न्यूरोसाइंटिस्ट जटिल, ओवरलैपिंग मस्तिष्क लय को अलग, पठनीय बैंड में विभाजित करने के लिए ईईजी (EEG) सिग्नलों को समय से आवृत्ति (फ्रीक्वेंसी) में परिवर्तित करते हैं। यह परिवर्तन एक प्रिज्म की तरह काम करता है, जो शोर भरे रॉ डेटा को सार्थक पैटर्न में स्पष्ट करता है जो मानसिक स्थितियों, व्यक्तिगत हस्ताक्षरों और नैदानिक संकेतकों 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 छिपी रहती हैं।
समय-से-आवृत्ति रूपांतरण (Time-to-Frequency Transformation) क्या है?
रूपांतरण प्रक्रिया में कच्चे डेटा अनुक्रमों को, जिन्हें आमतौर पर समय के सापेक्ष आयामों के रूप में मापा जाता है, आवृत्तियों के स्पेक्ट्रम में बदलना शामिल है। यह गणितीय बदलाव शोधकर्ताओं को केवल कच्चे वोल्टेज या दबाव के उतार-चढ़ाव को देखने के बजाय संकेत के घटक लयबद्ध तत्वों का निरीक्षण करने में सक्षम बनाता है। इस नजरिए से डेटा को देखने पर, जटिल डेटासेट के भीतर सूक्ष्म पैटर्न को वर्गीकृत करना और आगे के विश्लेषण के लिए उनकी व्याख्या करना काफी आसान हो जाता है।
मूल बातें समझना: समय डोमेन से आवृत्ति डोमेन तक
मानक संकेत रिकॉर्डिंग में, लौकिक (temporal) पहलू घटनाओं के क्रम को उसी रूप में प्रस्तुत करता है जैसे वे घटित होती हैं, जिससे एक कालानुक्रमिक क्रम बना रहता है जो तत्काल निगरानी के लिए सहज होता है। हालांकि, कई गतिशील प्रणालियाँ दोहराव वाले व्यवहार प्रदर्शित करती हैं—जैसे कि neuroscience से जुड़ी न्यूरॉन्स की लयबद्ध फायरिंग—जिन्हें केवल कच्चे संकेत को देखकर आसानी से अलग नहीं किया जा सकता है।
आवृत्ति दृष्टिकोण पर ध्यान केंद्रित करना प्रभावी रूप से एक विश्लेषणात्मक फ़िल्टर के रूप में कार्य करता है, जिससे कोई भी व्यक्ति व्यक्तिगत लय और समग्र संकेत 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 दोलायमान (oscillatory) संकेत 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 संकेत की प्रारंभिक जटिलता की परवाह किए बिना उसकी अंतर्निहित आवधिक संरचना को निकाला जा सकता है।
इस ट्रांसफॉर्म को लागू करके, एक शोधकर्ता लौकिक डेटा बिंदुओं को एक नए डोमेन में मैप करता है जहाँ क्षैतिज अक्ष आवृत्ति का प्रतिनिधित्व करता है और ऊर्ध्वाधर अक्ष प्रत्येक विशिष्ट आवृत्ति घटक की शक्ति या आयाम को दर्शाता है।
समय-से-आवृत्ति विश्लेषण क्यों महत्वपूर्ण है?
