1. تعارف

خوش آمدید! اس ٹیوٹوریل میں ہم دماغی لہروں کے بارے میں سیکھ رہے ہیں اور یہ کہ ہم دماغ اور رویے کو سمجھنے کے لیے ان کا کس طرح استعمال کر سکتے ہیں۔

ہانس برجر نے 1929 میں الیکٹرو اینسفلوگرام کی اصطلاح وضع کی، جب انہوں نے کسی شخص کے سر پر نصب سینسرز کا استعمال کرتے ہوئے ریکارڈ کیے گئے برقی پوٹینشلز میں تبدیلیوں کو بیان کیا۔ انہوں نے دماغی لہروں کی دو اقسام کی نشاندہی کی، جنہیں انہوں نے محض ان کی ریکارڈنگ کی ترتیب کی بنیاد پر الفا اور بیٹا لہروں کا نام دیا۔ ایسی لہریں دوسرے ممالیہ جانوروں میں بھی ریکارڈ کی گئی تھیں لیکن برجر نے پہلی بار انسانوں میں ان کی وضاحت کی تھی!

تب سے، الیکٹرو اینسفلوگرافی کا طریقہ نیورو سائنس میں ایک کلیدی ٹول بن گیا ہے اور اس نے دماغی لہروں (جسے محققین نیورل اوسیلیشنز کہتے ہیں) کے بارے میں ہماری سمجھ کو فروغ دینے میں مدد کی ہے اور دماغ میں تھکاوٹ اور بیداری جیسی حالتوں کی شناخت کرنے میں مدد کی ہے۔

اس مختصر ٹیوٹوریل میں ہم درج ذیل امور کا احاطہ کریں گے:

• نیورل اوسیلیشنز (عصبی اتار چڑھاؤ) کیا ہیں؟

• ہم نیورل اوسیلیشنز کی پیمائش کیسے کر سکتے ہیں؟

• ہم نیورل اوسیلیشنز کے ساتھ کیا کر سکتے ہیں؟

• Emotiv آلات اور سافٹ ویئر کا استعمال کرتے ہوئے عملی اطلاق۔

2. EEG کیا ہے؟

الیکٹرو اینسفلوگرافی (EEG) ہمارے دماغ کی برقی سرگرمی کی پیمائش کرنے کا ایک غیر جارحانہ اور غیر فعال طریقہ ہے۔ برقی سرگرمی کو ریکارڈ کرنے کے لیے کھوپڑی پر الیکٹروڈز/سینسرز/چینلز رکھے جاتے ہیں جو دماغی خلیات کے گروپوں کے ذریعے پیدا ہوتی ہے، جنہیں نیوران کہا جاتا ہے۔

شکل 1 – نیوران برقی سرگرمی پیدا کرتے ہیں جس کا پتہ ایک EEG آلے سے لگایا جا سکتا ہے [Siuly, et al. (2016)]۔

2.1. EEG سسٹمز

مارکیٹ میں بہت سے EEG آلات موجود ہیں جنہیں EEG ریکارڈ کرنے کے لیے استعمال کیا جا سکتا ہے۔ EEG آلات کی رینج درج ذیل پر مشتمل ہو سکتی ہے:

• ایک واحد سینسر یا 256 تک الیکٹروڈز – زیادہ الیکٹروڈز کھوپڑی پر معلومات کی اعلیٰ مقامی ریزولوشن (spatial resolution) فراہم کریں گے۔

• گیلے یا خشک الیکٹروڈز – گیلے الیکٹروڈز کھوپڑی اور سینسر کے درمیان موصلیت کو بہتر بنانے کے لیے الیکٹرولائٹک جیل یا نمکین محلول کا استعمال کرتے ہیں۔ خشک الیکٹروڈز دھاتی یا موصل پولیمر ہو سکتے ہیں جنہیں کھوپڑی سے براہِ راست رابطے کی ضرورت ہوتی ہے۔

• فعال یا غیر فعال الیکٹروڈ – غیر فعال الیکٹروڈ سسٹمز صرف سگنل کو ڈیوائس تک پہنچاتے ہیں جہاں اسے ایمپلیفائی کیا جاتا ہے۔ فعال الیکٹروڈ سسٹمز ہر الیکٹروڈ پر سگنل کو ایمپلیفائی کرتے ہیں اس سے پہلے کہ وہ ایمپلیفیکیشن کے لیے ڈیوائس تک پہنچے۔ یہ سگنل میں ماحولیاتی برقی شور (noise) کو کم کرتا ہے۔

