एम्पिरीकल मोड डीकम्पोजिशन

ईईजी (EEG) सिग्नल पारंपरिक सिग्नल प्रोसेसिंग उपकरणों का प्रतिरोध क्यों करते हैं

क्लासिक सिग्नल प्रोसेसिंग विधियों को EEG पर लागू करने की मूल समस्या एक संरचनात्मक समस्या है। फूरियर-आधारित विश्लेषण एक सिग्नल को साइन और कोसाइन तरंगों की एक निश्चित लाइब्रेरी में विघटित करता है, एक ऐसा दृष्टिकोण जो तब स्पष्ट रूप से काम करता है जब अंतर्निहित प्रक्रिया समय के साथ अपने सांख्यिकीय व्यवहार को नहीं बदलती है।

EEG उस शर्त को पूरा नहीं करता है। शांत विश्राम के दौरान किसी व्यक्ति की मस्तिष्क गतिविधि उसी व्यक्ति की केंद्रित ध्यान के दौरान या नैदानिक सेटिंग में, दौरे के दौरान होने वाली गतिविधि से सांख्यिकीय रूप से भिन्न दिखती है। शोध इस गैर-स्थिर (non-stationary) गुण को स्थिर सिग्नलों के लिए बनाए गए आवृत्ति-आधारित उपकरणों के बजाय ईएमडी (EMD) की ओर रुख करने के प्रारंभिक औचित्य के रूप में उद्धृत करते हैं।

इसका व्यावहारिक परिणाम यह है कि जो विधि स्थिरता मानकर चलती है, वह क्षणिक तंत्रिका घटनाओं को धुंधला या गलत तरीके से प्रस्तुत कर सकती है, जिससे एक संक्षिप्त स्पाइक के साथ ऐसा व्यवहार होता है जैसे कि यह लंबे समय के अंतराल में समान रूप से फैला हुआ हो। मिर्गी के निदान जैसे अनुप्रयोगों के लिए, जहां स्पाइक का समय और आकार नैदानिक महत्व रखता है, इस तरह का धुंधलापन एक वास्तविक सीमा है।

EMD का प्रस्तावित समाधान निश्चित-आधार (fixed-basis) की धारणा से पूरी तरह बचना है और अपघटन (decomposition) को उस आकार के अनुकूल होने देना है जो सिग्नल वास्तव में लेता है।

एम्पिरिकल मोड डीकंपोज़िशन क्या करता है और यह कैसे काम करता है

EMD सिफ्टिंग (sifting) नामक एक दोहराई जाने वाली प्रक्रिया के माध्यम से संचालित होता है। एल्गोरिथ्म एक सिग्नल के स्थानीय शिखरों (peaks) और गर्तों (troughs) की पहचान करता है, उन्हें ऊपरी और निचले लिफाफों (envelopes) में जोड़ता है, और मूल सिग्नल से उन लिफाफों के औसत को घटाता है।

यह चरण तब तक दोहराया जाता है जब तक कि परिणामी घटक दो शर्तों को पूरा नहीं कर लेता:

1. इसके ऊपरी और निचले लिफाफे शून्य के आसपास सममित (symmetric) हैं

2. इसका माध्य पूरे खंड में शून्य के करीब रहता है।

एक बार जब कोई घटक इन शर्तों को पूरा कर लेता है, तो इसे आंतरिक मोड फ़ंक्शन (IMFs) के रूप में लेबल किया जाता है, और इसे मूल सिग्नल से घटा दिया जाता है ताकि प्रक्रिया अगले घटक को निकाल सके।

इसका आउटपुट सबसे तेज़ दोलनों (oscillations) से लेकर सबसे धीमे दोलनों के क्रम में व्यवस्थित IMFs का एक समूह होता है, जिसके बाद एक अंतिम बचा हुआ रुझान (residual trend) होता है जो बची हुई धीमी हलचल को दर्शाता है। चूंकि प्रत्येक IMF को पूर्वनिर्धारित तरंग रूप के विरुद्ध मिलान करने के बजाय डेटा के स्थानीय आकार से सीधे निकाला जाता है, इसलिए EMD, सिद्धांत रूप में, विश्लेषक को पहले से आधार चुनने की आवश्यकता के बिना अनियमित और बदलते डायनेमिक्स का प्रतिनिधित्व कर सकता है।

