एक बुनियादी फूरियर ट्रांसफॉर्म (Fourier Transform), जो किसी सिग्नल को उसकी घटक आवृत्तियों (component frequencies) में विभाजित करने का क्लासिक गणितीय उपकरण है, आपको यह बता सकता है कि पूरी रिकॉर्डिंग में किसी स्थान पर कौन सी मस्तिष्क तरंगें मौजूद थीं। लेकिन वह आपको यह नहीं बता सकता कि वे कब घटित हुईं। किसी के अपनी आँखें बंद करने के ठीक उसी क्षण दिखाई देने वाली अल्फा गतिविधि का एक छोटा सा विस्फोट (burst) एक अर्थपूर्ण, समय-बद्ध (time-locked) घटना है।
दस मिनट की रिकॉर्डिंग में फैले एक एकल आवृत्ति सारांश में औसत किए जाने पर, वह विस्फोट केवल एक आँकड़ा बनकर रह जाता है, जिसे पृष्ठभूमि के शोर से अलग नहीं किया जा सकता। इन घटनाओं के समय का पता लगाना किसी भी गंभीर ईईजी (EEG) अनुसंधान का शुरुआती बिंदु है, और यह वही सटीक समस्या है जिसे हल करने के लिए शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT) का निर्माण किया गया था।
मानक फूरियर रूपांतरण (Standard Fourier Transform) के साथ समस्या
मानक फूरियर रूपांतरण शास्त्रीय सिग्नल प्रोसेसिंग का एक स्तंभ है क्योंकि यह प्रभावी रूप से जटिल सिग्नलों को शुद्ध साइनसोइड्स (sinusoids) के योग में विघटित करता है। अनंत समय के साथ एकीकृत करके, यह एक रिकॉर्डिंग में मौजूद कुल आवृत्ति सामग्री (frequency content) को प्रकट करता है।
हालाँकि, यह पद्धति मानती है कि सिग्नल स्थिर है; यदि आवृत्ति संरचना समय के साथ बदलती है, तो विशिष्ट आउटपुट लौकिक अनुक्रम (temporal sequence) को अस्पष्ट कर देता है। यह सीमा एक संक्षिप्त, त्वरित घटना और एक निरंतर हार्मोनिक के बीच अंतर करना असंभव बनाती है, जो कि न्यूरोसाइंस (neuroscience) जैसे क्षेत्रों में अत्यंत महत्वपूर्ण है।
EEG विश्लेषण में शॉर्ट-टाइम फूरियर रूपांतरण (STFT) क्या है
STFT समय की समस्या का समाधान काफी प्रत्यक्ष रणनीति के साथ करता है। एक ही बार में पूरे EEG रिकॉर्डिंग पर फूरियर रूपांतरण चलाने के बजाय, यह सिग्नल को छोटे, लगातार खंडों में विभाजित करता है, जिन्हें अक्सर विंडो कहा जाता है, और प्रत्येक पर अलग से फूरियर रूपांतरण लागू करता है। प्रत्येक विंडो अपनी खुद की लघु आवृत्ति स्नैपशॉट बनाती है, और इन स्नैपशॉट को अनुक्रम में एक साथ जोड़ने से एक गतिशील चित्र बनता है कि समय के साथ आवृत्ति सामग्री कैसे बदलती है।
इस प्रक्रिया के आउटपुट को आमतौर पर स्पेक्ट्रोग्राम (spectrogram) के रूप में प्रदर्शित किया जाता है, जो एक दृश्य मानचित्र होता है जिसमें समय एक अक्ष पर और आवृत्ति दूसरी अक्ष पर चलती है। इस मानचित्र पर किसी भी दिए गए बिंदु पर रंग या तीव्रता उस क्षण उस आवृत्ति की शक्ति या ताकत को दर्शाती है। यह बिल्कुल वही मूल्य है जिसे प्रदान करने के लिए STFT विश्लेषण को डिज़ाइन किया गया है।
