عصبی اتارات کی بنیادی باتیں
روشنی راندینیہ
اپ ڈیٹ کیا گیا
22 فروری، 2024
عصبی اتارات کی بنیادی باتیں
روشنی راندینیہ
اپ ڈیٹ کیا گیا
22 فروری، 2024
عصبی اتارات کی بنیادی باتیں
روشنی راندینیہ
اپ ڈیٹ کیا گیا
22 فروری، 2024
1. تعارف
خوش آمدید! اس ٹیوٹوریل میں ہم دماغی لہروں اور اس بات کے بارے میں سیکھ رہے ہیں کہ ہم انہیں دماغ اور رویّے کو سمجھنے کے لیے کیسے استعمال کر سکتے ہیں۔
Hans Berger نے 1929 میں الیکٹرواینسیفلوگرام کی اصطلاح وضع کی، جب اس نے ایک شخص کے سر پر لگے سینسرز کے ذریعے ریکارڈ ہونے والی برقی صلاحیتوں میں تبدیلیوں کی وضاحت کی۔ اس نے دماغی لہروں کی دو اقسام کی نشاندہی کی، جنہیں اس نے الفا اور بیٹا لہریں اس لیے کہا کیونکہ اس نے انہیں جس ترتیب میں ریکارڈ کیا تھا وہ یہی تھی۔ ایسی لہریں دوسرے ممالیہ میں بھی ریکارڈ کی جا چکی تھیں، لیکن Berger نے انہیں انسانوں میں پہلی بار بیان کیا تھا!
اس کے بعد سے، الیکٹرواینسیفلوگرافی کا طریقہ نیوروسائنس میں ایک اہم ذریعہ بن گیا ہے اور اس نے دماغی لہروں (جنہیں محققین عصبی ارتعاشات کہتے ہیں) کے بارے میں ہماری سمجھ کو فروغ دینے میں مدد دی ہے اور دماغ میں تھکن اور بیداری جیسی حالتوں کی خصوصیات واضح کرنے میں بھی مدد کی ہے۔
اس مختصر ٹیوٹوریل میں ہم درج ذیل موضوعات کا احاطہ کریں گے:
عصبی ارتعاشات کیا ہیں؟
ہم عصبی ارتعاشات کی پیمائش کیسے کر سکتے ہیں؟
ہم عصبی ارتعاشات کے ساتھ کیا کر سکتے ہیں؟
Emotiv آلات اور سافٹ ویئر کے استعمال سے عملی اطلاق۔
2. EEG کیا ہے؟
الیکٹرواینسیفلوگرافی (EEG) دماغ کی برقی سرگرمی کی پیمائش کا ایک غیرمداخلتی اور غیر فعال طریقہ ہے۔ برقی سرگرمی کو ریکارڈ کرنے کے لیے الیکٹروڈز/سینسرز/چینلز کھوپڑی پر رکھے جاتے ہیں، جو دماغی خلیات کی آبادیوں کے ذریعے پیدا ہوتی ہے جنہیں نیورونز کہا جاتا ہے۔
شکل 1 – نیورونز برقی سرگرمی پیدا کرتے ہیں جسے EEG آلے کے ذریعے معلوم کیا جا سکتا ہے [Siuly, et al. (2016)]۔
2.1. EEG نظام
مارکیٹ میں بہت سے EEG آلات موجود ہیں جنہیں EEG ریکارڈ کرنے کے لیے استعمال کیا جا سکتا ہے۔ EEG آلات درج ذیل خصوصیات تک مختلف ہو سکتے ہیں:
ایک واحد سینسر سے لے کر 256 الیکٹروڈز تک – زیادہ الیکٹروڈز کھوپڑی پر معلومات کی زیادہ مکانی ریزولوشن فراہم کریں گے۔
گیلے یا خشک الیکٹروڈز – گیلے الیکٹروڈز چالکیت بہتر بنانے کے لیے الیکٹرولائٹک جیل یا نمکین محلول استعمال کرتے ہیں تاکہ کھوپڑی اور سینسر کے درمیان ترسیل بہتر ہو۔ خشک الیکٹروڈز دھات یا موصل پولیمر ہو سکتے ہیں جنہیں کھوپڑی کے ساتھ براہِ راست رابطہ درکار ہوتا ہے۔
فعال یا غیر فعال الیکٹروڈ – غیر فعال الیکٹروڈ نظام صرف سگنل کو آلے تک پہنچاتے ہیں جہاں اسے بڑھایا جاتا ہے۔ فعال الیکٹروڈ نظام ہر الیکٹروڈ پر سگنل کو آلے تک پہنچنے سے پہلے بڑھاتے ہیں تاکہ بعد میں اسے مزید amplify کیا جا سکے۔ اس سے سگنل میں ماحولیاتی برقی شور کم ہو جاتا ہے۔
وائرڈ یا وائرلیس آلات جو Bluetooth کے ذریعے ڈیٹا منتقل کرتے ہیں۔
شکل 2 – ایک وائرلیس، کم کثافت والا EEG نظام۔
شکل 3 – ایک وائرڈ، زیادہ کثافت والے الیکٹروڈز والا EEG نظام۔
2.2. EEG کب استعمال کریں؟
ہر نیوروامیجنگ طریقہ مختلف تحقیقی سوالات کے جواب دینے میں مدد کر سکتا ہے۔
EEG کی سب سے بڑی قوت یہ ہے کہ یہ عصبی سرگرمی کو ملی سیکنڈز کی سطح پر ناپ سکتا ہے، جس سے قبل از شعور عمل بھی ناپے جا سکتے ہیں۔
شکل 4 – مختلف نیوروامیجنگ آلات کی مکانی بمقابلہ زمانی ریزولوشن۔
یہ ایسے سوالات کے لیے بہترین ہے جیسے “میری ویڈیو کے کون سے حصے پر شرکاء نے سب سے زیادہ توجہ دی؟”
EEG بنیادی طور پر دماغ کی بیرونی تہوں سے سرگرمی ریکارڈ کرتا ہے (یعنی اس کی مکانی ریزولوشن کم ہوتی ہے)۔ ایک واحد سینسر کے ساتھ سرگرمی کے منبع کی شناخت کرنا ممکن نہیں۔ بڑی تعداد میں چینلز کے ساتھ ریکارڈنگ ریاضیاتی طور پر منبع کی دوبارہ تشکیل کی اجازت دے سکتی ہے، لیکن گہرے ذرائع کی شناخت میں یہ اب بھی محدود ہے۔ فنکشنل میگنیٹک ریزوننس امیجنگ (fMRI) ایسے سوالات کے جواب دینے کے لیے زیادہ موزوں ہے جیسے “دماغ کا کون سا حصہ توجہ میں تبدیلیوں سے متعلق ہے؟”
2.3. سینسر سے خام EEG؟
جب EEG آلہ سر پر فٹ کر دیا جاتا ہے تو دماغی سرگرمی ایک واحد سینسر پر اس سینسر اور ایک حوالہ سینسر کے درمیان دامنے کے فرق کے طور پر ناپی جاتی ہے۔ زیادہ تر EEG نظاموں میں اسے common mode sense (CMS) الیکٹروڈ کہا جاتا ہے۔ ایک اضافی سینسر، driven right leg (DRL)، CMS پر کسی بھی مداخلت کو کم کرنے میں مدد دیتا ہے۔
شکل 5 – EEG سگنل کی ترسیل کا سادہ بلاک خاکہ۔