• وائرڈ یا وائرلیس آلات جو بلوٹوتھ کے ذریعے ڈیٹا منتقل کرتے ہیں۔

شکل 2 – ایک وائرلیس، کم کثافت والا EEG سسٹم۔

شکل 3 – ایک وائرڈ، اعلیٰ کثافت والا الیکٹروڈ EEG سسٹم۔

2.2. EEG کب استعمال کرنا چاہیے؟

ہر نیورو امیجنگ کا طریقہ تحقیق کے مختلف سوالات کا جواب دینے میں مدد کر سکتا ہے۔

EEG کی سب سے بڑی طاقت یہ ہے کہ یہ ملی سیکنڈ کے پیمانے پر عصبی سرگرمی کی پیمائش کر سکتا ہے، جو کہ لاشعوری عمل کی پیمائش کر سکتا ہے۔

شکل 4 – مختلف نیورو امیجنگ ٹولز کی اسپیشل بمقابلہ ٹیمپورل ریزولوشن۔

یہ ان جیسے سوالات کے لیے موزوں ترین ہے کہ "میرے ویڈیو کے کن حصوں پر شرکاء نے سب سے زیادہ توجہ دی؟"

EEG بنیادی طور پر دماغ کی بیرونی تہوں سے سرگرمی ریکارڈ کرتا ہے (یعنی اس کی اسپیشل ریزولوشن کم ہوتی ہے)۔ ایک ہی سینسر کے ساتھ سرگرمی کے ماخذ کی شناخت کرنا ناممکن ہے۔ چینلز کی ایک بڑی تعداد کے ساتھ ریکارڈنگ ماخذ کو ریاضیاتی طور پر دوبارہ تشکیل دینے کی اجازت دے سکتی ہے لیکن یہ اب بھی گہرے ذرائع کی شناخت کرنے میں محدود ہے۔ فنکشنل میگنیٹک ریزوننس امیجنگ (fMRI) ان جیسے سوالات کا جواب دینے کے لیے زیادہ موزوں ہے کہ "دماغ کا کون سا حصہ توجہ کی تبدیلیوں سے متعلق ہے؟"

2.3. سینسر سے خام EEG تک؟

ایک بار جب EEG آلہ سر پر لگا دیا جاتا ہے، تو دماغی سرگرمی کی پیمائش ایک ہی سینسر پر اس سینسر اور ایک ریفرنس سینسر کے درمیان ایمپلی ٹیوڈ کے فرق کے طور پر کی جاتی ہے۔ زیادہ تر EEG سسٹمز میں اسے کامن موڈ سینس (CMS) الیکٹروڈ کہا جاتا ہے۔ ایک اضافی سینسر، ڈرائون رائٹ لیگ (DRL)، CMS پر کسی بھی مداخلت کو کم کرنے میں مدد کرتا ہے۔

شکل 5 – EEG سگنل کی منتقلی کا آسان بلاک ڈایاگرام۔

فعال اور غیر فعال الیکٹروڈ دونوں والے سسٹمز میں سگنل کو ایمپلیفائی کیا جاتا ہے اور لو-پاس فلٹر کیا جاتا ہے۔ لو پاس فلٹرنگ ایک ایسا قدم ہے جو آپ کے سگنل سے ماحول کی ممکنہ برقی مداخلتوں کو ہٹا دے گا مثلاً مین پاور لائنز۔

اس سے پہلے کہ خام EEG سگنل کو آپ کی کمپیوٹر اسکرین پر دیکھا جا سکے، یہ مراحل خود ہارڈ ویئر کے اندر ہوتے ہیں۔

2.4. کچھ بنیادی اصطلاحات

10-20 معیاری نام دینے کا طریقہ کار

بائیں جانب کے سینسر عام طور پر طاق نمبر والے ہوتے ہیں اور دائیں طرف کے سینسر عام طور پر جفت نمبر والے ہوتے ہیں۔

نوٹ 1: یہ صرف نام دینے کا طریقہ کار ہے اور EEG سینسر کے مقام کا ذریعہ سرگرمی کے ماخذ کی نشاندہی نہیں کرتا ہے۔

نوٹ 2: سنگل چینل پر سرگرمی کے ماخذ کا پتہ لگانے کے لیے ریاضیاتی ری کنسٹرکشن جیسے اضافی اقدامات کرنے کی ضرورت ہوتی ہے۔

