ڈسکریٹ کوسائن ٹرانسفارم

ڈسکریٹ کوسائن ٹرانسفارم کیا ہے؟

ڈسکریٹ کوسائن ٹرانسفارم (discrete cosine transform) ایک ریاضیاتی عمل ہے جو نمونہ شدہ اقدار کے ایک محدود سلسلے کو کوسائن فنکشنز سے وابستہ کوایفیشینٹس (عددی سروں) میں تبدیل کرتا ہے۔ وقت یا پوزیشن کے لحاظ سے سگنل کو براہ راست اقدار کے طور پر بیان کرنے کے بجائے، یہ اس بات کی وضاحت کرتا ہے کہ مختلف کوسائن پیٹرن اس سگنل میں کتنا مضبوط حصہ ڈالتے ہیں۔ اس کا نتیجہ محدود اور الگ (ڈسکریٹ) رہتا ہے، لیکن اس کی ساخت کا اظہار فریکوئنسی جیسے ڈومین میں ہوتا ہے۔

ایک کوسائن اساس (basis) ایک مستقل پیٹرن سے شروع ہوتی ہے اور بتدریج تیز تر ارتعاشات کی طرف بڑھتی ہے۔ لہٰذا پہلا کوایفیشینٹ عام طور پر ان پٹ کی اوسط یا مجموعی سطح کو ظاہر کرتا ہے، جبکہ بعد کے کوایفیشینٹس بتدریج باریک تبدیلیوں کو گرفت میں لاتے ہیں۔ یہ ترتیب وسیع رجحانات کو تیز تر اتار چڑھاو سے الگ کرنا آسان بنا سکتی ہے۔

جب کوایفیشینٹس کا مکمل مجموعہ اور متعلقہ نارملائزیشن برقرار رکھی جائے تو یہ ٹرانسفارم قابلِ واپسی (reversible) ہوتا ہے۔ تاہم، عملی کام میں، تجزیہ کار صرف منتخب کوایفیشینٹس کو محفوظ رکھ سکتے ہیں یا انہیں عددی خصوصیات (numerical features) کے طور پر استعمال کر سکتے ہیں۔ یہ انتخاب ڈائمنشنلٹی کو کم کر سکتا ہے، لیکن یہ معلومات کو بھی ضائع کرتا ہے، اس لیے کم کی گئی نمائندگی کے معنی کو فرض کرنے کے بجائے اس کا جائزہ لیا جانا چاہیے۔

ڈسکریٹ کوسائن ٹرانسفارم الگورتھم مرحلہ وار

ایک عملی DCT ورک فلو ایک محدود سلسلے سے شروع ہوتا ہے اور ان کوایفیشینٹس پر ختم ہوتا ہے جن کا دوبارہ تجزیہ یا تعمیرِ نو کی جا سکتی ہے۔ یہ سلسلہ ایک مختصر سگنل ونڈو، امیج رو، یا پیمائشوں کا کوئی دوسرا منظم مجموعہ ہو سکتا ہے۔ حساب کتاب سے پہلے، تجزیہ کار ٹرانسفارم کی قسم، کوایفیشینٹ اسکیلنگ، ونڈو کی لمبائی، اور لاپتہ یا آلودہ نمونوں کے علاج کی وضاحت کرتا ہے۔

ہر DCT اساس فنکشن (basis function) ایک نمونہ شدہ کوسائن پیٹرن ہے۔ الگورتھم ہر اساس پیٹرن کے ساتھ ان پٹ کا موازنہ کرتا ہے، جس سے فی پیٹرن ایک کوایفیشینٹ پیدا ہوتا ہے۔ یہ حساب کتاب براہ راست سمیشن فارمولے (summation formula) کے ساتھ یا ایک تیز رفتار نفاذ (fast implementation) کے ساتھ کیا جا سکتا ہے جو منتخب کردہ ٹرانسفارم کے اصولوں کو برقرار رکھتے ہوئے حساب کتاب کو کم کرنے کے لیے ڈیزائن کیا گیا ہے۔

آپریشن کو نافذ کرتے وقت ایک مختصر ورک فلو مفید ہوتا ہے کیونکہ ہر مرحلہ تشریح پر اثر انداز ہوتا ہے:

