एक बुनियादी फूरियर ट्रांसफॉर्म (Fourier Transform), जो किसी सिग्नल को उसकी घटक आवृत्तियों में विभाजित करने का क्लासिक गणितीय उपकरण है, आपको यह बता सकता है कि पूरे रिकॉर्डिंग में कहीं न कहीं कौन सी मस्तिष्क तरंगें मौजूद थीं। लेकिन यह आपको यह नहीं बता सकता कि वे कब घटित हुईं। जब कोई अपनी आँखें बंद करता है, तो उसी क्षण दिखाई देने वाली अल्फा गतिविधि का एक छोटा सा उभार (burst) एक अर्थपूर्ण, समयबद्ध घटना होती है।
दस मिनट की रिकॉर्डिंग में फैले एक एकल आवृत्ति सारांश में औसत किए जाने पर, वह उभार एक आंकड़ा बन 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 यही वह 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 जटिल सिग्नलों को शुद्ध साइनसॉइड्स के योग में प्रभावी ढंग से विघटित करता है। अनंत समय में एकीकृत करके, यह रिकॉर्डिंग में मौजूद कुल आवृत्ति सामग्री को प्रकट करता है।
हालाँकि, यह विधि मानती है कि सिग्नल स्थिर है; यदि आवृत्ति संरचना समय के साथ बदलती है, तो विशिष्ट आउटपुट लौकिक अनुक्रम 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 जैसे क्षेत्रों में महत्वपूर्ण है।
EEG विश्लेषण में शॉर्ट-टाइम फूरियर रूपांतरण क्या है?
STFT काफी प्रत्यक्ष रणनीति के साथ समय की समस्या का समाधान करता है। एक ही बार में संपूर्ण EEG रिकॉर्डिंग पर फूरियर रूपांतरण चलाने के बजाय, यह सिग्नल को छोटे, लगातार खंडों में विभाजित करता है, जिन्हें अक्सर विंडोज़ कहा जाता है, और प्रत्येक पर अलग से फूरियर रूपांतरण लागू करता है। प्रत्येक विंडो अपनी खुद की लघु आवृत्ति स्नैपशॉट उत्पन्न करती है, और इन स्नैपशॉट को अनुक्रम में एक साथ जोड़ने से समय के साथ आवृत्ति सामग्री कैसे बदलती है, इसका एक गतिशील चित्र बनता है।
इस प्रक्रिया के आउटपुट को आमतौर पर स्पेक्ट्रोग्राम (spectrogram) के रूप में प्रदर्शित किया जाता है, जो एक अक्ष पर समय और दूसरे अक्ष पर आवृत्ति वाला एक दृश्य मानचित्र है। इस मानचित्र पर किसी भी दिए गए बिंदु पर रंग या तीव्रता उस क्षण उस आवृत्ति की शक्ति या ताकत का प्रतिनिधित्व करती है। यह बिल्कुल वही मूल्य है जिसे प्रदान करने के लिए STFT विश्लेषण डिज़ाइन किया गया है।
जैसा कि ज़बीदी और अन्य कहते हैं, STFT विश्लेषण "प्रत्येक समय बिंदु पर EEG सिग्नलों की आवृत्ति सामग्री को प्रकट करने" के लिए काम करता है।
STFT में विंडो की लंबाई सबसे महत्वपूर्ण सेटिंग क्यों है
सिग्नल को विंडोज़ में विभाजित करना आसान लगता है, लेकिन प्रत्येक विंडो के लिए चुनी गई लंबाई परिणामी स्पेक्ट्रोग्राम की गुणवत्ता और प्रामाणिकता के बारे में लगभग सब कुछ तय करती है। इस निर्णय में एक समझौता शामिल है जिससे बचा नहीं जा सकता, केवल प्रबंधित किया जा सकता है।
इसे इस तरह सोचें: 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 में अंतर कर सकती है। लेकिन क्योंकि यह समय के लंबे हिस्से तक फैली होती है, इसलिए उस विंडो के भीतर होने वाली कोई भी घटना धुंधली हो जाती है, और आप सटीक रूप से यह इंगित करने की क्षमता खो देते हैं कि कब कुछ बदला।
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, लेकिन यह उन आवृत्तियों को अलग करने में संघर्ष करती है जो एक-दूसरे के करीब स्थित हैं, क्योंकि सिग्नल के एक छोटे टुकड़े में आवृत्ति को सटीक विवरण के साथ मापने के लिए पर्याप्त दोलन चक्र नहीं होते हैं।
