پری پروسیسنگ کیوں ضروری ہے

EEG اعصابی اور غیر اعصابی دونوں قسم کی برقی سرگرمیوں کے لیے انتہائی حساس ہوتا ہے۔ اگرچہ محتاط تجرباتی ڈیزائن اور ڈیٹا کی جمع آوری شور کے بہت سے ذرائع کو کم سے کم کرتی ہے، لیکن آرٹیفیکٹ کی آلودگی سے کسی حد تک بچنا ناگزیر ہے۔ پری پروسیسنگ محققین کو ناپسندیدہ سگنلز سے بامعنی دماغی سرگرمی کی شناخت کرنے میں مدد کرتی ہے جبکہ بعد کے تجزیوں کی یکسانیت کو بہتر بناتی ہے۔[1]

اہم بات یہ ہے کہ پری پروسیسنگ کو خراب معیار کی ریکارڈنگز کو درست کرنے کے طریقے کے طور پر نہیں دیکھا جانا چاہیے۔ اس کے بجائے، یہ درست تجرباتی طریقوں کے ذریعے جمع کردہ اعلیٰ معیار کے ڈیٹا کو بہتر بنانے کا ایک منظم عمل ہے۔ پری پروسیسنگ کے دوران کیے گئے فیصلے تجزیہ کے ہر اگلے مرحلے پر اثر انداز ہوتے ہیں، جس کی وجہ سے شفافیت اور یکسانیت انتہائی ضروری ہو جاتی 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 کو ایک ہی طریقے سے پروسیس کیا جائے۔

محققین کو جب بھی ممکن ہو، باضابطہ تجزیہ شروع کرنے سے پہلے اپنی پری پروسیسنگ کی حکمت عملی کا تعین کرنا چاہیے۔ پیشگی ورک فلو کی وضاحت کرنے سے نتائج کا جائزہ لینے کے بعد پروسیسنگ کے فیصلے لے کر تعصب پیدا کرنے 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۔

EEG سگنل کو فلٹر کرنا

فلٹرنگ اکثر ابتدائی پری پروسیسنگ مراحل میں سے ایک ہوتی 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 شور کو دبانے میں مدد کرتے ہیں۔ کچھ مطالعات ضرورت پڑنے پر پاور سسٹمز سے برقی مداخلت کو کم کرنے کے لیے نوچ فلٹرز کا بھی استعمال کرتے ہیں۔[1]،[5]

فلٹر کے انتخاب کو احتیاط سے کیا جانا چاہیے۔ ضرورت سے زیادہ فلٹرنگ اعصابی سگنلز کو بگاڑ سکتی ہے یا ایونٹ سے متعلقہ ردعمل کے وقت اور طول و عرض کو تبدیل کر سکتی ہے۔ محققین کو ایسے فلٹر کی ترتیبات کا انتخاب کرنا چاہیے جو غیر ضروری سگنل کی تبدیلی سے بچتے ہوئے مطلوبہ تجزیہ کی حمایت کریں۔

آرٹیفیکٹس کی شناخت اور انتظام

محتاط ڈیٹا جمع کرنے کے بعد بھی، کچھ ریکارڈنگز میں ایسے آرٹیفیکٹس ہوں گے جن پر پری پروسیسنگ کے دوران توجہ دینے کی ضرورت ہوتی ہے۔

محققین عام طور پر ضرورت سے زیادہ شور، غیر مستحکم چینلز، یا ریکارڈنگ کے خلل کے ادوار کی شناخت کے لیے ریکارڈنگز کا بصری معائنہ کر کے شروع کرتے ہیں۔ کوالٹی کی تشخیص کے خودکار ٹولز آرٹیفیکٹ کی کھوج میں مدد کر سکتے ہیں، لیکن دستی جائزہ بہت سے پری پروسیسنگ ورک فلو کا ایک اہم حصہ رہتا ہے۔[3]

آلودگی 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 آرٹیفیکٹ کی اصلاح کی تکنیکیں لاگو کر سکتے ہیں۔ یہ فیصلے تجزیہ شروع ہونے سے پہلے قائم کردہ پہلے سے طے شدہ معیار کے مطابق ہونے چاہئیں۔

انڈیپینڈنٹ کمپوننٹ اینالیسس (Independent Component Analysis)

انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) مخلوط برقی سگنلز کو شماریاتی طور پر آزاد اجزاء میں الگ 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 حرکات، پٹھوں کی سرگرمی، یا دیگر غیر اعصابی آرٹیفیکٹس سے وابستہ اجزاء کی شناخت کرنے میں مدد کر سکتا ہے۔[4]

