प्रिंसिपल कंपोनेंट एनालिसिस (Principal component analysis), जिसे आमतौर पर PCA कहा जाता है, प्रस्तावित गणितीय उपकरणों में से एक है जो मल्टीचैनल EEG रिकॉर्डिंग्स को सरल बनाने, संसाधित किए जाने वाले डेटा की मात्रा को कम करने और सबसे तेज़ और सबसे अधिक व्यवधान डालने वाले आर्टिफैक्ट्स को चिह्नित करने का एक तरीका प्रदान करता है, और यह सब उन सख्त सांख्यिकीय धारणाओं को लागू किए बिना किया जाता है जिनकी आवश्यकता अन्य आर्टिफैक्ट-हटाने (artifact-removal) के तरीकों को होती है।
यह लेख बताता है कि PCA वास्तव में EEG डेटा के साथ क्या करता है, शोधकर्ताओं ने वास्तविक प्रीप्रोसेसिंग पाइपलाइन में इसका उपयोग कैसे किया है, और वर्तमान, अभी भी सीमित साक्ष्य इस बारे में क्या कहते हैं कि क्या यह विज्ञापित रूप से काम करता है।
EEG में प्रिंसिपल कंपोनेंट एनालिसिस (PCA) क्या है?
PCA को बेहतर ढंग से समझने के लिए, यह कल्पना करने में मदद मिलती है कि किसी भी सिग्नल प्रोसेसिंग से पहले रॉ EEG डेटा कैसा दिखता है।
एक सामान्य रिकॉर्डिंग में कई इलेक्ट्रोड शामिल होते हैं, जिनमें से प्रत्येक समय के साथ वोल्टेज रीडिंग की अपनी निरंतर स्ट्रीम उत्पन्न करता है। ये चैनल एक-दूसरे से स्वतंत्र नहीं होते हैं। चूँकि वे सभी एक साझा, संवाहक माध्यम (सिर) से विद्युत गतिविधि प्राप्त कर रहे होते हैं, इसलिए उनके सिग्नल जटिल तरीकों से ओवरलैप और सहसंबंधित (correlate) होते हैं।
PCA सहसंबंधित चैनलों के इस जाल को लेता है और इसे कंपोनेंट्स नामक सिग्नलों के एक नए सेट में पुनर्गठित करता है। प्रत्येक कंपोनेंट मूल चैनलों का एक भारित संयोजन (weighted combination) होता है, लेकिन एक महत्वपूर्ण गणितीय गुण के साथ: कंपोनेंट्स ऑर्थोगोनल होते हैं, जिसका अर्थ है कि वे एक-दूसरे से असंबंधित (uncorrelated) होते हैं।
PCA इन कंपोनेंट्स को इस आधार पर भी रैंक करता है कि प्रत्येक कंपोनेंट कितने वेरियेंस, या समग्र सिग्नल वेरिएशन के लिए उत्तरदायी है। पहला कंपोनेंट डेटा में वेरियेंस के सबसे बड़े हिस्से को कैप्चर करता है, दूसरा शेष में से अगले सबसे बड़े हिस्से को कैप्चर करता है, और इसी तरह सूची में आगे बढ़ता जाता है।
यह रैंकिंग इस वजह से महत्वपूर्ण है कि आर्टिफ़ैक्ट आमतौर पर कैसा व्यवहार करते हैं। उदाहरण के लिए, पलकों का झपकना बड़े, धीमे वोल्टेज उतार-चढ़ाव उत्पन्न करता है जो एक साथ कई इलेक्ट्रोडों में व्यापक रूप से फैलते हैं। चूँकि यह वेरिएशन का एक बड़ा, साझा पैटर्न बनाता है, इसलिए पलक झपकने की गतिविधि उच्चतम-वेरियेंस वाले कंपोनेंट्स में केंद्रित होती है। कमज़ोर, अधिक स्थानीयकृत मस्तिष्क सिग्नल अक्सर सूची में नीचे, कम-वेरियेंस वाले कंपोनेंट्स में समाप्त होते हैं।
PCA को इसके कुछ अधिक प्रसिद्ध समकक्षों जैसे कि इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA) से अलग करने वाला एक विवरण यह है कि यह यह मानकर नहीं चलता कि अंतर्निहित स्रोत सांख्यिकीय रूप से स्वतंत्र हैं। इसके लिए केवल यह आवश्यक है कि परिणामी कंपोनेंट्स असंबंधित हों, जो कि बहुत ढीली (looser) शर्त है।
प्रिंसिपल कंपोनेंट एनालिसिस (PCA) कैसे काम करता है? चरण-दर-चरण विवरण
चरण 1: डेटा को मानकीकृत (Standardize) करें
