स्वतंत्र घटक विश्लेषण (Independent component analysis) विभिन्न क्षेत्रों में उपयोग किए जाने वाले ब्लाइंड सोर्स सेपरेशन (blind source separation) के लिए एक शक्तिशाली कम्प्यूटेशनल तरीका है। यह मिश्रित EEG संकेतों को प्रभावी ढंग से सुलझाता है जो सांख्यिकीय रूप से स्वतंत्र और गैर-गौसियन (non-Gaussian) हैं।
स्वतंत्र घटक विश्लेषण (ICA) क्या है?
स्वतंत्र घटक विश्लेषण (Independent component analysis) एक परिष्कृत सांख्यिकीय और कम्प्यूटेशनल तकनीक है जो मिश्रित टिप्पणियों के एक समूह से छिपे हुए कारकों या घटकों को निकालने पर केंद्रित है।
कई वास्तविक दुनिया के परिदृश्यों में, रिकॉर्ड किया गया डेटा एक माध्यम के माध्यम से एक साथ काम करने वाले कई स्रोत संकेतों का परिणाम होता है, जिससे एक जटिल ओवरलैप बनता है जो अक्सर अपने मूल रूप में समझ में नहीं आता है। विशिष्ट बीजीय परिवर्तनों को लागू करके, यह विधि मिश्रण प्रक्रिया को उलटने के लिए एक फ़िल्टर के रूप में कार्य करती है।
मूल अवधारणा: मिश्रित संकेतों को अलग करना
इस क्षेत्र का मूल आधार "कॉकटेल पार्टी समस्या" के इर्द-गिर्द घूमता है, जहां एक कमरे में एक साथ कई लोग बोलते हैं जबकि कई माइक्रोफोन परिणामी ध्वनि को रिकॉर्ड करते हैं।
एक सामान्य दर्शक केवल आवाजों का एक अराजक मिश्रण सुनता है, लेकिन ICA सैद्धांतिक रूप से प्रत्येक व्यक्तिगत वक्ता द्वारा योगदान किए गए संकेत की पहचान कर सकता है। यह क्षमता शोधकर्ताओं को वैश्विक प्रवाह से विशिष्ट तरंगों को अलग करने की अनुमति देती है, जिससे व्यक्तिगत डेटा चैनलों में एक स्पष्ट खिड़की मिलती है जो अन्यथा अस्पष्ट हो जाती।
ICA की गणितीय नींव
गणितीय रूप से, लक्ष्य एक अंधा स्रोत पृथक्करण (blind source separation) करना है, एक रैखिक परिवर्तन खोजना जो देखे गए चर को यथासंभव स्वतंत्र बनाता है। डेटा के एक देखे गए वेक्टर को देखते हुए, एल्गोरिथ्म एक अनमिक्सिंग मैट्रिक्स की तलाश करता है, जो टिप्पणियों से गुणा करने पर, अनुमानित स्रोत संकेत देता है जिनमें स्वतंत्र सांख्यिकीय वितरण होते हैं।
इसे प्राप्त करने के लिए आवश्यक है कि ये संकेत गैर-गॉसियन (non-Gaussian) हों, क्योंकि गॉसियन वितरण के गणितीय गुण उन्हें विशिष्ट रूप से अलग करना असंभव बनाते हैं। आधुनिक neuroscience के संदर्भ में, यह कठोरता सुनिश्चित करती है कि आसपास के हस्तक्षेप के पृष्ठभूमि शोर में सूक्ष्म विद्युत उतार-चढ़ाव खो न जाएं।
स्वतंत्र घटक विश्लेषण कैसे काम करता है?
