आर्टिफैक्ट्स (अवांछित संकेत) ऐसे अनचाहे सिग्नल्स होते हैं जो मस्तिष्क द्वारा उत्पन्न नहीं होते हैं, जो इलेक्ट्रोएन्सेफलोग्राम (EEG) के विजुअल इंटरप्रिटेशन को बिगाड़ सकते हैं और ब्रेन-कंप्यूटर इंटरफेस या मानसिक स्थिति की निगरानी करने वाले एल्गोरिद्म संबंधी विश्लेषणों को खराब कर सकते हैं।
चाहे आप मिर्गी के लक्षणों के लिए एक रॉ ईईजी (raw EEG) ट्रेस को पढ़ रहे हों या किसी मशीन-लर्निंग पाइपलाइन में डेटा डाल रहे हों, बिना पहचाने गए आर्टिफैक्ट्स पैथोलॉजिकल वेवफॉर्म के रूप में सामने आ सकते हैं या ऐसी भिन्नता ला सकते हैं जो मॉडल के प्रदर्शन को खराब करती है।
यह व्यावहारिक फील्ड गाइड आपको ईईजी आर्टिफैक्ट्स की दो विस्तृत श्रेणियों के बारे में बताती है, यह समझाती है कि उनके विशिष्ट टाइम-डोमेन हस्ताक्षरों (signatures) को कैसे पहचाना जाए, और उन मैन्युअल क्लीनिंग चरणों को रेखांकित करती है जो किसी भी कंप्यूटेशनल प्रोसेसिंग से पहले आवश्यक बने रहते हैं।
ईईजी (EEG) आर्टिफैक्ट्स की दो मूलभूत श्रेणियां
एक EEG रिकॉर्डिंग में हर अवांछित उतार-चढ़ाव दो में से किसी एक स्रोत से उत्पन्न होता है। विषय-संबंधित, या शारीरिक (physiological), आर्टिफैक्ट्स प्रतिभागी के अपने शरीर द्वारा उत्पन्न होते हैं। इनमें पलकें झपकना, मांसपेशियों में तनाव, दिल की धड़कन और स्वेद ग्रंथि (sweat gland) की गतिविधि शामिल हैं, ये सभी विद्युत क्षेत्र उत्पन्न करते हैं जिन्हें स्कैल्प इलेक्ट्रोड वास्तविक मस्तिष्क गतिविधि के साथ-साथ ग्रहण कर लेते हैं।
तकनीकी, या गैर-शारीरिक, आर्टिफैक्ट्स रिकॉर्डिंग उपकरण और पर्यावरण से उत्पन्न होते हैं। ढीले इलेक्ट्रोड, केबल का हिलना-डुलना, एम्पलीफायर संतृप्ति (saturation), और मुख्य बिजली का हस्तक्षेप इस दूसरे समूह में आते हैं।
इन दोनों श्रेणियों के बीच अंतर करना सबसे पहला कौशल है जिसे सीखना आवश्यक है क्योंकि इनकी रोकथाम और हटाने की रणनीतियाँ मौलिक रूप से भिन्न होती हैं। जबड़े भींचने से उत्पन्न मांसपेशियों के झटके के लिए एक अलग हस्तक्षेप की आवश्यकता होती है, जबकि खराब शील्ड वाले केबल के माध्यम से आने वाले आवधिक 60‑हर्ट्ज़ के भनभनाहट के लिए अलग उपाय की।
विषय-संबंधित आर्टिफैक्ट्स को कैसे पहचानें
पलकें झपकना (Eye Blinks)
आँख एक छोटी विद्युत बैटरी की तरह व्यवहार करती है। कॉर्निया, रेटिना के सापेक्ष एक सकारात्मक चार्ज वहन करता है, जिससे एक corneo‑retinal dipole बनता है। जब कोई प्रतिभागी पलक झपकाता है, तो पलक इस डाइपोल के ऊपर से गुजरती है और सकारात्मक क्षेत्र को ऊपर की ओर खींचती है, जिससे आँखों के सबसे नज़दीक वाले फ्रंटल इलेक्ट्रोड पर एक बड़ा, सकारात्मक वोल्टेज विक्षेपण (deflection) उत्पन्न होता है।
टाइम-डोमेन ट्रेस में, एक पलक झपकना एक उच्च-आयाम (high-amplitude), धीमी तरंग के रूप में दिखाई देता है जो Fp1 और Fp2 जैसे फ्रंटोपोलर चैनलों पर अपने अधिकतम स्तर पर पहुँचता है, और फिर जैसे-जैसे आप केंद्रीय या पश्च डिरीवेशन की ओर देखते हैं, यह तेजी से कम होता जाता है। चूंकि यह तरंग रूप अत्यधिक रूढ़िबद्ध (stereotyped) होता है, इसलिए एक प्रशिक्षित आँख इसे लगभग तुरंत पहचान सकती है।
आँखों की हलचल और सैकेडिक स्पाइक्स
जब आँखें बिना पलक झपकाए तिरछी घूमती हैं, तो कॉर्नियो-रेटिनल डाइपोल ढकने के बजाय घूम जाता है। यह इलेक्ट्रो-ओकुलोग्राम सिग्नल में एक चरण-दर-चरण (step-like) बदलाव पैदा करता है जो आस-पास के EEG चैनलों में भी मिल सकता है।
