स्वतंत्र घटक विश्लेषण (इंडिपेंडेंट कंपोनेंट एनालिसिस) ब्लाइंड सोर्स सेपरेशन के लिए एक शक्तिशाली कम्प्यूटेशनल तरीका है जिसका उपयोग विभिन्न क्षेत्रों में किया जाता है। यह मिश्रित EEG सिग्नलों को प्रभावी ढंग से सुलझाता है जो सांख्यिकीय रूप से स्वतंत्र और गैर-गौसियन होते हैं।
इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA) क्या है?
इंडिपेंडेंट कंपोनेंट एनालिसिस (स्वतंत्र घटक विश्लेषण) एक परिष्कृत सांख्यिकीय और कम्प्यूटेशनल तकनीक है जो मिश्रित अवलोकनों 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 कच्चे रूप में समझ से बाहर होता है। विशिष्ट बीजगणितीय परिवर्तनों को लागू करके, यह विधि मिश्रण प्रक्रिया को उलटने के लिए एक फिल्टर 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 कई लोग एक साथ बोलते हैं जबकि कई माइक्रोफोन उसके परिणामस्वरूप होने वाले शोर-शराबे को रिकॉर्ड करते हैं।
एक सामान्य पर्यवेक्षक केवल आवाजों का एक अराजक मिश्रण सुनता है, लेकिन ICA सैद्धांतिक रूप से प्रत्येक व्यक्तिगत वक्ता द्वारा दिए गए योगदान की पहचान कर सकता है। यह क्षमता शोधकर्ताओं को एक वैश्विक स्ट्रीम से विशिष्ट तरंगों (waveforms) 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, इसका लक्ष्य एक ब्लाइंड सोर्स सेपरेशन (अंध स्रोत पृथक्करण) करना है, जिससे एक ऐसा रैखिक रूपांतरण (linear transformation) मिल सके जो देखे गए चर को यथासंभव स्वतंत्र बना दे। डेटा के एक देखे गए वेक्टर को देखते हुए, एल्गोरिदम एक अनमिक्सिंग मैट्रिक्स की तलाश करता है, जिसे जब अवलोकनों से गुणा किया जाता है, तो अनुमानित स्रोत संकेत प्राप्त होते हैं जिनमें स्वतंत्र सांख्यिकीय वितरण होते हैं।
इसे प्राप्त करने के लिए यह आवश्यक है कि ये संकेत नॉन-गॉसियन (गैर-गॉसियन) हों, क्योंकि गॉसियन वितरण के गणितीय गुण उन्हें विशिष्ट रूप से अलग करना असंभव बनाते हैं। आधुनिक न्यूरोसाइंटिस्ट के संदर्भ में, यह कठोरता सुनिश्चित करती है कि सूक्ष्म विद्युत उतार-चढ़ाव आसपास के व्यवधान के पृष्ठभूमि शोर में खो न जाएं।
इंडिपेंडेंट कंपोनेंट एनालिसिस कैसे काम करता है?
उच्च-आयामी (high-dimensional) डेटा के साथ सफलतापूर्वक काम करते हुए, यह प्रक्रिया नॉन-गॉसियनता को मापकर एक मिश्रण को उसके घटक भागों में बदलने पर निर्भर करती है। क्योंकि मिश्रित संकेत अक्सर केंद्रीय सीमा प्रमेय (central limit theorem) के कारण गॉसियन वितरण की ओर प्रवृत्त होते हैं, इसलिए एल्गोरिदम डेटा में आक्रामक रूप से उन दिशाओं की खोज करके काम करता है जो गॉसियन से यथासंभव दूर हों।
परिणामी घटक प्रभावी रूप से "शुद्ध" संकेत होते हैं जो मिश्रण प्रक्रिया से स्वतंत्र मूल स्रोत का पुनर्निर्माण करते हैं।
ICA की धारणाएं
इस एल्गोरिदम 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 एक स्रोत के मूल्य को जानने से दूसरे के बारे में कोई जानकारी नहीं मिलती है, तो वे अलगाव के योग्य हैं।
इसके अतिरिक्त, एल्गोरिदम यह मानता है कि देखे गए मिश्रित संकेतों की संख्या कम से कम स्वतंत्र स्रोतों की संख्या जितनी बड़ी है। अंत में, जैसा कि उल्लेख किया गया है, स्रोतों को नॉन-गॉसियन वितरण का प्रदर्शन करना चाहिए, क्योंकि यह विशिष्ट संरचना उन स्थलों का निर्माण करती है जिनकी एल्गोरिदम को अपने अलगाव प्रयासों को एंकर करने की आवश्यकता होती है।