1. ایک محدود، مستقل طور پر نمونہ شدہ سلسلہ تیار کریں۔

2. جب تجزیہ کی ضرورت ہو تو ناپسندیدہ آفسیٹس اور رجحانات کو ہٹائیں یا ان کا ماڈل بنائیں۔

3. DCT کی قسم اور نارملائزیشن کا اصول منتخب کریں۔

4. کوایفیشینٹ ویکٹر کا حساب لگائیں اور اس کی ڈائمنشنز کی تصدیق کریں۔

5. تحقیقی سوال کے مطابق کوایفیشینٹس کو برقرار رکھیں، دوبارہ تعمیر کریں، یا ان کا شماریاتی تجزیہ کریں۔

ٹرانسفارمیشن کے بعد، تمام کوایفیشینٹس کے ساتھ دوبارہ تعمیر کو عددی درستگی اور نارملائزیشن کے اصولوں کے علاوہ ان پٹ کو دوبارہ پیدا کرنا چاہیے۔ کوایفیشینٹ ویکٹر کے صرف ایک حصے کو استعمال کرتے ہوئے کی گئی تعمیرِ نو ایک تخمینہ (approximation) ہوتی ہے۔ دوبارہ تعمیر کی غلطی (reconstruction error) کی جانچ پڑتال سے یہ ظاہر ہو سکتا ہے کہ آیا کوایفیشینٹ میں کمی نے محض شور کو کم کرنے کے بجائے معنی خیز ساخت کو بھی ہٹا دیا ہے۔

مختلف صنعتوں میں ڈسکریٹ کوسائن ٹرانسفارم کے استعمالات

ڈسکریٹ کوسائن ٹرانسفارم کے استعمالات وہاں موجود ہیں جہاں بھی محدود، نمونہ شدہ ڈیٹا کوسائن پر مبنی نمائندگی سے فائدہ اٹھا سکتا ہے۔ امیج اور ویڈیو سسٹمز میں، یہ مقامی (spatial) یا عارضی (temporal) بلاکس کی مختصر وضاحتوں کی حمایت کرتا ہے۔ آڈیو اور مواصلات میں، متعلقہ ٹرانسفارم کے طریقے کوڈنگ اور ٹرانسمیشن کے لیے سگنل کی معلومات کو منظم کرنے میں مدد کر سکتے ہیں۔

سائنسی اور انجینئرنگ ایپلی کیشنز فلٹرنگ، شور کم کرنے (denoising)، فیچر کی تعمیر، اور عددی تجزیہ کے لیے DCT کا استعمال کرتی ہیں۔ اس کی حقیقی مالیت والی اساس (real-valued basis) اس وقت آسان ہو سکتی ہے جب فیز (phase) بنیادی دلچسپی کی چیز نہ ہو یا جب یکساں توسیعی سلوک (even-extension behavior) کے ساتھ ایک محدود سلسلہ ایک مناسب ماڈل ہو۔ مناسب استعمال کا انحصار سگنل، باؤنڈری کی شرائط، اور مطلوبہ نتائج پر ہوتا ہے۔

بایومیڈیکل ریسرچ میں، ٹرانسفارم کوایفیشینٹس شماریاتی ماڈلز یا درجہ بندی کے نظاموں کے لیے فیچرز کے طور پر کام کر سکتے ہیں۔ ایسے فیچرز تبدیل شدہ سگنل کی پیمائشیں ہیں، براہ راست حیاتیاتی متغیرات (biological variables) نہیں ہیں۔ اس لیے ان کی قدر کی تصدیق توثیق، دوبارہ پیدا کرنے کی صلاحیت، اور اصل ڈیٹا اور متعلقہ جسمانی پیمائشوں کے ساتھ موازنہ کے ذریعے کی جانی چاہیے۔