इसके अलावा, सैकेड के दौरान एक्स्ट्राओकुलर मांसपेशियों का तेजी से संकुचन एक संक्षिप्त, तीव्र विद्युत क्षणिक उत्पन्न करता है जिसे सैकेडिक स्पाइक पोटेंशियल के रूप में जाना जाता है। एक कच्चे (raw) ट्रेस पर, ये स्पाइक्स भ्रम पैदा करने की सीमा तक मिर्गी जैसी (epileptiform) गतिविधि के समान दिख सकते हैं। ये आम तौर पर फ्रंटल और टेम्पोरल इलेक्ट्रोड तक ही सीमित होते हैं और टकटकी में बदलाव के साथ मेल खाते हैं।
इन्हें पहचानने से गलत नैदानिक निष्कर्ष से बचा जा सकता है और अन्यथा स्वच्छ तंत्रिका डेटा के अनावश्यक अस्वीकार होने से भी बचा जा सकता है। स्पाइक की संक्षिप्तता, क्षैतिज या ऊर्ध्वाधर आंखों की गति के साथ इसका संबंध, और बाद में आने वाली धीमी तरंग की कमी इसे वास्तविक कॉर्टिकल डिस्चार्ज से अलग करने में मदद करती है।
मांसपेशियों की गतिविधि
खोपड़ी, चेहरे और गर्दन की मांसपेशियां उच्च-आवृत्ति (high-frequency) वाले विद्युत शोर की प्रचुर मात्रा में जनरेटर हैं। जब कोई प्रतिभागी अपना जबड़ा भींचता है, अपनी भौहें सिकोड़ता है, या गर्दन में भी तनाव रखता है, तो मोटर यूनिट एक्शन पोटेंशियल अतुल्यकालिक रूप से फायर करते हैं और एक नुकीले, अनियमित हस्तक्षेप पैटर्न में जुड़ जाते हैं।
टाइम डोमेन में, मांसपेशियों का आर्टिफैक्ट EEG के ऊपर तैरते हुए तीव्र, कम-आयाम वाले नुकीले विक्षेपों के तीव्र झटके की तरह दिखता है, जो अक्सर टेम्पोरल या फ्रंटल इलेक्ट्रोड पर सबसे प्रमुख होता है। इसकी आवृत्ति मुख्य रूप से 20 Hz से ऊपर होती है, जो बीटा और गामा बैंड में अच्छी तरह से बैठती है जहाँ कई संज्ञानात्मक माप होते हैं, जिससे यह मानसिक स्थिति की निगरानी और brain‑computer interface applications के लिए विशेष रूप से परेशानी का सबब बन जाता है।
पास-पास लगे इलेक्ट्रोड वाले High‑density EEG setups मांसपेशियों के स्रोत को स्थानीयकृत करने में मदद कर सकते हैं, लेकिन सुरक्षा की पहली पंक्ति प्रतिभागी को आराम करने का निर्देश देना और सिर के लिए शारीरिक सहायता प्रदान करना है।
पसीना और इलेक्ट्रोडर्मल बदलाव
पसीने की ग्रंथि की गतिविधि के कारण त्वचा के संचालन (conductance) में बदलाव इलेक्ट्रोड-त्वचा इंटरफ़ेस को बदल देता है। यह बेसलाइन वोल्टेज का बहुत धीमा, सुचारू झुकाव (drift) उत्पन्न करता है, जो अक्सर 1 Hz से नीचे होता है, जो कई सेकंड तक भटक सकता है।
यह आर्टिफैक्ट स्पाइक या लयबद्ध भनभनाहट के रूप में दिखाई नहीं देता बल्कि पूरे ट्रेस के एक सौम्य, तरंग जैसे रोलिंग के रूप में दिखाई देता है। यह लंबी रिकॉर्डिंग के दौरान, गर्म वातावरण में, या चिंतित प्रतिभागियों के साथ सबसे आम है। इस कम-आवृत्ति वाले भ्रम को कमरे का तापमान स्थिर रखकर और अच्छे इलेक्ट्रोड संपर्क को सुनिश्चित करके प्रबंधित किया जा सकता है।
कार्डियक सिग्नल्स
हृदय का विद्युत क्षेत्र खोपड़ी तक पहुँचने के लिए पर्याप्त शक्तिशाली होता है, विशेष रूप से तब जब इलेक्ट्रोड प्रतिबाधा (impedance) अधिक हो या जब कोई reference electrode कान के पीछे (mastoid) या कान की लौ (ear lobe) पर रक्त वाहिका के पास स्थित हो।
इसके परिणामस्वरूप उत्पन्न होने वाला इलेक्ट्रोकार्डियोग्राम आर्टिफैक्ट हृदय गति पर दोहराए जाने वाले एक नियमित, तीव्र QRS-कॉम्प्लेक्स के रूप में दिखाई देता है—लगभग प्रति सेकंड एक बार। यह अक्सर एक सुसंगत समय अंतराल के साथ एक साथ कई चैनलों में प्रवेश करता है, और व्यापक-स्पेक्ट्रम आर्टिफैक्ट सुविधाओं पर प्रशिक्षित क्लासिफायर्स अन्य प्रदूषकों के साथ इसका पता लगा सकते हैं।