उच्च-आयामी डेटा के साथ सफलतापूर्वक काम करते हुए, यह प्रक्रिया गैर-गॉसियनिटी को मापकर एक मिश्रण को उसके घटक भागों में बदलने पर निर्भर करती है। चूंकि मिश्रित संकेत अक्सर केंद्रीय सीमा प्रमेय के कारण गॉसियन वितरण की ओर झुकते हैं, इसलिए एल्गोरिथ्म डेटा में उन दिशाओं की आक्रामक रूप से खोज करके कार्य करता है जो गॉसियन से यथासंभव दूर हैं।
परिणामी घटक प्रभावी रूप से "शुद्ध" संकेत हैं जो मिश्रण प्रक्रिया से स्वतंत्र मूल स्रोत का पुनर्निर्माण करते हैं।
ICA की धारणाएं
इस एल्गोरिथ्म का सफल निष्पादन कई महत्वपूर्ण आवश्यकताओं पर निर्भर करता है। सबसे महत्वपूर्ण धारणा यह है कि स्रोत संकेत एक दूसरे से सांख्यिकीय रूप से स्वतंत्र हैं; यदि किसी एक स्रोत का मान जानने से दूसरे के बारे में कोई जानकारी नहीं मिलती है, तो वे अलगाव के लिए योग्य हैं।
इसके अतिरिक्त, एल्गोरिथ्म यह मानता है कि देखे गए मिश्रित संकेतों की संख्या कम से कम स्वतंत्र स्रोतों की संख्या जितनी ही बड़ी है। अंत में, जैसा कि उल्लेख किया गया है, स्रोतों को गैर-गॉसियन वितरण प्रदर्शित करना चाहिए, क्योंकि यह विशिष्ट संरचना उन स्थलों का निर्माण करती है जिनकी एल्गोरिथ्म को अपने अलगाव प्रयासों को एंकर करने की आवश्यकता होती है।
स्वतंत्र घटक विश्लेषण एल्गोरिथ्म: प्रमुख तकनीकें
इस अलगाव को प्राप्त करने के लिए कई एल्गोरिथम दृष्टिकोण मौजूद हैं, जिनमें FastICA और Infomax सबसे प्रमुख उदाहरणों में से हैं। ये विधियां आउटपुट की पारस्परिक जानकारी को कम करने या गैर-गॉसियनिटी को अधिकतम करने के लिए अनमिक्सिंग मैट्रिक्स को बार-बार समायोजित करती हैं।
अनुकूलन प्रक्रिया कम्प्यूटेशनल रूप से गहन है, जिसके लिए विभिन्न डेटासेट में लगातार अभिसरण सुनिश्चित करने के लिए सावधानीपूर्वक कार्यान्वयन की आवश्यकता होती है। इन भारों को परिष्कृत करके, प्रणाली धीरे-धीरे हस्तक्षेप की परतों को पीछे धकेलती है जब तक कि प्रत्येक विशिष्ट संकेत स्पष्ट रूप से उभर न जाए।
स्वतंत्र घटक विश्लेषण बनाम प्रधान घटक विश्लेषण (ICA बनाम PCA)
हालांकि दोनों तकनीकों का उपयोग आयाम में कमी या संकेत विश्लेषण के लिए किया जाता है, लेकिन उनके कार्यात्मक लक्ष्य काफी भिन्न होते हैं। शोधकर्ताओं को उनके बीच इस आधार पर चयन करना होगा कि वे अपने डेटासेट के भीतर भिन्नता या स्वतंत्रता को कैप्चर करना चाहते हैं या नहीं।
विशेषता | प्रधान घटक विश्लेषण | स्वतंत्र घटक विश्लेषण |
|---|---|---|
प्राथमिक ध्यान | अधिकतम भिन्नता | अधिकतम स्वतंत्रता |
ऑर्थोगोनैलिटी (लंबकोणीयता) | आवश्यक है | आवश्यक नहीं है |
घटक क्रम | इगेनवैल्यू द्वारा क्रमबद्ध | यादृच्छिक रूप से क्रमबद्ध |
