ईईजी (EEG) को रिकॉर्ड करने के तरीके में एक लगातार बनी रहने वाली समस्या शामिल है, किसी भी एकल इलेक्ट्रोड पर पाया गया वोल्टेज सीधे उसके नीचे के मस्तिष्क के ऊतकों (ब्रेन टिश्यू) का स्पष्ट रीडआउट नहीं होता है। यह एक मिश्रण होता है, जो ऊतकों की परतों, इलेक्ट्रोड के स्थान और रिकॉर्डिंग करने वाले व्यक्ति द्वारा चुने गए एक मनमाने संदर्भ बिंदु (रेफरेंस पॉइंट) से आकार लेता है।
इस मिश्रण की समस्या को हल करने के लिए विशेष रूप से लैप्लासियन मोंटाज (Laplacian montage) को विकसित किया गया था। कच्चे (रॉ) वोल्टेज की रिपोर्ट करने के बजाय, यह स्कैल्प सिग्नल को स्थानीय विद्युत प्रवाह स्रोत घनत्व (लोकल करंट सोर्स डेंसिटी) के अनुमान में बदल देता है, यह एक ऐसा माप है जो किसी बाहरी संदर्भ से बंधा नहीं है और सीधे सेंसर के ठीक नीचे कॉर्टेक्स में होने वाली विद्युत गतिविधि से संबंधित है।
नीचे दिए गए अनुभाग बताते हैं कि यह परिवर्तन क्यों आवश्यक है, इसे गणितीय रूप से कैसे प्राप्त किया जाता है, और इसके व्यावहारिक लाभों के बारे में सहायक शोध क्या दिखाते हैं।
EEG में लैप्लेसियन मोंटाज (Laplacian Montage) क्या है?
क्लिनिकल इलेक्ट्रोएन्सेफलोग्राफी (EEG) न्यूरल गतिविधि पैटर्न को सटीक रूप से देखने के लिए स्कैल्प सेंसर की व्यवस्था पर निर्भर करती है। पारंपरिक इलेक्ट्रोड मोंटाज एक विशिष्ट संदर्भ के सापेक्ष क्षमता को रिकॉर्ड करते हैं, जो कभी-कभी बड़े सतह क्षेत्रों में सिग्नल स्पष्टता को भ्रमित कर सकता है। लैप्लेसियन मोंटाज EEG वैश्विक क्षमता के बजाय स्थानीय अंतरों पर ध्यान केंद्रित करके एक अलग विश्लेषणात्मक विकल्प प्रदान करता है।
EEG लैप्लेसियन मोंटाज की बुनियादी बातों को समझना
EEG सिग्नल मूल रूप से स्कैल्प के नीचे पिरामिडनुमा न्यूरॉन्स की सामूहिक विद्युत गतिविधि को दर्शाता है। जब कोई इलेक्ट्रोड किसी क्षमता को कैप्चर करता है, तो इसमें खोपड़ी और स्कैल्प के वॉल्यूम कंडक्शन गुणों के कारण दूर के मस्तिष्क स्रोतों का योगदान अनिवार्य रूप से शामिल होता है।
इन सूक्ष्म लय को निकालने की प्रक्रिया के लिए स्पष्ट कार्यप्रणाली की आवश्यकता होती है, जिसमें अक्सर न्यूरोसाइंस (neuroscience) के स्थापित सिद्धांतों को शामिल किया जाता है ताकि यह सुनिश्चित किया जा सके कि विश्लेषण किए गए तरंगरूप अलग-अलग स्थानीयकृत मस्तिष्क क्षेत्रों के अनुरूप हों।
स्कैल्प EEG सिग्नलों की सटीक व्याख्या करना क्यों कठिन है
मस्तिष्क के विद्युत सिग्नल इलेक्ट्रोड तक सीधी रेखा में यात्रा नहीं करते हैं। उन्हें मापे जाने से पहले मस्तिष्कमेरु द्रव (cerebrospinal fluid), खोपड़ी की हड्डी और स्कैल्प के ऊतकों से गुजरना पड़ता है, और इनमें से प्रत्येक परत बिजली का संचालन अलग तरह से करती है।
विशेष रूप से खोपड़ी, एक स्थानिक लो-पास फ़िल्टर की तरह व्यवहार करती है क्योंकि यह सिग्नल को सुचारू और प्रसारित करती है, जिससे कॉर्टेक्स में काफी स्थानीयकृत होने वाली गतिविधि स्कैल्प तक पहुँचने तक एक व्यापक, विसरित पैटर्न में धुंधली हो जाती है।
अनुसंधान (श्रीनिवासन और अन्य) ने सिर को चार संकेंद्रित गोलाकार परतों (मस्तिष्क, मस्तिष्कमेरु द्रव, खोपड़ी और स्कैल्प) के रूप में मॉडल करते हुए दिखाया है कि यह प्रसार इतना मजबूत है कि 10 से 12 सेंटीमीटर की दूरी पर स्थित इलेक्ट्रोड भी कृत्रिम रूप से सहसंबंधित दिखाई दे सकते हैं, भले ही अंतर्निहित न्यूरल स्रोत पूरी तरह से असंबंधित हों। यह समन्वित मस्तिष्क गतिविधि के साक्ष्य के रूप में सहसंबंधित स्कैल्प रीडिंग की व्याख्या करने का एक वास्तविक जोखिम पैदा करता है, जबकि वास्तव में यह सहसंबंध ऊतकों के माध्यम से बिजली के फैलने के प्रभाव के अलावा और कुछ नहीं हो सकता है।
