پری پروسیسنگ (پہلے سے تیاری) کیوں ضروری ہے

ای ای جی (EEG) اعصابی اور غیر اعصابی دونوں قسم کی برقی سرگرمیوں کے لیے انتہائی حساس ہوتا ہے۔ اگرچہ محتاط تجرباتی ڈیزائن اور ڈیٹا اکٹھا کرنے سے شور کے بہت سے ذرائع کم سے کم ہو جاتے ہیں، لیکن کسی حد تک آرٹفیکٹس (خلل) کا شامل ہونا ناگزیر ہے۔ پری پروسیسنگ محققین کو دماغ کی بامعنی سرگرمی اور ناپسندیدہ سگنلز کے درمیان فرق کرنے میں مدد دیتی ہے، جبکہ بعد کے تجزیوں کی مطابقت کو بہتر بناتی ہے۔[1]

اہم بات یہ ہے کہ پری پروسیسنگ کو خراب معیار کی ریکارڈنگز کی مرمت کے طریقے کے طور پر نہیں دیکھا جانا چاہیے۔ اس کے بجائے، یہ مضبوط تجرباتی طریقوں کے ذریعے جمع کیے گئے اعلیٰ معیار کے ڈیٹا کو مزید نکھارنے کا ایک منظم عمل ہے۔ پری پروسیسنگ کے دوران کیے گئے فیصلے تجزیہ کے ہر اگلے مرحلے پر اثر انداز ہوتے ہیں، جس سے شفافیت اور مطابقت کا ہونا ناگزیر ہو جاتا ہے۔

پری پروسیسنگ پائپ لائن بنانا

پری پروسیسنگ عام طور پر الگ تھلگ طریقہ کار کے بجائے مراحل کے ایک سلسلے کے طور پر انجام دی جاتی ہے۔ اگرچہ انفرادی ورک فلو تحقیقی سوال اور تجزیاتی طریقوں کے لحاظ سے مختلف ہوتے ہیں، لیکن ایک مستقل پائپ لائن قائم کرنے سے یہ یقینی بنانے میں مدد ملتی ہے کہ ہر شریک کے ڈیٹا پر ایک ہی طریقے سے کارروائی کی جائے۔

محققین کو جب بھی ممکن ہو، باضابطہ تجزیہ شروع کرنے سے پہلے اپنی پری پروسیسنگ کی حکمت عملی کا تعین کر لینا چاہیے۔ ورک فلو کو پہلے سے وضع کرنے سے نتائج کا جائزہ لینے کے بعد پروسیسنگ کے فیصلے کرنے سے پیدا ہونے والے تعصب کا خطرہ کم ہو جاتا ہے۔[1]

چونکہ کوئی ایک پری پروسیسنگ پائپ لائن ہر مطالعے کے لیے موزوں نہیں ہوتی، اس لیے ورک فلو کی رہنمائی قائم شدہ لٹریچر، تجرباتی ڈیزائن، ریکارڈنگ کے طریقہ کار، اور سائنسی مقاصد سے ہونی چاہیے۔

ای ای جی (EEG) سگنل کو فلٹر کرنا

فلٹرنگ اکثر ابتدائی پری پروسیسنگ کے مراحل میں سے ایک ہوتا ہے۔ فلٹرز تحقیقی سوال سے متعلق اعصابی سرگرمی کو محفوظ رکھتے ہوئے ناپسندیدہ فریکوئنسی اجزاء کو کم کرتے ہیں۔

ہائی پاس فلٹرز سست سگنل کے بہاؤ کو کم کر سکتے ہیں، جبکہ لو پاس فلٹرز ہائی فریکوئنسی کے شور کو دبانے میں مدد کرتے ہیں۔ کچھ مطالعات ضرورت کے مطابق پاور سسٹم سے برقی مداخلت کو کم کرنے کے لیے نوچ فلٹرز بھی استعمال کرتے ہیں۔[1]،[5]

فلٹر کا انتخاب احتیاط سے کیا جانا چاہیے۔ حد سے زیادہ فلٹرنگ اعصابی سگنلز کو بگاڑ سکتی ہے یا ایونٹ سے متعلقہ ردعمل کے وقت اور طول و عرض (amplitude) کو تبدیل کر سکتی ہے۔ محققین کو فلٹر کی ایسی ترتیبات کا انتخاب کرنا چاہیے جو غیر ضروری سگنل کی تبدیلی سے بچتے ہوئے مطلوبہ تجزیہ میں مددگار ثابت ہوں۔

آرٹفیکٹس کی شناخت اور انتظام

انتہائی محتاط طریقے سے ڈیٹا اکٹھا کرنے کے بعد بھی، کچھ ریکارڈنگز میں ایسے آرٹفیکٹس (خلل) ہوں گے جن پر پری پروسیسنگ کے دوران توجہ کی ضرورت ہوگی۔