सांख्यिकीय माप | सहसंबंध | उच्च-क्रम सांख्यिकी |
सही उपकरण का चयन अंतर्निहित विश्लेषण के विशिष्ट लक्ष्यों पर निर्भर करता है। जबकि PCA डेटा संपीड़न के लिए उत्कृष्ट है जहां मुख्य रुझानों को संरक्षित करना महत्वपूर्ण है, ICA तब बेहतर होता है जब लक्ष्य कुल अवलोकन में योगदान देने वाली अनूठी, स्वतंत्र प्रक्रियाओं की पहचान करना होता है।
स्वतंत्र घटक विश्लेषण शोर से मस्तिष्क के संकेतों को कैसे अलग करता है
स्वतंत्र घटक विश्लेषण (ICA) PCA की तुलना में अधिक सख्त दृष्टिकोण अपनाता है। केवल संकेतों को डिकॉरिलेट करने के बजाय, ICA उन घटकों की खोज करता है जो सांख्यिकीय रूप से स्वतंत्र हैं, जिसका अर्थ है कि किसी एक घटक के मूल्य को जानने से किसी अन्य घटक के बारे में कोई जानकारी नहीं मिलती है।
यह डिकॉरिलेशन की तुलना में बहुत अधिक ऊंचा मानदंड है, और यही वह चीज़ है जो ICA को उन संकेतों को अलग करने की अनुमति देती है जो आवृत्ति सामग्री साझा करते हैं लेकिन वास्तव में अलग-अलग भौतिक स्रोतों से उत्पन्न होते हैं: यहाँ एक पलक झपकना, वहाँ एक जबड़े की जकड़न, कहीं और किसी उत्तेजना का जवाब देने वाला विजुअल कॉर्टेक्स का एक हिस्सा।
विंकलर एट अल. अध्ययन TDSEP को लागू करता है, जो ICA का एक संस्करण है जो समय के साथ लौकिक सहसंबंधों को ध्यान में रखता है, न कि केवल संकेत के तात्कालिक सांख्यिकी को।
ओलाफ डिमिगेन अध्ययन Infomax का उपयोग करता है, जो एक व्यापक रूप से उपयोग किया जाने वाला ICA एल्गोरिथ्म है।
मोगनॉन अध्ययन अपने स्वचालित पहचान उपकरण को एक सामान्य ICA-आधारित पाइपलाइन के शीर्ष पर बनाता है।
कार्यान्वयन में अंतर के बावजूद, ये सभी दृष्टिकोण एक ही अंतर्निहित सिद्धांत पर आराम करते हैं: मिश्रित इलेक्ट्रोड संकेत को घटकों के एक समूह में विघटित करें जो एक दूसरे से स्वतंत्र रूप से व्यवहार करते हैं, फिर यह पता लगाएं कि उनमें से कौन से घटक मस्तिष्क की गतिविधि की तरह दिखते हैं और कौन से आर्टिफैक्ट (artefact) की तरह दिखते हैं।
ICA के पीछे की मुख्य धारणाएं: गैर-गॉसियनिटी और रैखिक सम्मिश्रण
ICA डेटा के बारे में दो विशिष्ट धारणाओं के कारण काम करता है, और उन्हें समझना इसकी ताकत और इसकी विफलता के बिंदुओं दोनों को समझाता है।
पहली धारणा गैर-गॉसियनिटी है। वास्तविक ईईजी (EEG) स्रोत, चाहे वे मस्तिष्क की लय हों, पलकें झपकना हो, या मांसपेशियों का फटना हो, अक्सर ऐसे आयाम वितरण होते हैं जो गॉसियन (सामान्य) वितरण के बेल-कर्व आकार से विचलित होते हैं। ICA एल्गोरिदम इस गैर-गॉसियन संरचना को खोजने और अधिकतम करने के लिए बनाए गए हैं, क्योंकि स्वतंत्र संकेतों का मिश्रण किसी भी व्यक्तिगत घटक की तुलना में अधिक गॉसियन दिखने लगता है (केंद्रीय सीमा प्रमेय का एक परिणाम)।