एक जटिल गणना शुरू करने से पहले, वेरिएबल्स के बीच समानता सुनिश्चित करने के लिए इनपुट को सामान्य (normalize) करना आवश्यक है। यदि एक वेरिएबल को माइक्रोवोल्ट में और दूसरे को मिलीसेकंड में मापा जाता है, तो पैमाने में कच्चा अंतर परिणामों को पक्षपाती बना देगा। प्रत्येक वेरिएबल को शून्य के माध्य और एक के मानक विचलन पर स्केल करने से गणित सभी इनपुट विशेषताओं को समान भार के साथ मानने में सक्षम होता है।
चरण 2: सहप्रसरण आव्यूह (Covariance Matrix) की गणना करें
एक बार डेटा मानकीकृत हो जाने के बाद, अगली बाधा विशेषताओं के प्रत्येक जोड़े के बीच संबंधों को मैप करना है। एक कोवेरियेंस मैट्रिक्स इन इंटरैक्शन को सारांशित करता है, यह दिखाते हुए कि कौन से वेरिएबल्स एक साथ चलते हैं और कौन से स्वतंत्र हैं। यह ग्रिड उन दिशाओं की पहचान करने के लिए आधार के रूप में कार्य करता है जहाँ डेटासेट सबसे महत्वपूर्ण प्रसार प्रदर्शित करता है।
चरण 3: आइगेनवेक्टर्स (Eigenvectors) और आइगेनवैल्यूज़ (Eigenvalues) की गणना करें
इस चरण में उन विशिष्ट वैक्टरों को हल करना शामिल है जो डेटा वितरण के आकार को दर्शाते हैं। आइगेनवेक्टर्स नए अक्षों की दिशा निर्धारित करते हैं, जबकि आइगेनवैल्यूज़ उन विशिष्ट दिशाओं के साथ कैप्चर किए गए वेरियेंस के परिमाण का प्रतिनिधित्व करते हैं। ये गणितीय मार्कर हमें मूल डेटा स्पेस को मूवमेंट के प्राथमिक पैटर्न द्वारा परिभाषित एक नए समन्वय प्रणाली (coordinate system) में घुमाने की अनुमति देते हैं।
चरण 4: प्रिंसिपल कंपोनेंट्स का चयन करें
कंपोनेंट्स की पहचान करने के बाद, विश्लेषण मॉडल को केवल उन्हीं तक सीमित करता है जो कुल वेरियेंस के एक महत्वपूर्ण हिस्से की व्याख्या करते हैं। यह फ़िल्टरिंग प्रक्रिया अत्यधिक शोर वाले वेरिएबल्स को हटा देती है और विशिष्ट मात्रात्मक सीमाओं के अनुसार केवल सबसे जानकारीपूर्ण पैटर्न को बनाए रखती है।
कड़ाई से प्रमुख कंपोनेंट्स पर ध्यान केंद्रित करके, शोधकर्ता बाद के प्रोसेसिंग कार्यों पर कम्प्यूटेशनल बोझ को कम करते हैं। यह सुनिश्चित करता है कि अंतिम मॉडल रीयल-टाइम विश्लेषण के लिए उत्तरदायी और कुशल दोनों है।
चरण 5: मूल डेटा को ट्रांसफॉर्म करें
अंतिम चयन पूरा होने के साथ, अंतिम चरण मूल अवलोकन बिंदुओं को इन नए अक्षों पर प्रोजेक्ट करना है। यह परिवर्तन एक नया, कम-आयाम वाला डेटासेट बनाता है जो मूल मापों की आवश्यक स्थलाकृति (topography) को संरक्षित करता है।
पेशेवर फिर इन रूपांतरित वेरिएबल्स का उपयोग क्लासिफिकेशन या सोर्स लोकलाइज़ेशन जैसे डाउनस्ट्रीम कार्यों के लिए करते हैं, जिससे एक स्पष्ट सिग्नल प्रतिनिधित्व से लाभ होता है।
EEG प्रीप्रोसेसिंग पाइपलाइन में PCA कैसे फिट बैठता है
व्यवहार में, PCA शायद ही कभी अकेले काम करता है। यह एक बड़ी क्लीनिंग पाइपलाइन के अंदर एक चरण के रूप में दिखाई देता है, जो दो में से एक काम करता है:
डेटा का आकार छोटा करना
यह पता लगाने में मदद करना कि आर्टिफ़ैक्ट कहाँ छिपे हैं
पहली भूमिका आयामी कमी (dimensionality reduction) की है। डेंसिटी एस्टीमेशन ब्लाइंड सोर्स सेपरेशन (DEBSS) नामक तकनीक के साथ PCA को संयोजित करने वाले एक अध्ययन ने आगे के सेपरेशन से पहले EEG डेटासेट के आकार को कम करने के लिए विशेष रूप से PCA का उपयोग किया।