ڈسکریٹ کوسائن ٹرانسفارم بمقابلہ ڈسکریٹ فورئیر ٹرانسفارم

DCT اور DFT دونوں ارتعاشی اساس فنکشنز کے ذریعے نمونہ شدہ ڈیٹا کا اظہار کرتے ہیں، لیکن وہ مختلف ریاضیاتی مفروضے بناتے ہیں۔ DFT کمپلیکس ایکسپونینشلز (complex exponentials) کا استعمال کرتا ہے اور اپنے کوایفیشینٹس میں طول و عرض (amplitude) اور فیز (phase) دونوں کی نمائندگی کرتا ہے۔ DCT حقیقی کوسائن فنکشنز کا استعمال کرتا ہے اور عام طور پر محدود ان پٹ کی یکساں سمیٹرک توسیع (even-symmetric extension) سے وابستہ ہوتا ہے۔

باؤنڈری کا سلوک ایک مرکزی فرق ہے۔ DFT میں متواتر توسیع (periodic extension) ایک محدود حصے کے اختتام اور آغاز کے درمیان ایک مصنوعی چھلانگ (artificial jump) پیدا کر سکتی ہے جب وہ اقدار آپس میں میل نہ کھاتی ہوں۔ بہت سی DCT شکلوں سے وابستہ یکساں توسیع کی ساخت اس مخصوص تعطل (discontinuity) کو کم کر سکتی ہے، اگرچہ یہ ہر کنارے کے اثر (edge effect) کو ختم نہیں کرتی یا ہر سگنل کے لیے بہتر نتائج کی ضمانت نہیں دیتی۔

لہذا یہ انتخاب نظریاتی کے بجائے تجزیاتی ہے۔ DFT اس وقت موزوں ہے جب کمپلیکس فیز اور متواتر ساخت اہمیت رکھتی ہو، جبکہ DCT مختصر حقیقی قیمت والی نمائندگیوں اور محدود ونڈو ڈیٹا کے لیے پرکشش ہو سکتا ہے۔

EEG سگنلز میں DCT انرجی کمپیکشن پراپرٹی کیا ہے؟

DCT سگنل کے نمونوں کے ایک مختصر بلاک کو بڑھتی ہوئی فریکوئنسیوں پر کوسائن لہروں کے مجموعے میں تقسیم کر کے کام کرتا ہے، جن میں سے ہر ایک کو ایک ایسے کوایفیشینٹ سے ضرب دیا جاتا ہے جو یہ بتاتا ہے کہ وہ مخصوص کوسائن لہر اصل بلاک میں کتنا مضبوط حصہ ڈالتی ہے۔

فورئیر ٹرانسفارم کے برعکس، جو کمپلیکس نمبرز پیدا کرتا ہے جس میں میگنیٹیوڈ اور فیز دونوں کی معلومات ہوتی ہیں، DCT صرف حقیقی نمبرز پیدا کرتا ہے۔ یہ آؤٹ پٹ کو ذخیرہ کرنے اور کمپیوٹیشنل طور پر استعمال کرنے کے لیے آسان بناتا ہے۔

وہ خاصیت جو EEG کے لیے سب سے زیادہ اہمیت رکھتی ہے اسے انرجی کمپیکشن (توانائی کا ارتکاز) کہا جاتا ہے۔ EEG سگنلز وقت میں انتہائی مربوط (correlated) ہوتے ہیں، یعنی ابھی ریکارڈ کیا گیا نمونہ شماریاتی طور پر تھوڑی دیر پہلے ریکارڈ کیے گئے نمونے سے ملتا جلتا ہوتا ہے۔

Birvinskas et al. کا ایک مطالعہ اس کی براہ راست وضاحت کرتا ہے، یہ نوٹ کرتے ہوئے کہ DCT “مربوط ان پٹ ڈیٹا لیتا ہے اور اپنی توانائی کو صرف پہلے چند ٹرانسفارم کوایفیشینٹس میں مرکوز کرتا ہے”۔ عملی الفاظ میں، اس کا مطلب یہ ہے کہ ایک بلاک میں سے پہلے چند کوایفیشینٹس سگنل کی وسیع شکل کو گرفت میں لیتے ہیں، جبکہ بعد کے کوایفیشینٹس بتدریج باریک تفصیلات کو حاصل کرتے ہیں، جن میں سے زیادہ تر شور کے ساتھ ملتی جلتی ہوتی ہیں۔