यदि कार्डियक वेवफॉर्म दिखाई दे रहा है लेकिन अत्यधिक हावी नहीं है, तो इसे अक्सर एक समर्पित ECG चैनल रिकॉर्ड करके घटाया जा सकता है; अन्यथा, प्रभावित हिस्सों को मैन्युअल रूप से अस्वीकार करने की आवश्यकता हो सकती है।
आर्टिफैक्ट | हस्ताक्षर |
|---|---|
आँख झपकना | फ्रंटल धीमी तरंग |
आँखों की हलचल | कदम-दर-कदम बदलाव |
मांसपेशी | उच्च-आवृत्ति वाले स्पाइक्स |
पसीना | धीमी बेसलाइन ड्रिफ्ट |
कार्डियक | तीव्र QRS कॉम्प्लेक्स |
ट्रेस में तकनीकी आर्टिफैक्ट्स को पहचानना
इलेक्ट्रोड पॉप्स और मूवमेंट-संबंधित स्पाइक्स
सूखे हुए जेल ब्रिज, खींचे गए केबल, या खिसकते हुए इलेक्ट्रोड के कारण प्रतिबाधा (impedance) में अचानक होने वाला बदलाव एक आकस्मिक, तीव्र उतार-चढ़ाव उत्पन्न करता है जिसे अक्सर पॉप कहा जाता है। यह "सामान्य विच्छेदन" श्रेणी के अंतर्गत आता है जिसे फ्लैग करने के लिए ADJUST जैसे स्वचालित एल्गोरिदम डिज़ाइन किए गए हैं।
टाइम डोमेन में, एक इलेक्ट्रोड पॉप आम तौर पर अत्यधिक आयाम के एक अलग स्पाइक जैसा दिखता है जो एम्पलीफायर को संतृप्त कर सकता है, जिससे धीमी रिकवरी से पहले एक क्षण के लिए सिग्नल सपाट (flat-line) हो जाता है। जैविक स्पाइक के विपरीत, यह चल रही शारीरिक गतिविधि से घिरा नहीं होता है और आमतौर पर एक ही चैनल पर दिखाई देता है, जिससे दृश्य निरीक्षण के दौरान इसकी पहचान करना आसान हो जाता है।
Hagmann et al. द्वारा एक neonatal EEG अध्ययन ने इसी तरह बार-बार होने वाले हलचल के हस्तक्षेप का दस्तावेजीकरण किया जिसने आयाम-एकीकृत ट्रेस को बदल दिया, जिससे यह स्पष्ट हुआ कि संक्षिप्त शारीरिक गड़बड़ी भी मापने योग्य संदूषण पैदा करती है।
मुख्य बिजली हस्तक्षेप (Mains Interference)
रिकॉर्डिंग सेटअप में विद्युत आपूर्ति के कैपेसिटिव कपलिंग से मुख्य आवृत्ति पर एक निरंतर, लयबद्ध "भनभनाहट" पैदा होती है—यूरोप और दुनिया के अधिकांश हिस्सों में 50 Hz, उत्तरी अमेरिका में 60 Hz।
एक कच्चे EEG ट्रेस पर, यह हस्तक्षेप हर चैनल पर आरोपित एक मोटी साइन-तरंग के रूप में दिखाई देता है, जो अक्सर एक समान आयाम के साथ होती है। लाइन शोर की थोड़ी सी मात्रा भी कम-वोल्टेज मस्तिष्क की लय को छुपा सकती है, और इसकी उपस्थिति इलेक्ट्रोड प्रतिबाधा, परिरक्षण (shielding), या ग्राउंडिंग की समस्या का संकेत देती है।
यह हमेशा एक तकनीकी आर्टिफैक्ट होता है, न कि न्यूरल ऑसिलेशन, और इसकी निश्चित आवृत्ति इसे आँख से या एक साधारण spectral plot के माध्यम से पहचानना आसान बनाती है।
ढीले इलेक्ट्रोड और केबल की हलचल
जब कोई इलेक्ट्रोड खोपड़ी से सुरक्षित रूप से नहीं जुड़ा होता है या रिकॉर्डिंग के बीच में उसका केबल हिलता है, तो यांत्रिक गड़बड़ी अनियमित कम-आवृत्ति वाले उतार-चढ़ाव पैदा करती है। ये एक एकल चैनल पर धीमी, अनियमित ड्रिफ्ट या उच्च-आयाम वाली अनियमित तरंगों के झटके की तरह दिख सकते हैं।
इसकी छिटपुट प्रकृति और एक इलेक्ट्रोड तक ही सीमित होना इस आर्टिफैक्ट को व्यापक शारीरिक घटनाओं जैसे कि पलक झपकने या मांसपेशियों के तनाव से तुरंत अलग करता है। वास्तविक समय में ऐसे क्षणों को एनोटेट करना बाद में खराब डेटा खंडों की खोज को सीमित करके काफी प्रयास बचाता है।
रिकॉर्डिंग के दौरान आर्टिफैक्ट्स को रोकना और उनका दस्तावेजीकरण करना
सबसे प्रभावी आर्टिफैक्ट प्रबंधन रणनीति पहला डेटा बिंदु सहेजने से बहुत पहले शुरू हो जाती है।