इंडिपेंडेंट कंपोनेंट एनालिसिस एल्गोरिदम: 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 नॉन-गॉसियनता को अधिकतम करने के लिए अनमिक्सिंग मैट्रिक्स को बार-बार समायोजित करती हैं।
यह अनुकूलन प्रक्रिया कम्प्यूटेशनल रूप से गहन है, जिसके लिए विभिन्न डेटासेट में लगातार अभिसरण (convergence) सुनिश्चित करने के लिए सावधानीपूर्वक कार्यान्वयन की आवश्यकता होती है। इन भारों को परिष्कृत करके, सिस्टम व्यवधान की परतों को उत्तरोत्तर तब तक हटाता रहता है जब तक कि प्रत्येक विशिष्ट संकेत स्पष्ट रूप से उभर न जाए।
इंडिपेंडेंट कंपोनेंट एनालिसिस बनाम प्रिंसिपल कंपोनेंट एनालिसिस (ICA बनाम PCA)
यद्यपि दोनों तकनीकों का उपयोग आयाम न्यूनीकरण (dimension reduction) या संकेत विश्लेषण के लिए किया जाता है, लेकिन उनके कार्यात्मक लक्ष्य काफी भिन्न हैं। शोधकर्ताओं को इस आधार पर उनके बीच चयन करना चाहिए कि वे अपने डेटासेट के भीतर भिन्नता (variance) को खोजना चाहते हैं या स्वतंत्रता को।
विशेषता | प्रिंसिपल कंपोनेंट एनालिसिस | इंडिपेंडेंट कंपोनेंट एनालिसिस |
|---|---|---|
प्राथमिक फोकस | अधिकतम भिन्नता (Variance) | अधिकतम स्वतंत्रता (Independence) |
ऑर्थोगोनैलिटी (Orthogonality) | आवश्यक है | आवश्यक नहीं है |
घटक क्रम | आइगेनवैल्यूज़ (Eigenvalues) द्वारा क्रमबद्ध | यादृच्छिक रूप से क्रमबद्ध |
सांख्यिकीय उपाय | सहसंबंध (Correlations) | उच्च-क्रम सांख्यिकी |
सही उपकरण का चयन अंतर्निहित विश्लेषण के विशिष्ट लक्ष्यों पर निर्भर करता है। जहां PCA डेटा संपीड़न (data compression) के लिए उत्कृष्ट है जहां मुख्य प्रवृत्तियों को सहेजना महत्वपूर्ण है, वहीं ICA तब बेहतर है जब लक्ष्य कुल अवलोकन में योगदान देने वाली अनूठी, स्वतंत्र प्रक्रियाओं की पहचान करना हो।
इंडिपेंडेंट कंपोनेंट एनालिसिस मस्तिष्क के संकेतों को शोर से कैसे अलग करता है
इंडिपेंडेंट कंपोनेंट एनालिसिस PCA की तुलना में अधिक सख्त दृष्टिकोण अपनाता है। केवल संकेतों को असंबंधित करने के बजाय, ICA उन घटकों की खोज करता है जो सांख्यिकीय रूप से स्वतंत्र हैं, जिसका अर्थ है कि एक घटक के मूल्य को जानने से किसी अन्य घटक के बारे में कोई जानकारी नहीं मिलती है।
यह असंबंधता (decorrelation) की तुलना में बहुत ऊँचा पैमाना है, और यही वह चीज़ है जो ICA को उन संकेतों को अलग करने की अनुमति देती है जो आवृत्ति सामग्री (frequency content) को साझा करते हैं लेकिन वास्तव में अलग शारीरिक स्रोतों से उत्पन्न होते हैं: यहाँ एक पलक झपकना, वहाँ जबड़े का खिंचाव, और कहीं और किसी उत्तेजना का जवाब देने वाला दृश्य प्रांतस्था (visual cortex) का हिस्सा।
विंकलर et al. का अध्ययन TDSEP को लागू करता है, जो ICA का एक संस्करण है जो समय के साथ लौकिक सहसंबंधों (temporal correlations) को ध्यान में रखता है, न कि केवल संकेत के त्वरित सांख्यिकी को।
ओलाफ डिमिजेन का अध्ययन Infomax का उपयोग करता है, जो एक व्यापक रूप से उपयोग किया जाने वाला ICA एल्गोरिदम है।