यह एक अनिश्चितता सिद्धांत का संस्करण है जो सभी समय-आवृत्ति विश्लेषण को संचालित करता है: आप एक ही क्षण में समय और आवृत्ति दोनों में पूर्ण रिज़ॉल्यूशन प्राप्त नहीं कर सकते। एक में सुधार हमेशा दूसरे की कुछ 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 बहुत अलग-अलग गतियों पर दोलन करती हैं, इसलिए कोई भी एक विंडो लंबाई उन सभी के लिए अच्छी तरह से काम नहीं करती है। निम्नलिखित दिशानिर्देश व्यावहारिक अनुमान हैं जो इस बात से लिए गए हैं कि ये लय आमतौर पर कैसे 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 का पर्याप्त लंबा होना आवश्यक है, जो अक्सर 1 से 2 सेकंड की सीमा में होता है। एक छोटी विंडो में उस तरंग की विशेषताओं को दर्शाने के लिए बस पर्याप्त भाग शामिल नहीं होगा।
थीटा और अल्फा लय (लगभग 4 से 13 Hz): एक मध्यवर्ती विंडो, जो अक्सर 500 मिलीसेकंड के आसपास होती है, एक व्यावहारिक संतुलन बनाने में मदद करती है। यह कई दोलन चक्रों को कैप्चर करने के लिए पर्याप्त लंबी है, जो लय को स्पष्ट रूप से परिभाषित करने में मदद करती है, जबकि सार्थक परिवर्तनों को ट्रैक करने के लिए पर्याप्त छोटी भी है, जैसे कि आँखें बंद होने पर अल्फा बस्ट का शुरू होना।
बीटा और गामा लय (लगभग 13 Hz से ऊपर): ये तेज़ लय तेजी से आगे बढ़ती हैं, इसलिए उनकी तीव्र 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 क्षमता का कम होना 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, जहाँ लक्ष्य मस्तिष्क गतिविधि को सीधे किसी डिवाइस के लिए नियंत्रण सिग्नलों में अनुवादित करना होता है।
एक अच्छी तरह से अध्ययन किए गए उदाहरण में उस EEG की तुलना शामिल है जो तब रिकॉर्ड किया जाता है जब कोई व्यक्ति हाथ हिलाने की कल्पना करता है और उस EEG की तुलना जो पैर हिलाने की कल्पना करते समय किया जाता है, या उस क्रिया के वास्तविक भौतिक संस्करण के खिलाफ काल्पनिक क्रियाओं की तुलना करना।
इन मोटर-संबंधित प्रतिमानों में, विश्लेषण का एक सामान्य लक्ष्य घटना-संबंधित विसंक्रमण (event-related desynchronization), या ERD नामक घटना है, जो आंदोलन से जुड़े मस्तिष्क के क्षेत्रों पर म्यू और बीटा लय सीमाओं के भीतर सिग्नल शक्ति में गिरावट है। क्योंकि ERD एक निरंतर पृष्ठभूमि विशेषता के बजाय शक्ति में एक विशिष्ट, समय-बद्ध गिरावट है, यह बिल्कुल वैसी घटना है जिसे एक संपूर्ण-रिकॉर्डिंग आवृत्ति सारांश मिटा देगा और जिसे एक समय-समाधित स्पेक्ट्रोग्राम कैप्चर कर सकता है।
ज़बीदी और अन्य के शोध अध्ययन में, जिसने सीधे इस प्रश्न पर STFT लागू किया, वास्तविक हस्तलेखन के दौरान और काल्पनिक हस्तलेखन के दौरान एकत्र किए गए EEG की जांच की गई। सिग्नल को पहले एक बैंडपास फ़िल्टर के माध्यम से पारित किया गया था जो विश्लेषण को 8 से 30 Hz सीमा तक सीमित करता था, जिसमें मोटर गतिविधि के लिए सबसे प्रासंगिक अल्फा और बीटा लय शामिल थे, इससे पहले कि STFT की गणना एक ट्यूनेड हैमिंग विंडो के साथ की गई थी।
इसका परिणाम एक सीधा, विशिष्ट निष्कर्ष था: "लेखन 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 पैटर्न के काफी समान था, एक ऐसा संबंध जो BCI प्रणालियों के पीछे के अधिकांश तर्क का आधार है जिसका उद्देश्य बिना किसी वास्तविक शारीरिक गति के इच्छित आंदोलन का पता लगाना है।