दूसरा विरूपण संदर्भ इलेक्ट्रोड से ही आता है। पारंपरिक EEG मोंटाज वोल्टेज को एक सक्रिय इलेक्ट्रोड और एक संदर्भ बिंदु के बीच के अंतर के रूप में रिपोर्ट करते हैं, लेकिन वह संदर्भ विद्युत रूप से कभी भी मौन नहीं होता है।
सिमुलेशन अध्ययन और अनुभवजन्य रिकॉर्डिंग (नुनेज़ और अन्य) ने प्रदर्शित किया है कि संदर्भ का चयन मस्तिष्क की घटनाओं के स्पष्ट समय को बदल सकता है, जिसका अर्थ है कि एक संदर्भ योजना के साथ रिकॉर्ड किए गए इवेन्ट-रिलेटेड रिस्पॉन्स की विलंबता (latency) दूसरी योजना के साथ रिकॉर्ड की गई विलंबता से मेल नहीं खा सकती है। यह एक सूक्ष्म लेकिन परिणामी समस्या है, क्योंकि EEG का अधिकांश नैदानिक और अनुसंधान मूल्य सटीक समय पर निर्भर करता है।
संदूषण का तीसरा स्रोत मांसपेशीय है, न कि न्यूरल। केंद्रीय और पेरीसेंट्रल स्कैल्प साइटें, जो सिर के शीर्ष और किनारों पर स्थित इलेक्ट्रोड हैं, स्कैल्प और जबड़े की मांसपेशियों के करीब बैठती हैं। इन मांसपेशियों से विद्युत गतिविधि आसानी से रिकॉर्डिंग में लीक हो जाती है, विशेष रूप से उच्च आवृत्तियों पर, और पारंपरिक संदर्भ योजनाएं मस्तिष्क-जनित सिग्नल से मांसपेशियों-जनित सिग्नल को अलग करने के लिए बहुत कम काम करती हैं।
एक साथ मिलकर, वॉल्यूम कंडक्शन, संदर्भ निर्भरता और मांसपेशियों का संदूषण तीन ऐसे सम्मिश्रण कारण बनते हैं जिनकी वजह से अपरिष्कृत (raw) स्कैल्प क्षमताएं इस बात की गलत तस्वीर देती हैं कि कॉर्टेक्स वास्तव में क्या कर रहा है।
समस्या | विवरण |
|---|---|
वॉल्यूम कंडक्शन | खोपड़ी सिग्नलों को धुंधला और प्रसारित करती है |
संदर्भ इलेक्ट्रोड निर्भरता | संदर्भ का विकल्प घटना के समय को विकृत करता है |
मांसपेशी संदूषण | EMG केंद्रीय इलेक्ट्रोड में लीक हो जाता है |
सरफेस लैप्लेसियन क्या है और यह कैसे काम करता है
सरफेस लैप्लेसियन मापे जा रहे तत्व को बदलकर इन समस्याओं का समाधान करता है। सीधे वोल्टेज रिकॉर्ड करने के बजाय, यह स्कैल्प पर वोल्टेज क्षेत्र के दूसरे स्थानिक व्युत्पन्न (second spatial derivative) की गणना करता है, जो अनिवार्य रूप से यह पूछता है कि सिर पर प्रत्येक बिंदु पर क्षमता कितनी तेजी से वक्र (curve) बना रही है, न कि इसका पूर्ण मूल्य क्या है।
यह वक्रता माप उस स्थान पर स्कैल्प में और बाहर बहने वाली रेडियल धारा के समानुपाती होता है, जो इसे दूर की गतिविधि से प्रभावित अपरिष्कृत विद्युत रीडिंग के बजाय स्थानीय वर्तमान स्रोत घनत्व (current source density) का एक भौतिक अनुमान बनाता है।
चूंकि विभेदन (differentiation) एक गणितीय संचालन है जो निरंतर ऑफसेट को हटा देता है, इसलिए इस दृष्टिकोण का एक अंतर्निहित लाभ है: कोई भी वोल्टेज जो प्रत्येक इलेक्ट्रोड में समान रूप से जोड़ा जाता है, जो कि एक साझा संदर्भ इलेक्ट्रोड का उपयोग किए जाने पर बिल्कुल होता है, गणना के दौरान समाप्त हो जाता है।
इसका परिणाम एक ऐसा सिग्नल होता है जो अब संदर्भ के निर्धारण पर निर्भर नहीं करता है। यही कारण है कि लैप्लेसियन को अक्सर संदर्भ-मुक्त के रूप में वर्णित किया जाता है।
लैप्लेसियन उस रूप में भी कार्य करता है जिसे शोधकर्ता स्थानिक बैंडपास फ़िल्टर के रूप में वर्णित करते हैं। यह वोल्टेज परिवर्तन के बहुत व्यापक, असतत पैटर्न को दबाता है (स्कैल्प के बड़े क्षेत्रों में फैलने वाले वॉल्यूम कंडक्शन द्वारा उत्पन्न प्रकार) जबकि अत्यधिक तेज, फोकल शोर को भी कम करता है।
जो बचता है वह गतिविधि का एक मध्यम-पैमाने का अनुमान है जो इस बात से अच्छी तरह मेल खाता है कि कॉर्टेक्स से विद्युत धाराएं वास्तव में मानव सिर की परतों के माध्यम से कैसे फैलती हैं। वास्तव में, यह परिवर्तन उस भौतिक पैमाने के अनुरूप होता है जिस पर नव-कॉर्टिकल स्रोत वास्तव में स्कैल्प को प्रभावित करते हैं, जिससे बहुत व्यापक और बहुत संकीर्ण दोनों प्रकार के सिग्नलों को फ़िल्टर किया जा सकता है।
संदर्भ इलेक्ट्रोड मानकीकरण तकनीक (REST)