EMD दौरे के स्पाइक्स जैसी क्षणिक घटनाओं को कैसे कैप्चर करता है

EEG में क्षणिक घटनाएं, मिर्गी के स्पाइक्स, या संज्ञानात्मक कार्य से जुड़े छोटे उभार, अत्यधिक नैदानिक और तंत्रिका-वैज्ञानिक महत्व रखते हैं, लेकिन वे अक्सर पृष्ठभूमि की मस्तिष्क गतिविधि या दूषित शोर के नीचे दब जाते हैं। यह बिल्कुल वही परिदृश्य है जहां EMD का स्थानीय, अनुकूली अपघटन निश्चित-आधार विधियों की तुलना में लाभ प्रदान करने के लिए है।

सफीद्दीन और अन्य द्वारा किए गए एक अध्ययन ने मिर्गी के स्पाइक जैसे सिग्नलों का अनुकरण करके और विभिन्न तीव्रताओं पर वास्तविक मांसपेशियों की कलाकृतियों (muscle artifact) के साथ उन्हें दूषित करके इसका सीधे परीक्षण किया, फिर चार सुधार विधियों की तुलना की:

1. EMD

2. इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA)

3. कैनोनिकल कोरिलेशन एनालिसिस (CCA)

4. वेवलेट ट्रांसफॉर्म

जब संदूषण भारी था, तो EMD ने तीनों विकल्पों से बेहतर प्रदर्शन किया। हालाँकि, वह लाभ पूर्ण नहीं था। जब सिग्नल में कम शोर था और स्पाइक्स एक ही कॉर्टिकल स्रोत से आए थे, तो CCA और ICA ने बेहतर परिणाम दिए। जब स्पाइक्स दो अलग-अलग स्रोतों से उत्पन्न हुए, तो भारी शोर के तहत EMD या ICA ने सबसे अच्छा काम किया, जबकि हल्के शोर के तहत वेवलेट ट्रांसफॉर्म ने बेहतर प्रदर्शन किया।

दूसरे शब्दों में, सबसे अच्छा आर्टिफैक्ट-रिमूवल टूल शोर के स्तर और अंतर्निहित स्रोत कॉन्फ़िगरेशन दोनों पर निर्भर करता था, और EMD का लाभ विशेष रूप से भारी संदूषण के मामले में सबसे मजबूत था।

इस बीच, रियाज़ और अन्य और शफीउल आलम और अन्य द्वारा किए गए शोध अध्ययन आर्टिफैक्ट सुधार से वर्गीकरण (classification) की ओर बढ़े, जिसमें दौरों और मिर्गी का पता लगाने के लिए सुविधाओं के स्रोत के रूप में IMFs का उपयोग किया गया।

रियाज़ की टीम ने प्रत्येक IMF से टेम्पोरल मोमेंट्स, यानी वेरिएंस, स्क्यूनेस और कुर्टोसिस जैसे सांख्यिकीय उपायों के साथ-साथ स्पेक्ट्रल सेंट्रोइड और स्पेक्ट्रल स्क्यू जैसी स्पेक्ट्रल सुविधाओं को निकाला। इन सुविधाओं को एक सपोर्ट वेक्टर मशीन (एक मानक पर्यवेक्षित शिक्षण क्लासिफायर) में डाला गया, और मिर्गी के रोगियों और दौरे के खंडों के परिणामी वर्गीकरण ने अच्छे परिणाम दिए, जिन्हें लेखकों ने अन्य स्थापित सुविधा-निष्कर्षण विधियों की तुलना में अनुकूल बताया।

आलम की टीम ने EMD डोमेन के भीतर गणना किए गए उच्च-क्रम सांख्यिकीय क्षणों का उपयोग करके और उन्हें एक कृत्रिम तंत्रिका नेटवर्क (artificial neural network) में फीड करके आगे कदम बढ़ाया। दौरे की गतिविधि को गैर-दौरे की गतिविधि से अलग करने सहित कई वर्गीकरण कार्यों में, इस विधि ने 100 प्रतिशत तक सटीकता, संवेदनशीलता और विशिष्टता की सूचना दी, जबकि यह तुलनीय समय-आवृत्ति विश्लेषण तकनीकों की तुलना में तेजी से चलती है।

