एक इलेक्ट्रोएन्सेफालोग्राम स्कैल्प पर रखे गए इलेक्ट्रोड के माध्यम से न्यूरॉन्स द्वारा उत्पन्न विद्युत गतिविधि को रिकॉर्ड करता है। लेकिन वास्तव में उन इलेक्ट्रोड तक पहुंचने वाला सिग्नल शायद ही कभी स्पष्ट होता है।
उस पूरे शोर के नीचे, वास्तविक न्यूरल सिग्नल जिसके बारे में शोधकर्ता परवाह करते हैं, अक्सर छोटा होता है और आसानी से दब जाता है। सिग्नल प्रोसेसिंग वह आवश्यक वैज्ञानिक विषय है जो भौतिक डेटा को आधुनिक विश्लेषण और तकनीक के लिए व्याख्या करने योग्य प्रारूपों में अनुवाद करने में सक्षम बनाता है।
सिग्नल प्रोसेसिंग क्या है?
सिग्नल प्रोसेसिंग का विषय भौतिक घटनाओं को मापने योग्य डेटा के रूप में रूपांतरण, विश्लेषण और व्याख्या को शामिल करता है। डेटा स्ट्रिंग्स को कैप्चर करने के लिए गणितीय ढांचे को लागू करके, शोधकर्ता प्रभावी रूप से परिवेश के हस्तक्षेप को फ़िल्टर कर सकते हैं और प्राथमिक रुचि के मापदंडों पर ध्यान केंद्रित कर सकते हैं।
यह कार्यप्रणाली विभिन्न क्षेत्रों में आधुनिक वैज्ञानिक जांच का केंद्र बिंदु है, जिसमें जटिल मानव जैविक कार्यों का अध्ययन भी शामिल है।
डिजिटल सिग्नल प्रोसेसिंग को कैसे परिभाषित करें
डिजिटल सिग्नल प्रोसेसिंग उन सिग्नलों पर असतत-समय संगणना के अनुप्रयोग का प्रतिनिधित्व करती है जिन्हें उनकी मूल एनालॉग स्थितियों से परिवर्तित किया गया है।
यह सुधार संगणकीय भार को कुशलतापूर्वक प्रबंधित करने के लिए डिज़ाइन किए गए विशिष्ट एल्गोरिदम और प्रोसेसर के उपयोग के माध्यम से होता है। वैज्ञानिक जैविक सिग्नलों को अलग करने के लिए इस दृष्टिकोण का उपयोग करते हैं, जो न्यूरोसाइंटिस्ट से जुड़े क्षेत्रों के लिए महत्वपूर्ण है जहां अनुसंधान सटीकता के लिए डेटा अखंडता सर्वोपरि है।
सिग्नल प्रोसेसिंग का मूल लक्ष्य
इसकी उपयोगिता के चरम पर, सिग्नल प्रोसेसिंग शोर के प्रभाव को कम करते हुए मापे गए डेटा से अधिकतम अर्थपूर्ण जानकारी निकालने का प्रयास करती है। सिग्नल-टू-नॉइज़ अनुपात को अनुकूलित करके, शोधकर्ता विश्वसनीय डेटा बिंदुओं को पुनर्प्राप्त करते हैं जो अन्यथा अस्पष्ट हो जाते।
यह उद्देश्य आधुनिक ईईजी अभ्यास में उपयोग किए जाने वाले परिष्कृत नैदानिक उपकरणों के विकास को प्रेरित करता है।
सिग्नल प्रोसेसिंग के प्रकार
सिग्नल प्रोसेसिंग को इनपुट सिग्नल की प्रकृति और उसके हेरफेर के लिए लागू कार्यप्रणाली के आधार पर व्यापक रूप से वर्गीकृत किया गया है। भौतिक दुनिया एक सतत स्थिति में मौजूद है, जबकि इलेक्ट्रॉनिक उपकरण संचालन करने के लिए अक्सर डेटा के परिमाणित टुकड़ों पर निर्भर करते हैं।
इन श्रेणियों के बीच अंतर करना किसी भी दिए गए प्रयोगात्मक सेटअप के लिए उपयुक्त गणितीय दृष्टिकोण को चुनने के लिए मौलिक है।
एनालॉग बनाम डिजिटल सिग्नल प्रोसेसिंग
एनालॉग सिस्टम सीधे सर्किट घटकों के माध्यम से सतत वोल्टेज तरंगों (इलेक्ट्रिकल वेवफॉर्म) में हेरफेर करते हैं, जिससे परिमाणीकरण (क्वांटाइजेशन) के ओवरहेड के बिना उच्च स्तर की निष्ठा बनी रहती है। यद्यपि एनालॉग सिस्टम त्वरित प्रतिक्रियाएँ प्रदान करते हैं, उनमें डिजिटल आर्किटेक्चर की लचीलापन और प्रोग्रामेबिलिटी की कमी होती है।
जैसे-जैसे मानक 10-20 सिस्टम प्रोटोकॉल विकसित हुए हैं, विभिन्न अनुसंधान सेटिंग्स में तुलनीय डेटा बनाए रखने के लिए डिजिटल प्रोसेसिंग प्राथमिक मानक बन गई है।
डिजिटल सिग्नल प्रोसेसिंग क्या है? रैखिक बनाम गैर-रैखिक प्रणालियाँ
