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) आर्टिफ़ैक्ट्स की दो मूलभूत श्रेणियां
EEG रिकॉर्डिंग में होने वाला प्रत्येक अवांछित उतार-चढ़ाव दो स्रोतों में से किसी एक से उत्पन्न होता है। विषय-संबंधी (सब्जेक्ट-रिलेटेड), या शारीरिक (फिजियोलॉजिकल), आर्टिफ़ैक्ट्स प्रतिभागी के अपने शरीर द्वारा उत्पन्न होते हैं। इनमें पलकें झपकाना, मांसपेशियों का तनाव, दिल की धड़कन और पसीने की ग्रंथियों की गतिविधि शामिल हैं, ये सभी ऐसे विद्युत क्षेत्र उत्पन्न करते हैं जिन्हें स्कैल्प इलेक्ट्रोड वास्तविक मस्तिष्क गतिविधि के साथ रिकॉर्ड कर लेते हैं।
तकनीकी, या गैर-शारीरिक (नॉन-फिजियोलॉजिकल), आर्टिफ़ैक्ट्स रिकॉर्डिंग उपकरण और पर्यावरण से उत्पन्न होते हैं। ढीले इलेक्ट्रोड, केबल का हिलना-डुलना, एम्पलीफायर सैचुरेशन और मुख्य विद्युत व्यवधान (मेन्स इंटरफेरेंस) 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 रणनीतियां मौलिक रूप से भिन्न होती हैं। जबड़े को भींचने से उत्पन्न मांसपेशियों का झटका एक अलग हस्तक्षेप की मांग करता है, जबकि खराब शील्ड वाली केबल के माध्यम से आने वाली 60-हर्ट्ज़ की निरंतर भनभनाहट के लिए अलग उपाय की आवश्यकता होती है।
विषय-संबंधी आर्टिफ़ैक्ट्स को कैसे पहचानें
पलकें झपकाना
आंख एक छोटी विद्युत बैटरी की तरह व्यवहार करती है। कॉर्निया पर रेटिना की तुलना में धनात्मक (पॉजिटिव) चार्ज होता है, जिससे एक कॉर्नियो-रेटिनल द्विध्रुव (डायपोल) बनता है। जब कोई प्रतिभागी पलक झपकाता है, तो पलक इस द्विध्रुव के ऊपर से गुजरती है और धनात्मक क्षेत्र को ऊपर की ओर खींचती है, जिससे आंखों के सबसे करीब मौजूद ललाट (फ्रंटल) इलेक्ट्रोड पर एक बड़ा, धनात्मक वोल्टेज विक्षेपण (डिफ्लेक्शन) उत्पन्न होता है।
टाइम-डोमेन ट्रेस में, पलक झपकना एक उच्च-आयाम (हाई-एंप्लीट्यूड), धीमी तरंग के रूप में दिखाई देता है जो Fp1 और Fp2 जैसे फ्रंटोपोलर चैनलों पर अपने अधिकतम स्तर पर पहुंचता है, और फिर केंद्रीय या पश्च (पोस्टीरियर) व्युत्पन्नों की ओर देखने पर तेजी से कम हो जाता है। चूंकि यह तरंग रूप इतना सुसंगत और विशिष्ट होता है, इसलिए एक प्रशिक्षित आंख इसे लगभग तुरंत पहचान सकती है।
आंखों की हलचल और सैकेडिक स्पाइक्स
जब आंखें बिना पलक झपकाए अगल-बगल घूमती हैं, तो कॉर्नियो-रेटिनल द्विध्रुव ढंकने के बजाय घूमता है। इससे इलेक्ट्रो-ओकुलोोग्राम सिग्नल में एक सीढ़ीदार (स्टेप-लाइक) बदलाव उत्पन्न होता है जो आस-पास के ईईजी चैनलों में फैल सकता है।
इसके अतिरिक्त, सैकेड के दौरान एक्स्ट्राओकुलर मांसपेशियों का तेजी से संकुचन एक संक्षिप्त, तीव्र विद्युत क्षणिक प्रभाव पैदा करता है जिसे सैकेडिक स्पाइक पोटेंशियल कहा जाता है। एक रॉ ट्रेस पर, ये स्पाइक देखने में मिर्गी (एपिलेप्टिफॉर्म) जैसी गतिविधि के समान लग सकते हैं। ये आमतौर पर ललाट और टेम्पोरल इलेक्ट्रोड तक ही सीमित होते हैं और दृष्टि की दिशा बदलने के साथ मेल खाते हैं।
उन्हें पहचानने से गलत नैदानिक निष्कर्ष से बचा जा सकता है और अन्यथा स्वच्छ न्यूरल डेटा के अनावश्यक निरस्तीकरण को रोका जा सकता है। स्पाइक की संक्षिप्तता, क्षैतिज या ऊर्ध्वाधर आंख की हलचल के साथ इसका संबंध, और इसके बाद किसी धीमी तरंग का न होना इसे वास्तविक कॉर्टिकल डिस्चार्ज से अलग करने में मदद करता है।
मांसपेशियों की गतिविधि
स्कैल्प, चेहरे और गर्दन की मांसपेशियां उच्च-आवृत्ति (हाई-फ्रीक्वेंसी) वाले विद्युत शोर के प्रमुख स्रोत हैं। जब कोई प्रतिभागी अपना जबड़ा भींचता है, भौहें सिकोड़ता है, या गर्दन में तनाव रखता है, तो मोटर यूनिट एक्शन पोटेंशियल असंगत रूप से सक्रिय होते हैं और मिलकर एक नुकीले, अनियमित व्यवधान पैटर्न का रूप ले लेते हैं।
