अन्य विषय खोजें…

EEG के लिए शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (Short-Time Fourier Transform) का एक गाइड

त्वरित-सेटअप, उच्च-घनत्व वाले वायरलेस एरेज़ के साथ अपनी विश्लेषणात्मक EEG समयसीमा को गति दें जो Flex फ़ील्ड परिनियोजन के लिए अनुकूलित हैं।

त्वरित-सेटअप, उच्च-घनत्व वाले वायरलेस एरेज़ के साथ अपनी विश्लेषणात्मक EEG समयसीमा को गति दें जो Flex फ़ील्ड परिनियोजन के लिए अनुकूलित हैं।

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।

त्वरित-सेटअप, उच्च-घनत्व वाले वायरलेस एरेज़ के साथ अपनी विश्लेषणात्मक EEG समयसीमा को गति दें जो Flex फ़ील्ड परिनियोजन के लिए अनुकूलित हैं।

त्वरित-सेटअप, उच्च-घनत्व वाले वायरलेस एरेज़ के साथ अपनी विश्लेषणात्मक EEG समयसीमा को गति दें जो Flex फ़ील्ड परिनियोजन के लिए अनुकूलित हैं।

मानक फूरियर ट्रांसफॉर्म की समस्या

मानक फूरियर ट्रांसफॉर्म शास्त्रीय सिग्नल प्रोसेसिंग का एक प्रमुख स्तंभ है क्योंकि यह जटिल सिग्नलों को शुद्ध साइन वेव्स (sinusoids) के योग में प्रभावी ढंग से विघटित करता है। अनंत समय में एकीकृत करके, यह एक रिकॉर्डिंग में मौजूद कुल आवृत्ति सामग्री (frequency content) को प्रकट करता है।

हालाँकि, यह विधि मानती है कि सिग्नल स्थिर (stationary) है; यदि समय के साथ आवृत्ति संरचना बदलती है, तो सामान्य आउटपुट लौकिक क्रम (temporal sequence) को अस्पष्ट कर देता है। यह सीमा एक संक्षिप्त, बर्स्टी घटना और एक निरंतर हार्मोनिक के बीच अंतर करना असंभव बना देती है, जो तंत्रिका विज्ञान (neuroscience) जैसे क्षेत्रों में अत्यंत महत्वपूर्ण है।

EEG विश्लेषण में शॉर्ट-टाइम फूरियर ट्रांसफॉर्म क्या है

STFT समय संबंधी समस्या को काफी सीधी रणनीति के साथ हल करता है। एक ही बार में संपूर्ण EEG रिकॉर्डिंग पर फूरियर ट्रांसफॉर्म चलाने के बजाय, यह सिग्नल को छोटे, लगातार खंडों में विभाजित करता है, जिन्हें अक्सर विंडो कहा जाता है, और प्रत्येक पर अलग-अलग फूरियर ट्रांसफॉर्म लागू करता है। प्रत्येक विंडो अपना स्वयं का लघु आवृत्ति स्नैपशॉट उत्पन्न करती है, और इन स्नैपशॉट्स को क्रम से एक साथ जोड़ने पर एक गतिशील चित्र बनता है कि समय के साथ आवृत्ति सामग्री कैसे बदलती है।

इस प्रक्रिया का आउटपुट आमतौर पर एक स्पेक्ट्रोग्राम के रूप में प्रदर्शित किया जाता है, जो एक दृश्य मानचित्र होता है जिसमें एक अक्ष पर समय और दूसरे अक्ष पर आवृत्ति होती है। इस मानचित्र पर किसी भी दिए गए बिंदु का रंग या तीव्रता उस क्षण उस आवृत्ति की शक्ति या क्षमता का प्रतिनिधित्व करती है। STFT विश्लेषण वास्तव में यही मूल्य प्रदान करने के लिए डिज़ाइन किया गया है।

जैसा कि ज़ाबिदी एवं अन्य ने कहा है, STFT विश्लेषण “प्रत्येक समय बिंदु पर EEG सिग्नलों की आवृत्ति सामग्री को प्रकट करने” का कार्य करता है।