ایک بار شناخت ہونے کے بعد، EEG سگنل کو دوبارہ تشکیل دینے سے پہلے آرٹیفیکٹ سے متعلق اجزاء کو ہٹایا جا سکتا ہے۔ اگرچہ ICA ڈیٹا کے معیار کو نمایاں طور پر بہتر بنا سکتا ہے، لیکن کامیاب اطلاق کا انحصار مناسب پری پروسیسنگ، کافی ڈیٹا کوالٹی، اور حاصل ہونے والے اجزاء کی محتاط تشریح پر ہے۔

محققین کو شفافیت اور دوبارہ پیش کرنے کی صلاحیت کی حمایت کے لیے دستاویز کرنا چاہیے کہ ICA کیسے انجام دیا گیا اور کون سے اجزاء کو ہٹایا گیا۔

مسلسل ڈیٹا کو ایپوکنگ (Epoching) کرنا

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 EEG ریکارڈنگز کو اکثر چھوٹے وقت کے حصوں میں تقسیم کیا جاتا ہے جنہیں ایپوکس (epochs) کہا جاتا ہے۔

ہر ایپوک کو ایک ایونٹ مارکر کے ساتھ منسلک کیا جاتا ہے جو محرک کی پیشکش، شریک کے ردعمل، یا تجربے کے دوران کسی دوسرے اہم ایونٹ 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 کی درست ٹائمنگ ضروری ہے۔

بیس لائن کی اصلاح (Baseline Correction)

اعصابی سرگرمی مسلسل بدلتی رہتی ہے، یہاں تک کہ جب شریک آرام کی حالت میں ہوں۔ بیس لائن کی اصلاح ہر تجرباتی ایپوک کا موازنہ دلچسپی کے واقعے سے ٹھیک پہلے کی حوالہ جاتی مدت سے کر کے ان جاری اتار چڑھاؤ کو قابو کرنے میں مدد کرتی ہے۔

بعد کے اعصابی ردعمل سے اس بیس لائن کو منہا کرنا محققین کو غیر متعلقہ پس منظر کی سرگرمی کے ذریعے متعارف کرائی گئی تبدیلیوں کو کم کرتے ہوئے تجرباتی واقعے سے وابستہ سرگرمی کو بہتر طور پر الگ تھلگ کرنے کی اجازت دیتا ہے۔[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 اس وقت ختم نہیں ہوتی جب ڈیٹا صاف نظر آنے لگے۔ محققین کو پروسیسنگ کے ہر مرحلے کو احتیاط سے دستاویز کرنا چاہیے، بشمول فلٹرنگ کے پیرامیٹرز، آرٹیفیکٹ 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 نقل کرنے کی اجازت دے کر دوبارہ تخلیق کی صلاحیت کو تقویت دیتی ہیں۔ شفاف رپورٹنگ مطالعے کے درمیان مستقبل کے موازنہ کو بھی زیادہ بامعنی بناتی ہے۔[1]

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

EEG پری پروسیسنگ کے لیے سافٹ ویئر کا انتخاب

متعدد سافٹ ویئر پلیٹ فارمز EEG 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 کی ضروریات 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 سہولت دیتے ہیں۔[4]،[5] باہمی طور پر قابل عمل ٹولز کا انتخاب تعاون کو آسان بنا سکتا ہے جبکہ شفاف اور دوبارہ تیار کرنے کے قابل تحقیقی طریقوں کی حمایت کرتا ہے۔

اہم نکات

پری پروسیسنگ شور کو کم کر کے، آرٹیفیکٹس کا انتظام کر کے، اور بامعنی اعصابی سگنلز کو محفوظ رکھتے ہوئے ڈیٹا کو منظم کر کے خام EEG ریکارڈنگز کو سائنسی تجزیہ کے لیے تیار کرتی ہے۔

فلٹرنگ، آرٹیفیکٹ مینجمنٹ، انڈیپینڈنٹ کمپوننٹ اینالیسس، ایپوکنگ، بیس لائن کی اصلاح، اور کوالٹی کنٹرول سبھی ڈیٹا کی سالمیت کو برقرار رکھتے ہوئے سگنل کے معیار کو بہتر بنانے میں کردار ادا کرتے 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 کو لاگو کر کے، محققین اپنے نتائج کی وشوسنییتا اور دوبارہ پیش کرنے کی صلاحیت کو مضبوط کرتے ہیں۔

اپنے EEG مطالعے کی تیاری جاری رکھیں

ایک بار جب EEG ڈیٹا کو تجزیہ کے لیے تیار کر لیا جاتا ہے، تو محققین یہ تلاش کرنا شروع کر سکتے ہیں کہ مختلف الیکٹروڈ کے مقامات دماغی سرگرمی کو سمجھنے میں کس طرح مدد کرتے ہیں۔

اگلی گائیڈ، EEG الیکٹروڈز اور مانیٹجز کا انتخاب میں، ہم الیکٹروڈ کی جگہ کا تعین کرنے والے سسٹمز، چینل کے انتخاب، اور ریکارڈنگ کے مقامات تجرباتی ڈیزائن اور ڈیٹا کی تشریح پر کس طرح 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.