ایسے نظاموں میں جن میں فعال اور غیر فعال دونوں الیکٹروڈز ہوں، سگنل کو پھر amplify کیا جاتا ہے اور low-pass فلٹر کیا جاتا ہے۔ لو پاس فلٹرنگ ایک ایسا مرحلہ ہے جو آپ کے سگنل میں ماحول سے آنے والی ممکنہ برقی مداخلت کو ہٹا دے گا، مثلاً mains power۔
یہ مراحل ہارڈویئر کے اندر ہی انجام پاتے ہیں، اس سے پہلے کہ خام EEG سگنل کو آپ کے کمپیوٹر اسکرین پر دیکھا جا سکے۔
2.4. کچھ بنیادی اصطلاحات
10-20 معیاری نامگذاری کا اصول
بائیں سینسرز عموماً طاق نمبر والے اور دائیں سینسرز عموماً جفت نمبر والے ہوتے ہیں۔
نوٹ 1: یہ صرف نام رکھنے کے اصول ہیں اور EEG سینسر کی جگہ خود سرگرمی کے منبع کی نشاندہی نہیں کرتی۔
نوٹ 2: سرگرمی کے منبع کا تعین کرنے کے لیے اضافی مراحل، جیسے منبع کی ریاضیاتی تشکیلِ نو، انجام دینا ضروری ہے تاکہ ایک واحد چینل پر سرگرمی کے منبع کی شناخت کی جا سکے۔
3. عصبی ارتعاشات کیا ہیں؟
دماغی لہریں، جنہیں اکثر عصبی ارتعاشات کہا جاتا ہے، ایک واحد نیورون یا نیورونز کے جھرمٹ کے ذریعے پیدا ہونے والے منظم نمونے ہیں۔
ابھی تک یہ واضح نہیں کہ دماغ یہ مختلف قسم کی ارتعاشات کیوں پیدا کرتا ہے، اگرچہ کئی نظریات موجود ہیں۔ محققین ان ارتعاشی سرگرمیوں کی خصوصیات جانچنے کے لیے مختلف کام استعمال کرتے ہیں اور ان منظم نمونوں کی مدد سے دماغ کے اسرار کو سمجھنے کی کوشش کرتے ہیں۔
3.1. ارتعاش کی کچھ خصوصیات
یہ شکل ایک باقاعدہ برقی سگنل کی پیمائش دکھاتی ہے:
شکل 6 – مختلف نیوروامیجنگ آلات کی مکانی بمقابلہ زمانی ریزولوشن۔
بائیں جانب (y-axis) ہم برقی ریکارڈنگ کا دامنے اور افقی محور (x-axis) پر وقت پلاٹ کر سکتے ہیں۔ سگنل کا دامنے مرکزی نقطے کے گرد باقاعدہ انداز میں مقدار بدلتا ہے۔ ایک چکر کو بھی ارتعاش کہا جاتا ہے۔
فی سیکنڈ چکروں کی تعداد کو موج کی فریکوئنسی کہا جاتا ہے اور اس کی اکائی ہرٹز (Hz) ہے۔ اس لیے 1 سیکنڈ میں 1 چکر = 1 Hz۔ دامنے عموماً مائیکرو وولٹس (µV) میں ناپے جاتے ہیں۔
دماغ میں ہمیں 0.2 Hz (بہت سست لہریں) سے لے کر 80 Hz یا اس سے زیادہ (بہت تیز لہریں) تک فریکوئنسیز والی لہریں نظر آتی ہیں۔ دوروں سے وابستہ 500 Hz تک کی بلند فریکوئنسی سرگرمی بھی دماغ میں ریکارڈ کی جا سکتی ہے۔
دماغی ارتعاشات کی مختلف اقسام کو ان کی فریکوئنسی کی بنیاد پر بیان کیا جاتا ہے۔ انہیں فریکوئنسی بینڈز کہا جاتا ہے اور یہ مختلف دماغی حالتوں سے متعلق ہو سکتے ہیں:
شکل 7 – عام EEG میں دماغی لہریں۔
3.2. مختلف فریکوئنسی بینڈز کیوں اہم ہیں؟
نارمل بمقابلہ غیر معمولی دماغی نمونوں کی شناخت
عصبی ارتعاشات دوروں کا پتہ لگانے اور نیورولوجی میں مرگی کی تشخیص کے لیے اہم ہیں۔دماغی کمپیوٹر انٹرفیس (BCI)
بیٹا، گاما، اور ميو ارتعاشات کی مقدار اکثر دور دراز آلات کو تربیت دینے کے لیے استعمال کی جاتی ہے (مثلاً سوچوں کے ذریعے وہیل چیئر چلانا)۔نیورو فیڈبیک
یہ دماغی تربیت کی ایک شکل ہے جس میں آپ اپنی دماغی لہریں (مثلاً گاما ارتعاشات) دیکھ سکتے ہیں اور ادراکی کام کر کے اپنے دماغ میں گاما ارتعاشات کی مقدار بہتر بنا سکتے ہیں۔نیورو مارکیٹنگ
الفا اور بیٹا فریکوئنسی بینڈز کو یہ طے کرنے کے لیے استعمال کیا جا سکتا ہے کہ کسی اشتہار کا کون سا حصہ زیادہ یا کم پرکشش ہے۔
3.3. EEG ڈیٹا تجزیے کی اقسام
عام طور پر محققین تجزیہ یا تو وقت ڈومین میں یا فریکوئنسی ڈومین میں کرتے ہیں۔
وقت ڈومین تجزیہ
عام طور پر محرک کے آغاز کے بعد دلچسپی کے وقتی نقاط پر وولٹیج دامنے کی پیمائش کرتا ہے۔ انہیں واقعہ-وابستہ پوٹینشلز (ERPs) کہا جاتا ہے۔
فریکوئنسی ڈومین تجزیہ
عام طور پر ایک متعین وقتی ونڈو میں یا کسی واقعے کے آغاز سے متعلق مختلف فریکوئنسی بینڈز میں عصبی ارتعاشات کی مقدار ناپتا ہے۔
اگلے حصے میں ہم فریکوئنسی ڈومین تجزیے کا ایک جائزہ پیش کرتے ہیں۔
3.4. پراسیسنگ
ایک EEG ریکارڈنگ کرنے کے بعد، آپ عام طور پر ارتعاشات کی سمجھ حاصل کرنے سے پہلے ڈیٹا کو صاف کرتے ہیں۔
فلٹرنگ
ڈیٹا میں موجود بلند اور کم فریکوئنسی ماحولیاتی شور کو ہٹانے کی ایک تکنیک۔آرٹی فیکٹ ہٹانا
جسمانی حرکت، آنکھوں کا جھپکنا، یہ سب بڑے آرٹی فیکٹس پیدا کر سکتے ہیں (> 50 µV کے پیک EEG میں)۔ انہیں ہٹایا جا سکتا ہے تاکہ وہ ہمارے نتائج کو متاثر نہ کریں۔ کچھ محققین ان آرٹی فیکٹس کو درست کرنے کے لیے پیچیدہ طریقے استعمال کرتے ہیں تاکہ ڈیٹا محفوظ رہے۔
جب ڈیٹا پراسیس ہو جاتا ہے تو سگنل کو اب فریکوئنسی ڈومین میں تبدیل کیا جا سکتا ہے تاکہ ہم ہر قسم کی دماغی لہروں کی مقدار جان سکیں۔
شکل 8 – خام EEG میں آنکھ جھپکنے کا آرٹی فیکٹ۔
3.5. فاسٹ فوریئر ٹرانسفارم (FFT)
فوریئر ٹرانسفارم EEG سگنل کی ریاضیاتی تبدیلی ہے جو اسے ‘وقت ڈومین’ (تصویر A) سے ‘فریکوئنسی ڈومین (تصویر B)’ میں منتقل کرتی ہے۔
