न्यूरोसाइंटिस्ट जटिल, परस्पर व्यापी दिमागी तरंगों (मस्तिष्क की लय) को अलग-अलग, पठनीय बैंड्स में विभाजित करने के लिए ईईजी (EEG) संकेतों को 'समय' से 'आवृत्ति' (टाइम से फ्रीक्वेंसी) में परिवर्तित करते हैं। यह परिवर्तन एक प्रिज्म की तरह काम करता है, जो शोर-शराबे वाले कच्चे डेटा को सार्थक पैटर्नों में स्पष्ट करता है जो मानसिक स्थितियों, व्यक्तिगत हस्ताक्षरों और नैदानिक संकेतों को प्रकट करते हैं। मौजूदा जानकारी को पुनर्गठित करके, यह बदलाव दौरे और भावनात्मक स्थितियों जैसी घटनाओं का सटीक पता लगाने में सक्षम बनाता है जो अन्यथा समय डोमेन में छिपे रहते हैं।
टाइम-टू-फ्रीक्वेंसी ट्रांसफॉर्मेशन (समय-से-आवृत्ति रूपांतरण) क्या है?
रूपांतरण प्रक्रिया में कच्चे डेटा अनुक्रमों को, जिन्हें आमतौर पर समय के सापेक्ष आयामों के रूप में मापा जाता है, आवृत्तियों के एक स्पेक्ट्रम में बदलना शामिल है। यह गणितीय बदलाव शोधकर्ताओं को केवल कच्चे वोल्टेज या दबाव के उतार-चढ़ाव के बजाय किसी सिग्नल के घटक लयबद्ध तत्वों का निरीक्षण करने में सक्षम बनाता है। इस नजरिए से डेटा को देखकर, जटिल डेटासेट के भीतर सूक्ष्म पैटर्न को वर्गीकृत करना और आगे के विश्लेषण के लिए व्याख्या करना काफी आसान हो जाता है।
मूल बातें समझना: टाइम डोमेन से फ्रीक्वेंसी डोमेन तक
मानक सिग्नल रिकॉर्डिंग में, समय संबंधी पहलू घटनाओं के अनुक्रम को उसी रूप में दर्शाता है जैसे वे घटित होती हैं, जिससे एक कालानुक्रमिक क्रम बना रहता है जो तत्काल निगरानी के लिए सहज होता है। हालांकि, कई गतिशील प्रणालियां दोहरावदार व्यवहार प्रदर्शित करती हैं—जैसे neuroscience से जुड़ी न्यूरॉन्स की लयबद्ध फायरिंग—जिन्हें केवल कच्चे सिग्नल को देखकर आसानी से अलग नहीं किया जा सकता है।
फ्रीक्वेंसी यानी आवृत्ति के दृष्टिकोण पर जाना प्रभावी रूप से एक विश्लेषणात्मक फ़िल्टर के रूप में कार्य करता है, जिससे कोई भी व्यक्तिगत लय और समग्र सिग्नल संरचना में उनके सापेक्ष योगदान को अलग कर सकता है।
गणितीय आधार: फूरियर ट्रांसफॉर्म
फूरियर ट्रांसफॉर्म इस सिद्धांत पर काम करता है कि किसी भी जटिल दोलन (oscillatory) सिग्नल को सरल साइन और कोसाइन तरंगों के भारित योग (weighted sum) के रूप में व्यक्त किया जा सकता है। यह गणितीय क्रिया मूल रूप से एक अपघटन (decomposition) करती है, जिससे किसी सिग्नल की शुरुआती जटिलता की परवाह किए बिना उसकी अंतर्निहित आवधिक संरचना को निकाला जा सके।
इस ट्रांसफॉर्म को लागू करके, एक शोधकर्ता समय संबंधी डेटा बिंदुओं को एक नए डोमेन में मैप करता है जहां क्षैतिज अक्ष (horizontal axis) आवृत्ति का प्रतिनिधित्व करता है और लंबवत अक्ष (vertical axis) प्रत्येक विशिष्ट आवृत्ति घटक की शक्ति या आयाम को दर्शाता है।
टाइम-टू-फ्रीक्वेंसी विश्लेषण क्यों महत्वपूर्ण है?
