एक इलेक्ट्रोएन्सेफालोग्राम खोपड़ी पर रखे गए इलेक्ट्रोड के माध्यम से न्यूरॉन्स द्वारा उत्पन्न विद्युत गतिविधि को पकड़ता है। लेकिन वास्तव में उन इलेक्ट्रोडों तक पहुँचने वाला संकेत शायद ही कभी साफ होता है।
उस सारे शोर के नीचे, वास्तविक तंत्रिका संकेत जिसके बारे में शोधकर्ता परवाह करते हैं, अक्सर छोटा होता है और आसानी से दब जाता है। संकेत प्रसंस्करण (सिग्नल प्रोसेसिंग) वह आवश्यक वैज्ञानिक विषय है जो आधुनिक विश्लेषण और प्रौद्योगिकी के लिए व्याख्या योग्य प्रारूपों में भौतिक डेटा के अनुवाद को सक्षम बनाता है।
सिग्नल प्रोसेसिंग क्या है?
सिग्नल प्रोसेसिंग का विषय भौतिक घटनाओं को मापने योग्य डेटा के रूप में बदलने, विश्लेषण करने और उसकी व्याख्या करने से संबंधित है। डेटा श्रेणियों को कैप्चर करने के लिए गणितीय रूपरेखा 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 अनुसंधान का केंद्र है, जिसमें जटिल मानव जैविक कार्यों का अध्ययन भी शामिल है।
डिजिटल सिग्नल प्रोसेसिंग को कैसे परिभाषित करें
डिजिटल सिग्नल प्रोसेसिंग उन सिग्नलों के लिए डिस्क्रिट-टाइम (discrete-time) गणनाओं के अनुप्रयोग का प्रतिनिधित्व करती है जिन्हें उनकी मूल एनालॉग अवस्थाओं से परिवर्तित किया गया है।
यह सुधार उन विशिष्ट एल्गोरिदम और प्रोसेसर के उपयोग के माध्यम से होता है जिन्हें कम्प्यूटेशनल लोड को कुशलतापूर्वक प्रबंधित करने के लिए डिज़ाइन किया गया है। वैज्ञानिक जैविक सिग्नलों को अलग करने के लिए इस दृष्टिकोण का उपयोग करते हैं, जो न्यूरोसाइंटिफिक क्षेत्रों के लिए अत्यंत महत्वपूर्ण है जहां अनुसंधान सटीकता के लिए डेटा की अखंडता सर्वोपरि है।
सिग्नल प्रोसेसिंग का मुख्य लक्ष्य
इसकी उपयोगिता के चरम पर, सिग्नल प्रोसेसिंग शोर के प्रभाव को कम करते हुए मापे गए डेटा से अधिकतम सार्थक जानकारी निकालने का प्रयास करती है। सिग्नल-टू-नॉइज़ अनुपात को अनुकूलित करके, शोधकर्ता विश्वसनीय डेटा बिंदुओं को पुनः प्राप्त करते हैं जो अन्यथा अस्पष्ट हो जाते।
यह उद्देश्य आधुनिक ईईजी (EEG) अभ्यास में उपयोग किए जाने वाले परिष्कृत नैदानिक उपकरणों के विकास को संचालित करता है।
सिग्नल प्रोसेसिंग के प्रकार
इनपुट सिग्नल की प्रकृति और उसके हेरफेर के लिए लागू कार्यप्रणाली के आधार पर सिग्नल प्रोसेसिंग को व्यापक रूप से वर्गीकृत किया गया है। भौतिक दुनिया एक सतत अवस्था में मौजूद है, जबकि इलेक्ट्रॉनिक उपकरण अक्सर संचालन करने के लिए डेटा के परिमाणित टुकड़ों (quantized chunks) पर निर्भर करते हैं।
किसी भी दिए गए प्रयोगात्मक सेटअप के लिए उपयुक्त गणितीय लेंस चुनने के लिए इन श्रेणियों के बीच अंतर करना मौलिक है।
एनालॉग बनाम डिजिटल सिग्नल प्रोसेसिंग
एनालॉग सिस्टम सीधे सर्किट घटकों के माध्यम से निरंतर विद्युत तरंगों में हेरफेर करते हैं, जिससे क्वांटाइजेशन के अधिक जटिलता के बिना उच्च स्तर की निष्ठा बनी रहती है। जबकि एनालॉग सिस्टम त्वरित प्रतिक्रिया प्रदान करते हैं, उनमें डिजिटल संरचनाओं जैसी लचीलेपन और प्रोग्रामेबिलिटी की कमी होती है।
जैसे-जैसे मानक 10-20 प्रणाली प्रोटोकॉल बदले हैं, विभिन्न अनुसंधान सेटिंग्स में तुलनीय डेटा बनाए रखने के लिए डिजिटल प्रोसेसिंग प्राथमिक मानक बन गई है।
डिजिटल सिग्नल प्रोसेसिंग क्या है? लीनियर बनाम नॉन-लीनियर सिस्टम