टाइम डोमेन में, मांसपेशियों का आर्टिफ़ैक्ट ईईजी के ऊपर तेज, कम-आयाम वाले विक्षेपों के तीव्र विस्फोट जैसा दिखता है, जो अक्सर टेम्पोरल या फ्रंटल इलेक्ट्रोड पर सबसे प्रमुख होता है। इसकी आवृत्ति सामग्री मुख्य रूप से 20 Hz से ऊपर होती है, जो बीटा और गामा बैंड तक जाती है जहां कई संज्ञानात्मक माप स्थित होते हैं, जिससे यह मानसिक स्थिति की निगरानी और ब्रेन-कंप्यूटर इंटरफ़ेस अनुप्रयोगों के लिए विशेष रूप से परेशानी का सबब बन जाता है।
पास-पास लगे इलेक्ट्रोड वाले हाई-डेंसिटी ईईजी सेटअप मांसपेशियों के स्रोत का पता लगाने में मदद कर सकते हैं, लेकिन बचाव की पहली पंक्ति प्रतिभागी को आराम करने का निर्देश देना और सिर के लिए शारीरिक सहारा प्रदान करना है।
पसीना और इलेक्ट्रोडर्मल बदलाव
पसीने की ग्रंथि की गतिविधि के कारण त्वचा के प्रवाहकत्त्व (कंडक्टेंस) में परिवर्तन इलेक्ट्रोड-त्वचा इंटरफ़ेस को बदल देता है। यह बेसलाइन वोल्टेज में बहुत धीमा, सहज बहाव (ड्रिफ्ट) उत्पन्न करता है, जो अक्सर 1 Hz से नीचे होता है, और कई सेकंड तक भटक सकता है।
यह आर्टिफ़ैक्ट किसी स्पाइक या लयबद्ध भनभनाहट के रूप में नहीं, बल्कि पूरे ट्रेस के एक सौम्य, तरंग जैसे बहाव 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 भ्रामक कारक को कमरे के तापमान को स्थिर रखकर और अच्छा इलेक्ट्रोड संपर्क सुनिश्चित करके प्रबंधित किया जा सकता है।
कार्डियक सिग्नल्स
हृदय का विद्युत क्षेत्र इतना शक्तिशाली होता है कि वह खोपड़ी तक पहुंच जाता है, विशेष रूप से तब जब इलेक्ट्रोड इम्पीडेंस अधिक हो या जब कोई संदर्भ इलेक्ट्रोड मैस्टॉइड या कान की बाली के पास किसी रक्त वाहिका के पास स्थित हो।
परिणामी इलेक्ट्रोकार्डियोग्राम आर्टिफ़ैक्ट हृदय गति के अनुसार दोहराए जाने वाले एक नियमित, तीव्र क्यूआरएस-कॉम्प्लेक्स (QRS-complex) 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 कर जाता है, और व्यापक-स्पेक्ट्रम आर्टिफ़ैक्ट विशेषताओं पर प्रशिक्षित क्लासिफायर अन्य दूषित पदार्थों के साथ इसका पता लगा सकते हैं।
यदि हृदय का वेवफॉर्म दिखाई दे रहा है लेकिन अत्यधिक प्रभावी नहीं है, तो अक्सर एक समर्पित ईसीजी चैनल रिकॉर्ड करके इसे घटाया जा सकता है; अन्यथा, प्रभावित हिस्सों को मैन्युअल रूप से अस्वीकार करने की आवश्यकता हो सकती है।
आर्टिफ़ैक्ट | पहचान |
|---|---|
पलक झपकना | ललाट की धीमी तरंग |
आंखों की हलचल | सीढ़ीदार बदलाव |
मांसपेशी | उच्च-आवृत्ति वाले स्पाइक्स |
पसीना | धीमी बेसलाइन ड्रिफ्ट |
हृदय संबंधी | तीव्र QRS कॉम्प्लेक्स |
ट्रेस में तकनीकी आर्टिफ़ैक्ट्स की पहचान करना
इलेक्ट्रोड पॉप और हलचल-संबंधी स्पाइक्स
सूखे हुए जेल ब्रिज, खिंची हुई केबल या हिलते हुए इलेक्ट्रोड के कारण इम्पीडेंस में अचानक होने वाला परिवर्तन एक अचानक, तीव्र अस्थिरता उत्पन्न करता है जिसे अक्सर पॉप कहा जाता है। यह "सामान्य विच्छिन्नता (जेनेरिक डिसकंटीन्यूटी)" श्रेणी के अंतर्गत आता है जिसे ADJUST जैसे स्वचालित एल्गोरिदम चिह्नित करने के लिए डिज़ाइन किए गए हैं।
टाइम डोमेन में, इलेक्ट्रोड पॉप आमतौर पर अत्यधिक आयाम के एक अलग-थलग स्पाइक जैसा दिखता है जो एम्पलीफायर को संतृप्त (सैचुरेट) कर सकता है, जिससे धीमी रिकवरी से पहले सिग्नल एक पल के लिए सपाट (फ़्लैट-लाइन) हो जाता है। एक जैविक स्पाइक के विपरीत, यह चल रही शारीरिक गतिविधि से घिरा नहीं होता है और आमतौर पर केवल एक ही चैनल पर दिखाई देता है, जिससे दृश्य निरीक्षण के दौरान इसे पहचानना आसान हो जाता है।