इस पाइपलाइन में, पहले वेवलेट विश्लेषण का उपयोग करके उच्च-आवृत्ति शोर को फ़िल्टर किया गया था, और फिर शेष कंपोनेंट्स को अलग करने के लिए DEBSS के कार्यभार संभालने से पहले “डेटा आयाम को कम करने के लिए EEG संकेतों को प्रोसेस करने हेतु PCA एल्गोरिथ्म का उपयोग किया गया था”। एक बार जब क्रॉस-कोरिलेशन गुणांक और संबंधित गैर-रैखिक मापदंडों का उपयोग करके हस्तक्षेप-वाहक कंपोनेंट्स की पहचान की गई, तो शोधकर्ताओं ने शेष, स्वच्छ कंपोनेंट्स से सिग्नल का पुनर्निर्माण किया।
दूसरी भूमिका आर्टिफ़ैक्ट डिटेक्शन की ही है, और यह आर्टिफ़ैक्ट सबस्पेस रिकंस्ट्रक्शन (ASR) नामक एक व्यापक रूप से उपयोग की जाने वाली विधि के अंदर दिखाई देती है। ASR, EEG डेटा की छोटी विंडो का लगातार विश्लेषण करके और “स्वच्छ” गतिविधि के आधार रेखा (baseline) के खिलाफ उनकी तुलना करके काम करता है।
इस पद्धति के रीमैनियन संस्करण को पेश करने वाले 2019 के एक अध्ययन के अनुसार, ASR “कंपोनेंट सबस्पेस में उनके सांख्यिकीय गुणों के आधार पर आर्टिफ़ैक्ट्स का पता लगाने के लिए कोवेरियेंस मैट्रिक्स पर बार-बार PCA की गणना करता है”। यहाँ, PCA सुविधा के लिए चैनलों की संख्या को कम नहीं कर रहा है। यह उस इंजन के रूप में कार्य कर रहा है जो पल-पल यह तय करता है कि डेटा का एक खंड सांख्यिकीय रूप से सामान्य दिखता है या किसी आर्टिफ़ैक्ट जैसा दिखता है।
एक साथ लिए जाने पर, ये दो उदाहरण निष्कर्ष निकालते हैं कि PCA एक क्लीनिंग रणनीति का एक घटक है, अपने आप में एक संपूर्ण क्लीनिंग रणनीति नहीं है। यह आमतौर पर अपना आउटपुट किसी अन्य एल्गोरिथ्म को सौंपता है, चाहे वह DEBSS हो, रीमैनियन ज्यामिति अनुकूलन हो, या कोई अन्य निर्णय लेने की प्रक्रिया हो जो यह निर्धारित करती है कि वास्तव में किन कंपोनेंट्स को हटाया जाए।
क्या PCA EEG आर्टिफ़ैक्ट्स को अलग कर सकता है? सबूत क्या दिखाते हैं
आर्टिफ़ैक्ट अलगाव के लिए PCA के आकर्षण के पीछे का तर्क सीधा है। चूँकि PCA कंपोनेंट्स को वेरियेंस के अनुसार क्रमबद्ध करता है, और चूँकि पलकें झपकना और मांसपेशियों की गतिविधि बड़े वोल्टेज उतार-चढ़ाव उत्पन्न करती है, इसलिए न्यूरोसाइंस सिद्धांत यह मानता है कि इन आर्टिफ़ैक्ट्स को स्वाभाविक रूप से शीर्ष कुछ कंपोनेंट्स में खुद को व्यवस्थित करना चाहिए। यदि यह सही साबित होता है, तो एक शोधकर्ता, सिद्धांत रूप में, प्रत्येक मस्तिष्क स्रोत की सटीक सांख्यिकीय स्वतंत्रता को मॉडल किए बिना, सबसे खराब व्यवधान को जल्दी से अलग और खारिज कर सकता है।
पहले वर्णित PCA-प्लस-DEBSS पाइपलाइन का परीक्षण करने वाले अध्ययन ने बताया कि संयुक्त विधि “मल्टी-चैनल EEG सिग्नलों के मुख्य व्यवधान को तेजी से और प्रभावी ढंग से समाप्त कर सकती है,” जबकि यह भी ध्यान दिया कि यह दृष्टिकोण “स्थिर था और इसमें मजबूत मापनीयता (scalability) है।” यह एक सकारात्मक परिणाम है, लेकिन यह ध्यान देने योग्य है कि वास्तव में किसका परीक्षण किया गया था: एक विशिष्ट दो-चरणीय पाइपलाइन, न कि अलगाव में काम करने वाला PCA।