فریکوئنسی ڈومین میں ہم ناپ سکتے ہیں کہ ہماری ریکارڈنگ میں ہر قسم کی ارتعاش کتنی موجود تھی۔ عموماً یہ فریکوئنسی بینڈ کی ‘پاور’ ہوتی ہے اور اسے پاور اسپیکٹرم (تصویر B) کے طور پر دکھایا جا سکتا ہے۔
شکل 9A – وقت ڈومین میں خام EEG۔
شکل 9B – FFT کے بعد پاور اسپیکٹرم (فریکوئنسی ڈومین)۔
3.6. بینڈ پاور
فریکوئنسی بینڈ کی پاور (مثلاً الفا بینڈ) جو فوریئر ٹرانسفارم سے حاصل ہو، ہمیں بتاتی ہے کہ ہر فریکوئنسی بینڈ کی کتنی مقدار موجود ہے۔ بینڈ پاور کی اکائیاں عموماً µV2/Hz ہوتی ہیں۔ اکثر FFT سے حاصل شدہ دامنے یا پاور اسپیکٹرا کو لوگارتھمک اکائی ڈیسی بیلز (dB) میں دکھایا جاتا ہے۔ ڈیسی بیل ایک تناسبی اکائی ہے جو ناپی گئی طاقت (P) اور حوالہ طاقت (Pr) کے درمیان یوں بیان کی جاتی ہے:
جیسے ہی دلچسپی کے واقعات کے لیے یہ پیمانہ حاصل ہو جائے، تجرباتی اثرات کو سمجھنے کے لیے بینڈ پاورز کا موازنہ کیا جا سکتا ہے۔
4. نظریے سے عمل تک
اب ہم الفا سپریشن اثر پر نظر ڈالیں گے۔
یہ ایک ایسا مظہر ہے جس کی پہلی بار Hans Berger نے رپورٹ کی تھی، جس میں ہم الفا ارتعاشات کی مقدار میں نمایاں کمی دیکھتے ہیں (الفا پاور) جب کسی شخص کی آنکھیں کھلی ہوں بمقابلہ بند ہونے پر۔
شکل 10 – آنکھیں کھلی ہونے پر الفا ارتعاشات میں اضافہ دیکھا جا سکتا ہے۔
سب سے پہلے EmotivPRO بلڈر استعمال کرتے ہوئے ہم نے ایک سادہ تجربہ بنایا۔ اس تجربے میں ایک شرکاء سے بس یہ کہا جاتا ہے کہ وہ اسکرین پر توجہ دیتے ہوئے 2 منٹ تک آنکھیں کھلی رکھے، اور پھر 2 منٹ کے لیے بند رکھے۔ 2 منٹ کے آخر میں انہیں ایک گھنٹی سنائی دیتی ہے جو آنکھیں کھولنے کا اشارہ ہوتی ہے۔
آپ نیچے دی گئی ویڈیو کی مدد سے اپنا الفا سپریشن تجربہ بنا سکتے ہیں یا آپ یہاں دیے گئے لنک سے ہمارا تجربہ چلا سکتے ہیں:
4.1. ڈیوائس فٹنگ اور EEG کوالٹی
ہماری EQ gate کیسے کام کرتی ہے اس کے بارے میں مزید یہاں پڑھیں یہاں۔ اپنے ہیڈسیٹ کے لیے مخصوص ڈیوائس فٹنگ کے بارے میں مزید معلومات یہاں حاصل کریں:
EPOC قسم
Insight قسم
4.2. EEG ڈیٹا کی پراسیسنگ اور تبدیلی
اب جب کہ آپ کے پاس آپ کا ڈیٹا موجود ہے، آپ Emotiv Analyzer استعمال کرتے ہوئے اسے فریکوئنسی ڈومین میں تبدیل کر سکتے ہیں۔ ویڈیو میں دیے گئے مراحل پر عمل کریں۔
4.3. ڈیٹا کی تشریح
Analyzer کے مکمل ہونے کے بعد zip فائل ڈاؤن لوڈ کریں۔ ہر ریکارڈ کے لیے آپ کے پاس band powers والی ایک csv فائل اور ایک image فائل ہوگی جسے آپ اپنے شماریاتی تجزیے چلانے کے لیے استعمال کر سکتے ہیں۔
شکل 11 – بینڈ پاورز۔
اپنے نتیجے میں ہم آنکھیں بند ہونے پر (نارنجی) الفا پاور میں اضافہ دیکھ سکتے ہیں، اس کے مقابلے میں جب آنکھیں کھلی ہوں (نیلا)۔
ہمارے ٹیوٹوریل کا یہی اختتام ہے! اب آپ بنیادی معلومات سے لیس ہیں 🙂
آپ وسائل کے حصے میں مزید ترقی یافتہ مطالعے کے لیے کچھ لنکس تلاش کر سکتے ہیں۔
5. وسائل
مزید مطالعہ
Donoghue et al. 2022 عصبی ارتعاشات کے مطالعے کے لیے طریقہ کار سے متعلق غور و فکر
EEG اصطلاحات کی لغت
Kane et al. 2017 (یہاں)
اوپن سورس کوڈ
اگر آپ پائتھن کوڈنگ میں سہولت محسوس کرتے ہیں، تو ہم نے پائتھن اسکرپٹس دستیاب کر دیے ہیں جنہیں آپ آنکھیں کھلی اور آنکھیں بند والے حصوں کے مطابق لیبل کی گئی الفا پاور کی قدریں حاصل کرنے کے لیے استعمال کر سکتے ہیں۔ کوڈ اور نمونہ Alpha Suppression ڈیٹا فائلیں یہاں تلاش کریں: https://osf.io/9bvgh/
EMOTIV دستیات
EmotivPRO بلڈر دستی
EmotivPRO دستی
EmotivPRO Analyzer دستی
7. حوالہ جات
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. عصبی ارتعاشات کے مطالعے کے لیے طریقہ کار سے متعلق غور و فکر. 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. طبی الیکٹرواینسیفلوگرافرز کی طرف سے سب سے زیادہ استعمال ہونے والی اصطلاحات کی ایک نظرثانی شدہ لغت اور EEG نتائج کی رپورٹ کے فارمیٹ کے لیے تازہ کردہ تجویز۔ نظرثانی 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). الیکٹرواینسیفلوگرام (EEG) اور اس کا پس منظر۔ In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. تعارف
خوش آمدید! اس ٹیوٹوریل میں ہم دماغی لہروں اور اس بات کے بارے میں سیکھ رہے ہیں کہ ہم انہیں دماغ اور رویّے کو سمجھنے کے لیے کیسے استعمال کر سکتے ہیں۔
Hans Berger نے 1929 میں الیکٹرواینسیفلوگرام کی اصطلاح وضع کی، جب اس نے ایک شخص کے سر پر لگے سینسرز کے ذریعے ریکارڈ ہونے والی برقی صلاحیتوں میں تبدیلیوں کی وضاحت کی۔ اس نے دماغی لہروں کی دو اقسام کی نشاندہی کی، جنہیں اس نے الفا اور بیٹا لہریں اس لیے کہا کیونکہ اس نے انہیں جس ترتیب میں ریکارڈ کیا تھا وہ یہی تھی۔ ایسی لہریں دوسرے ممالیہ میں بھی ریکارڈ کی جا چکی تھیں، لیکن Berger نے انہیں انسانوں میں پہلی بار بیان کیا تھا!
