ईईजी (EEG) डेटा खोपड़ी (स्कैल्प) से मापी गई विद्युत गतिविधि का समय-संवेदनशील रिकॉर्ड प्रदान करता है। इसका मूल्य न केवल स्वयं रिकॉर्डिंग पर निर्भर करता है, बल्कि सावधानीपूर्वक अधिग्रहण, पारदर्शी प्रसंस्करण, उपयुक्त भंडारण और जिम्मेदार व्याख्या पर भी निर्भर करता है।
EEG डेटा क्या है?
EEG डेटा वोल्टेज अंतरों का एक डिजिटल रिकॉर्ड है जो खोपड़ी पर या उसके पास रखे गए इलेक्ट्रोड द्वारा मापा जाता है। इलेक्ट्रोएन्सेफलोग्राफी (Electroencephalography) गैर-आक्रामक है और उच्च लौकिक रिज़ॉल्यूशन (temporal resolution) प्रदान करती है, जिससे शोधकर्ताओं और चिकित्सकों को मिलीसेकंड में मस्तिष्क की गतिविधि में होने वाले बदलावों की जांच करने में मदद मिलती है। इसके परिणामस्वरूप मिलने वाले सिग्नल को आमतौर पर एक या अधिक निरंतर समय श्रृंखला (time series) के रूप में संग्रहीत किया जाता है, जिसमें प्रत्येक चैनल एक संदर्भ (reference) के सापेक्ष माप का प्रतिनिधित्व करता है।
यह सिग्नल विभिन्न स्रोतों के मिश्रण को दर्शाता है। तंत्रिका संबंधी गतिविधि (neural activity) रिकॉर्डिंग में योगदान देती है, लेकिन आंखों की हलचल, मांसपेशियों में संकुचन, इलेक्ट्रोड की हलचल, पर्यावरणीय हस्तक्षेप और संपर्क में बदलाव जैसे आर्टिफैक्ट (artifacts) भी ट्रेस में दिखाई दे सकते हैं।
इस कारण से, EEG डेटा किसी एकल मस्तिष्क प्रक्रिया का सीधा रीडआउट नहीं है। यह एक ऐसा अवलोकन है जिसके लिए संदर्भ, गुणवत्ता जांच और एक स्पष्ट विश्लेषणात्मक पद्धति की आवश्यकता होती है।
चैनलों की संख्या, नमूनाकरण दर (sampling rate), संदर्भ, इलेक्ट्रोड के स्थान, घटना मार्कर और प्रतिभागी की जानकारी सभी इस बात को तय करते हैं कि डेटा की व्याख्या कैसे की जा सकती है। व्यावहारिक रूप से, रिकॉर्डिंग तब सबसे अधिक जानकारीपूर्ण होती है जब सिग्नल को कार्य, स्थिति, समय और उन परिस्थितियों के साथ ध्यान में रखा जाता है जिनके तहत इसे एकत्र किया गया था।
मस्तिष्क कोशिकाएं EEG सिग्नल कैसे उत्पन्न करती हैं
एक EEG इलेक्ट्रोड जिस वोल्टेज विक्षेपण (deflections) का पता लगाता है, वह उन तीखे, ऑल-ऑर-नथिंग एक्शन पोटेंशियल (action potentials) से उत्पन्न नहीं होता है जिनका उपयोग न्यूरॉन्स लंबी दूरी के संचार के लिए करते हैं, बल्कि उन धीमे, क्रमिक पोस्टसिनेप्टिक पोटेंशियल (postsynaptic potentials) से होता है जो कॉर्टिकल पिरामिडल कोशिकाओं के डेंड्राइट्स में फैलते हैं।
जब इनमें से हजारों न्यूरॉन्स लगभग एक साथ सक्रिय होते हैं, तो उनकी सूक्ष्म बाह्यकोशिकीय धाराएं मस्तिष्क, मस्तिष्क-मेरु द्रव (cerebrospinal fluid), खोपड़ी और त्वचा के प्रवाहकीय माध्यम से जुड़ती हैं, जिसे वॉल्यूम कंडक्शन (volume conduction) कहा जाता है। रिकॉर्डिंग सेंसर तक अंततः पहुँचने वाला वोल्टेज उस बड़े पैमाने पर होने वाली तंत्रिका समकालिकता (neural synchrony) का एक धुंधला लेकिन वास्तविक प्रतिबिंब होता है।
EEG डेटा अधिग्रहण (Acquisition) कैसे काम करता है
अधिग्रहण के दौरान, इलेक्ट्रोड छोटे वोल्टेज उतार-चढ़ाव का पता लगाते हैं और एक रिकॉर्डिंग प्रणाली उन्हें डिजिटल नमूनों में बदल देती है। यह प्रणाली आमतौर पर एक साथ कई चैनलों को रिकॉर्ड करती है, जबकि एक reference और ग्राउंड चैनल मानों की गणना करने के लिए आवश्यक विद्युत संदर्भ प्रदान करते हैं। नमूनाकरण दर यह निर्धारित करती है कि सिग्नल को कितनी बार मापा जाता है और इसलिए किन बदलावों को सटीक रूप से दर्शाया जा सकता है।
रिकॉर्डिंग से पहले, तकनीशियन या शोधकर्ता एक निश्चित montage के अनुसार इलेक्ट्रोड को स्थापित करते हैं और संपर्क गुणवत्ता की जांच करते हैं। EEG electrode placement ढांचा एक मानकीकृत दृष्टिकोण का वर्णन करता है जो विभिन्न सत्रों और प्रयोगशालाओं में तुलना का समर्थन करता है। जब कोई उद्दीपन (stimulus) दिखाई देता है, कोई प्रतिभागी प्रतिक्रिया करता है, या कोई नैदानिक घटना घटित होती है, तब इवेंट मार्कर जोड़े जा सकते हैं, जिससे एक समयरेखा बनती है जिसे बाद में रिकॉर्ड किए गए सिग्नलों के साथ संरेखित किया जा सकता है।