STFT में विंडो की लंबाई सबसे महत्वपूर्ण सेटिंग क्यों है

किसी सिग्नल को विंडो में काटना आसान लगता है, लेकिन प्रत्येक विंडो के लिए चुनी गई लंबाई परिणामी स्पेक्ट्रोग्राम की गुणवत्ता और सटीकता के बारे में लगभग सब कुछ निर्धारित करती है। इस निर्णय में एक ऐसा समझौता (trade-off) शामिल है जिससे बचा 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 निकट दूरी वाली आवृत्तियों में अंतर कर सकती है। लेकिन क्योंकि यह समय के एक लंबे अंतराल 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 परिवर्तन कब हुआ था।

एक छोटी विंडो इस समझौते को उलट देती है। यह एक सटीक स्टॉपवॉच की तरह लेकिन एक धुंधले आवृत्ति रूलर की तरह काम करती है। यह आपको लगभग सटीक रूप से बता सकती है कि कोई घटना कब घटी, लेकिन यह उन आवृत्तियों को अलग करने में संघर्ष करती है जो पास-पास स्थित हैं, क्योंकि सिग्नल के एक छोटे से हिस्से में सूक्ष्म विवरण के साथ आवृत्ति को मापने के लिए पर्याप्त दोलन चक्र (oscillation cycles) नहीं होते हैं।

यह एक अनिश्चितता सिद्धांत का एक रूप है जो सभी समय-आवृत्ति विश्लेषणों 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 होता है। इसे हराने की कोशिश करने के बजाय इस समझौते को पहचानना ही STFT के साथ काम करने का मुख्य कौशल है।

चूंकि विभिन्न EEG लय (rhythms) बहुत भिन्न 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 (heuristics) हैं जो इस बात से लिए गए हैं कि ये लय आमतौर पर कैसा व्यवहार करती हैं:

  • डेल्टा तरंगें (लगभग 0.5 से 4 Hz): ये मस्तिष्क की सबसे धीमी 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 तरंग की विशेषता बताने के लिए उसका पर्याप्त हिस्सा शामिल नहीं होगा।

  • थीटा और अल्फा लय (लगभग 4 से 13 Hz): एक मध्यवर्ती विंडो, जो अक्सर लगभग 500 मिलीसेकंड की होती है, एक व्यावहारिक संतुलन बनाती 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 आंखें बंद होने पर अल्फा बर्स्ट की शुरुआत।

  • बीटा और गामा लय (लगभग 13 Hz से ऊपर): ये तेज़ लय तेज़ी से चलती हैं, इसलिए उनकी तेज़ 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 सीमा के भीतर निकट स्थित आवृत्तियों के बीच सटीक रूप से अंतर करने की क्षमता में कमी है, जो ऊपर वर्णित उसी समझौते का प्रत्यक्ष परिणाम है।

STFT वास्तविक और काल्पनिक गति के बीच अंतर कैसे प्रकट करता है

STFT का व्यावहारिक मूल्य ब्रेन-कंप्यूटर इंटरफ़ेस (BCI) अनुसंधान में सबसे स्पष्ट हो जाता है, जहाँ लक्ष्य मस्तिष्क की गतिविधि को सीधे किसी उपकरण 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, 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 क्रियाओं की तुलना करना।

इन गति-संबंधी प्रतिमानों में, विश्लेषण का एक सामान्य लक्ष्य इवेंट-रिलेटेड डिसिंक्रनाइज़ेशन या ERD नामक एक घटना है, जो गति से जुड़े मस्तिष्क के क्षेत्रों में म्यू और बीटा लय सीमाओं के भीतर सिग्नल पावर में गिरावट है। चूंकि ERD निरंतर पृष्ठभूमि विशेषता के बजाय शक्ति 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।