जैसा कि Zabidi et al. कहते हैं, STFT विश्लेषण “प्रत्येक समय बिंदु पर EEG सिग्नलों की आवृत्ति सामग्री को प्रकट करने” का काम करता है।
STFT में विंडो की लंबाई सबसे महत्वपूर्ण सेटिंग क्यों है
सिग्नल को विंडो में काटना आसान लगता है, लेकिन प्रत्येक विंडो के लिए चुनी गई लंबाई परिणामी स्पेक्ट्रोग्राम की गुणवत्ता और प्रामाणिकता के बारे में लगभग सब कुछ निर्धारित करती है। इस निर्णय में एक समझौता (trade-off) शामिल है जिसे टाला नहीं जा सकता, केवल प्रबंधित किया जा सकता है।
इसे इस तरह समझें: एक लंबी विंडो एक सटीक आवृत्ति रूलर की तरह काम करती है लेकिन एक धुंधली स्टॉपवॉच की तरह। क्योंकि इसमें अधिक डेटा बिंदु होते हैं, एक लंबी विंडो वास्तविक सटीकता के साथ बारीकी से दूरी वाली आवृत्तियों के बीच अंतर कर सकती है। लेकिन क्योंकि यह समय के लंबे दायरे में फैली होती है, उस विंडो के अंदर होने वाली कोई भी घटना धुंधली हो जाती है, और आप यह सटीक रूप से इंगित करने की क्षमता खो देते हैं कि कोई बदलाव कब हुआ था।
एक छोटी विंडो इस समझौते को उलट देती है। यह एक सटीक स्टॉपवॉच की तरह काम करती है लेकिन एक धुंधली आवृत्ति रूलर की तरह। यह आपको लगभग ठीक-ठीक बता सकती है कि कोई घटना कब हुई थी, लेकिन यह उन आवृत्तियों को अलग करने में संघर्ष करती है जो एक-दूसरे के करीब होती हैं, क्योंकि सिग्नल के एक छोटे टुकड़े में आवृत्ति को बारीक विवरण के साथ मापने के लिए पर्याप्त दोलन चक्र (oscillation cycles) नहीं होते हैं।
यह अनिश्चितता सिद्धांत (uncertainty principle) का एक रूप है जो सभी समय-आवृत्ति विश्लेषण (time-frequency analysis) को नियंत्रित करता है: आप एक ही क्षण में समय और आवृत्ति दोनों में पूर्ण रिज़ॉल्यूशन प्राप्त नहीं कर सकते। एक में सुधार हमेशा दूसरे की कीमत पर आता है। इस समझौते को हराने की कोशिश करने के बजाय इसे पहचानना, STFT के साथ काम करने का मुख्य कौशल है।
चूंकि विभिन्न EEG लय (rhythms) बहुत भिन्न गतियों से दोलन करती हैं, इसलिए कोई भी एकल विंडो लंबाई उन सभी के लिए अच्छी तरह से काम नहीं करती है। निम्नलिखित दिशानिर्देश व्यावहारिक अनुभवजन्य नियम हैं जो इस बात पर आधारित हैं कि ये लय आमतौर पर कैसा व्यवहार करती हैं:
डेल्टा तरंगें (लगभग 0.5 से 4 Hz): ये सबसे धीमी मस्तिष्क लय हैं, और मापी जा रही सबसे धीमी तरंग के कम से कम एक पूर्ण चक्र को कैप्चर करने के लिए एक विंडो को काफी लंबा होना चाहिए, जो अक्सर 1 से 2 सेकंड की सीमा में होता है। एक छोटी विंडो में तरंग की विशेषता बताने के लिए बस पर्याप्त भाग शामिल नहीं होगा।