اس کے بعد سے، الیکٹرواینسیفلوگرافی کا طریقہ نیوروسائنس میں ایک اہم ذریعہ بن گیا ہے اور اس نے دماغی لہروں (جنہیں محققین عصبی ارتعاشات کہتے ہیں) کے بارے میں ہماری سمجھ کو فروغ دینے میں مدد دی ہے اور دماغ میں تھکن اور بیداری جیسی حالتوں کی خصوصیات واضح کرنے میں بھی مدد کی ہے۔
اس مختصر ٹیوٹوریل میں ہم درج ذیل موضوعات کا احاطہ کریں گے:
عصبی ارتعاشات کیا ہیں؟
ہم عصبی ارتعاشات کی پیمائش کیسے کر سکتے ہیں؟
ہم عصبی ارتعاشات کے ساتھ کیا کر سکتے ہیں؟
Emotiv آلات اور سافٹ ویئر کے استعمال سے عملی اطلاق۔
2. EEG کیا ہے؟
الیکٹرواینسیفلوگرافی (EEG) دماغ کی برقی سرگرمی کی پیمائش کا ایک غیرمداخلتی اور غیر فعال طریقہ ہے۔ برقی سرگرمی کو ریکارڈ کرنے کے لیے الیکٹروڈز/سینسرز/چینلز کھوپڑی پر رکھے جاتے ہیں، جو دماغی خلیات کی آبادیوں کے ذریعے پیدا ہوتی ہے جنہیں نیورونز کہا جاتا ہے۔
شکل 1 – نیورونز برقی سرگرمی پیدا کرتے ہیں جسے EEG آلے کے ذریعے معلوم کیا جا سکتا ہے [Siuly, et al. (2016)]۔
2.1. EEG نظام
مارکیٹ میں بہت سے EEG آلات موجود ہیں جنہیں EEG ریکارڈ کرنے کے لیے استعمال کیا جا سکتا ہے۔ EEG آلات درج ذیل خصوصیات تک مختلف ہو سکتے ہیں:
ایک واحد سینسر سے لے کر 256 الیکٹروڈز تک – زیادہ الیکٹروڈز کھوپڑی پر معلومات کی زیادہ مکانی ریزولوشن فراہم کریں گے۔
گیلے یا خشک الیکٹروڈز – گیلے الیکٹروڈز چالکیت بہتر بنانے کے لیے الیکٹرولائٹک جیل یا نمکین محلول استعمال کرتے ہیں تاکہ کھوپڑی اور سینسر کے درمیان ترسیل بہتر ہو۔ خشک الیکٹروڈز دھات یا موصل پولیمر ہو سکتے ہیں جنہیں کھوپڑی کے ساتھ براہِ راست رابطہ درکار ہوتا ہے۔
فعال یا غیر فعال الیکٹروڈ – غیر فعال الیکٹروڈ نظام صرف سگنل کو آلے تک پہنچاتے ہیں جہاں اسے بڑھایا جاتا ہے۔ فعال الیکٹروڈ نظام ہر الیکٹروڈ پر سگنل کو آلے تک پہنچنے سے پہلے بڑھاتے ہیں تاکہ بعد میں اسے مزید amplify کیا جا سکے۔ اس سے سگنل میں ماحولیاتی برقی شور کم ہو جاتا ہے۔
وائرڈ یا وائرلیس آلات جو Bluetooth کے ذریعے ڈیٹا منتقل کرتے ہیں۔
شکل 2 – ایک وائرلیس، کم کثافت والا EEG نظام۔
شکل 3 – ایک وائرڈ، زیادہ کثافت والے الیکٹروڈز والا EEG نظام۔
2.2. EEG کب استعمال کریں؟
ہر نیوروامیجنگ طریقہ مختلف تحقیقی سوالات کے جواب دینے میں مدد کر سکتا ہے۔
EEG کی سب سے بڑی قوت یہ ہے کہ یہ عصبی سرگرمی کو ملی سیکنڈز کی سطح پر ناپ سکتا ہے، جس سے قبل از شعور عمل بھی ناپے جا سکتے ہیں۔
شکل 4 – مختلف نیوروامیجنگ آلات کی مکانی بمقابلہ زمانی ریزولوشن۔
یہ ایسے سوالات کے لیے بہترین ہے جیسے “میری ویڈیو کے کون سے حصے پر شرکاء نے سب سے زیادہ توجہ دی؟”
EEG بنیادی طور پر دماغ کی بیرونی تہوں سے سرگرمی ریکارڈ کرتا ہے (یعنی اس کی مکانی ریزولوشن کم ہوتی ہے)۔ ایک واحد سینسر کے ساتھ سرگرمی کے منبع کی شناخت کرنا ممکن نہیں۔ بڑی تعداد میں چینلز کے ساتھ ریکارڈنگ ریاضیاتی طور پر منبع کی دوبارہ تشکیل کی اجازت دے سکتی ہے، لیکن گہرے ذرائع کی شناخت میں یہ اب بھی محدود ہے۔ فنکشنل میگنیٹک ریزوننس امیجنگ (fMRI) ایسے سوالات کے جواب دینے کے لیے زیادہ موزوں ہے جیسے “دماغ کا کون سا حصہ توجہ میں تبدیلیوں سے متعلق ہے؟”
2.3. سینسر سے خام EEG؟
جب EEG آلہ سر پر فٹ کر دیا جاتا ہے تو دماغی سرگرمی ایک واحد سینسر پر اس سینسر اور ایک حوالہ سینسر کے درمیان دامنے کے فرق کے طور پر ناپی جاتی ہے۔ زیادہ تر EEG نظاموں میں اسے common mode sense (CMS) الیکٹروڈ کہا جاتا ہے۔ ایک اضافی سینسر، driven right leg (DRL)، CMS پر کسی بھی مداخلت کو کم کرنے میں مدد دیتا ہے۔
شکل 5 – EEG سگنل کی ترسیل کا سادہ بلاک خاکہ۔
ایسے نظاموں میں جن میں فعال اور غیر فعال دونوں الیکٹروڈز ہوں، سگنل کو پھر amplify کیا جاتا ہے اور low-pass فلٹر کیا جاتا ہے۔ لو پاس فلٹرنگ ایک ایسا مرحلہ ہے جو آپ کے سگنل میں ماحول سے آنے والی ممکنہ برقی مداخلت کو ہٹا دے گا، مثلاً mains power۔
یہ مراحل ہارڈویئر کے اندر ہی انجام پاتے ہیں، اس سے پہلے کہ خام EEG سگنل کو آپ کے کمپیوٹر اسکرین پر دیکھا جا سکے۔
2.4. کچھ بنیادی اصطلاحات
10-20 معیاری نامگذاری کا اصول
بائیں سینسرز عموماً طاق نمبر والے اور دائیں سینسرز عموماً جفت نمبر والے ہوتے ہیں۔
نوٹ 1: یہ صرف نام رکھنے کے اصول ہیں اور EEG سینسر کی جگہ خود سرگرمی کے منبع کی نشاندہی نہیں کرتی۔
نوٹ 2: سرگرمی کے منبع کا تعین کرنے کے لیے اضافی مراحل، جیسے منبع کی ریاضیاتی تشکیلِ نو، انجام دینا ضروری ہے تاکہ ایک واحد چینل پر سرگرمی کے منبع کی شناخت کی جا سکے۔
3. عصبی ارتعاشات کیا ہیں؟
دماغی لہریں، جنہیں اکثر عصبی ارتعاشات کہا جاتا ہے، ایک واحد نیورون یا نیورونز کے جھرمٹ کے ذریعے پیدا ہونے والے منظم نمونے ہیں۔
ابھی تک یہ واضح نہیں کہ دماغ یہ مختلف قسم کی ارتعاشات کیوں پیدا کرتا ہے، اگرچہ کئی نظریات موجود ہیں۔ محققین ان ارتعاشی سرگرمیوں کی خصوصیات جانچنے کے لیے مختلف کام استعمال کرتے ہیں اور ان منظم نمونوں کی مدد سے دماغ کے اسرار کو سمجھنے کی کوشش کرتے ہیں۔
3.1. ارتعاش کی کچھ خصوصیات
یہ شکل ایک باقاعدہ برقی سگنل کی پیمائش دکھاتی ہے:
شکل 6 – مختلف نیوروامیجنگ آلات کی مکانی بمقابلہ زمانی ریزولوشن۔
بائیں جانب (y-axis) ہم برقی ریکارڈنگ کا دامنے اور افقی محور (x-axis) پر وقت پلاٹ کر سکتے ہیں۔ سگنل کا دامنے مرکزی نقطے کے گرد باقاعدہ انداز میں مقدار بدلتا ہے۔ ایک چکر کو بھی ارتعاش کہا جاتا ہے۔
فی سیکنڈ چکروں کی تعداد کو موج کی فریکوئنسی کہا جاتا ہے اور اس کی اکائی ہرٹز (Hz) ہے۔ اس لیے 1 سیکنڈ میں 1 چکر = 1 Hz۔ دامنے عموماً مائیکرو وولٹس (µV) میں ناپے جاتے ہیں۔
دماغ میں ہمیں 0.2 Hz (بہت سست لہریں) سے لے کر 80 Hz یا اس سے زیادہ (بہت تیز لہریں) تک فریکوئنسیز والی لہریں نظر آتی ہیں۔ دوروں سے وابستہ 500 Hz تک کی بلند فریکوئنسی سرگرمی بھی دماغ میں ریکارڈ کی جا سکتی ہے۔
دماغی ارتعاشات کی مختلف اقسام کو ان کی فریکوئنسی کی بنیاد پر بیان کیا جاتا ہے۔ انہیں فریکوئنسی بینڈز کہا جاتا ہے اور یہ مختلف دماغی حالتوں سے متعلق ہو سکتے ہیں:
شکل 7 – عام EEG میں دماغی لہریں۔
3.2. مختلف فریکوئنسی بینڈز کیوں اہم ہیں؟
نارمل بمقابلہ غیر معمولی دماغی نمونوں کی شناخت
عصبی ارتعاشات دوروں کا پتہ لگانے اور نیورولوجی میں مرگی کی تشخیص کے لیے اہم ہیں۔دماغی کمپیوٹر انٹرفیس (BCI)
بیٹا، گاما، اور ميو ارتعاشات کی مقدار اکثر دور دراز آلات کو تربیت دینے کے لیے استعمال کی جاتی ہے (مثلاً سوچوں کے ذریعے وہیل چیئر چلانا)۔نیورو فیڈبیک
یہ دماغی تربیت کی ایک شکل ہے جس میں آپ اپنی دماغی لہریں (مثلاً گاما ارتعاشات) دیکھ سکتے ہیں اور ادراکی کام کر کے اپنے دماغ میں گاما ارتعاشات کی مقدار بہتر بنا سکتے ہیں۔نیورو مارکیٹنگ
الفا اور بیٹا فریکوئنسی بینڈز کو یہ طے کرنے کے لیے استعمال کیا جا سکتا ہے کہ کسی اشتہار کا کون سا حصہ زیادہ یا کم پرکشش ہے۔
3.3. EEG ڈیٹا تجزیے کی اقسام
عام طور پر محققین تجزیہ یا تو وقت ڈومین میں یا فریکوئنسی ڈومین میں کرتے ہیں۔
وقت ڈومین تجزیہ
عام طور پر محرک کے آغاز کے بعد دلچسپی کے وقتی نقاط پر وولٹیج دامنے کی پیمائش کرتا ہے۔ انہیں واقعہ-وابستہ پوٹینشلز (ERPs) کہا جاتا ہے۔
فریکوئنسی ڈومین تجزیہ
عام طور پر ایک متعین وقتی ونڈو میں یا کسی واقعے کے آغاز سے متعلق مختلف فریکوئنسی بینڈز میں عصبی ارتعاشات کی مقدار ناپتا ہے۔
اگلے حصے میں ہم فریکوئنسی ڈومین تجزیے کا ایک جائزہ پیش کرتے ہیں۔
3.4. پراسیسنگ
ایک EEG ریکارڈنگ کرنے کے بعد، آپ عام طور پر ارتعاشات کی سمجھ حاصل کرنے سے پہلے ڈیٹا کو صاف کرتے ہیں۔
فلٹرنگ
ڈیٹا میں موجود بلند اور کم فریکوئنسی ماحولیاتی شور کو ہٹانے کی ایک تکنیک۔آرٹی فیکٹ ہٹانا
جسمانی حرکت، آنکھوں کا جھپکنا، یہ سب بڑے آرٹی فیکٹس پیدا کر سکتے ہیں (> 50 µV کے پیک EEG میں)۔ انہیں ہٹایا جا سکتا ہے تاکہ وہ ہمارے نتائج کو متاثر نہ کریں۔ کچھ محققین ان آرٹی فیکٹس کو درست کرنے کے لیے پیچیدہ طریقے استعمال کرتے ہیں تاکہ ڈیٹا محفوظ رہے۔
جب ڈیٹا پراسیس ہو جاتا ہے تو سگنل کو اب فریکوئنسی ڈومین میں تبدیل کیا جا سکتا ہے تاکہ ہم ہر قسم کی دماغی لہروں کی مقدار جان سکیں۔
شکل 8 – خام EEG میں آنکھ جھپکنے کا آرٹی فیکٹ۔
3.5. فاسٹ فوریئر ٹرانسفارم (FFT)
فوریئر ٹرانسفارم EEG سگنل کی ریاضیاتی تبدیلی ہے جو اسے ‘وقت ڈومین’ (تصویر A) سے ‘فریکوئنسی ڈومین (تصویر B)’ میں منتقل کرتی ہے۔
فریکوئنسی ڈومین میں ہم ناپ سکتے ہیں کہ ہماری ریکارڈنگ میں ہر قسم کی ارتعاش کتنی موجود تھی۔ عموماً یہ فریکوئنسی بینڈ کی ‘پاور’ ہوتی ہے اور اسے پاور اسپیکٹرم (تصویر B) کے طور پر دکھایا جا سکتا ہے۔
شکل 9A – وقت ڈومین میں خام EEG۔
شکل 9B – FFT کے بعد پاور اسپیکٹرم (فریکوئنسی ڈومین)۔
3.6. بینڈ پاور
فریکوئنسی بینڈ کی پاور (مثلاً الفا بینڈ) جو فوریئر ٹرانسفارم سے حاصل ہو، ہمیں بتاتی ہے کہ ہر فریکوئنسی بینڈ کی کتنی مقدار موجود ہے۔ بینڈ پاور کی اکائیاں عموماً µV2/Hz ہوتی ہیں۔ اکثر FFT سے حاصل شدہ دامنے یا پاور اسپیکٹرا کو لوگارتھمک اکائی ڈیسی بیلز (dB) میں دکھایا جاتا ہے۔ ڈیسی بیل ایک تناسبی اکائی ہے جو ناپی گئی طاقت (P) اور حوالہ طاقت (Pr) کے درمیان یوں بیان کی جاتی ہے:
جیسے ہی دلچسپی کے واقعات کے لیے یہ پیمانہ حاصل ہو جائے، تجرباتی اثرات کو سمجھنے کے لیے بینڈ پاورز کا موازنہ کیا جا سکتا ہے۔
4. نظریے سے عمل تک
اب ہم الفا سپریشن اثر پر نظر ڈالیں گے۔
یہ ایک ایسا مظہر ہے جس کی پہلی بار Hans Berger نے رپورٹ کی تھی، جس میں ہم الفا ارتعاشات کی مقدار میں نمایاں کمی دیکھتے ہیں (الفا پاور) جب کسی شخص کی آنکھیں کھلی ہوں بمقابلہ بند ہونے پر۔
شکل 10 – آنکھیں کھلی ہونے پر الفا ارتعاشات میں اضافہ دیکھا جا سکتا ہے۔
سب سے پہلے EmotivPRO بلڈر استعمال کرتے ہوئے ہم نے ایک سادہ تجربہ بنایا۔ اس تجربے میں ایک شرکاء سے بس یہ کہا جاتا ہے کہ وہ اسکرین پر توجہ دیتے ہوئے 2 منٹ تک آنکھیں کھلی رکھے، اور پھر 2 منٹ کے لیے بند رکھے۔ 2 منٹ کے آخر میں انہیں ایک گھنٹی سنائی دیتی ہے جو آنکھیں کھولنے کا اشارہ ہوتی ہے۔
آپ نیچے دی گئی ویڈیو کی مدد سے اپنا الفا سپریشن تجربہ بنا سکتے ہیں یا آپ یہاں دیے گئے لنک سے ہمارا تجربہ چلا سکتے ہیں:
4.1. ڈیوائس فٹنگ اور EEG کوالٹی