हेगमैन एवं अन्य द्वारा किए गए एक नवजात ईईजी अध्ययन में इसी तरह लगातार हलचल से होने वाले व्यवधान का दस्तावेजीकरण किया गया जिसने आयाम-एकीकृत ट्रेस को बदल दिया, जिससे यह स्पष्ट हुआ कि संक्षिप्त शारीरिक गड़बड़ी भी मापने योग्य संदूषण पैदा करती है।
मेन्स इंटरफेरेंस
रिकॉर्डिंग सेटअप में विद्युत आपूर्ति की कैपेसिटिव कपलिंग मेन्स फ्रीक्वेंसी पर एक निरंतर, लयबद्ध "भनभनाहट" पैदा करती है—यूरोप और दुनिया के अधिकांश हिस्सों में 50 Hz, उत्तरी अमेरिका में 60 Hz।
एक रॉ ईईजी ट्रेस पर, यह व्यवधान प्रत्येक चैनल पर आरोपित एक मोटी साइन-वेव के रूप में दिखाई देता है, जो अक्सर सुसंगत आयाम के साथ होता है। थोड़ी मात्रा में भी लाइन का शोर कम-वोल्टेज वाले मस्तिष्क की लय को छुपा सकता है, और इसकी उपस्थिति इलेक्ट्रोड इम्पीडेंस, शील्डिंग या ग्राउंडिंग की समस्या का संकेत देती है।
यह निश्चित रूप से एक तकनीकी आर्टिफ़ैक्ट है, न कि कोई न्यूरल दोलन, और इसकी निश्चित आवृत्ति इसे नग्न आंखों से या एक साधारण स्पेक्ट्रल प्लॉट के साथ पहचानना आसान बनाती है।
ढीले इलेक्ट्रोड और केबल की हलचल
जब कोई इलेक्ट्रोड स्कैल्प से ठीक से जुड़ा नहीं होता है या रिकॉर्डिंग के बीच में उसकी केबल हिलती है, तो यांत्रिक व्यवधान अनियमित कम-आवृत्ति वाले उतार-चढ़ाव पैदा करता है। यह एकल चैनल पर धीमी, अनिश्चित ड्रिफ्ट या उच्च-आयाम वाली अनियमित तरंगों के उभार जैसा दिख सकता है।
इसकी छिटपुट प्रकृति और एक इलेक्ट्रोड तक सीमित होना इस आर्टिफ़ैक्ट को पलक झपकने या मांसपेशियों के तनाव जैसी व्यापक शारीरिक घटनाओं से तुरंत अलग करता है। वास्तविक समय में ऐसे पलों को चिह्नित करने से बाद में खराब डेटा खंडों की खोज को सीमित करके काफी मेहनत बचती है।
रिकॉर्डिंग के दौरान आर्टिफ़ैक्ट्स को रोकना और उनका दस्तावेजीकरण करना
सबसे प्रभावी आर्टिफ़ैक्ट प्रबंधन रणनीति पहला डेटा बिंदु सहेजे जाने से बहुत पहले शुरू हो जाती है।
एक शांत और तनावमुक्त प्रतिभागी मांसपेशियों और आंखों की गति के आर्टिफ़ैक्ट्स को काफी हद तक कम कर देता है। इसलिए, सत्र के बारे में समझाने के लिए समय निकालें, सिर के सहारे वाली एक आरामदायक कुर्सी प्रदान करें, और स्वाभाविक रूप से पलकें झपकाने और सैकेड्स को कम करने के लिए आंखों को एक स्थिर निर्धारण बिंदु (फिक्सेशन पॉइंट) दें। ये कदम इतने मूलभूत हैं कि शायद ही कभी शोध पत्रों में इनका विस्तार से उल्लेख किया जाता है, फिर भी स्वच्छ डेटा रिपोर्ट करने वाला प्रत्येक अध्ययन अंतर्निहित रूप से इन्हीं पर निर्भर करता है।
इलेक्ट्रोड लगाना बचाव की अगली पंक्ति है। त्वचा की सावधानीपूर्वक तैयारी, पर्याप्त प्रवाहकीय जेल और केबल को सही तरीके से लगाना पर्यावरणीय शोर और हलचल से संबंधित पॉप दोनों को कम करता है।
शिशु ईईजी पर उपर्युक्त अध्ययन में पाया गया कि विद्युत और हलचल संबंधी व्यवधान समान आवृत्ति के साथ होते हैं, जिससे यह पुष्टि होती है कि कोई भी रिकॉर्डिंग वातावरण स्वाभाविक रूप से तकनीकी समस्याओं से सुरक्षित नहीं है। सत्र से पहले और बाद में इम्पीडेंस की जांच करना और कपड़ों या कुर्सी पर केबलों को ठीक से बांधना रोके जा सकने वाले आर्टिफ़ैक्ट्स के एक बड़े हिस्से को समाप्त कर देता है।
अंत में, रिकॉर्डिंग के दौरान दिखाई देने वाले आर्टिफ़ैक्ट्स का एक रनिंग लॉग रखें। किसी भी बड़ी हलचल, खांसी या इलेक्ट्रोड समायोजन का समय दर्ज 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 सेगमेंट को चिह्नित करते हैं।
