EEG تحقیق میں سب سے زیادہ استعمال ہونے والے ریفرنس کے انتخاب میں سے ایک کامن ایوریج ریفرنس، یا CAR ہے، جو کھوپڑی پر موجود تمام چینلز کے اوسط کے مقابلے میں ہر چینل کی قدر کا دوبارہ حساب لگاتا ہے۔
CAR کو شور صاف کرنے والے ایک ڈیفالٹ کے طور پر جانا جاتا ہے۔ یہ BCI پائپ لائنز، شائع شدہ مقالاجات، اور اوپن سورس ٹول بکس میں تقریباً خود بخود ظاہر ہوتا ہے۔ لیکن دستیاب تحقیق پر گہری نظر ڈالنے سے ایک ایسی تصویر سامنے آتی ہے جو اس کی شہرت کے مقابلے میں زیادہ ملی جلی ہے۔
یہ مضمون CAR کے پیچھے موجود ریاضی، ان مفروضوں جن پر اس کا انحصار ہے، اور ان حالات کا احاطہ کرتا ہے جن کے تحت وہ مفروضے ناکام ہو جاتے ہیں۔
EEG میں کامن ایوریج ریفرنس (Common Average Reference) کیا ہے؟
ہر اسکیلپ الیکٹروڈ کسی ایسے ریفرنس چینل، یا ریفرنس چینلز کے ایک چھوٹے مجموعے کی نسبت وولٹیج کی پیمائش کرتا ہے، جسے ریکارڈنگ کے وقت منتخب کیا گیا ہو۔ عام انتخاب میں کان کی لو پر ایک ہی الیکٹروڈ، کانوں کے پیچھے جڑے ہوئے ماسٹائڈز، یا Cz جیسی اسکیلپ کی جگہ شامل ہیں۔
سنگل سائٹ ریفرنس کے ساتھ مسئلہ یہ ہے کہ یہ کبھی بھی حقیقی طور پر "خاموش" نہیں ہوتا۔ اگر ریفرنس الیکٹروڈ خود شور یا دماغی سرگرمی کی گرفت کرتا ہے، تو وہ آلودگی ہر دوسرے چینل میں منہا ہو جاتی ہے، کیونکہ ہر چینل کے سگنل کی تعریف اس کی نسبت سے کی جاتی ہے۔
CAR وقت کے ہر لمحے میں پورے الیکٹروڈ سرنی میں اوسط وولٹیج کو ریکارڈ کرتے ہوئے ایک مختلف قسم کا ریفرنس استعمال کرکے اس مسئلے سے بچتا ہے۔ تمام دیگر الیکٹروڈز سے ایک الیکٹروڈ کی قدر کو منہا کرنے کے بجائے، CAR ہر انفرادی الیکٹروڈ سے تمام الیکٹروڈز کا اوسط منہا کرتا ہے۔
نظریاتی طور پر، یہ اوسط کسی بھی واحد فزیکل الیکٹروڈ کے مقابلے میں ایک زیادہ مستحکم اور "زیادہ خاموش" ریفرنس پوائنٹ کے طور پر کام کرتا ہے، کیونکہ یہ کسی ایک جگہ کے بجائے پورے اسکیلپ سے معلومات حاصل کرتا ہے۔
BCI تحقیق میں CAR
یہی وجہ ہے کہ CAR دماغ-کمپیوٹر انٹرفیس کی تحقیق میں اتنی اکثر نظر آتا ہے۔ مثال کے طور پر، انٹرنیشنل جرنل آف انجینئرنگ اینڈ ٹیکنالوجی میں شائع ہونے والی ایک تحقیق نے P300 سپیلر کے لئے دوبارہ ریفرینسنگ کے بارہ طریقوں میں سے ایک کے طور پر CAR کا تجربہ کیا، یہ وہ نظام ہے جو اس وقت دماغ کے خاص ردعمل کا پتہ لگاتا ہے جب کوئی صارف کسی ٹارگٹ حرف یا علامت پر توجہ مرکوز کرتا ہے، اور CAR کو ٹیسٹ کیے گئے طریقوں میں سب سے زیادہ موزوں تکنیک قرار دیا۔
مزید برآں، ایک 2025 کی تحقیق نے موٹر امیجری کی درجہ بندی کی پائپ لائن میں CAR کو ایک معیاری پری پروسیسنگ مرحلے کے طور پر لاگو کیا، جس کا مقصد سگنل سے شور کی شرح (signal-to-noise ratio) کو بڑھانا بتایا گیا تھا۔
CAR فارمولا کا حساب کیسے لگائیں