उपर्युक्त 2019 के अध्ययन ने अधिक संरचित तुलनात्मक दृष्टिकोण अपनाया। शोधकर्ताओं ने ASR का एक रीमैनियन-ज्यामिति-आधारित संस्करण बनाया, जिसे rASR कहा गया, और 27 प्रतिभागियों के साथ इनडोर और आउटडोर दोनों स्थितियों में स्मार्टफोन पर रिकॉर्ड किए गए EEG का उपयोग करके मानक PCA-आधारित ASR विधि के खिलाफ इसका परीक्षण किया।
उन्होंने तीन अलग-अलग पैमानों पर प्रदर्शन का मूल्यांकन किया:
प्रत्येक विधि ने पलक झपकने वाले आर्टिफ़ैक्ट्स को कितनी अच्छी तरह कम किया (संवेदनशीलता)
प्रत्येक विधि ने विज़ुअल-इवोक्ड पोटेंशिअल को कितनी अच्छी तरह संरक्षित किया, जो दृश्य उत्तेजनाओं के प्रति मस्तिष्क की प्रतिक्रियाएं हैं (विशिष्टता)
प्रत्येक विधि कितनी तेजी से चली (दक्षता)
लेखक के निष्कर्षों के अनुसार, मानक ASR की तुलना में rASR ने “तीनों पैमानों पर अनुकूल प्रदर्शन किया”।
ये परिणाम PCA-आधारित आर्टिफ़ैक्ट हैंडलिंग के लिए उत्साहजनक हैं, लेकिन उनके पीछे का साक्ष्य आधार संकीर्ण है। ये सार्थक, उपयोगी शुरुआती निष्कर्ष हैं, लेकिन ये अभी तक व्यापक रूप से मान्य दावे के बराबर नहीं हैं कि PCA सभी EEG संदर्भों में आर्टिफ़ैक्ट्स को विश्वसनीय रूप से अलग करता है।
PCA बनाम ICA बनाम फ़िल्टरिंग: सही टूल चुनना
EEG शोधकर्ताओं के पास डेटा को साफ़ करने के लिए कई उपकरण उपलब्ध हैं, और PCA उनके बीच एक विशिष्ट स्थान रखता है।
फ़िल्टरिंग, जिसमें हाई-पास, लो-पास और नॉच फ़िल्टर शामिल हैं, संपूर्ण फ़्रीक्वेंसी बैंड को हटाकर या कम करके काम करता है। यह विद्युत लाइन शोर जैसे स्थिर व्यवधान को हटाने के लिए उपयोगी है, लेकिन जब कोई आर्टिफ़ैक्ट और मस्तिष्क सिग्नल एक ही फ़्रीक्वेंसी रेंज साझा करते हैं तो यह एक कठिन सीमा में चला जाता है।
उदाहरण के लिए, पलक का झपकना, धीमी मस्तिष्क तरंगों के साथ आवृत्ति में ओवरलैप हो सकता है, और एक फ़िल्टर उन्हें अलग नहीं बता सकता क्योंकि यह केवल आवृत्ति को देखता है, चैनलों में वेरियेंस के पैटर्न को नहीं। PCA पूरी तरह से अलग अक्ष पर काम करता है क्योंकि यह देखता है कि इलेक्ट्रोड के पूरे सेट में सिग्नल वेरिएशन कैसे वितरित किया जाता है, आवृत्ति सामग्री पर नहीं। यह इसे फ़िल्टरिंग के सीधे विकल्प के बजाय एक पूरक दृष्टिकोण बनाता है।
दूसरी ओर, ICA का उल्लेख अक्सर PCA के साथ ही किया जाता है, लेकिन दोनों विधियाँ अलग-अलग मान्यताओं पर आधारित हैं। ICA ऐसे कंपोनेंट्स की खोज करता है जो एक दूसरे से सांख्यिकीय रूप से स्वतंत्र हैं, जो PCA की साधारण डीकोरिलेशन की ढीली शर्त की तुलना में बहुत मजबूत और अधिक कम्प्यूटेशनल रूप से मांग वाली आवश्यकता है।
चूँकि ICA को इस सख्त प्रकार के सेपरेशन के लिए अधिक खोज करनी पड़ती है, इसलिए इसमें अधिक कंप्यूटिंग समय और अधिक डेटा की आवश्यकता होती है। PCA, गणितीय रूप से सरल होने के कारण, तेज़ है और इसे स्वतंत्रता की बिल्कुल भी आवश्यकता नहीं है, केवल यह आवश्यक है कि परिणामी कंपोनेंट्स असंबंधित हों।
कम्प्यूटेशनल लागत में यह अंतर ही कारण है कि PCA अक्सर ICA के प्रतिस्थापन के बजाय उससे पहले एक प्रारंभिक चरण के रूप में दिखाई देता है। पहले PCA के साथ आयामों की संख्या कम करने से ICA रन की गति बढ़ सकती है और डेटा सीमित होने पर ओवरफ़िटिंग का जोखिम कम हो सकता है। वैकल्पिक रूप से, PCA एक मोटे पहले पास के रूप में कार्य कर सकता है, इससे पहले कि अधिक सावधानीपूर्वक विधि बाकी को ठीक करे, सबसे प्रमुख, स्पष्ट आर्टिफ़ैक्ट्स को हटा सकता है।