थीटा और अल्फा लय (लगभग 4 से 13 Hz): एक मध्यम विंडो, जो अक्सर लगभग 500 मिलीसेकंड की होती है, एक व्यावहारिक संतुलन बनाती है। यह कई दोलन चक्रों को पकड़ने के लिए पर्याप्त लंबी है, जो लय को स्पष्ट रूप से परिभाषित करने में मदद करती है, जबकि यह सार्थक परिवर्तनों को ट्रैक करने के लिए पर्याप्त छोटी भी है, जैसे कि आंखें बंद होने पर अल्फा बस्ट का शुरू होना।
बीटा और गामा लय (लगभग 13 Hz से ऊपर): ये तेज लय तेजी से आगे बढ़ती हैं, इसलिए उनकी तेज गतिशीलता को ट्रैक करने के लिए एक छोटी विंडो, जो अक्सर 250 मिलीसेकंड या उससे कम होती है, आवश्यक हो जाती है। यहाँ नुकसान उच्च गामा रेंज के भीतर बारीकी से दूरी वाली आवृत्तियों के बीच सटीक रूप से अंतर करने की कम क्षमता है, जो ऊपर वर्णित उसी समझौते का प्रत्यक्ष परिणाम है।
STFT वास्तविक और काल्पनिक गतिविधि के बीच अंतर को कैसे प्रकट करता है
STFT का व्यावहारिक मूल्य मस्तिष्क-कंप्यूटर इंटरफ़ेस (BCI) अनुसंधान में सबसे स्पष्ट हो जाता है, जहां लक्ष्य मस्तिष्क की गतिविधि का सीधे किसी डिवाइस के लिए नियंत्रण सिग्नलों में अनुवाद करना है।
एक अच्छी तरह से अध्ययन किए गए उदाहरण में उस EEG की तुलना करना शामिल है जो तब रिकॉर्ड किया जाता है जब कोई व्यक्ति हाथ हिलाने की कल्पना करता है, उस EEG से जो पैर की गति की कल्पना करते समय रिकॉर्ड किया जाता है, या उस क्रिया के वास्तविक भौतिक संस्करण के विरुद्ध काल्पनिक कार्यों की तुलना करना शामिल है।
इन मोटर-संबंधित प्रतिमानों (motor-related paradigms) में, विश्लेषण का एक सामान्य लक्ष्य घटना-संबंधित डीसिंक्रोनाइजेशन (event-related desynchronization), या ERD नामक घटना है, जो गतिविधि से जुड़े मस्तिष्क के क्षेत्रों पर म्यू और बीटा लय श्रेणियों के भीतर सिग्नल पावर में गिरावट है। क्योंकि ERD एक निरंतर पृष्ठभूमि विशेषता के बजाय पावर में एक विशिष्ट, समय-बद्ध गिरावट है, यह बिल्कुल उसी प्रकार की घटना है जिसे संपूर्ण-रिकॉर्डिंग आवृत्ति सारांश मिटा देगा और जिसे एक समय-समाधानित (time-resolved) स्पेक्ट्रोग्राम कैप्चर कर सकता है।
Zabidi et al. का शोध अध्ययन, जिसने सीधे इस प्रश्न पर STFT लागू किया, वास्तविक हस्तलेखन (handwriting) और काल्पनिक हस्तलेखन के दौरान एकत्र किए गए EEG की जांच की। सिग्नल को पहले एक बैंडपास फ़िल्टर से गुजारा गया था जिसने विश्लेषण को 8 से 30 Hz रेंज तक सीमित कर दिया था, जिसमें मोटर गतिविधि के लिए सबसे प्रासंगिक अल्फा और बीटा लय शामिल थीं, इससे पहले कि STFT की गणना एक ट्यून की गई हैमिंग विंडो (Hamming window) के साथ की गई थी।
परिणाम एक प्रत्यक्ष, विशिष्ट खोज थी: “लिखने से प्राप्त EEG सिग्नलों के आवृत्ति घटक वही होते हैं जो काल्पनिक लेखन के दौरान प्राप्त होते हैं”।