मोगनॉन का अध्ययन एक सामान्य ICA-आधारित पाइपलाइन के शीर्ष पर अपना स्वचालित पहचान उपकरण बनाता है।
कार्यान्वयन में अंतर के बावजूद, ये सभी दृष्टिकोण एक ही अंतर्निहित सिद्धांत पर आधारित हैं: मिश्रित इलेक्ट्रोड संकेत को घटकों के एक सेट में विघटित करना जो एक दूसरे से स्वतंत्र रूप से व्यवहार करते हैं, फिर यह पता लगाना कि उनमें से कौन से घटक मस्तिष्क की गतिविधि की तरह दिखते हैं और कौन से आर्टिफैक्ट (artifact) की तरह दिखते हैं।
ICA के पीछे की मूल धारणाएं: नॉन-गॉसियनता और रैखिक मिश्रण (Linear Mixing)
ICA डेटा के बारे में दो विशिष्ट धारणाओं के कारण काम करता है, और उन्हें समझने से इसकी ताकत और इसकी विफलता के बिंदु दोनों स्पष्ट हो जाते हैं।
पहली धारणा नॉन-गॉसियनता है। वास्तविक EEG स्रोत, चाहे वे मस्तिष्क की लय हों, पलक झपकना हो, या मांसपेशियों का फटना हो, उनके आयाम वितरण (amplitude distributions) में गॉसियन (सामान्य) वितरण के बेल-कर्व आकार से विचलित होने की प्रवृत्ति होती है। ICA एल्गोरिदम इस नॉन-गॉसियन संरचना को खोजने और अधिकतम करने के लिए बनाए गए हैं, क्योंकि स्वतंत्र संकेतों का मिश्रण अपने किसी भी व्यक्तिगत घटक की तुलना में अधिक गॉसियन दिखने लगता है (केंद्रीय सीमा प्रमेय का एक परिणाम)।
दूसरी धारणा रैखिक मिश्रण (linear mixing) है। ICA यह मानता है कि एक इलेक्ट्रोड जो रिकॉर्ड करता है वह अंतर्निहित स्रोत संकेतों का एक त्वरित, रैखिक संयोजन है, एक ऐसी धारणा जो स्थिर रिकॉर्डिंग स्थितियों में ऊतक और खोपड़ी के माध्यम से विद्युत गतिविधि के फैलने (एक प्रक्रिया जिसे वॉल्यूम चालन के रूप में जाना जाता है) के लिए काफी अच्छी तरह से लागू होती है। यह धारणा तब सबसे आसानी से पूरी होती है जब कोई व्यक्ति स्थिर बैठता है।
ICA से पहले हाई-पास फ़िल्टरिंग सब कुछ क्यों बदल देती है
एक ICA अपघटन (decomposition) की गुणवत्ता काफी हद तक इस बात पर निर्भर करती है कि एल्गोरिदम के चलने से पहले संकेत को कैसे संसाधित किया जाता है, और हाई-पास फ़िल्टर कटऑफ (एक फ़िल्टर जो एक निर्धारित आवृत्ति से नीचे बहुत धीमी गति से चलने वाले ड्रिफ्ट्स को हटा देता है) का चयन पूरी पाइपलाइन में सबसे महत्वपूर्ण निर्णयों में से एक साबित होता है।
विंकलर et al. के नेतृत्व में 215 के एक अध्ययन ने श्रवण ऑडबॉल कार्य करने वाले 21 प्रतिभागियों के इवेंट-रिलेटेड पोटेंशियल (ERP) डेटा, एक विशिष्ट उत्तेजना से जुड़े ब्रेनवेव पैटर्न का उपयोग करके इसका सीधे परीक्षण किया। 1 और 2 Hz के बीच हाई-पास फ़िल्टरिंग ने लगातार तीन अलग-अलग मीट्रिक में अच्छे परिणाम दिए: सिग्नल-टू-नॉइज़ अनुपात (SNR), सिंगल-ट्रायल वर्गीकरण सटीकता, और उन घटकों का प्रतिशत जो "नियर-डिपोलर" दिखते थे, जिसका अर्थ है कि उनके पास एक स्थानिक पैटर्न था जो कई स्रोतों के धुंधले मिश्रण के बजाय एक एकल, स्थानीयकृत मस्तिष्क स्रोत के अनुरूप था।
इसके अलावा, 2020 के एक अध्ययन में, क्लुग et al. ने स्थिर और गतिशील रिकॉर्डिंग सेटअपों में इसी प्रश्न की जांच की। 64 चैनलों और 0.5 Hz फ़िल्टर वाले मानक स्थिर प्रयोग के लिए, परिणाम स्वीकार्य थे। लेकिन गतिशील प्रयोगों को एक इष्टतम अपघटन तक पहुंचने के लिए 2 Hz तक उच्च कटऑफ की आवश्यकता थी, और अधिक चैनलों वाले सेटअपों को तदनुसार उच्च फ़िल्टरों की आवश्यकता थी।