विधि | अलगाव का आधार | गति | मुख्य सीमा |
|---|---|---|---|
PCA | वेरियेंस द्वारा क्रमबद्ध करता है | तेज़ | वेरियेंस ≠ आर्टिफ़ैक्ट |
ICA | स्वतंत्र स्रोतों को ढूँढता है | धीमा | स्वतंत्रता मानता है |
फ़िल्टरिंग | फ़्रीक्वेंसी बैंड हटाता है | बहुत तेज़ | ओवरलैपिंग आवृत्तियाँ बनी रहती हैं |
PCA-आधारित आर्टिफ़ैक्ट हटाने की सीमाएँ
PCA की सादगी ही इसकी कमजोरियों का स्रोत भी है। यह वास्तव में आर्टिफ़ैक्ट-आइसोलेशन कार्य को कितनी अच्छी तरह करता है, जिसे अक्सर सौंपा जाता है, इस बारे में कई खुले प्रश्न बने हुए हैं।
वेरियेंस “आर्टिफ़ैक्ट” के लिए एक अपूर्ण विकल्प है। कुछ मस्तिष्क लय, जैसे कि पोस्टीरियर अल्फा गतिविधि (शांत, आँखें बंद रहने की स्थिति से जुड़ी एक प्रसिद्ध EEG लय), अपने आप में उच्च-आयाम संकेत उत्पन्न कर सकती हैं। एक विधि जो यह मानती है कि उच्च वेरियेंस का अर्थ हमेशा आर्टिफ़ैक्ट होता है, वास्तविक मस्तिष्क गतिविधि को उस शोर के साथ त्यागने का जोखिम उठाती है जिसे हटाने के लिए यह अभिप्रेत है।
दूसरी दिशा में, पलक झपकने वाले आर्टिफ़ैक्ट हमेशा खुद को एक ही कंपोनेंट तक सीमित नहीं रखते हैं; उनका प्रभाव एक साथ कई कंपोनेंट्स में फैल सकता है, जिससे किसी भी सरल “शीर्ष कंपोनेंट को हटाने” की रणनीति जटिल हो जाती है।
विचार करने के लिए एक संरचनात्मक बेमेल भी है। PCA अपने कंपोनेंट्स को गणितीय परिभाषा द्वारा एक-दूसरे के ऑर्थोगोनल होने के लिए मजबूर करता है। लेकिन इस बात की कोई गारंटी नहीं है कि EEG सिग्नल उत्पन्न करने वाले वास्तविक भौतिक स्रोत, चाहे वे तंत्रिका सर्किट हों या खोपड़ी के पास मांसपेशियों के समूह, इस तरह से व्यवस्थित हैं जो इस ऑर्थोगोनल ज्यामिति से मेल खाते हैं।
जब धारणा अंतर्निहित वास्तविकता से मेल नहीं खाती है, तो PCA द्वारा उत्पादित अलगाव ऊतक में वास्तव में क्या हो रहा है इसके सटीक प्रतिबिंब के बजाय एक गणितीय सुविधा हो सकती है।
EEG विश्लेषण में PCA का उपयोग करने के लिए व्यावहारिक सलाह
पहली बार किसी EEG डेटासेट की खोज करने वाले के लिए, PCA एक उचित प्रारंभिक बिंदु बना हुआ है, विशेष रूप से यह देखने के तरीके के रूप में कि किसी दिए गए रिकॉर्डिंग में वेरिएशन के कौन से पैटर्न हावी हैं। यहाँ कुछ सुझाव दिए गए हैं जिनकी अक्सर अनुशंसा की जाती है:
आयाम को कम करने या प्रमुख आर्टिफ़ैक्ट पैटर्न को चिह्नित करने के लिए PCA का उपयोग प्रारंभिक चरण के रूप में करें, अंतिम सफाई पास के रूप में नहीं।
PCA को बाद की विधि (उदा. ICA, DEBSS, ASR) के साथ संयोजित करें जो यह तय कर सके कि किन कंपोनेंट्स को हटाना है।
यह सत्यापित करने के लिए कि वे आर्टिफ़ैक्ट्स का प्रतिनिधित्व करते हैं, छोड़े गए कंपोनेंट्स की स्कैल्प टोपोग्राफी और टाइम कोर्स का हमेशा विज़ुअल निरीक्षण करें।
रिकॉर्डिंग वातावरण (प्रयोगशाला बनाम मोबाइल) में परिणामों में परिवर्तनशीलता को सावधानी से देखें और अपने स्वयं के डेटा पर मान्य करें।
Emotiv-आधारित EEG अनुसंधान में प्रिंसिपल कंपोनेंट एनालिसिस