व्यावहारिक शब्दों में, एक काल्पनिक क्रिया के दौरान मस्तिष्क का विद्युत लय पैटर्न वास्तविक भौतिक क्रिया के दौरान के पैटर्न से काफी मिलता-जुलता था, एक ऐसा सहसंबंध जो BCI प्रणालियों के पीछे के अधिकांश तर्क का आधार है जिसका उद्देश्य बिना किसी वास्तविक शारीरिक गति की आवश्यकता के इच्छित गति का पता लगाना है।
डीप लर्निंग मॉडल के लिए छवियां बनाने के लिए STFT का उपयोग करना
विजुअल निरीक्षण से परे, STFT द्वारा उत्पन्न स्पेक्ट्रोग्राम ने डीप लर्निंग सिस्टम में प्रीप्रोसेसिंग चरण के रूप में दूसरा जीवन पाया है, और विशेष रूप से कनवोल्यूशनल न्यूरल नेटवर्क (CNNs) में, जो मूल रूप से छवियों में पैटर्न को पहचानने के लिए बनाया गया एक प्रकार का मॉडल है। चूंकि एक स्पेक्ट्रोग्राम अनिवार्य रूप से समय और आवृत्ति पर शक्ति दिखाने वाली एक रंगीन छवि है, शोधकर्ताओं का मानना है कि इसे सीधे एक छवि-आधारित डीप लर्निंग मॉडल को सौंपा जा सकता है, जो तब डेटा में छिपी संरचना का पता लगा सकता है जिसे मैन्युअल रूप से निर्दिष्ट करना कठिन है।
एक 2019 के अध्ययन ने मोटर इमेजरी कार्य से EEG रिकॉर्डिंग्स को, जिसमें दाएं हाथ की गति को दाएं पैर की गति से अलग किया गया था, STFT और एक वैकल्पिक समय-आवृत्ति दृष्टिकोण दोनों का उपयोग करके छवियों में बदल दिया, फिर छवियों के दोनों सेटों को एक पूर्व-प्रशिक्षित CNN आर्किटेक्चर में फीड किया।
दोनों दृष्टिकोणों में प्रदर्शन मजबूत था, जिसमें समग्र पाइपलाइन 99.35% वर्गीकरण सटीकता तक पहुंच गई, जिसे मौजूदा तुलनीय तरीकों में सबसे सर्वश्रेष्ठ स्कोर के रूप में वर्णित किया गया है। हालांकि, जब उसी अध्ययन के भीतर दोनों छवि-उत्पादन विधियों की सीधे एक-दूसरे से तुलना की गई, तो परिणाम समान नहीं थे: “CWT दृष्टिकोण STFT दृष्टिकोण की तुलना में बेहतर परिणाम देता है”, जो एक वास्तविक, मापे गए समझौते को इंगित करता है कि प्रत्येक विधि ने अंतर्निहित EEG सिग्नल का एक प्रयोग करने योग्य छवि में कितनी ईमानदारी से अनुवाद किया।
यह समझौता कथित तौर पर एक अलग पद्धतिगत विकास के पीछे प्रेरक समस्या थी। शोधकर्ताओं ने एक ऐसा विकास किया जिसे उन्होंने एंकर-STFT (anchored-STFT) कहा, जिसे “STFT का एक उन्नत संस्करण माना गया, क्योंकि यह STFT द्वारा प्रस्तुत लौकिक और वर्णक्रमीय रिज़ॉल्यूशन (temporal and spectral resolution) के बीच के समझौते को न्यूनतम करता है”।
एक एडवरसेरियल डेटा ऑग्मेंटेशन विधि (adversarial data augmentation method) के साथ जोड़ी गई इस उन्नत पाइपलाइन ने कई BCI डेटासेट में लगभग 69% से लेकर 90% से अधिक तक की वर्गीकरण सटीकता दर्ज की, जो इस पैटर्न को सुदृढ़ करती है कि सादा STFT वास्तव में एक सक्षम विशेषता निष्कर्षण उपकरण के रूप में काम कर सकता है, लेकिन एक ऐसा उपकरण जिसकी ज्ञात रिज़ॉल्यूशन सीमाएं सुधार के लिए जगह बनाती हैं, चाहे पैरामीटर ट्यूनिंग के माध्यम से, तकनीक के ही एक उन्नत संस्करण के माध्यम से, या पूरी तरह से भिन्न समय-आवृत्ति दृष्टिकोण के माध्यम से।