3. نیورل اوسیلیشنز کیا ہیں؟

دماغی لہریں، جنہیں اکثر نیورل اوسیلیشنز کہا جاتا ہے، تال دار نمونے ہوتے ہیں جو ایک واحد یا نیوران کے کلسٹر کے ذریعے پیدا ہوتے ہیں۔

ابھی تک یہ واضح نہیں ہے کہ دماغ ان مختلف قسم کے اتار چڑھاؤ کو کیوں پیدا کرتا ہے، حالانکہ بہت سے نظریات موجود ہیں۔ محققین ان اتار چڑھاؤ والی سرگرمیوں کی خصوصیات کو جاننے کے لیے مختلف کاموں کا استعمال کرتے ہیں اور ان تال دار نمونوں کا استعمال کرتے ہوئے دماغ کے اسرار کو سمجھنے کا ارادہ رکھتے ہیں۔

3.1. ایک اوسیلیشن (اتار چڑھاؤ) کی کچھ خصوصیات

یہ شکل ایک باقاعدہ برقی سگنل کی پیمائش کو ظاہر کرتی ہے:

شکل 6 – مختلف نیورو امیجنگ ٹولز کی اسپیشل بمقابلہ ٹیمپورل ریزولوشن۔

بائیں جانب (y-axis) پر ہم الیکٹریکل ریکارڈنگ کا ایمپلی ٹیوڈ پلاٹ کر سکتے ہیں اور افقی محور (x-axis) پر وقت۔ سگنل کا ایمپلی ٹیوڈ ایک مرکزی نقطہ کے ارد گرد باقاعدہ انداز میں مقدار میں مختلف ہوگا۔ ایک چکر کو اوسیلیشن بھی کہا جاتا ہے۔

فی سیکنڈ چکروں کی تعداد کو لہر کی فریکوئنسی کہا جاتا ہے اور اس کی اکائی ہرٹز (Hz) ہے۔ لہٰذا 1 چکر فی سیکنڈ = 1 ہرٹز۔ چوڑائی (amplitude) کو عام طور پر مائیکرو وولٹ (µV) میں ماپا جاتا ہے۔

دماغ میں ہم 0.2 ہرٹز (بہت سست لہریں) سے لے کر 80 ہرٹز یا اس سے زیادہ (بہت تیز لہریں) تک کی فریکوئنسیوں والی لہریں دیکھتے ہیں۔ دماغ میں دوروں سے وابستہ 500 ہرٹز تک کی تیز رفتار سرگرمی بھی ریکارڈ کی گئی ہے۔

مختلف قسم کے دماغی جھرجھریوں کی شناخت ان کی فریکوئنسی کی بنیاد پر کی جاتی ہے۔ انہیں فریکوئنسی بینڈز کے نام سے جانا جاتا ہے اور ان کا تعلق دماغ کی مختلف حالتوں سے ہو سکتا ہے:

شکل 7 – عام EEG میں دماغی لہریں۔

3.2. مختلف فریکوئنسی بینڈز کیوں اہم ہیں؟

1. دماغ کے عام بمقابلہ غیر معمولی نمونوں کی شناخت کرنا
   نیورولوجی میں مرگی کی تشخیص اور دوروں کا پتہ لگانے کے لیے نیورل اوسیلیشنز اہم ہیں۔

2. برین کمپیوٹر انٹرفیسز (BCI)
   بیٹا، گاما اور میو اوسیلیشنز کی مقدار کو اکثر ریموٹ آلات کی تربیت کے لیے استعمال کیا جاتا ہے (مثلاً خیالات سے وہیل چیئر کو حرکت دینا)۔

3. نیوروفیڈ بیک
   یہ دماغ کی تربیت کی ایک شکل ہے جہاں آپ اپنے دماغ کی لہروں (مثلاً گاما اوسیلیشنز) کو دیکھ سکتے ہیں اور اپنے دماغ میں گاما اوسیلیشنز کی مقدار کو بہتر بنانے کے لیے علمی کاموں میں مشغول ہو سکتے ہیں۔

4. نیورو مارکیٹنگ
   الفا اور بیٹا فریکوئنسی بینڈز کا استعمال یہ تعین کرنے کے لیے کیا جا سکتا ہے کہ اشتہار کا کون سا حصہ زیادہ یا کم مشغول کرنے والا ہے۔