शोर या बड़े, मिश्रित तरंगों के भीतर दबे विशिष्ट घटनाक्रमों को अलग करने के लिए आवृत्ति डोमेन में संकेतों का विश्लेषण करना आवश्यक है। सेंसर और माप उपकरणों से प्रासंगिक Insight निकालने के लिए सटीक signal processing पर निर्भर रहने वाले विभिन्न क्षेत्रों में इस दृष्टिकोण को व्यापक रूप से अपनाया गया है।
सिग्नल प्रोसेसिंग में अनुप्रयोग
इंजीनियरों को अक्सर पृष्ठभूमि के हस्तक्षेप या परिवेशी विद्युत शोर से दूषित संकेतों का सामना करना पड़ता है, जो रुचि की प्राथमिक जानकारी को छिपा सकते हैं। विश्लेषणात्मक तकनीकें जो आवृत्ति संरचना को देखती हैं, सटीक फ़िल्टरिंग की अनुमति देती हैं, जिससे मूल डेटा को बाधित किए बिना विशिष्ट अवांछित सीमाओं को कम किया जाता है।
यह क्षमता आधुनिक संचार प्रणालियों और सेंसर तकनीकों के लिए आधारभूत है, जिससे यह सुनिश्चित होता है कि मान्य सिग्नल चोटियाँ डाउनस्ट्रीम प्रोसेसिंग के लिए स्पष्ट और व्याख्या योग्य बनी रहें।
ऑडियो और स्पीच विश्लेषण में Insight
मानव भाषण और प्राकृतिक ध्वनियों में कई ओवरलेड आवृत्तियाँ होती हैं, जिनमें से प्रत्येक अंतर्निहित स्रोत के टिम्ब्रे और टोन की विशेषता बताती है। इन संकेतों को आवृत्ति डोमेन में परिवर्तित करने से शोधकर्ताओं को फॉर्मेंट्स को मैप करने या समय के साथ बदलने वाले भाषण लक्षणों का पता लगाने में मदद मिलती है, जो ध्वनिकी (acoustics) में एक सामान्य आवश्यकता है।
इन संकेतों को स्पेक्ट्रोग्राम के रूप में मानकर, विश्लेषक क्षणिक विविधताओं की निगरानी कर सकते हैं जो विशिष्ट ध्वनि कलाकृतियों या पैटर्न का संकेत दे सकती हैं जो एक ध्वनिक स्रोत को दूसरे से अलग करती हैं।
बायोमेडिकल इंजीनियरिंग में उपयोग के मामले
चिकित्सा सेटिंग्स में, स्वास्थ्य की निगरानी और neurological conditions के निदान के लिए जैविक विद्युत आउटपुट का सटीक माप महत्वपूर्ण है। प्राथमिक उपकरण के रूप में EEG का उपयोग करके, डॉक्टर मस्तिष्क की 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।
इंटीग्रेटिंग स्पेशलाइज्ड उपकरण जैसे कि PCI Data Acquisition हार्डवेयर सुनिश्चित करता है कि उच्च-सटीकता वाला डेटा कैप्चर हो, जिसे फिर सार्थक नैदानिक Insight प्रदान करने के लिए आवृत्ति-डोमेन ट्रांसफॉर्म के माध्यम से संसाधित किया जाता है।
समय से आवृत्ति रूपांतरण के लिए सामान्य तरीके
लौकिक डेटा को परिवर्तित करने के लिए विभिन्न एल्गोरिदम मौजूद हैं, जिनमें से प्रत्येक संकेत स्थिरता के विभिन्न स्तरों और सटीक आवश्यकताओं के लिए उपयुक्त है। उपयुक्त विधि का चयन संकेत की प्रकृति और अंतिम स्पेक्ट्रल आउटपुट के आवश्यक रिज़ॉल्यूशन पर निर्भर करता है।
शॉर्ट-टाइम फूरियर ट्रांसफॉर्म (STFT)
यह विधि एक लंबे संकेत को छोटे, ओवरलैपिंग विंडो में विभाजित करती है, और प्रत्येक विंडो पर एक फूरियर ट्रांसफॉर्म करती है ताकि यह देखा जा सके कि आवृत्ति सामग्री कैसे विकसित होती है। यह विशेष रूप से उन संकेतों के लिए उपयोगी है जो पूरी तरह से स्थिर नहीं हैं लेकिन कम अवधि के लिए स्थिर रहते हैं।