एक साधारण हस्तलिखित टाइमस्टैम्प या अधिग्रहण सॉफ़्टवेयर में एक इवेंट मार्कर अनुमान को पुनरुत्पादित दस्तावेज़ीकरण में बदल देता है।
मैन्युअल निरस्तीकरण और इंटरपोलेशन: संगणना से पहले सफ़ाई
कंटीन्यूअस ट्रेस का दृश्य निरीक्षण
किसी भी सिग्नल प्रोसेसिंग एल्गोरिदम को आर्टिफ़ैक्ट हटाने का काम सौंपने से पहले, रॉ डेटा को स्क्रॉल करके देखें और दूषित अंतरालों की पहचान करने के लिए ऊपर वर्णित वेवफॉर्म लक्षणों का उपयोग करें।
अक्सर पलक झपकने की विशिष्ट ललाट धीमी तरंग, मांसपेशियों की गतिविधि की उच्च-आवृत्ति वाली हलचल, पॉप के अलग-थलग स्पाइक, या मुख्य शोर की लगातार साइन-वेव को देखने की सलाह दी जाती है। यह कदम आपकी आंख को वास्तविक मस्तिष्क गतिविधि से आर्टिफ़ैक्ट्स को अलग करने के लिए प्रशिक्षित करता है और दुर्लभ, उच्च-आयाम वाली न्यूरल घटनाओं के स्वचालित निरस्तीकरण को रोकता है जो सतही रूप से आर्टिफ़ैक्ट्स जैसी दिख सकती हैं।
ललाट की धीमी तरंग: पलक झपकने का संकेत देती है
उच्च-आवृत्ति वाली हलचल: मांसपेशियों की गतिविधि का संकेत देती है
अत्यधिक आयाम का अलग-थलग स्पाइक: इलेक्ट्रोड पॉप का संकेत देता है
लगातार साइन-वेव: मुख्य विद्युत व्यवधान का संकेत देती है
खराब समय खंडों को चिह्नित करना और बाहर करना
एक बार जब आप आर्टिफ़ैक्ट-युक्त डेटा के एक हिस्से की पहचान कर लेते हैं, तो इसे बाहर करने के लिए चिह्नित करें। इसमें शुरू और समाप्त होने का समय दर्ज करना या ईईजी विश्लेषण सॉफ़्टवेयर में अंतर्निहित मार्किंग टूल का उपयोग करना शामिल हो सकता है।
सबसे खराब दूषित खंडों को मैन्युअल रूप से हटाना वह मानक है जिस पर अत्याधुनिक स्वचालित विधियां भी आधारित हैं। उदाहरण के लिए, ADJUST एल्गोरिदम को विकसित करने वाले काम में, विशेषज्ञों ने एक प्रशिक्षण सेट बनाने के लिए 640 घटकों को मैन्युअल रूप से लेबल किया, और क्लासिफायरियर के प्रदर्शन को फिर इस मैन्युअल रूप से परिभाषित ग्राउंड ट्रुथ के मुकाबले मापा गया।
हाथ से सबसे विकट आर्टिफ़ैक्ट्स को हटाने से डाउनस्ट्रीम एल्गोरिदम पर बोझ कम हो जाता है और उन्हें स्थानिक फ़िल्टरिंग चरणों के दौरान पड़ोसी चैनलों में शोर फैलाने से रोकता है।
लगातार शोर वाले चैनल का इंटरपोलेशन
जब ढीले संपर्क, सूखे जेल या यांत्रिक अस्थिरता के कारण पूरी रिकॉर्डिंग के दौरान एक इलेक्ट्रोड अविश्वसनीय होता है, तो उस चैनल को हटाना और पड़ोसी स्वच्छ इलेक्ट्रोड से उसके डेटा का पुनर्निर्माण करना समग्र डेटा विमीयता (डायमेंशनैलिटी) को सुरक्षित रखता है।
इंटरपोलेशन स्कैल्प पर स्थानिक वोल्टेज वितरण का उपयोग करके यह अनुमान लगाता है कि खराब चैनल ने क्या रिकॉर्ड किया होगा, जिससे आर्टिफ़ैक्ट को प्रभावी रूप से एक प्रशंसनीय, तटस्थ सिग्नल से बदल दिया जाता है। यह कदम स्थलाकृतिक विश्लेषणों (टोपोग्राफिकल एनालिसिस) के लिए डेटासेट को अक्षुण्ण रखता है और चैनल को पूरी तरह से त्यागने से होने वाले डेटा नुकसान से बचाता है।
मैन्युअल सफ़ाई क्यों आवश्यक बनी हुई है
यहां तक कि सबसे परिष्कृत स्वचालित क्लासिफायर्स को भी उस डेटासेट से लाभ होता है जिसे बड़े आर्टिफ़ैक्ट्स से पहले ही साफ़ कर लिया गया हो। नवजात अध्ययन का यह निष्कर्ष कि आर्टिफ़ैक्ट्स रिकॉर्डिंग समय का 12% हिस्सा लेते हैं और नैदानिक व्याख्या को प्रभावित करते हैं, यह दर्शाता है कि कितनी आसानी से बिना हटाए गए संदूषण निष्कर्षों को विकृत कर सकते हैं।