शोर (noise) या व्यापक, मिश्रित तरंगों के भीतर छिपी विशिष्ट घटनाओं को अलग करने के लिए फ्रीक्वेंसी डोमेन में सिग्नलों का विश्लेषण करना आवश्यक है। यह दृष्टिकोण विभिन्न क्षेत्रों में व्यापक रूप से अपनाया जाता है जो सेंसर और माप उपकरणों से प्रासंगिक Insight निकालने के लिए सटीक signal processing पर निर्भर करते हैं।
सिग्नल प्रोसेसिंग में अनुप्रयोग
इंजीनियरों को अक्सर पृष्ठभूमि के हस्तक्षेप या परिवेशी विद्युत शोर से दूषित सिग्नलों का सामना करना पड़ता है, जो रुचि की प्राथमिक जानकारी को छिपा सकते हैं। फ्रीक्वेंसी संरचना को देखने वाली विश्लेषणात्मक तकनीकें सटीक फ़िल्टरिंग की अनुमति देती हैं, जिससे मुख्य डेटा को बाधित किए बिना विशिष्ट अवांछित श्रेणियों को कम किया जाता है।
यह क्षमता आधुनिक संचार प्रणालियों और सेंसर प्रौद्योगिकियों के लिए मौलिक है, जिससे यह सुनिश्चित होता है कि वैध सिग्नल शिखर स्पष्ट और डाउनस्ट्रीम प्रोसेसिंग के लिए व्याख्या योग्य बने रहें।
ऑडियो और स्पीच एनालिसिस में Insights
मानव भाषण और प्राकृतिक ध्वनियों में कई ओवरलेड आवृत्तियां शामिल होती हैं, जिनमें से प्रत्येक अंतर्निहित स्रोत के टिम्ब्रे (timbre) और टोन को दर्शाती है। इन सिग्नलों को फ्रीक्वेंसी डोमेन में परिवर्तित करने से शोधकर्ताओं को फॉर्मेंशन्स (formants) को मैप करने या समय के साथ बदलने वाली भाषण विशेषताओं का पता लगाने की सुविधा मिलती है, जो कि ध्वनिकी (acoustics) में एक सामान्य आवश्यकता है।
इन सिग्नलों को स्पेक्ट्रोग्राम के रूप में मानकर, विश्लेषक क्षणिक बदलावों की निगरानी कर सकते हैं जो विशिष्ट ध्वनि कलाकृतियों या पैटर्न को इंगित कर सकते हैं जो एक ध्वनिक स्रोत को दूसरे से अलग करते हैं।
बायोमेडिकल इंजीनियरिंग में उपयोग के मामले
चिकित्सीय सेटिंग्स में, स्वास्थ्य की निगरानी और neurological conditions के निदान के लिए जैविक विद्युत आउटपुट का सटीक मापन महत्वपूर्ण है। एक प्राथमिक उपकरण के रूप में EEG का उपयोग करके, डॉक्टर मस्तिष्क तरंगों के पैटर्न को रिकॉर्ड कर सकते हैं जबकि शोधकर्ता सतर्कता की विभिन्न अवस्थाओं से जुड़े लयबद्ध व्यवहारों का अध्ययन करने के लिए विशिष्ट आवृत्ति विश्लेषणों का उपयोग करते हैं।
PCI Data Acquisition हार्डवेयर जैसे विशेष उपकरणों को एकीकृत करना यह सुनिश्चित करता है कि उच्च-सटीकता वाला डेटा कैप्चर हो, जिसे फिर सार्थक नैदानिक Insight प्रदान करने के लिए फ्रीक्वेंसी-डोमेन ट्रांसफॉर्म के माध्यम से संसाधित किया जाता है।
समय से आवृत्ति में परिवर्तन के सामान्य तरीके
समय संबंधी डेटा को परिवर्तित करने के लिए विभिन्न एल्गोरिदम मौजूद हैं, जिनमें से प्रत्येक सिग्नल स्थिरता के विभिन्न स्तरों और सटीकता आवश्यकताओं के लिए उपयुक्त है। एक उपयुक्त विधि का चयन सिग्नल की प्रकृति और अंतिम स्पेक्ट्रल आउटपुट के आवश्यक रिज़ॉल्यूशन पर निर्भर करता है।
शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT)
यह विधि एक लंबे सिग्नल को छोटे, ओवरलैपिंग विंडो में विभाजित करती है, और प्रत्येक पर एक फूरियर ट्रांसफॉर्म निष्पादित करती है ताकि यह देखा जा सके कि आवृत्ति सामग्री कैसे विकसित होती है। यह विशेष रूप से उन सिग्नलों के लिए उपयोगी है जो पूरी तरह से स्थिर नहीं हैं लेकिन छोटी अवधि के लिए स्थिर रहते हैं।
मैन्युअल रूप से समय को आवृत्ति में कैसे बदलें
यद्यपि सॉफ़्टवेयर अधिकांश गणनाओं को स्वचालित कर देता है, फिर भी आवधिक (periodic) सिग्नलों के मैन्युअल रूपांतरण को समझने के लिए चक्र की अवधि (cycle duration) की पहचान करना आवश्यक है। अवधि के व्युत्क्रम (inverse) की गणना करके, कोई उस दर को निर्धारित करता है जिस पर घटना एक पूर्ण चक्र पूरा करती है, जिससे हर्ट्ज़ में मापा गया आवृत्ति मान प्राप्त होता है।
सिग्नल का प्रकार | अवधि (T) | आवृत्ति (f) |
|---|---|---|
धीमी लय | 0.5 सेकेंड | 2.0 Hz |
मध्यम-दूरी का दोलन | 0.1 सेकेंड | 10.0 Hz |
तीव्र बस्ट | 0.02 सेकेंड | 50.0 Hz |
यह तालिका अवधि और आवृत्ति के बीच व्युत्क्रम संबंध को दर्शाती है, जहाँ चक्र की कम अवधि के परिणामस्वरूप काफी अधिक आवृत्ति आउटपुट प्राप्त होता है।
त्वरित अनुमानों के लिए फ्रीक्वेंसी टू टाइम कैलकुलेटर का उपयोग करना
अभ्यासकर्ता अक्सर व्यापक गणना के बिना समय और आवृत्ति के बीच के अंतर को पाटने के लिए अनुमान उपकरणों का उपयोग करते हैं। ये उपकरण आमतौर पर डेटा विश्लेषण के दौरान त्वरित कॉन्फ़िगरेशन के लिए निम्नलिखित विशेषताएं प्रदान करते हैं:
चक्रीय समय का हर्ट्ज़ में स्वचालित रूपांतरण।
मिलीसेकंड और माइक्रोसेकंड जैसी कई स्केल इकाइयों के लिए समर्थन।
रूपांतरण को उलटने के लिए कार्यों का तुरंत पलटना।
सिग्नल स्थिरता की दृश्य तुलना के लिए तत्काल ग्राफ़िंग।
ये कैलकुलेटर शोध वातावरण में अधिक जटिल डिजिटल फ़िल्टरिंग या स्पेक्ट्रल अपघटन तकनीकों को लागू करने से पहले एक प्रारंभिक मूल्यांकन प्रदान करते हैं।
वेवलेट ट्रांसफॉर्म
पारंपरिक फूरियर दृष्टिकोणों के विपरीत, वेवलेट ट्रांसफॉर्म एक साथ निम्न और उच्च-आवृत्ति दोनों घटकों का विश्लेषण करने के लिए स्केलेबल विंडो का उपयोग करता है। यह अचानक सिग्नल परिवर्तनों के बेहतर स्थानीयकरण की अनुमति देता है, जैसे कि क्षणिक डिस्चार्ज या स्पाइक्स जो विंडो वाले STFT विश्लेषण के लिए बहुत तेज़ी से होते हैं।
यह उन क्षेत्रों में अत्यधिक मूल्यवान है जो एक ही पास में उच्च समय और आवृत्ति संवेदनशीलता की मांग करते हैं।
अदृश्य प्रिज्म: समय को आवृत्ति में बदलना