मैन्युअल रूप से समय को आवृत्ति में कैसे बदलें
यद्यपि सॉफ्टवेयर अधिकांश गणनाओं को स्वचालित करता है, आवधिक संकेतों के मैन्युअल रूपांतरण को समझने के लिए चक्र की अवधि की पहचान करने की आवश्यकता होती है। अवधि के व्युत्क्रम (inverse) की गणना करके, कोई भी उस दर को निर्धारित करता है जिस पर घटना एक पूर्ण चक्र पूरा करती है, जिसके परिणामस्वरूप हर्ट्ज़ में मापा गया आवृत्ति मान प्राप्त होता है।
सिग्नल का प्रकार | अवधि (T) | आवृत्ति (f) |
|---|---|---|
धीमी लय (Slow Rhythm) | 0.5 seconds | 2.0 Hz |
मध्यम-श्रेणी दोलन (Mid-Range Oscillation) | 0.1 seconds | 10.0 Hz |
तीव्र विस्फोट (Rapid Burst) | 0.02 seconds | 50.0 Hz |
यह तालिका अवधि और आवृत्ति के बीच व्युत्क्रम संबंध को दर्शाती है, जहाँ चक्र की कम अवधि के परिणामस्वरूप काफी उच्च आवृत्ति आउटपुट मिलता है।
त्वरित अनुमानों के लिए आवृत्ति से समय कैलकुलेटर का उपयोग करना
व्यावसायिक अक्सर विस्तृत 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 सुविधाएँ प्रदान करते हैं:
चक्रवाती समय का स्वतः हर्ट्ज़ में रूपांतरण।
मिलीसेकंड और माइक्रोसेकंड जैसी कई स्केल इकाइयों के लिए समर्थन।
रूपांतरण को उलटने के लिए कार्यों का तत्काल पलटना।
सिग्नल स्थिरता की दृश्य तुलना के लिए तत्काल ग्राफिंग।
ये कैलकुलेटर अनुसंधान परिवेश में अधिक जटिल डिजिटल फ़िल्टरिंग या स्पेक्ट्रल अपघटन तकनीकों को लागू करने से पहले एक प्रारंभिक मूल्यांकन प्रदान करते हैं।
वेवलेट ट्रांसफॉर्म (Wavelet Transform)
पारंपरिक फूरियर दृष्टिकोणों के विपरीत, वेवलेट ट्रांसफॉर्म निम्न और उच्च-आवृत्ति दोनों घटकों का एक साथ विश्लेषण करने के लिए स्केलेबल विंडो का उपयोग करता है। यह अचानक होने वाले 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 एकल पास में उच्च लौकिक 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 संगीत राग (chord) की तरह अधिक व्यवहार करता है, जहाँ एक जटिल स्वर बनाने के लिए कई सुर एक साथ बजते हैं।
यदि आप केवल राग को समग्र रूप से सुनते हैं, तो आप एक मिश्रण सुनते हैं, न कि अलग-अलग सुर। यही समस्या raw EEG ट्रेस पर भी लागू होती है। किसी भी क्षण, धीमी, मध्यम और तेज़ दोलन एक साथ सक्रिय हो रहे होते हैं, और समय डोमेन दृश्य उन्हें एक एकल, कठिन-से-पार्स तरंग रूप में जमा कर देता है।
उस तरंग रूप को आवृत्ति डोमेन में बदलने से सिग्नल में नई जानकारी नहीं जुड़ती है। यह मौजूदा जानकारी को पुनर्गठित करता है ताकि विभिन्न दोलनों को अलग-अलग घटकों के रूप में देखा जा सके। इस पुनर्गठन के मापने योग्य, व्यावहारिक परिणाम होते 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 की कलाकृतियों (eye-blink artifacts) पर विचार करें, जो EEG रिकॉर्डिंग में संदूषण के सबसे लगातार स्रोतों में से एक हैं। जब आँखें हिलती हैं, तो उत्पन्न विद्युत संकेत, जिसे इलेक्ट्रोओकुलोग्राम (EOG) कहा जाता है, पास के EEG चैनलों में लीक हो जाता है और रीडिंग को विकृत कर देता है। शुरुआती सुधार प्रयासों ने माना कि आंखों से खोपड़ी तक लीक सभी लय में समान रूप से व्यवहार करती है, इसलिए एक साधारण समय डोमेन घटाव हर जगह समान रूप से काम करना चाहिए।