ہماری EQ gate کیسے کام کرتی ہے اس کے بارے میں مزید یہاں پڑھیں یہاں۔ اپنے ہیڈسیٹ کے لیے مخصوص ڈیوائس فٹنگ کے بارے میں مزید معلومات یہاں حاصل کریں:
EPOC قسم
Insight قسم
4.2. EEG ڈیٹا کی پراسیسنگ اور تبدیلی
اب جب کہ آپ کے پاس آپ کا ڈیٹا موجود ہے، آپ Emotiv Analyzer استعمال کرتے ہوئے اسے فریکوئنسی ڈومین میں تبدیل کر سکتے ہیں۔ ویڈیو میں دیے گئے مراحل پر عمل کریں۔
4.3. ڈیٹا کی تشریح
Analyzer کے مکمل ہونے کے بعد zip فائل ڈاؤن لوڈ کریں۔ ہر ریکارڈ کے لیے آپ کے پاس band powers والی ایک csv فائل اور ایک image فائل ہوگی جسے آپ اپنے شماریاتی تجزیے چلانے کے لیے استعمال کر سکتے ہیں۔
شکل 11 – بینڈ پاورز۔
اپنے نتیجے میں ہم آنکھیں بند ہونے پر (نارنجی) الفا پاور میں اضافہ دیکھ سکتے ہیں، اس کے مقابلے میں جب آنکھیں کھلی ہوں (نیلا)۔
ہمارے ٹیوٹوریل کا یہی اختتام ہے! اب آپ بنیادی معلومات سے لیس ہیں 🙂
آپ وسائل کے حصے میں مزید ترقی یافتہ مطالعے کے لیے کچھ لنکس تلاش کر سکتے ہیں۔
5. وسائل
مزید مطالعہ
Donoghue et al. 2022 عصبی ارتعاشات کے مطالعے کے لیے طریقہ کار سے متعلق غور و فکر
EEG اصطلاحات کی لغت
Kane et al. 2017 (یہاں)
اوپن سورس کوڈ
اگر آپ پائتھن کوڈنگ میں سہولت محسوس کرتے ہیں، تو ہم نے پائتھن اسکرپٹس دستیاب کر دیے ہیں جنہیں آپ آنکھیں کھلی اور آنکھیں بند والے حصوں کے مطابق لیبل کی گئی الفا پاور کی قدریں حاصل کرنے کے لیے استعمال کر سکتے ہیں۔ کوڈ اور نمونہ Alpha Suppression ڈیٹا فائلیں یہاں تلاش کریں: https://osf.io/9bvgh/
EMOTIV دستیات
EmotivPRO بلڈر دستی
EmotivPRO دستی
EmotivPRO Analyzer دستی
7. حوالہ جات
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. عصبی ارتعاشات کے مطالعے کے لیے طریقہ کار سے متعلق غور و فکر. 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. طبی الیکٹرواینسیفلوگرافرز کی طرف سے سب سے زیادہ استعمال ہونے والی اصطلاحات کی ایک نظرثانی شدہ لغت اور EEG نتائج کی رپورٹ کے فارمیٹ کے لیے تازہ کردہ تجویز۔ نظرثانی 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). الیکٹرواینسیفلوگرام (EEG) اور اس کا پس منظر۔ In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. تعارف
خوش آمدید! اس ٹیوٹوریل میں ہم دماغی لہروں اور اس بات کے بارے میں سیکھ رہے ہیں کہ ہم انہیں دماغ اور رویّے کو سمجھنے کے لیے کیسے استعمال کر سکتے ہیں۔
Hans Berger نے 1929 میں الیکٹرواینسیفلوگرام کی اصطلاح وضع کی، جب اس نے ایک شخص کے سر پر لگے سینسرز کے ذریعے ریکارڈ ہونے والی برقی صلاحیتوں میں تبدیلیوں کی وضاحت کی۔ اس نے دماغی لہروں کی دو اقسام کی نشاندہی کی، جنہیں اس نے الفا اور بیٹا لہریں اس لیے کہا کیونکہ اس نے انہیں جس ترتیب میں ریکارڈ کیا تھا وہ یہی تھی۔ ایسی لہریں دوسرے ممالیہ میں بھی ریکارڈ کی جا چکی تھیں، لیکن Berger نے انہیں انسانوں میں پہلی بار بیان کیا تھا!
اس کے بعد سے، الیکٹرواینسیفلوگرافی کا طریقہ نیوروسائنس میں ایک اہم ذریعہ بن گیا ہے اور اس نے دماغی لہروں (جنہیں محققین عصبی ارتعاشات کہتے ہیں) کے بارے میں ہماری سمجھ کو فروغ دینے میں مدد دی ہے اور دماغ میں تھکن اور بیداری جیسی حالتوں کی خصوصیات واضح کرنے میں بھی مدد کی ہے۔
اس مختصر ٹیوٹوریل میں ہم درج ذیل موضوعات کا احاطہ کریں گے:
عصبی ارتعاشات کیا ہیں؟
ہم عصبی ارتعاشات کی پیمائش کیسے کر سکتے ہیں؟
ہم عصبی ارتعاشات کے ساتھ کیا کر سکتے ہیں؟
Emotiv آلات اور سافٹ ویئر کے استعمال سے عملی اطلاق۔
2. EEG کیا ہے؟
الیکٹرواینسیفلوگرافی (EEG) دماغ کی برقی سرگرمی کی پیمائش کا ایک غیرمداخلتی اور غیر فعال طریقہ ہے۔ برقی سرگرمی کو ریکارڈ کرنے کے لیے الیکٹروڈز/سینسرز/چینلز کھوپڑی پر رکھے جاتے ہیں، جو دماغی خلیات کی آبادیوں کے ذریعے پیدا ہوتی ہے جنہیں نیورونز کہا جاتا ہے۔
شکل 1 – نیورونز برقی سرگرمی پیدا کرتے ہیں جسے EEG آلے کے ذریعے معلوم کیا جا سکتا ہے [Siuly, et al. (2016)]۔
2.1. EEG نظام
مارکیٹ میں بہت سے EEG آلات موجود ہیں جنہیں EEG ریکارڈ کرنے کے لیے استعمال کیا جا سکتا ہے۔ EEG آلات درج ذیل خصوصیات تک مختلف ہو سکتے ہیں:
ایک واحد سینسر سے لے کر 256 الیکٹروڈز تک – زیادہ الیکٹروڈز کھوپڑی پر معلومات کی زیادہ مکانی ریزولوشن فراہم کریں گے۔
گیلے یا خشک الیکٹروڈز – گیلے الیکٹروڈز چالکیت بہتر بنانے کے لیے الیکٹرولائٹک جیل یا نمکین محلول استعمال کرتے ہیں تاکہ کھوپڑی اور سینسر کے درمیان ترسیل بہتر ہو۔ خشک الیکٹروڈز دھات یا موصل پولیمر ہو سکتے ہیں جنہیں کھوپڑی کے ساتھ براہِ راست رابطہ درکار ہوتا ہے۔
فعال یا غیر فعال الیکٹروڈ – غیر فعال الیکٹروڈ نظام صرف سگنل کو آلے تک پہنچاتے ہیں جہاں اسے بڑھایا جاتا ہے۔ فعال الیکٹروڈ نظام ہر الیکٹروڈ پر سگنل کو آلے تک پہنچنے سے پہلے بڑھاتے ہیں تاکہ بعد میں اسے مزید amplify کیا جا سکے۔ اس سے سگنل میں ماحولیاتی برقی شور کم ہو جاتا ہے۔
وائرڈ یا وائرلیس آلات جو Bluetooth کے ذریعے ڈیٹا منتقل کرتے ہیں۔
شکل 2 – ایک وائرلیس، کم کثافت والا EEG نظام۔
شکل 3 – ایک وائرڈ، زیادہ کثافت والے الیکٹروڈز والا EEG نظام۔
2.2. EEG کب استعمال کریں؟