एक शांत और तनावमुक्त प्रतिभागी के मामले में मांसपेशियों और आंखों की गति के आर्टिफैक्ट नाटकीय रूप से कम होते हैं। इसलिए, सत्र को समझाने के लिए समय लें, सिर के सहारे वाली आरामदायक कुर्सी प्रदान करें, और स्वतः होने वाली पलकों के झपकने और सैकेड्स को कम करने के लिए आँखों को एक स्थिर फिक्सेशन बिंदु दें। ये कदम इतने बुनियादी हैं कि शोध पत्रों में शायद ही कभी इनका विस्तार से उल्लेख किया जाता है, फिर भी स्वच्छ डेटा की रिपोर्ट करने वाला हर अध्ययन अप्रत्यक्ष रूप से इन पर निर्भर करता है।
इलेक्ट्रोड अनुप्रयोग सुरक्षा की अगली पंक्ति है। त्वचा की सावधानीपूर्वक तैयारी, पर्याप्त प्रवाहकीय जेल, और केबल का सावधानीपूर्वक मार्ग पर्यावरण से होने वाले शोर और हलचल से जुड़े पॉप दोनों को कम करता है।
पूर्वोक्त शिशु EEG अध्ययन में पाया गया कि विद्युत और हलचल से उत्पन्न हस्तक्षेप समान आवृत्ति के साथ होते हैं, जो यह पुष्टि करता है कि कोई भी रिकॉर्डिंग वातावरण स्वाभाविक रूप से तकनीकी समस्याओं से मुक्त नहीं है। सत्र से पहले और बाद में प्रतिबाधा की जाँच करना और केबलों को कपड़ों या कुर्सी से सुरक्षित करना रोके जा सकने वाले आर्टिफैक्ट्स के एक बड़े हिस्से को दूर करता है।
अंत में, रिकॉर्डिंग के दौरान दिखाई देने वाले आर्टिफैक्ट्स का एक रनिंग लॉग रखें। किसी भी बड़ी हलचल, खांसी, या इलेक्ट्रोड समायोजन के समय को नोट करें। इस प्रकार का मैन्युअल एनोटेशन स्वचालित क्लासिफायर्स को प्रशिक्षित करने के लिए उपयोग किए जाने वाले विशेषज्ञ लेबलिंग को दर्शाता है, जहां मानव मूल्यांकनकर्ता मशीन-लर्निंग एल्गोरिदम के लिए ग्राउंड ट्रुथ के रूप में काम करने वाले खंडों को चिह्नित करते हैं।
एक साधारण हस्तलिखित टाइमस्टैम्प या अधिग्रहण सॉफ़्टवेयर में एक इवेंट मार्कर अनुमान लगाने की प्रक्रिया को प्रतिलिपि प्रस्तुत करने योग्य दस्तावेज़ीकरण में बदल देता है।
मैन्युअल अस्वीकृति और प्रक्षेप (Interpolation): गणना से पहले सफाई
सतत ट्रेस का दृश्य निरीक्षण
किसी भी signal processing एल्गोरिदम को आर्टिफैक्ट हटाने का काम सौंपने से पहले, कच्चे डेटा को स्क्रॉल करें और दूषित अंतरालों की पहचान करने के लिए ऊपर वर्णित वेवफॉर्म हस्ताक्षरों का उपयोग करें।
पलक झपकने की विशिष्ट फ्रंटल धीमी तरंग, मांसपेशियों की गतिविधि की उच्च-आवृत्ति वाली सरसराहट, पॉप के अलग स्पाइक, या मुख्य बिजली के शोर की लगातार साइन-तरंग को खोजने की अक्सर सिफारिश की जाती है। यह कदम आपकी आँख को वास्तविक मस्तिष्क गतिविधि से आर्टिफैक्ट्स को अलग करने के लिए प्रशिक्षित करता है और दुर्लभ, उच्च-आयाम वाली न्यूरल घटनाओं के स्वचालित रूप से अस्वीकार होने से बचाता है जो सतही तौर पर आर्टिफैक्ट्स के समान हो सकती हैं।
फ्रंटल धीमी तरंग: आँख झपकने का संकेत देती है
उच्च-आवृत्ति सरसराहट: मांसपेशियों की गतिविधि का संकेत देती है
अत्यधिक आयाम का अलग स्पाइक: इलेक्ट्रोड पॉप का संकेत देता है
लगातार साइन-तरंग: मुख्य बिजली के हस्तक्षेप का संकेत देती है
खराब समय खंडों को चिह्नित करना और बाहर करना
एक बार जब आप आर्टिफैक्ट-युक्त डेटा के एक हिस्से की पहचान कर लेते हैं, तो इसे बाहर करने के लिए चिह्नित करें। इसमें शुरू और समाप्त होने के समय को लॉग करना या EEG analysis software में निर्मित मार्किंग टूल्स का उपयोग करना शामिल हो सकता है।
सबसे खराब तरीके से दूषित खंडों को मैन्युअल रूप से हटाना वह मानक है जिस पर अत्याधुनिक स्वचालित विधियां भी आधारित हैं। उदाहरण के लिए, जिस कार्य ने ADJUST एल्गोरिदम का निर्माण किया, उसमें विशेषज्ञों ने प्रशिक्षण सेट बनाने के लिए 640 घटकों को मैन्युअल रूप से लेबल किया, और फिर क्लासिफायर के प्रदर्शन को इस मैन्युअल रूप से परिभाषित ग्राउंड ट्रुथ के विरुद्ध मापा गया।