डिजिटल सिग्नल प्रोसेसिंग संगणकीय मॉडलिंग के लिए उपयुक्त प्रारूपों में डेटा को परिष्कृत करने के लिए एल्गोरिदम का उपयोग करती है, जो सिग्नल समायोजन के लिए एक नियंत्रित वातावरण प्रदान करती है।
यह समझना कि कोई प्रणाली रैखिक (लीनियर) रूप से व्यवहार करती है या नहीं, यह अनुमान लगाने के लिए महत्वपूर्ण है कि आउटपुट विभिन्न इनपुट्स पर कैसे प्रतिक्रिया देगा, क्योंकि सुपरपोजिशन सिद्धांत केवल रैखिक ऑपरेशन्स के लिए ही सत्य होता है। इसके विपरीत, गैर-रैखिक प्रणालियां जटिल परिवर्तनों को पेश करती हैं जो उन सूक्ष्म गतिविधियों को कैप्चर कर सकती हैं जिन्हें अक्सर सरल मॉडल द्वारा अनदेखा कर दिया जाता है।
प्रणाली का प्रकार | इनपुट-आउटपुट संबंध | प्राथमिक विशेषता |
|---|---|---|
रैखिक (लीनियर) | निरंतर आनुपातिकता | सुपरपोजिशन सिद्धांत लागू होता है |
गैर-रैखिक (नॉन-लीनियर) | परिवर्तनीय गतिशीलता | उच्च-क्रम हार्मोनिक पीढ़ी |
समय-अपरिवर्तनीय | निश्चित संरचनात्मक प्रतिक्रिया | पैरामीटरों की अस्थायी स्थिरता |
इन व्यवहारों को चिन्हित करके, तकनीशियन यह सुनिश्चित करते हैं कि डायग्नोस्टिक फिल्टर लागू करने से पहले गणितीय मॉडल इनपुट सिग्नल की वास्तविक गतिशीलता को सटीक रूप से दर्शाता है।
सिग्नल प्रोसेसिंग में मुख्य अवधारणाएँ और तकनीकें
इस क्षेत्र में तकनीकी महारत हासिल करने के लिए डेटा की तैयारी और गणितीय अनुवाद की गहरी समझ की आवश्यकता होती है। प्रोसेसिंग पाइपलाइन में प्रत्येक कदम मानव व्याख्या या मशीन लर्निंग एल्गोरिदम के लिए अंतिम आउटपुट तैयार करने के लिए विशिष्ट सिग्नल घटकों को उद्देश्यपूर्ण ढंग से कम या बढ़ा देता है।
सैंपलिंग और क्वांटाइजेशन
सैंपलिंग में विशिष्ट अंतरालों पर डेटा बिंदुओं को कैप्चर करना शामिल है जो असतत प्रतिनिधित्व का आधार बनते हैं। क्वांटाइजेशन इस कदम का अनुसरण करता है, जो उन असतत समय बिंदुओं को विशिष्ट संख्यात्मक मानों पर मैप करता है जो सिग्नल के आयाम का प्रतिनिधित्व करते हैं।
यदि ये कदम सटीक रूप से कैलिब्रेट नहीं किए गए हैं, तो अलियासिंग हो सकती है, जिससे विश्लेषित तरंगों में महत्वपूर्ण विकृतियां आ सकती हैं।
फ़िल्टरिंग
फ़िल्टरिंग उन अवांछित आवृत्ति घटकों को हटाने की महत्वपूर्ण भूमिका निभाती है जो इच्छित सिग्नल के नहीं हैं। बैंड-पास आवश्यकताओं के आधार पर, फ़िल्टर शल्य चिकित्सा द्वारा उच्च-आवृत्ति वाली मांसपेशियों के शोर या निम्न-आवृत्ति के बहाव को हटा सकते हैं।
यह प्रक्रिया अनिवार्य रूप से व्यापक पर्यावरणीय पृष्ठभूमि के हस्तक्षेप से रुचि की तंत्रिका गतिविधि को अलग करती है, जिसके परिणामस्वरूप एक साफ दृश्य ट्रेस प्राप्त होता है।
रूपांतरण (जैसे, फूरियर ट्रांसफॉर्म)
रूपांतरण अस्थायी शोर के भीतर छिपी आवधिक संरचनाओं को प्रकट करने के लिए डेटा को विभिन्न डोमेन के बीच स्थानांतरित करते हैं। इस प्रक्रिया में नियोजित सामान्य तरीकों में शामिल हैं:
सिग्नलों को उनके घटक आवृत्ति भागों में विघटित करने के लिए फूरियर ट्रांसफॉर्म।
समय और आवृत्ति दोनों में क्षणिक घटनाओं को एक साथ स्थानीयकृत करने के लिए वेवलेट विश्लेषण।
जटिल सिग्नलों के तात्कालिक लिफाफे और आवृत्ति का निर्धारण करने के लिए हिल्बर्ट ट्रांसफॉर्म।
असतत-समय प्रणालियों और स्थिरता का अध्ययन करने के लिए Z-ट्रांसफॉर्म।
ये गणितीय मानचित्र इंजीनियरों को उन दृष्टिकोणों से डेटा की कल्पना करने की अनुमति देते हैं जो विशिष्ट विकृतियों या पैटर्नों की पहचान करते हैं जो मानक समय-डोमेन प्रतिनिधित्व में पूरी तरह से अदृश्य रहते हैं।
EEG प्रीप्रोसेसिंग पाइपलाइन क्या है?