मस्तिष्क की गतिविधि का एक भी क्षण शायद ही कभी एक साफ लहर से बना होता है। यह एक संगीतमय राग की तरह अधिक व्यवहार करता है, जहां एक जटिल स्वर बनाने के लिए कई सुर एक साथ बजते हैं।
यदि आप केवल राग को समग्र रूप से सुनते हैं, तो आपको एक मिश्रण सुनाई देता है, व्यक्तिगत सुर नहीं। यही समस्या एक raw EEG ट्रेस पर भी लागू होती है। किसी भी क्षण, धीमी, मध्यम और तेज़ तरंगें एक साथ सक्रिय होती हैं, और टाइम डोमेन दृश्य उन्हें एक एकल, समझने में कठिन तरंग रूप में संचित कर देता है।
उस तरंग रूप को फ्रीक्वेंसी डोमेन में परिवर्तित करने से सिग्नल में नई जानकारी नहीं जुड़ती है। यह मौजूदा जानकारी को पुनर्गठित करता है ताकि विभिन्न तरंगें अलग-अलग घटकों के रूप में दिखाई देने लगें। इस पुनर्गठन के मापने योग्य, व्यावहारिक परिणाम हैं कि शोधकर्ता शोर वाले डेटा को कितनी अच्छी तरह साफ कर सकते हैं और सार्थक पैटर्न का पता लगा सकते हैं।
आंखों के झपकने के आर्टिफैक्ट्स (eye-blink artifacts) पर विचार करें, जो EEG रिकॉर्डिंग में संदूषण के सबसे लगातार स्रोतों में से एक हैं। जब आंखें हिलती हैं, तो परिणामी विद्युत सिग्नल, जिसे इलेक्ट्रोक्यूलोग्राम (EOG) कहा जाता है, पास के EEG चैनलों में लीक हो जाता है और रीडिंग को विकृत कर देता है। शुरुआती सुधार के प्रयासों में माना गया था कि आंखों से खोपड़ी तक रिसाव सभी लय में समान रूप से व्यवहार करता है, इसलिए एक साधारण टाइम डोमेन सबट्रैक्शन (घटाव) हर जगह समान रूप से काम करना चाहिए।
Kenemans et al. ने इस धारणा का सीधे परीक्षण किया। सिमुलेटेड और वास्तविक दोनों प्रकार के डेटा का उपयोग करके, शोधकर्ताओं ने तीन सफाई रणनीतियों की तुलना की:
एक साधारण टाइम डोमेन प्रतिगमन (regression)
एक अधिक जटिल मल्टीपल-लैग टाइम डोमेन प्रतिगमन
एक फ्रीक्वेंसी डोमेन प्रतिगमन।
जब आंख से खोपड़ी तक विद्युत हस्तांतरण फ्रीक्वेंसी-स्वतंत्र था, जिसका अर्थ है कि इसने सभी लय में एक ही तरह से व्यवहार किया, तो तीनों विधियों ने समान रूप से अच्छा प्रदर्शन किया। लेकिन जब स्थानांतरण फ्रीक्वेंसी-निर्भर था, जिसका अर्थ है कि संदूषण इस बात पर निर्भर करता था कि कौन सी लय शामिल थी, तो सरल टाइम डोमेन विधि मूल EEG को पूरी तरह से रीकंस्ट्रक्ट करने में विफल रही।
केवल फ्रीक्वेंसी डोमेन दृष्टिकोण और अधिक परिष्कृत मल्टीपल-लैग टाइम डोमेन विधि ही उस परिवर्तनशीलता को स्पष्ट कर सकती थी। इससे पता चलता है कि मस्तिष्क के सिग्नल आर्टिफैक्ट्स हमेशा पूरे समय समान व्यवहार नहीं करते हैं, और कभी-कभी केवल फ्रीक्वेंसी के बारे में जागरूक लेंस ही वास्तविक मस्तिष्क गतिविधि को संदूषण से सही ढंग से अलग कर सकता है।