कुल मिलाकर, ये अध्ययन बताते हैं कि EMD क्षणिक मिर्गी की गतिविधि को अलग करने में मदद कर सकता है, लेकिन इसका प्रदर्शन शोर के स्तर, स्रोत ज्यामिति और उस डेटासेट के प्रति संवेदनशील है जिस पर इसका परीक्षण किया जाता है, न कि यह एक निश्चित, गारंटीकृत लाभ है।

एम्पिरिकल मोड डीकंपोज़िशन में सामान्य चुनौतियाँ

EMD लचीला है, लेकिन वह लचीलापन ऐसे पद्धतिगत विकल्प बनाता है जो वैज्ञानिक निष्कर्षों को प्रभावित कर सकते हैं। सिग्नल में छोटे व्यवधान एक्स्ट्रिमा (extrema) को बदल सकते हैं, और इसलिए लिफाफे और निकाले गए मोड को बदल सकते हैं। शोर, फ़िल्टरिंग, छोटी रिकॉर्डिंग और तीखी सीमाएं सभी अपघटन को कम स्थिर बना सकते हैं।

सामान्य जांच इन कठिनाइयों को छिपाने के बजाय उजागर करने में मदद करती है। इनमें शामिल हैं:

• IMFs और अवशिष्ट (residual) को जोड़ने के बाद पुनर्निर्माण त्रुटि (reconstruction error) को मापना।

• एंडपॉइंट उपचार और सिफ्टिंग थ्रेसहोल्ड के प्रति संवेदनशीलता का परीक्षण करना।

• बार-बार आने वाले खंडों या शोर के समूहों में अपघटन की तुलना करना।

• यह निरीक्षण करना कि क्या हटाए गए घटक में प्रशंसनीय तंत्रिका गतिविधि शामिल है।

ये जांच अस्पष्टता को खत्म नहीं करती हैं, लेकिन वे इसे दृश्यमान बनाती हैं। मोड मिक्सिंग के लिए एक एन्सेम्बल संस्करण की आवश्यकता हो सकती है, जबकि अत्यधिक उच्च-आवृत्ति सामग्री एक उपयोगी तंत्रिका मोड के बजाय संदूषण का संकेत दे सकती है। सभी मामलों में, विश्लेषण में उन निर्णयों की रिपोर्ट होनी चाहिए जिन्होंने अंतिम प्रतिनिधित्व तैयार किया।

दूसरी चुनौती संचार की है। एक IMF सूचकांक एक एल्गोरिथम लेबल है, न कि कोई निदान या सार्वभौमिक रूप से परिभाषित EEG बैंड। जब परिणाम खोजपूर्ण सिग्नल प्रोसेसिंग से बायोमेडिकल व्याख्या में स्थानांतरित होते हैं, तो स्पष्ट आंकड़े, पैरामीटर रिकॉर्ड और सतर्क भाषा की आवश्यकता होती.

मोड मिक्सिंग: बेसिक EMD की मुख्य कमजोरी

मूल EMD में सबसे स्पष्ट संरचनात्मक कमजोरी एक घटना है जिसे मोड मिक्सिंग (mode mixing) कहा जाता है। यह दो संबंधित तरीकों से होता है। या तो बहुत अलग समय के पैमाने पर संचालित होने वाले दोलन एक ही IMF के अंदर फंस जाते हैं, या एक एकल, सुसंगत लयबद्ध घटक खंडित हो जाता है और एक में रहने के बजाय कई IMFs में बिखर जाता है। समस्या के दोनों संस्करण यह विश्वास करना कठिन बनाते हैं कि एक IMF एक वास्तविक, अद्वितीय शारीरिक प्रक्रिया से मेल खाता है।