डीप लर्निंग मॉडल के लिए छवियां बनाने के लिए STFT का उपयोग करना
दृश्य निरीक्षण से परे, STFT द्वारा उत्पन्न स्पेक्ट्रोग्राम ने डीप लर्निंग सिस्टम में और विशेष रूप से कनवोल्यूशनल न्यूरल नेटवर्क (CNNs) में एक प्रीप्रोसेसिंग चरण के रूप में दूसरा जीवन पाया है, जो मूल रूप से छवियों में पैटर्न की पहचान करने के लिए बनाया गया एक 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 दाहिने हाथ को दाहिने पैर की गति से अलग करते हुए, एक मोटर इमेजरी कार्य से EEG रिकॉर्डिंग को 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 का प्रदर्शन मजबूत था, जिसमें समग्र पाइपलाइन 99.35% वर्गीकरण सटीकता तक पहुँच गई, जिसे मौजूदा तुलनीय तरीकों में सबसे अच्छा स्कोर बताया गया। हालाँकि, 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 की ओर इशारा करता है कि कैसे प्रत्येक विधि ने अंतर्निहित EEG सिग्नल को एक उपयोगी छवि में अनुवादित किया।
यह समझौता कथित तौर पर एक अलग पद्धतिगत विकास के पीछे प्रेरक समस्या थी। शोधकर्ताओं ने वह बनाया जिसे उन्होंने एंकर-STFT (anchored-STFT) कहा, जिसे "STFT का एक उन्नत संस्करण माना गया, क्योंकि यह STFT द्वारा प्रस्तुत लौकिक और वर्णक्रमीय रिज़ॉल्यूशन के बीच समझौते को कम करता है"।
एक प्रतिकूल डेटा संवर्धन पद्धति के साथ मिलकर, इस उन्नत पाइपलाइन ने कई BCI डेटासेट में लगभग 69% से लेकर 90% से अधिक की वर्गीकरण सटीकता दर्ज की, जिससे इस पैटर्न को बल मिला कि सामान्य STFT वास्तव में एक सक्षम विशेषता निष्कर्षण उपकरण के रूप में कार्य कर सकता है, लेकिन जिसकी ज्ञात रिज़ॉल्यूशन सीमाएं संशोधन के लिए गुंजाइश बनाती हैं, चाहे पैरामीटर ट्यूनिंग के माध्यम से, तकनीक का ही एक उन्नत संस्करण, या एक पूरी तरह से अलग समय-आवृत्ति दृष्टिकोण हो।
जब STFT विफल हो जाता है: फिक्स्ड-रिज़ॉल्यूशन की समस्या
ऊपर चर्चा की गई समझौता ही 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 है।
एक बार जब विंडो की लंबाई चुन ली जाती है, मान लीजिए 500 मिलीसेकंड, तो वही विंडो विश्लेषण की जा रही पूरी 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 होंगे।
यह निश्चित प्रकृति ही STFT को अनुकूली तकनीकों की एक श्रेणी से अलग करती है, जैसे कि वेवलेट-आधारित तरीके। प्रत्येक आवृत्ति के लिए एक विंडो आकार लॉक करने के बजाय, अनुकूली तरीके प्रभावी रूप से कम आवृत्तियों के लिए लंबी विंडोज़ और उच्च आवृत्तियों के लिए छोटी विंडोज़ का उपयोग करते हैं, एक ही विश्लेषण के भीतर आवश्यकतानुसार रिज़ॉल्यूशन को समायोजित करते हैं, न कि पूरे सिग्नल के लिए एक समझौते के लिए प्रतिबद्ध होते हैं।
उदाहरण के लिए, वांग और अन्य 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 आधार रेखा के रूप में नामित किया गया जिसे पीछे छोड़ दिया गया।
प्रीट्रीटमेंट EEG डेटा से मेजर डिप्रेसिव डिसऑर्डर में एंटीडिप्रेसेंट उपचार के परिणामों की भविष्यवाणी करने वाले एक अलग नैदानिक अनुप्रयोग में, शोधकर्ताओं ने सीधे STFT और एक अन्य अपघटन विधि के खिलाफ वेवलेट-आधारित दृष्टिकोण की तुलना की, और बताया कि तुलना की गई तकनीकों में "WT विश्लेषण ने उच्चतम वर्गीकरण सटीकता दिखाई है", जो विकल्पों की तुलना में 87.5% सटीकता तक पहुँच गई।