ओलाफ डिमिजेन के शोध ने आंखों की गति के आर्टिफैक्ट्स के विशिष्ट संदर्भ में इस विचार को और आगे बढ़ाया। हाई-पास फ़िल्टर, लो-पास फ़िल्टर, और सैकैडिक 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 इन स्पाइक पोटेंशियल को भारी रूप से अधिक महत्व दिया गया था, सुधार की गुणवत्ता में काफी सुधार हुआ।
साथ में, ये तीनों अध्ययन एक ही निष्कर्ष की ओर इशारा करते हैं: डिफ़ॉल्ट फ़िल्टर सेटिंग्स, विशेष रूप से सामान्य 0.5 Hz कटऑफ, कई उपयोग मामलों के लिए बहुत उदार हो सकती हैं, और सही विकल्प विशिष्ट आर्टिफैक्ट और रिकॉर्डिंग स्थितियों पर निर्भर करता.
मशीन लर्निंग के साथ आर्टिफैक्ट कंपोनेंट चयन को स्वचालित करना
एक बार जब ICA स्वतंत्र घटकों का एक सेट तैयार कर लेता है, तो किसी को 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। प्रशिक्षित विशेषज्ञों द्वारा मैन्युअल लेबलिंग धीमी है और व्यक्तिपरकता लाती है, क्योंकि विभिन्न विशेषज्ञ हमेशा संदेहास्पद मामलों पर सहमत नहीं होते हैं।
इसे हल करने के लिए, विंकलर की टीम ने प्रत्येक घटक की आवृत्ति, स्थानिक और लौकिक विशेषताओं से ली गई केवल छह विशेषताओं का उपयोग करके एक विषय-स्वतंत्र रैखिक वर्गीकारक (subject-independent linear classifier) बनाया। प्रतिक्रिया-समय अध्ययन में 12 प्रतिभागियों से 640 हाथ से लेबल किए गए TDSEP घटकों पर प्रशिक्षित, वर्गीकारक ने नए डेटा पर परीक्षण किए जाने पर 10% से कम मीन स्क्वेर्ड एरर (MSE) हासिल किया, जो मानव विशेषज्ञों के बीच प्राकृतिक असहमति दर के बराबर प्रदर्शन स्तर है।
जब बिना रीट्रेनिंग के पूरी तरह से अलग श्रवण ERP प्रतिमान पर लागू किया गया, तो वही वर्गीकारक 15% MSE तक पहुँच गया, जो कि एक उचित लेकिन स्पष्ट रूप से कमजोर परिणाम है जो प्रतिमानों में सामान्यीकरण की कठिनाई को दर्शाता है। एक मोटर इमेजरी ब्रेन-कंप्यूटर इंटरफ़ेस कार्य में, शोधकर्ताओं ने प्रदर्शित किया कि सबसे अधिक आर्टिफैक्ट वाले घटकों के 60% तक को हटाने के बाद 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 एल्गोरिदम है जो विशेष रूप से पलकें झपकने, आंखों की गतिविधियों और सामान्य विसंगतियों का पता लगाने के लिए स्थानिक और लौकिक विशेषताओं को जोड़ता है। एक स्वतंत्र डेटासेट पर मान्य, ADJUST के घटकों का वर्गीकरण डेटा भिन्नता के 95.2% पर मैन्युअल विशेषज्ञ लेबलिंग के साथ सहमत था। ADJUST द्वारा आर्टिफैक्ट के रूप में चिह्नित घटकों को हटाने से वह प्राप्त हुआ जिसे अध्ययन भारी रूप से प्रभावित डेटा से दृश्य और श्रवण घटना-संबंधी क्षमता के साफ पुनर्निर्माण के रूप में वर्णित करता है।
दोनों उपकरण EEG 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 लिए सामान्यीकरण की गारंटी नहीं है।
ICA के साथ EEG डेटा की सफाई के लिए व्यावहारिक सुझाव