सबसे गंभीर आर्टिफैक्ट्स को हाथ से हटाने से बाद के एल्गोरिदम पर बोझ कम हो जाता है और स्थानिक फ़िल्टरिंग चरणों के दौरान शोर को पड़ोसी चैनलों में फैलने से रोकता है।
लगातार शोर वाले चैनल का प्रक्षेप (Interpolate) करना
जब कोई एकल इलेक्ट्रोड ढीले संपर्क, सूखे जेल, या यांत्रिक अस्थिरता के कारण पूरी रिकॉर्डिंग के लिए अविश्वसनीय होता है, तो उस चैनल को हटाना और पड़ोसी स्वच्छ इलेक्ट्रोड से उसके डेटा का पुनर्निर्माण करना समग्र डेटा आयामीता को सुरक्षित रखता है।
प्रक्षेप (Interpolation) खोपड़ी में स्थानिक वोल्टेज वितरण का उपयोग करके यह अनुमान लगाता है कि खराब चैनल ने क्या रिकॉर्ड किया होगा, प्रभावी रूप से आर्टिफैक्ट को एक प्रशंसनीय, तटस्थ सिग्नल से बदल देता है। यह कदम टोपोग्राफिकल विश्लेषणों के लिए डेटासेट को अक्षुण्ण रखता है और उस डेटा हानि से बचाता है जो चैनल को पूरी तरह से छोड़ने से होगी।
मैन्युअल सफाई क्यों आवश्यक बनी हुई है
यहां तक कि सबसे परिष्कृत स्वचालित क्लासिफायर्स को भी उस डेटासेट से लाभ होता है जिसे भारी आर्टिफैक्ट्स से पहले ही साफ कर दिया गया है। नवजात शिशु के अध्ययन का यह निष्कर्ष कि आर्टिफैक्ट्स ने रिकॉर्डिंग समय का 12% हिस्सा लिया और नैदानिक व्याख्या को प्रभावित किया, यह दर्शाता है कि अनछुआ संदूषण निष्कर्षों को कितनी आसानी से विकृत कर सकता है।
इसलिए, मैन्युअल निरीक्षण यह सुनिश्चित करता है कि डेटा के एक effective computational pipeline में प्रवेश करने से पहले सबसे बड़े और सबसे स्पष्ट आर्टिफैक्ट चले गए हैं, जहां वे अन्यथा भिन्नता (variance) पर हावी हो सकते हैं और अपघटन (decomposition) को गुमराह कर सकते हैं। यह डेटासेट के साथ एक घनिष्ठ परिचितता भी बनाता है जिसे कोई भी एल्गोरिदम दोहरा नहीं सकता है।
स्वचालित रूप से हटाना मैन्युअल कार्य का समर्थन कैसे करता है
एक विच्छेदन उपकरण के रूप में स्वतंत्र घटक विश्लेषण (ICA)
एक बार सबसे खराब खंडों को मैन्युअल रूप से हटा दिए जाने के बाद, ICA शेष EEG को सांख्यिकीय रूप से स्वतंत्र स्रोत घटकों में विघटित कर सकता है। यह तकनीक खोपड़ी के इलेक्ट्रोड द्वारा उठाए गए मस्तिष्क और आर्टिफैक्ट सिग्नलों के मिश्रण को अलग करती है, आँखों की गतिविधियों, पलकें झपकने और मांसपेशियों की गतिविधि को उनके अद्वितीय स्थानिक और लौकिक पैटर्न के आधार पर अलग-अलग घटकों में विभाजित करती है।
एक घटक जिसमें फ्रंटल प्रोजेक्शन होता है और एक वेवफॉर्म जो ब्लिंक सिग्नल से बारीकी से मेल खाता है, उसे तब पहचाना और घटाया जा सकता है, जिससे शेष डेटा तंत्रिका-शारीरिक रूप से बरकरार रहता है। ICA की ताकत एक साथ होने वाले कई आर्टिफैक्ट स्रोतों को संभालने की इसकी क्षमता में निहित है, एक ऐसा कार्य जिसे सरल रिग्रेशन-आधारित सुधार अक्सर आवश्यकता से अधिक या कम कर देता है।
आधुनिक क्लासिफायर्स की विश्वसनीयता
स्वचालित तरीके अब प्रदर्शन के उस स्तर पर पहुंच गए हैं जो विशेषज्ञ मानवीय निर्णय से बारीकी से मेल खाता है।
एक subject‑independent linear classifier, जो आवृत्ति, स्थानिक और लौकिक डोमेन से ली गई छह विशेषताओं पर प्रशिक्षित था, ने प्रतिक्रिया-समय डेटासेट पर 10% से कम माध्य वर्ग त्रुटि (mean squared error) प्राप्त की, जो दो मानव विशेषज्ञों के बीच असहमति की सीमा के भीतर है।