ज़ाबिदी एवं अन्य के शोध अध्ययन ने STFT को सीधे इस प्रश्न पर लागू करते हुए वास्तविक हस्तलेखन और काल्पनिक हस्तलेखन के दौरान एकत्र किए गए EEG की जांच की। सिग्नल को पहले एक बैंडपास फ़िल्टर के माध्यम से पारित किया 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 के साथ की गई थी।

परिणाम एक प्रत्यक्ष, विशिष्ट निष्कर्ष था: “लिखने से प्राप्त EEG सिग्नलों के आवृत्ति घटक वही होते हैं जो काल्पनिक लेखन के दौरान प्राप्त होते हैं”।

व्यावहारिक रूप से, 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 को आधार प्रदान करता है, जिनका उद्देश्य बिना किसी वास्तविक शारीरिक गति की आवश्यकता के इच्छित गति का पता लगाना है।

डीप लर्निंग मॉडल के लिए चित्र बनाने हेतु STFT का उपयोग करना

दृश्य निरीक्षण से परे, STFT द्वारा उत्पन्न स्पेक्ट्रोग्राम को डीप लर्निंग सिस्टम में और विशेष रूप से कनवल्शनल न्यूरल नेटवर्क (CNNs) में इनपुट के रूप में एक दूसरा जीवन मिला है, जो मूल रूप से छवियों में पैटर्न पहचानने के लिए बनाया गया एक प्रकार का मॉडल है। चूंकि स्पेक्ट्रोग्राम अनिवार्य रूप से समय और आवृत्ति के पार शक्ति को दिखाने वाली एक रंगीन छवि है, इसलिए 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 (दाएं हाथ और दाएं पैर की गति के बीच अंतर करना) से प्राप्त EEG रिकॉर्डिंग को STFT और एक वैकल्पिक समय-आवृत्ति दृष्टिकोण दोनों का उपयोग करके छवियों में बदल दिया, फिर दोनों सेटों की छवियों 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 थी, जिसे मौजूदा तुलनीय तरीकों के बीच सर्वश्रेष्ठ स्कोर के रूप में वर्णित किया गया था। 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 इस बात में वास्तविक, मापा गया समझौता दर्शाता है कि प्रत्येक विधि ने अंतर्निहित EEG सिग्नल को कितनी निष्ठा से 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 एंकर्ड-STFT कहा, जिसे “STFT का एक उन्नत संस्करण माना गया, क्योंकि यह STFT द्वारा प्रस्तुत लौकिक और वर्णक्रमीय रिज़ॉल्यूशन के बीच के समझौते को न्यूनतम करता है”।

एक प्रतिकूल डेटा संवर्धन (adversarial data augmentation) विधि के साथ मिलकर, इस उन्नत पाइपलाइन ने कई BCI डेटासेट में लगभग 69% से 90% से अधिक तक की वर्गीकरण सटीकता की सूचना दी, जो इस पैटर्न को पुष्ट करता है कि सादा STFT वास्तव में एक सक्षम विशेषता निष्कर्षण उपकरण के रूप में काम कर सकता है, लेकिन जिसकी ज्ञात रिज़ॉल्यूशन सीमाएँ परिष्करण 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।

शोध कैसे मोटर इमेजरी वर्गीकरण के लिए शॉर्ट-टाइम फूरियर ट्रांसफॉर्म को लागू करता है

हाल ही का एक अध्ययन शॉर्ट-टाइम फूरियर ट्रांसफॉर्म को विज़ुअलाइज़ेशन चरण से आगे ले जाकर एक कार्यशील वर्गीकरण पाइपलाइन में शामिल करता है। ऊपर वर्णित पहले के कार्य की तरह, शुरुआती बिंदु एक मोटर इमेजरी कार्य है, जिसमें एक व्यक्ति शारीरिक रूप से हाथ हिलाने के बजाय उसे हिलाने की कल्पना करता है।