डिजिटल सिग्नल प्रोसेसिंग कम्प्यूटेशनल 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 सिस्टम लीनियर व्यवहार करता है या नहीं, यह अनुमान लगाने के लिए महत्वपूर्ण है कि आउटपुट विभिन्न इनपुट्स पर कैसी प्रतिक्रिया देगा, क्योंकि सुपरपोजिशन सिद्धांत केवल लीनियर संचालन के लिए ही लागू होता है। इसके विपरीत, नॉन-लीनियर सिस्टम जटिल रूपांतरण शुरू करते हैं जो अक्सर सरल मॉडलों द्वारा अनदेखा की जाने वाली सूक्ष्म गतिशीलता को पकड़ सकते हैं।
सिस्टम प्रकार | इनपुट-आउटपुट संबंध | प्राथमिक विशेषता |
|---|---|---|
लीनियर (Linear) | निरंतर आनुपातिकता | सुपरपोजिशन सिद्धांत लागू होता है |
नॉन-लीनियर (Non-Linear) | परिवर्तनीय गतिशीलता | उच्च-क्रम हार्मोनिक जनरेशन |
टाइम-इनवेरिएंट (Time-Invariant) | निश्चित संरचनात्मक प्रतिक्रिया | मापदंडों की लौकिक स्थिरता |
इन व्यवहारों को चिन्हित करके, तकनीकी विशेषज्ञ यह सुनिश्चित करते हैं कि डायग्नोस्टिक फ़िल्टर को लागू करने से पहले गणितीय मॉडल इनपुट सिग्नल की वास्तविक गतिशीलता को सटीक रूप से दर्शाता है।
सिग्नल प्रोसेसिंग में मुख्य अवधारणाएं 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 उद्देश्यपूर्ण रूप से विशिष्ट सिग्नल घटकों को कम या बेहतर बनाता है ताकि अंतिम आउटपुट को मानव व्याख्या या मशीन लर्निंग एल्गोरिदम के लिए तैयार किया जा सके।
सैंपलिंग और क्वांटाइजेशन
सैंपलिंग में विशिष्ट अंतरालों पर डेटा बिंदुओं को कैप्चर करना शामिल है जो डिस्क्रिट (discrete) प्रतिनिधित्व का आधार बनता है। क्वांटाइजेशन इस कदम का अनुसरण करता है, उन डिस्क्रिट समय बिंदुओं को विशिष्ट संख्यात्मक मानों पर मैप करता है जो सिग्नल के आयाम (amplitude) का प्रतिनिधित्व करते हैं।
यदि इन चरणों को सटीक रूप से कैलिब्रेट नहीं किया जाता है, तो एलियासिंग (aliasing) हो सकती है, जिससे विश्लेषण की गई तरंगों में महत्वपूर्ण विकृतियां आ सकती हैं।
फ़िल्टरिंग (Filtering)
फ़िल्टरिंग अवांछित आवृत्ति घटकों को हटाने की महत्वपूर्ण भूमिका निभाती है जो इच्छित सिग्नल से संबंधित नहीं होते हैं। बैंड-पास आवश्यकताओं के आधार पर, फ़िल्टर उच्च-आवृत्ति वाली मांसपेशियों के शोर या कम-आवृत्ति वाले ड्रिफ्ट को बहुत सूक्ष्मता से हटा सकते हैं।
यह प्रक्रिया अनिवार्य रूप से व्यापक पर्यावरणीय पृष्ठभूमि के हस्तक्षेप से रुचि की न्यूरल गतिविधि को अलग करती है, जिससे एक स्पष्ट विज़ुअल ट्रेस प्राप्त होता है।
रूपांतरण (जैसे, फूरियर ट्रांसफॉर्म)
रूपांतरण डेटा को विभिन्न डोमेन के बीच स्थानांतरित करते हैं ताकि अस्थायी शोर के भीतर छिपी आवधिक संरचनाओं का पता चल सके। इस प्रक्रिया में प्रयुक्त सामान्य तरीकों में शामिल हैं:
सिग्नल को उनके घटक आवृत्ति भागों में विघटित करने के लिए फूरियर ट्रांसफॉर्म।
एक ही समय में समय और आवृत्ति दोनों में क्षणिक घटनाओं को स्थानीयकृत करने के लिए वेवलेट विश्लेषण।
जटिल सिग्नलों के त्वरित लिफाफे (instantaneous envelope) और आवृत्ति का निर्धारण करने के लिए हिल्बर्ट ट्रांसफॉर्म।
डिस्क्रिट-टाइम सिस्टम और स्थिरता का अध्ययन करने के लिए Z-ट्रांसफॉर्म।
ये गणितीय मानचित्र इंजीनियरों को डेटा को उन दृष्टिकोणों से देखने की अनुमति देते हैं जो विशिष्ट विकृतियों या पैटर्नों की पहचान करते हैं जो सामान्य टाइम-डोमेन प्रतिनिधित्व में पूरी तरह से अदृश्य रहते हैं।
ईईजी (EEG) प्रीप्रोसेसिंग पाइपलाइन क्या है?