इसलिए, मैन्युअल निरीक्षण यह सुनिश्चित करता है कि डेटा के प्रभावी कम्प्यूटेशनल पाइपलाइन में प्रवेश करने से पहले सबसे बड़े और सबसे स्पष्ट आर्टिफ़ैक्ट्स चले जाएं, जहां वे अन्यथा भिन्नता (वेरियंस) पर हावी हो सकते हैं और विश्लेषण को गुमराह कर सकते हैं। यह डेटासेट के साथ एक घनिष्ठ परिचितता भी बनाता है जिसकी कोई एल्गोरिदम नकल नहीं कर सकता।
स्वचालित निष्कासन मैन्युअल कार्य का समर्थन कैसे करता है
एक विश्लेषण उपकरण के रूप में स्वतंत्र घटक विश्लेषण (इंडिपेंडेंट कंपोनेंट एनालिसिस)
एक बार सबसे खराब खंडों को मैन्युअल रूप से हटा दिए जाने के बाद, ICA शेष ईईजी को सांख्यिकीय रूप से स्वतंत्र स्रोत घटकों में विघटित कर सकता है। यह तकनीक स्कैल्प इलेक्ट्रोड द्वारा उठाए गए मस्तिष्क और आर्टिफ़ैक्ट सिग्नलों के मिश्रण को अलग करती है, जिससे आंखों की हलचल, पलक झपकना और मांसपेशियों की गतिविधि को उनके अद्वितीय स्थानिक और लौकिक पैटर्न के आधार पर अलग-अलग घटकों में विभाजित किया जा सकता है।
फ्रंटल प्रोजेक्शन और एक वेवफॉर्म वाला घटक जो ब्लिंक सिग्नल से काफी मेल खाता है, उसे तब पहचाना और घटाया जा सकता है, जिससे शेष डेटा न्यूरोफिज़ियोलॉजिकल रूप से बरकरार रहता है। आईसीए की ताकत एक साथ होने वाले कई आर्टिफ़ैक्ट स्रोतों को संभालने की क्षमता में निहित है, एक ऐसा कार्य जिसे सरल प्रतिगमन-आधारित सुधार अक्सर आवश्यकता से अधिक या कम ठीक कर पाता है।
आधुनिक क्लासिफायर्स की विश्वसनीयता
स्वचालित तरीके अब प्रदर्शन के उस स्तर पर पहुंच गए हैं जो विशेषज्ञ मानव निर्णय से काफी करीब से मेल खाता है।
एक विषय-स्वतंत्र रैखिक क्लासिफायर, जिसे आवृत्ति, स्थानिक और लौकिक डोमेन से ली गई छह विशेषताओं पर प्रशिक्षित किया गया था, ने प्रतिक्रिया-समय डेटासेट पर 10% से कम माध्य वर्ग त्रुटि (मीन स्क्वेयर्ड एरर) प्राप्त की, जो दो मानव विशेषज्ञों के बीच असहमति की सीमा के भीतर है।
इसके अलावा, ADJUST एल्गोरिदम, जो स्थानिक और लौकिक आर्टिफ़ैक्ट-विशिष्ट विशेषताओं को जोड़ता है, पूरी तरह से स्वतंत्र डेटासेट पर परीक्षण किए जाने पर डेटा वेरियंस के 95.2% पर मैन्युअल विशेषज्ञ लेबलिंग से सहमत हुआ, और आर्टिफ़ैक्टेड घटकों को हटाने से घटना-संबंधी विभवों (इवेंट-रिलेटेड पोटेंशियल्स) का एक स्पष्ट पुनर्निर्माण हुआ।
सपोर्ट वेक्टर मशीन के साथ संयुक्त ऑटोरेग्रेसिव मॉडल का उपयोग करने वाले एक अलग दृष्टिकोण ने लगभग 94% सटीकता के साथ व्यक्तियों में विषय-जनित आर्टिफ़ैक्ट्स के कई प्रकारों को वर्गीकृत किया।
विशेष रूप से आंखों के आर्टिफ़ैक्ट्स के लिए, प्रासंगिक घटकों को निष्पक्ष रूप से पहचानने के लिए आई-ट्रैकर जानकारी को शामिल करने वाले एक एल्गोरिदम ने उन मानव विशेषज्ञों की तुलना में लगभग दोगुना प्रभावी प्रदर्शन किया, जिन्हें केवल घटक टोपोग्राफी पर निर्भर रहना पड़ता था, जिससे 0.99 से अधिक कर्व के तहत रिसीवर ऑपरेटिंग विशेषता क्षेत्र (ROC AUC) प्राप्त हुआ।
ये आंकड़े मैन्युअल सफ़ाई की जगह नहीं लेते हैं, लेकिन यह प्रदर्शित करते हैं कि इस क्षेत्र में अब विश्वसनीय कम्प्यूटेशनल सहायक हैं जो उस दोहरावदार, उच्च-मात्रा वाली पहचान को संभाल सकते हैं जो कभी पूरी तरह से हाथ से की जाती थी।
आर्टिफ़ैक्ट निष्कासन और सिग्नल संरक्षण को संतुलित करना
आक्रामक रूप से आर्टिफ़ैक्ट को अस्वीकार करना अनजाने में वास्तविक न्यूरल जानकारी को छीन सकता है। मोटर इमेजरी ब्रेन-कंप्यूटर इंटरफ़ेस प्रतिमान में, शोधकर्ताओं ने पाया कि वे सबसे अधिक आर्टिफ़ैक्ट वाले आईसीए घटकों में से 60% तक को सुरक्षित रूप से हटा सकते हैं, जबकि अभी भी उस विवेकी जानकारी को संरक्षित कर सकते हैं जिसका उपयोग BCI प्रणाली उपयोगकर्ता के इरादे को डिकोड करने के लिए करती है।