CAR کا طریقہ کار سادہ الجبرا ہے، کوئی ریاضیاتی ماڈل نہیں جس کی تصدیق کے لیے ڈیٹا کی ضرورت ہو۔ N الیکٹروڈز کی ایک سرنی کے لئے، جس میں سے ہر ایک t وقت پر وولٹیج ریکارڈ کر رہا ہے، جسے V₁(t)، V₂(t)، اور Vₙ(t) تک لکھا جائے، کسی بھی سنگل الیکٹروڈ i کے لئے CAR-تبدیل شدہ قدر یہ ہے:
V_i(t)^CAR \= V_i(t) - (V_1(t) + V_2(t) + ... + V_N(t)) / N
سادہ الفاظ میں، کسی مخصوص الیکٹروڈ کے لئے CAR تلاش کرنے کے لئے، کسی خاص ملی سیکنڈ پر اس کی اصل ریڈنگ لیں، اور بالکل اسی ملی سیکنڈ پر تمام اسکیلپ الیکٹروڈز کی اوسط ریڈنگ کو منہا کر دیں۔
کامن ایوریج ریفرنس EEG کے استعمالات
درست ریفرنس اپروچ کا انتخاب تشخیصی تجزیوں اور پیچیدہ تحقیقی مطالعات کی کامیابی کا تعین کرتا ہے۔
کلینیکل سیٹ اپس اکثر واضح اور مستقل مزاجی کو ترجیح دیتے ہیں، جس سے یہ یقینی بنتا ہے کہ نیورولوجسٹ ریفرنس کی وجہ سے پیدا ہونے والے خلل کے بغیر مارکرز کی شناخت کر سکیں۔ محققین اس عالمی نقطہ نظر کو اس وقت ترجیح دیتے ہیں جب وہ یہ نقشہ بنا رہے ہوں کہ مداخلتیں اعصابی سرگرمی پر کیسے اثر انداز ہو سکتی ہیں، جیسا کہ سانس سے چلنے والے ارتعاشات کے نتائج میں دکھایا گیا ہے، جہاں سانس سے منسلک اثرات کو مقامی اعصابی تال سے الگ کرنے کے لئے ایک غیر جانبدار بیس لائن ضروری ہے۔
کلینیکل سیٹنگز اور تجرباتی نیورو سائنس دونوں میں، محققین ڈیٹا کی مستقل تشریح پر انحصار کرتے ہیں جو مصنوعی بگاڑ کو کم سے کم کرتی ہے۔ یہ طریقہ کار مختلف سیشنز یا سہولیات میں مریض کی ریکارڈنگ کا موازنہ کرتے وقت شفافیت برقرار رکھنے میں مدد کرتا ہے۔
معیاری ریفرینسنگ کا استعمال کرتے ہوئے، تجزیہ کار یہ یقینی بناتے ہیں کہ طول و عرض میں مشاہدہ کی جانے والی تبدیلیاں بیس لائن میں تکنیکی تبدیلیوں کے بجائے حیاتیاتی تبدیلیوں کی عکاسی کرتی ہیں۔ یہ معروضی موقف وسیع دماغی لہروں کی پیمائش کے استعمالات میں زیادہ واضح تشخیصی رپورٹنگ اور معتبر نتائج کی حمایت کرتا ہے۔
CAR کامن-موڈ شور کو کیسے کم کرتا ہے
CAR کے حق میں دلیل ایک ایسے تصور پر مبنی ہے جسے کامن-موڈ شور کہا جاتا ہے۔ اس سے مراد وہ مداخلت ہے جو کسی ایک جگہ کے بجائے تقریباً ہر الیکٹروڈ پر تقریباً یکساں طاقت کے ساتھ ظاہر ہوتی ہے۔
کلاسک مثالوں میں قریبی بجلی کے ذرائع سے 50/60 ہرٹز الیکٹریکل لائن کا شور، پٹھوں کی سرگرمی جو بافتوں کی ترسیل کے ذریعے پورے اسکیلپ پر پھیلتی ہے، اور جلد کے ساتھ الیکٹروڈ کے ہلکے سے کھسکنے کی وجہ سے پیدا ہونے والے سست بہاؤ شامل ہیں۔
چونکہ اس قسم کا شور پوری سرنی میں بڑے پیمانے پر شیئر ہوتا ہے، اس لیے تمام چینلز کو ایک ساتھ اوسط کرنے سے، نظریاتی طور پر، اس مشترکہ شور کے جزو کا ایک مناسب تخمینہ پیدا ہونا چاہیے۔ اس کے بعد ہر چینل سے اوسط کو منہا کرنے سے اس مشترکہ داخل اندازی کا زیادہ تر حصہ ختم ہو جاتا ہے جبکہ چینل سے چینل کے درمیان اختلافات برقرار رہتے ہیں، جن میں اصل دماغی سرگرمی کی عکاسی کا امکان زیادہ ہوتا ہے۔