एक EEG स्पेक्ट्रोग्राम उत्पन्न करने और उसका मूल्यांकन करने के लिए चरण-दर-चरण वर्कफ़्लो
इन शक्तियों और सीमाओं को देखते हुए, एक अनुशासित वर्कफ़्लो यह सुनिश्चित करने में मदद करता है कि STFT को उचित रूप से लागू किया गया है और इसके आउटपुट की ईमानदारी से व्याख्या की गई है।
चरण 1: डेटा को छूने से पहले प्रश्न को परिभाषित करें। क्या लक्ष्य एक त्वरित, संक्षिप्त गामा फटने का पता लगाना है, या मिनटों में डेल्टा शक्ति में धीमी गिरावट को ट्रैक करना है? इसका उत्तर यह निर्धारित करता है कि विंडो-लंबाई समझौते का कौन सा सिरा सबसे अधिक मायने रखता है।
चरण 2: लक्ष्य 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 विंडोज़, थीटा और अल्फा के लिए मध्यवर्ती विंडोज़, बीटा और गामा के लिए छोटी विंडोज़। इसे एक ओवरलैपिंग विंडो योजना के साथ जोड़ें, जो आमतौर पर लगातार विंडोज़ के बीच 50% और 90% ओवरलैप के बीच होती है, जो परिणामी स्पेक्ट्रोग्राम को सुचारू बनाती है और समय के अंशों के बीच कृत्रिम अंतराल की उपस्थिति को कम करती है।
चरण 3: स्पेक्ट्रोग्राम उत्पन्न करें और इसका गंभीर रूप से निरीक्षण करें। क्या चुनी गई विंडो की लंबाई रुचि की तीव्र लय के लिए एक स्पष्ट, तीक्ष्ण शुरुआत दिखाती है, या क्या घटना समय के व्यापक हिस्से में धुंधली दिखती है जितना उसे होना चाहिए? क्या स्पेक्ट्रोग्राम स्पष्ट रूप से एक अल्फा शिखर को पड़ोसी थीटा शिखर से अलग कर सकता है, या क्या दोनों लय एक-दूसरे में विलीन हो जाती हैं? ये दृश्य जांच इस बात का प्रत्यक्ष, व्यावहारिक परीक्षण हैं कि क्या चुनी गई विंडो की लंबाई डेटा के लिए उपयुक्त थी।
चरण 4: परिणाम को कई संभावित दृश्यों में से एक दृश्य के रूप में मानें, न कि अंतिम निर्णय। एक नकारात्मक खोज, जैसे कि दो प्रयोगात्मक समूहों के बीच कोई औसत दर्जे का 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 करने से नए Insight क्यों अनलॉक होते हैं
मस्तिष्क की गतिविधि समयबद्ध घटनाओं का एक क्रम है, और उस समय को पुनः प्राप्त करना एक सपाट रिकॉर्डिंग को मानसिक स्थितियों को बदलने वाले वास्तविक समय के विवरण में बदल देता है। एकल आवृत्ति विनिर्देश से क्षण-दर-क्षण मानचित्र पर जाकर, शोधकर्ता विशिष्ट विचारों, इरादों या संवेदनाओं को सीधे उनके साथ आने वाली मस्तिष्क लय से जोड़ सकते हैं। यह बदलाव वही 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 को फीड कर सकता है जो मानसिक पैटर्न को पहचानना सीखते हैं।
विधि की निश्चित-रिज़ॉल्यूशन सीमा एक व्यापक सबक देती है: प्रत्येक विश्लेषणात्मक विकल्प कुछ वास्तविकताओं को उजागर करता है जबकि संभावित रूप से दूसरों को धुंधला करता है, इसलिए कोई भी एकल परिणाम पूरी कहानी नहीं बताता है। महत्वपूर्ण निष्कर्ष होने पर यह अन्य दृष्टिकोणों के साथ क्रॉस-चेकिंग की मांग करता है, और यह इस बात को पुष्ट करता है कि मस्तिष्क के विद्युत पैटर्न—जैसे काल्पनिक और वास्तविक आंदोलन के बीच घनिष्ठ मेल—गहरे स्तरों पर आधारित हैं। वह अंतर्निहित समानता इस विचार का समर्थन करती है कि मस्तिष्क उन्हीं लयबद्ध हस्ताक्षरों का उपयोग करके क्रियाओं का अभ्यास करता है जिनका उपयोग वह उन्हें निष्पादित करने के लिए 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 क्या है?