इस रीफ्रेमिंग का लाभ दौरे (seizure) का पता लगाने में और भी अधिक नाटकीय हो जाता है। एक 2018 study में पाया गया कि जब कच्चे टाइम डोमेन EEG सिग्नलों को एक वर्गीकरण प्रणाली में डाला गया, तो खोपड़ी (scalp) की रिकॉर्डिंग पर सटीकता कुछ प्रयोगों में 60 प्रतिशत तक गिर गई, जो कि कुछ वर्गीकरण कार्यों के लिए केवल सिक्का उछालने से बेहतर परिणाम नहीं था। जब उसी डेटा को पहले फ्रीक्वेंसी डोमेन में परिवर्तित किया गया, तो उसी कार्य पर सटीकता लगभग 96 प्रतिशत तक उछल गई।
दौरे की स्थिति की सही पहचान करने के लिए आवश्यक जानकारी पूरी रिकॉर्डिंग के दौरान मौजूद थी। यह केवल तब तक दिखाई नहीं दे रही थी जब तक कि सिग्नल को उसके आवृत्ति घटकों के माध्यम से नहीं देखा गया था।
फ्रीक्वेंसी व्यू क्यों मायने रखता है: शोर से लेकर जीवन बदलने वाले अनुप्रयोगों तक
समय से आवृत्ति में बदलाव एक अमूर्त भाषाई या तकनीकी प्राथमिकता नहीं है। चार बहुत ही अलग-अलग अनुप्रयोगों में इसके ठोस परिणाम हैं।
बेहतर आर्टिफैक्ट निष्कासन
आंखों की गति और पलकें झपकना EEG रिकॉर्डिंग में संदूषण का एक पुराना स्रोत हैं, क्योंकि आंखों द्वारा उत्पन्न विद्युत सिग्नल आस-पास के स्कैल्प इलेक्ट्रोड में फैल सकता है।
Kenemans et al. के अध्ययन ने प्रदर्शन किया कि यह संदूषण हमेशा सभी आवृत्तियों पर एक स्थिर दर से स्थानांतरित नहीं होता है। जब स्थानांतरण फ्रीक्वेंसी-निर्भर था, तो बुनियादी टाइम डोमेन सुधार ने खराब प्रदर्शन किया, जबकि एक फ्रीक्वेंसी डोमेन प्रतिगमन विधि ने मूल मस्तिष्क सिग्नल को सफलतापूर्वक रीकंस्ट्रक्ट किया।
यह किसी भी ऐसे अनुप्रयोग के लिए अत्यंत महत्वपूर्ण है जहां स्पष्ट सिग्नल गुणवत्ता आवश्यक है, क्योंकि गलत सफाई विधि लागू होने पर अनसुधारे गए आंखों के आर्टिफैक्ट्स को वास्तविक मस्तिष्क गतिविधि समझने की गलती की जा सकती है।
आपका मस्तिष्क, आपकी पहचान
study published in the Journal of Neural Engineering में पाया गया कि किसी व्यक्ति के मस्तिष्क की लय का समग्र पैटर्न विभिन्न रिकॉर्डिंग सत्रों और यहां तक कि खोपड़ी पर विभिन्न सेंसर प्लेसमेंट में भी उल्लेखनीय रूप से स्थिर रहता है। यह निरंतरता, जिसे EEG फिंगरप्रिंट के रूप में वर्णित किया गया है, अल्फा बैंड में सबसे मजबूत थी लेकिन 1 से 40 हर्ट्ज़ तक विस्तृत श्रृंखला में भी पता लगाने योग्य थी।
विशेष रूप से, यह पहचान करने वाला हस्ताक्षर तब भी कायम रहा जब विषय पूरी तरह से अलग संज्ञानात्मक कार्य कर रहे थे, जो यह दर्शाता है कि यह पैटर्न किसी व्यक्ति के मस्तिष्क के बारे में संरचनात्मक रूप से स्थिर चीज़ को दर्शाता है, न कि किसी क्षण विशेष में विशिष्ट मानसिक गतिविधि के प्रति प्रतिक्रियाशील चीज़ को।