जब STFT विफल हो जाता है: फिक्स्ड-रिज़ॉल्यूशन की समस्या
ऊपर चर्चा की गई समझौता केंद्रीय सीमा है जिसे STFT का उपयोग करने वाले किसी भी शोधकर्ता को स्पेक्ट्रोग्राम से निष्कर्ष निकालने से पहले गंभीर रूप से तौलने की आवश्यकता होती है।
एक बार जब विंडो की लंबाई चुन ली जाती है, मान लीजिए 500 मिलीसेकंड, तो वही विंडो विश्लेषण किए जा रहे पूरे आवृत्ति स्पेक्ट्रम पर समान रूप से लागू होती है, चाहे शोधकर्ता धीमी 2 Hz डेल्टा गतिविधि को देख रहा हो या तेज 100 Hz गामा गतिविधि को। विंडो खुद को समायोजित नहीं करती है। पहले वर्णित समय-आवृत्ति समझौता पूरे विश्लेषण के लिए एक ही सेटिंग पर लॉक हो जाता है, भले ही विभिन्न लय आदर्श रूप से विभिन्न सेटिंग्स से लाभान्वित होंगी।
यह निश्चित प्रकृति ही STFT को अनुकूली तकनीकों (adaptive techniques) की एक श्रेणी, जैसे कि वेवलेट-आधारित विधियों से अलग करती है। प्रत्येक आवृत्ति के लिए एक ही विंडो आकार को लॉक करने के बजाय, अनुकूली विधियां प्रभावी रूप से कम आवृत्तियों के लिए लंबी विंडो और उच्च आवृत्तियों के लिए छोटी विंडो का उपयोग करती हैं, पूरे सिग्नल के लिए एक समझौते पर प्रतिबद्ध होने के बजाय एक ही विश्लेषण के भीतर आवश्यकतानुसार रिज़ॉल्यूशन को समायोजित करती हैं।
उदाहरण के लिए, Wang et al. के नेतृत्व में किए गए एक अध्ययन में एक अनुकूली समय-आवृत्ति विधि विकसित की गई, जिसमें बताया गया कि इसका दृष्टिकोण “STFT और CWT की तुलना में इष्टतम समय-आवृत्ति रिज़ॉल्यूशन प्रदान कर सकता है”, स्पष्ट रूप से STFT को उस बेसलाइन के रूप में नामित किया गया जिससे बेहतर प्रदर्शन किया गया।
इलाज से पहले के EEG डेटा से मेजर डिप्रेसिव डिसऑर्डर में एंटीडिप्रेसेंट उपचार के परिणामों की भविष्यवाणी करने वाले एक अलग नैदानिक अनुप्रयोग में, शोधकर्ताओं ने वेवलेट-आधारित दृष्टिकोण की सीधे STFT और एक अन्य अपघटन (decomposition) विधि से तुलना की, और बताया कि “WT विश्लेषण ने तुलना की गई तकनीकों में उच्चतम वर्गीकरण सटीकता दिखाई है”, जो विकल्पों की तुलना में 87.5% सटीकता तक पहुंच गई।
एक EEG स्पेक्ट्रोग्राम बनाने और उसका मूल्यांकन करने के लिए चरण-दर-चरण कार्यप्रवाह
इन शक्तियों और सीमाओं को देखते हुए, एक अनुशासित कार्यप्रवाह यह सुनिश्चित करने में मदद करता है कि STFT को उचित रूप से लागू किया जाए और उसके आउटपुट की ईमानदारी से व्याख्या की जाए।
चरण 1: डेटा को छूने से पहले प्रश्न को परिभाषित करें। क्या लक्ष्य एक तेज, संक्षिप्त गामा विस्फोट का पता लगाना है, या मिनटों में डेल्टा पावर में धीमी गिरावट को ट्रैक करना है? उत्तर यह निर्धारित करता है कि विंडो-लंबाई समझौते का कौन सा सिरा सबसे अधिक मायने रखता है।