इंडिपेंडेंट कंपोनेंट एनालिसिस इसलिए काम करता है क्योंकि यह असंबद्धता (decorrelation) की कमजोर विशेषता के बजाय वास्तविक सांख्यिकीय स्वतंत्रता को लक्षित करता है जिस पर PCA जैसी विधियाँ निर्भर करती हैं। यही अंतर इसे मस्तिष्क के संकेतों और आर्टिफैक्ट्स को अलग करने की अनुमति देता है, तब भी जब उनकी आवृत्ति सामग्री ओवरलैप होती है, ऐसा कुछ जो आवृत्ति-डोमेन फ़िल्टरिंग नहीं कर सकता है और कुछ ऐसा जिसे प्रतिगमन-आधारित EOG सुधार सीधे परीक्षण में प्राप्त करने में विफल रहा।
हालाँकि, वह सफलता 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 गतिशील रिकॉर्डिंग को 2 Hz तक के फ़िल्टर से लाभ हुआ, जिसमें चैनल काउंट भी एक भूमिका निभाता है। मुक्त देखने के दौरान सैकैडिक स्पाइक पोटेंशियल जैसे विशेष रूप से कठिन आर्टिफैक्ट्स के लिए, डिफ़ॉल्ट सेटिंग्स का उपयोग करने के बजाय प्रशिक्षण के दौरान जानबूझकर आर्टिफैक्ट को अधिक महत्व देना, एक असंतोषजनक सुधार को एक 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-विशेषताओं वाला रैखिक मॉडल और ADJUST एल्गोरिदम 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। हालाँकि, इस बात की जागरूकता के बिना कि विभिन्न रिकॉर्डिंग प्रतिमानों और उपकरणों में प्रदर्शन कैसे बदल सकता है, इनमें से किसी को भी एक सार्वभौमिक समाधान के रूप में नहीं माना जाना चाहिए।
ICA-आधारित आर्टिफैक्ट निष्कासन 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 एल्गोरिदम के चलने से बहुत पहले किए गए विकल्पों पर निर्भर करता है: फ़िल्टर सेटिंग्स, प्रशिक्षण डेटा संरचना, और विशिष्ट आर्टिफैक्ट जिसे लक्षित किया जा रहा है। इसे लागू करने वाले किसी भी व्यक्ति को यह मानने के बजाय कि एक एकल कॉन्फ़िगरेशन हर जगह काम करेगा, उद्देश्य मीट्रिक के साथ परिणामों को सत्यापित करना चाहिए।
Preprocessing के विकल्प EEG में ICA की सफलता को क्यों परिभाषित करते हैं
विचार-नियंत्रित उपकरणों से लेकर सावधानीपूर्वक स्मृति अनुसंधान तक हर चीज़ के लिए स्वच्छ मस्तिष्क डेटा आधार है। इंडिपेंडेंट कंपोनेंट एनालिसिस 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 कम पड़ जाएं। वास्तविक सांख्यिकीय स्वतंत्रता को लक्षित करके, यह एक वास्तविक मस्तिष्क लय और एक ही आवृत्ति बैंड में होने वाली पलक झपकने के अलग-अलग विद्युत उंगलियों के निशान प्रकट कर सकता है।
हालाँकि, वास्तविक शक्ति केवल तभी उभरती है जब शोधकर्ता प्लग-एंड-प्ले डिफ़ॉल्ट से आगे बढ़ते हैं। अध्ययनों से पता चलता है 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 भरे प्रयोग से लगातार विश्वसनीय उपकरण में बदल देता है। इस तरह का व्यक्तिगत ध्यान वैज्ञानिकों को शोर-शराबे वाली रिकॉर्डिंग के अंदर उलझने 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 आँख झपकने और मांसपेशियों की गतिविधि जैसे EEG आर्टिफैक्ट्स को क्यों नहीं हटा सकती है?
आवृत्ति फ़िल्टरिंग विफल हो जाती है क्योंकि आर्टिफैक्ट और मस्तिष्क के संकेत अक्सर एक ही आवृत्ति बैंड साझा करते हैं, जैसे कि मांसपेशियों की गतिविधि और ललाट थीटा लय (frontal theta rhythms), इसलिए एक को हटाने से दूसरा भी हट जाता है। जब उनका दोलन (oscillation) ओवरलैप होता है तो एक फ़िल्टर उन्हें अलग नहीं कर सकता है।
मस्तिष्क के संकेतों को शोर से अलग करने में PCA और ICA के बीच मुख्य अंतर क्या है?