एक प्रीप्रोसेसिंग पाइपलाइन केवल ऑपरेशन्स का एक मानकीकृत अनुक्रम है जिसे कोई भी विश्लेषण शुरू होने से पहले निरंतर कच्चे EEG डेटा पर लागू किया जाता है। हालांकि सटीक क्रम और विशिष्ट तरीके प्रयोगशालाओं और सॉफ्टवेयर पैकेजों के बीच भिन्न होते हैं, अधिकांश पाइपलाइन एक सामान्य रीढ़ साझा करती हैं:
अवांछित आवृत्तियों को फ़िल्टर करना
सिग्नल को एक तटस्थ विद्युत आधार रेखा पर री-रेफरेंस करना
कलाकृतियों (आर्टिफैक्ट्स) की पहचान करना और उन्हें संभालना
निरंतर रिकॉर्डिंग को विशिष्ट घटनाओं से जुड़े छोटे खंडों में काटना, एक प्रक्रिया जिसे एपोचिंग कहा जाता है
क्रम इस तथ्य से कम मायने रखता है कि इस श्रृंखला का हर एक निर्णय अंतिम परिणाम को बदल सकता है। रॉबिन्स और उनके साथियों के नेतृत्व में 2020 के एक बेंचमार्क अध्ययन में पाया गया कि उन अध्ययनों में भी जो स्थापित सर्वोत्तम-अभ्यास दिशानिर्देशों का पालन करने का दावा करते थे, इस बात में काफी भिन्नता दिखाई दी कि उन दिशानिर्देशों को कोड में वास्तव में कैसे लागू किया गया था।
इसी तरह, बर्टाज़ोली और उनके साथियों द्वारा 2021 के एक अध्ययन ने प्रदर्शित किया कि ट्रांसक्रैनियल मैग्नेटिक स्टिमुलेशन और EEG (TMS-EEG) अनुसंधान के संयोजन में, प्रीप्रोसेसिंग पाइपलाइन के विकल्प का परिणामी मस्तिष्क प्रतिक्रिया तरंगों पर स्पष्ट प्रभाव पड़ा, और यहाँ तक कि यह भी बदल गया कि परिणाम कितने विश्वसनीय थे जब समान विषयों का दो बार परीक्षण किया गया था।
फ़िल्टरिंग: वास्तविक मस्तिष्क सिग्नलों को कैसे अलग किया जाए
कच्चे EEG में अवांछित आवृत्ति सामग्री की दो व्यापक श्रेणियां होती हैं।
धीमे छोर पर, किसी इलेक्ट्रोड के तहत पसीना जमा होने या इलेक्ट्रोड के स्वयं खोपड़ी के खिलाफ थोड़ा हिलने से वोल्टेज का बहाव सिग्नल में आ जाता है। तेज़ छोर पर, मांसपेशियों का खिंचाव और पास के उपकरणों से विद्युत हस्तक्षेप उच्च-आवृत्ति वाले शोर को पेश करते हैं जिसका न्यूरॉन्स की सक्रियता से कोई लेना-देना नहीं होता है।
फ़िल्टरिंग इन आवृत्ति श्रेणियों को हटाकर काम करती है, जिससे केवल वही बैंड सुरक्षित रहता है जहां वास्तविक मस्तिष्क-जनित सिग्नल सबसे मजबूत होते हैं।
सबसे बुनियादी और व्यापक रूप से लागू किया जाने वाला कदम हाई-पास फ़िल्टरिंग है, जो लगभग 0.5 से 1 Hz से नीचे के धीमे बहाव को हटा देता है। विश्लेषण के प्रकार के आधार पर, शोधकर्ता लो-पास फ़िल्टर भी लागू कर सकते हैं या दोनों को एक बैंड-पास फ़िल्टर में जोड़ सकते हैं, जो आमतौर पर इवेंट-रिलेटेड पोटेंशियल्स (ERPs) — विशिष्ट उत्तेजनाओं के प्रति मस्तिष्क की विशिष्ट वोल्टेज प्रतिक्रियाओं — का अध्ययन करते समय डेटा को 1 से 40 Hz की सीमा तक सीमित कर देता है।
जो बात फ़िल्टरिंग को विशेष रूप से उल्लेखनीय बनाती है वह यह है कि यह कितनी लगातार मदद करती है। 2023 में, अर्नौड डेलॉर्म ने स्वचालित प्रीप्रोसेसिंग सुधारों की एक विस्तृत श्रृंखला का परीक्षण किया और पाया कि अधिकांश का या तो कोई मापने योग्य प्रभाव नहीं था या उन्होंने सक्रिय रूप से डेटा की गुणवत्ता को कम कर दिया। हाई-पास फ़िल्टरिंग उन केवल दो कदमों में से एक था जिसने विश्वसनीय रूप से समग्र परिणामों में सुधार किया।
हार्वर्ड के शोधकर्ता भी फ़िल्टरिंग को उच्च-आर्टिफैक्ट विकासात्मक डेटा के लिए अपने HAPPE पाइपलाइन के एक बुनियादी, गैर-परक्राम्य घटक के रूप में मानते हैं। संक्षेप में, फ़िल्टरिंग पूरी तरह से एक सुरक्षित विकल्प है। हर उस कदम के लिए ऐसा नहीं कहा जा सकता जो इसके बाद आता है।
री-रेफरेंसिंग: विद्युत शून्य बिंदु तय करना
EEG कभी भी पूर्ण वोल्टेज को नहीं मापता है। यह दो बिंदुओं, एक सक्रिय इलेक्ट्रोड और एक संदर्भ बिंदु (रेफरेंस पॉइंट) के बीच के अंतर को मापता है।
कच्ची रिकॉर्डिंग आमतौर पर उस संदर्भ इलेक्ट्रोड के सापेक्ष संग्रहीत की जाती है जिसका भौतिक रूप से संग्रह के दौरान उपयोग किया गया था, अक्सर कान के पीछे की मास्टॉयड हड्डी या सिर के शीर्ष पर Cz इलेक्ट्रोड जैसी एकल साइट, जो इलेक्ट्रोड प्लेसमेंट को मानकीकृत करने के लिए उपयोग किए जाने वाले 10-20 सिस्टम द्वारा परिभाषित स्थितियां हैं। वह मूल संदर्भ बिंदु कुछ हद तक मनमाना होता है, इसलिए री-रेफरेंसिंग गणितीय रूप से प्रत्येक चैनल के वोल्टेज की गणना एक नए, सैद्धांतिक रूप से अधिक तटस्थ बिंदु के सापेक्ष फिर से करती है, जैसे कि सभी इलेक्ट्रोडों का औसत या दोनों मास्टॉयड से संयुक्त सिग्नल।