CAR کے پیچھے بنیادی مفروضے
CAR کا شور کو کم کرنے کا منطق صرف اسی صورت میں درست ثابت ہوتا ہے جب ڈیٹا کے بارے میں متعدد شرائط سچی ہوں۔ ان مفروضوں کو مستقل طور پر EEG درسی کتب اور تعلیمی مواد میں بیان کیا گیا ہے، حالانکہ دستیاب شواہد کے اندر ان کی حقیقی دنیا میں تصدیق بہت کم ہے۔
صفر-اوسط کا مفروضہ (The zero-mean assumption): کسی بھی لمحے، پورے سر کے تمام وولٹیجز کا اوسط صفر کے قریب سمجھا جاتا ہے، جس کا مطلب ہے کہ مثبت اور منفی سرگرمیاں پورے اسکیلپ پر تقریباً متوازن ہو جاتی ہیں۔
گنجان، یکساں الیکٹروڈ کوریج: یہ فرض کیا جاتا ہے کہ سرنی سر کو اتنی اچھی طرح سے ڈھانپتی ہے کہ اوسط اس کے قریب پہنچ جاتی ہے جو سر سے لامحدود فاصلے پر موجود ریفرنس پوائنٹ، اور اس لیے برقی طور پر غیر جانبدار، ریکارڈ کرے گا۔ کم یا ناہموار کوریج اس تخمینے کو کمزور کرتی ہے۔
کوئی ایک غالب ذریعہ نہیں: کوئی ایک الیکٹروڈ، خراب چینل، یا بڑا آرٹفیکٹ (جیسے آنکھ کا زور سے جھپکنا) اتنا بڑا نہیں ہونا چاہیے کہ وہ اکیلے ہی اوسط کو بگاڑ دے۔
جب یہ تینوں شرائط پوری ہوتی ہیں، تو اوسط واقعی ایک غیر جانبدار ریفرنس پوائنٹ کی طرح کام کرتی ہے۔ جب ایسا نہیں ہوتا، تو اوسط خود بگڑ جاتی ہے، اور بگڑی ہوئی اوسط کو منہا کرنے سے پرانے مسائل دور ہونے کے بجائے نئے مسائل پیدا ہوتے ہیں۔
حقیقی EEG ڈیٹا کے ساتھ CAR کے مفروضوں کی جانچ کرنا
مثال کے طور پر ایک معیاری 64-چینل کا پبلک آرام دہ حالت کا EEG ریکارڈنگ لینا، اور CAR لاگو کرنے سے پہلے دنیا بھر کے اوسط کی لہر کا حساب لگانا اکثر ایسی اقدار کو ظاہر کرتا ہے جو صفر سے انحراف کرتی ہیں، کبھی کبھی نمایاں فرق کے ساتھ۔ یہ انحراف خام سگنل کے اندر موجود مشترکہ موڈ کے مواد کا براہ راست ثبوت ہے، جسے دور کرنے کے لئے ہی CAR کو ڈیزائن کیا گیا ہے۔ CAR لاگو ہونے کے بعد، اسی فارمولے کی تعریف کے مطابق، ہر وقت کے نقطہ پر دنیا بھر کے اوسط کو بالکل صفر پر لانے پر مجبور کیا جاتا ہے۔
ایک زیادہ چونکا دینے والا تجربہ ان ادوار کو دیکھنا ہے جن میں آنکھ جھپکنے کا بڑا اثر (artifact) شامل ہوتا ہے۔
آنکھ جھپکنے سے بڑی وولٹیج کی لہریں پیدا ہوتی ہیں جو سامنے کے الیکٹروڈز پر سب سے زیادہ مضبوط ہوتی ہیں لیکن زیادہ تر سرنی میں پھیل جاتی ہیں۔ ان ادوار کے دوران، CAR سے پہلے کا عالمی اوسط اکثر صفر سے تیزی سے ہٹ جاتا ہے، کیونکہ جھپکنا یکساں طور پر تقسیم نہیں ہوتا بلکہ سر کے ایک حصے میں مرکوز ہوتا ہے۔ جب CAR لاگو کیا جاتا ہے، تو یہ مرکوز آرٹفیکٹ اوسط میں شامل ہو جاتا ہے اور تھوڑی مقدار میں، ہر ایک چینل میں دوبارہ تقسیم ہو جاتا ہے، بشمول ان چینلز کے جو آنکھوں سے بہت دور ہیں اور اصل میں صاف تھے۔