प्रीप्रोसेसिंग पाइपलाइन किसी विश्लेषण को शुरू करने से पहले निरंतर मूल (raw) EEG डेटा पर लागू होने वाले संचालन का एक मानकीकृत अनुक्रम है। हालांकि सटीक क्रम और विशिष्ट तरीके प्रयोगशालाओं और सॉफ्टवेयर पैकेजों के बीच भिन्न होते हैं, अधिकांश पाइपलाइन एक समान मुख्य आधार साझा करती हैं:
अवांछित आवृत्तियों को फ़िल्टर करना
सिग्नल को एक तटस्थ विद्युत बेसलाइन पर री-रेफरेंस करना
आर्टिफैक्ट्स की पहचान करना और उनका प्रबंधन करना
निरंतर रिकॉर्डिंग को विशिष्ट घटनाओं से जुड़े छोटे खंडों में काटना, जिसे एपोचिंग कहा जाता है
क्रम इस बात से कम मायने रखता है कि इस श्रृंखला में हर एक निर्णय अंतिम परिणाम को बदल सकता है। रॉबिंस और अन्य सहयोगियों द्वारा किए गए 2020 के एक बेंचमार्क अध्ययन में पाया गया कि स्थापित सर्वोत्तम-अभ्यास दिशानिर्देशों का पालन करने का दावा करने वाले अध्ययनों में भी इस बात में काफी भिन्नता दिखाई दी कि उन दिशानिर्देशों को कोड में वास्तव में कैसे लागू किया गया था।
इसी तरह, बर्टाज़ोली और अन्य सहयोगियों द्वारा 2021 के एक अध्ययन ने प्रदर्शित किया कि ट्रांसक्रैनियल मैग्नेटिक स्टिमुलेशन और ईईजी (TMS-EEG) के संयुक्त अनुसंधान में, प्रीप्रोसेसिंग पाइपलाइन के चयन का परिणामी मस्तिष्क प्रतिक्रिया तरंगों पर महत्वपूर्ण प्रभाव पड़ा, और यहाँ तक कि जब समान विषयों का दो बार परीक्षण किया गया तो उन परिणामों की विश्वसनीयता भी प्रभावित हुई।
फ़िल्टरिंग: वास्तविक मस्तिष्क सिग्नलों को कैसे अलग करें
मूल EEG में अवांछित आवृत्ति सामग्री की दो व्यापक श्रेणियां शामिल हैं।
धीमी आवृत्ति की तरफ, वोल्टेज ड्रिफ्ट्स तब सिग्नल में शामिल हो जाते हैं जब इलेक्ट्रोड के नीचे पसीना जमा हो जाता है या जब इलेक्ट्रोड स्वयं खोपड़ी (scalp) से थोड़ा हट जाता है। तीव्र आवृत्ति की तरफ, मांसपेशियों का तनाव और आस-पास के उपकरणों से विद्युत हस्तक्षेप उच्च-आवृत्ति वाले शोर को जन्म देते हैं, जिसका न्यूरॉन्स के फायर होने 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 द्वारा उत्पन्न 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 ड्रिफ्ट को हटा देता है। विश्लेषण के प्रकार के आधार पर, शोधकर्ता लो-पास फ़िल्टर भी लागू कर सकते हैं या दोनों को मिलाकर बैंड-पास फ़िल्टर बना सकते हैं, जो इवेंट-रिलेटेड पोटेंशियल्स (ERPs) - विशिष्ट उत्तेजनाओं के प्रति मस्तिष्क की विशिष्ट वोल्टेज प्रतिक्रियाएं - का अध्ययन करते समय डेटा को आमतौर पर 1 से 40 Hz की सीमा तक सीमित करता है।
फिल्टरिंग को जो बात विशेष रूप से उल्लेखनीय बनाती है, वह यह है कि यह लगातार कितनी मदद करती है। 2023 में, अर्नौद डेलॉर्म ने स्वचालित प्रीप्रोसेसिंग सुधारों की एक विस्तृत श्रृंखला का परीक्षण किया और पाया कि अधिकांश का या तो कोई मापने योग्य प्रभाव नहीं पड़ा या उन्होंने सक्रिय रूप से डेटा की गुणवत्ता को कम कर दिया। हाई-पास फ़िल्टरिंग केवल दो कदमों में से एक थी जिसने हर मामले में परिणामों में निश्चित रूप से सुधार किया।
हार्वर्ड के शोधकर्ता इसी तरह फ़िल्टरिंग को उच्च-आर्टिफैक्ट विकासात्मक डेटा के लिए अपने HAPPE पाइपलाइन के एक बुनियादी, गैर-परिवर्तनीय घटक के रूप में मानते हैं। संक्षेप में, फ़िल्टरिंग एक सुरक्षित डिफॉल्ट के करीब है। इसके बाद आने वाले हर कदम के लिए ऐसा नहीं कहा जा सकता।
री-रेफरेंसिंग: विद्युत शून्य बिंदु तय करना
ईईजी कभी भी पूर्ण वोल्टेज को नहीं मापता है। यह दो बिंदुओं, एक सक्रिय इलेक्ट्रोड और एक संदर्भ बिंदु के बीच के अंतर को मापता है।