लैप्लेसियन परिवर्तन को लागू करने से पहले, प्राथमिक भौतिक संदर्भ का विकल्प अक्सर प्रारंभिक रिकॉर्डिंग गुणवत्ता को प्रभावित करता है।
कई क्लीनिक संदर्भ इलेक्ट्रोड मानकीकरण तकनीक (REST) का उपयोग करते हैं, जो गणितीय रूप से अपरिष्कृत EEG डेटा को एक अनुमानित संदर्भ-स्वतंत्र वितरण में बदल देता है। यह सुनिश्चित करता है कि बाद की गणना प्रारंभिक रिकॉर्डिंग के लिए चुनी गई विशिष्ट विद्युत साइट द्वारा विकृत न हो, जो उद्देश्यपूर्ण नैदानिक मूल्यांकन के लिए महत्वपूर्ण है।
व्यावहारिक रूप से स्पलाइन-लैप्लेसियन की गणना कैसे की जाती है
स्कैटरर्ड इलेक्ट्रोड रीडिंग के एक सीमित सेट से दूसरे व्युत्पन्न की गणना करना सीधा नहीं है, क्योंकि इलेक्ट्रोड केवल स्कैल्प को असतत बिंदुओं पर नमूना करते हैं न कि लगातार।
स्पलाइन-लैप्लेसियन विधि वास्तविक इलेक्ट्रोड स्थितियों के माध्यम से एक चिकनी, लचीली गणितीय सतह को फिट करके इसका समाधान करती है, जिसे एक गोले या अधिक शारीरिक रूप से यथार्थवादी अण्डाकार (ellipsoid) के रूप में तैयार किया जाता है। एक बार जब इस निरंतर सतह को परिभाषित कर दिया जाता है, तो व्युत्पन्न की गणना सीधे इससे की जा सकती है, जिससे उसके आसपास के पड़ोसियों पर रिकॉर्ड किए गए मूल्यों के आधार पर प्रत्येक इलेक्ट्रोड स्थान पर एक लैप्लेसियन अनुमान लगाया जा सकता है।
यह विधि मूल रूप से गोलाकार सिर के मॉडल के लिए तैयार की गई थी और बाद में इसे गणितीय रूप से अण्डाकार सतहों तक विस्तारित किया गया था, जो मानव सिर के वास्तविक आकार का बेहतर अनुमान लगाते हैं। दोनों व्युत्पत्तियों को तब भी स्थिर दिखाया गया है जब सिर की ज्यामिति में अशुद्धियाँ हों या विभिन्न ऊतक परतों की प्रतिरोधकता के बारे में अनिश्चितता हो, जो ऐसे कारक हैं जो वास्तविक नैदानिक या शोध रिकॉर्डिंग सत्रों में अनिवार्य रूप से अपरिहार्य हैं।
इस सुदृढ़ता का अर्थ है कि स्पलाइन-लैप्लेसियन को एक उपयोगी और स्थिर परिणाम उत्पन्न करने के लिए किसी व्यक्ति के सिर के सटीक शारीरिक मॉडल की आवश्यकता नहीं होती है।
एक व्यावहारिक आवश्यकता है जो यह निर्धारित करती है कि यह विधि कितना लाभ प्रदान करती है: इलेक्ट्रोड घनत्व। विभिन्न इलेक्ट्रोड लेआउट में स्पलाइन-लैप्लेसियन प्रदर्शन की तुलना करने वाले नुनेज़ और अन्य के शोध में विशेष रूप से स्थानिक रिज़ॉल्यूशन में नाटकीय सुधार पाया गया जब पड़ोसी सेंसर के बीच औसत दूरी लगभग 3 सेंटीमीटर से कम होती है।
इस दूरी से नीचे, व्युत्पन्न का अनुमान पर्याप्त सटीकता के साथ लगाया जा सकता है ताकि अंतर्निहित सिग्नल को काफी तेज किया जा सके। इसके विपरीत, विरल इलेक्ट्रोड एरेज़ स्कैल्प का पर्याप्त रूप से नमूना नहीं लेते हैं कि एक सटीक दूसरे-व्युत्पन्न गणना का समर्थन कर सकें, जो यह सीमित करता है कि यह परिवर्तन अपरिष्कृत क्षमताओं में कितना सुधार कर सकता है।
लैप्लेसियन क्षमता की गणना करना
क्षमता की गणना करने के लिए, एक सॉफ़्टवेयर सिस्टम एक रेडियल पैटर्न में अपने तत्काल पड़ोसियों के भारित औसत (weighted average) के मुकाबले केंद्र सेंसर का मूल्यांकन करता है। यह वर्तमान घनत्व का एक वर्चुअल मानचित्र बनाता है, जिसे निदान के दौरान व्याख्या करना अक्सर आसान होता है।
इस गणना के लिए गणितीय अनुक्रम का मूल नीचे दिया गया है:
चरण | क्रिया | उद्देश्य |
|---|---|---|
1 | इलेक्ट्रोड चयन | विश्लेषण का केंद्रीय बिंदु चुनें। |
2 | स्थानिक भारण | पड़ोसी स्कैल्प सेंसर पर मान लागू करें। |
3 | ग्रेडिएंट गणना | केंद्र से स्थानीय औसत घटाएं। |
निम्नलिखित मानदंड यह निर्धारित करने में मदद करते हैं कि स्पष्ट परिणामों के लिए कॉन्फ़िगरेशन अनुकूलित है या नहीं:
जहां संभव हो, इलेक्ट्रोड के बीच की दूरी समान रहनी चाहिए।
सभी आसपास के पड़ोसियों पर सिग्नल की गुणवत्ता तुलनीय होनी चाहिए।