री-रेफरेंसिंग का महत्व वॉल्यूम कंडक्शन से उत्पन्न होता है, जिसके कारण मस्तिष्क की विद्युत गतिविधि आसपास के ऊतकों और तरल पदार्थों के माध्यम से फैलती है, जिससे यह सुनिश्चित होता है कि एक एकल तंत्रिका घटना लगभग हर खोपड़ी के इलेक्ट्रोड पर दर्ज होती है। इस प्रसार के कारण, संदर्भ बिंदु को बदलने से रिकॉर्ड की गई गतिविधि का स्पष्ट आकार, आयाम और यहाँ तक कि सांख्यिकीय महत्व भी बदल सकता है, भले ही अंतर्निहित मस्तिष्क गतिविधि के बारे में कुछ भी नहीं बदला हो।
यह EEG मोंटाज के पीछे की डिज़ाइन प्राथमिकताओं के तहत एक मूल अवधारणा है, जिसमें कॉमन एवरेज रेफरेंस या रेफरेंशियल मोंटाज जैसे दृष्टिकोण शामिल हैं, जिनमें से प्रत्येक एक ही अंतर्निहित मस्तिष्क सिग्नल को अलग तरह से प्रदर्शित करता है।
खराब चैनल का पता लगाना और इंटरपोलेशन
किसी भी बहु-इलेक्ट्रोड रिकॉर्डिंग में, कुछ चैनल अनिवार्य रूप से खराब सिग्नल उत्पन्न करेंगे। ढीले कनेक्शन के कारण एक चैनल सपाट हो सकता है, या खोपड़ी के खराब संपर्क के कारण यह अत्यधिक शोर वाला हो सकता है। यदि इन्हें ठीक न किया जाए, तो ये खराब चैनल उन विश्लेषणों को विकृत कर सकते हैं जो पूरी खोपड़ी पर सिग्नल पैटर्न की तुलना करने पर निर्भर करते हैं।
मानक समाधान में इन समस्या वाले चैनलों की पहचान करना, उन्हें डेटासेट से अस्थायी रूप से हटाना, और फिर इंटरपोलेशन के माध्यम से उनके लापता डेटा का पुनर्निर्माण करना शामिल है, जिसमें अनिवार्य रूप से यह अनुमान लगाया जाता है कि उस इलेक्ट्रोड ने अपने स्वस्थ पड़ोसियों की गतिविधि के आधार पर क्या रिकॉर्ड किया होगा। यह खराब चैनल को परिणामों को प्रभावित किए बिना बाद के विश्लेषण चरणों के लिए एक पूरा स्कैल्प मानचित्र पुनर्स्थापित करता है।
यह दूसरा कदम है जिसे शोधकर्ता अर्नौड डेलॉर्म ने लगातार फायदेमंद माना। हाई-पास फ़िल्टरिंग के साथ, खराब चैनल इंटरपोलेशन उन परीक्षण किए गए सुधारों में से एक था जिसने डेटा की गुणवत्ता को कम नहीं किया।
फ़िल्टरिंग के साथ मिलकर, इसने उस अध्ययन में एक ऐसी पाइपलाइन कॉन्फ़िगरेशन का निर्माण किया जिसने अकेले सरल फ़िल्टरिंग से बेहतर प्रदर्शन किया। मूल्यांकन किए गए कई स्वचालित सुधारों में से, यह जोड़ा एक तुलनात्मक रूप से सुरक्षित और उपयोगी प्रक्रिया के रूप में खड़ा है।
कच्चे EEG में आर्टिफैक्ट की समस्या
इलेक्ट्रोड-स्तरीय समस्याओं के अलावा, EEG रिकॉर्डिंग प्रतिभागी के अपने शरीर द्वारा उत्पन्न जैविक कलाकृतियों (आर्टिफैक्ट्स) से भी दूषित हो जाती हैं:
पलकें झपकने से ललाट (फ्रंटल) इलेक्ट्रोड्स पर बड़े विक्षेपण उत्पन्न होते हैं
आँखों की हरकतें चरण-दर-चरण वोल्टेज बदलाव पैदा करती हैं
जबड़े और माथे की मांसपेशियों की गतिविधि उच्च-आवृत्ति शोर पेश करती है
अचानक की गई हरकतें आकस्मिक, बहु-चैनल वोल्टेज ऑफसेट का कारण बनती हैं
दूषित खंडों के प्रति पारंपरिक प्रतिक्रिया केवल उन्हें फेंक देने की रही है, जिसमें किसी भी परीक्षण या समय खिड़की को अस्वीकार करना शामिल है जहां कोई आर्टिफैक्ट दिखाई देता है। यह तब यथोचित रूप से अच्छी तरह से काम करता है जब प्रतिभागी शांत बैठता है और आर्टिफैक्ट्स दुर्लभ होते हैं। यह उन आबादियों में बहुत कम काम करने योग्य हो जाता है जहाँ आर्टिफैक्ट्स अपवाद के बजाय सामान्य बात हैं।
HAPPE इस बात पर ज़ोर देती है कि जैसे-जैसे EEG अध्ययन उच्च-घनत्व वाले इलेक्ट्रोड सरणियों और लंबी रिकॉर्डिंग की ओर बढ़ते हैं, हाथ से खराब खंडों का मैन्युअल रूप से निरीक्षण और अस्वीकार करना टिकाऊ नहीं रह जाता है, और मैन्युअल निर्णय अपनी खुद की विषयगतता पेश करते हैं।
लीच और उनके साथियों ने इसमें शामिल जोखिमों का एक ठोस उदाहरण जोड़ा है: बाल चिकित्सा EEG रिकॉर्डिंग नियमित रूप से बड़ी मात्रा में प्रयोग करने योग्य डेटा खो देती हैं क्योंकि छोटे बच्चों में हलचल और पलक झपकने की घटनाएं बहुत बार होती हैं। जब डेटा इतना कीमती हो, तो एक पलक झपकने की वजह से पूरे परीक्षण को फेंक देना एक महंगा समाधान है।