इसके अलावा, ADJUST एल्गोरिदम, जो स्थानिक और लौकिक आर्टिफैक्ट-विशिष्ट विशेषताओं को जोड़ता है, पूरी तरह से स्वतंत्र डेटासेट पर परीक्षण किए जाने पर डेटा भिन्नता के 95.2% पर मैन्युअल विशेषज्ञ लेबलिंग के साथ सहमत हुआ, और इसके आर्टिफैक्टेड घटकों को हटाने से घटना-संबंधी क्षमता का स्वच्छ पुनर्निर्माण हुआ।
सपोर्ट वेक्टर मशीन के साथ संयुक्त autoregressive models का उपयोग करने वाले एक अलग दृष्टिकोण ने लगभग 94% सटीकता के साथ व्यक्तियों में कई प्रकार के विषय-जनित आर्टिफैक्ट्स को वर्गीकृत किया।
विशेष रूप से आंखों के आर्टिफैक्ट्स के लिए, एक एल्गोरिदम जिसने प्रासंगिक घटकों को निष्पक्ष रूप से पहचानने के लिए आई-ट्रैकर जानकारी को शामिल किया, उसने उन मानव विशेषज्ञों की तुलना में लगभग दोगुना प्रभावी प्रदर्शन किया, जिन्हें केवल घटक टोपोग्राफी पर निर्भर रहना पड़ा था, जिससे 0.99 से अधिक का रिसीवर ऑपरेटिंग विशेषता क्षेत्र (area under the curve) प्राप्त हुआ।
ये आंकड़े मैन्युअल सफाई को प्रतिस्थापित नहीं करते हैं बल्कि प्रदर्शित करते हैं कि क्षेत्र में अब विश्वसनीय कम्प्यूटेशनल सहायक हैं जो दोहराव वाले, उच्च-मात्रा वाले पहचान कार्य को संभाल सकते हैं जो कभी पूरी तरह से हाथ से किए जाते थे।
आर्टिफैक्ट हटाने और सिग्नल संरक्षण को संतुलित करना
आक्रामक रूप से आर्टिफैक्ट को अस्वीकार करने से अनजाने में वास्तविक तंत्रिका जानकारी नष्ट हो सकती है। एक मोटर इमेजरी ब्रेन-कंप्यूटर इंटरफ़ेस प्रतिमान में, शोधकर्ताओं ने पाया कि वे उपयोगकर्ता के इरादे को डिकोड करने के लिए BCI सिस्टम द्वारा उपयोग की जाने वाली भेदकारी जानकारी को सुरक्षित रखते हुए भी सबसे आर्टिफैक्चुअल ICA घटकों के 60% तक को सुरक्षित रूप से हटा सकते हैं।
यह खोज इस महत्वपूर्ण सिद्धांत को रेखांकित करती है कि हर वह घटक जो कुछ आर्टिफैक्ट भिन्नता वहन करता है, तंत्रिका सिग्नल से रहित नहीं होता है। एक स्वचालित क्लासिफायर द्वारा चुने गए घटकों की मैन्युअल समीक्षा की अभी भी सलाह दी जाती है ताकि यह पुष्टि की जा सके कि अस्वीकृति सीमा उपयोगी मस्तिष्क गतिविधि के क्षेत्र में पार नहीं करती है।
आर्टिफैक्ट जागरूकता डेटा गुणवत्ता को क्यों निर्धारित करती है
आर्टिफैक्ट्स सीधे दृश्य व्याख्या और मात्रात्मक माप दोनों को प्रभावित करते हैं। चाहे लक्ष्य नैदानिक निदान हो, एक neuroscience खोज हो, या एक consumer wellness application हो, विश्वसनीय परिणामों का मार्ग इस बात की स्पष्ट समझ से होकर गुजरता है कि आर्टिफैक्ट्स कहाँ से आते हैं, वे कच्चे ट्रेस पर कैसे दिखते हैं, और उन्हें रोकने, प्रलेखित करने और मैन्युअल रूप से हटाने की अनुशासित प्रक्रिया क्या है।
ICA-आधारित स्वचालन सफाई वर्कफ़्लो को तेज़ कर सकता है, लेकिन यह उस डेटा पर सबसे प्रभावी ढंग से काम करता है जिसे पहले से ही एक प्रशिक्षित मानव आँख द्वारा जांचा गया है। 12% संदूषण दर सुनने में बहुत अधिक नहीं लग सकती है, लेकिन जब वह अंश चिकित्सा निर्णय को बदल सकता है या एक सूक्ष्म cognitive biomarker को अस्पष्ट कर सकता है, तो आर्टिफैक्ट प्रबंधन में निवेश रिकॉर्डिंग की वैज्ञानिक अखंडता से अविभाज्य हो जाता है।
संदर्भ
Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278
Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x
Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519
Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30
Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017
अक्सर पूछे जाने वाले प्रश्न
EEG आर्टिफैक्ट्स की दो मुख्य श्रेणियां कौन सी हैं, और वे कैसे भिन्न हैं?