محققین عام طور پر ریکارڈنگز کا بصری معائنہ کر کے شروع کرتے ہیں تاکہ حد سے زیادہ شور، غیر مستحکم چینلز، یا ریکارڈنگ میں تعطل کے وقفوں کی شناخت کی جا سکے۔ کوالٹی اسیسمنٹ کے خودکار ٹولز آرٹفیکٹ کا پتا لگانے میں مدد کر سکتے ہیں، لیکن دستی جائزہ بہت سے پری پروسیسنگ ورک فلو کا ایک اہم حصہ رہتا ہے۔[3]

خرابی کی نوعیت پر منحصر ہے، محققین انفرادی ٹرائلز کو ہٹا سکتے ہیں، شور والے چینلز کو مسترد کر سکتے ہیں، الگ تھلگ الیکٹروڈز کو انٹرپولیٹ کر سکتے ہیں، یا آرٹفیکٹ کی درستگی کی تکنیکیں لاگو کر سکتے ہیں۔ یہ فیصلے تجزیہ شروع ہونے سے پہلے قائم کردہ معیار کے پہلے سے طے شدہ اصولوں کے مطابق ہونے چاہئیں۔

انڈیپینڈنٹ کمپوننٹ اینالیسس (آزاد جزو کا تجزیہ)

انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) مخلوط برقی سگنلز کو شماریاتی طور پر آزاد اجزاء میں تقسیم کرنے کے لیے سب سے زیادہ استعمال ہونے والی تکنیکوں میں سے ایک ہے۔ ریکارڈ شدہ EEG کو بنیادی سگنل کے ذرائع میں تقسیم کر کے، ICA محققین کو آنکھوں کے جھپکنے، آنکھوں کی حرکت، پٹھوں کی سرگرمی، یا دیگر غیر اعصابی آرٹفیکٹس سے وابستہ اجزاء کی شناخت کرنے میں مدد فراہم کر سکتا ہے۔[4]

ایک بار شناخت ہونے کے بعد، EEG سگنل کی دوبارہ تعمیر سے پہلے آرٹفیکٹ سے متعلقہ اجزاء کو ہٹایا جا سکتا ہے۔ اگرچہ ICA ڈیٹا کے معیار کو نمایاں طور پر بہتر بنا سکتا ہے، لیکن اس کا کامیاب اطلاق مناسب پری پروسیسنگ، ڈیٹا کے کافی معیار، اور حاصل شدہ اجزاء کی محتاط تشریح پر منحصر ہے۔

شفافیت اور دوبارہ تخلیق (reproducibility) کی حمایت کے لیے محققین کو دستاویز کرنا چاہیے کہ ICA کیسے انجام دیا گیا تھا اور کون سے اجزاء کو ہٹا دیا گیا تھا۔

مسلسل ڈیٹا کی ایپوکنگ (Epoched Data)

بہت سے EEG تجزیے مخصوص تجرباتی واقعات کے ارد گرد ہونے والے اعصابی ردعمل پر توجہ مرکوز کرتے ہیں۔ ان تجزیوں کو آسان بنانے کے لیے، مسلسل ای ای جی ریکارڈنگز کو اکثر چھوٹے وقت کے حصوں میں تقسیم کیا جاتا ہے جنہیں ایپوکس (epochs) کہا جاتا ہے۔

ہر ایپوک (epoch) کو ایک ایونٹ مارکر کے ساتھ منسلک کیا جاتا ہے جو محرک کی پیشکش، شریک کے ردعمل، یا تجربے کے دوران کسی دوسرے بامعنی واقعے کی نمائندگی کرتا ہے۔ یہ تقسیم محققین کو بار بار ہونے والے تجرباتی حالات میں اعصابی سرگرمی کا موازنہ کرنے کی اجازت دیتی ہے اور ایونٹ سے متعلقہ پوٹینشل (ERP) کے بہت سے تجزیوں کی بنیاد بناتی ہے۔[2]،[6]

اس لیے ایپوکنگ شروع ہونے سے پہلے ایونٹ کا درست وقت ہونا ضروری ہے۔

بیس لائن تصحیح (Baseline Correction)

اعصابی سرگرمی مسلسل بدلتی رہتی ہے، یہاں تک کہ جب شرکاء آرام کی حالت میں ہوں۔ بیس لائن تصحیح ہر تجرباتی ایپوک کا موازنہ دلچسپی کے واقعے سے بالکل پہلے کے ایک حوالہ جاتی وقفے سے کر کے ان جاری اتار چڑھاو کو سمجھنے میں مدد کرتی ہے۔

اس بیس لائن کو بعد کے اعصابی ردعمل سے منہا کرنے سے محققین تجرباتی واقعے سے وابستہ سرگرمی کو بہتر طور پر الگ کر سکتے ہیں جبکہ غیر متعلقہ پس منظر کی سرگرمی سے پیدا ہونے والی تبدیلیوں کو کم کر سکتے ہیں۔[2]