दूसरी धारणा रैखिक सम्मिश्रण है। ICA यह मानता है कि एक इलेक्ट्रोड जो रिकॉर्ड करता है वह अंतर्निहित स्रोत संकेतों का एक तात्कालिक, रैखिक संयोजन है, एक ऐसी धारणा जो स्थिर रिकॉर्डिंग स्थितियों में ऊतक और खोपड़ी (वॉल्यूम चालन के रूप में ज्ञात प्रक्रिया) के माध्यम से विद्युत गतिविधि कैसे फैलती है, इसके लिए काफी अच्छी तरह से लागू होती है। यह धारणा तब सबसे आसानी से पूरी होती है जब कोई व्यक्ति शांत बैठता है।
ICA से पहले हाई-पास फ़िल्टरिंग सब कुछ क्यों बदल देती है
एक ICA अपघटन की गुणवत्ता काफी हद तक इस बात पर निर्भर करती है कि एल्गोरिथ्म के चलने से पहले सिग्नल को कैसे संसाधित किया जाता है, और हाई-पास फ़िल्टर कटऑफ का विकल्प (एक फ़िल्टर जो एक निर्धारित आवृत्ति से नीचे बहुत धीमी गति से होने वाले बहाव को हटा देता है) पूरी पाइपलाइन में सबसे महत्वपूर्ण निर्णयों में से एक साबित होता है।
विंकलर एट अल. के नेतृत्व में एक 2015 के अध्ययन ने इवेंट-रिलेटेड पोटेंशियल (ERP) डेटा का उपयोग करके सीधे इसका परीक्षण किया, मस्तिष्क तरंग पैटर्न एक विशिष्ट उत्तेजना के लिए समय-बंद होते हैं, जो एक श्रवण ऑडबॉल कार्य करने वाले 21 प्रतिभागियों से प्राप्त किए गए थे। 1 और 2 Hz के बीच हाई-पास फ़िल्टरिंग ने लगातार तीन अलग-अलग मेट्रिक्स में अच्छे परिणाम दिए: सिग्नल-टू-नॉइज़ अनुपात, सिंगल-ट्रायल वर्गीकरण सटीकता, और उन घटकों का प्रतिशत जो "निकट-द्विध्रुवीय" दिखे, जिसका अर्थ है कि उनके पास कई स्रोतों के धुंधले मिश्रण के बजाय एक एकल, स्थानीयकृत मस्तिष्क स्रोत के अनुरूप एक स्थानिक पैटर्न था।
इसके अलावा, 2020 के एक अध्ययन में, क्लग एट अल. ने स्थिर और मोबाइल रिकॉर्डिंग सेटअपों में इसी प्रश्न की जांच की। 64 चैनलों और 0.5 Hz फ़िल्टर वाले एक मानक स्थिर प्रयोग के लिए, परिणाम स्वीकार्य थे। लेकिन इष्टतम अपघटन तक पहुंचने के लिए मोबाइल प्रयोगों को 2 Hz तक के उच्च कटऑफ की आवश्यकता थी, और अधिक चैनलों वाले सेटअपों को तदनुसार उच्च फ़िल्टर की आवश्यकता थी।
ओलाफ डिमिगेन के शोध ने इस विचार को आंखों के आंदोलन के आर्टिफैक्ट्स के विशिष्ट संदर्भ में आगे बढ़ाया। हाई-पास फ़िल्टर, लो-पास फ़िल्टर, और सैकेडिक स्पाइक पोटेंशियल वाले प्रशिक्षण डेटा के अनुपात को व्यवस्थित रूप से बदलते हुए, शोधकर्ता ने पाया कि डेटा पर ICA को प्रशिक्षित करने से जहां ये स्पाइक पोटेंशियल अत्यधिक भारित थे, सुधार की गुणवत्ता में काफी सुधार हुआ।
एक साथ, ये तीनों अध्ययन एक ही निष्कर्ष की ओर इशारा करते हैं: डिफ़ॉल्ट फ़िल्टर सेटिंग्स, विशेष रूप से सामान्य 0.5 Hz कटऑफ, कई उपयोग के मामलों के लिए बहुत अधिक उदार हो सकती हैं, और सही विकल्प विशिष्ट आर्टिफैक्ट और रिकॉर्डिंग स्थितियों पर निर्भर करता है।