व्यावहारिक जोखिम व्याख्यात्मक है। यदि कोई शोधकर्ता यह मानता है कि एक निश्चित IMF, मान लीजिए, एक विशिष्ट आवृत्ति बैंड में गतिविधि का प्रतिनिधित्व करता है, लेकिन वह IMF वास्तव में मोड मिक्सिंग के कारण मांसपेशियों के आर्टिफैक्ट और अवशिष्ट स्पाइक गतिविधि का मिश्रण रखता है, तो उस IMF से निकाला गया कोई भी निष्कर्ष अविश्वसनीय हो जाता है।

कम्पलीट एन्सेम्बल एम्पिरिकल मोड डीकंपोज़िशन

कम्पलीट एन्सेम्बल एम्पिरिकल मोड डीकंपोज़िशन, जिसे आमतौर पर CEEMD कहा जाता है, EMD का एक शोर-सहायता प्राप्त विस्तार है। यह सिग्नल में सावधानीपूर्वक नियंत्रित शोर को जोड़ता है, परिणामी एन्सेम्बल को विघटित करता है, और संबंधित मोड का औसत निकालता है। इसका उद्देश्य अपघटन को अधिक स्थिर बनाना है जब आस-पास के दोलन पैमानों को अलग करना कठिन हो।

CEEMD मानक EMD में कैसे सुधार करता है

मानक EMD मोड मिक्सिंग से पीड़ित हो सकता है, जिसमें विभिन्न पैमानों वाले दोलन एक IMF में दिखाई देते हैं या समान पैमाने कई IMFs में फैल जाते हैं। CEEMD बुनियादी लिफाफा-सिफ्टिंग विचार को बदलने के बजाय सांख्यिकीय रूप से इस अस्थिरता को संबोधित करता है। बार-बार अपघटन और औसत निकालने से व्यक्तिगत शोर के प्रभाव को कम किया जा सकता है, लेकिन परिणाम अभी भी एन्सेम्बल डिज़ाइन, शोर के आयाम, परीक्षणों की संख्या और कार्यान्वयन विवरण पर निर्भर करता है।

यह विधि हर डेटासेट के लिए स्वचालित रूप से बेहतर नहीं है। यह कम्प्यूटेशनल लागत को बढ़ाती है और यदि इसके पैरामीटर खराब तरीके से चुने गए हैं तो अवशिष्ट शोर को बनाए रख सकती है या सीमा संवेदनशीलता पेश कर सकती है। इसलिए, EEG के लिए, तुलनाओं में पुनर्निर्माण की गुणवत्ता, परीक्षणों में स्थिरता, क्षणिक घटनाओं के संरक्षण और क्या परिणामी मोड बताए गए शोध प्रश्न के लिए व्याख्या योग्य रहते हैं, की जांच की जानी चाहिए।

किन EEG अनुप्रयोगों ने अब तक EMD का परीक्षण किया है

EMD को आमतौर पर तीन व्यापक श्रेणियों में लागू किया गया है।

वर्गीकरण के लिए सुविधा निष्कर्षण (Feature extraction) सबसे बड़े उपयोग के मामले का प्रतिनिधित्व करता है। उदाहरण के लिए, निंग झुआंग के नेतृत्व में एक अध्ययन ने भावना पहचान के लिए EMD का उपयोग किया, IMFs से बहुआयामी सुविधाओं को निकाला, जिसमें समय श्रृंखला का पहला अंतर, चरण का पहला अंतर, और सामान्यीकृत ऊर्जा शामिल थी, फिर सार्वजनिक रूप से उपलब्ध DEAP भावनात्मक डेटाबेस पर उनका परीक्षण किया। अध्ययन में पाया गया कि उच्च-आवृत्ति वाले IMF1 घटक का भावनात्मक अवस्थाओं को अलग करने पर महत्वपूर्ण प्रभाव पड़ा, और समग्र दृष्टिकोण ने भग्न आयाम (fractal dimension), नमूना एन्ट्रापी और असतत वेवलेट ट्रांसफॉर्म सहित तुलनात्मक तरीकों से बेहतर प्रदर्शन किया।

आर्टिफैक्ट हटाना सफीद्दीन और अन्य के अध्ययन जैसे अध्ययनों में दर्शाया गया है, जहां EMD के नियतात्मक, लिफाफा-आधारित अपघटन ने विशेष रूप से भारी संदूषण की स्थिति में ICA, CCA, या वेवलेट-आधारित विधियों की तुलना में नकली मिर्गी के EEG से मांसपेशियों के आर्टिफैक्ट को अधिक प्रभावी ढंग से हटा दिया।