Kenemans et al. ने इस धारणा का सीधे परीक्षण किया। सिम्युलेटेड और वास्तविक दोनों डेटा का उपयोग करते हुए, शोधकर्ताओं ने तीन सफाई रणनीतियों की तुलना की:
एक सरल समय डोमेन प्रतिगमन (regression)
एक अधिक जटिल मल्टीपल-लैग समय डोमेन प्रतिगमन
एक आवृत्ति डोमेन प्रतिगमन।
जब आंख से खोपड़ी तक का विद्युत हस्तांतरण आवृत्ति-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 हस्तांतरण आवृत्ति-निर्भर था, जिसका अर्थ है कि संदूषण इस बात पर निर्भर करता था कि कौन सी लय शामिल थी, तो सरल समय डोमेन विधि मूल EEG को पूरी तरह से पुनर्निर्मित करने में विफल रही।
केवल आवृत्ति डोमेन दृष्टिकोण और अधिक परिष्कृत मल्टीपल-लैग समय डोमेन विधि ही उस परिवर्तनशीलता को ध्यान में रख सकती थी। इससे पता चलता है कि मस्तिष्क के संकेत की कलाकृतियां हमेशा समय के साथ समान रूप से व्यवहार नहीं करती हैं, और कभी-कभी केवल एक आवृत्ति-जागरूक लेंस ही वास्तविक मस्तिष्क गतिविधि को संदूषण से सही ढंग से विभाजित कर सकता है।
दौरे (seizure) का पता लगाने में इस रीफ्रेमिंग का लाभ और भी अधिक नाटकीय हो जाता है। एक 2018 study में पाया गया कि जब कच्चे समय डोमेन EEG संकेतों को वर्गीकरण प्रणाली में भेजा गया, तो खोपड़ी की रिकॉर्डिंग पर सटीकता कुछ प्रयोगों में 60 प्रतिशत तक गिर गई, जो कुछ वर्गीकरण कार्यों के लिए सिक्का उछालने से बेहतर परिणाम नहीं था। जब उसी डेटा को पहले आवृत्ति डोमेन में बदला गया, तो उसी कार्य पर सटीकता बढ़कर लगभग 96 प्रतिशत हो गई।
दौरे की स्थिति की सही पहचान करने के लिए आवश्यक जानकारी पूरी रिकॉर्डिंग के दौरान हर समय 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।
फ्रीक्वेंसी व्यू क्यों मायने रखता है: शोर से लेकर जीवन बदलने वाले अनुप्रयोगों तक
समय से आवृत्ति में बदलाव एक अमूर्त तकनीकी प्राथमिकता नहीं है। इसके चार बहुत ही अलग अनुप्रयोगों में ठोस परिणाम देखने को मिलते हैं।
अधिक सटीक आर्टिफैक्ट निष्कासन (Artefact Removal)
आंखों की हरकतें और पलक झपकना EEG रिकॉर्डिंग में संदूषण का एक पुराना स्रोत हैं, क्योंकि आंखों द्वारा उत्पन्न विद्युत संकेत पास के स्कैल्प इलेक्ट्रोड में फैल सकता है।
Kenemans et al. के अध्ययन ने प्रदर्शन किया कि यह संदूषण हमेशा सभी आवृत्तियों पर एक समान दर से हस्तांतरित नहीं होता है। जब हस्तांतरण आवृत्ति-निर्भर था, तो एक बुनियादी समय डोमेन सुधार ने कम प्रदर्शन किया, जबकि एक आवृत्ति डोमेन प्रतिगमन विधि ने मूल मस्तिष्क संकेत को सफलतापूर्वक पुनर्निर्मित किया।