تحقیق کیا کہتی ہے: BCI اسٹڈیز سے ملے جلے شواہد
مذکورہ بالا تحقیق نے تین P300 سپیلر ڈیٹا سیٹس میں بارہ ری-ریفرنسنگ تکنیکوں کا موازنہ کیا، آف لائن اور آن لائن دونوں ٹیسٹنگ حالات میں، اور نتیجہ اخذ کیا کہ بارہ طریقوں میں CAR سب سے موزوں تکنیک تھی۔ تاہم، اگرچہ مطالعہ درجہ بندی کی درستگی کا گرافیکل موازنہ اور معیاری انحراف کے ساتھ اوسط زیادہ سے زیادہ بٹ ریٹس کی تفصیلی میزیں فراہم کرتا ہے، لیکن یہ طریقوں کے درمیان اثر کے سائز یا باقاعدہ شماریاتی اہمیت کے ٹیسٹ کی رپورٹ نہیں کرتا، جس سے اس درجہ بندی پر اعتماد محدود ہو جاتا ہے۔
اسی دوران ایک 2017 کی تحقیق نے موٹر امیجری اور تحریک کے ارادے کے کام کے ساتھ ایک مختلف نقطہ نظر اپنایا۔ گیارہ شرکاء نے دائیں کلائی کی حرکات انجام دیں اور ان کا تصور کیا جبکہ 28 الیکٹروڈز سے EEG ریکارڈ کیا گیا۔ سگنل پروسیسنگ کے لئے CAR اور لیپلیشین ریفرنسنگ (Laplacian referencing) دونوں کا استعمال کیا گیا، یہ ایک ایسا مقامی فلٹرنگ کا طریقہ ہے جو پورے اسکیلپ کے اوسط کے بجائے ایک مرکزی الیکٹروڈ اور اس کے قریبی پڑوسیوں کے درمیان فرق پر زور دیتا ہے۔
لیپلیشین ریفرینسنگ کا استعمال کرتے ہوئے درجہ بندی کی درستگی تصوراتی حرکت کے لیے 63.33% سے 100% اور اصل حرکت کے لیے 60% سے 96.67% تک تھی، جس میں k-قریبی پڑوسی درجہ بندی کرنے والے کوڈریٹک امتیازی تجزیہ سے بہتر کارکردگی کا مظاہرہ کر رہے تھے۔ مجموعی طور پر لیپلیشین ریفرنسنگ نے CAR سے بہتر کارکردگی دکھائی، حالانکہ یہ تحقیق براہ راست موازنے کے لیے CAR کے درست درستگی کے اعداد و شمار رپورٹ نہیں کرتی ہے۔ یہ نتیجہ یہ بتاتا ہے کہ CAR ان کاموں کے لئے کم موزوں ہو سکتا ہے جن میں توجہ مرکوز، مقامی موٹر سے متعلق دماغی سرگرمی شامل ہو۔
آخر میں، مذکورہ بالا 2025 کی تحقیق نے موٹر امیجری کی درجہ بندی کے لئے ایک بڑی کنوولوشنل نیورل نیٹ ورک پائپ لائن کے اندر CAR کو ایک ابتدائی پری پروسیسنگ مرحلے کے طور پر شامل کیا، جس میں سلائیڈنگ ٹائم ونڈوز، اسپیکٹرل ٹرانسفارمیشن، اور فریکوئنسی بینڈ نکالنا بھی شامل تھا۔ مکمل پائپ لائن نے ایک مسابقتی بینچ مارک ڈیٹا سیٹ پر 91.75% درستگی حاصل کی۔ یہ ایک مضبوط نتیجہ ہے، لیکن چونکہ CAR پروسیسنگ کے متعدد مراحل میں سے صرف ایک تھا، اس لیے یہ مطالعہ ہمیں یہ نہیں بتا سکتا کہ اس درستگی کا کتنا حصہ خود CAR کے سر جاتا ہے بمقابلہ CNN کے ڈھانچے، ونڈوئنگ ٹیکنیک، یا فریکوئنسی بینڈ کے انتخاب کے۔
مجموعی طور پر، یہ تینوں تحقیقات کسی ایک نتیجے پر متفق نہیں ہوتی ہیں۔ CAR نے P300 کے تناظر میں اچھا کام کیا، موٹر امیجری کے تناظر میں کسی اور متبادل کے مقابلے میں خراب کارکردگی کا مظاہرہ کیا، اور اعلی درستگی والی ڈیپ لرننگ کے تناظر میں موجود تھا لیکن الگ نہیں کیا گیا تھا۔ اس طرح، زیر بحث شواہد سے پتہ چلتا ہے کہ CAR کا انفرادی فائدہ غیر واضح ہے اور ایسا لگتا ہے کہ اس کا زیادہ تر انحصار دماغی سگنل کی قسم پر ہے جس کی پیمائش کی جا رہی ہے۔