अंत में, मल्टीचैनल विश्लेषण और ब्रेन-कंप्यूटर इंटरफेसिंग को जर्नल ऑफ सर्किट, सिस्टम्स एंड कंप्यूटर्स में प्रकाशित शोध में देखा जा सकता है, जहां एक मल्टीचैनल EEG रिकॉर्डिंग में प्रत्येक चैनल पर अलग से EMD लागू किया गया था, और परिणामी IMFs को वर्णक्रमीय समानता के अनुसार समूहीकृत किया गया था ताकि यह पहचाना जा सके कि कौन से घटक बाहरी उत्तेजना के साथ सहसंबद्ध हैं।

केवल उन उत्तेजना-लिंक्ड घटकों से सिग्नल का पुनर्निर्माण करने से शोधकर्ताओं को यह पहचानने की अनुमति मिली कि कोई विषय किसी दिए गए उत्तेजना पर कब ध्यान दे रहा था, यह क्षमता सीधे BCI प्रणालियों से संबंधित है जो पृष्ठभूमि के शोर से जानबूझकर किए गए तंत्रिका सिग्नलों को अलग करने पर निर्भर करती हैं।

शुरुआती लोगों के लिए एम्पिरिकल मोड डीकंपोज़िशन ट्यूटोरियल

एक नौसिखिया EMD को एक जटिल तरंग रूप से सबसे तेज़ दृश्यमान दोलन को बार-बार अलग करने के रूप में सोच सकता है। एल्गोरिथ्म आवृत्ति बैंड की सूची के साथ शुरू नहीं होता है। इसके बजाय, यह देखता है कि सिग्नल कहाँ बढ़ता और गिरता है, एक स्थानीय केंद्र रेखा का अनुमान लगाता है, और उम्मीदवार दोलन से उस केंद्र रेखा को हटा देता है।

एक समझदारी भरा सीखने का अभ्यास दो दोलनों और एक धीमी प्रवृत्ति वाले एक छोटे, साफ सिंथेटिक सिग्नल के साथ शुरू होता है। अपेक्षित परिणाम हर मामले में एक आदर्श अलगाव नहीं है, बल्कि घटकों का एक समूह है जिसका योग लगभग इनपुट को पुनरुत्पादित करता है। केवल संख्यात्मक आउटपुट का निरीक्षण करने की तुलना में मूल सिग्नल, प्रत्येक IMF और अवशिष्ट को एक साझा समय अक्ष पर प्लॉट करना अक्सर अधिक जानकारीपूर्ण होता है।

EEG रिकॉर्डिंग के लिए, वर्कफ़्लो में वे निर्णय भी शामिल होते हैं जो अपघटन से पहले होते हैं:

• चैनलों और खंडों का चयन करना

• नमूनाकरण जानकारी की जाँच करना

• खराब अंतरालों को चिह्नित करना

• प्रीप्रोसेसिंग का दस्तावेजीकरण करना

एक सामान्य आवृत्ति-अपघटन मार्गदर्शिका फूरियर, वेवलेट और संबंधित समय-आवृत्ति विधियों के बीच EMD को स्थापित करने में मदद कर सकती है। ये विकल्प EMD को नैदानिक परीक्षण में नहीं बदलते हैं; वे उन शर्तों को परिभाषित करते हैं जिनके तहत इसके आउटपुट का मूल्यांकन किया जा सकता है।

एम्पिरिकल मोड डीकंपोज़िशन पायथन: एक कोडिंग वॉकथ्रू

पायथन कार्यान्वयन आमतौर पर एक-आयामी सरणी (one-dimensional array) स्वीकार करते हैं और IMFs का एक संग्रह लौटाते हैं, कभी-कभी एक अवशिष्ट के साथ या एक अलग अवशेष ऑपरेशन के माध्यम से। एक बुनियादी वर्कफ़्लो एक सिग्नल को लोड करता है, उसके नमूनाकरण क्रम और गायब-मूल्य स्थिति की पुष्टि करता है, अपघटन चलाता है, और घटकों को प्लॉट करता है। प्रतिलिपि प्रस्तुत करने योग्य विश्लेषण लाइब्रेरी संस्करण और सिफ्टिंग और एन्सेम्बल व्यवहार को नियंत्रित करने वाले मापदंडों को भी रिकॉर्ड करता है।