चरण 2: लक्षित लय से मेल खाती एक प्रारंभिक विंडो लंबाई का चयन करें। शुरुआती बिंदु के रूप में ऊपर दिए गए व्यावहारिक दिशानिर्देशों का उपयोग करें, डेल्टा के लिए लंबी विंडो, थीटा और अल्फा के लिए मध्यम विंडो, बीटा और गामा के लिए छोटी विंडो। इसे ओवरलैपिंग विंडो योजना के साथ जोड़ें, जो आमतौर पर लगातार विंडो के बीच 50% और 90% ओवरलैप के बीच होती है, जो परिणामी स्पेक्ट्रोग्राम को सुचारू बनाती है और समय के थक्कों के बीच कृत्रिम अंतराल की उपस्थिति को कम करती है।
चरण 3: स्पेक्ट्रोग्राम जेनरेट करें और उसका गंभीर रूप से निरीक्षण करें। क्या चुनी गई विंडो लंबाई रुचि की तेज लय के लिए एक स्पष्ट, तीव्र शुरुआत दिखाती है, या घटना आवश्यकता से अधिक समय तक धुंधली दिखाई देती है? क्या स्पेक्ट्रोग्राम स्पष्ट रूप से एक अल्फा पीक को पड़ोसी थीटा पीक से अलग कर सकता है, या दोनों लय एक दूसरे में मिल जाती हैं? ये विज़ुअल जांच इस बात का प्रत्यक्ष, व्यावहारिक परीक्षण हैं कि क्या चुनी गई विंडो लंबाई डेटा के लिए उपयुक्त थी।
चरण 4: परिणाम को केवल एक संभावित दृष्टिकोण के रूप में मानें, अंतिम निर्णय नहीं। एक नकारात्मक खोज, जैसे कि दो प्रयोगात्मक समूहों के बीच कोई मापने योग्य गामा अंतर नहीं होना, प्रभाव की वास्तविक अनुपस्थिति को दर्शा सकता है, या यह केवल चुनी गई विशिष्ट STFT विंडो की रिज़ॉल्यूशन सीमाओं को दर्शा सकता है। किसी अस्पष्ट या महत्वपूर्ण खोज की पुष्टि के लिए एक उचित अगला कदम क्रॉस-चेक के रूप में एक अनुकूली विधि का उपयोग करके उसी डेटा का पुन: विश्लेषण करना है।
मस्तिष्क की लय कब सक्रिय होती है, इसे ट्रैक करना नए Insight क्यों खोलता है
मस्तिष्क की गतिविधि समयबद्ध घटनाओं का एक क्रम है, और उस समय को पुनः प्राप्त करना एक सपाट रिकॉर्डिंग को मानसिक स्थितियों के बदलने के वास्तविक समय के विवरण में बदल देता है। एकल आवृत्ति सारांश से पल-पल के मानचित्र पर जाकर, शोधकर्ता विशिष्ट विचारों, इरादों या संवेदनाओं को सीधे मस्तिष्क की उन लय से जोड़ सकते हैं जो उनके साथ होती हैं। यही वह बदलाव है जो EEG को एक स्थिर माप से एक ऐसे उपकरण में बदल देता है जो मस्तिष्क-कंप्यूटर इंटरफेस का समर्थन कर सकता है और डीप लर्निंग मॉडल में फीड कर सकता है जो मानसिक पैटर्न को पहचानना सीखते हैं।