लेखक एक ऐसे ढांचे का वर्णन करते हैं जिसे वे AMD-KT2D कहते हैं, जो उनके द्वारा अनुकूलित शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (Optimized Short-Time Fourier Transform) कहे जाने वाले पर आधारित है। एक निश्चित विंडो सेटिंग पर प्रतिबद्ध होने के बजाय, यह संस्करण विंडोइंग फ़ंक्शन और समय-आवृत्ति रिज़ॉल्यूशन को एक साथ ट्यून करता है, जिसका घोषित उद्देश्य गतिशील लौकिक और स्थानिक विशेषताओं को संरक्षित करना है जिन्हें एक निश्चित कॉन्फ़िगरेशन धुंधला या समाप्त कर सकता है।

परिणामी 2D समय-आवृत्ति छवियों को फिर एक गाइड-लर्नर आर्किटेक्चर में स्थानांतरित किया जाता है: एक बड़े पैमाने के डेटासेट पर पूर्व-प्रशिक्षित एक बेहतर ResNet50, उच्च-स्तरीय स्थानिक-लौकिक विशेषताओं को निकालता है, जबकि एक कस्टमाइज़्ड 2D कनवल्शनल न्यूरल नेटवर्क बहु-स्तरीय विशेषताओं को कैप्चर करता है। दोनों के बीच असमानता को कम करने और उनकी विशेषताओं को संरेखित करने के लिए एक एडेप्टिव मार्जिन डिस्पैरिटी डिस्क्रिपेंसी लॉस फ़ंक्शन का उपयोग किया जाता है।

बाएं बनाम दाएं हाथ के मोटर इमेजरी कार्य के लिए EEG रिकॉर्डिंग Emotiv Flex सिस्टम के साथ एकत्र की गई थी। उस डेटासेट पर, हाइब्रिड मोटर इमेजरी क्लासिफायर ने कथित तौर पर विषय-निर्भर (subject-dependent) सेटिंग में 96.75% सटीकता और विषय-स्वतंत्र (subject-independent) सेटिंग में 92.17% सटीकता हासिल की। इन दोनों आंकड़ों के बीच के अंतर पर ध्यान देना उचित है: एक ही व्यक्ति के भीतर मापा गया प्रदर्शन स्वचालित रूप से उस व्यक्ति पर लागू नहीं होता है जिस पर मॉडल को प्रशिक्षित नहीं किया गया है।

इस लेख में चर्चा किए गए अन्य कार्यों के साथ मिलकर, यह अध्ययन शॉर्ट-टाइम फूरियर ट्रांसफॉर्म द्वारा उत्पन्न स्पेक्ट्रोग्राम की ओर संकेत करता है जो मोटर इमेजरी डिकोडिंग के उद्देश्य से डीप लर्निंग मॉडल के लिए एक व्यावहारिक इनपुट है। शोध का वह समूह जो अभी तक स्थापित नहीं कर पाया है, वह है सामान्यीकरण (generalisability)। यह एक एकल डेटासेट पर, एक एकल अध्ययन है, जिसमें सटीकता के आंकड़े एक कार्य और प्रतिभागियों के एक समूह से जुड़े हैं, और रिपोर्ट की गई विधि मानक रूप के बजाय ट्रांसफॉर्म के एक ट्यून्ड संस्करण पर निर्भर करती है।

इन परिणामों को उनकी अपनी सेटिंग के भीतर आशाजनक माना जाना चाहिए, न कि अधिक व्यापक रूप से EEG-आधारित इंटरफेस के लिए स्थापित प्रदर्शन के रूप में।

जब STFT कम पड़ जाता है: निश्चित-रिज़ॉल्यूशन समस्या

ऊपर चर्चा किया गया समझौता वह केंद्रीय सीमा है जिसे STFT का उपयोग करने वाले किसी भी शोधकर्ता को स्पेक्ट्रोग्राम से निष्कर्ष निकालने से पहले आलोचनात्मक रूप से तौलने की आवश्यकता 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 तेज़ 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 बंद (locked in) हो जाता है, भले ही विभिन्न लय को आदर्श रूप से विभिन्न सेटिंग्स से लाभ होगा।