بیس لائن کا انتخاب پورے مطالعے کے دوران یکساں رہنا چاہیے اور منتخب کردہ تجرباتی ماڈل کے لیے قائم کردہ طریقوں کی عکاسی کرنی چاہیے۔

کوالٹی کنٹرول اور دستاویزات

پری پروسیسنگ صرف ڈیٹا کے صاف نظر آنے پر ختم نہیں ہوتی۔ محققین کو پروسیسنگ کے ہر قدم کو احتیاط سے دستاویزی شکل دینی چاہیے، بشمول فلٹرنگ کے پیرامیٹرز، آرٹفیکٹ کو مسترد کرنے کے معیار، انٹرپولیشن کے طریقہ کار، سافٹ ویئر ورژن، اور تجزیہ کی ترتیبات۔

تفصیلی دستاویزات دوسرے محققین کو پری پروسیسنگ ورک فلو کو سمجھنے، جانچنے اور دہرانے کی اجازت دے کر دوبارہ تخلیق کے عمل کی حمایت کرتی ہیں۔ شفاف رپورٹنگ مستقبل میں مطالعات کے درمیان موازنہ کو بھی زیادہ بامعنی بناتی ہے۔[1]

تمام شرکاء میں ایک مستقل پری پروسیسنگ پروٹوکول کو برقرار رکھنا تبدیلیوں کو مزید کم کرتا ہے اور حاصل کردہ تجزیوں پر اعتماد کو مضبوط کرتا ہے۔

ای ای جی پری پروسیسنگ کے لیے سافٹ ویئر کا انتخاب

کئی سافٹ ویئر پلیٹ فارمز ای ای جی پری پروسیسنگ اور تجزیہ کی حمایت کرتے ہیں، جن میں سے ہر ایک مختلف ورک فلو اور تجزیاتی صلاحیتیں پیش کرتا ہے۔ محققین کو ایسے ٹولز کا انتخاب کرنا چاہیے جو ان کے تجرباتی ڈیزائن، تکنیکی مہارت، اور رپورٹنگ کے تقاضوں کے مطابق ہوں۔

عام پری پروسیسنگ ماحول میں EEGLAB، MNE-Python، اور FieldTrip شامل ہیں، ساتھ ہی تجارتی حصول کے سافٹ ویئر جو ایونٹ سنکرونائزیشن، ڈیٹا ویژولائزیشن، اور عام تجزیہ فارمیٹس میں ایکسپورٹ کی حمایت کرتے ہیں۔[4]،[5] باہمی طور پر کام کرنے والے ٹولز کا انتخاب شفاف اور دوبارہ پیدا کرنے کے قابل تحقیقی طریقوں کی حمایت کرتے ہوئے تعاون کو آسان بنا سکتا ہے۔

اہم نکات

پری پروسیسنگ بامعنی اعصابی سگنلز کو محفوظ رکھتے ہوئے شور کو کم کر کے، آرٹفیکٹس کو سنبھال کر، اور ڈیٹا کو منظم کر کے سائنسی تجزیہ کے لیے خام ای ای جی ریکارڈنگز تیار کرتی ہے۔

فلٹرنگ، آرٹفیکٹ مینجمنٹ، انڈیپینڈنٹ کمپوننٹ اینالیسس، ایپوکنگ، بیس لائن تصحیح، اور کوالٹی کنٹرول سبھی ڈیٹا کی سالمیت کو برقرار رکھتے ہوئے سگنل کے معیار کو بہتر بنانے میں معاون ہیں۔

ایک اچھی طرح سے ڈیزائن کی گئی پری پروسیسنگ پائپ لائن مستقل، شفاف اور تحقیقی سوال کے لیے موزوں ہوتی ہے۔ پروسیسنگ کے ہر مرحلے کو دستاویزی شکل دے کر اور شرکاء پر معیاری طریقہ کار لاگو کر کے، محققین اپنے نتائج کی ساکھ اور دوبارہ پیش کیے جانے کے امکانات کو مضبوط بناتے ہیں۔

اپنا ای ای جی (EEG) مطالعہ تیار کرنا جاری رکھیں

ایک بار جب ای ای جی ڈیٹا تجزیہ کے لیے تیار ہو جاتا ہے، تو محققین یہ دریافت کرنا شروع کر سکتے ہیں کہ دماغی سرگرمی کو سمجھنے میں الیکٹروڈ کے مختلف مقامات کس طرح کردار ادا کرتے ہیں۔

اگلی گائیڈ، Choosing EEG Electrodes and Montages میں، ہم الیکٹروڈ لگانے کے نظام، چینل کے انتخاب، اور ریکارڈنگ کے مقامات تجرباتی ڈیزائن اور ڈیٹا کی تشریح پر کیسے اثر انداز ہوتے ہیں، اس کا جائزہ لیں گے۔

حوالہ جات

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.