अधिग्रहण प्रोटोकॉल द्वारा भी निर्धारित होता है। रेस्टिंग-स्टेट रिकॉर्डिंग, नींद के अध्ययन, संज्ञानात्मक कार्यों और दौरे की निगरानी के लिए विभिन्न अवधियों, निर्देशों और सहायक सेंसरों का उपयोग किया जाता है। इसलिए एक पूर्ण डेटासेट में वोल्टेज ट्रेस से कहीं अधिक चीजें शामिल होती हैं: इसमें चैनल लेबल, इलेक्ट्रोड की स्थिति, डिवाइस सेटिंग्स, इवेंट कोड, एनोटेशन और रुकावटों या असामान्य स्थितियों का रिकॉर्ड हो सकता है।
EEG डेटा संग्रह के लिए सर्वोत्तम अभ्यास
अच्छा संग्रह एक ऐसे प्रोटोकॉल से शुरू होता है जो प्रतिभागियों के परीक्षण से पहले अनुसंधान प्रश्न, रिकॉर्डिंग अवधि, चैनल कॉन्फ़िगरेशन, नमूनाकरण दर, संदर्भ और इवेंट-मार्किंग प्रक्रिया को परिभाषित करता है। निरंतरता सत्रों के बीच अवांछित भिन्नता को कम करती है और बाद की तुलनाओं को अधिक विश्वसनीय बनाती है। प्रोटोकॉल में यह भी बताया जाना चाहिए कि तब क्या करना है जब कोई चैनल शोर कर रहा हो, कोई प्रतिभागी हिल रहा हो, या कोई इवेंट मार्कर छूट गया हो।
शारीरिक तैयारी भी अत्यंत महत्वपूर्ण है क्योंकि सामान्य हलचल और खराब इलेक्ट्रोड संपर्क के कारण सिग्नल की गुणवत्ता खराब हो सकती है। यही कारण है कि ऑपरेटर आमतौर पर इम्पीडेंस (प्रतिबाधा) या समकक्ष संपर्क संकेतकों का निरीक्षण करते हैं, कार्य को स्पष्ट रूप से समझाते हैं, और प्रतिभागी की स्थिति में प्रासंगिक बदलावों को रिकॉर्ड करते हैं। ये कदम हर आर्टिफैक्ट को पूरी तरह से हटाते नहीं हैं, लेकिन वे इसके स्रोत की पहचान करना आसान बनाते हैं और परिहार्य समस्याओं को न्यूरल निष्कर्ष समझने की भूल होने से बचाते हैं।
एक संक्षिप्त संग्रह चेकलिस्ट वैज्ञानिक निर्णय को प्रतिस्थापित किए बिना परिचालन विवरणों को सामने रख सकती है:
चैनल लेबल, इलेक्ट्रोड स्थान, संदर्भ और ग्राउंड की पुष्टि करें।
नमूनाकरण सेटिंग्स, फ़िल्टर सेटिंग्स और डिवाइस कॉन्फ़िगरेशन रिकॉर्ड करें।
उद्दीपन, प्रतिक्रियाओं, ठहराव और चिकित्सकीय रूप से प्रासंगिक घटनाओं को लगातार चिह्नित करें।
रुकावटों, हलचल, इलेक्ट्रोड परिवर्तन और असामान्य प्रतिभागी स्थितियों का दस्तावेजीकरण करें।
संग्रह के बाद, चेकलिस्ट को कच्चे रिकॉर्डिंग और उसके मेटाडेटा के निरीक्षण के साथ जोड़ा जाना चाहिए। स्पष्ट अधिग्रहण रिकॉर्ड विश्लेषकों को हार्डवेयर, सेटअप या प्रोटोकॉल में बदलाव के कारण होने वाले परिवर्तन से वास्तविक सिग्नल विशेषता को अलग करने की अनुमति देते हैं।
गीले बनाम सूखे इलेक्ट्रोड और त्वचा संपर्क गुणवत्ता
सभी EEG रिकॉर्डिंग त्वचा के अनुकूल एक भौतिक सेंसर से शुरू होती हैं, और वह सेंसर दो व्यापक परिवारों में से एक में आता है।
गीले इलेक्ट्रोड धातु और खोपड़ी के बीच की दूरी को कम करने के लिए एक प्रवाहकीय जेल या पेस्ट का उपयोग करते हैं, जिससे प्रतिबाधा (impedance) कम हो जाती है। सूखे इलेक्ट्रोड जेल की आवश्यकता को समाप्त कर देते हैं, और सिग्नल निष्ठा बनाए रखने के लिए उन्नत सामग्रियों और अंतर्निहित प्रिएम्प्लीफिकेशन पर भरोसा करते हैं।
कुछ इलेक्ट्रोड सक्रिय होते हैं, जिसका अर्थ है कि उनमें सीधे रिकॉर्डिंग साइट पर प्रतिबाधा-रूपांतरण सर्किटरी होती है; निष्क्रिय इलेक्ट्रोड में यह ऑनबोर्ड इलेक्ट्रॉनिक्स नहीं होता है। प्रकार चाहे जो भी हो, इलेक्ट्रोड-खोपड़ी इंटरफ़ेस की गुणवत्ता यह निर्धारित करती है कि एम्पलीफायर तक पहुंचने से पहले कितना जैविक सिग्नल सुरक्षित बच पाता है।