कॉन्फ़िगरेशन को रुचि के क्षेत्र के आसपास समरूपता बनाए रखनी चाहिए।
एक बार जब ये मानदंड पूरे हो जाते हैं, तो परिणामी डेटा प्रभावी रूप से मस्तिष्क गतिविधि के फोकल स्रोत को उजागर करता है, जिससे दूर-क्षेत्र के पैटर्न से हस्तक्षेप कम दिखाई देता है।
लैप्लेसियन मोंटाज का उपयोग करने के लाभ
स्थानिक फ़िल्टरिंग विशिष्ट कॉर्टिकल जनरेटर को अलग करने का लक्ष्य रखने वाले शोधकर्ताओं के लिए कई विशिष्ट लाभ प्रदान करती है। एकल संदर्भ बिंदु पर निर्भरता को कम करके, यह तकनीक विभिन्न प्रयोगात्मक स्थितियों में अधिक विश्वसनीय परिणाम प्रदान करती है।
लैप्लेसियन ट्रांसफॉर्म के साथ बेहतर स्थानिक रिज़ॉल्यूशन
लैप्लेसियन मोंटाज के पीछे मुख्य व्यावहारिक दावा यह है कि यह असंसाधित स्कैल्प वोल्टेज की तुलना में मस्तिष्क गतिविधि की स्थानिक तस्वीर को काफी तेज करता है।
गोलाकार और अण्डाकार सतहों पर स्पलाइन-आधारित व्युत्पत्तियों का उपयोग करते हुए नुनेज़ और अन्य के काम ने पारंपरिक रिकॉर्डिंग की तुलना में कम से कम तीन गुना स्थानिक रिज़ॉल्यूशन में सुधार की सूचना दी। यह सुधार कंप्यूटर सिमुलेशन, इवोक्ड पोटेंशियल डेटा, स्वतःस्फूर्त रेस्टिंग EEG और मिर्गी के स्पाइक्स की रिकॉर्डिंग में देखा गया, जिससे पता चलता है कि यह केवल एक संकीर्ण प्रकार के मस्तिष्क सिग्नल तक सीमित नहीं है।
एक अलग लॉ और अन्य द्वारा विश्लेषण ने इस खोज को यह दिखाकर पुष्ट किया कि रिज़ॉल्यूशन में सुधार काफी हद तक सिग्नल के स्रोत या सिर का प्रतिनिधित्व करने के लिए उपयोग किए जाने वाले ज्यामितीय मॉडल के बारे में की गई विशिष्ट मान्यताओं से स्वतंत्र है। यह एक महत्वपूर्ण अंतर है।
कई EEG स्रोत-स्थानीयकरण तकनीकों के लिए शोधकर्ताओं को पहले से यह धारणा बनाने की आवश्यकता होती है कि मस्तिष्क में सिग्नल कहां से आ सकता है। स्पलाइन-लैप्लेसियन उन मान्यताओं पर बहुत अधिक निर्भर किए बिना अपने रिज़ॉल्यूशन लाभ प्राप्त करता है, जो इसे विभिन्न प्रकार के अध्ययनों और रोगी आबादी में अधिक व्यापक रूप से लागू करने योग्य बनाता है, बशर्ते इलेक्ट्रोड घनत्व पर्याप्त हो।
संदर्भ इलेक्ट्रोड विरूपण को हटाना
चूंकि लैप्लेसियन गणना गणितीय रूप से सभी इलेक्ट्रोडों में जोड़े गए किसी भी निरंतर मूल्य को रद्द कर देती है, इसलिए यह कथित तौर पर तटस्थ संदर्भ साइट को चुनने के बजाय स्व-संरचना द्वारा संदर्भ इलेक्ट्रोड के प्रभाव को समाप्त करती है।
संभावित डेटा की सीधे जांच करने वाले नुनेज़ और अन्य के तुलनात्मक कार्य ने प्रदर्शित किया कि अपरिष्कृत स्कैल्प क्षमताएं, जो अभी भी चयनित संदर्भ से जुड़ी हुई हैं, किसी घटना से संबंधित मस्तिष्क प्रतिक्रिया के स्पष्ट आकार और समय को विकृत कर सकती हैं। इसके विपरीत, लैप्लेसियन ट्रांसफ़ॉर्म द्वारा उत्पादित वर्तमान स्रोत घनत्व अनुमान को उसी अंतर्निहित घटना का अधिक सटीक स्थानिक-अस्थायी विवरण प्रदान करने के लिए दिखाया गया था।
व्यावहारिक शब्दों में, इसका मतलब यह है कि एक ही विषय पर अलग-अलग संदर्भ इलेक्ट्रोड का उपयोग करने वाली दो प्रयोगशालाएं अपरिष्कृत क्षमताओं से सार्थक रूप से अलग दिखने वाले तरंगों की रिपोर्ट कर सकती हैं, जबकि उनका लैप्लेसियन-रूपांतरित डेटा अंतर्निहित कॉर्टिकल गतिविधि के अधिक सुसंगत प्रतिनिधित्व पर अभिसरण (converge) करेगा।
वॉल्यूम कंडक्शन से कृत्रिम सुसंगतता (Artificial Coherence) को कम करना
सुसंगतता (coherence), समय के साथ दो सिग्नल कितने समान रूप से उतार-चढ़ाव करते हैं इसका एक सांख्यिकीय माप है, जिसका उपयोग आमतौर पर EEG अनुसंधान में यह अनुमान लगाने के लिए किया जाता है कि मस्तिष्क के दो क्षेत्र आपस में बातचीत कर रहे हैं या मिलकर काम कर रहे हैं। समस्या यह है कि वॉल्यूम कंडक्शन अकेले, जिसमें कोई वास्तविक समन्वित न्यूरल गतिविधि शामिल नहीं है, पास के इलेक्ट्रोड के बीच उच्च सुसंगतता मान उत्पन्न कर सकता है क्योंकि अंतर्निहित वोल्टेज स्कैल्प पर फैल गया है।