ہر نیوروامیجنگ طریقہ مختلف تحقیقی سوالات کے جواب دینے میں مدد کر سکتا ہے۔
EEG کی سب سے بڑی قوت یہ ہے کہ یہ عصبی سرگرمی کو ملی سیکنڈز کی سطح پر ناپ سکتا ہے، جس سے قبل از شعور عمل بھی ناپے جا سکتے ہیں۔
شکل 4 – مختلف نیوروامیجنگ آلات کی مکانی بمقابلہ زمانی ریزولوشن۔
یہ ایسے سوالات کے لیے بہترین ہے جیسے “میری ویڈیو کے کون سے حصے پر شرکاء نے سب سے زیادہ توجہ دی؟”
EEG بنیادی طور پر دماغ کی بیرونی تہوں سے سرگرمی ریکارڈ کرتا ہے (یعنی اس کی مکانی ریزولوشن کم ہوتی ہے)۔ ایک واحد سینسر کے ساتھ سرگرمی کے منبع کی شناخت کرنا ممکن نہیں۔ بڑی تعداد میں چینلز کے ساتھ ریکارڈنگ ریاضیاتی طور پر منبع کی دوبارہ تشکیل کی اجازت دے سکتی ہے، لیکن گہرے ذرائع کی شناخت میں یہ اب بھی محدود ہے۔ فنکشنل میگنیٹک ریزوننس امیجنگ (fMRI) ایسے سوالات کے جواب دینے کے لیے زیادہ موزوں ہے جیسے “دماغ کا کون سا حصہ توجہ میں تبدیلیوں سے متعلق ہے؟”
2.3. سینسر سے خام EEG؟
جب EEG آلہ سر پر فٹ کر دیا جاتا ہے تو دماغی سرگرمی ایک واحد سینسر پر اس سینسر اور ایک حوالہ سینسر کے درمیان دامنے کے فرق کے طور پر ناپی جاتی ہے۔ زیادہ تر EEG نظاموں میں اسے common mode sense (CMS) الیکٹروڈ کہا جاتا ہے۔ ایک اضافی سینسر، driven right leg (DRL)، CMS پر کسی بھی مداخلت کو کم کرنے میں مدد دیتا ہے۔
شکل 5 – EEG سگنل کی ترسیل کا سادہ بلاک خاکہ۔
ایسے نظاموں میں جن میں فعال اور غیر فعال دونوں الیکٹروڈز ہوں، سگنل کو پھر amplify کیا جاتا ہے اور low-pass فلٹر کیا جاتا ہے۔ لو پاس فلٹرنگ ایک ایسا مرحلہ ہے جو آپ کے سگنل میں ماحول سے آنے والی ممکنہ برقی مداخلت کو ہٹا دے گا، مثلاً mains power۔
یہ مراحل ہارڈویئر کے اندر ہی انجام پاتے ہیں، اس سے پہلے کہ خام EEG سگنل کو آپ کے کمپیوٹر اسکرین پر دیکھا جا سکے۔
2.4. کچھ بنیادی اصطلاحات
10-20 معیاری نامگذاری کا اصول
بائیں سینسرز عموماً طاق نمبر والے اور دائیں سینسرز عموماً جفت نمبر والے ہوتے ہیں۔
نوٹ 1: یہ صرف نام رکھنے کے اصول ہیں اور EEG سینسر کی جگہ خود سرگرمی کے منبع کی نشاندہی نہیں کرتی۔
نوٹ 2: سرگرمی کے منبع کا تعین کرنے کے لیے اضافی مراحل، جیسے منبع کی ریاضیاتی تشکیلِ نو، انجام دینا ضروری ہے تاکہ ایک واحد چینل پر سرگرمی کے منبع کی شناخت کی جا سکے۔
3. عصبی ارتعاشات کیا ہیں؟
دماغی لہریں، جنہیں اکثر عصبی ارتعاشات کہا جاتا ہے، ایک واحد نیورون یا نیورونز کے جھرمٹ کے ذریعے پیدا ہونے والے منظم نمونے ہیں۔
ابھی تک یہ واضح نہیں کہ دماغ یہ مختلف قسم کی ارتعاشات کیوں پیدا کرتا ہے، اگرچہ کئی نظریات موجود ہیں۔ محققین ان ارتعاشی سرگرمیوں کی خصوصیات جانچنے کے لیے مختلف کام استعمال کرتے ہیں اور ان منظم نمونوں کی مدد سے دماغ کے اسرار کو سمجھنے کی کوشش کرتے ہیں۔
3.1. ارتعاش کی کچھ خصوصیات
یہ شکل ایک باقاعدہ برقی سگنل کی پیمائش دکھاتی ہے:
شکل 6 – مختلف نیوروامیجنگ آلات کی مکانی بمقابلہ زمانی ریزولوشن۔
بائیں جانب (y-axis) ہم برقی ریکارڈنگ کا دامنے اور افقی محور (x-axis) پر وقت پلاٹ کر سکتے ہیں۔ سگنل کا دامنے مرکزی نقطے کے گرد باقاعدہ انداز میں مقدار بدلتا ہے۔ ایک چکر کو بھی ارتعاش کہا جاتا ہے۔
فی سیکنڈ چکروں کی تعداد کو موج کی فریکوئنسی کہا جاتا ہے اور اس کی اکائی ہرٹز (Hz) ہے۔ اس لیے 1 سیکنڈ میں 1 چکر = 1 Hz۔ دامنے عموماً مائیکرو وولٹس (µV) میں ناپے جاتے ہیں۔
دماغ میں ہمیں 0.2 Hz (بہت سست لہریں) سے لے کر 80 Hz یا اس سے زیادہ (بہت تیز لہریں) تک فریکوئنسیز والی لہریں نظر آتی ہیں۔ دوروں سے وابستہ 500 Hz تک کی بلند فریکوئنسی سرگرمی بھی دماغ میں ریکارڈ کی جا سکتی ہے۔
دماغی ارتعاشات کی مختلف اقسام کو ان کی فریکوئنسی کی بنیاد پر بیان کیا جاتا ہے۔ انہیں فریکوئنسی بینڈز کہا جاتا ہے اور یہ مختلف دماغی حالتوں سے متعلق ہو سکتے ہیں:
شکل 7 – عام EEG میں دماغی لہریں۔
3.2. مختلف فریکوئنسی بینڈز کیوں اہم ہیں؟
نارمل بمقابلہ غیر معمولی دماغی نمونوں کی شناخت
عصبی ارتعاشات دوروں کا پتہ لگانے اور نیورولوجی میں مرگی کی تشخیص کے لیے اہم ہیں۔دماغی کمپیوٹر انٹرفیس (BCI)
بیٹا، گاما، اور ميو ارتعاشات کی مقدار اکثر دور دراز آلات کو تربیت دینے کے لیے استعمال کی جاتی ہے (مثلاً سوچوں کے ذریعے وہیل چیئر چلانا)۔نیورو فیڈبیک
یہ دماغی تربیت کی ایک شکل ہے جس میں آپ اپنی دماغی لہریں (مثلاً گاما ارتعاشات) دیکھ سکتے ہیں اور ادراکی کام کر کے اپنے دماغ میں گاما ارتعاشات کی مقدار بہتر بنا سکتے ہیں۔نیورو مارکیٹنگ
الفا اور بیٹا فریکوئنسی بینڈز کو یہ طے کرنے کے لیے استعمال کیا جا سکتا ہے کہ کسی اشتہار کا کون سا حصہ زیادہ یا کم پرکشش ہے۔
3.3. EEG ڈیٹا تجزیے کی اقسام
عام طور پر محققین تجزیہ یا تو وقت ڈومین میں یا فریکوئنسی ڈومین میں کرتے ہیں۔
وقت ڈومین تجزیہ
عام طور پر محرک کے آغاز کے بعد دلچسپی کے وقتی نقاط پر وولٹیج دامنے کی پیمائش کرتا ہے۔ انہیں واقعہ-وابستہ پوٹینشلز (ERPs) کہا جاتا ہے۔
فریکوئنسی ڈومین تجزیہ
عام طور پر ایک متعین وقتی ونڈو میں یا کسی واقعے کے آغاز سے متعلق مختلف فریکوئنسی بینڈز میں عصبی ارتعاشات کی مقدار ناپتا ہے۔