मशीन लर्निंग के साथ आर्टिफैक्ट घटक चयन को स्वचालित करना
एक बार जब ICA स्वतंत्र घटकों का एक सेट तैयार कर लेता है, तो किसी व्यक्ति या किसी चीज़ को अभी भी यह तय करना होता है कि कौन से घटक मस्तिष्क की गतिविधि का प्रतिनिधित्व करते हैं और कौन से आर्टिफैक्ट का प्रतिनिधित्व करते हैं। प्रशिक्षित विशेषज्ञों द्वारा मैन्युअल लेबलिंग धीमी है और व्यक्तिपरकता को पेश करती है, क्योंकि विभिन्न विशेषज्ञ हमेशा सीमावर्ती मामलों पर सहमत नहीं होते हैं।
इसे संबोधित करने के लिए, विंकलर की टीम ने प्रत्येक घटक की आवृत्ति, स्थानिक और लौकिक विशेषताओं से ली गई केवल छह विशेषताओं का उपयोग करके विषय-स्वतंत्र रैखिक वर्गीकारक बनाया। प्रतिक्रिया-समय के अध्ययन में 12 प्रतिभागियों से 640 हाथ से लेबल किए गए TDSEP घटकों पर प्रशिक्षित, वर्गीकारक ने नए डेटा पर परीक्षण करने पर 10% से कम मीन स्क्वायर एरर (MSE) प्राप्त किया, जो मानव विशेषज्ञों के बीच प्राकृतिक असहमति दर के बराबर प्रदर्शन स्तर है।
बिना पुन: प्रशिक्षण के पूरी तरह से अलग श्रवण ERP प्रतिमान पर लागू होने पर, वही वर्गीकारक 15% MSE तक पहुँच गया, जो एक उचित लेकिन स्पष्ट रूप से कमजोर परिणाम है जो प्रतिमानों में सामान्यीकरण की कठिनाई को दर्शाता है। एक मोटर इमेजरी brain-computer interface कार्य में, शोधकर्ताओं ने प्रदर्शित किया कि 60% तक सबसे अधिक आर्टिफैक्ट वाले घटकों को हटाने से भी BCI को कार्य करने के लिए आवश्यक विभेदक जानकारी सुरक्षित रही।
इसके अलावा, मोगनॉन की टीम ने ADJUST पेश किया, जो एक पूरी तरह से स्वचालित एल्गोरिथ्म है जो विशेष रूप से पलकें झपकने, आंखों के हिलने-डुलने और सामान्य विसंगतियों का पता लगाने के लिए स्थानिक और लौकिक विशेषताओं को जोड़ता है। एक स्वतंत्र डेटासेट पर मान्य, घटकों के ADJUST के वर्गीकरण ने डेटा भिन्नता के 95.2% पर मैन्युअल विशेषज्ञ लेबलिंग के साथ सहमति व्यक्त की। ADJUST द्वारा आर्टिफैक्ट के रूप में चिह्नित घटकों को हटाने से वह परिणाम मिला जिसे अध्ययन अत्यधिक आर्टिफैक्ट वाले डेटा से दृश्य और श्रवण घटना-संबंधित क्षमता के साफ पुनर्निर्माण के रूप में वर्णित करता है।
दोनों उपकरण ईईजी सफाई के मैन्युअल बोझ को कम करने की दिशा में वास्तविक प्रगति का प्रतिनिधित्व करते हैं, लेकिन उनके रिपोर्ट किए गए प्रदर्शन विशिष्ट डेटासेट और प्रतिमानों से आते हैं, और नई स्थितियों के सामान्यीकरण की गारंटी नहीं है।
ICA के साथ ईईजी डेटा को साफ करने के व्यावहारिक उपाय