यह निष्कर्ष इस महत्वपूर्ण सिद्धांत को रेखांकित करता है कि कुछ आर्टिफ़ैक्ट वेरियंस ले जाने वाला प्रत्येक घटक न्यूरल सिग्नल से रहित नहीं होता है। स्वचालित क्लासिफायर द्वारा चुने गए घटकों की मैन्युअल समीक्षा की सलाह अभी भी दी जाती है ताकि यह पुष्टि की जा सके कि निरस्तीकरण सीमा उपयोगी मस्तिष्क गतिविधि के क्षेत्र में न चली जाए।
कन्वोल्यूशनल न्यूरल नेटवर्क के साथ स्वचालित ईईजी आर्टिफ़ैक्ट पहचान
ईईजी आर्टिफ़ैक्ट पहचान के स्वचालित दृष्टिकोणों में काफी प्रगति हुई है, जो ऊपर वर्णित मैन्युअल पहचान तकनीकों के पूरक की पेशकश करते हैं। अनुसंधान की एक पंक्ति ने कन्वोल्यूशनल न्यूरल नेटवर्क पर ध्यान केंद्रित किया है जो विशेषज्ञ फीचर निष्कर्षण या रॉ सिग्नल के प्रीप्रोसेसिंग की आवश्यकता के बिना आर्टिफ़ैक्ट्स का पता लगा सकते हैं और उन्हें वर्गीकृत कर सकते हैं।
निरंतर मल्टी-चैनल ईईजी डेटा की जांच करने वाले शोधकर्ताओं के एक अध्ययन ने ईईजी आर्टिफ़ैक्ट्स के बाइनरी डिटेक्शन के लिए एक सीएनएन (CNN) आर्किटेक्चर का प्रस्ताव रखा, फिर कई आर्टिफ़ैक्ट प्रकारों को वर्गीकृत करने के लिए इसका विस्तार किया। लेखकों की रिपोर्ट है कि उनके अनुकूलित नेटवर्क ने 17 रोगियों और 9 आर्टिफ़ैक्ट वर्गों में औसतन 94.17% वर्गीकरण सटीकता प्राप्त की। मूल सीएनएन-आधारित आर्किटेक्चर की तुलना में, अनुकूलित संस्करण ने 17.5% उच्च सटीकता के साथ 4.2 गुना कम पैरामीटर और 2.7 गुना कम गणना प्रदान की। शोधकर्ताओं ने 14-चैनल इमोटिव ईपीओसी एक्स headset का उपयोग करके अपनी प्रयोगशाला में एकत्र किए गए डेटासेट पर अपने मॉडल का मूल्यांकन भी किया, जहां इसने पलक झपकने के आर्टिफ़ैक्ट्स का पता लगाने में 93.5% सटीकता प्राप्त की।
अध्ययन में पाया गया कि प्रस्तावित मॉडलों को फीचर निष्कर्षण या ईईजी डेटा के प्रीप्रोसेसिंग के लिए विशेषज्ञ ज्ञान की आवश्यकता नहीं होती है, और यह आर्किटेक्चर इतना कुशल है कि इसे मोबाइल उपकरणों पर लागू किया जा सकता है। यह व्यावहारिक, कम-संसाधन सेटिंग्स में वास्तविक समय में आर्टिफ़ैक्ट का पता लगाने की संभावना की ओर इशारा करता है।
अनुसंधान का यह निकाय अभी तक यह स्थापित नहीं करता है कि ऐसे स्वचालित क्लासिफायर वास्तविक दुनिया की रिकॉर्डिंग में आने वाले आर्टिफ़ैक्ट प्रकारों की पूरी श्रृंखला में कैसा प्रदर्शन करते हैं, या वे विविध आबादी और रिकॉर्डिंग वातावरण में मैन्युअल निरीक्षण से कैसे तुलना करते हैं। निष्कर्ष बताते हैं कि कुशल, स्वचालित ईईजी आर्टिफ़ैक्ट पहचान संभव है, लेकिन व्यापक परिस्थितियों में आगे का सत्यापन जांच का एक खुला क्षेत्र बना हुआ है।
आर्टिफ़ैक्ट जागरूकता डेटा गुणवत्ता को क्यों निर्धारित करती है
आर्टिफ़ैक्ट्स दृश्य व्याख्या और मात्रात्मक माप दोनों को सीधे प्रभावित करते हैं। चाहे लक्ष्य नैदानिक निदान हो, न्यूरोसाइंस की खोज हो, या उपभोक्ता कल्याण अनुप्रयोग हो, विश्वसनीय परिणामों का मार्ग इस बात की स्पष्ट समझ से होकर गुजरता है कि आर्टिफ़ैक्ट्स कहां से आते हैं, वे रॉ ट्रेस पर कैसे दिखते हैं, और उन्हें रोकने, दस्तावेजित करने और मैन्युअल रूप से हटाने की अनुशासित प्रक्रिया क्या है।
आईसीए-आधारित स्वचालन सफ़ाई के 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 आंख द्वारा जांचा गया हो। 12% संदूषण दर अधिक नहीं लग सकती है, लेकिन जब वह अंश किसी चिकित्सीय निर्णय को बदल सकता है या एक सूक्ष्म संज्ञानात्मक बायोमार्कर को अस्पष्ट कर सकता है, तो आर्टिफ़ैक्ट प्रबंधन में निवेश रिकॉर्डिंग की वैज्ञानिक अखंडता से अविभाज्य हो जाता है।