मूल रिकॉर्डिंग आम तौर 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 जैसी एक एकल साइट या सिर के शीर्ष पर Cz इलेक्ट्रोड, जो इलेक्ट्रोड प्लेसमेंट को मानकीकृत करने के लिए उपयोग की जाने वाली 10-20 प्रणाली द्वारा परिभाषित स्थितियां हैं। वह मूल संदर्भ बिंदु कुछ हद तक मनमाना होता है, इसलिए री-रेफरेंसिंग गणितीय रूप से नए, सैद्धांतिक रूप से अधिक तटस्थ बिंदु, जैसे कि सभी इलेक्ट्रोड के औसत या दोनों मास्टॉयड के संयुक्त सिग्नल के सापेक्ष प्रत्येक चैनल के वोल्टेज की पुनर्गणना करती है।
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 न्यूरल घटना लगभग हर स्कैल्प इलेक्ट्रोड पर दर्ज हो। इस फैलाव के कारण, संदर्भ बिंदु को बदलने से रिकॉर्ड की गई गतिविधि का स्पष्ट आकार, आयाम और सांख्यिकीय महत्व भी बदल सकता है, भले ही अंतर्निहित मस्तिष्क गतिविधि के बारे में कुछ भी नहीं बदला हो।
यह EEG मोंटाज के मूल डिजाइन विकल्पों के पीछे की एक मुख्य अवधारणा है, जिसमें सामान्य औसत संदर्भ या संदर्भित मोंटाज जैसे दृष्टिकोण शामिल हैं, जिनमें से प्रत्येक समान अंतर्निहित मस्तिष्क सिग्नल को अलग तरह से प्रदर्शित करता है।
खराब चैनल डिटेक्शन और इंटरपोलेशन
किसी भी बहु-इलेक्ट्रोड तरंग रिकॉर्डिंग के दौरान, 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 नहीं किया जाता है, तो ये खराब चैनल उन विश्लेषणों को विकृत कर सकते हैं जो पूरे स्कैल्प में सिग्नल पैटर्न की तुलना करने पर निर्भर करते हैं।
मानक सुधार के तहत इन समस्या वाले चैनलों की पहचान की जाती है, उन्हें अस्थायी रूप से डेटासेट से हटा दिया जाता है, और फिर इंटरपोलेशन के माध्यम से उनके गुम डेटा को फिर से निर्मित किया जाता है, यानी अनिवार्य रूप से यह अनुमान लगाया जाता है कि उस इलेक्ट्रोड ने उसके स्वस्थ पड़ोसियों की गतिविधि के आधार पर क्या रिकॉर्ड किया होगा। यह बाद के विश्लेषण चरणों के लिए एक संपूर्ण स्कैल्प मानचित्र को पुनर्स्थापित करता है बिना प्रदूषित चैनल को परिणामों को प्रभावित करने दिए।
शोधकर्ता अर्नौद डेलॉर्म द्वारा लगातार फायदेमंद के रूप में पहचाना गया यह दूसरा कदम है। हाई-पास फ़िल्टरिंग के साथ, खराब चैनल इंटरपोलेशन उन सुधारात्मक उपायों में से एक था जिसका परीक्षण किया गया और इसने डेटा गुणवत्ता को कम नहीं किया।
फ़िल्टरिंग के साथ मिलकर, इसने उस अध्ययन में एक ऐसी पाइपलाइन कॉन्फ़िगरेशन बनाई जिसने अकेले साधारण फ़िल्टरिंग से बेहतर प्रदर्शन किया। मूल्यांकन किए गए कई स्वचालित सुधारों में, यह जोड़ी एक तुलनात्मक रूप से सुरक्षित और उपयोगी प्रक्रिया के रूप में सामने आती है।
मूल ईईजी (Raw EEG) में आर्टिफैक्ट की समस्या
इलेक्ट्रोड-स्तर की समस्याओं के अलावा, ईईजी रिकॉर्डिंग प्रतिभागी के अपने शरीर द्वारा उत्पन्न जैविक आर्टिफैक्ट्स से दूषित होती है:
आंखों के झपकने से ललाट (frontal) इलेक्ट्रोड पर बड़े विक्षेपण उत्पन्न होते हैं
आँखों की हरकतें चरणबद्ध वोल्टेज परिवर्तन उत्पन्न करती हैं
जबड़े और माथे की मांसपेशियों की गतिविधि उच्च-आवृत्ति वाले शोर को जन्म देती है
अचानक हरकतें अप्रत्याशित, बहु-चैनल वोल्टेज विस्थापन का कारण बनती हैं
दूषित खंडों के प्रति पारंपरिक प्रतिक्रिया उन्हें केवल त्याग देने की रही है, यानी किसी भी परीक्षण या समय खिड़की को अस्वीकार कर देना जहां आर्टिफैक्ट दिखाई देता है। यह तब काफी अच्छी तरह से काम करता है जब प्रतिभागी स्थिर बैठता है और आर्टिफैक्ट दुर्लभ होते हैं। यह उन आबादियों में बहुत कम व्यावहारिक हो जाता है जहाँ आर्टिफैक्ट अपवाद के बजाय सामान्य बात हैं।
Happe इस बात पर जोर देता है कि जैसे-जैसे ईईजी अध्ययन उच्च-घनत्व वाले इलेक्ट्रोड सरणियों और लंबी रिकॉर्डिंग की ओर बढ़ते हैं, खराब खंडों का मैन्युअल रूप से निरीक्षण और अस्वीकार करना व्यावहारिक नहीं रह जाता है, और मैन्युअल निर्णय अपनी स्वयं की व्यक्तिपरकता को जोड़ते हैं।