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 विंडो आकार तय करने के बजाय, अनुकूली विधियाँ प्रभावी रूप से निचली 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 एकल विश्लेषण के भीतर आवश्यकतानुसार रिज़ॉल्यूशन को समायोजित करती हैं।

उदाहरण के लिए, वांग एवं अन्य के नेतृत्व में एक अनुकूली समय-आवृत्ति विधि विकसित करने वाले एक अध्ययन ने बताया कि इसका दृष्टिकोण “STFT और CWT की तुलना में इष्टतम समय-आवृत्ति रिज़ॉल्यूशन प्रदान कर सकता है”, जिसमें स्पष्ट रूप से STFT को उस बेसलाइन के रूप में नामित किया गया जिसे पीछे छोड़ दिया गया था।

मेजर डिप्रेसिव डिसऑर्डर में प्रीट्रीटमेंट EEG डेटा से एंटीडिप्रेसेंट उपचार परिणामों की भविष्यवाणी करने वाले एक अलग नैदानिक अनुप्रयोग में, शोधकर्ताओं ने वेवलेट-आधारित दृष्टिकोण की सीधे STFT और एक अन्य अपघटन विधि के साथ 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।

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 जाए और इसके आउटपुट की निष्पक्ष व्याख्या की जाए।

चरण 1: डेटा को छूने से पहले प्रश्न को परिभाषित करें। क्या लक्ष्य एक तेज़, संक्षिप्त गामा बर्स्ट का पता लगाना है, या मिनटों में डेल्टा पावर में धीमी गति 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 खाने वाली एक प्रारंभिक विंडो लंबाई चुनें। एक शुरुआती बिंदु के रूप में ऊपर दिए गए व्यावहारिक दिशानिर्देशों का उपयोग करें: डेल्टा के लिए लंबी विंडो, थीटा और अल्फा के लिए मध्यवर्ती विंडो, बीटा और गामा के लिए छोटी विंडो। इसे एक ओवरलैपिंग विंडो योजना के साथ जोड़ें, आमतौर पर लगातार विंडो के बीच 50% और 90% ओवरलैप के बीच कहीं, 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 आलोचनात्मक निरीक्षण करें। क्या चुनी गई विंडो की लंबाई रुचि की तेज़ लय के लिए एक स्पष्ट, तीव्र शुरुआत दिखाती है, या क्या घटना समय के व्यापक विस्तार में धुंधली दिखती है जितना इसे होना चाहिए? क्या स्पेक्ट्रोग्राम स्पष्ट रूप से एक अल्फा शिखर को पड़ोसी थीटा शिखर से अलग कर सकता है, या दोनों लय एक दूसरे में मिल 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, अंतिम निर्णय नहीं। एक नकारात्मक निष्कर्ष, 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 चुने गए विशिष्ट STFT विंडो की रिज़ॉल्यूशन सीमाओं को दर्शा सकता है। किसी अस्पष्ट या महत्वपूर्ण खोज की पुष्टि के लिए अगला उचित कदम क्रॉस-चेक के रूप में एक अनुकूली विधि का उपयोग करके उसी डेटा का पुनः विश्लेषण करना है।

मस्तिष्क की लय कब सक्रिय होती है, इसे ट्रैक करने से नई अंतर्दृष्टि (Insight) क्यों मिलती है

मस्तिष्क की गतिविधि समयबद्ध घटनाओं का एक क्रम है, और उस समय को पुनः प्राप्त करना एक सपाट रिकॉर्डिंग को बदलती मानसिक स्थितियों के वास्तविक समय के विवरण में बदल देता है। एक एकल आवृत्ति सारांश से क्षण-दर-क्षण मानचित्र पर जाकर, शोधकर्ता विशिष्ट विचारों, इरादों या संवेदनाओं को सीधे उन मस्तिष्क लय से जोड़ सकते हैं जो उनके साथ होती हैं। यह बदलाव ही EEG को एक स्थिर माप से एक ऐसे उपकरण में बदल देता है जो ब्रेन-कंप्यूटर इंटरफेस का समर्थन कर सकता है और डीप लर्निंग मॉडल में इनपुट प्रदान 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 करता है, इसलिए कोई भी एकल परिणाम पूरी कहानी नहीं बताता है। जब निष्कर्ष महत्वपूर्ण होते हैं तो 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 गति के बीच देखा जाने वाला करीबी मेल—गहरे स्तर पर स्तरित होते हैं। वह अंतर्निहित समानता इस विचार का समर्थन करती है कि मस्तिष्क कई समान लयबद्ध हस्ताक्षरों का उपयोग करके क्रियाओं का पूर्वाभ्यास करता है जिनका उपयोग वह उन्हें करने के लिए करता है।