आर्टिफैक्ट हटाने के लिए इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA)
इंडिपेंडेंट कंपोनेंट एनालिसिस, या ICA, थोक अस्वीकृति के बजाय एक अधिक लक्षित विकल्प प्रदान करता है।
वैचारिक रूप से, ICA एक ब्लाइंड सोर्स सेपरेशन तकनीक है। यह प्रत्येक स्कैल्प इलेक्ट्रोड पर दर्ज मिश्रित सिग्नल को लेती है और गणितीय रूप से इसे सांख्यिकीय रूप से स्वतंत्र घटकों के एक सेट में खोलती है।
इनमें से कुछ घटक पहचानने योग्य आर्टिफैक्ट पैटर्न के अनुरूप होते हैं, जैसे कि पलक झपकने या मांसपेशियों के खिंचाव के हस्ताक्षर। अन्य मस्तिष्क गतिविधि के पैटर्न के अनुरूप होते हैं। एक बार जब आर्टिफैक्ट-संबंधित घटकों की पहचान हो जाती है, तो उन्हें हटाया जा सकता है और शेष स्वच्छ घटकों को वापस चैनल डेटा में प्रोजेक्ट किया जा सकता है, जिससे आदर्श रूप से संदूषण को हटाते हुए वास्तविक मस्तिष्क सिग्नलों को संरक्षित किया जा सके।
बाधा यह है कि यह तय करने के लिए कि कोई घटक पलक झपकने को दर्शाता है या कोर्टेक्स के एक टुकड़े को, प्रत्येक घटक का मैन्युअल रूप से निरीक्षण करना धीमा और स्वाभाविक रूप से व्यक्तिपरक है। इसने ADJUST, ICLabel और MARA जैसे स्वचालित क्लासिफायर को जन्म दिया, जिन्हें एल्गोरिद्म के माध्यम से और लगातार निर्णय लेने के लिए डिज़ाइन किया गया है।
यह कितना अच्छा काम करता है, इस पर प्रमाण पूरी तरह से सकारात्मक होने के बजाय मिश्रित है।
अर्नौड डेलॉर्म ने पाया कि पलक और मांसपेशियों के घटकों की स्वचालित ICA-आधारित अस्वीकृति ERP डेटा में सांख्यिकीय रूप से महत्वपूर्ण चैनलों के प्रतिशत को विश्वसनीय रूप से बढ़ाने में विफल रही, जिसका अर्थ है कि इसने स्पष्ट, भरोसेमंद सुधार प्रदान नहीं किया।
रॉबिन्स और उनके साथियों ने 17 अध्ययनों में दो ICA-आधारित दृष्टिकोणों, LARG और MARA की तुलना की और पाया कि यद्यपि परिणामों की समग्र संरचना समान दिखती थी, फिर भी महत्वपूर्ण अंतर सामने आए, विशेष रूप से कम-आवृत्ति वाले वर्णक्रमीय (स्पेक्ट्रेल) लक्षणों में और साफ किए गए डेटा में पलक झपकने से संबंधित कितना अवशेष बचा था।
अधिक उत्साहजनक पक्ष में, लीच की टीम ने दिखाया कि ADJUST एल्गोरिदम का एक संशोधित संस्करण, जिसे विशेष रूप से बाल चिकित्सा जियोडेसिक नेट रिकॉर्डिंग के लिए ट्यून किया गया था, वर्गीकरण सटीकता में सुधार करता है और मूल ADJUST एल्गोरिदम या बिना किसी ICA सुधार के तुलना में अधिक प्रयोग करने योग्य परीक्षणों को बनाए रखता है, और कुछ उपायों में विशेष रूप से बाल चिकित्सा डेटा के लिए ICLabel से बेहतर प्रदर्शन करता है।
कुल मिलाकर, ICA आर्टिफैक्ट्स को अलग करने और हटाने के लिए वास्तव में उपयोगी उपकरण हो सकता है, लेकिन इसके प्रदर्शन की गारंटी नहीं है। यह काफी हद तक इस बात पर निर्भर करता है कि वर्गीकरण एल्गोरिदम को कैसे ट्यून किया गया है और किस आबादी का अध्ययन किया जा रहा है।
एक विकल्प के रूप में आर्टिफैक्ट सबस्पेस रिकंस्ट्रक्शन (ASR)
आर्टिफैक्ट सबस्पेस रिकंस्ट्रक्शन, या ASR, पूरी तरह से एक अलग रास्ता अपनाता है। सिग्नल को स्वतंत्र घटकों में विघटित करने के बजाय, ASR एक स्वच्छ संदर्भ अवधि से लिए गए आंकड़ों के खिलाफ आने वाले डेटा की तुलना करके काम करता है, और स्वचालित रूप से सिग्नल के उन हिस्सों को चिह्नित और पुनर्निर्मित करता है जो उस स्वच्छ आधार रेखा से बहुत अधिक विचलित होते हैं।
रॉबिन्स की टीम ने उसी 17 अध्ययनों के सेट में ICA-आधारित पाइपलाइनों के खिलाफ ASR के दो रूपों की सीधे तुलना की। व्यापक निष्कर्ष ने ICA तुलना को दोहराया: समग्र परिणाम संरचनाएं विभिन्न तरीकों में समान दिखती थीं, लेकिन सार्थक अंतर अभी भी दिखाई दिए, जो फिर से निम्न-आवृत्ति वाले वर्णक्रमीय लक्षणों में केंद्रित थे।
इसलिए ASR, ICA का एक वैध विकल्प है न कि पूरी तरह से बेहतर प्रतिस्थापन, और यही सिद्धांत यहाँ भी लागू होता है जैसा कि इस पाइपलाइन में हर जगह होता है: चुनी गई विशिष्ट विधि प्राप्त विशिष्ट परिणाम को आकार देती है।
क्या आपको खराब EEG खंडों को अस्वीकार कर देना चाहिए?