खराब संपर्क पर्यावरणीय शोर और मोशन आर्टिफैक्ट्स को आमंत्रित करता है जो मस्तिष्क की धीमी गतिविधि को दबा सकते हैं। Winkler et al. ने इस चुनौती को तब स्पष्ट किया जब उन्होंने independent component analysis (ICA) घटकों के लिए एक विषय-स्वतंत्र क्लासिफायरियर का निर्माण करके आर्टिफैक्टुअल स्रोत घटकों की सार्वभौमिक समस्या का समाधान किया।
इस प्रयास का अस्तित्व ही इस बात पर जोर देता है कि आर्टिफैक्ट संदूषण EEG रिकॉर्डिंग में एक निरंतर समस्या है, और इलेक्ट्रोड का प्रारंभिक अनुप्रयोग—त्वचा को साफ करना, सेंसर को सही ढंग से रखना और एक स्थिर कनेक्शन को सत्यापित करना—आर्टिफैक्ट के बोझ को कम करने का पहला और सबसे सीधा तरीका है जिससे बाद के प्रसंस्करण को निपटना पड़ता है।
मोंटाज डिजाइन और मानक 10–20 प्रणाली
चूंकि खोपड़ी की क्षमता का कोई अंतर्निहित स्थानिक लेबल नहीं होता है, इसलिए इस क्षेत्र ने बहुत पहले एक समन्वय ग्रिड (coordinate grid) को अपनाया था। अंतर्राष्ट्रीय 10-20 प्रणाली चार शारीरिक स्थलों के बीच आनुपातिक रूप से इलेक्ट्रोड की स्थिति को परिभाषित करती है: नेशन (नाक का पुल), इनियन (सिर के पीछे का उभरा हुआ हिस्सा), और कानों के ठीक सामने बाएं और दाएं प्री-ऑरिकुलर बिंदु। इस मानकीकरण का अर्थ है कि "Cz" लेबल वाला चैनल हर लैब में एक ही केंद्रीय वर्टेक्स स्थान को संदर्भित करता है, जिससे डेटासेट सीधे तुलनीय बन जाते हैं।
इस भौतिक लेआउट के शीर्ष पर एक मोंटाज स्थित होता है, जिसे इस विवरण के रूप में परिभाषित किया जाता है कि संदर्भ के सापेक्ष प्रत्येक इलेक्ट्रोड के वोल्टेज को कैसे मापा जाता है और उन bipolar या संदर्भात्मक व्युत्पन्नों (derivations) को कैसे प्रदर्शित या संग्रहीत किया जाता है। Arnaud Delorme’s study इस बात का एक सशक्त उदाहरण है कि क्यों सटीक मोंटाज जानकारी डाउनस्ट्रीम के लिए महत्वपूर्ण है। उन्होंने पाया कि खराब-चैनल प्रक्षेप (bad-channel interpolation)—जो कुछ पूर्व-प्रसंस्करण चरणों में से एक है जो घटना-संबंधित क्षमता (event-related potentials) की सांख्यिकीय शक्ति में लगातार सुधार करता है—प्रत्येक इलेक्ट्रोड के सटीक स्थानिक पड़ोसियों को जानने पर निर्भर करता है। सही चैनल मानचित्र के बिना, ऐसा इंटरपोलेशन विश्वसनीय रूप से कार्य नहीं कर सकता है।
इसके बाद वे जोड़ते हैं कि आर्टिफैक्ट क्लासिफायरियर को उन डेटा के लिए सामान्यीकृत करने के लिए डिज़ाइन किया गया था जो विभिन्न चैनल सेटअपों का उपयोग करते थे, जिससे यह पुष्टि होती है कि क्लासिफायरियर की स्थानिक विशेषताएं एक अच्छी तरह से प्रलेखित व्यवस्था को मानकर चलती हैं। इस प्रकार एक मानकीकृत, ईमानदारी से प्रलेखित मोंटाज वह अदृश्य मचान बन जाता है जो मानव व्याख्या और एल्गोरिथम दोनों का समर्थन करता है।
ऑनलाइन संदर्भ का चयन और दस्तावेजीकरण
प्रत्येक EEG एम्पलीफायर दो बिंदुओं के बीच वोल्टेज के अंतर को रिकॉर्ड करता है। ऑनलाइन रिकॉर्डिंग के दौरान, उन बिंदुओं में से एक भौतिक संदर्भ इलेक्ट्रोड (reference electrode) होता है जिसे हार्डवेयर एक निश्चित आधार रेखा (baseline) के रूप में मानता है।
सामान्य विकल्प वर्टेक्स (Cz), जुड़े हुए ईयरलोब या मास्टॉइड प्रक्रियाएं, या सभी स्कैल्प चैनलों का औसत हैं। चूंकि कच्ची डेटा फ़ाइल उस मूल संदर्भ के संबंध में वोल्टेज संग्रहीत करती है, इसलिए यह विकल्प संख्याओं पर एक स्थायी छाप छोड़ता है, भले ही शोधकर्ता बाद में गणितीय रूप से सिग्नल को किसी अन्य सामान्य बिंदु पर पुनः संदर्भित (re-reference) कर दे।
डेलॉर्म द्वारा उपर्युक्त अध्ययन में, जिसने तीन सार्वजनिक EEG संग्रहों पर स्वचालित प्रीप्रोसेसिंग पाइपलाइनों का परीक्षण किया, उन्होंने पाया कि रेफरेंसिंग और उन्नत बेसलाइन हटाने के तरीके प्रदर्शन के लिए काफी हानिकारक थे, जिससे उन चैनलों का प्रतिशत कम हो गया जिन्होंने एक महत्वपूर्ण प्रयोगात्मक प्रभाव दिखाया था।