सिर की स्तरित चालकता के एक विश्लेषणात्मक मॉडल का उपयोग करते हुए, श्रीनिवासन के समूह के शोधकर्ताओं ने प्रदर्शित किया कि यह वॉल्यूम-कंडक्शन प्रभाव 10 से 12 सेंटीमीटर की दूरी तक के इलेक्ट्रोड के बीच कृत्रिम सहसंबंध पैदा कर सकता है। उसी डेटा पर सरफेस लैप्लेसियन लागू करने से इस कृत्रिम सुसंगतता में काफी कमी आई, क्योंकि इसके स्थानिक बैंडपास गुण बिल्कुल उसी तरह के व्यापक, विसरित प्रसार को फ़िल्टर करते हैं जो झूठा सहसंबंध पैदा करता है।
इसका मतलब यह नहीं है कि अपरिष्कृत क्षमता सुसंगतता को पूरी तरह से खारिज कर दिया जाना चाहिए। उसी शोध ने जोर दिया कि अपरिष्कृत स्कैल्प सुसंगतता और लैप्लेसियन-व्युत्पन्न सुसंगतता कॉर्टिकल गतिविधि के विभिन्न स्थानिक बैंडविड्थ के प्रति संवेदनशील हैं, जिसका अर्थ है कि प्रत्येक नव-कॉर्टिकल गतिकी के कुछ अलग हिस्से को कैप्चर करता है।
एक उपाय को दूसरे से बदलने के बजाय, समानांतर में दोनों की जांच करने की सिफारिश की जाती है, क्योंकि साथ मिलकर वे अकेले की तुलना में अधिक संपूर्ण तस्वीर पेश करते हैं।
अस्थायी सटीकता (Temporal Accuracy): विलंबता अनुमान क्यों सुधरते हैं
EEG की प्रतिष्ठा काफी हद तक इसकी गति, मिलीसेकंड के पैमाने पर मस्तिष्क की गतिविधि को ट्रैक करने की इसकी क्षमता पर टिकी हुई है। अपरिष्कृत स्कैल्प क्षमताओं पर लागू होने पर वह प्रतिष्ठा कुछ हद तक बढ़ा-चढ़ाकर पेश की जाती है।
उपरोक्त सिमुलेशन कार्य ने दिखाया है कि वॉल्यूम कंडक्शन और संदर्भ इलेक्ट्रोड विकल्प न केवल यह विकृत करते हैं कि सिग्नल कहाँ से उत्पन्न होता है, बल्कि वे यह भी विकृत करते हैं कि यह घटना कब होती है। स्कैल्प क्षमताएं वास्तविक मस्तिष्क की घटनाओं की विलंबता (latency) का गलत अनुमान लगा सकती हैं क्योंकि ऊतक संचालन के धुंधला प्रभाव और संदर्भ का प्रभाव विभिन्न समय बिंदुओं और विभिन्न स्रोतों से सिग्नलों को एक साथ मिला देते हैं।
काम के उसी निकाय में पाया गया कि सरफेस लैप्लेसियन के माध्यम से उत्पन्न वर्तमान स्रोत घनत्व अनुमान इस विकृति से काफी हद तक बचते हैं, जो शोधकर्ताओं ने मस्तिष्क की गतिविधि की स्थानिक-अस्थायी गतिकी का बहुत समृद्ध और अधिक सटीक दृष्टिकोण बताया है। यह खोज दो सिमुलेशन अध्ययनों और दो अनुभवजन्य डेटासेटों में दोहराई गई थी, जिससे इसे काफी सुसंगत साक्ष्य आधार मिला।
व्यावहारिक निहितार्थ यह है कि संज्ञानात्मक या नैदानिक घटनाओं के सटीक समय का अध्ययन करने वाले शोधकर्ताओं के पास लैप्लेसियन-रूपांतरित डेटा को मस्तिष्क में वास्तव में चीजें कब हो रही हैं, इसके अधिक भरोसेमंद रिकॉर्ड के रूप में मानने का कारण है।
केंद्रीय स्कैल्प लीड्स में मांसपेशियों की विकृतियों (Artifact) को दूर करना
मांसपेशी-जनित विद्युत गतिविधि, या इलेक्ट्रोमोग्राफी संदूषण, EEG रिकॉर्डिंग में अधिक जिद्दी बाधाओं में से एक है, विशेष रूप से जबड़े और स्कैल्प की मांसपेशियों के पास केंद्रीय स्कैल्प साइटों पर।
इस प्रभाव को अलग करने के लिए डिज़ाइन किए गए फिट्ज़गिबॉन और अन्य द्वारा किए गए एक अध्ययन ने पूर्ण न्यूरोमस्कुलर नाकाबंदी (neuromuscular blockade) से पहले और बाद में जागने वाले विषयों से ली गई रिकॉर्डिंग की तुलना की, जिससे शोधकर्ताओं को यह मापने की अनुमति मिली कि सामान्य परिस्थितियों में रिकॉर्ड किए गए सिग्नल का कितना हिस्सा वास्तव में मस्तिष्क की गतिविधि के बजाय मांसपेशी था।
बाएं कान के संदर्भ और सामान्य औसत संदर्भ मोंटाज के खिलाफ कई स्कैल्प सरफेस लैप्लेसियन अनुमानकों की तुलना करते हुए, अध्ययन में पाया गया कि सरफेस लैप्लेसियन प्रसंस्करण ने केंद्रीय और पेरीसेंट्रल लीड में मांसपेशियों की शक्ति को 30 हर्ट्ज से ऊपर के मस्तिष्क सिग्नल के छठे हिस्से से भी कम कर दिया, जो कि छह से अधिक का मस्तिष्क-से-मांसपेशी अनुपात था।