EEG आर्टिफैक्ट्स दो श्रेणियों में आते हैं: विषय-संबंधित (शारीरिक) आर्टिफैक्ट्स जो प्रतिभागी के शरीर द्वारा उत्पन्न होते हैं—जैसे पलकें झपकना, मांसपेशियों में तनाव, दिल की धड़कन और पसीना—और तकनीकी (गैर-शारीरिक) आर्टिफैक्ट्स जो उपकरण या पर्यावरण से उत्पन्न होते हैं, जैसे ढीले इलेक्ट्रोड, केबल का हिलना-डुलना और मुख्य बिजली का हस्तक्षेप। यह अंतर महत्वपूर्ण है क्योंकि प्रत्येक श्रेणी के लिए अलग-अलग रोकथाम और हटाने की रणनीतियों की आवश्यकता होती है; उदाहरण के लिए, मांसपेशियों के झटके के लिए 60-Hz लाइन के भनभनाहट की तुलना में एक अलग हस्तक्षेप की आवश्यकता होती है।
आप EEG ट्रेस पर आँख झपकने के आर्टिफैक्ट को कैसे पहचान सकते हैं?
आँख झपकना एक बड़ी, सकारात्मक, धीमी तरंग के रूप में दिखाई देता है जो Fp1 और Fp2 जैसे फ्रंटल इलेक्ट्रोड पर सबसे मजबूत होती है, और यह केंद्रीय या पश्च चैनलों की ओर तेजी से फीकी पड़ जाती है। चूँकि कॉर्निया रेटिना के सापेक्ष एक सकारात्मक चार्ज वहन करता है, इसलिए इस डाइपोल पर पलक का घूमना एक रूढ़िबद्ध, उच्च-आयाम वाला विक्षेपण बनाता है जिसे प्रशिक्षण के साथ पहचानना आसान होता है।
मांसपेशियों की गतिविधि विशेष रूप से ब्रेन-कंप्यूटर इंटरफेस के लिए समस्याग्रस्त क्यों हो सकती है?
जबड़े भींचने, भौहें सिकोड़ने या गर्दन के तनाव से होने वाले मांसपेशियों के आर्टिफैक्ट उच्च-आवृत्ति वाले, नुकीले हस्तक्षेप पैदा करते हैं जो अक्सर बीटा और गामा ब्रेनवेव बैंड के साथ ओवरलैप होते हैं जहां संज्ञानात्मक माप और मानसिक स्थिति की निगरानी कार्य करती है। यह संदूषण एल्गोरिथम विश्लेषणों को दूषित कर सकता है और ब्रेन-कंप्यूटर इंटरफ़ेस मॉडल के प्रदर्शन को कम कर सकता है, जिससे यह प्रबंधित करने के लिए सबसे अधिक परेशानी वाले शारीरिक आर्टिफैक्ट्स में से एक बन जाता है।
मुख्य बिजली हस्तक्षेप का आर्टिफैक्ट कैसा दिखता है, और इसका क्या कारण है?
मुख्य बिजली का हस्तक्षेप हर EEG चैनल पर आरोपित एक निरंतर, लयबद्ध साइन-तरंग "भनभनाहट" के रूप में दिखाई देता है, आमतौर पर क्षेत्र की विद्युत आपूर्ति के आधार पर 50 या 60 Hz पर। यह खराब इलेक्ट्रोड प्रतिबाधा, अपर्याप्त परिरक्षण, या ग्राउंडिंग समस्याओं के कारण रिकॉर्डिंग सेटअप में बिजली स्रोत के कैपेसिटिव कपलिंग से उत्पन्न होता है, और यह स्पष्ट रूप से एक तंत्रिका सिग्नल के बजाय एक तकनीकी आर्टिफैक्ट है।
रिकॉर्डिंग के दौरान आर्टिफैक्ट्स का मैन्युअल एनोटेशन क्यों महत्वपूर्ण है?