PCA केवल संकेतों को असंबंधित करता है—यह उन्हें रैखिक रूप से असंबंधित बनाता है—लेकिन इसके लिए सांख्यिकीय स्वतंत्रता की आवश्यकता नहीं होती है। ICA उन घटकों की खोज करके आगे जाता 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 के बेहतर अलगाव को सक्षम बनाता है।
ICA वास्तव में मस्तिष्क के संकेतों को आर्टिफैक्ट्स से कैसे अलग करता है?
ICA मानता है कि मिश्रित इलेक्ट्रोड संकेत स्वतंत्र, नॉन-गॉसियन स्रोत संकेतों के रैखिक संयोजन हैं। यह एक ऐसा रूपांतरण ढूंढता है जो परिणामी घटकों की स्वतंत्रता को अधिकतम करता है, प्रभावी रूप से मस्तिष्क की लय से पलक झपकने जैसे विशिष्ट भौतिक स्रोतों को अलग करता है, भले ही उनकी आवृत्तियां ओवरलैप हों।
ICA के काम करने के लिए नॉन-गॉसियनता क्यों महत्वपूर्ण है?
वास्तविक EEG स्रोतों में गैर-गॉसियन आयाम वितरण होते हैं, जबकि स्वतंत्र संकेतों के मिश्रण अधिक गॉसियन हो जाते हैं। ICA एल्गोरिदम मूल स्रोतों को अलग करने के लिए इस नॉन-गॉसियन संरचना की खोज करते हैं और उसे अधिकतम करते हैं, क्योंकि सबसे कम गॉसियन अनुमानों को खोजने से स्वतंत्र घटक प्राप्त होते हैं।
ICA से पहले EEG डेटा की हाई-पास फ़िल्टरिंग इतनी महत्वपूर्ण क्यों है?
हाई-पास फ़िल्टर बहुत धीमी गति से चलने वाले विचलन (drifts) को हटाता है जो ICA अपघटन को दूषित कर सकते हैं। अध्ययनों में लगातार पाया गया कि 1-2 Hz के आसपास फ़िल्टर कटऑफ ने 0.5 Hz जैसी कम डिफ़ॉल्ट सेटिंग्स की तुलना में अधिक स्वच्छ, मस्तिष्क जैसे स्वतंत्र घटकों का उत्पादन किया, विशेष रूप से गतिशील रिकॉर्डिंग में या विशिष्ट आर्टिफैक्ट्स को लक्षित करते समय।
मशीन लर्निंग कैसे ICA घटकों के मस्तिष्क या आर्टिफैक्ट के रूप में वर्गीकरण को स्वचालित करने में मदद कर सकती है?
स्वचालित वर्गीकारक विशेषज्ञ की 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 मैन्युअल, व्यक्तिपरक कार्यभार को कम करता है कि किन घटकों को हटाना है, हालांकि नए प्रयोगात्मक प्रतिमानों पर लागू होने पर प्रदर्शन गिर सकता है।
गतिशील EEG रिकॉर्डिंग के दौरान ICA प्रदर्शन का क्या होता है जहां प्रतिभागी इधर-उधर घूमते हैं?
गतिविधि रैखिक मिश्रण की धारणा को पूरी तरह से नहीं तोड़ती है, इसलिए ICA अभी भी काम करता है, लेकिन यह स्वच्छ, व्याख्या योग्य मस्तिष्क घटकों की संख्या को कम कर देता है जिन्हें पुनर्प्राप्त किया जा सकता है। गतिहीन रिकॉर्डिंग की तुलना में इष्टतम अपघटन बनाए रखने के लिए गतिशील सेटअपों को अक्सर उच्च हाई-पास फ़िल्टर कटऑफ की आवश्यकता होती है।
क्या ICA को गैर-रैखिक मिश्रणों (non-linear mixtures) पर लागू किया जा सकता है?
मानक एल्गोरिदम एक रैखिक मिश्रण मानता है, इसलिए इसे जटिल गैर-रैखिक संयोजनों पर लागू करने के लिए अक्सर मॉडल में विशेष संशोधनों या एक्सटेंशन की आवश्यकता होती है।
Emotiv एक न्यूरोटेक्नोलॉजी अग्रणी कंपनी है जो सुलभ EEG और मस्तिष्क डेटा टूल्स के माध्यम से न्यूरोसाइंस अनुसंधान को आगे बढ़ाने में मदद करती है।
क्रिश्चियन बर्गोस