यह किसी भी एप्लिकेशन के लिए महत्वपूर्ण है जहां स्वच्छ सिग्नल की गुणवत्ता आवश्यक है, क्योंकि गलत सफाई विधि लागू होने पर अनसुलझी आंखों की कलाकृतियों को वास्तविक मस्तिष्क गतिविधि के रूप में गलत समझा जा सकता है।
आपका मस्तिष्क, आपका हस्ताक्षर
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 यहाँ तक कि खोपड़ी पर विभिन्न सेंसर प्लेसमेंट में भी उल्लेखनीय रूप से स्थिर रहता है। यह निरंतरता, जिसे EEG फ़िंगरप्रिंट के रूप में वर्णित किया गया है, अल्फा बैंड में सबसे मजबूत थी लेकिन 1 से 40 Hz की विस्तृत श्रृंखला में पहचान योग्य थी।
विशेष रूप से, यह पहचान करने वाला हस्ताक्षर तब भी बना रहा जब विषय पूरी तरह से भिन्न संज्ञानात्मक कार्य कर रहे थे, जिससे पता चलता है कि यह पैटर्न किसी विशिष्ट मानसिक गतिविधि के प्रति प्रतिक्रिया करने के बजाय किसी व्यक्ति के मस्तिष्क के संरचनात्मक रूप से स्थिर पहलू को दर्शाता है।
इन लयों की भेदभावपूर्ण शक्ति ने आवृत्ति सीमा में एक W-आकार के पैटर्न का अनुसरण किया, जिसमें सबसे मजबूत पहचान चोटी 10 Hz अल्फा लय के आसपास केंद्रित थी। इस खोज का बायोमेट्रिक पहचान प्रणालियों के लिए सीधा संबंध है जो एक दिन सुरक्षित व्यक्तिगत सत्यापन के रूप में मस्तिष्क की गतिविधि का उपयोग कर सकते हैं।
भावनाओं को पढ़ना
भावनात्मक अवस्थाएं मस्तिष्क की लय के पैटर्न में मापने योग्य निशान छोड़ती हैं, और tudy by Petrantonakis and his team से पता चलता है कि ये निशान कच्चे समय डोमेन सिग्नल के बजाय समय-आवृत्ति 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 संयोजनों को अलग करने में सक्षम एक वर्गीकरण प्रणाली का निर्माण किया, जिसमें भावनात्मक अवस्थाओं को यादृच्छिक अनुमान से काफी ऊपर के स्तर पर सही ढंग से वर्गीकृत किया गया।
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 रिपोर्ट की गई वर्गीकरण सटीकता (विशिष्ट भावनात्मक श्रेणियों के आधार पर लगभग 64 से 83 प्रतिशत तक) दर्शाती है कि यह एक निश्चित भावनात्मक रीडआउट के बजाय एक संभाव्यता उपकरण बना हुआ है।
मिर्गी पर विजय
आवृत्ति डोमेन के व्यावहारिक मूल्य का सबसे हड़ताली प्रदर्शन शायद मिर्गी अनुसंधान से आता है। उपरोक्त 2018 शोध अध्ययन ने कनवॉल्यूशनल न्यूरल नेटवर्क में इनपुट के रूप में सीधे समय डोमेन और आवृत्ति डोमेन संकेतों की तुलना की, जिसका कार्य इक्टल, प्रीइक्टल और इंटरइक्टल मस्तिष्क अवस्थाओं के बीच अंतर करना था।
इंट्राक्रैनियल फ्रीबर्ग डेटाबेस पर, आवृत्ति डोमेन इनपुट ने तीन अलग-अलग वर्गीकरण प्रयोगों में 92 और 97 प्रतिशत के बीच औसत सटीकता का उत्पादन किया, जबकि उसी डेटाबेस पर समय डोमेन इनपुट ने लगभग 84 से 91 प्रतिशत तक की सटीकता का उत्पादन किया। खोपड़ी-रिकॉर्डेड CHB-MIT डेटाबेस पर यह अंतर काफी बढ़ गया, जहां आवृत्ति डोमेन सटीकता लगभग 93 और 98 प्रतिशत के बीच उच्च रही, जबकि समय डोमेन सटीकता कुछ प्रयोगों में केवल 48 से 62 प्रतिशत की सीमा तक गिर गई।