उस खोज का यह अर्थ नहीं है कि किसी को कभी भी पुनः संदर्भित नहीं करना चाहिए, लेकिन इसका अर्थ यह है कि प्रारंभिक ऑनलाइन संदर्भ को फ़ाइल हेडर में रिकॉर्ड किया जाना चाहिए। केवल उसी नोट के साथ एक भावी विश्लेषक यह समझ सकता है कि मूल रूप से कौन सी आधार रेखा घटाई गई थी और यह आकलन कर सकता है कि क्या कोई बाद का रूपांतरण वास्तविक मस्तिष्क प्रतिक्रिया को विकृत कर सकता है।
एनालॉग-टू-डिजिटल रूपांतरण और नमूनाकरण दर
प्रत्येक इलेक्ट्रोड से बहने वाले निरंतर वोल्टेज को एनालॉग-टू-डिजिटल कनवर्टर (ADC) द्वारा असतत संख्याओं की एक धारा में परिवर्तित किया जाता है। वह दर जिस पर ADC नमूना लेता है, परिणामी समय श्रृंखला के लौकिक स्वरूप को निर्धारित करती है।
उदाहरण के लिए, 500 Hz की नमूनाकरण दर का अर्थ है कि मस्तिष्क की विद्युत स्थिति को हर 2 मिलीसेकंड में एक बार कैप्चर किया जाता है। नाइक्विस्ट प्रमेय (Nyquist theorem) के अनुसार, उच्चतम आवृत्ति जिसे डिजीटल सिग्नल में ईमानदारी से प्रस्तुत किया जा सकता है, वह नमूनाकरण दर के आधे से कम होती है, इसलिए 500 Hz रिकॉर्डिंग केवल 250 Hz से कम की आवृत्तियों को पुनर्प्राप्त कर सकती है। Research-grade EEG आमतौर पर रुचि के फ्रीक्वेंसी बैंड के आधार पर 250 Hz और 1000 Hz के बीच काम करता है।
नमूनाकरण दर को मेटाडेटा के रूप में विशेष रूप से महत्वपूर्ण क्या बनाता है कि यह चुपचाप डाउनस्ट्रीम किए गए विश्लेषणात्मक विकल्पों को सीमित कर देता है। Fraschini et al. ने परीक्षण करके इस लहर के प्रभाव की जांच की कि कैसे इपॉक लंबाई (epoch length)—कनेक्टिविटी विश्लेषण के लिए निकाले गए डेटा की समय विंडो—परिणामों को बदल देती है।
स्वस्थ वयस्कों के रेस्टिंग-स्टेट EEG का उपयोग करते हुए, अध्ययन ने दिखाया कि इपॉक के लंबे होने के साथ माध्य फेज-लैग इंडेक्स (phase-lag index) और एम्प्लीट्यूड-एन्वेलप कोरिलेशन (amplitude-envelope correlation) दोनों मान कम हो गए, जो क्रमशः लगभग 12 सेकंड और 6 सेकंड के बाद ही स्थिर हुए। यहां तक कि डेटा से पुनर्निर्मित ग्राफ-सैद्धांतिक नेटवर्क की टोपोलॉजी भी इपॉक अवधि के साथ भिन्न थी, हालांकि स्रोत-स्तरीय न्यूनतम स्पैनिंग ट्री पैरामीटर अधिक मजबूत साबित हुए।
कच्चे डेटा प्रलेखन के लिए आवश्यक सीख यह है कि प्रति सेकंड नमूनों की संख्या इस बात पर एक पूर्ण सीमा निर्धारित करती है कि समय को कैसे विभाजित किया जा सकता है। यदि नमूनाकरण दर गलत तरीके से रिकॉर्ड की गई है, तो प्रत्येक बाद का इवेंट मार्कर, इपॉक सीमा और कनेक्टिविटी अनुमान उस त्रुटि को विरासत में प्राप्त करता है। इसलिए, फ़ाइल हेडर में सटीक ADC दर को नोट करना एक गैर-परक्राम्य कार्य है।
मानक डेटा संग्रहण प्रारूप: EDF और BrainVision
एक बार डिजीटल होने के बाद, समय श्रृंखला और उसके साथ के मेटाडेटा को एक ऐसे फ़ाइल प्रारूप में होना चाहिए जिसे अन्य सॉफ़्टवेयर और अन्य प्रयोगशालाएं बिना किसी अस्पष्टता के खोल सकें।
इस क्षेत्र में दो खुले प्रारूपों का दबदबा है। यूरोपियन डेटा फॉर्मेट (EDF) एक कॉम्पैक्ट, व्यापक रूप से अपनाया गया कंटेनर है जो नींद अनुसंधान और नैदानिक सेटिंग्स में आम है जो नमूनाकरण दर, चैनल लेबल और भौतिक आयामों को निर्दिष्ट करने वाले हेडर के साथ कई चैनलों को संग्रहीत करता है।
BrainVision, ब्रेन प्रोडक्ट्स द्वारा विकसित एक प्रारूप है, जो इसी जानकारी को तीन लिंक्ड फाइलों में फैलाता है: एक टेक्स्ट हेडर (.vhdr) जो चैनल के नाम, नमूनाकरण दर और मूल संदर्भ को सूचीबद्ध करता है; एक मार्कर फ़ाइल (.vmrk) जो इवेंट कोड और उनकी विलंबता (latencies) को रिकॉर्ड करती है; और एक बाइनरी डेटा फ़ाइल (.eeg) जिसमें कच्चे वोल्टेज नमूने होते हैं।
इन मानकीकृत प्रारूपों का महत्व तब स्पष्ट होता है जब बड़े डेटासेट को सार्वजनिक रूप से साझा किया जाता है। उदाहरण के लिए, एक 2019 study में, शोधकर्ताओं ने 54 प्रतिभागियों के मोटर इमेजरी, इवेंट-रिलेटेड पोटेंशियल और स्थिर-अवस्था विजुअली इवोक्ड पोटेंशियल को कवर करने वाले एक मल्टी-पैराडाइम brain-computer interface (BCI) डेटासेट को जारी किया। ओपन-सोर्स विश्लेषण स्क्रिप्ट के साथ ऐसे संसाधन को वितरित करना निरर्थक होगा यदि डेटा मालिकाना रैपर में बंद हो।