جب CAR ناکام ہو جاتا ہے: آرٹ فیکٹس، کمزور سرنی، اور مرکوز ذرائع
ان تحقیقات کا نمونہ ناکامی کے تین طریقوں سے مطابقت رکھتا ہے جن پر EEG کے طریقہ کار میں وسیع پیمانے پر بحث کی جاتی ہے لیکن دستیاب تحقیق میں براہ راست شواہد سے صرف جزوی طور پر ان کی تائید ہوتی ہے۔
بڑے آرٹ فیکٹس (Large artifacts): ایک واحد ہائی طول و عرض کا واقعہ، جیسے آنکھ کا زور سے جھپکنا یا پٹھوں کا سخت تناؤ، اوسط کے حساب کتاب پر حاوی ہو سکتا ہے اگر یہ باقی سرنی کے مقابلے میں کافی بڑا ہو۔ جب ایسا ہوتا ہے، تو CAR آرٹ فیکٹ کو ختم نہیں کرتا؛ یہ اس کا ایک بگڑا ہوا روپ ہر چینل میں پھیلا دیتا ہے، بشمول ان چینلز کے جو اصل میں آرٹ فیکٹ سے پاک تھے۔ یہ الگ سے ٹیسٹ کی گئی دریافت کے بجائے براہ راست CAR فارمولے کا نتیجہ ہے، لیکن یہ منطقی طور پر اس نمونے کی پیروی کرتا ہے جو اس مضمون میں پہلے بیان کیا گیا ہے۔
کمزور سرنی (Sparse arrays): CAR کا انحصار اوسط پر ہے جو ایک غیر جانبدار ریفرنس پوائنٹ کے قریب پہنچتی ہے، جس کے لئے اسکیلپ کی مناسب حد تک گنجان اور یکساں کوریج کی ضرورت ہوتی ہے۔ صرف چند الیکٹروڈز کے ساتھ، مثال کے طور پر آٹھ سے سولہ چینلز، اوسط اس غیر جانبدار نقطہ کا بہت کمزور تخمینہ ہوتی ہے، اور CAR کے پیچھے کوریج کا مفروضہ براہ راست ٹوٹ جاتا ہے۔
مرکوز ذرائع (Focal sources): دماغی سرگرمی جو پورے اسکیلپ پر پھیلنے کے بجائے ایک چھوٹی، مقامی جگہ سے شروع ہوتی ہے، وہ ایک ایسے "مقامی" سگنل کی طرح برتاؤ کر سکتی ہے جسے برقرار رکھنے کے لئے CAR کا ہول-ایرے اوسط ڈیزائن نہیں کیا گیا ہے۔ چونکہ CAR ایک عالمی اوسط کو منہا کرتا ہے، اس لیے یہ جزوی طور پر ان سگنلز کو منسوخ کر سکتا ہے جو پھیلنے کے بجائے مرکوز ہوتے ہیں۔
ناکامی کا طریقہ | اہم مسئلہ |
|---|---|
آرٹ فیکٹس | بڑا آرٹ فیکٹ اوسط کو بگاڑ دیتا ہے |
کمزور سرنی (Sparse Arrays) | بہت کم الیکٹروڈ، کمزور ریفرنس |
مرکوز ذرائع (Focal Sources) | مقامی سگنلز کمزور ہو سکتے ہیں |
CAR کی کمزوریوں کو کیسے کم کیا جائے
ان ناکامیوں کے حل کے لئے EEG کی مشق میں عام طور پر متعدد تجاویز دی جاتی ہیں:
جب بڑے آرٹ فیکٹس تشویش کا باعث ہوں، تو CAR کا حساب لگانے سے پہلے خراب چینلز یا آرٹ فیکٹ سے بھرپور حصوں کی شناخت کریں اور انہیں درست کریں یا ہٹا دیں۔
کمزور سرنی (مثلاً، 8–16 چینلز) کے ساتھ کام کرتے وقت، CAR سے پرہیز کریں اور ایک فکسڈ فزیکل ریفرنس استعمال کریں جیسے کہ جڑے ہوئے ماسٹائڈز۔