EMD के लिए लोकप्रिय पायथन लाइब्रेरीज़

कई वैज्ञानिक पायथन पैकेज EMD या संबंधित एल्गोरिदम प्रदान करते हैं, लेकिन उनके एपीआई और डिफ़ॉल्ट भिन्न होते हैं। कुछ मानक EMD, एन्सेम्बल वेरिएंट, स्टॉपिंग थ्रेसहोल्ड, स्प्लिन विकल्प और विज़ुअलाइज़ेशन सहायकों को उजागर करते हैं; अन्य को अधिक मैन्युअल असेंबली की आवश्यकता होती है। केंद्रीय कोडिंग कार्य केवल एक फ़ंक्शन को कॉल करना नहीं है, बल्कि यह जांचना है कि लौटाए गए घटकों का क्या अर्थ है और क्या उनका योग इनपुट का पुनर्निर्माण करता है।

एक न्यूनतम स्यूडोकोड पैटर्न है:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

यह कोड जानबूझकर योजनाबद्ध है क्योंकि पैकेज के आधार पर फ़ंक्शन नाम और रिटर्न मान भिन्न होते हैं। सत्यापन में एक पुनर्निर्माण त्रुटि, एक्स्ट्रिमा और सीमाओं के प्लॉट, और उचित पैरामीटर परिवर्तनों के तहत संवेदनशीलता जांच शामिल होनी चाहिए।

EEG के लिए, डेटा आयाम भी मायने रखते हैं: एक मल्टीचैनल रिकॉर्डिंग के लिए सभी चैनलों को चुपचाप एक सरणी में समतल करने के बजाय एक चैनल-वार वर्कफ़्लो या विशेष रूप से बहुभिन्नरूपी (multivariate) विधि की आवश्यकता हो सकती है।

EEG सिग्नलों पर एम्पिरिकल मोड डीकंपोज़िशन लागू करना

EEG अनुभवजन्य मोड अपघटन के लिए एक प्राकृतिक सेटिंग है क्योंकि वोल्टेज परिवर्तन में ओवरलैपिंग लय, क्षणिक घटनाएं और गैर-स्थिर गतिविधि शामिल हो सकती है। स्थानीय दोलन कैसे विकसित होते हैं, इसकी जांच करने के लिए EMD को व्यक्तिगत चैनलों या चयनित खंडों पर लागू किया जा सकता है। प्रासंगिक वैज्ञानिक प्रश्न लौकिक संरचना, आर्टिफैक्ट अलगाव, घटना-संबंधित परिवर्तनों, या बाद के सांख्यिकीय मॉडल के लिए सुविधाओं से संबंधित हो सकता है।

अपघटन से पहले, सिग्नल की गुणवत्ता और रिकॉर्डिंग संदर्भ पर ध्यान देने की आवश्यकता है। इलेक्ट्रोड प्लेसमेंट, संदर्भ योजना (reference scheme), नमूनाकरण दर, फ़िल्टरिंग, अनुपलब्ध नमूने और चिह्नित आर्टिफैक्ट सभी स्थानीय एक्स्ट्रिमा को प्रभावित कर सकते हैं।

इसके अलावा, परिणामी IMFs को केवल उनके क्रम से शारीरिक लेबल नहीं सौंपे जाने चाहिए। तेज़ घटकों में मांसपेशियों या उपकरण का शोर शामिल हो सकता है, और धीमे घटकों में बहाव (drift) के साथ-साथ सार्थक गतिविधि भी हो सकती है।

व्याख्या तब अधिक मजबूत होती है जब यह पुनर्निर्मित सिग्नलों की तुलना करती है, बहिष्कृत घटकों का एक स्पष्ट ऑडिट ट्रेल रखती है, और यह परीक्षण करती है कि निष्कर्ष चैनलों, प्रतिभागियों और विश्लेषण विकल्पों में बने रहते हैं या नहीं।