आपको संपूर्ण खंडों को अस्वीकार करने से बचना चाहिए, क्योंकि साक्ष्य बताते हैं कि इसके परिणामस्वरूप होने वाली सांख्यिकीय शक्ति का नुकसान अक्सर शोर हटाने के लाभों से अधिक होता है।
सरल थ्रेशहोल्डिंग एक कुंद उपकरण है जो असमान रूप से प्रयोग करने योग्य डेटा को त्याग देता है; इसलिए, विशेषज्ञ इंटरपोलेशन और घटक-आधारित सुधार जैसे अधिक परिष्कृत तरीकों को प्राथमिकता देते हैं।
एपोचिंग: रुचि की घटनाओं पर ध्यान केंद्रित करना
अधिकांश EEG विश्लेषण, चाहे ERPs को मापना हो या समय-आवृत्ति पैटर्न को, समय के विशिष्ट क्षणों पर आधारित होते हैं: किसी उत्तेजना की प्रस्तुति, या उस पर प्रतिभागी की प्रतिक्रिया। एपोचिंग वह कदम है जो लंबी, निरंतर रिकॉर्डिंग को इन घटनाओं में से प्रत्येक के आसपास छोटी, समान-लंबाई वाली खिड़कियों में काटता है, जिसमें आमतौर पर घटना से पहले की एक संक्षिप्त अवधि शामिल होती है जिसे बेसलाइन के रूप में जाना जाता है।
वह घटना-पूर्व बेसलाइन अवधि एक सुधारात्मक भूमिका निभाती है, जिससे उन धीमे वोल्टेज बदलावों के समाधान में मदद मिलती है जिन्हें अन्यथा उत्तेजना के प्रति वास्तविक प्रतिक्रिया समझने की गलती की जा सकती है। लेकिन यह सुधार वाला कदम उसी सावधानी से अछूता नहीं है जो री-रेफरेंसिंग पर लागू होती है।
अर्नौड डेलॉर्म द्वारा पूर्वोक्त अध्ययन में पाया गया कि उन्नत बेसलाइन हटाने के तरीकों ने ERP महत्व के मामले में प्रदर्शन को महत्वपूर्ण रूप से कम कर दिया। इस साक्ष्य के आधार पर अधिक सुरक्षित दृष्टिकोण, एक सरल बेसलाइन सुधार है, जिसमें आमतौर पर प्री-स्टिमुलस विंडो के दौरान मापे गए औसत वोल्टेज को घटाया जाता है, न कि अधिक विस्तृत सुधार योजनाओं का उपयोग करना।
क्यों पाइपलाइन का चुनाव आपके परिणाम बदल देता है
एक साथ रखे जाने पर, यहाँ समीक्षा किए गए तुलनात्मक अध्ययन एक बात को स्पष्ट रूप से साफ करते हैं: प्रीप्रोसेसिंग पाइपलाइनें विनिमेय नहीं हैं, भले ही वे तरीकों के एक ही सामान्य टूलकिट से ली गई हों।
उदाहरण के लिए, डेलॉर्म के अध्ययन में पाया गया कि प्रमुख EEG सॉफ्टवेयर प्लेटफार्मों, EEGLAB, FieldTrip, MNE, और Brainstorm पर परीक्षण किए गए सभी पाइपलाइन रूपों में से केवल एक कॉन्फ़िगरेशन, जिसमें हाई-पास फ़िल्टरिंग को खराब चैनल इंटरपोलेशन के साथ जोड़ा गया था, ने अपने आप में सरल हाई-पास फ़िल्टरिंग से काफी बेहतर प्रदर्शन किया। कई अन्य आमतौर पर उपयोग किए जाने वाले कदमों ने वास्तव में डेटा की गुणवत्ता में सुधार करने के बजाय इसे सक्रिय रूप से कम कर दिया।
इस बीच, बर्टाज़ोली की टीम ने पाया कि विशेष रूप से TMS-EEG अनुसंधान में, समान डेटासेट पर लागू चार अलग-अलग पाइपलाइनों में तरंग आयाम और वैश्विक माध्य क्षेत्र शक्ति काफी भिन्न थी। टोपोग्राफिकल पैटर्न केवल उत्तेजना के 100 मिलीसेकंड से अधिक के अंतराल पर पाइपलाइनों में दृढ़ता से सहसंबद्ध थे; पहले के अंतरालों पर, सहसंबंध मान व्यापक रूप से 0.2 से 0.9 तक थे, जो इस बात पर निर्भर करता था कि किस पाइपलाइन का उपयोग किया गया था। परीक्षण-पुनःपरीक्षण विश्वसनीयता स्वयं इस बात पर निर्भर करती थी कि कौन सा प्रीप्रोसेसिंग दृष्टिकोण चुना गया था।
अंत में, हार्वर्ड के अध्ययन ने एक विशिष्ट मामले के लिए अधिक उत्साहजनक पैटर्न का प्रदर्शन किया: उच्च-आर्टिफैक्ट, विकासात्मक डेटा के लिए बनाई गई स्वचालित पाइपलाइन, जैसे HAPPE, ने सात व्यापक रूप से उपयोग किए जाने वाले वैकल्पिक प्रसंस्करण तरीकों से बेहतर प्रदर्शन किया, और अधिक आर्टिफैक्ट सामग्री को हटाने के साथ-साथ लगभग हर तुलना में समान या अधिक मात्रा में वास्तविक EEG सिग्नल को सुरक्षित रखा।
इन अध्ययनों में लगातार चलने वाला सूत्र यह है कि कोई भी एकल पाइपलाइन कॉन्फ़िगरेशन हर डेटासेट, आबादी या शोध प्रश्न के लिए सार्वभौमिक रूप से इष्टतम नहीं है। एक निश्चित नुस्खे को याद रखने के बजाय, प्रत्येक चरण के पीछे के तर्क को समझना ही एक शोधकर्ता को विचारशील, बचाव योग्य विकल्प बनाने और यह पहचानने की अनुमति देता है कि कब कोई दी गई पाइपलाइन उनके विशिष्ट डेटा के लिए खराब रूप से अनुकूल हो सकती है।
क्यों प्रीप्रोसेसिंग निर्णय तय करते हैं कि आप EEG डेटा में क्या देखते हैं