ان کاموں کے لئے جو مرکوز، مقامی دماغی سرگرمی کو نشانہ بناتے ہیں، لیپلیشین ریفرنسنگ یا سورس-اسپیس طریقوں پر غور کریں جو عالمی اوسط کے بجائے مقامی میلان پر زور دیتے ہیں۔
کیا CAR آپ کے EEG سیٹ اپ کے لئے صحیح ریفرنس کا انتخاب ہے؟
CAR ایک واضح اور مربوط ریاضیاتی بنیاد کے ساتھ وسیع پیمانے پر استعمال ہونے والا ریفرنس طریقہ ہے۔ یہ سرنی میں اوسط سگنل کو صفر پر لانے پر مجبور کرتا ہے، اور یہ، اصولی طور پر، اس شور کو ختم کر سکتا ہے جو پورے اسکیلپ پر بڑے پیمانے پر اور یکساں طور پر ظاہر ہوتا ہے۔ یہ نظریاتی کشش یہ واضح کرتی ہے کہ یہ اکثر EEG اور BCI پائپ لائنز میں ایک ڈیفالٹ قدم کے طور پر کیوں سامنے آتا ہے۔
کوئی بھی جو اپنے ڈیٹا پر CAR کا اطلاق کر رہا ہے اسے اس کو ایک یقینی بہتری کے بجائے ایک مناسب ڈیفالٹ کے طور پر لینا چاہئے۔ اس کے مفروضے، یعنی کہ تقریباً صفر-اوسط سگنل ہونا، گنجان اور یکساں الیکٹروڈ کوریج، اور غالب آرٹ فیکٹ کی عدم موجودگی، خود بخود فرض کرنے کے بجائے مخصوص ریکارڈنگ سیٹ اپ اور موجودہ کام کے خلاف جانچنے کے قابل ہیں۔
جہاں ان مفروضوں کے درست ہونے کا امکان نہ ہو، خاص طور پر کمزور سرنی یا ان کاموں کے ساتھ جو مرکوز، مقامی دماغی ذرائع پر مرکوز ہوں، وہاں متبادل جیسے لیپلیشین ریفرنسنگ سنجیدہ غور کے مستحق ہیں۔
دماغی ریکارڈنگ میں ریفرنس مفروضوں کی جانچ کرنا ڈیفالٹ سیٹنگز سے اہم کیوں ہے
دماغی ریکارڈنگ میں کامن ایوریج ریفرنس الیکٹروڈز کے درمیان مشترکہ شور کو ختم کرنے کے لئے پورے اسکیلپ کے اوسط کو منہا کرنے کے سادہ ریاضیاتی خیال پر بنایا گیا ہے۔ یہ کاغذ پر خوبصورتی سے کام کرتا ہے، لیکن دماغ کی حقیقی ریکارڈنگ شاید ہی کبھی مکمل تعاون کرتی ہے۔ الگورتھم ہمیشہ الیکٹروڈ کے اوسط کو صفر پر لانے پر مجبور کرتا ہے، لیکن وہ زبردستی کا توازن دماغی سرگرمی کے صاف نظر آنے کی ضمانت نہیں دیتا—بس یہ کہ نمبرز ریاضی کے مطابق درست ہوجاتے ہیں۔
خود EEG مانٹیج سے زیادہ اہم بات یہ ہے کہ آیا ریکارڈنگ سیٹ اپ بنیادی مفروضوں پر پورا اترتا ہے یا نہیں۔ گنجان، یکساں الیکٹروڈ کوریج اور آنکھ جھپکنے جیسے شدید آرٹ فیکٹس کی عدم موجودگی CAR کو ایک خطرناک شارٹ کٹ سے کارآمد ٹول میں تبدیل کر سکتی ہے۔ کمزور سرنی یا ان کاموں کے لئے جنہیں چھوٹے، مرکوز دماغی سگنلز کو پکڑنے کی ضرورت ہوتی ہے، یہی مرحلہ آلودگی پھیلا سکتا ہے اور اسی سرگرمی کو دھندلا کر سکتا ہے جسے محقق تلاش کرنے کی امید رکھتا ہے۔
تحقیق سے حاصل ہونے والا نتیجہ یہ نہیں ہے کہ CAR اچھا ہے یا برا، بلکہ یہ ہے کہ اس کا استعمال ڈیٹا کے حالات کی دانستہ جانچ کا مطالبہ کرتا ہے، نہ کہ کسی مشہور پری سیٹ پر آنکھ بند کر کے بھروسہ کرنا۔
حوالہ جات
Alhaddad, M. J. (2012). Common average reference (CAR) improves P300 speller. International Journal of Engineering and Technology, 2(3), 21.