संदर्भ

  1. 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

  2. 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

  3. 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

  4. 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

  5. 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 ट्रांसफॉर्म क्या है?

शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT) कच्चे EEG सिग्नल को छोटी, लगातार समय विंडो में काटता है और प्रत्येक के लिए एक आवृत्ति स्पेक्ट्रम की गणना करता है। इन स्नैपशॉट्स को क्रम से स्टैक करने पर 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।

क्या मैं EEG रिकॉर्डिंग पर केवल एक नियमित फूरियर ट्रांसफॉर्म का उपयोग नहीं कर सकता?

एक बुनियादी फूरियर ट्रांसफॉर्म पूरी रिकॉर्डिंग को उसके घटक आवृत्तियों में तोड़ देता है लेकिन सभी समय संबंधी जानकारी को मिटा देता है, जिससे आपको पता चलता है 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 बर्स्ट या बीटा पावर 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 एक संगीतमय स्कोर की तरह 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 पास-पास स्थित 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 यह क्या छिपाएगा।

विभिन्न मस्तिष्क लय के लिए कौन सी विंडो लंबाई एक अच्छा प्रारंभिक बिंदु है?

बहुत धीमी डेल्टा लय के लिए, पूर्ण चक्रों को कैप्चर करने के लिए लगभग एक से दो सेकंड की 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 तेज़ बीटा और गामा लय को उनके तेज़ परिवर्तनों को ट्रैक करने के लिए लगभग एक चौथाई सेकंड या उससे कम की छोटी विंडो की आवश्यकता होती है।

STFT वास्तविक और काल्पनिक गति के बीच समानताएं कैसे प्रकट कर सकता है?

STFT म्यू और बीटा बैंड में इवेंट-रिलेटेड डिसिंक्रनाइज़ेशन 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 गति की कल्पना करते हैं। वास्तविक और काल्पनिक मोटर कार्यों के स्पेक्ट्रोग्राम लगभग समान आवृत्ति पैटर्न दिखा सकते हैं, जो ब्रेन-कंप्यूटर इंटरफ़ेस 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 कनवल्शनल 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 पहचान 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 को लॉक कर देता है, जिसका अर्थ है कि यह एक ही समय में तेज़ बर्स्ट 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 बदलती 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?

उस लय से मेल खाने वाली एक प्रारंभिक विंडो लंबाई के साथ शुरुआत करें जिसकी आप परवाह करते हैं, स्पेक्ट्रोग्राम को सुचारू बनाने के लिए ओवरलैपिंग विंडो का उपयोग करें, और यह देखने के लिए परिणाम का निरीक्षण करें कि क्या घटनाएं स्पष्ट रूप से समयबद्ध दिखती हैं या धुंधली हैं। यदि खोज महत्वपूर्ण है, तो अनुकूली विधि के साथ डेटा की क्रॉस-चेकिंग करने पर विचार करें क्योंकि एकल STFT सेटिंग केवल एक प्रकार के रिज़ॉल्यूशन का पक्ष ले सकती है।

त्वरित-सेटअप, उच्च-घनत्व वाले वायरलेस एरेज़ के साथ अपनी विश्लेषणात्मक EEG समयसीमा को गति दें जो Flex फ़ील्ड परिनियोजन के लिए अनुकूलित हैं।