Emotiv headsets का उपयोग कई सहकर्मी-समीक्षित (peer-reviewed) अध्ययनों में किया गया है जहाँ प्रिंसिपल कंपोनेंट एनालिसिस एक मुख्य कम्प्यूटेशनल विधि के रूप में कार्य करता है, जो वर्गीकरण, सेंसर चयन, प्रीप्रोसेसिंग और सिग्नल गुणवत्ता वृद्धि में तकनीक की बहुमुखी प्रतिभा को दर्शाता है।
P300 स्पेलर सटीकता के लिए PCA एन्सेम्बल क्लासिफायर
पहनने योग्य BCI विकास के लिए कुशल सिग्नल प्रोसेसिंग की आवश्यकता होती है, और एक अध्ययन ने Emotiv न्यूरोहेडसेट के साथ रिकॉर्ड किए गए P300-आधारित स्पेलर्स के लिए एक PCA एन्सेम्बल क्लासिफायर का मूल्यांकन किया। एक शास्त्रीय ऑडबॉल प्रतिमान का उपयोग करते हुए, लेखकों ने अपने एन्सेम्बल दृष्टिकोण की तुलना पारंपरिक फीचर निष्कर्षण और वर्गीकरण विधियों से की।
क्रॉस-सत्यापन डेटा पर PCA एन्सेम्बल ने 86.29% की औसत सटीकता प्राप्त की, जबकि ऑफ़लाइन परीक्षण ने पारंपरिक तरीकों की तुलना में 73.3% की काफी अधिक औसत वर्गीकरण सटीकता प्राप्त की। परिणाम एक मोबाइल, उपभोक्ता-ग्रेड EEG डिवाइस से P300 डेटा को संसाधित करने के लिए एक व्यवहार्य रणनीति के रूप में PCA-आधारित एन्सेम्बल वर्गीकरण की ओर इशारा करते हैं।
PCA के साथ बायोमेट्रिक पहचान के लिए न्यूनतम EEG सेंसर का चयन करना
भेदभावपूर्ण जानकारी का त्याग किए बिना इलेक्ट्रोड की संख्या को कम करना बायोमेट्रिक सिस्टम के लिए एक व्यावहारिक चुनौती है। शोधकर्ताओं ने Emotiv EPOC+ headset और एक बड़े सार्वजनिक डेटासेट का उपयोग करके व्यक्ति की पहचान के लिए न्यूनतम EEG सेंसर चयन की जांच की। दो कमी पद्धतियां लागू की गईं: एक प्रिंसिपल कंपोनेंट एनालिसिस पर आधारित और दूसरी विलकॉक्सन साइन्ड-रैंक टेस्ट पर आधारित।
अध्ययन रिपोर्ट करता है कि दोनों दृष्टिकोणों ने विश्वसनीय व्यक्तिगत पहचान के लिए आवश्यक न्यूनतम इलेक्ट्रोड सेट की पहचान को सक्षम बनाया, जिसमें PCA यह इंगित करने में मदद करता है कि कौन से कॉर्टिकल क्षेत्र वियोज्य पैटर्न में सबसे अधिक योगदान करते हैं। यह प्रयोगशाला विन्यासों को सरल, अधिक व्यावहारिक सेंसर मोंटाज में अनुवाद करने में PCA की आयामी-कमी भूमिका को प्रदर्शित करता है।
आर्टिफ़ैक्ट हटाने के लिए CSP और CAR के साथ PCA की तुलना
एक प्रीप्रोसेसिंग पाइपलाइन तुलना ने Emotiv EPOC के साथ EEG रिकॉर्ड किया ताकि यह मूल्यांकन किया जा सके कि वर्गीकरण से पहले विभिन्न एल्गोरिदम संकेतों को कितनी अच्छी तरह से साफ करते हैं। प्रीप्रोसेसिंग एल्गोरिदम की तुलना में, आर्टिफ़ैक्ट हटाने के लिए कॉमन स्पैटियल पैटर्न (CSP) और कॉमन एवरेज रेफरेंस (CAR) के साथ प्रिंसिपल कंपोनेंट एनालिसिस का परीक्षण किया गया, जिसके बाद पावर स्पेक्ट्रल डेंसिटी फीचर्स को सपोर्ट वेक्टर मशीन क्लासिफायर में डाला गया।
लेखकों ने देखा कि PCA ने 94.28% का प्रदर्शन दिया, जिसने उनके सेटअप में अन्य एल्गोरिदम से बेहतर प्रदर्शन किया। इससे पता चलता है कि उपभोक्ता-ग्रेड EEG हार्डवेयर के साथ काम करते समय PCA प्रीप्रोसेसिंग श्रृंखला के एक प्रभावी घटक के रूप में कार्य कर सकता है।
सामूहिक लय निष्कर्षण को बढ़ाना: PCA बनाम कोसंबी-हिल्बर्ट मरोड़ (KHT)