चाहे फाइलें अंततः EDF या BrainVision में संग्रहीत हों, यह विकल्प गारंटी देता है कि कोई भी शोधकर्ता रिकॉर्डिंग डाउनलोड कर सकता है और निष्कर्षों को पुनरुत्पादित कर सकता है, जिससे कच्चे ट्रेस को पूरे समुदाय की प्रतिलिपि प्रस्तुत करने योग्य श्रृंखला से जोड़ा जा सके।
विशेषता | EDF | BrainVision |
|---|---|---|
फ़ाइल संरचना | एकल कंटेनर | तीन लिंक की गई फाइलें |
हेडर जानकारी | फ़ाइल के अंदर | .vhdr टेक्स्ट फ़ाइल |
इवेंट मार्कर | अलग नहीं | .vmrk फ़ाइल |
कच्चा डेटा | उसी फ़ाइल में | .eeg बाइनरी फ़ाइल |
आवश्यक रखरखाव: चैनल मानचित्र और नमूनाकरण मेटाडेटा
एक कच्ची EEG फ़ाइल वैज्ञानिक रूप से केवल तभी प्रयोग करने योग्य बनती है जब उसमें उसके स्थानिक और लौकिक ढांचे का पूर्ण, सटीक विवरण हो। इसका अर्थ यह है कि प्रत्येक चैनल के पास एक मानक लेबल (यानी, Fz, C3, O2, इत्यादि) होना चाहिए और साथ ही खोपड़ी पर उसके त्रि-आयामी निर्देशांक होने चाहिए। वे निर्देशांक बाद के किसी भी विश्लेषण की अनुमति देते हैं जिसमें स्थानिक संबंध शामिल होते हैं, जैसे कि उसके पड़ोसियों से खराब चैनल का प्रक्षेप करना या projecting the signal को कॉर्टिकल स्रोत मॉडल पर प्रक्षेपित करना।
Fraschini et al. द्वारा किया गया अध्ययन ICA घटकों को मस्तिष्क या आर्टिफैक्ट के रूप में वर्गीकृत करने के लिए स्थानिक, वर्णक्रमीय (spectral) और लौकिक विशेषताओं पर निर्भर था; किसी घटक की स्थानिक टोपोलॉजी प्रत्येक इलेक्ट्रोड के भौतिक स्थान को जाने बिना निरर्थक है जिसने इसमें योगदान दिया।
इसी तरह, डेलॉर्म ने पाया कि खराब-चैनल इंटरपोलेशन, जो आस-पास के इलेक्ट्रोड के मानों का उपयोग करता है, उन कुछ सुधारों में से एक था जो प्रयोगात्मक प्रभावों को विश्वसनीय रूप से बनाए रखते थे। एक इंटरपोलेटर केवल तभी उस स्थानिक अनुमान को निष्पादित कर सकता है जब डेटासेट का चैनल मानचित्र सही हो।
फ़ाइल हेडर में सटीक नमूनाकरण दर, रिकॉर्डिंग की तारीख और इलेक्ट्रो-ओकुलाोग्राम (आंखों की हलचल) या इलेक्ट्रोमोग्राम (मांसपेशियों की गतिविधि) जैसे किसी भी सहायक चैनलों के लिए स्पष्ट लेबल भी संग्रहीत होने चाहिए। भले ही वे चैनल शुरुआती डेटा अन्वेषण के दौरान अप्रयुक्त रहें, उनकी उपस्थिति पारदर्शी होनी चाहिए। संग्रहीत नमूनाकरण दर और वास्तविक ADC क्लॉक के बीच बेमेल होने से समय अपरिवर्तनीय रूप से विकृत हो सकता है, जिससे बाद में उद्दीपन मार्करों के साथ संरेखित करना असंभव हो जाता है।
नैदानिक (Clinical) बनाम अनुसंधान सेटिंग्स में EEG डेटा
नैदानिक और अनुसंधान रिकॉर्डिंग मुख्य सिद्धांतों को साझा करते हैं लेकिन विभिन्न तत्काल उद्देश्यों की पूर्ति करते हैं। नैदानिक EEG को स्थापित पेशेवर और संस्थागत प्रक्रियाओं के तहत रोगी मूल्यांकन, निगरानी या निदान का समर्थन करने के लिए अधिग्रहित किया जाता है। अनुसंधान EEG आमतौर पर एक परिभाषित परिकल्पना का परीक्षण करने, स्थितियों की तुलना करने, या अध्ययन-विशिष्ट प्रोटोकॉल और प्रलेखन के साथ एक विश्लेषणात्मक विधि विकसित करने के लिए एकत्र किया जाता है।
नैदानिक कार्य समय पर समीक्षा, चिकित्सकीय रूप से सार्थक मोंटाज, मान्य व्याख्या और लागू देखभाल प्रणाली के भीतर एक स्थायी रिकॉर्ड पर कड़ा जोर देता है। अनुसंधान नियंत्रित स्थितियों, पूर्व-निर्धारित परिणामों, प्रतिलिपि प्रस्तुत करने योग्य (reproducibility) और बहिष्करणों के पारदर्शी संचालन पर अधिक जोर देता है। एक शोध परिणाम स्वतः ही एक नैदानिक खोज नहीं बन जाता है, और एक नैदानिक अवलोकन स्वतः ही एक मान्य शोध माप नहीं होता है।