लीच और अन्य इसमें शामिल जोखिमों का एक ठोस उदाहरण जोड़ते हैं: बाल चिकित्सा ईईजी रिकॉर्डिंग नियमित रूप से बड़ी मात्रा में उपयोगी डेटा खो देती है क्योंकि छोटे बच्चों में गतिविधि और पलक झपकने के आर्टिफैक्ट अक्सर होते हैं। जब डेटा इतना बहुमूल्य हो, तो एक पलक झपकने के कारण पूरे परीक्षण को त्याग देना एक महंगा समाधान है।
आर्टिफैक्ट हटाने के लिए इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA)
इंडिपेंडेंट कंपोनेंट एनालिसिस, या ICA, थोक अस्वीकृति का एक अधिक सूक्ष्म विकल्प प्रदान करता है।
वैचारिक रूप से, ICA एक ब्लाइंड सोर्स सेपरेशन तकनीक है। यह प्रत्येक स्कैल्प इलेक्ट्रोड पर रिकॉर्ड किए गए मिश्रित सिग्नल को लेता है और सांख्यिकीय रूप से स्वतंत्र घटकों के एक सेट में गणितीय रूप से अनपैक करता है।
इनमें से कुछ घटक पहचानने योग्य आर्टिफैक्ट पैटर्न के अनुरूप होते हैं, जैसे आंख झपकने या मांसपेशियों के तनाव का हस्ताक्षर। अन्य घटक मस्तिष्क गतिविधि के पैटर्न के अनुरूप होते हैं। एक बार आर्टिफैक्ट से संबंधित घटकों की पहचान हो जाने के बाद, उन्हें हटाया जा सकता है और शेष साफ 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 सकता है।
बाधा यह है कि यह तय करने के लिए कि प्रत्येक घटक आंख झपकने को दर्शाता है या कॉर्टेक्स के एक हिस्से को, मैन्युअल रूप से निरीक्षण करना धीमा और स्वाभाविक रूप से व्यक्तिपरक है। इसने ADJUST, ICLabel, और MARA जैसे स्वचालित क्लासिफायर को जन्म दिया, जिन्हें एल्गोरिथम के अनुसार और लगातार निर्णय लेने के लिए डिज़ाइन किया गया है।
यह कितना प्रभावी है, इस पर साक्ष्य पूरी तरह से सकारात्मक होने के बजाय मिले-जुले हैं।
अर्नौद डेलॉर्म ने पाया कि आंख और मांसपेशियों के घटकों की स्वचालित आईसीए-आधारित अस्वीकृति ईआरपी 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।
रॉबिंस और अन्य ने 17 अध्ययनों में दो आईसीए-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 (spectral) विशेषताओं में और साफ किए गए डेटा में पलक झपकने से संबंधित कितनी अवशिष्ट मात्रा बची थी।
अधिक उत्साहजनक बात यह है कि 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, ने वर्गीकरण सटीकता में सुधार किया और मूल ADJUST एल्गोरिदम या बिना किसी आईसीए सुधार की तुलना में अधिक उपयोगी परीक्षणों को बनाए रखा, और कुछ उपायों में विशेष रूप से बाल चिकित्सा डेटा के लिए ICLabel से बेहतर प्रदर्शन किया।
कुल मिलाकर, ICA आर्टिफैक्ट्स को अलग करने और हटाने के लिए वास्तव में एक 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 साफ संदर्भ अवधि से लिए गए आंकड़ों के खिलाफ आने वाले डेटा की तुलना करके काम करता है, और सिग्नल के उन हिस्सों को स्वचालित रूप से चिह्नित और पुनर्निर्मित करता है जो उस साफ बेसलाइन से बहुत दूर विचलित होते हैं।
रॉबिन्स की टीम ने उसी 17 अध्ययनों के सेट में आईसीए-आधारित पाइपलाइनों के खिलाफ एएसआर के दो रूपों की सीधे तुलना की। व्यापक निष्कर्ष ने आईसीए तुलना को दोहराया: समग्र परिणाम संरचनाएं विभिन्न तरीकों में समान दिखती थीं, लेकिन फिर भी सार्थक अंतर दिखाई दिए, जो फिर से कम-आवृत्ति वाले स्पेक्ट्रल विशेषताओं में केंद्रित थे।
इसलिए एएसआर आईसीए का एक उपयुक्त विकल्प है न कि पूरी तरह से बेहतर प्रतिस्थापन, और वही सिद्धांत यहाँ भी लागू होता है जैसा कि इस पाइपलाइन में हर जगह लागू होता है: चुना गया विशिष्ट तरीका प्राप्त विशिष्ट परिणाम को आकार देता है।
क्या आपको खराब ईईजी खंडों को अस्वीकार करना चाहिए?