स्वतंत्र घटक विश्लेषण इसलिए काम करता है क्योंकि यह डिकॉरिलेशन की कमजोर विशेषता के बजाय वास्तविक सांख्यिकीय स्वतंत्रता को लक्षित करता है जिस पर PCA जैसे तरीके भरोसा करते हैं। यही अंतर इसे मस्तिष्क के संकेतों और आर्टिफैक्ट्स को अलग करने की अनुमति देता है, भले ही उनकी आवृत्ति सामग्री ओवरलैप हो, ऐसा कुछ जो आवृत्ति-डोमेन फ़िल्टरिंग नहीं कर सकता है और प्रतिगमन-आधारित EOG सुधार सीधे परीक्षण में प्राप्त करने में विफल रहा।
वह सफलता, हालांकि, सशर्त है। 1 से 2 Hz रेंज में हाई-पास फ़िल्टरिंग को स्थिर ERP अनुसंधान में लगातार अच्छे अपघटन उत्पन्न करने के लिए दिखाया गया है, जबकि मोबाइल रिकॉर्डिंग को 2 Hz तक के फ़िल्टर से लाभ हुआ, जिसमें चैनल संख्या भी एक भूमिका निभाती है। विशेष रूप से कठिन आर्टिफैक्ट्स जैसे कि फ्री व्यूइंग के दौरान सैकेडिक स्पाइक पोटेंशियल के लिए, डिफ़ॉल्ट सेटिंग्स का उपयोग करने के बजाय प्रशिक्षण के दौरान आर्टिफैक्ट को जानबूझकर अधिक महत्व देना एक असंतोषजनक सुधार को ऐसे सुधार में बदल सकता है जो मस्तिष्क की गतिविधि के न्यूनतम विरूपण के साथ लगभग सभी संदूषण को हटा देता है।
इसके अलावा, स्वचालित घटक वर्गीकारक, जिसमें उपरोक्त अध्ययनों से छह-विशेषता रैखिक मॉडल और ADJUST एल्गोरिथ्म शामिल हैं, मैन्युअल लेबलिंग में शामिल समय और व्यक्तिपरकता को सार्थक रूप से कम कर सकते हैं। दोनों ने अपने सत्यापन डेटा पर विशेषज्ञ निर्णय के साथ मजबूत सहमति दिखाई। हालांकि, किसी को भी विभिन्न रिकॉर्डिंग प्रतिमानों और उपकरणों के प्रदर्शन में बदलाव के बारे में जागरूकता के बिना एक सार्वभौमिक समाधान के रूप में नहीं माना जाना चाहिए।
ICA-आधारित आर्टिफैक्ट हटाना EEG डेटा की सफाई के लिए उपलब्ध अधिक अच्छी तरह से समर्थित दृष्टिकोणों में से एक है, और इसके पीछे का तंत्रिका विज्ञान एक सुसंगत सांख्यिकीय तर्क पर आधारित है। लेकिन इसका वास्तविक प्रदर्शन एल्गोरिथ्म के चलने से बहुत पहले किए गए विकल्पों पर निर्भर करता है: फ़िल्टर सेटिंग्स, प्रशिक्षण डेटा संरचना, और लक्षित किया जा रहा विशिष्ट आर्टिफैक्ट। इसका उपयोग करने वाले किसी भी व्यक्ति को यह मानने के बजाय कि एक ही विन्यास हर जगह काम करेगा, उद्देश्यपूर्ण मेट्रिक्स के साथ परिणामों को मान्य करना चाहिए।
ईईजी में ICA की सफलता को प्रीप्रोसेसिंग विकल्प क्यों परिभाषित करते हैं
स्वच्छ मस्तिष्क डेटा विचार-नियंत्रित उपकरणों से लेकर सावधानीपूर्वक स्मृति अनुसंधान तक हर चीज़ की नींव है। स्वतंत्र घटक विश्लेषण मिश्रित तंत्रिका गतिविधि और शारीरिक शोर को अलग करने का एक गणितीय रूप से सुदृढ़ तरीका प्रदान करता है, भले ही सरल फ़िल्टरिंग जैसे सरल तरीके विफल हो जाएं। वास्तविक सांख्यिकीय स्वतंत्रता को लक्षित करके, यह एक वास्तविक मस्तिष्क लय और एक ही आवृत्ति बैंड में होने वाली आंख की पलक के अलग-अलग विद्युत उंगलियों के निशान को प्रकट कर सकता है।