यह अंतर डेटा प्रशासन को भी प्रभावित करता है। नैदानिक डेटा मेडिकल-रिकॉर्ड दायित्वों और प्रत्यक्ष देखभाल आवश्यकताओं द्वारा शासित हो सकता है, जबकि अनुसंधान डेटासेट सहमति भाषा, संस्थागत समीक्षा, डेटा-साझाकरण योजनाओं और अध्ययन के अंतिम बिंदुओं द्वारा आकार लेते हैं। दोनों सेटिंग्स में, प्रशिक्षित व्याख्या और सावधानीपूर्वक प्रलेखन आवश्यक हैं क्योंकि EEG पैटर्न पृथक संख्यात्मक मानों के बजाय संदर्भ पर निर्भर करते हैं।
EEG डेटा के लिए गोपनीयता और नैतिक विचार
EEG रिकॉर्डिंग को पहचानकर्ताओं, सत्र की जानकारी, नैदानिक संदर्भ या मेटाडेटा के संयोजन के माध्यम से किसी व्यक्ति से जोड़ा जा सकता है। भले ही तरंग को किसी विशेषज्ञ सेटिंग के बाहर व्याख्या करना कठिन हो, लेकिन जब इसे किसी पहचान योग्य प्रतिभागी से जोड़ा जाता है तो इसे संवेदनशील मानव-विषय डेटा के रूप में संभाला जाना चाहिए। संग्रह और पुन: उपयोग अनुमोदित प्रोटोकॉल और लागू गोपनीयता आवश्यकताओं के अनुरूप होना चाहिए।
सहमति पत्र में रिकॉर्डिंग के उद्देश्य, अपेक्षित विश्लेषणों के प्रकार, भंडारण अवधि, संभावित साझाकरण और भविष्य के उपयोग की अनुमति है या नहीं, यह स्पष्ट होना चाहिए। शोधकर्ताओं को यह संकेत देने से बचना चाहिए कि EEG उससे अधिक प्रकट कर सकता है जितना कि अध्ययन मापने के लिए डिज़ाइन किया गया है। स्पष्ट संचार विशेष रूप से तब महत्वपूर्ण होता है जब प्रतिभागी यह मान लेते हैं कि शोध रिकॉर्डिंग कोई निदान या व्यक्तिगत मूल्यांकन प्रदान करती है।
नैतिक अभ्यास संग्रह के बाद भी जारी रहता है। वि-पहचान (De-identification), नियंत्रित पहुंच, प्रतिधारण सीमाएं, ऑडिट ट्रेल्स और मेटाडेटा की सावधानीपूर्वक रिलीज जोखिम को कम करने में मदद करती है, लेकिन कोई भी तरीका इसे पूरी तरह से समाप्त नहीं करता है। भविष्य कहने वाले या नैदानिक अर्थ को बढ़ा-चढ़ाकर बताए बिना निष्कर्षों की रिपोर्ट की जानी चाहिए, और स्वचालित वर्गीकरणों को किसी व्यक्ति के बारे में निर्विवाद निर्णयों के बजाय उपयुक्त सत्यापन की आवश्यकता वाले विश्लेषणात्मक आउटपुट के रूप में माना जाना चाहिए।
कच्ची रिकॉर्डिंग गुणवत्ता विश्वसनीय EEG विश्लेषण के लिए आधार क्यों तैयार करती है
एक एकल EEG सत्र वह क्षण होता है जब मस्तिष्क की विद्युत संरचना को स्थायी रूप से कैप्चर किया जाता है, और उस कच्चे ट्रेस की जटिलता पहले से ही खोपड़ी के नीचे के तंत्रिका नेटवर्क को दर्शाती है। यहां हाइलाइट किए गए neuroscience-based अध्ययन एक एकीकृत संदेश देते हैं: रुचि का सिग्नल कच्चे डेटा में ही रहता है, बशर्ते कि अधिग्रहण कदम सावधानी से संभाला जाए। इलेक्ट्रोड संपर्क गुणवत्ता, सटीक चैनल मैपिंग, प्रलेखित संदर्भ और नमूनाकरण दरें, और खुले भंडारण प्रारूप सभी यह निर्धारित करते हैं कि क्या वह सिग्नल प्रयोगशालाओं और वर्षों में सुलभ रहता है।
अंत में, संयम अक्सर भारी प्रसंस्करण से बेहतर प्रदर्शन करता है क्योंकि जिन शोधकर्ताओं ने कच्चे डेटा को काफी हद तक अकेला छोड़ दिया, उन्होंने आक्रामक सुधार लागू करने वालों की तुलना में वास्तविक मस्तिष्क प्रतिक्रियाओं को बेहतर ढंग से संरक्षित किया। सावधानीपूर्वक रिकॉर्डिंग, ईमानदार मेटाडेटा और न्यूनतम हस्तक्षेप एक ऐसा अनुशासन बनाते हैं जो वैज्ञानिक सिग्नल को बरकरार रखता है।
इसलिए प्रत्येक विश्वसनीय विश्लेषण परिष्कृत एल्गोरिदम से नहीं बल्कि एक विश्वसनीय, अच्छी तरह से प्रलेखित ट्रेस को कैप्चर करने के सरल कार्य से शुरू होता है।
संदर्भ
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
Delorme, A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
Fraschini, M., Demuru, M., Crobe, A., Marrosu, F., Stam, C. J., & Hillebrand, A. (2016). The effect of epoch length on estimated EEG functional connectivity and brain network organisation. Journal of neural engineering, 13(3), 036015.