कच्ची मस्तिष्क रिकॉर्डिंग पलक झपकने, मांसपेशियों के शोर और विद्युत भिनभिनाहट से भरी होती है जो उन शांत सिग्नलों को आसानी से दबा सकते हैं जिनका शोधकर्ता अध्ययन करना चाहते हैं। इस डेटा को साफ करना कोई तटस्थ सफाई कदम नहीं है—फ़िल्टरिंग से लेकर आर्टिफैक्ट सुधार तक आप जिस सटीक पथ का अनुसरण करते हैं, वह मस्तिष्क गतिविधि की अंतिम तस्वीर को सार्थक रूप से बदल सकता है। साक्ष्य बताते हैं कि केवल कुछ ही कदम, जैसे हाई-पास फ़िल्टरिंग और टूटे हुए चैनलों को पैच करना, वास्तव में स्पष्ट तंत्रिका पैटर्न को प्रकट करते हैं, जबकि कई सामान्य कदम अप्रत्याशित रूप से उन परिणामों को कमजोर कर सकते हैं जिन्हें आप खोज रहे हैं।
इसलिए, यह देखना कि प्रत्येक प्रीप्रोसेसिंग विकल्प क्या करता है, सभी के लिए एक जैसे नुस्खे का पालन करने की तुलना में कहीं अधिक शक्तिशाली है। चूंकि विभिन्न उचित तरीके अध्ययनों को विभिन्न दिशाओं में ले जा सकते हैं, इसलिए अपनी प्रक्रिया की खुलकर रिपोर्ट करना उतना ही महत्वपूर्ण हो जाता है जितना कि डेटा स्वयं।
आप जिस विशिष्ट समूह के साथ काम कर रहे हैं, चाहे वह बैठा हुआ वयस्क हो या चलता-फिरता बच्चा, उसके अनुसार अपने दृष्टिकोण को तैयार करना अक्सर बिना किसी समायोजन के सामान्य-उद्देश्य वाले उपकरण का उपयोग करने से बेहतर प्रदर्शन करता है। उस तरह की विचारशील, पारदर्शी पाइपलाइन का निर्माण आपको सॉफ्टवेयर डिफॉल्ट पर भरोसा करने के बजाय वास्तव में यह समझने की अनुमति देता है कि आपका सिग्नल आपको क्या बताने की कोशिश कर रहा है।
संदर्भ
रॉबिन्स, के. ए., टूरियन, जे., मुलेन, टी., कोठे, सी., और बिगडली-शामलो, एन. (2020)। ईईजी परिणाम प्रीप्रोसेसिंग विधियों के प्रति कितने संवेदनशील हैं: एक बेंचमार्किंग अध्ययन। न्यूरल सिस्टम और पुनर्वास इंजीनियरिंग पर आईईईई लेनदेन, 28(5), 1081-1090। https://doi.org/10.1109/TNSRE.2020.2980223
बर्टाज़ोली, जी., एस्पोसिटो, आर., मुतनेन, टी. पी., फेरारी, सी., इल्मोनीमी, आर. जे., मिनियुसी, सी., और बार्टोलेट्टो, एम. (2021)। TMS-EEG सिग्नल पर आर्टिफैक्ट हटाने के दृष्टिकोणों का प्रभाव। न्यूरोइमेज, 239, 118272। https://doi.org/10.1016/j.neuroimage.2021.118272
डेलॉर्म ए. (2023)। ईईजी को अकेला छोड़ देना बेहतर है। वैज्ञानिक रिपोर्ट, 13(1), 2372। https://doi.org/10.1038/s41598-023-27528-0
गैबार्ड-डर्नम, एल. जे., मेंडेज़ लील, ए. एस., विल्किंसन, सी. एल., और लेविन, ए. आर. (2018)। इलेक्ट्रोएन्सेफलोग्राफी के लिए हार्वर्ड ऑटोमेटेड प्रोसेसिंग पाइपलाइन (HAPPE): विकासात्मक और उच्च-आर्टिफैक्ट डेटा के लिए मानकीकृत प्रसंस्करण सॉफ्टवेयर। न्यूरोसाइंस में फ्रंटियर्स, 12, 97। https://doi.org/10.3389/fnins.2018.00097
लीच, एस. सी., मोरालेस, एस., बोवर्स, एम. ई., बज़ेल, जी. ए., देवनाथ, आर., बील, डी., और फॉक्स, एन. ए. (2020)। एडजस्टिंग ADJUST: जियोडेसिक नेट का उपयोग करके बाल चिकित्सा डेटा के लिए ADJUST एल्गोरिदम को अनुकूलित करना। साइकोफिज़ियोलॉजी, 57(8), e13566। https://doi.org/10.1111/psyp.13566
अक्सर पूछे जाने वाले प्रश्न
सिग्नल प्रोसेसिंग मानक डेटा विश्लेषण से किस प्रकार भिन्न है?
सिग्नल प्रोसेसिंग विशेष रूप से निरंतर इनपुट की अस्थायी और आवृत्ति गतिशीलता पर ध्यान केंद्रित करती है, जबकि सामान्य डेटा विश्लेषण अक्सर स्थिर या स्वतंत्र चर से संबंधित होता है।
क्या सिग्नल प्रोसेसिंग किसी सिग्नल से सभी प्रकार के शोर को हटा सकती है?
यद्यपि फ़िल्टरिंग सिग्नल की स्पष्टता में काफी सुधार कर सकती है, पूर्ण शोर हटाना आमतौर पर सिग्नल और परिवेश के हस्तक्षेप के बीच अप्रत्याशित ओवरलैप के कारण असंभव होता है।
डिजिटल प्रणालियों में सैंपलिंग दर क्यों महत्वपूर्ण है?
सैंपलिंग दर अधिकतम आवृत्ति निर्धारित करती है जिसे सिस्टम सटीक रूप से प्रस्तुत कर सकता है, जो बिना किसी विकृति के उच्च-आवृत्ति वाले तंत्रिका संकेतकों को कैप्चर करने के लिए आवश्यक है।
फूरियर ट्रांसफॉर्म जैसे रूपांतरण का उद्देश्य क्या है?
रूपांतरणों का उपयोग डेटा को समय डोमेन (जहाँ अनुक्रम महत्वपूर्ण है) से आवृत्ति डोमेन में बदलने के लिए किया जाता है, जहाँ व्यक्तिगत घटक आवृत्तियों पर जोर दिया जाता है।
रैखिक और गैर-रैखिक प्रणालियाँ आउटपुट सटीकता को कैसे प्रभावित करती हैं?
रैखिक प्रणालियाँ पूर्वानुमानित, आनुपातिक प्रतिक्रियाएँ प्रदान करती हैं, जबकि गैर-रैखिक प्रणालियाँ जटिल क्षमताएं प्रदान करती हैं जो सरल पूर्वानुमान की कीमत पर छिपी हुई गतिशीलता को प्रकट करती हैं।
विश्लेषण से पहले कच्चे EEG डेटा को प्रीप्रोसेसिंग की आवश्यकता क्यों होती है?