त्वरित-सेटअप, उच्च-घनत्व वाले वायरलेस एरेज़ के साथ अपनी विश्लेषणात्मक EEG समयसीमा को गति दें जो Flex फ़ील्ड परिनियोजन के लिए अनुकूलित 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

हमारी ओर से नवीनतम

ड्राई ईईजी इलेक्ट्रोड ट्रेड-ऑफ: गति और आराम बनाम सिग्नल फिडेलिटी

इलेक्ट्रोएन्सेफेलोग्राम (EEG) दशकों से तंत्रिका विज्ञान (न्यूरोसाइंस) की आधारशिला रहा है, जो खोपड़ी (स्कैल्प) पर लगाए गए इलेक्ट्रोड के माध्यम से मस्तिष्क की विद्युत गतिविधि को मापता है। पारंपरिक "गीले" इलेक्ट्रोडों को त्वचा और सेंसर के बीच की खाई को पाटने के लिए प्रवाहकीय जेल (कंडक्टिव जेल) की आवश्यकता होती है, जिससे प्रतिरोध—प्रतिबाधा (इम्पीडेंस)—कम हो जाता है जो अन्यथा इन सूक्ष्म वोल्टेज को अवरुद्ध कर देता। जेल लगाने की वह प्रक्रिया गंदी, समय लेने वाली और अक्सर प्रतिभागियों के लिए असुविधाजनक होती है।

जैसे-जैसे EEG प्रयोगशाला से बाहर—घरों, क्लीनिकों और एंबुलेटरी परिवेशों में—पहुंच रहा है, वैसे-वैसे एक तेज़ और सरल इंटरफ़ेस की मांग बढ़ी है। सूखे इलेक्ट्रोड (ड्राई इलेक्ट्रोड्स), जो जेल के बिना त्वचा के साथ सीधा संपर्क बनाते हैं, ठीक इसी बात का वादा करते हैं: त्वरित सेटअप और अधिक आराम।

लेकिन इस सुविधा की एक भौतिक कीमत भी चुकानी पड़ती है। जेल की अनुपस्थिति से उच्च प्रतिबाधा और अधिक शोर वाला सिग्नल उत्पन्न होता है, जिससे व्यावहारिकता और डेटा निष्ठा (डेटा फिडेलिटी) के बीच एक निरंतर समझौता बना रहता है। हाल के स्वतंत्र शोधों का एक समूह अब उस समझौते के सटीक आयामों को मैप करता है, जिससे यह स्पष्ट होता है कि सूखे इलेक्ट्रोड कहाँ सराहनीय प्रदर्शन करते हैं और कहाँ वे दूसरी पसंद बने रहते हैं।

लेख पढ़ें

दैनिक ब्रेन रिकॉर्डिंग के लिए होम ईईजी (Home EEG) कैसे काम करता है?

होम ईईजी (Home EEG) किसी भी क्लिनिकल या प्रयोगशाला परिवेश के बाहर की जाने वाली स्व-प्रशासित रिकॉर्डिंग हैं। यह एक अप्रशिक्षित उपयोगकर्ता को इलेक्ट्रोड जेल, headset और रिकॉर्डिंग सॉफ़्टवेयर सौंपता है, जिसमें मार्गदर्शन के लिए अक्सर केवल एक स्मार्टफोन ऐप के अलावा कुछ नहीं होता है। इस अवधारणा में मस्तिष्क मापन क्षमताएं शामिल हैं जो दैनिक जीवन में समाहित हो जाती हैं, जिससे संभावित रूप से अस्पताल के दौरे के लॉजिस्टिक बोझ के बिना नींद की संरचना, संज्ञानात्मक ध्यान या दौरे (सीज़र) के पैटर्न रिकॉर्ड किए जा सकते हैं।