3.3. EEG ڈیٹا کے تجزیہ کی اقسام

عام طور پر محققین یا تو ٹائم ڈومین میں یا فریکوئنسی ڈومین میں تجزیہ کرتے ہیں۔

1. ٹائم ڈومین تجزیہ

   عام طور پر محرک کے آغاز کے بعد دلچسپی کے وقت پر وولٹیج ایمپلی ٹیوڈ کی پیمائش کرتا ہے۔ انہیں ایونٹ ریلیٹڈ پوٹینشلز (ERPs) کہا جاتا ہے۔

2. فریکوئنسی ڈومین تجزیہ

   عام طور پر وقت کی ایک رینج میں یا کسی ایونٹ کے وقوع پذیر ہونے پر مختلف فریکوئنسی بینڈز میں عصبی اتار چڑھاؤ کی مقدار کی پیمائش کرتا ہے۔

اس کے بعد ہم فریکوئنسی ڈومین تجزیہ کا ایک جائزہ پیش کرتے ہیں۔

3.4. پروسیسنگ

ایک بار جب آپ EEG ریکارڈنگ کر لیتے ہیں، تو آپ اوسیلیشنز کو سمجھنے سے پہلے عام طور پر ڈیٹا کو کلین کرتے ہیں۔

1. فلٹرنگ
   ڈیٹا میں اعلیٰ اور کم فریکوئنسی کے ماحولیاتی شور کو دور کرنے کی ایک تکنیک۔

2. آرٹیفیکٹ کا خاتمہ
   جسمانی حرکت، آنکھوں کا جھپکنا سبھی بڑے خلل (EEG میں 50 µV سے زیادہ کی چوٹیاں) پیدا کر سکتے ہیں۔ انہیں ہٹایا جا سکتا ہے تاکہ وہ ہمارے نتائج پر اثر انداز نہ ہوں۔ کچھ محققین ڈیٹا کو محفوظ رکھنے کے لیے ان نقائص کو درست کرنے کے لیے جدید طریقے استعمال کرتے ہیں۔

ڈیٹا پروسیس ہونے کے بعد، سگنل کو اب فریکوئنسی ڈومین میں تبدیل کیا جا سکتا ہے تاکہ ہم دماغی لہروں کی ہر قسم کی مقدار کا تعین کر سکیں۔

شکل 8 – خام EEG میں آنکھیں جھپکنے کا آرٹیفیکٹ۔

3.5. فاسٹ فورئیر ٹرانسفارم (FFT)

فوریئر ٹرانسفارم (Fourier transform) کا مطلب ریاضیاتی فارمولے کے ذریعے EEG کے سگنلز کو 'ٹائم ڈومین' (تصویر A) سے 'فریکوئنسی ڈومین' (تصویر B) میں تبدیل کرنا ہے۔

فریکوئنسی ڈومین میں، ہم اس بات کی مقدار کا تعین کر سکتے ہیں کہ ہماری ریکارڈنگ میں ہر قسم کا کتنا اتار چڑھاؤ تھا۔ یہ عام طور پر فریکوئنسی بینڈ کی 'پاور' ہوتی ہے اور اسے پاور سپیکٹرم کے طور پر دکھایا جا سکتا ہے (تصویر B)۔

شکل 9A – ٹائم ڈومین میں خام EEG۔

شکل 9B – FFT (فریکوئنسی ڈومین) کے بعد پاور سپیکٹرم۔

3.6. بینڈ پاور

فورئیر ٹرانسفارم سے حاصل کردہ فریکوئنسی بینڈ (مثلاً الفا بینڈ) کی طاقت ہمیں بتاتی ہے کہ ہر فریکوئنسی بینڈ کتنا ہے۔ بینڈ پاور یونٹ عام طور پر µV2/Hz میں ہوتے ہیں۔ اکثر، FFT کے ایمپلی ٹیوڈ یا پاور سپیکٹرا کو لاگرتھمک یونٹ ڈیسیبلز (dB) میں دکھایا جاتا ہے۔ ڈیسیبل ماپا جانے والی پاور (P) اور ریفرنس پاور (Pr) کے درمیان درج ذیل مناسبت سے تناسب کی اکائی ہے:

ایک بار جب دلچسپی کے واقعات کے لیے پیمائش کی یہ اکائی حاصل ہو جاتی ہے، تو دماغی لہروں پر تجرباتی اثرات کو سمجھنے کے لیے بینڈ پاورز کا موازنہ کیا جا سکتا ہے۔