संदर्भ
प्लॉखल, एम., ओसांडोन, जे. पी., और कोनिग, पी. (2012)। ईईजी और आई ट्रैकिंग का संयोजन: इलेक्ट्रोएन्सेफैलोग्राफिक डेटा में आंख की गति के आर्टिफ़ैक्ट्स की पहचान, लक्षण वर्णन और सुधार। फ्रंटियर्स इन ह्यूमन न्यूरोसाइंस, 6, 278। https://doi.org/10.3389/fnhum.2012.00278
मोगनोन, ए., जोविचिक, जे., ब्रुज़ोन, एल., और बुइयाती, एम. (2011)। ADJUST: स्थानिक और लौकिक विशेषताओं के संयुक्त उपयोग पर आधारित एक स्वचालित ईईजी आर्टिफ़ैक्ट डिटेक्टर। साइकोफिज़ियोलॉजी, 48(2), 229-240। https://doi.org/10.1111/j.1469-8986.2010.01061.x
हेगमैन, सी. एफ., रॉबर्टसन, एन. जे., और अज़ोपार्डी, डी. (2006)। इलेक्ट्रोएन्सेफैलोग्राम पर आर्टिफ़ैक्ट्स आयाम-एकीकृत ईईजी वर्गीकरण को प्रभावित कर सकते हैं: नवजात एन्सेफैलोपैथी में एक गुणात्मक विश्लेषण। बाल रोग, 118(6), 2552–2554। https://doi.org/10.1542/peds.2006-2519
विंकलर, आई., हौफे, एस., और टेंगरमैन, एम. (2011)। ईईजी सिग्नलों में आर्टिफ़ैक्ट हटाने के लिए आर्टिफ़ैक्चुअल आईसीए-घटकों का स्वचालित वर्गीकरण। व्यवहार और मस्तिष्क कार्य, 7(1), 30। https://doi.org/10.1186/1744-9081-7-30
लॉहर्न, वी., हेयरस्टन, डब्ल्यू. डी., मैकडॉवेल, के., वेस्टरफ़ील्ड, एम., और रॉबिन्स, के. (2012)। ऑटोरेग्रेसिव मॉडल का उपयोग करके ईईजी सिग्नलों में विषय-जनित आर्टिफ़ैक्ट्स का पता लगाना और वर्गीकरण करना। जर्नल ऑफ न्यूरोसाइंस मेथड्स, 208(2), 181-189। https://doi.org/10.1016/j.jneumeth.2012.05.017
अक्सर पूछे जाने वाले प्रश्न
ईईजी आर्टिफ़ैक्ट्स की दो मुख्य श्रेणियां क्या हैं, और वे कैसे भिन्न हैं?
ईईजी आर्टिफ़ैक्ट्स दो श्रेणियों में आते हैं: विषय-संबंधी (शारीरिक) आर्टिफ़ैक्ट्स जो प्रतिभागी के शरीर द्वारा उत्पन्न होते हैं—जैसे पलकें झपकाना, मांसपेशियों का तनाव, दिल की धड़कन और पसीना—और तकनीकी (गैर-शारीरिक) आर्टिफ़ैक्ट्स जो उपकरण या पर्यावरण से उत्पन्न होते हैं, जैसे ढीले इलेक्ट्रोड, केबल का हिलना और मुख्य व्यवधान। यह अंतर इसलिए मायने रखता 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-हर्ट्ज़ की लाइन भनभनाहट की तुलना में एक अलग हस्तक्षेप की आवश्यकता होती है।
आप ईईजी ट्रेस पर पलक झपकने के आर्टिफ़ैक्ट को कैसे पहचान सकते हैं?
पलक झपकना एक बड़ी, धनात्मक, धीमी तरंग के रूप में दिखाई देता है जो Fp1 और Fp2 जैसे ललाट इलेक्ट्रोड पर सबसे मजबूत होती है, और यह केंद्रीय या पश्च चैनलों की ओर तेजी से फीकी पड़ जाती है। चूंकि कॉर्निया पर रेटिना के सापेक्ष एक धनात्मक चार्ज होता है, इसलिए इस द्विध्रुव के ऊपर से गुजरने वाली पलक एक रूढ़िबद्ध, उच्च-आयाम वाला विक्षेप पैदा करती है जिसे प्रशिक्षण के साथ पहचानना आसान होता है।
ब्रेन-कंप्यूटर इंटरफ़ेस के लिए मांसपेशियों की गतिविधि विशेष रूप से समस्याग्रस्त क्यों हो सकती है?
जबड़े को भींचने, भौहें सिकोड़ने या गर्दन के तनाव से उत्पन्न मांसपेशियों के आर्टिफ़ैक्ट उच्च-आवृत्ति, नुकीले व्यवधान पैदा करते हैं जो अक्सर बीटा और गामा ब्रेनवेव बैंड के साथ ओवरलैप होते हैं जहां संज्ञानात्मक उपाय और मानसिक स्थिति की निगरानी संचालित होती है। यह संदूषण एल्गोरिथम विश्लेषणों को भ्रष्ट कर सकता है और ब्रेन-कंप्यूटर इंटरफ़ेस मॉडल के प्रदर्शन को ख़राब कर सकता है, जिससे यह प्रबंधित करने के लिए सबसे परेशानी भरे शारीरिक आर्टिफ़ैक्ट्स में से एक बन जाता है।
मुख्य विद्युत व्यवधान (मेन्स इंटरफेरेंस) आर्टिफ़ैक्ट कैसा दिखता है, और इसका क्या कारण है?