आपको संपूर्ण खंडों को अस्वीकार करने से बचना चाहिए, क्योंकि साक्ष्य संकेत देते हैं कि इसके परिणामस्वरूप होने वाली सांख्यिकीय शक्ति की हानि अक्सर शोर हटाने के लाभों से भारी पड़ती है।
साधारण थ्रेसहोल्डिंग एक सतही उपकरण है जो अनुपयुक्त रूप से उपयोगी डेटा को त्याग देता है; इसलिए, विशेषज्ञ इंटरपोलेशन और घटक-आधारित सुधार जैसे अधिक केंद्रित तरीकों को पसंद करते हैं।
एपोचिंग: रुचि की घटनाओं पर ध्यान केंद्रित करना
अधिकांश ईईजी विश्लेषण, चाहे वे ईआरपी माप रहे हों या समय-आवृत्ति पैटर्न, समय के विशिष्ट क्षणों पर केंद्रित होते हैं: किसी उत्तेजना की प्रस्तुति, या उसके प्रति प्रतिभागी की प्रतिक्रिया। एपोचिंग वह कदम है जो लंबी, निरंतर रिकॉर्डिंग को इनमें से प्रत्येक घटना के आसपास की छोटी, समान-लंबाई वाली खिड़कियों में काटता है, जिसमें आमतौर पर स्वयं घटना से पहले की एक छोटी अवधि शामिल होती है जिसे बेसलाइन के रूप में जाना जाता है।
वह घटना-पूर्व बेसलाइन अवधि एक सुधारात्मक भूमिका निभाती है, जिससे उन धीमी वोल्टेज बदलावों को ध्यान में रखने में मदद मिलती है जिन्हें अन्यथा उत्तेजना के प्रति वास्तविक प्रतिक्रिया समझा जा सकता है। लेकिन यह सुधार कदम री-रेफरेंसिंग पर लागू होने वाली समान सावधानी से अछूता नहीं है।
अर्नौद डेलॉर्म द्वारा पूर्वोक्त अध्ययन में पाया गया कि उन्नत बेसलाइन हटाने के तरीकों ने ईआरपी महत्व के संदर्भ में प्रदर्शन को काफी कम कर दिया। इस साक्ष्य के आधार पर अधिक सुरक्षित दृष्टिकोण, एक सरल बेसलाइन सुधार है, जो आमतौर पर उत्तेजना-पूर्व खिड़की के दौरान मापे गए औसत वोल्टेज को घटा देता है, बजाय इसके कि अधिक विस्तृत सुधार योजनाओं का उपयोग किया जाए।
पाइपलाइन का चयन आपके परिणामों को क्यों बदल देता है
एक साथ रखे जाने पर, यहाँ समीक्षा किए गए तुलनात्मक अध्ययन एक बात को स्पष्ट करते हैं: प्रीप्रोसेसिंग पाइपलाइनें विनिमेय नहीं हैं, भले ही वे विधियों के समान सामान्य टूलकिट से ली गई हों।
उदाहरण के लिए, डेलॉर्म के अध्ययन में पाया गया कि अग्रणी ईईजी सॉफ्टवेयर प्लेटफॉर्मों, EEGLAB, FieldTrip, MNE, और Brainstorm पर परीक्षण किए गए सभी पाइपलाइन विविधताओं में से केवल एक कॉन्फ़िगरेशन, जो खराब चैनल इंटरपोलेशन के साथ हाई-पास फ़िल्टरिंग को जोड़ती है, ने अकेले साधारण हाई-पास फ़िल्टरिंग की तुलना में महत्वपूर्ण रूप से बेहतर प्रदर्शन किया। कई अन्य आमतौर पर उपयोग किए जाने वाले चरणों ने सुधार करने के बजाय डेटा गुणवत्ता को सक्रिय रूप से कम कर दिया।
इस बीच, बर्टाज़ोली की टीम ने पाया कि विशेष रूप से टीएमएस-ईईजी अनुसंधान में, समान डेटासेट पर लागू चार अलग-अलग पाइपलाइनों में तरंग आयाम (waveform amplitude) और वैश्विक माध्य क्षेत्र शक्ति (global mean field power) काफी भिन्न थी। उत्तेजना के 100 मिलीसेकंड बाद के लेटेंसी पर ही टोपोग्राफिकल पैटर्न पाइपलाइनों के बीच दृढ़ता से सहसंबंधित थे; पहले की लेटेंसी में, सहसंबंध मान व्यापक रूप से भिन्न थे, जो इस बात पर निर्भर करता था कि किस पाइपलाइन का उपयोग किया गया था। टेस्ट-रीटेस्ट 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 पाइपलाइनों, जैसे कि HAPPE, ने सात व्यापक रूप से उपयोग किए जाने वाले वैकल्पिक प्रसंस्करण दृष्टिकोणों से बेहतर प्रदर्शन किया, जिससे अधिक आर्टिफैक्ट सामग्री हट गई और साथ ही लगभग हर तुलना में समान या अधिक मात्रा में वास्तविक ईईजी सिग्नल संरक्षित रहे।
इन अध्ययनों के माध्यम से चलने वाला निरंतर सूत्र यह है कि कोई भी एकल पाइपलाइन कॉन्फ़िगरेशन हर डेटासेट, आबादी या शोध प्रश्न में सार्वभौमिक रूप से इष्टतम नहीं है। एक निश्चित विधि को याद रखने के बजाय प्रत्येक चरण के पीछे के तर्क को समझना ही वह बात है जो एक शोधकर्ता को जानबूझकर, बचाव योग्य विकल्प चुनने और यह पहचानने की अनुमति देती है कि कब कोई दी गई पाइपलाइन उनके विशिष्ट डेटा के लिए खराब रूप से अनुकूल हो सकती है।