सत्र के दौरान बड़ी गतिविधियों, खांसी, या इलेक्ट्रोड समायोजन का एक रनिंग लॉग रखने से बाद में खराब डेटा खंडों को कम करने में मदद मिलती है और अनुमान लगाने की प्रक्रिया प्रतिलिपि प्रस्तुत करने योग्य दस्तावेज़ीकरण में बदल जाती है। यह मैन्युअल एनोटेशन स्वचालित क्लासिफायर्स को प्रशिक्षित करने के लिए उपयोग किए जाने वाले विशेषज्ञ लेबलिंग को भी दर्शाता है, जो एक ग्राउंड ट्रुथ प्रदान करता है जो मैन्युअल और कम्प्यूटेशनल दोनों सफाई की विश्वसनीयता में सुधार करता।
लगातार शोर वाले EEG चैनल के प्रक्षेप (interpolate) का क्या उद्देश्य है?
जब कोई एकल इलेक्ट्रोड ढीले संपर्क या सूखे जेल के कारण पूरी रिकॉर्डिंग के दौरान अविश्वसनीय होता है, तो प्रक्षेप (interpolation) खोपड़ी में स्थानिक वोल्टेज वितरण का उपयोग करके पड़ोसी स्वच्छ इलेक्ट्रोड से उस चैनल के डेटा का पुनर्निर्माण करता है। यह टोपोग्राफिकल विश्लेषणों के लिए डेटासेट की समग्र आयामीता को सुरक्षित रखता है, जिससे वह डेटा हानि नहीं होती जो पूरे चैनल को खारिज करने पर होती।
स्वतंत्र घटक विश्लेषण (ICA) आर्टिफैक्ट को हटाने में कैसे मदद करता है?
ICA मिश्रित EEG सिग्नलों को सांख्यिकीय रूप से स्वतंत्र स्रोत घटकों में विघटित करता है, आँखों के झपकने, मांसपेशियों की गतिविधि और अन्य आर्टिफैक्ट्स को उनके अद्वितीय स्थानिक और लौकिक पैटर्न के आधार पर अलग करता है। एक बार पहचाने जाने के बाद, एक आर्टिफैक्ट घटक—जैसे कि पलक झपकने से मेल खाने वाले फ्रंटल प्रोजेक्शन वाला घटक—को घटाया जा सकता है, जिससे अंतर्निहित तंत्रिका सिग्नल काफी हद तक बरकरार रहते हैं और सरल रिग्रेशन विधियों की तुलना में अधिक प्रभावी ढंग से एक साथ कई आर्टिफैक्ट स्रोतों को संभाला जा सकता है।
स्वचालित आर्टिफैक्ट हटाने के मामले में अत्यधिक आक्रामक होने का क्या जोखिम है?
आक्रामक अस्वीकृति अनजाने में वास्तविक तंत्रिका जानकारी को हटा सकती है, क्योंकि कुछ घटकों में आर्टिफैक्ट भिन्नता और उपयोगी मस्तिष्क गतिविधि दोनों होते हैं। भले ही स्वचालित क्लासिफायर्स कई घटकों को फ्लैग करते हैं, लेकिन यह सुनिश्चित करने के लिए कि अस्वीकृति सीमा उपयोगकर्ता के इरादे को डिकोड करने या संज्ञानात्मक बायोमार्कर का पता लगाने के लिए आवश्यक सिग्नल को समाप्त नहीं करती है, हटाने के लिए किन घटकों को चुनना है, इसकी मैन्युअल समीक्षा उचित है।
आर्टिफैक्ट जागरूकता सीधे तौर पर EEG रिकॉर्डिंग की वैज्ञानिक अखंडता को क्यों प्रभावित करती है?
आर्टिफैक्ट्स पैथोलॉजिकल वेवफॉर्म के रूप में सामने आ सकते हैं या ऐसी भिन्नता ला सकते हैं जो दृश्य व्याख्या और मात्रात्मक विश्लेषण दोनों को विकृत करती है, संभावित रूप से नैदानिक वर्गीकरण को बदल देती है या सूक्ष्म संज्ञानात्मक संकेतों को अस्पष्ट कर देती है। किसी भी कम्प्यूटेशनल प्रसंस्करण से पहले आर्टिफैक्ट्स को रोकने, दस्तावेजीकरण करने और मैन्युअल रूप से साफ करने की एक अनुशासित प्रक्रिया आवश्यक है, जिससे यह सुनिश्चित हो सके कि डेटा से निकाले गए निष्कर्ष विश्वसनीय हैं और संदूषण से दूषित नहीं 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