मेन्स व्यवधान प्रत्येक ईईजी चैनल पर आरोपित एक निरंतर, लयबद्ध साइन-वेव "भनभनाहट" के रूप में दिखाई देता है, आमतौर पर क्षेत्र की विद्युत आपूर्ति के आधार पर 50 या 60 हर्ट्ज़ पर। यह खराब इलेक्ट्रोड इम्पीडेंस, अपर्याप्त शील्डिंग या ग्राउंडिंग समस्याओं के कारण रिकॉर्डिंग सेटअप में पावर स्रोत के कैपेसिटिव कपलिंग से उत्पन्न होता है, और यह स्पष्ट रूप से एक तंत्रिका सिग्नल के बजाय एक तकनीकी आर्टिफ़ैक्ट है।
रिकॉर्डिंग के दौरान आर्टिफ़ैक्ट्स का मैन्युअल एनोटेशन क्यों महत्वपूर्ण है?
सत्र के दौरान बड़ी गतिविधियों, खांसी या इलेक्ट्रोड समायोजन का एक चालू लॉग रखने से बाद में खराब डेटा खंडों को कम करने में मदद मिलती है और अनुमान पुनरुत्पादित प्रलेखन में बदल जाता 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 तरह की सफ़ाई की विश्वसनीयता में सुधार करता है।
लगातार शोर वाले ईईजी चैनल को इंटरपोलेट करने का क्या उद्देश्य है?
जब ढीले संपर्क या सूखे जेल के कारण पूरी रिकॉर्डिंग के दौरान एक इलेक्ट्रोड अविश्वसनीय होता है, तो इंटरपोलेशन स्कैल्प पर स्थानिक वोल्टेज वितरण का उपयोग करके पड़ोसी स्वच्छ इलेक्ट्रोड से उस चैनल के डेटा का पुनर्निर्माण करता है। यह टोपोग्राफिकल विश्लेषण के लिए डेटासेट की समग्र विमीयता को सुरक्षित रखता है, जिससे पूरा चैनल खारिज होने पर होने वाले डेटा के नुकसान से बचा जा सकता है।
स्वतंत्र घटक विश्लेषण (ICA) आर्टिफ़ैक्ट हटाने में कैसे मदद करता है?
आईसीए मिश्रित ईईजी सिग्नलों को सांख्यिकीय रूप से स्वतंत्र स्रोत घटकों में विघटित करता है, जो उनके अद्वितीय स्थानिक और लौकिक पैटर्न के आधार पर आंखों के झपकने, मांसपेशियों की गतिविधि और अन्य आर्टिफ़ैक्ट्स को अलग करता है। एक बार पहचाने जाने के बाद, एक आर्टिफ़ैक्ट घटक—जैसे पलक झपकने से मेल खाने वाले ललाट प्रक्षेपण वाला—को घटाया जा सकता है, जिससे अंतर्निहित न्यूरल सिग्नल काफी हद तक बरकरार रहते हैं और सरल प्रतिगमन विधियों की तुलना में कई समवर्ती आर्टिफ़ैक्ट स्रोतों को अधिक प्रभावी ढंग से संभाला जा सकता है।
स्वचालित आर्टिफ़ैक्ट हटाने के साथ बहुत अधिक आक्रामक होने का क्या जोखिम है?
आक्रामक निरस्तीकरण अनजाने में वास्तविक न्यूरल जानकारी को छीन सकता है, क्योंकि कुछ घटक आर्टिफ़ैक्ट भिन्नता और उपयोगी मस्तिष्क गतिविधि दोनों को ले जाते हैं। भले ही स्वचालित क्लासिफायर कई घटकों को चिह्नित करते हैं, फिर भी यह सुनिश्चित करने के लिए कि कौन से घटकों को हटाया जाए, मैन्युअल समीक्षा की सलाह दी जाती है ताकि यह सुनिश्चित किया जा सके कि अस्वीकृति सीमा उस सिग्नल को समाप्त नहीं करती है जो उपयोगकर्ता के इरादे को डिकोड करने या संज्ञानात्मक बायोमार्कर का पता लगाने के लिए आवश्यक है।
आर्टिफ़ैक्ट जागरूकता सीधे ईईजी रिकॉर्डिंग की वैज्ञानिक अखंडता को क्यों प्रभावित करती है?
आर्टिफ़ैक्ट पैथोलॉजिकल वेवफॉर्म का रूप ले सकते हैं या ऐसा वेरियंस ला सकते हैं जो दृश्य व्याख्या और मात्रात्मक विश्लेषण दोनों को विकृत करता है, संभावित रूप से नैदानिक वर्गीकरण को बदल सकता है या सूक्ष्म संज्ञानात्मक संकेतों को अस्पष्ट कर सकता है। किसी भी कम्प्यूटेशनल प्रसंस्करण से पहले आर्टिफ़ैक्ट्स को रोकने, दस्तावेजीकरण करने और मैन्युअल रूप से साफ़ करने की एक अनुशासित प्रक्रिया आवश्यक है, जिससे यह सुनिश्चित होता है 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।
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