اگلے حصے میں ہم فریکوئنسی ڈومین تجزیے کا ایک جائزہ پیش کرتے ہیں۔
3.4. پراسیسنگ
ایک EEG ریکارڈنگ کرنے کے بعد، آپ عام طور پر ارتعاشات کی سمجھ حاصل کرنے سے پہلے ڈیٹا کو صاف کرتے ہیں۔
فلٹرنگ
ڈیٹا میں موجود بلند اور کم فریکوئنسی ماحولیاتی شور کو ہٹانے کی ایک تکنیک۔آرٹی فیکٹ ہٹانا
جسمانی حرکت، آنکھوں کا جھپکنا، یہ سب بڑے آرٹی فیکٹس پیدا کر سکتے ہیں (> 50 µV کے پیک EEG میں)۔ انہیں ہٹایا جا سکتا ہے تاکہ وہ ہمارے نتائج کو متاثر نہ کریں۔ کچھ محققین ان آرٹی فیکٹس کو درست کرنے کے لیے پیچیدہ طریقے استعمال کرتے ہیں تاکہ ڈیٹا محفوظ رہے۔
جب ڈیٹا پراسیس ہو جاتا ہے تو سگنل کو اب فریکوئنسی ڈومین میں تبدیل کیا جا سکتا ہے تاکہ ہم ہر قسم کی دماغی لہروں کی مقدار جان سکیں۔
شکل 8 – خام EEG میں آنکھ جھپکنے کا آرٹی فیکٹ۔
3.5. فاسٹ فوریئر ٹرانسفارم (FFT)
فوریئر ٹرانسفارم EEG سگنل کی ریاضیاتی تبدیلی ہے جو اسے ‘وقت ڈومین’ (تصویر A) سے ‘فریکوئنسی ڈومین (تصویر B)’ میں منتقل کرتی ہے۔
فریکوئنسی ڈومین میں ہم ناپ سکتے ہیں کہ ہماری ریکارڈنگ میں ہر قسم کی ارتعاش کتنی موجود تھی۔ عموماً یہ فریکوئنسی بینڈ کی ‘پاور’ ہوتی ہے اور اسے پاور اسپیکٹرم (تصویر B) کے طور پر دکھایا جا سکتا ہے۔
شکل 9A – وقت ڈومین میں خام EEG۔
شکل 9B – FFT کے بعد پاور اسپیکٹرم (فریکوئنسی ڈومین)۔
3.6. بینڈ پاور
فریکوئنسی بینڈ کی پاور (مثلاً الفا بینڈ) جو فوریئر ٹرانسفارم سے حاصل ہو، ہمیں بتاتی ہے کہ ہر فریکوئنسی بینڈ کی کتنی مقدار موجود ہے۔ بینڈ پاور کی اکائیاں عموماً µV2/Hz ہوتی ہیں۔ اکثر FFT سے حاصل شدہ دامنے یا پاور اسپیکٹرا کو لوگارتھمک اکائی ڈیسی بیلز (dB) میں دکھایا جاتا ہے۔ ڈیسی بیل ایک تناسبی اکائی ہے جو ناپی گئی طاقت (P) اور حوالہ طاقت (Pr) کے درمیان یوں بیان کی جاتی ہے:
جیسے ہی دلچسپی کے واقعات کے لیے یہ پیمانہ حاصل ہو جائے، تجرباتی اثرات کو سمجھنے کے لیے بینڈ پاورز کا موازنہ کیا جا سکتا ہے۔
4. نظریے سے عمل تک
اب ہم الفا سپریشن اثر پر نظر ڈالیں گے۔
یہ ایک ایسا مظہر ہے جس کی پہلی بار Hans Berger نے رپورٹ کی تھی، جس میں ہم الفا ارتعاشات کی مقدار میں نمایاں کمی دیکھتے ہیں (الفا پاور) جب کسی شخص کی آنکھیں کھلی ہوں بمقابلہ بند ہونے پر۔
شکل 10 – آنکھیں کھلی ہونے پر الفا ارتعاشات میں اضافہ دیکھا جا سکتا ہے۔
سب سے پہلے EmotivPRO بلڈر استعمال کرتے ہوئے ہم نے ایک سادہ تجربہ بنایا۔ اس تجربے میں ایک شرکاء سے بس یہ کہا جاتا ہے کہ وہ اسکرین پر توجہ دیتے ہوئے 2 منٹ تک آنکھیں کھلی رکھے، اور پھر 2 منٹ کے لیے بند رکھے۔ 2 منٹ کے آخر میں انہیں ایک گھنٹی سنائی دیتی ہے جو آنکھیں کھولنے کا اشارہ ہوتی ہے۔
آپ نیچے دی گئی ویڈیو کی مدد سے اپنا الفا سپریشن تجربہ بنا سکتے ہیں یا آپ یہاں دیے گئے لنک سے ہمارا تجربہ چلا سکتے ہیں:
4.1. ڈیوائس فٹنگ اور EEG کوالٹی
ہماری EQ gate کیسے کام کرتی ہے اس کے بارے میں مزید یہاں پڑھیں یہاں۔ اپنے ہیڈسیٹ کے لیے مخصوص ڈیوائس فٹنگ کے بارے میں مزید معلومات یہاں حاصل کریں:
EPOC قسم
Insight قسم
4.2. EEG ڈیٹا کی پراسیسنگ اور تبدیلی
اب جب کہ آپ کے پاس آپ کا ڈیٹا موجود ہے، آپ Emotiv Analyzer استعمال کرتے ہوئے اسے فریکوئنسی ڈومین میں تبدیل کر سکتے ہیں۔ ویڈیو میں دیے گئے مراحل پر عمل کریں۔
4.3. ڈیٹا کی تشریح
Analyzer کے مکمل ہونے کے بعد zip فائل ڈاؤن لوڈ کریں۔ ہر ریکارڈ کے لیے آپ کے پاس band powers والی ایک csv فائل اور ایک image فائل ہوگی جسے آپ اپنے شماریاتی تجزیے چلانے کے لیے استعمال کر سکتے ہیں۔
شکل 11 – بینڈ پاورز۔
اپنے نتیجے میں ہم آنکھیں بند ہونے پر (نارنجی) الفا پاور میں اضافہ دیکھ سکتے ہیں، اس کے مقابلے میں جب آنکھیں کھلی ہوں (نیلا)۔
ہمارے ٹیوٹوریل کا یہی اختتام ہے! اب آپ بنیادی معلومات سے لیس ہیں 🙂
آپ وسائل کے حصے میں مزید ترقی یافتہ مطالعے کے لیے کچھ لنکس تلاش کر سکتے ہیں۔
5. وسائل
مزید مطالعہ
Donoghue et al. 2022 عصبی ارتعاشات کے مطالعے کے لیے طریقہ کار سے متعلق غور و فکر
EEG اصطلاحات کی لغت
Kane et al. 2017 (یہاں)
اوپن سورس کوڈ
اگر آپ پائتھن کوڈنگ میں سہولت محسوس کرتے ہیں، تو ہم نے پائتھن اسکرپٹس دستیاب کر دیے ہیں جنہیں آپ آنکھیں کھلی اور آنکھیں بند والے حصوں کے مطابق لیبل کی گئی الفا پاور کی قدریں حاصل کرنے کے لیے استعمال کر سکتے ہیں۔ کوڈ اور نمونہ Alpha Suppression ڈیٹا فائلیں یہاں تلاش کریں: https://osf.io/9bvgh/
EMOTIV دستیات
EmotivPRO بلڈر دستی
EmotivPRO دستی
EmotivPRO Analyzer دستی
7. حوالہ جات
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. عصبی ارتعاشات کے مطالعے کے لیے طریقہ کار سے متعلق غور و فکر. 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. طبی الیکٹرواینسیفلوگرافرز کی طرف سے سب سے زیادہ استعمال ہونے والی اصطلاحات کی ایک نظرثانی شدہ لغت اور EEG نتائج کی رپورٹ کے فارمیٹ کے لیے تازہ کردہ تجویز۔ نظرثانی 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). الیکٹرواینسیفلوگرام (EEG) اور اس کا پس منظر۔ In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