4. تھیوری سے پریکٹس تک

اب ہم الفا سپریشن (alpha suppression) کے اثر کا جائزہ لیں گے۔

یہ ایک ایسا رجحان ہے جس کی اطلاع سب سے پہلے ہانس برجر نے دی تھی، جس میں ہم کسی کی آنکھیں بند رکھنے کے مقابلے میں کھلی ہونے پر الفا اوسیلیشنز (الفا پاور) کی مقدار میں نمایاں کمی دیکھتے ہیں۔

شکل 10 – آنکھیں کھلی ہونے پر الفا اوسیلیشنز میں اضافہ دیکھا جا سکتا ہے۔

سب سے پہلے EmotivPRO Builder کا استعمال کرتے ہوئے ہم نے ایک سادہ تجربہ تیار کیا۔ اس تجربے میں ایک حصہ لینے والے سے صرف اسکرین پر فوکس کرتے ہوئے 2 منٹ تک اپنی آنکھیں کھلی رکھنے کو کہا جاتا ہے، اور پھر 2 منٹ تک بند۔ وہ اپنی آنکھیں کھولنے کا اشارہ دینے کے لیے 2 منٹ کے اختتام پر ایک گھنٹی سنیں گے۔

آپ اپنا الفا سپریشن کا تجربہ خود کرنے کے لیے نیچے دی گئی ویڈیو کو فالو کر سکتے ہیں یا آپ یہاں دیے گئے لنک سے ہمارا تجربہ چلا سکتے ہیں:

4.1. ڈیوائس فٹنگ اور EEG کوالٹی

اس بارے میں مزید پڑھیں کہ ہمارا EQ گیٹ کس طرح کام کرتا ہے یہاں۔ اپنے ہیڈسیٹ کے لیے مخصوص ڈیوائس فٹنگ کے بارے میں مزید معلومات یہاں حاصل کریں:

• EPOC کی قسم

• Insight کی قسم

4.2. EEG ڈیٹا کو پروسیس اور ٹرانسفارم کرنا

اب جب کہ آپ کے پاس اپنا ڈیٹا ہے تو آپ اسے Emotiv Analyzer کا استعمال کرتے ہوئے فریکوئنسی ڈومین میں تبدیل کر سکتے ہیں۔ ویڈیو میں دیے گئے مراحل پر عمل کریں۔

4.3. ڈیٹا کی تشریح

ایک بار جب Analyzer کا کام ہو جائے تو زپ فائل ڈاؤن لوڈ کریں۔ ہر ریکارڈ کے لیے آپ کے پاس بینڈ پاورز کے ساتھ ایک csv فائل اور ایک امیج فائل ہوگی جسے آپ اپنا شماریاتی تجزیہ چلانے کے لیے استعمال کر سکتے ہیں۔

شکل 11 – بینڈ پاورز۔

ہمارے آؤٹ پٹ میں ہم الفا پاور میں اضافہ دیکھ سکتے ہیں جب آنکھیں بند تھیں (نارنجی) اس کے مقابلے میں جب کھلی تھیں (نیلی)۔

یہ ہمارے ٹیوٹوریل کا اختتام ہے! اب آپ بنیادی چیزوں سے لیس ہیں 🙂

آپ وسائل کے سیکشن میں مزید اعلیٰ درجے کے مطالعہ کے لیے کچھ لنکس تلاش کر سکتے ہیں۔

5. وسائل

ایڈوانسڈ ریڈنگ

ڈونوہیو اور دیگر۔ 2022 نیورل اوسیلیشنز کا مطالعہ کرنے کے لیے میتھوڈولوجیکل تحفظات

EEG اصطلاحات کی فرہنگ

کین اور دیگر۔ 2017 (یہاں)

اوپن سورس کوڈ

اگر آپ پائتھون کوڈنگ میں ماہر ہیں، تو ہم نے پائتھون اسکرپٹس دستیاب کرائی ہیں جنہیں آپ الفا پاور ویلیوز حاصل کرنے کے لیے استعمال کر سکتے ہیں، جن پر آنکھیں کھلی اور آنکھیں بند حصوں کے لیبل لگے ہوئے ہیں۔ کوڈ اور نمونہ الفا سپریشن کے ڈیٹا کی فائلیں یہاں تلاش کریں: https://osf.io/9bvgh/

Emotiv مینوئلز

EmotivPRO Builder مینوئل
EmotivPRO مینوئل
EmotivPRO Analyzer مینوئل

7. حوالہ جات

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1