इससे पता चलता है कि कुछ रिकॉर्डिंग स्थितियों के लिए, विशेष रूप से स्कैल्प EEG के लिए, कच्चे समय डोमेन सिग्नल में विश्वसनीय स्वचालित दौरे के वर्गीकरण के लिए आवश्यक संरचना की कमी हो सकती है, जबकि उसी सिग्नल की आवृत्ति डोमेन पुनर्गठन अंतर्निहित पैटर्न को मशीन-लर्निंग सिस्टम के लिए सुलभ बनाती है।
इसके अलावा, Madhavan et al. ने अपने 2020 के अध्ययन में विशेष रूप से पहचान के बजाय स्थानीयकरण (localization) पर ध्यान केंद्रित करके इस अवधारणा को आगे बढ़ाया। विस्तृत समय-आवृत्ति प्रतिनिधित्व उत्पन्न करने के लिए सिंक्रोस्क्वीज़िंग ट्रांसफॉर्म नामक तकनीक का उपयोग करते हुए, एक गहरे कनवॉल्यूशनल न्यूरल नेटवर्क के साथ मिलकर, इस अध्ययन ने दौरे को ट्रिगर करने के लिए जिम्मेदार मिर्गी क्षेत्र से उत्पन्न होने वाले फोकल EEG संकेतों को मस्तिष्क में कहीं और से उत्पन्न होने वाले गैर-फोकल संकेतों से अलग करने में 99 प्रतिशत से अधिक सटीकता, संवेदनशीलता और विशिष्टता मूल्य प्राप्त किए।
सटीकता का यह स्तर मिर्गी की सर्जरी के लिए सीधे तौर पर प्रासंगिक है, जहां सुरक्षित और प्रभावी सर्जिकल हस्तक्षेप के लिए दौरे की गतिविधि के लिए जिम्मेदार मस्तिष्क क्षेत्र की सही पहचान करना एक आवश्यक शर्त है।
जीवित मस्तिष्क पर एक नया लेंस
समय के साथ बहने वाली एकल वोल्टेज रेखा का विभिन्न लय के स्पेक्ट्रम में रूपांतरण ही वह तंत्र है जो सबसे पहले EEG को पठनीय बनाता है। इसके बिना, स्कैल्प डेटा पर काम करने वाला एक सीज़र डिटेक्शन एल्गोरिदम यादृच्छिक अनुमान से बेहतर प्रदर्शन नहीं कर सकता।
इसके साथ, वही एल्गोरिदम सटीकता में 90 के दशक के मध्य तक पहुंच सकता है। इसके बिना, आंखों के झपकने का सूक्ष्म संदूषण वास्तविक मस्तिष्क गतिविधि के रूप में छिप सकता है।
आवृत्ति-जागरूक सुधार के साथ, उस संदूषण को अधिक मज़बूती 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 अधिक केंद्रित होता 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 ऐसे रूप में पुनर्गठित करने की आवश्यकता थी जहां अंततः शोर से सार्थक पैटर्न को अलग किया जा सके।
वह पुनर्गठन, समय से आवृत्ति में बदलाव, 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 जीवित मस्तिष्क में नींद, भावनात्मक अवस्थाओं, व्यक्तिगत पहचान और तंत्रिका संबंधी रोगों का अध्ययन करने का एक स्पष्ट, गैर-आक्रामक तरीका मिलता है।
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 के कई मस्तिष्क लय को एक एकल जटिल तरंग रूप में जमा कर देता है, जिससे व्यक्तिगत पैटर्न को देखना मुश्किल हो जाता है। आवृत्ति डोमेन में परिवर्तित करने से वह संकेत अलग-अलग घटक आवृत्तियों में विभाजित हो जाता है, जैसे कि एक प्रिज्म सफेद प्रकाश को रंगों में अलग करता है, ताकि प्रत्येक लय का अपने आप में अध्ययन किया जा सके।
आवृत्ति दृश्य आंखों के झपकने के आर्टिफैक्ट को हटाने में कैसे सुधार करता है?