जब कई EEG सेंसर दोलन गतिविधि को कैप्चर करते हैं, तो उच्च सिग्नल-टू-नॉइज़ अनुपात के साथ एक साझा लय निकालना अक्सर वांछित होता है। Emotiv EPOC+ के साथ सामूहिक लय गुणवत्ता में सुधार पर एक अध्ययन ने पारंपरिक प्रिंसिपल कंपोनेंट एनालिसिस की तुलना कोसंबी-हिल्बर्ट मरोड़ (KHT) पद्धति से की। आँखें बंद करके आराम करने के दौरान और 15 Hz पर झिलमिलाती स्क्रीन को देखते हुए डेटा रिकॉर्ड किया गया था।
शोधकर्ताओं की रिपोर्ट है कि KHT ने PCA की तुलना में सामूहिक सिग्नल के लिए बेहतर सिग्नल-टू-नॉइज़ अनुपात हासिल किया, विशेष रूप से तब जब चैनलों में यादृच्छिक अस्थायी बदलाव पेश किए गए थे। कार्य से पता चलता है कि जबकि PCA सामान्य लय निष्कर्षण के लिए एक सरल आधार रेखा प्रदान करता है, चरण-जागरूक (phase-aware) विधियां रुचि के संकेत को और बढ़ा सकती हैं।
एक साथ लिए जाने पर, ये अध्ययन इस बात पर प्रकाश डालते हैं कि Emotiv हार्डवेयर का उपयोग करके प्रिंसिपल कंपोनेंट एनालिसिस बहुत अलग-अलग EEG कार्यों—वर्गीकरण और बायोमेट्रिक पहचान से लेकर प्रीप्रोसेसिंग और लय निष्कर्षण तक—में कैसे काम करता है। परिणाम उनकी विशिष्ट परिस्थितियों में आशाजनक हैं, फिर भी वे विशेष प्रतिमानों, अपेक्षाकृत छोटे नमूना आकारों और ऑफ़लाइन विश्लेषणों तक सीमित हैं। निष्कर्ष EEG अनुसंधान पाइपलाइनों में एक बहुमुखी उपकरण के रूप में PCA का समर्थन करते हैं, लेकिन वे अभी तक वास्तविक समय, कम लागत वाले BCI अनुप्रयोगों के लिए एक आकार-फिट-सभी समाधान स्थापित नहीं करते हैं।
निष्कर्ष: क्या PCA एक विश्वसनीय EEG क्लीनिंग विधि है?
PCA अव्यवस्थित ब्रेनवेव डेटा को रैंक किए गए कंपोनेंट्स में बदल देता है, जिससे शोधकर्ताओं को रिकॉर्डिंग के सबसे अधिक शोर वाले हिस्सों पर तेजी से ध्यान केंद्रित करने का एक त्वरित तरीका मिल जाता है। यह दृष्टिकोण विशेष रूप से तब उपयोगी होता है जब पलक झपकना या मांसपेशियों की हरकतें सिग्नल पर हावी हो जाती हैं, क्योंकि वे अक्सर उच्चतम-वेरियेंस स्लॉट में उभर आते हैं।
लेकिन चूंकि वास्तविक मस्तिष्क लय भी मजबूत सिग्नल उत्पन्न कर सकती है, इसलिए यह तय करने के लिए अकेले इस पद्धति पर भरोसा नहीं किया जा सकता है कि क्या एक आर्टिफ़ैक्ट है और क्या कीमती तंत्रिका डेटा है।
संदर्भ
Kang, D., & Zhizeng, L. (2012, March). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. In 2012 International Conference on Computer Science and Electronics Engineering (Vol. 3, pp. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105
Blum, S., Jacobsen, N. S. J., Bleichner, M. G., & Debener, S. (2019). A Riemannian Modification of Artifact Subspace Reconstruction for EEG Artifact Handling. Frontiers in human neuroscience, 13, 141. https://doi.org/10.3389/fnhum.2019.00141
अक्सर पूछे जाने वाले प्रश्न
EEG के संदर्भ में प्रिंसिपल कंपोनेंट एनालिसिस (PCA) क्या है?
PCA एक गणितीय विधि है जो मल्टीचैनल EEG डेटा को कंपोनेंट्स नामक सिग्नलों के एक नए सेट में पुनर्गठित करती है, जो एक दूसरे से असंबंधित होते हैं। यह इन कंपोनेंट्स को उनके द्वारा कैप्चर किए जाने वाले वेरियेंस के आधार पर रैंक करता है, जिसमें पहला कंपोनेंट सबसे अधिक समग्र सिग्नल वेरिएशन की व्याख्या करता है।
PCA EEG डेटा से आर्टिफ़ैक्ट्स को हटाने में कैसे मदद करता है?