इन धुनों की सुस्पष्ट शक्ति आवृत्ति श्रृंखला में एक W-आकार के पैटर्न का पालन करती थी जैसा कि शोधकर्ताओं द्वारा वर्णित किया गया था, जिसमें सबसे मजबूत पहचान शिखर 10 हर्ट्ज़ अल्फा लय के आसपास केंद्रित था। यह खोज बायोमेट्रिक पहचान प्रणालियों के लिए सीधे तौर पर प्रासंगिक है जो एक दिन सुरक्षित व्यक्तिगत सत्यापन के रूप में मस्तिष्क की गतिविधि का उपयोग कर सकते हैं।
भावनाओं को पढ़ना
भावनात्मक स्थितियां मस्तिष्क के लय पैटर्न में मापने योग्य निशान छोड़ती हैं, और tudy by Petrantonakis and his team से पता चलता है कि ये निशान कच्चे टाइम डोमेन सिग्नल के बजाय टाइम-फ्रीक्वेंसी डोमेन में सबसे अच्छी तरह से कैप्चर किए जाते हैं। एक अनुकूली विभाजन दृष्टिकोण का उपयोग करके और ललाट अल्फा विषमता (frontal alpha asymmetry) को मापकर, शोधकर्ताओं ने विभिन्न वैलेंस और कामोत्तेजना के संयोजन को अलग करने में सक्षम एक वर्गीकरण प्रणाली का निर्माण किया, जो यादृच्छिक अनुमान द्वारा अपेक्षित स्तर से काफी ऊपर भावनात्मक राज्यों को सही ढंग से वर्गीकृत करता है।
इस प्रकार का आवृत्ति-आधारित भावना पहचान brain-computer interfaces में बढ़ती रुचि से जुड़ा है जो उपयोगकर्ता के मूड या भावनात्मक जुड़ाव का जवाब देने के लिए डिज़ाइन किया गया है, हालांकि परीक्षण की गई विशिष्ट भावनात्मक श्रेणियों के आधार पर वर्गीकृत सटीकता लगभग 64 से 83 प्रतिशत तक बताई गई है, जो दर्शाती है कि यह एक निश्चित भावनात्मक रीडआउट के बजाय एक संभाव्य उपकरण बना हुआ है।
मिर्गी पर विजय
शायद फ्रीक्वेंसी डोमेन के व्यावहारिक मूल्य का सबसे अचूक प्रदर्शन मिर्गी अनुसंधान से आता है। उपर्युक्त 2018 के शोध अध्ययन ने एक कनवोल्यूशनल न्यूरल नेटवर्क में इनपुट के रूप में सीधे टाइम डोमेन और फ्रीक्वेंसी डोमेन सिग्नलों की तुलना की, जिसे इक्टल (ictal), प्रीइक्टल (preictal), और इंटरइक्टल (interictal) मस्तिष्क अवस्थाओं को अलग करने का काम सौंपा गया था।
इंट्राक्रैनील फ्रीबर्ग डेटाबेस पर, फ्रीक्वेंसी डोमेन इनपुट ने तीन अलग-अलग वर्गीकरण प्रयोगों में 92 से 97 प्रतिशत के बीच औसत सटीकता का उत्पादन किया, जबकि उसी डेटाबेस पर टाइम डोमेन इनपुट ने लगभग 84 से 91 प्रतिशत तक की सटीकता का उत्पादन किया। स्कैल्प-दर्ज CHB-MIT डेटाबेस पर यह अंतर काफी बढ़ गया, जहां फ्रीक्वेंसी डोमेन सटीकता लगभग 93 और 98 प्रतिशत के बीच उच्च रही, जबकि टाइम डोमेन सटीकता कुछ प्रयोगों में केवल 48 से 62 प्रतिशत के दायरे में सिमट गई।
इससे पता चलता है कि कुछ रिकॉर्डिंग स्थितियों के लिए, विशेष रूप से स्कैल्प EEG के लिए, कच्चे टाइम डोमेन सिग्नल में विश्वसनीय स्वचालित रूप से दौरे के वर्गीकरण के लिए आवश्यक स्पष्ट संरचना की कमी हो सकती है, जबकि उसी सिग्नल का फ्रीक्वेंसी डोमेन पुनर्गठन एक मशीन-लर्निंग सिस्टम के लिए अंतर्निहित पैटर्न को सुलभ बनाता है।