Atla, K. G. R., & Sharma, R. (2025). Motor imagery classification using a novel CNN in EEG-BCI with common average reference and sliding window techniques. Alexandria Engineering Journal, 120, 532-546. https://doi.org/10.1016/j.aej.2025.02.001
Syam, S. H. F., Lakany, H., Ahmad, R. B., & Conway, B. A. (2017, December). Comparing common average referencing to laplacian referencing in detecting imagination and intention of movement for brain computer interface. In MATEC Web of Conferences (Vol. 140). https://doi.org/10.1051/matecconf/201714001028
اکثر پوچھے گئے سوالات
EEG میں کامن ایوریج ریفرنس (CAR) کیا ہے؟
CAR دوبارہ ریفرینسنگ کا ایک طریقہ ہے جو ہر وقت کے نقطہ پر ہر انفرادی الیکٹروڈ سے تمام اسکیلپ الیکٹروڈز کے اوسط وولٹیج کو منہا کرتا ہے۔ یہ ریکارڈنگ کے لئے ایک زیادہ مستحکم ریفرنس پوائنٹ بنانے کا مقصد رکھتا ہے۔
CAR کس طرح EEG سگنلز میں شور کو کم کرتا ہے؟
CAR کامن-موڈ شور کو نشانہ بناتا ہے—ایسا شور جو بہت سے الیکٹروڈز پر یکساں طور پر ظاہر ہوتا ہے، جیسے پاور لائن کا شور یا پٹھوں کی سرگرمی۔ تمام چینلز کو اوسط کر کے اور اس اوسط کو منہا کرنے سے، مشترکہ شور زیادہ تر ختم ہو جاتا ہے جبکہ چینل کے مخصوص دماغی اثرات محفوظ رہتے ہیں۔
CAR کے اچھے طریقے سے کام کرنے کے لئے کون سے بنیادی مفروضے ضروری ہیں؟
CAR یہ فرض کرتا ہے کہ پورے اسکیلپ کا وولٹیج اوسط ہر لمحہ صفر کے قریب ہوتا ہے، الیکٹروڈ کوریج گنجان اور یکساں ہے، اور کوئی ایک آرٹ فیکٹ یا چینل اوسط پر حاوی نہیں ہوتا ہے۔ اگر یہ درست نہ ہوں، تو حساب کردہ اوسط بگڑ جاتی ہے، اور اسے منہا کرنے سے غلطیاں پیدا ہوتی ہیں۔
CAR کب ناکام ہوتا ہے یا پائپ لائن میں بگاڑ پیدا کرتا ہے؟
CAR آنکھ جھپکنے جیسے بڑے، مقامی آرٹ فیکٹس کے ساتھ ناکام ہو سکتا ہے، جو اوسط کو بگاڑ دیتے ہیں اور پھر تمام چینلز پر پھیل جاتے ہیں۔ یہ کمزور الیکٹروڈ سرنی یا ان دماغی سگنلز کے ساتھ بھی مشکلات کا شکار ہوتا ہے جو انتہائی مرکوز ہوتے ہیں، کیونکہ عالمی اوسط اب غیر جانبدار ریفرنس کی نمائندگی نہیں کرتا۔
CAR کی افادیت کے بارے میں دستیاب تحقیق کیا کہتی ہے؟
شواہد ملے جلے ہیں۔ ایک تحقیق میں پایا گیا کہ CAR نے P300 سپیلر کے کام کے لیے اچھا کام کیا، لیکن دوسری تحقیق نے دکھایا کہ لیپلیشین ریفرنسنگ نے موٹر امیجری کے لیے CAR سے بہتر کارکردگی کا مظاہرہ کیا۔ ایک تیسری تحقیق نے ایک کامیاب ڈیپ لرننگ پائپ لائن میں CAR کا استعمال کیا لیکن اس کے مخصوص شراکت کو الگ نہیں کیا، اس لیے اس کا انفرادی فائدہ غیر واضح ہے۔