यह प्रदर्शन सामान्य औसत संदर्भ की तुलना में दो से तीन गुना बेहतर बताया गया था, जो कि अधिक व्यापक रूप से उपयोग किए जाने वाले पारंपरिक मोंटाज में से एक है। चूंकि मांसपेशियों का संदूषण उच्च आवृत्ति श्रेणियों में केंद्रित होता है, इसलिए यह लाभ गामा-बैंड गतिविधि का अध्ययन करने की कोशिश करने वाले किसी भी व्यक्ति के लिए विशेष रूप से प्रासंगिक है, जो नैदानिक और संज्ञानात्मक रुचि की एक आवृत्ति सीमा है जो अन्यथा स्कैल्प और जबड़े की मांसपेशियों के शोर से आसानी से अस्पष्ट हो जाती है।
शोधकर्ताओं ने उल्लेख किया कि यह लैप्लेसियन को उच्च आवृत्ति गतिविधि का पता लगाने और बीमारी के इलेक्ट्रोफिजियोलॉजिकल सहसंबंधों का अध्ययन करने के लिए एक उपयोगी मानक बनाता है, जिसमें मस्तिष्क विकारों (brain disorders) के अनुसंधान के भीतर अध्ययन की जाने वाली स्थितियां शामिल हैं, जहां सूक्ष्म उच्च आवृत्ति सिग्नलों का नैदानिक महत्व हो सकता है।
लैप्लेसियन मोंटाज EEG के अनुप्रयोग
मिर्गी का नैदानिक मूल्यांकन इस स्थानिक प्रसंस्करण विधि के प्राथमिक अनुप्रयोगों में से एक है। इंटरिक्टल डिस्चार्ज के सटीक स्थानिक वितरण की पहचान करके, न्यूरोलॉजिस्ट दौरे के फोकस को बेहतर ढंग से परिभाषित कर सकते हैं। यह मानक रिकॉर्डिंग की तुलना में एक स्पष्ट दृश्य प्रदान करता है, जो अक्सर आसपास की कपाल शारीरिक रचना के कारण महत्वपूर्ण धुंधलापन के साथ प्रस्तुत होता है।
संज्ञानात्मक तंत्रिका विज्ञान अनुसंधान भी इस दृष्टिकोण को नियोजित करता है, विशेष रूप से उच्च-आवृत्ति वाले दोलनों की जांच करते समय जिन्हें सटीक समय और स्थान की आवश्यकता होती है। अध्ययन अक्सर इन तरंगों को कॉर्टिकल सतह पर ट्रैक करते हैं ताकि यह देखा जा सके कि वे संवेदी प्रसंस्करण केंद्रों के बीच कैसे यात्रा करते हैं।
अंत में, इस तकनीक का व्यापक रूप से ब्रेन-कंप्यूटर इंटरफ़ेस (BCI) के विकास में उपयोग किया जाता है जहां मोटर नियंत्रण के लिए रीयल-टाइम सटीकता आवश्यक है। मोटर कॉर्टेक्स में उत्पन्न विशिष्ट म्यू लय (mu rhythms) को अलग करके, सिस्टम अधिक सटीकता से इरादे की व्याख्या कर सकता है।
यह अनुप्रयोग बाहरी उपकरणों के लिए कार्यात्मक इनपुट में कच्चे विद्युत क्षमता को बदलने में लैप्लेसियन फ़िल्टर की बहुमुखी प्रतिभा को प्रदर्शित करता।
सीमाएं और व्याख्या संबंधी चेतावनियां
इनमें से कोई भी लाभ लैप्लेसियन को अन्य EEG विश्लेषण दृष्टिकोणों के लिए एक सार्वभौमिक प्रतिस्थापन नहीं बनाता है, और सहायक अनुसंधान इसकी सीमाओं के बारे में मुखर है।
पहला, लैप्लेसियन किसी सिग्नल के लिए सटीक शारीरिक स्थान को इंगित करने के अर्थ में एक स्रोत स्थानीयकरण तकनीक नहीं है। यह एक मध्यम स्थानिक पैमाने पर वर्तमान घनत्व का अनुमान लगाता है, जो कि डाइपोल-फिटिंग या अन्य मॉडल-आधारित तरीकों द्वारा किए जाने वाले स्थानीयकरण से एक अलग लक्ष्य है।
दूसरा, इस परिवर्तन को उन स्रोतों के प्रति असंवेदनशील बताया गया है जो मस्तिष्क के भीतर गहरे, कॉर्टिकल सतह से दूर उत्पन्न होते हैं, या इलेक्ट्रोड एरे की भौतिक सीमा के बाहर स्थित स्रोतों के प्रति संवेदनशील नहीं होते हैं। यदि कोई सिग्नल सबकोर्टिकल संरचनाओं से या उस क्षेत्र से आता है जिसे इलेक्ट्रोड नेट कवर नहीं करता है, तो लैप्लेसियन इसका अच्छी तरह से प्रतिनिधित्व नहीं करेगा, चाहे आसपास के इलेक्ट्रोड कितने भी घने क्यों न हों।
तीसरा, रिज़ॉल्यूशन लाभ सशर्त हैं। महत्वपूर्ण सुधार इलेक्ट्रोड की दूरी औसतन लगभग 3 सेंटीमीटर से कम होने पर निर्भर करता है, इसलिए एक विरल या असमान रूप से दूरी पर स्थित एरे वह लाभ प्रदान नहीं करेगा जो अंतर्निहित अध्ययनों में प्रदर्शित किया गया है। कम घनत्व वाली रिकॉर्डिंग पर काम करने वाले किसी भी व्यक्ति को मामूली लाभ की उम्मीद करनी चाहिए।