आंखों के झपकने का संदूषण EEG आवृत्ति बैंडों में अलग तरह से स्थानांतरित हो सकता है, जिसका अर्थ है कि एक साधारण समय-आधारित घटाव अक्सर विफल हो जाता है। एक आवृत्ति-डोमेन प्रतिगमन इन आवृत्ति-निर्भर अंतरों को ध्यान में रखता है, जिससे वास्तविक मस्तिष्क संकेत को अधिक सटीक रूप से पुनर्निर्मित किया जा सकता है।
समय डोमेन के बजाय आवृत्ति डोमेन का उपयोग करने पर दौरे का पता लगाने की सटीकता का क्या होता है?
दौरे से संबंधित पैटर्न कच्चे संकेत में मौजूद होते हैं लेकिन समय डोमेन में अदृश्य होते हैं। आवृत्ति विश्लेषण डेटा को पुनर्गठित करता है ताकि वर्गीकरणकर्ता 90% से अधिक सटीकता प्राप्त कर सके, जबकि कच्चा समय-डोमेन इनपुट कभी-कभी खोपड़ी की रिकॉर्डिंग पर यादृच्छिक अनुमान से बेहतर प्रदर्शन नहीं करता है।
अल्फा लय को एक मजबूत बायोमेट्रिक पहचानकर्ता क्यों माना जाता है?
अल्फा गतिविधि 10 Hz के आसपास एक विशिष्ट, स्थिर चोटी दिखाती है जो विभिन्न कार्यों और रिकॉर्डिंग सत्रों में सुसंगत रहती है। यह स्थिरता किसी व्यक्ति के अंतर्निहित मस्तिष्क वास्तुकला को दर्शाती है, जिससे यह व्यक्तिगत पहचान के लिए एक विश्वसनीय EEG फिंगरप्रिंट बन जाता है।
EEG आवृत्ति पैटर्न भावनात्मक अवस्थाओं को कैसे इंगित कर सकते हैं?
ललाट अल्फा विषमता, जो बाएं और दाएं ललाट मस्तिष्क क्षेत्रों के बीच अल्फा ताकत की तुलना करती है, भावनात्मक महत्व और उत्तेजना के साथ भिन्न होती है। आवृत्ति-डोमेन विश्लेषण इन विषमता प्रतिमानों को कैप्चर करता है, जिससे भावनात्मक अवस्थाओं का वर्गीकरण यादृच्छिक अनुमान के स्तर से काफी ऊपर हो जाता है।
मिर्गी सर्जरी में दौरे की शुरुआत वाले क्षेत्रों को स्थानीयकृत करने के लिए आवृत्ति विश्लेषण क्यों आवश्यक है?
संक्षिप्त, उच्च-आवृत्ति वाले गामा फटने और सभी बैंडों में बदलाव मिर्गी उत्पन्न करने वाले क्षेत्र को चिह्नित करते हैं। सिंक्रोस्क्वीज़िंग जैसी समय-आवृत्ति तकनीकें इन प्रतिमानों को विस्तृत प्रस्तुतियों में परिवर्तित करती हैं, जिससे डीप-लर्निंग मॉडल बहुत उच्च सटीकता के साथ गैर-फोकल सिग्नलों से फोकल दौरे के सिग्नलों को अलग करने में सक्षम होते हैं—जो सुरक्षित सर्जिकल योजना के लिए एक प्राथमिक आवश्यकता है।
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