एम्पिरिकल मोड डीकंपोज़िशन बनाम वेवलेट ट्रांसफॉर्म

EMD और वेवलेट ट्रांसफ़ॉर्म दोनों समय-आवृत्ति विश्लेषण का समर्थन करते हैं, लेकिन वे सिग्नल संरचना को अलग तरह से व्यवस्थित करते हैं। EMD प्रेक्षित डेटा में स्थानीय एक्स्ट्रिमा से मोड प्राप्त करता है, जबकि वेवलेट विश्लेषण स्केल्ड और शिफ्टेड बेसिस फ़ंक्शंस के चयनित परिवार के साथ सिग्नल की तुलना करता है। एक डेटा के अनुकूल है; दूसरा एक पूर्वनिर्धारित मल्टीस्केल समन्वय प्रणाली प्रदान करता है।

अंतर तब स्पष्ट हो जाता है जब विश्लेषणात्मक प्राथमिकताओं की तुलना की जाती है:

दोनों में से कोई भी तरीका सार्वभौमिक रूप से बेहतर नहीं है। EMD बदलते दोलनों के लिए एक सहज अपघटन की पेशकश कर सकता है, जबकि वेवलेट्स सिग्नलों की तुलना के लिए एक सुसंगत ढांचा प्रदान कर सकते हैं जब आधार और पैमाने वैज्ञानिक रूप से उपयुक्त हों।

चुनाव इस सामान्य दावे के बजाय प्रश्न, अपेक्षित क्षणिक घटनाओं, प्रतिलिपि प्रस्तुत करने की आवश्यकता और सत्यापन रणनीति का पालन करना चाहिए कि एक विधि अधिक उन्नत है।

डेटा-संचालित अपघटन से मस्तिष्क सिग्नल विश्लेषण को क्या लाभ होता है

मस्तिष्क की गतिविधि शायद ही कभी क्लासिक फ़्रीक्वेंसी टूल के लिए अपने सबसे महत्वपूर्ण क्षणों को पकड़ने के लिए पर्याप्त समय तक स्थिर रहती है, यही वजह है कि एक ऐसी विधि ने वास्तविक ध्यान आकर्षित किया है जो सिग्नलों को अपने स्वयं के बिल्डिंग ब्लॉक्स को परिभाषित करने देती है।

एम्पिरिकल मोड डीकंपोज़िशन निश्चित गणितीय टेम्पलेट्स की आवश्यकता को टाल देता है, जिससे ऐसे परिणाम मिलते हैं जो भारी शोर के तहत दौरे के स्पाइक्स को अलग करने और भावना की पहचान के लिए सार्थक सुविधाओं को निकालने के लिए उपयोगी साबित हुए हैं। अनुकूली रूप से आकार के विश्लेषण की ओर यह बदलाव क्षणिक तंत्रिका घटनाओं को पकड़ने का मार्ग बनाता है जो अन्यथा धुंधली हो जातीं या छूट जातीं। व्यावहारिक परिणाम, जैसा कि अध्ययनों में देखा गया है, एक ऐसा उपकरण है जो वर्गीकरण और आर्टिफैक्ट को हटाने में सहायता कर सकता है जब स्थितियां इसके पक्ष में संरेखित होती हैं।

संदर्भ

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

अक्सर पूछे जाने वाले प्रश्न

एम्पिरिकल मोड डीकंपोज़िशन (EMD) क्या है और यह EEG के लिए क्यों उपयोगी है?

EMD एक अनुकूली सिग्नल प्रोसेसिंग विधि है जो सिग्नल को स्थिर माने बिना तरंग रूप को दोलनों वाले घटकों में तोड़ देती है जिन्हें आंतरिक मोड फ़ंक्शन कहा जाता है। यह EEG के लिए उपयोगी है क्योंकि मस्तिष्क गतिविधि लगातार बदलती रहती है और इसमें क्षणिक घटनाएं शामिल होती हैं, जिन्हें पारंपरिक निश्चित-आधार उपकरण सटीक रूप से प्रस्तुत करने में संघर्ष करते हैं।

EMD में सिफ्टिंग प्रक्रिया कैसे काम करती है?