विधि का निश्चित-रिज़ॉल्यूशन समझौता एक व्यापक सबक देता है: प्रत्येक विश्लेषणात्मक विकल्प कुछ सच्चाइयों को उजागर करता है जबकि संभावित रूप से दूसरों को धुंधला कर देता है, इसलिए कोई भी एकल परिणाम पूरी कहानी नहीं बताता है। इसके लिए अन्य दृष्टिकोणों के साथ क्रॉस-चेकिंग की आवश्यकता होती है जब निष्कर्ष मायने रखते हैं, और यह इस बात को पुष्ट करता है कि मस्तिष्क के विद्युत पैटर्न—जैसे काल्पनिक और वास्तविक गतिविधि के बीच देखी गई करीबी समानता—गहरे स्तर पर जुड़े होते हैं। वह अंतर्निहित समानता इस विचार का समर्थन करती है कि मस्तिष्क उन्हीं लयबद्ध हस्ताक्षरों का उपयोग करके क्रियाओं का पूर्वाभ्यास करता है जिनका उपयोग वह उन्हें करने में करता है।
संदर्भ
Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284
Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645
Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w
Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109
Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409
अक्सर पूछे जाने वाले प्रश्न
EEG विश्लेषण में शॉर्ट-टाइम फूरियर रूपांतरण (STFT) क्या है?
शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT) कच्चे EEG सिग्नल को छोटी, लगातार समय खिड़कियों (time windows) में विभाजित करता है और प्रत्येक के लिए एक आवृत्ति स्पेक्ट्रम की गणना करता है। इन स्नैपशॉट को क्रम में व्यवस्थित करने से एक गतिशील चित्र बनता है, जिसे स्पेक्ट्रोग्राम कहा जाता है, जो दिखाता है कि विभिन्न मस्तिष्क लय की शक्ति क्षण-दर-क्षण कैसे बदलती है।
मैं EEG रिकॉर्डिंग पर केवल एक नियमित फूरियर रूपांतरण का उपयोग क्यों नहीं कर सकता?
एक बुनियादी फूरियर रूपांतरण पूरी रिकॉर्डिंग को उसके घटक आवृत्तियों में तोड़ देता है लेकिन सभी समय की जानकारी को मिटा देता है, इसलिए आप जानते हैं कि कुल मिलाकर कौन सी लय मौजूद थीं लेकिन यह नहीं कि वे कब दिखाई दीं। STFT छोटे खंडों का अलग-अलग विश्लेषण करके उस समय को पुनः प्राप्त करता है, जिससे आप देख सकते हैं कि अल्फा का विस्फोट या बीटा शक्ति में गिरावट वास्तव में कब हुई थी।
एक स्पेक्ट्रोग्राम क्या दिखाता है?
एक स्पेक्ट्रोग्राम एक दृश्य मानचित्र है जिसमें एक अक्ष पर समय, दूसरे पर आवृत्ति होती है, और रंग या चमक उस क्षण प्रत्येक आवृत्ति की शक्ति का प्रतिनिधित्व करती है। यह EEG को एक सपाट सारांश से मस्तिष्क की विद्युत गतिविधि के संगीत स्कोर जैसी चीज में बदल देता है।
विंडो की लंबाई इतनी महत्वपूर्ण क्यों है?
लंबी विंडो सटीक आवृत्ति जानकारी देती हैं लेकिन घटनाओं के सटीक समय को धुंधला कर देती हैं, जबकि छोटी विंडो समय को अच्छी तरह से इंगित करती हैं लेकिन बारीकी से दूरी वाली आवृत्तियों को आपस में मिला देती हैं। इस अपरिहार्य समझौते का मतलब है कि विंडो की लंबाई का चुनाव सीधे आकार देता है कि एक स्पेक्ट्रोग्राम क्या प्रकट कर सकता है और यह क्या छिपाएगा।
विभिन्न मस्तिष्क लय के लिए शुरुआती बिंदु के रूप में कौन सी विंडो लंबाई अच्छी है?