वास्तविक शक्ति, हालांकि, केवल तभी उभरती है जब शोधकर्ता प्लग-एंड-प्ले डिफ़ॉल्ट से आगे बढ़ते हैं। अध्ययन दिखाते हैं कि हाई-पास फ़िल्टर को विशिष्ट रिकॉर्डिंग स्थिति के अनुकूल बनाना और आर्टिफैक्ट डिटेक्टरों के लिए प्रशिक्षण उदाहरणों को सावधानीपूर्वक तैयार करना ही ICA को एक उम्मीद वाले प्रयोग से एक लगातार विश्वसनीय उपकरण में बदल देता है। इस तरह का व्यक्तिगत ध्यान वैज्ञानिकों को शोर वाली रिकॉर्डिंग के अंदर स्क्रैम्बल छोड़ने के बजाय मस्तिष्क के संदेशों को आत्मविश्वास से पुनर्प्राप्त करने की अनुमति देता 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
Dimigen, O. (2020). Optimizing the ICA-based removal of ocular EEG artifacts from free viewing experiments. NeuroImage, 207, 116117. https://doi.org/10.1016/j.neuroimage.2019.116117
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
Winkler, I., Debener, S., Müller, K. R., & Tangermann, M. (2015). On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2015, 4101–4105. https://doi.org/10.1109/EMBC.2015.7319296
Klug, M., & Gramann, K. (2021). Identifying key factors for improving ICA‐based decomposition of EEG data in mobile and stationary experiments. European Journal of Neuroscience, 54(12), 8406-8420. https://doi.org/10.1111/ejn.14992
अक्सर पूछे जाने वाले प्रश्न
सरल आवृत्ति फ़िल्टरिंग आंखें झपकने और मांसपेशियों की गतिविधि जैसे ईईजी आर्टिफैक्ट्स को क्यों नहीं हटा सकती है?
आवृत्ति फ़िल्टरिंग विफल हो जाती है क्योंकि आर्टिफैक्ट और मस्तिष्क के संकेत अक्सर समान आवृत्ति बैंड साझा करते हैं, जैसे कि मांसपेशियों की गतिविधि और ललाट थीटा लय, इसलिए एक को हटाने से दूसरा भी हट जाता है। जब उनके दोलन ओवरलैप होते हैं तो एक फ़िल्टर उन्हें अलग नहीं कर सकता।
मस्तिष्क के संकेतों को शोर से अलग करने में PCA और ICA के बीच मुख्य अंतर क्या है?
PCA केवल संकेतों को अलग करता है—यह उन्हें रैखिक रूप से असंबद्ध बनाता है—लेकिन इसके लिए सांख्यिकीय स्वतंत्रता की आवश्यकता नहीं होती है। ICA उन घटकों की खोज करके आगे बढ़ता है जो पूरी तरह से सांख्यिकीय रूप से स्वतंत्र हैं, जिसका अर्थ है कि एक को जानने से दूसरे के बारे में कुछ भी पता नहीं चलता है, जो मिश्रित मस्तिष्क और आर्टिफैक्ट स्रोतों को बेहतर ढंग से अलग करने में सक्षम बनाता है।
ICA वास्तव में मस्तिष्क के संकेतों को आर्टिफैक्ट्स से कैसे अलग करता है?