सिफ्टिंग प्रक्रिया बार-बार सिग्नल के स्थानीय शिखरों और गर्तों की पहचान करती है, ऊपरी और निचले लिफाफे का निर्माण करती है, और उनके औसत को सिग्नल से घटाती है। यह चरण तब तक दोहराया जाता है जब तक कि शेष घटक के पास सममित लिफाफे और लगभग शून्य माध्य न हो जाए, जिस बिंदु पर यह एक आंतरिक मोड फ़ंक्शन बन जाता है।

आंतरिक मोड फ़ंक्शन (IMFs) क्या हैं?

IMFs EMD द्वारा उत्पादित डेटा-संचालित बिल्डिंग ब्लॉक्स हैं, जो सबसे तेज़ दोलनों से लेकर सबसे धीमे दोलनों के क्रम में होते हैं। चूंकि उन्हें पूर्व निर्धारित तरंग रूप से मिलान करने के बजाय सीधे सिग्नल के स्थानीय आकार से निकाला जाता है, इसलिए वे अनियमित और बदलते तंत्रिका गतिकी को कैप्चर कर सकते हैं।

EMD में मोड मिक्सिंग एक समस्या क्यों है?

मोड मिक्सिंग तब होती है जब विभिन्न समय पैमानों के दोलन एक ही IMF में फंस जाते हैं या जब एक ही लय कई IMFs में विभाजित हो जाती है। यह अस्पष्टता यह विश्वास करना कठिन बना देती है कि एक IMF एकल शारीरिक प्रक्रिया का प्रतिनिधित्व करता है, जिससे शोर या आर्टिफैक्ट्स वास्तविक मस्तिष्क गतिविधि के साथ मिल सकते हैं।

EMD दौरे के स्पाइक्स जैसी क्षणिक घटनाओं को कैसे संभालता है?

EMD संक्षिप्त स्पाइक्स को उच्च-आवृत्ति वाले IMFs में निकालकर अलग करता है, जहाँ पृष्ठभूमि गतिविधि को अलग किया जाता है। भारी मांसपेशियों के संदूषण के तहत, EMD ने अन्य आर्टिफैक्ट-हटाने के तरीकों से बेहतर प्रदर्शन किया, हालांकि साफ सिग्नलों या विभिन्न स्रोत कॉन्फ़िगरेशन के साथ इसका लाभ कम हो गया।

क्या EMD सभी EEG विश्लेषणों के लिए फूरियर ट्रांसफॉर्म जैसे पारंपरिक तरीकों की जगह ले सकता है?

EMD एक सार्वभौमिक प्रतिस्थापन नहीं है; यह गैर-स्थिर और क्षणिक सिग्नलों के लिए सबसे मूल्यवान है जहां निश्चित-आधार फूरियर विधियां विफल हो जाती हैं। हालाँकि, इसकी विश्वसनीयता शोर के स्तर के साथ बदलती रहती है और अभी तक सभी EEG रिकॉर्डिंग स्थितियों में सिद्ध नहीं हुई है।

क्या EMD के लिए सिग्नल को स्थिर मानने की आवश्यकता होती है?

नहीं, EMD स्थिरता नहीं मानता है, जो EEG के लिए शास्त्रीय फूरियर विश्लेषण पर एक महत्वपूर्ण लाभ है। अपघटन सीधे डेटा के बदलते सांख्यिकीय चरित्र के अनुकूल होता है, जिससे यह पूर्व-अनुकूलन (preconditioning) के बिना बदलते मस्तिष्क गतिकी और संक्षिप्त घटनाओं को ट्रैक करने में सक्षम होता है।

क्या EMD सीधे मल्टीचैनल EEG का विश्लेषण कर सकता है?

बुनियादी EMD आमतौर पर एक-आयामी सिग्नलों पर लागू होता है। मल्टीचैनल विश्लेषण के लिए एक सचेत चैनल-वार या बहुभिन्नरूपी रणनीति की आवश्यकता होती है, क्योंकि केवल चैनलों को मिलाने से स्थानिक और लौकिक अर्थ अस्पष्ट हो सकते हैं।