ईईजी डेटा में आप जो देखते हैं उसे प्रीप्रोसेसिंग निर्णय क्यों आकार देते हैं
मस्तिष्क की मूल रिकॉर्डिंग पलकें झपकने, मांसपेशियों के शोर और विद्युत भिनभिनाहट से भरी होती है जो शोधकर्ताओं द्वारा अध्ययन किए जाने वाले शांत सिग्नलों को आसानी से दबा सकती है। इस डेटा को साफ करना कोई तटस्थ सफाई कदम नहीं है—फ़िल्टरिंग से लेकर आर्टिफैक्ट सुधार तक आप जिस सटीक मार्ग का अनुसरण करते हैं, वह मस्तिष्क की गतिविधि की अंतिम तस्वीर को सार्थक रूप से बदल सकता है। साक्ष्य दर्शाते हैं कि केवल कुछ ही कदम, जैसे हाई-पास फ़िल्टरिंग और टूटे हुए चैनलों को पैच करना, विश्वसनीय रूप से स्पष्ट न्यूरल पैटर्न को प्रकट करते हैं, जबकि कई सामान्य कदम अप्रत्याशित रूप से उन परिणामों को कमजोर कर सकते हैं जिन्हें आप तलाश रहे हैं।
इसलिए, यह देखना कि प्रत्येक प्रीप्रोसेसिंग विकल्प क्या करता है, सभी के लिए एक जैसी विधि का आंख मूंदकर पालन करने की तुलना में कहीं अधिक प्रभावी 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 घूमता हुआ बच्चा, उसके अनुसार अपने दृष्टिकोण को ट्यून करना अक्सर बिना किसी समायोजन के सामान्य उद्देश्य वाले उपकरण का उपयोग करने से बेहतर प्रदर्शन करता है। इस तरह की विचारशील, पारदर्शी पाइपलाइन का निर्माण आपको सॉफ्टवेयर डिफॉल्ट पर भरोसा करने से आगे बढ़ाकर वास्तव में यह समझने में मदद करता है कि आपका सिग्नल आपको क्या बताने की कोशिश कर रहा है।
संदर्भ
Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223
Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272
Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097
Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566
अक्सर पूछे जाने वाले प्रश्न
सिग्नल प्रोसेसिंग मानक डेटा विश्लेषण से किस तरह भिन्न है?
सिग्नल प्रोसेसिंग विशेष रूप से निरंतर इनपुट के समय और आवृत्ति गतिशीलता पर ध्यान केंद्रित करती है, जबकि सामान्य डेटा विश्लेषण अक्सर स्थिर या स्वतंत्र चरों से निपटता 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 सिस्टम में सैंपलिंग रेट क्यों महत्वपूर्ण है?
सैंपलिंग रेट अधिकतम आवृत्ति निर्धारित करता है जिसे सिस्टम सटीक रूप से प्रस्तुत कर सकता है, जो बिना किसी विकृति के उच्च-आवृत्ति न्यूरल संकेतकों को कैप्चर करने के लिए आवश्यक है।
फूरियर ट्रांसफॉर्म जैसे रूपांतरण का उद्देश्य क्या है?
रूपांतरणों का उपयोग डेटा को टाइम डोमेन से, जहां अनुक्रम महत्वपूर्ण है, फ़्रीक्वेंसी डोमेन में बदलने के लिए किया जाता है, जहां व्यक्तिगत घटक आवृत्तियों पर जोर दिया जाता है।
लीनियर और नॉन-लीनियर सिस्टम आउटपुट की सटीकता को कैसे प्रभावित करते हैं?
लीनियर सिस्टम पूर्वानुमेय, आनुपातिक प्रतिक्रियाएं प्रदान करते हैं, जबकि नॉन-लीनियर सिस्टम जटिल क्षमताएं प्रदान करते हैं जो सरल पूर्वानुमेयता की कीमत पर छिपी हुई गतिशीलता को प्रकट करते हैं।
मूल (raw) ईईजी डेटा को विश्लेषण से पहले प्रीप्रोसेसिंग की आवश्यकता क्यों होती?
मूल ईईजी रिकॉर्डिंग में न केवल मस्तिष्क की गतिविधि होती है बल्कि पलक झपकने, मांसपेशियों के तनाव, विद्युत शोर और इलेक्ट्रोड ड्रिफ्ट से व्यवधान भी शामिल होता है। प्रीप्रोसेसिंग इन आर्टिफैक्ट्स को हटाकर वास्तविक न्यूरल सिग्नल को अलग करती है, जिससे डेटा वैज्ञानिक अध्ययन के लिए व्याख्या करने योग्य और उपयोगी बन जाता है।
वह कौन सा एक प्रीप्रोसेसिंग कदम है जो हमेशा मदद करता है?