बहुत धीमी डेल्टा लय के लिए, पूर्ण चक्रों को पकड़ने के लिए लगभग एक से दो सेकंड की लंबी विंडो की आवश्यकता होती है। थीटा और अल्फा लय अक्सर लगभग आधा सेकंड की विंडो से अच्छी तरह से काम करती हैं, और तेज बीटा और गामा लय को उनके त्वरित परिवर्तनों को ट्रैक करने के लिए लगभग एक चौथाई सेकंड या उससे कम की छोटी विंडो की आवश्यकता होती है।
STFT वास्तविक और काल्पनिक गतिविधि के बीच समानताएं कैसे प्रकट कर सकता है?
STFT म्यू और बीटा बैंड में घटना-संबंधित डीसिंक्रोनाइजेशन नामक पावर में समय-बद्ध गिरावट को कैप्चर करता है, जो तब होता है जब कोई व्यक्ति हिलता है और जब वे मानसिक रूप से उसी गतिविधि की कल्पना करते हैं। वास्तविक और काल्पनिक मोटर कार्यों के स्पेक्ट्रोग्राम लगभग समान आवृत्ति पैटर्न दिखा सकते हैं, जो मस्तिष्क-कंप्यूटर इंटरफेस के तर्क का समर्थन करते हैं।
क्या STFT का उपयोग डीप लर्निंग मॉडल के साथ किया जा सकता?
हाँ, STFT द्वारा उत्पन्न स्पेक्ट्रोग्राम छवियों को सीधे छवि पहचान के लिए डिज़ाइन किए गए कनवोल्यूशनल न्यूरल नेटवर्क में फीड किया जा सकता है। ये मॉडल समय-आवृत्ति पैटर्न से मस्तिष्क की स्थितियों को अलग करना सीख सकते हैं, अक्सर मोटर-इमेजरी का पता लगाने जैसे कार्यों में बहुत उच्च वर्गीकरण सटीकता प्राप्त करते हैं।
अन्य समय-आवृत्ति विधियों की तुलना में STFT की मुख्य सीमा क्या है?
STFT सभी आवृत्तियों के लिए एक ही विंडो आकार में लॉक हो जाता है, जिसका अर्थ है कि यह एक ही समय में तेज लहरों के लिए तीव्र समय विवरण और धीमी तरंगों के लिए सूक्ष्म आवृत्ति विवरण दोनों नहीं दे सकता है। अनुकूली तकनीकें जैसे कि वेवलेट्स आवृत्ति के साथ प्रभावी विंडो लंबाई को बदलती हैं, जिससे अक्सर सीधे तुलना में बेहतर रिज़ॉल्यूशन और उच्च वर्गीकरण प्रदर्शन होता है।
EEG डेटा पर STFT का उपयोग करते समय एक अच्छा चरण-दर-चरण दृष्टिकोण क्या है?
एक प्रारंभिक विंडो लंबाई को उस लय से मिलाना शुरू करें जिसकी आप परवाह करते हैं, स्पेक्ट्रोग्राम को सुचारू करने के लिए ओवरलैपिंग विंडो का उपयोग करें, और परिणाम का निरीक्षण करके देखें कि क्या घटनाएं तेजी से समयबद्ध दिखती हैं या धुंधली। यदि निष्कर्ष महत्वपूर्ण है, तो एक अनुकूली विधि के साथ डेटा को क्रॉस-चेक करने पर विचार करें क्योंकि एक एकल STFT सेटिंग केवल एक प्रकार के रिज़ॉल्यूशन का पक्ष ले सकती 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