कच्ची EEG रिकॉर्डिंग में न केवल मस्तिष्क की गतिविधि होती है बल्कि पलकें झपकने, मांसपेशियों के खिंचाव, विद्युत शोर और इलेक्ट्रोड बहाव से होने वाला हस्तक्षेप भी शामिल होता है। प्रीप्रोसेसिंग इन आर्टिफैक्ट्स को हटाकर वास्तविक तंत्रिका सिग्नल को अलग करती है, जिससे डेटा वैज्ञानिक अध्ययन के लिए व्याख्या योग्य और प्रयोग करने योग्य बन जाता है।
वह कौन सा एक प्रीप्रोसेसिंग कदम है जो लगभग हमेशा मदद करता है?
हाई-पास फ़िल्टरिंग, जो पसीने या इलेक्ट्रोड आंदोलन से होने वाले धीमे वोल्टेज के बहाव को हटाती है, लगातार फायदेमंद है। कई अध्ययनों में, यह उन कुछ कदमों में से एक था जिसने पाइपलाइन में जल्दी लागू किए जाने पर डेटा गुणवत्ता में विश्वसनीय रूप से सुधार किया।
री-रेफरेंसिंग EEG सिग्नल का क्या करती है?
री-रेफरेंसिंग मूल रिकॉर्डिंग संदर्भ के बजाय सभी इलेक्ट्रोड के औसत जैसे नए तटस्थ बिंदु के सापेक्ष प्रत्येक चैनल के वोल्टेज की गणितीय रूप से पुनर्गणना करती है। चूंकि EEG वोल्टेज अंतर को मापता है, यह विकल्प स्पष्ट आयाम और मस्तिष्क प्रतिक्रियाओं के सांख्यिकीय महत्व को भी बदल सकता है।
खराब चैनलों का पता कैसे लगाया जाता है और उन्हें कैसे ठीक किया जाता है?
कुछ इलेक्ट्रोड अनिवार्य रूप से अच्छा संपर्क खो देते हैं या अत्यधिक शोर वाले हो जाते हैं, जिससे पूरी खोपड़ी के विश्लेषण विकृत हो जाते हैं। इन खराब चैनलों की पहचान करने के बाद, इंटरपोलेशन आसपास के स्वस्थ इलेक्ट्रोड की गतिविधि के आधार पर उनके सिग्नल के पुनर्निर्माण का अनुमान लगाता है।
EEG में इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA) का उपयोग किस लिए किया जाता?
ICA एक तकनीक है जो मिश्रित सिग्नल को गणितीय रूप से स्वतंत्र घटकों में क्रमबद्ध करती है, जिनमें से कुछ पलकें झपकने या मांसपेशियों के शोर जैसे आर्टिफैक्ट्स के अनुरूप होते हैं। एक बार जब आर्टिफैक्ट-संबंधित घटकों की पहचान और उन्हें हटा दिया जाता है, तो वास्तविक मस्तिष्क गतिविधि को संरक्षित करने के लिए शेष स्वच्छ घटकों को वापस चैनल डेटा में प्रोजेक्ट किया जा सकता है।
आर्टिफैक्ट सबस्पेस रिकंस्ट्रक्शन (ASR) ICA से किस प्रकार भिन्न है?
ASR एक स्वच्छ संदर्भ अवधि के साथ आने वाले डेटा की तुलना करके शोर वाले खंडों की पहचान और उन्हें ठीक करता है, और स्वचालित रूप से उन हिस्सों को चिह्नित करता है जो उस आधार रेखा से बहुत अधिक विचलित होते हैं। ICA के विपरीत, यह सिग्नल को घटकों में विघटित नहीं करता है बल्कि स्वच्छ डेटा के आंकड़ों के आधार पर दूषित वर्गों का पुनर्निर्माण करता है।
आपको शोर वाले हर खंड को केवल फेंक क्यों नहीं देना चाहिए?
शोर वाले परीक्षणों को सीधे तौर पर अस्वीकार करने से अक्सर बड़ी मात्रा में प्रयोग करने योग्य डेटा निकल जाता है, जिससे सांख्यिकीय शक्ति कम हो जाती है और संभावित रूप से परिणाम कमजोर हो जाते हैं। चूंकि कीमती डेटा का नुकसान होता है, इसलिए इंटरपोलेशन या घटक-आधारित सुधार जैसे तरीकों को आम तौर पर प्राथमिकता दी जाती है, खासकर जब रिकॉर्डिंग का समय सीमित हो।
एपोचिंग क्या है और इसमें घटना-पूर्व बेसलाइन क्यों शामिल है?
एपोचिंग मस्तिष्क प्रतिक्रियाओं का विश्लेषण करने के लिए विशिष्ट घटनाओं, जैसे उत्तेजना, के साथ संरेखित लघु समय खिड़कियों में निरंतर रिकॉर्डिंग को काटती है। घटना-पूर्व बेसलाइन अवधि एक संदर्भ वोल्टेज स्तर प्रदान करती है, ताकि धीमे बहाव को उत्तेजना के प्रति प्रतिक्रिया समझने की गलती न हो।
क्या विशिष्ट प्रीप्रोसेसिंग पाइपलाइन वास्तव में अंतिम परिणामों को बदल देती है?
हाँ, विभिन्न पाइपलाइन विकल्प—जैसे फ़िल्टरिंग, संदर्भ योजना, या आर्टिफैक्ट सुधार पद्धति—तरंग आकृतियों, महत्व और यहाँ तक कि परीक्षण-पुनःपरीक्षण विश्वसनीयता को बदल सकते हैं। कोई भी एकल पाइपलाइन सभी स्थितियों के लिए सबसे अच्छा काम नहीं करती है, इसलिए शोधकर्ताओं को डिफ़ॉल्ट नुस्खे का आँख बंद करके पालन करने के बजाय प्रत्येक चरण के प्रभाव को समझना होगा।
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।
क्रिश्चियन बर्गोस
