्तिष्क की अवस्थाओं को अलग करने के लिए एंट्रॉपी या भिन्नता जैसी विशेषताओं पर भरोसा करते हैं।
यदि ईईजी को बहुत कम दर पर सैंपल किया जाता है तो क्या होता है?
यदि सैंपलिंग दर बहुत कम है, तो एलियासिंग होती है, जिससे उच्च-आवृत्ति गतिविधि (जैसे मांसपेशियों का शोर या तेज़ मस्तिष्क की लय) धीमी मस्तिष्क तरंगों के रूप में गलत तरीके से रिकॉर्ड हो जाती है। यह डिजिटाइज़्ड सिग्नल को स्थायी रूप से दूषित कर देता है, इसलिए डाउनस्ट्रीम विश्लेषण वास्तविक मस्तिष्क गतिविधि के बजाय दूषित डेटा पर आधारित होंगे।
एलियासिंग को डेटा भ्रष्टाचार का स्थायी रूप क्यों माना जाता है?
एलियासिंग स्थायी रूप से डेटा को दूषित करती है क्योंकि यह उच्च-आवृत्ति संकेतों को झूठे निम्न-आवृत्ति अभ्यावेदन में बदल देती है, और मूल उच्च-आवृत्ति जानकारी अपरिवर्तनीय रूप से खो जाती है। कोई भी डाउनस्ट्रीम एल्गोरिदम वैध मस्तिष्क गतिविधि से एलियास्ड शोर में अंतर नहीं कर सकता है, क्योंकि दोनों रिकॉर्ड किए गए सिग्नल में समान रूप से एन्कोड किए गए हैं।
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