کیا مجھے ہمیشہ اپنے EEG تجزیہ کے لیے CAR کو ڈیفالٹ ریفرنس کے طور پر استعمال کرنا چاہیے؟
آنکھیں بند کر کے نہیں۔ CAR ایک مناسب ڈیفالٹ ہے اگر آپ کے پاس گنجان، یکساں الیکٹروڈ کوریج ہو اور سگنل بغیر کسی غالب آرٹ فیکٹ کے تقریباً صفر-اوسط ہو۔ کمزور سرنی یا مرکوز دماغی سرگرمی کے لئے، فکسڈ فزیکل ریفرنس یا لیپلیشین ریفرنسنگ جیسے متبادل زیادہ مناسب ہو سکتے ہیں۔
لیپلیشین ریفرنسنگ کیا ہے اور یہ CAR سے کیسا موازنہ کرتی ہے؟
لیپلیشین ریفرنسنگ ایک مرکزی الیکٹروڈ اور اس کے قریبی پڑوسیوں کے درمیان وولٹیج کے فرق پر زور دیتی ہے، جس سے مقامی دماغی سرگرمی نمایاں ہوتی ہے۔ اس نے موٹر امیجری کے مطالعے میں CAR سے بہتر کارکردگی کا مظاہرہ کیا، جس سے یہ ظاہر ہوتا ہے کہ یہ مقامی طور پر توجہ مرکوز کرنے والے سگنلز کا پتہ لگانے کے لئے زیادہ موزوں ہے۔
جب میں CAR کا استعمال کرنا چاہوں تو میں اس کی کمزوریوں کو کیسے دور کر سکتا ہوں؟
CAR کا حساب لگانے سے پہلے، خراب چینلز اور آنکھ جھپکنے جیسے بڑے آرٹ فیکٹس کی شناخت کریں اور انہیں ہٹا دیں یا ان کی اصلاح کریں۔ یہ کسی ایک شور والے چینل یا واقعے کو پورے اسکیلپ کی اوسط کو بگاڑنے اور تمام چینلز کو آلودہ کرنے سے روکتا ہے۔
جب CAR سے ریفرینس کردہ ریکارڈنگ میں آنکھ جھپکتی ہے تو کیا ہوتا ہے؟
آنکھ جھپکنے سے فرنٹل الیکٹروڈز پر مرکوز مضبوط وولٹیج کی تبدیلیاں پیدا ہوتی ہیں۔ جب CAR کا اطلاق ہوتا ہے، تو اس جھپکنے کا اثر عالمی اوسط میں شامل ہو جاتا ہے اور پھر منہا کیا جاتا ہے، جو ہر چینل میں اس جھپکنے کا ایک چھوٹا لیکن مسخ شدہ روپ پھیلا دیتا ہے، حتیٰ کہ ان چینلز میں بھی جو اصل میں صاف تھے۔
کیا CAR واقعی تمام چینلز کا اوسط صفر بنا دیتا ہے؟
جی ہاں، تعریف کے مطابق CAR کی تبدیلی ہر وقت کے نقطہ پر تمام دوبارہ ریفرنس شدہ وولٹیجز کے مجموعے کو صفر کرنے پر مجبور کرتی ہے۔ تاہم، یہ ریاضیاتی خصوصیت اس بات کی ضمانت نہیں دیتی ہے کہ حاصل ہونے والا سگنل دماغی سرگرمی کی زیادہ صاف نمائندگی ہے—یہ صرف ایک شرط نافذ کرتی ہے جو حقیقت سے مطابقت رکھ بھی سکتی ہے اور نہیں بھی۔
Emotiv ایک نیوروٹیکنالوجی لیڈر ہے جو قابلِ رسائی EEG اور دماغی ڈیٹا ٹولز کے ذریعے نیورو سائنس کی تحقیق کو آگے بڑھانے میں مدد کرتا ہے۔
کرسچن برگوس