इसके अलावा, Madhavan et al. अपने 2020 के अध्ययन में विशेष रूप से पहचान के बजाय स्थानीयकरण पर ध्यान केंद्रित करके इस विचार को आगे बढ़ाते हैं। विस्तृत समय-आवृत्ति प्रतिनिधित्व उत्पन्न करने के लिए सिंक्रोस्क्विज़िंग ट्रांसफॉर्म नामक तकनीक का उपयोग करके, एक गहरे कनवोल्यूशनल न्यूरल नेटवर्क के साथ मिलकर, अध्ययन ने फोकल EEG सिग्नलों (दौरे शुरू करने के लिए जिम्मेदार मिर्गी क्षेत्र से उत्पन्न) को मस्तिष्क में कहीं और उत्पन्न होने वाले गैर-फोकल सिग्नलों से अलग करने में 99 प्रतिशत से ऊपर सटीकता, संवेदनशीलता और विशिष्टता मान हासिल किए।
सटीकता का यह स्तर मिर्गी की सर्जरी के लिए सीधे तौर पर प्रासंगिक है, जहां सुरक्षित और प्रभावी शल्य चिकित्सा हस्तक्षेप के लिए दौरे की गतिविधि के लिए जिम्मेदार सटीक मस्तिष्क क्षेत्र की सही पहचान करना एक पूर्व-आवश्यकता है।
जीवित मस्तिष्क पर एक नया लेंस
समय के साथ घूमती हुई एक एकल वोल्टेज लाइन का विभिन्न लयबद्धताओं के स्पेक्ट्रम में रूपांतरण ही वह तंत्र है जो पहली बार में EEG को पठनीय बनाता है। इसके बिना, स्कैल्प डेटा पर काम करने वाला दौरा पहचान एल्गोरिथ्म केवल संयोग से थोड़ा बेहतर प्रदर्शन कर सकता है।
इसके साथ, वही एल्गोरिथ्म सटीकता में 90 के दशक के मध्य तक पहुंच सकता है। इसके बिना, हल्के आंख झपकने के आर्टिफैक्ट वास्तविक मस्तिष्क गतिविधि के रूप में धोखा दे सकते हैं।
आवृत्ति-जागरूक सुधार के साथ, उस संदूषण को अधिक विश्वसनीय रूप से अलग किया जा सकता है। इसके बिना, किसी के मस्तिष्क की लय के भीतर स्थिर, व्यक्ति-विशिष्ट पैटर्न, जो अल्फा बैंड के आसपास सबसे मजबूती से केंद्रित है, अदृश्य रहता है। इसके साथ, वह पैटर्न एक मापने योग्य हस्ताक्षर बन जाता है।
इनमें से किसी भी अनुप्रयोग के लिए EEG सिग्नल में नई जानकारी जोड़ने की आवश्यकता नहीं थी। उन्हें मौजूदा जानकारी को एक ऐसे रूप में पुनर्गठित करने की आवश्यकता थी जहां अंततः सार्थक पैटर्न को शोर से अलग किया जा सके।
वह पुनर्गठन, समय से आवृत्ति में बदलाव ही है जो एक अराजक वोल्टेज ट्रैक को डेल्टा, थीटा, अल्फा, बीटा और गामा गतिविधि के एक संरचित रिकॉर्ड में बदल देता है, जिससे शोधकर्ताओं और चिकित्सकों को नींद, भावनात्मक स्थितियों, व्यक्तिगत पहचान और तंत्रिका संबंधी रोगों का अध्ययन करने का एक स्पष्ट, गैर-आक्रामक तरीका मिलता है जैसे वे जीवित मस्तिष्क में प्रकट होते हैं।
संदर्भ
Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x
Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095
DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.
Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647
Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072
अक्सर पूछे जाने वाले प्रश्न
न्यूरोसाइंटिस्ट EEG सिग्नलों को समय से आवृत्ति में क्यों बदलते हैं?