Lee, M. H., Kwon, O. Y., Kim, Y. J., Kim, H. K., Lee, Y. E., Williamson, J., ... & Lee, S. W. (2019). EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience, 8(5), giz002. https://doi.org/10.1093/gigascience/giz002
अक्सर पूछे जाने वाले प्रश्न
एक EEG रिकॉर्डिंग वास्तव में क्या कैप्चर करती है, और इसे मस्तिष्क की गतिविधि का प्रतिबिंब क्यों माना जाता है?
एक EEG रिकॉर्डिंग खोपड़ी पर सूक्ष्म वोल्टेज के उतार-चढ़ाव को कैप्चर करती है जो कॉर्टिकल न्यूरॉन्स के बड़े समूहों की समकालिक गतिविधि से उत्पन्न होती है। ये उतार-चढ़ाव मुख्य रूप से पिरामिडल कोशिकाओं में क्रमिक पोस्टसिनेप्टिक पोटेंशियल से आते हैं, जो वॉल्यूम कंडक्शन के माध्यम से जुड़ते हैं, जिससे बड़े पैमाने पर तंत्रिका समकालिकता का एक धुंधला लेकिन वास्तविक माप बनता है।
EEG सिग्नल एक्शन पोटेंशियल के बजाय पोस्टसिनेप्टिक पोटेंशियल से क्यों उत्पन्न होते हैं?
एक्शन पोटेंशियल संक्षिप्त, ऑल-ऑर-नथिंग घटनाएं हैं जो खोपड़ी के वोल्टेज में बहुत कम योगदान देती हैं, जबकि धीमी, क्रमिक पोस्टसिनेप्टिक पोटेंशियल डेंड्राइट्स पर फैलती हैं और हजारों न्यूरॉन्स में जुड़ती हैं। यह संकलन खोपड़ी पर पता लगाने योग्य वोल्टेज विक्षेपण उत्पन्न करता है, जिससे पोस्टसिनेप्टिक पोटेंशियल EEG सिग्नल का प्राथमिक स्रोत बन जाते हैं।
गीले और सूखे इलेक्ट्रोड में क्या अंतर है, और इलेक्ट्रोड संपर्क गुणवत्ता रिकॉर्डिंग को कैसे प्रभावित करती है?
गीले इलेक्ट्रोड प्रतिबाधा को कम करने और सिग्नल ट्रांसफर को बेहतर बनाने के लिए एक प्रवाहकीय जेल का उपयोग करते हैं, जबकि सूखे इलेक्ट्रोड जेल के बिना निष्ठा बनाए रखने के लिए उन्नत सामग्रियों और अंतर्निहित प्रिएम्प्लीफिकेशन पर भरोसा करते हैं। इलेक्ट्रोड-त्वचा इंटरफ़ेस की गुणवत्ता महत्वपूर्ण है क्योंकि खराब संपर्क पर्यावरणीय शोर और मोशन आर्टिफैक्ट्स को आमंत्रित करता है जो मस्तिष्क के कमजोर सिग्नल पर हावी हो सकते हैं।
अंतर्राष्ट्रीय 10-20 प्रणाली इलेक्ट्रोड प्लेसमेंट को कैसे मानकीकृत करती है, और यह क्यों महत्वपूर्ण है?
10-20 प्रणाली चार शारीरिक स्थलों—नेशन, इनियन, और बाएं और दाएं प्री-ऑरिकुलर बिंदुओं के बीच आनुपातिक रूप से इलेक्ट्रोड की स्थिति को परिभाषित करती है—ताकि "Cz" जैसा लेबल वाला चैनल हर लैब में एक ही स्थान को संदर्भित करे। यह मानकीकरण सुनिश्चित करता है कि डेटासेट सीधे तुलनीय हैं और सटीक स्थानिक विश्लेषण, जैसे कि खराब-चैनल इंटरपोलेशन की अनुमति देता है।
EEG रिकॉर्डिंग के दौरान उपयोग किए जाने वाले ऑनलाइन संदर्भ इलेक्ट्रोड का दस्तावेजीकरण करना क्यों आवश्यक है?