शॉर्ट-टाइम फूरियर रूपांतरण (STFT) कच्चे EEG सिग्नल को छोटी, लगातार समय खिड़कियों में विभाजित करता है और प्रत्येक के लिए एक आवृत्ति स्पेक्ट्रम की गणना करता है। इन स्नैपशॉटों को क्रम से संरेखित करने से एक गतिशील चित्र बनता है, जिसे स्पेक्ट्रोग्राम कहा जाता है, जो दिखाता है कि विभिन्न मस्तिष्क लयों की शक्ति क्षण-दर-क्षण कैसे बदलती है।
क्या मैं EEG रिकॉर्डिंग पर केवल एक नियमित फूरियर रूपांतरण का उपयोग 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 से विश्लेषण करके उस समय को पुनर्प्राप्त करता है, जिससे आप देख सकते हैं कि वास्तव में अल्फा का बढ़ना या बीटा शक्ति में गिरावट कब हुई थी।
एक स्पेक्ट्रोग्राम क्या दिखाता है?
एक स्पेक्ट्रोग्राम एक अक्ष पर समय, दूसरे पर आवृत्ति, और उस क्षण प्रत्येक आवृत्ति की शक्ति का प्रतिनिधित्व करने वाले रंग या चमक के साथ एक दृश्य मानचित्र है। यह EEG को एक सपाट सारांश से मस्तिष्क की विद्युत गतिविधि के संगीत स्कोर जैसी चीज़ में बदल देता है।
विंडो की लंबाई इतनी महत्वपूर्ण क्यों है?
लंबी विंडोज़ सटीक आवृत्ति जानकारी देती हैं लेकिन घटनाओं के सटीक समय को धुंधला कर देती हैं, जबकि छोटी विंडोज़ समय को अच्छी तरह से इंगित करती हैं लेकिन बारीकी से दूरी वाली आवृत्तियों को एक साथ 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 क्या छिपाएगा।
विभिन्न मस्तिष्क लयों के लिए एक अच्छा प्रारंभिक बिंदु कौन सी विंडो लंबाई है?
बहुत धीमी डेल्टा लय के लिए, पूर्ण चक्रों को कैप्चर करने के लिए एक से दो सेकंड के आसपास एक लंबी विंडो की आवश्यकता होती है। थीटा और अल्फा लय अक्सर लगभग आधे सेकंड की विंडो द्वारा अच्छी तरह से काम करती हैं, और तेज बीटा और गामा लय को उनके तेजी से परिवर्तनों को ट्रैक करने के लिए लगभग एक चौथाई सेकंड या उससे कम की छोटी विंडोज़ की आवश्यकता होती है।
STFT वास्तविक और काल्पनिक गतिविधि के बीच समानताओं को कैसे प्रकट कर सकता है?
STFT म्यू और बीटा बैंड में घटना-संबंधित विसंक्रमण (event-related desynchronization) नामक शक्ति में समय-बद्ध गिरावट को कैप्चर करता है, जो तब होता है जब कोई व्यक्ति चलता है और जब वे मानसिक रूप से उसी आंदोलन 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 है?
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 डिटेक्शन 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 एकल विंडो आकार में लॉक हो जाता है, जिसका अर्थ है कि यह एक ही समय में तेज फटने के लिए तीव्र समय विवरण और धीमी तरंगों के लिए सूक्ष्म आवृत्ति विवरण दोनों नहीं दे सकता है। वेवलेट्स जैसी अनुकूली तकनीकें आवृत्ति के साथ प्रभावी विंडो लंबाई को भिन्न करती हैं, जो अक्सर प्रत्यक्ष तुलनाओं में बेहतर रिज़ॉल्यूशन और उच्च वर्गीकरण प्रदर्शन की ओर ले जाती हैं।
EEG डेटा पर STFT का उपयोग करते समय एक अच्छा चरण-दर-चरण दृष्टिकोण क्या है?
जिस लय की आप परवाह करते हैं उससे प्रारंभिक विंडो लंबाई का मिलान करके शुरू करें, स्पेक्ट्रोग्राम को सुचारू बनाने के लिए ओवरलैपिंग विंडो का उपयोग करें, और परिणाम का निरीक्षण करें कि क्या घटनाएं स्पष्ट रूप से समयबद्ध हैं या धुंधली दिखती हैं। यदि निष्कर्ष महत्वपूर्ण है, तो एक अनुकूली विधि के साथ डेटा की क्रॉस-चेकिंग पर विचार करें क्योंकि एक एकल STFT सेटिंग केवल एक प्रकार के रिज़ॉल्यूशन का पक्ष ले सकती 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।
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