एक कच्चा EEG ट्रेस विभिन्न गतियों की कई मस्तिष्क लय को एक एकल जटिल तरंग रूप में संचित करता है, जिससे व्यक्तिगत पैटर्न को देखना कठिन हो जाता है। फ्रीक्वेंसी डोमेन में परिवर्तन उस सिग्नल को अलग-अलग घटक आवृत्तियों में विभाजित करता है, जैसे कि प्रिज्म सफेद प्रकाश को रंगों में अलग करता है, ताकि प्रत्येक लय का अपने दम पर अध्ययन किया जा सके।
फ्रीक्वेंसी व्यू आंखों के झपकने वाले आर्टिफ़ैक्ट को हटाने में कैसे सुधार करता है?
आंखें झपकने का संदूषण EEG फ्रीक्वेंसी बैंड में अलग-अलग तरह से ट्रांसफर हो सकता है, जिसका अर्थ है कि एक साधारण समय-आधारित घटाव अक्सर विफल हो जाता है। एक फ्रीक्वेंसी-डोमेन प्रतिगमन इन फ्रीक्वेंसी-निर्भर अंतरों को ध्यान में रखता है, जिससे वास्तविक मस्तिष्क सिग्नल को अधिक सटीक रूप से रीकंस्ट्रक्ट करने की अनुमति मिलती है।
टाइम डोमेन के बजाय फ्रीक्वेंसी डोमेन का उपयोग करने पर दौरे का पता लगाने की सटीकता का क्या होता है?
दौरे से संबंधित पैटर्न कच्चे सिग्नल में मौजूद रहते हैं लेकिन टाइम डोमेन में अदृश्य होते हैं। फ्रीक्वेंसी विश्लेषण डेटा को इस तरह पुनर्गठित करता है कि एक क्लासिफायर 90% से अधिक सटीकता प्राप्त कर सकता है, जबकि कच्चा टाइम-डोमेन इनपुट कभी-कभी स्कैल्प रिकॉर्डिंग पर यादृच्छिक अनुमान से बेहतर प्रदर्शन नहीं करता है।
अल्फा लय को एक मजबूत बायोमेट्रिक पहचानकर्ता क्यों माना जाता है?
अल्फा गतिविधि लगभग 10 हर्ट्ज़ के आसपास एक विशिष्ट, स्थिर शिखर दिखाती है जो विभिन्न कार्यों और रिकॉर्डिंग सत्रों में सुसंगत रहती है। यह स्थिरता किसी व्यक्ति के अंतर्निहित मस्तिष्क की वास्तुकला को दर्शाती है, जिससे यह व्यक्तिगत पहचान के लिए एक विश्वसनीय EEG फिंगरप्रिंट बन जाती है।
EEG फ्रीक्वेंसी पैटर्न भावनात्मक अवस्थाओं को कैसे इंगित कर सकते हैं?
अग्रगामी अल्फा विषमता (Frontal alpha asymmetry), जो बाएं और दाएं अग्रगामी मस्तिष्क क्षेत्रों के बीच अल्फा ताकत की तुलना करती है, भावनात्मक वैलेंस और उत्तेजना के साथ भिन्न होती है। फ्रीक्वेंसी-डोमेन विश्लेषण इन विषमता पैटर्न को कैप्चर करता है, जिससे यादृच्छिक अनुमान के स्तर से काफी ऊपर भावनात्मक अवस्थाओं के वर्गीकरण की अनुमति मिलती है।
मिर्गी की सर्जरी में दौरे की शुरुआत वाले क्षेत्रों का पता लगाने के लिए आवृत्ति विश्लेषण क्यों आवश्यक है?
संक्षिप्त, उच्च-आवृत्ति वाले गामा बर्स्ट और सभी बैंडों में बदलाव मिर्गीजन्य क्षेत्र को चिह्नित करते हैं। सिंक्रोस्क्विज़िंग जैसी टाइम-फ्रीक्वेंसी तकनीकें इन पैटर्न को विस्तृत अभ्यावेदन में बदल देती हैं, जिससे डीप-लर्निंग मॉडल बहुत उच्च सटीकता के साथ फोकल सीज़र सिग्नलों को गैर-फोकल सिग्नलों से अलग करने में सक्षम होते हैं—जो सुरक्षित सर्जिकल योजना के लिए एक पूर्व-आवश्यकता 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