लेख पढ़ें

संपूर्ण प्रणालियों के रूप में न्यूरोफीडबैक उपकरण

एक ऐसे वीडियो गेम को खेलने की कल्पना करें जहाँ आपका कंट्रोलर अदृश्य हो—आप केवल अपनी मस्तिष्क तरंगों (ब्रेनवेव्स) के ज़रिए उसे नियंत्रित करते हैं। यह विचार न्यूरोफीडबैक के मूल में स्थित है, जो एक ऐसी तकनीक है जो आपको वास्तविक समय (रियल-टाइम) में आपके मस्तिष्क की गतिविधि की एक झलक देती है और फिर आपको इसे बदलने का तरीका सिखाती है।

एक उपकरण आपके मस्तिष्क द्वारा उत्पन्न संकेतों को पकड़ता है, जिसके लिए अक्सर इलेक्ट्रोएन्सेफलोग्राम (ईईजी) का उपयोग किया जाता है जो सिर की त्वचा (स्कैल्प) पर विद्युत पैटर्न का पता लगाता है, या कभी-कभी एक कार्यात्मक नियर-इन्फ्रारेड स्पेक्ट्रोस्कोपी (एफएनआईआरएस) सेंसर का उपयोग होता है जो रक्त प्रवाह को ट्रैक करता है। उन अनप्रोसेस्ड (कच्चे) संकेतों को प्रोसेस किया जाता है और एक साधारण खेल, एक ध्वनि या स्क्रीन पर एक चलती हुई आकृति में बदल दिया जाता है। निरंतर अभ्यास और त्रुटि (ट्रायल एंड एरर) के माध्यम से, आपका मस्तिष्क उन पैटर्नों को उत्पन्न करना सीखता है जो फीडबैक को उस दिशा में ले जाते हैं जहाँ आप चाहते हैं।

बहुत सारे गाइड अलग-अलग हिस्सों पर ध्यान केंद्रित करते हैं—ईईजी इलेक्ट्रोड, तार, सॉफ्टवेयर—लेकिन कोई उपकरण तभी सफल होता है जब वे टुकड़े मिलकर एक सुसंगत रूप धारण करते हैं। यह परिचय न्यूरोफीडबैक को एक एकीकृत प्रणाली के रूप में देखता है जहाँ सिग्नल प्रोसेसिंग, फीडबैक डिज़ाइन और रोज़मर्रा की उपयोगिता मिलकर यह तय करते हैं कि क्या कोई चीज़ वास्तव में मदद करती है या नहीं।

लेख पढ़ें

मास्टर ईईजी सेटअप: रिकॉर्डिंग से पहले के सर्वोत्तम अभ्यास

एक स्पष्ट, व्याख्या योग्य तंत्रिका सिग्नल (न्यूरल सिग्नल) को मांसपेशियों की विकृति (मसल आर्टिफैक्ट) या लाइन के शोर से दूषित ट्रेस से अलग करने वाली चीज़ कोई परिष्कृत पोस्ट-हॉक एल्गोरिदम नहीं है, बल्कि प्रारंभिक चरणों की एक व्यवस्थित, कालानुक्रमिक पाइपलाइन है। इस संदर्भ में, ईईजी सेटअप केवल किसी प्रतिभागी पर इलेक्ट्रोड कैप लगाने की क्रिया नहीं है। यह जैविक, पर्यावरणीय और विद्युत अंशांकन (कैलिब्रेशन) प्रक्रियाओं का एक अनुशासित क्रम है जो सामूहिक रूप से मस्तिष्क और एम्पलीफायर के बीच एक स्थिर, कम-शोर वाला इंटरफ़ेस स्थापित करता है।

यह लेख रिकॉर्डिंग से पहले के वर्कफ़्लो का विवरण देता है, और यह प्रदर्शित करने के लिए उपलब्ध साक्ष्यों का विश्लेषण करता है कि सावधानीपूर्वक प्रतिभागी ब्रीफिंग, स्कैल्प की तैयारी, पर्यावरणीय शील्डिंग, संदर्भ मोंटाज चयन, और बेसलाइन आर्टिफैक्ट स्क्रीनिंग परस्पर निर्भर चरणों की एक अनिवार्य श्रृंखला बनाते हैं।

लेख पढ़ें