अंत में, वही स्थानिक बैंडपास गुण जो वॉल्यूम-कंडक्शन आर्टिफैक्ट को फ़िल्टर करता है, वास्तव में व्यापक कॉर्टिकल घटनाओं को भी कम कर सकता है, क्योंकि गतिविधि के बहुत व्यापक पैटर्न उन विसरित सिग्नलों से मिलते-जुलते हैं जिन्हें दबाने के लिए फ़िल्टर डिज़ाइन किया गया है।
यही कारण है कि सुसंगतता अनुसंधान ने अपरिष्कृत संभावित डेटा और लैप्लेसियन-रूपांतरित डेटा का समानांतर में विश्लेषण करने की सिफारिश की है, न कि एक को दूसरे के सख्त अपग्रेड के रूप में मानना। प्रत्येक नव-कॉर्टिकल गतिविधि के एक अलग स्थानिक बैंडविड्थ को कैप्चर करता है, और सबसे पूर्ण व्याख्या दोनों पर एक साथ विचार करने से आती है।
निष्कर्ष: लैप्लेसियन कॉर्टिकल गतिविधि पर एक तेज लेंस के रूप में
सरफेस लैप्लेसियन यह पुनर्गठित करता है कि स्कैल्प EEG क्या माप रहा है। एक वोल्टेज की रिपोर्ट करने के बजाय जो एक मनमाने संदर्भ पर निर्भर करता है और जो खोपड़ी के फ़िल्टरिंग प्रभाव से धुंधला हो गया है, यह इलेक्ट्रोड एरे की ज्यामिति से सीधे स्थानीय वर्तमान स्रोत घनत्व का अनुमान लगाता है, स्पलाइन-आधारित तरीकों का उपयोग करके जिन्हें वास्तविक दुनिया के सिर मॉडलिंग त्रुटियों के तहत स्थिर प्रदर्शन करते हुए दिखाया गया है।
इन अध्ययनों में निर्मित अनुभवजन्य रिकॉर्ड लगातार, मापने योग्य लाभों की ओर इशारा करते हैं:
स्थानिक रिज़ॉल्यूशन में तीन गुना या उससे अधिक का सुधार हुआ।
दूर के इलेक्ट्रोड के बीच कृत्रिम सहसंबंध को कम किया गया।
विलंबता (latency) का अनुमान लगाया गया जो वास्तविक मस्तिष्क के समय को बेहतर ढंग से दर्शाता है।
मांसपेशियों के संदूषण को पारंपरिक संदर्भ की अनुमति की तुलना में एक अंश तक कम किया गया।
ये लाभ पर्याप्त इलेक्ट्रोड घनत्व पर निर्भर करते हैं और वास्तविक व्याख्यात्मक सीमाओं के साथ आते हैं, विशेष रूप से गहरे या आउट-ऑफ-एरे स्रोतों के आसपास और व्यापक कॉर्टिकल पैटर्न को कम करने के जोखिम के साथ। अपरिष्कृत क्षमता विश्लेषण के साथ उपयोग किए जाने के बजाय, लैप्लेसियन मोंटाज स्थानीय कॉर्टिकल गतिविधि में एक सार्थक रूप से तेज, संदर्भ-मुक्त खिड़की प्रदान करता है।
संदर्भ
Srinivasan, R., Nunez, P. L., & Silberstein, R. B. (1998). Spatial filtering and neocortical dynamics: estimates of EEG coherence. IEEE transactions on Biomedical Engineering, 45(7), 814-826. https://doi.org/10.1109/10.686789
Nunez, P. L., & Pilgreen, K. L. (1991). The spline-Laplacian in clinical neurophysiology: a method to improve EEG spatial resolution. Journal of Clinical Neurophysiology, 8(4), 397-413.
Law, S. K., Nunez, P. L., & Wijesinghe, R. S. (2002). High-resolution EEG using spline generated surface Laplacians on spherical and ellipsoidal surfaces. IEEE transactions on Biomedical engineering, 40(2), 145-153. https://doi.org/10.1109/10.212068
Fitzgibbon, S. P., Lewis, T. W., Powers, D. M., Whitham, E. W., Willoughby, J. O., & Pope, K. J. (2012). Surface laplacian of central scalp electrical signals is insensitive to muscle contamination. IEEE Transactions on Biomedical Engineering, 60(1), 4-9. https://doi.org/10.1109/TBME.2012.2195662
अक्सर पूछे जाने वाले प्रश्न
EEG विश्लेषण में सरफेस लैप्लेसियन क्या है?
सरफेस लैप्लेसियन स्कैल्प वोल्टेज क्षेत्र के दूसरे स्थानिक व्युत्पन्न का अनुमान लगाता है, जो स्कैल्प में और बाहर बहने वाली रेडियल धारा से मेल खाता है। यह रिकॉर्डिंग को कच्चे वोल्टेज के बजाय स्थानीय वर्तमान स्रोत घनत्व के एक माप में बदल देता है, जिससे यह काफी हद तक संदर्भ इलेक्ट्रोड से स्वतंत्र हो जाता है।
लैप्लेसियन मोंटाज संदर्भ इलेक्ट्रोड की समस्या को कैसे समाप्त करता है?