हाई-पास फ़िल्टरिंग, जो पसीने या इलेक्ट्रोड आंदोलन से आने वाले धीमे वोल्टेज ड्रिफ्ट को हटाती है, लगातार फायदेमंद होती है। कई अध्ययनों में, यह उन कुछ कदमों में से एक थी जिसने पाइपलाइन में शुरू में लागू होने पर डेटा गुणवत्ता में विश्वसनीय रूप से सुधार किया।
री-रेफरेंसिंग ईईजी सिग्नल का क्या करती है?
री-रेफरेंसिंग मूल रिकॉर्डिंग संदर्भ के बजाय, सभी इलेक्ट्रोड के औसत जैसे एक नए तटस्थ बिंदु के सापेक्ष प्रत्येक चैनल के वोल्टेज की गणितीय रूप से पुनर्गणना करती है। चूंकि ईईजी वोल्टेज अंतर को मापता है, इसलिए यह विकल्प स्पष्ट आयाम और यहां तक कि मस्तिष्क प्रतिक्रियाओं के सांख्यिकीय महत्व को भी नया आकार दे सकता है।
खराब चैनलों का पता क्यों लगाया जाता है और उन्हें कैसे ठीक किया जाता है?
कुछ इलेक्ट्रोड अनिवार्य रूप से अच्छे संपर्क को खो देते हैं या अत्यधिक शोर वाले हो जाते हैं, जिससे पूरे स्कैल्प विश्लेषण विकृत हो जाते हैं। इन खराब चैनलों की पहचान करने के बाद, इंटरपोलेशन आसपास के स्वस्थ इलेक्ट्रोड की गतिविधि के आधार पर यह अनुमान लगाकर उनके सिग्नल का पुनर्निर्माण करता है कि उन्होंने क्या रिकॉर्ड किया होगा।
ईईजी में इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA) का उपयोग किस लिए किया जाता है?
ICA एक ऐसी तकनीक है जो मिश्रित सिग्नलों को स्वतंत्र घटकों में गणितीय रूप से छांटती है, जिनमें से कुछ पलकें झपकने या मांसपेशियों के शोर जैसे आर्टिफैक्ट्स के अनुरूप होते हैं। एक बार आर्टिफैक्ट से संबंधित घटकों की पहचान करने और उन्हें हटाने के बाद, वास्तविक मस्तिष्क गतिविधि को संरक्षित करने के लिए शेष साफ घटकों को वापस चैनल डेटा में प्रोजेक्ट किया जा सकता है।
आर्टिफैक्ट सबस्पेस रिकंस्ट्रक्शन (ASR) ICA से किस प्रकार भिन्न है?
ASR एक साफ संदर्भ अवधि के साथ आने वाले डेटा की तुलना करके शोर वाले हिस्सों की पहचान करता है और उन्हें ठीक करता है, और जो हिस्से उस बेसलाइन से बहुत दूर विचलित होते हैं उन्हें स्वचालित रूप से चिह्नित करता है। ICA के विपरीत, यह सिग्नल को घटकों में विघटित नहीं करता है बल्कि इसके बजाय साफ डेटा के आँकड़ों के आधार पर दूषित वर्गों का पुनर्निर्माण करता।
आपको केवल शोर वाले प्रत्येक खंड को क्यों नहीं फेंक देना चाहिए?
शोर वाले परीक्षणों को पूरी तरह से खारिज करने से अक्सर बड़ी मात्रा में उपयोगी डेटा निकल जाता है, सांख्यिकीय शक्ति कम हो जाती है और संभावित रूप से परिणाम कमजोर हो जाते हैं। चूंकि बहुमूल्य डेटा खो जाता है, इसलिए इंटरपोलेशन या घटक-आधारित सुधार जैसे तरीकों को आमतौर पर पसंद किया जाता 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 निरंतर रिकॉर्डिंग को विशिष्ट घटनाओं, जैसे उत्तेजना, के अनुरूप छोटी समय खिड़कियों में काटती है। घटना-पूर्व बेसलाइन अवधि एक संदर्भ वोल्टेज स्तर प्रदान करती है, ताकि धीमी ड्रिफ्ट को उत्तेजना के प्रति प्रतिक्रिया के रूप में गलत न समझा जाए।
क्या विशिष्ट प्रीप्रोसेसिंग पाइपलाइन वास्तव में अंतिम परिणामों को बदल देती है?
हाँ, विभिन्न पाइपलाइन विकल्प—जैसे कि फ़िल्टरिंग, संदर्भ योजना, या आर्टिफैक्ट सुधार विधि—तरंगों के आकार, सांख्यिकीय महत्व और परीक्षण-रीटेस्ट विश्वसनीयता को भी बदल सकते हैं। कोई भी एकल पाइपलाइन सभी स्थितियों के लिए सबसे अच्छा काम नहीं करती है, इसलिए शोधकर्ताओं को बिना सोचे-समझे डिफ़ॉल्ट विधि का पालन करने के बजाय प्रत्येक चरण के प्रभाव को समझना चाहिए।
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