चूँकि पलक झपकने जैसे आर्टिफ़ैक्ट बड़े, व्यापक वोल्टेज उतार-चढ़ाव उत्पन्न करते हैं, वे उच्चतम-वेरियेंस कंपोनेंट्स में केंद्रित होते हैं। वेरियेंस द्वारा PCA की रैंकिंग शोधकर्ताओं को उन शीर्ष कंपोनेंट्स की पहचान करने और संभावित रूप से त्यागने की अनुमति देती है, जिनमें अक्सर सबसे विघटनकारी शोर होता है।
क्या PCA EEG सिग्नलों को साफ़ करने के लिए अकेले काम करता है?
नहीं, PCA का उपयोग शायद ही कभी स्टैंडअलोन क्लीनिंग समाधान के रूप में किया जाता है। यह आमतौर पर एक बड़ी पाइपलाइन के भीतर एक कदम के रूप में कार्य करता है, या तो DEBSS जैसी किसी अन्य विधि को लागू करने से पहले डेटा आयामों को कम करता है, या आर्टिफ़ैक्ट सबस्पेस रिकंस्ट्रक्शन (ASR) जैसे ढांचे के अंदर डिटेक्शन इंजन के रूप में कार्य करता है।
आर्टिफ़ैक्ट हटाने के लिए PCA और ICA में क्या अंतर है?
PCA के लिए केवल यह आवश्यक है कि परिणामी कंपोनेंट्स असंबंधित हों, जो कि एक ढीली गणितीय स्थिति है, जबकि ICA ऐसे कंपोनेंट्स की खोज करता है जो सांख्यिकीय रूप से स्वतंत्र हैं, जो एक सख्त और अधिक कम्प्यूटेशनल रूप से मांग वाली आवश्यकता है। PCA तेज़ है और इसे अक्सर ICA के प्रतिस्थापन के बजाय उससे पहले एक प्रारंभिक चरण के रूप में उपयोग किया जाता है।
क्या PCA गलती से आर्टिफ़ैक्ट्स के साथ वास्तविक मस्तिष्क गतिविधि को हटा सकता है?
हाँ, क्योंकि PCA आर्टिफ़ैक्ट्स की पहचान करने के लिए वेरियेंस पर निर्भर करता है, पोस्टीरियर अल्फा गतिविधि जैसी उच्च-आयाम मस्तिष्क लय को शोर समझा जा सकता है। इसके अतिरिक्त, आर्टिफ़ैक्ट कई कंपोनेंट्स में फैल सकते हैं, इसलिए केवल शीर्ष कंपोनेंट को हटाने से वास्तविक तंत्रिका सिग्नल ख़ारिज हो सकते हैं।
EEG क्लीनिंग के लिए PCA की फ़्रीक्वेंसी फ़िल्टरिंग से तुलना कैसे की जाती है?
फ़्रीक्वेंसी फ़िल्टरिंग विशिष्ट फ़्रीक्वेंसी बैंड में सिग्नल ऊर्जा को हटाती या कम करती है, लेकिन यह एक ही फ़्रीक्वेंसी साझा करने वाले आर्टिफ़ैक्ट और मस्तिष्क सिग्नल को अलग नहीं कर सकती है। PCA इसके बजाय सभी इलेक्ट्रोडों में वेरियेंस के पैटर्न को देखता है, जिससे यह एक पूरक दृष्टिकोण बन जाता है जो डेटा के एक अलग आयाम को संबोधित करता है।
एक शोधकर्ता को EEG प्रीप्रोसेसिंग वर्कफ़्लो में सुरक्षित रूप से PCA का उपयोग कैसे करना चाहिए?
अन्य विधियों को लागू करने से पहले PCA का उपयोग आयामी कमी के चरण के रूप में किया जा सकता है, या यह जांचने के लिए एक सहायक के रूप में किया जा सकता है कि कौन से पैटर्न रिकॉर्डिंग पर हावी हैं। शोधकर्ताओं को वेरियेंस रैंकिंग पर आंख मूंदकर भरोसा करने के बजाय, अपनी स्कैल्प टोपोग्राफी और टाइम कोर्स की जांच करके उन कंपोनेंट्स का नेत्रहीन निरीक्षण करना चाहिए जिन्हें वे हटाने की योजना बना रहे 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।
चिकित्सा संबंधी अस्वीकरण (Medical Disclaimer): इस वेबसाइट पर प्रदान की गई जानकारी केवल शैक्षिक और सूचनात्मक उद्देश्यों के लिए है और इसे चिकित्सा या स्वास्थ्य सलाह के रूप में नहीं माना जाना चाहिए। इस सामग्री में त्रुटियां हो सकती हैं और जीवन को प्रभावित करने वाले स्वास्थ्य, चिकित्सा या जीवन शैली के विकल्प चुनने के लिए इस पर भरोसा नहीं किया जाना चाहिए। किसी चिकित्सीय स्थिति या उपचार के संबंध में आपके किसी भी प्रश्न के लिए हमेशा अपने चिकित्सक या अन्य योग्य स्वास्थ्य प्रदाता की सलाह लें।
क्रिश्चियन बर्गोस