लैप्लेसियन गणना गणितीय रूप से किसी भी निरंतर वोल्टेज को रद्द कर देती है जो सभी इलेक्ट्रोड में समान रूप से जोड़ा जाता है, जो कि एक साझा संदर्भ बिल्कुल यही काम करता है। इस अंतर्निहित रद्दीकरण के कारण, परिणामी सिग्नल अब इस बात पर निर्भर नहीं करता है कि संदर्भ इलेक्ट्रोड कहाँ रखा गया था।
वॉल्यूम कंडक्शन विकृतियों (artifacts) को कम करने में लैप्लेसियन क्या भूमिका निभाता है?
लैप्लेसियन एक स्थानिक बैंडपास फ़िल्टर के रूप में कार्य करता है जो खोपड़ी और स्कैल्प के माध्यम से वॉल्यूम कंडक्शन के कारण होने वाले व्यापक, विसरित वोल्टेज पैटर्न को दबाता है। यह फ़िल्टरिंग दूर के इलेक्ट्रोड के बीच कृत्रिम सुसंगतता को कम करती है जिसे अन्यथा समन्वित मस्तिष्क गतिविधि के रूप में गलत समझा जा सकता है।
लैप्लेसियन EEG सिग्नलों की समय सटीकता को कैसे सुधारता है?
वॉल्यूम कंडक्शन और संदर्भ का चुनाव कच्चे स्कैल्प क्षमता में मस्तिष्क की घटनाओं के समय को विकृत कर सकते हैं। लैप्लेसियन का वर्तमान स्रोत घनत्व अनुमान इस धुंधलेपन को कम करता है, जिससे कॉर्टिकल गतिविधि वास्तव में कब होती है इसका अधिक सटीक प्रतिनिधित्व मिलता है।
स्पलाइन-लैप्लेसियन विधि के लिए उच्च इलेक्ट्रोड घनत्व क्यों महत्वपूर्ण है?
स्पलाइन-लैप्लेसियन इलेक्ट्रोड रीडिंग के एक असतत सेट से दूसरे व्युत्पन्न की गणना करता है, इसलिए वोल्टेज वक्रता को कैप्चर करने के लिए स्कैल्प का पर्याप्त रूप से नमूना लिया जाना चाहिए। जब औसत सेंसर की दूरी पर्याप्त रूप से छोटी होती है, तो व्युत्पन्न का सटीकता से अनुमान लगाया जा सकता है, जिससे स्थानिक रिज़ॉल्यूशन में पर्याप्त लाभ मिलता है।
क्या लैप्लेसियन EEG में मांसपेशियों की विकृतियों (artifacts) को कम करने में मदद कर सकता है?
हाँ, सरफेस लैप्लेसियन प्रसंस्करण विशेष रूप से जबड़े और स्कैल्प की मांसपेशियों के पास केंद्रीय स्कैल्प साइटों पर मांसपेशियों द्वारा उत्पन्न विद्युत शोर को काफी कम करता है। इसके परिणामस्वरूप मांसपेशियों के संदूषण के मुकाबले मस्तिष्क सिग्नल का अनुपात बहुत अधिक होता है, विशेष रूप से गामा जैसी उच्च आवृत्ति श्रेणियों में।
लैप्लेसियन मोंटाज की मुख्य सीमाएं क्या हैं?
लैप्लेसियन मस्तिष्क के गहरे स्रोतों या इलेक्ट्रोड एरे के बाहर के सिग्नलों का पता नहीं लगाता है, और यह वास्तव में व्यापक कॉर्टिकल गतिविधि को कम कर सकता है क्योंकि इसका फ़िल्टर व्यापक पैटर्न को दबा देता है। इसे अपरिष्कृत क्षमता विश्लेषण के साथ समानांतर में उपयोग करना सबसे अच्छा है, क्योंकि प्रत्येक मस्तिष्क गतिविधि के एक अलग स्थानिक पैमाने को कैप्चर करता है।
लैप्लेसियन मोंटाज बाइपोलर मोंटाज से कैसे भिन्न है?
एक बाइपोलर मोंटाज वोल्टेज अंतर दिखाने के लिए दो विशिष्ट इलेक्ट्रोड की तुलना करता है, जबकि लैप्लेसियन मोंटाज एक सतह पर स्थानीय वर्तमान घनत्व का अनुमान लगाने के लिए केंद्र इलेक्ट्रोड और उसके तत्काल पड़ोसियों के आधार पर एक गणितीय दूसरे व्युत्पन्न का उपयोग करता है।
क्या इस तकनीक के लिए इलेक्ट्रोड की एक विशिष्ट संख्या की आवश्यकता होती है?
हाँ, मोंटाज की प्रभावकारिता चैनलों की संख्या के साथ बढ़ती है, क्योंकि गणना सेंसर एरे के स्थानिक घनत्व और पड़ोसी ग्रिड लेआउट की सापेक्ष सटीकता पर निर्भर करती है।
क्या लैप्लेसियन मोंटाज का उपयोग मानक 10-20 सिस्टम लेआउट के साथ किया जा सकता है?
यद्यपि विशेष इंटरपोलेशन का उपयोग करके सीमित इलेक्ट्रोड के साथ गणितीय रूप से यह संभव है, लेकिन मानक 10-20 प्रणालियों में अत्यधिक विश्वसनीय या विस्तृत स्थानिक व्याख्या के लिए आवश्यक घनत्व की कमी हो सकती है।
क्या लैप्लेसियन मोंटाज मस्तिष्क की गहरी संरचनाओं का पता लगा सकता है?
चूंकि मोंटाज एक स्थानिक हाई-पास फ़िल्टर के रूप में कार्य करता है, इसे सतही कॉर्टिकल गतिविधि पर जोर देने के लिए डिज़ाइन किया गया है और क्षमता-आधारित डिस्प्ले की तुलना में गहरे सबकोर्टिकल स्रोतों के प्रति यह आम तौर पर कम संवेदनशील होता 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