ICA मानता है कि मिश्रित इलेक्ट्रोड संकेत स्वतंत्र, गैर-गॉसियन स्रोत संकेतों के रैखिक संयोजन हैं। यह एक ऐसा परिवर्तन पाता है जो परिणामी घटकों की स्वतंत्रता को अधिकतम करता है, प्रभावी रूप से मस्तिष्क की लय से आंख की पलक जैसे अलग-अलग भौतिक स्रोतों को अलग करता है, भले ही उनकी आवृत्तियां ओवरलैप हों।
ICA के काम करने के लिए गैर-गॉसियनिटी क्यों महत्वपूर्ण है?
वास्तविक ईईजी स्रोतों में गैर-गॉसियन आयाम वितरण होते हैं, जबकि स्वतंत्र संकेतों के मिश्रण अधिक गॉसियन बन जाते हैं। ICA एल्गोरिदम मूल स्रोतों को अलग करने के लिए इस गैर-गॉसियन संरचना की खोज करते हैं और इसे अधिकतम करते हैं, क्योंकि कम से कम गॉसियन अनुमानों को खोजने से स्वतंत्र घटक पुनर्प्राप्त होते हैं।
ICA से पहले ईईजी डेटा की हाई-पास फ़िल्टरिंग इतनी महत्वपूर्ण क्यों है?
हाई-पास फ़िल्टर बहुत धीमी गति से होने वाले बहाव को हटा देता है जो ICA अपघटन को दूषित कर सकता है। अध्ययनों में लगातार पाया गया है कि 1-2 Hz के आसपास फ़िल्टर कटऑफ ने 0.5 Hz जैसे निचले डिफ़ॉल्ट सेटिंग्स की तुलना में क्लीनर, अधिक मस्तिष्क जैसे स्वतंत्र घटकों का उत्पादन किया, विशेष रूप से मोबाइल रिकॉर्डिंग में या विशिष्ट आर्टिफैक्ट्स को लक्षित करते समय।
मशीन लर्निंग ईईजी घटकों को मस्तिष्क या आर्टिफैक्ट के रूप में वर्गीकृत करने में कैसे मदद कर सकती है?
स्वचालित वर्गीकारक विशेषज्ञ सहमति के करीब सटीकता के साथ लेबल करने के लिए प्रत्येक घटक की आवृत्ति, स्थानिक और लौकिक पैटर्न से कुछ विशेषताओं का उपयोग करते हैं। यह उन घटकों को चुनने के मैन्युअल, व्यक्तिपरक कार्यभार को कम करता है जिन्हें निकालना है, हालांकि नए प्रयोगात्मक प्रतिमानों पर लागू होने पर प्रदर्शन गिर सकता है।
मोबाइल ईईजी रिकॉर्डिंग के दौरान ICA के प्रदर्शन का क्या होता है जहां प्रतिभागी घूमते हैं?
आंदोलन रैखिक सम्मिश्रण धारणा को पूरी तरह से नहीं तोड़ता है, इसलिए ICA अभी भी काम करता है, लेकिन यह उन साफ, व्याख्या योग्य मस्तिष्क घटकों की संख्या को कम करता है जिन्हें पुनर्प्राप्त किया जा सकता है। मोबाइल सेटअपों को अक्सर स्थिर रिकॉर्डिंग की तुलना में इष्टतम अपघटन बनाए रखने के लिए उच्च हाई-पास फ़िल्टर कटऑफ की आवश्यकता होती है।
क्या ICA को गैर-रैखिक मिश्रणों पर लागू किया जा सकता है?
मानक एल्गोरिथ्म एक रैखिक मिश्रण मानता है, इसलिए इसे जटिल गैर-रैखिक संयोजनों पर लागू करने के लिए अक्सर मॉडल में विशेष संशोधनों या विस्तार की आवश्यकता होती है।
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