कच्ची डेटा फ़ाइल ऑनलाइन संदर्भ के सापेक्ष वोल्टेज संग्रहीत करती है, इसलिए संदर्भ का विकल्प (जैसे, Cz, जुड़े हुए ईयरलोब, या औसत) स्थायी रूप से संख्याओं को अंकित कर देता है, भले ही बाद में इसे पुनः संदर्भित किया जाए। मूल संदर्भ का दस्तावेजीकरण किए बिना, भविष्य का विश्लेषक घटाई गई आधार रेखा को नहीं समझ सकता या यह आकलन नहीं कर सकता कि क्या बाद के रूपांतरण वास्तविक मस्तिष्क प्रतिक्रियाओं को विकृत करते हैं।
EEG रिकॉर्डिंग में नमूनाकरण दर क्या भूमिका निभाती है, और नाइक्विस्ट प्रमेय कैसे लागू होता है?
नमूनाकरण दर डिजीटल सिग्नल के लौकिक रिज़ॉल्यूशन को निर्धारित करती है, जिसमें नाइक्विस्ट प्रमेय कहता है कि उच्चतम ईमानदारी से प्रस्तुत की गई आवृत्ति नमूनाकरण दर के आधे से कम होती है। उदाहरण के लिए, 500 Hz नमूनाकरण दर केवल 250 Hz से कम की आवृत्तियों को पुनर्प्राप्त कर सकती है, और रिसर्च-ग्रेड EEG आमतौर पर 250 और 1000 Hz के बीच काम करता है। एक सटीक नमूनाकरण दर महत्वपूर्ण है क्योंकि यह बाद के सभी समय-संबंधी विश्लेषणों को सीमित करती है।
EEG के लिए दो प्रमुख ओपन डेटा प्रारूप कौन से हैं, और वे क्या संग्रहीत करते हैं?
यूरोपियन डेटा फॉर्मेट (EDF) एक कॉम्पैक्ट कंटेनर है जो नमूनाकरण दर, चैनल लेबल और भौतिक आयामों को निर्दिष्ट करने वाले हेडर के साथ कई चैनलों को संग्रहीत करता है। BrainVision तीन लिंक्ड फाइलों में जानकारी फैलाता है: एक हेडर (.vhdr), एक मार्कर फ़ाइल (.vmrk), और एक बाइनरी डेटा फ़ाइल (.eeg), जो सभी स्पष्ट साझाकरण और प्रतिलिपि प्रस्तुत करने योग्य (reproducibility) सुनिश्चित करते हैं।
एक कच्ची EEG फ़ाइल के लिए एक पूर्ण चैनल मानचित्र और स्थानिक निर्देशांक क्यों आवश्यक हैं?
मानक लेबल और 3D निर्देशांक वाला चैनल मानचित्र किसी भी स्थानिक विश्लेषण की अनुमति देता है, जैसे कि पड़ोसियों से खराब चैनलों का प्रक्षेप करना या सिग्नलों को कॉर्टिकल स्रोत मॉडल पर प्रक्षेपित करना। उदाहरण के लिए, आर्टिफैक्ट क्लासिफायरियर स्थानिक टोपोलॉजी पर भरोसा करते हैं, और इंटरपोलेशन के लिए सटीक इलेक्ट्रोड स्थानों को जानने की आवश्यकता होती है; इसके बिना, ऐसे विश्लेषण विफल हो जाते हैं।
एक EEG फ़ाइल हेडर में कौन सा आवश्यक मेटाडेटा रिकॉर्ड किया जाना चाहिए, और क्यों?
हेडर में सटीक नमूनाकरण दर, रिकॉर्डिंग तिथि, 3D निर्देशांक के साथ चैनल लेबल और EOG या EMG जैसे सहायक चैनलों के लिए स्पष्ट लेबल शामिल होने चाहिए। यह जानकारी महत्वपूर्ण है क्योंकि एक गलत नमूनाकरण दर समय को अपरिवर्तनीय रूप से विकृत कर सकती है, और स्थानिक प्रक्षेप और स्रोत मॉडलिंग के लिए एक सही चैनल मानचित्र आवश्यक है।
अनुसंधान के लिए EEG क्यों उपयोगी है?
EEG बहुत सूक्ष्म लौकिक जानकारी प्रदान करता है, जो इसे घटना-संबंधित प्रतिक्रियाओं, चल रही लय, नींद, ध्यान, संवेदी प्रसंस्करण और अन्य समय-संवेदनशील घटनाओं का अध्ययन करने के लिए उपयोगी बनाता है। इसकी व्याख्या प्रयोगात्मक डिजाइन और सिग्नल की गुणवत्ता पर निर्भर रहती है।
आम EEG आर्टिफैक्ट्स क्या हैं?
सामान्य आर्टिफैक्ट्स में पलकें झपकना, आंखों की हलचल, मांसपेशियों की गतिविधि, इलेक्ट्रोड की हलचल, खराब संपर्क, केबल की हलचल और विद्युत हस्तक्षेप शामिल हैं। वे एक चैनल या कई चैनलों को प्रभावित कर सकते हैं और वैज्ञानिक रुचि की आवृत्तियों के साथ ओवरलैप कर सकते हैं।
EEG विश्लेषण में प्रीप्रोसेसिंग क्या है?
प्रीप्रोसेसिंग विश्लेषण के लिए रिकॉर्डिंग तैयार करने के लिए उपयोग किए जाने वाले ऑपरेशनों का प्रलेखित सेट है। इसमें फ़िल्टरिंग, री-रेफरेंसिंग, खराब-चैनल हैंडलिंग, आर्टिफैक्ट पहचान, इपॉकिंग, बेसलाइन सुधार और गुणवत्ता नियंत्रण शामिल हो सकते 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