توانائی کے اس ارتکاز کے اثر کی وجہ سے، دوبارہ تعمیر شدہ ویوفارم کو کم سے کم نقصان پہنچائے بغیر کوایفیشینٹس کے ایک بڑے حصے کو خارج کیا جا سکتا ہے۔ ایمبیڈڈ سسٹمز کا ایک مطالعہ جس کی قیادت بھی Birvinskas نے کی تھی، اس کا براہ راست مظاہرہ کرتا ہے، جس میں آٹھ نمونوں کے مختصر بلاکس پر DCT کا اطلاق کیا گیا ہے اور واضح طور پر یہ بیان کیا گیا ہے کہ “سب سے کم اہم ٹرانسفارم کوایفیشینٹس کو ٹرانسمیشن سے پہلے ہٹا دیا جاتا ہے” اور دوبارہ تعمیر سے پہلے صفر کے ساتھ بھر دیا جاتا ہے۔ جو سگنل واپس آتا ہے وہ بالکل اصل جیسا نہیں ہوتا، لیکن یہ غالب ساخت کو برقرار رکھتا ہے، کیونکہ ضائع شدہ معلومات ٹرانسفارم کے ان حصوں میں مرکوز تھیں جو شروع میں سب سے کم توانائی لے کر جا رہے تھے۔

یہ غیر مربوط (decorrelating) سلوک تصوراتی طور پر پرنسپل کمپوننٹ اینالیسس کے پیچھے موجود مقصد سے متعلق ہے، جو مربوط ڈیٹا کی مختصر، غیر مربوط نمائندگی بھی تلاش کرتا ہے، حالانکہ PCA اپنے اساس فنکشنز کو شماریاتی طور پر ڈیٹا سے خود اخذ کرتا ہے جبکہ DCT کوسائن فنکشنز کا ایک مقررہ، پہلے سے طے شدہ سیٹ استعمال کرتا ہے۔

DCT کیوں FFT یا ویولیٹس کی طرح ارتعاشی تنزل (Oscillatory Decomposition) نہیں ہے

DCT کو فورئیر تجزیہ کی ایک آسان شکل سمجھنا پرکشش ہے، لیکن یہ دونوں ٹولز مختلف مقاصد کے لیے بنائے گئے ہیں۔

فاسٹ فورئیر ٹرانسفارم (FFT) ایک سگنل کو سائن اور کوسائن جوڑوں میں تقسیم کرتا ہے، جس سے کمپلیکس ویلیو آؤٹ پٹ پیدا ہوتا ہے جو فریکوئنسی میگنیٹیوڈ اور فیز دونوں کو لے جاتا ہے۔ وہ کمپلیکس آؤٹ پٹ قدرتی طور پر کلاسیکی EEG فریکوئنسی بینڈز، ڈیلٹا، تھیٹا، الفا، بیٹا، اور گاما پر نقش ہوتا ہے، اور یہ الیکٹروڈ سائٹس کے درمیان سنکرونائزیشن جیسی فیز پر مبنی پیمائش کی مدد کر سکتا ہے۔ ویولیٹ ٹرانسفارم اس خیال کو مزید وسعت دیتے ہیں، جس سے فریکوئنسی مواد کو وقت کے لحاظ سے لوکلائز کیا جا سکتا ہے، جو کہ ایک سپائیک یا عارضی آرٹیفیکٹ جیسے قلیل مدتی واقعات کو پکڑنے کے لیے مفید ہے۔

DCT ایک تنگ مقصد کے گرد بنایا گیا ہے۔ یہ خصوصی طور پر کوسائن فنکشنز کا استعمال کرتا ہے، اور یہ صرف حقیقی نمبر پیدا کرتا ہے۔ اس کے کوایفیشینٹس تکنیکی طور پر ”فریکوئنسی“ کی ایک شکل کے مطابق ہوتے ہیں، لیکن چونکہ ٹرانسفارم ایک مخصوص باؤنڈری شرط کا استعمال کرتے ہوئے مختصر بلاکس پر کام کرتا ہے، اس لیے وہ فریکوئنسی کی معلومات اضافی پروسیسنگ کے بغیر معیاری EEG بینڈز کے ساتھ واضح طور پر ہم آہنگ نہیں ہوتی۔

یہ کوئی خامی نہیں ہے۔ یہ ڈیزائن کے مقصد میں فرق کو ظاہر کرتا ہے۔ FFT اور ویولیٹ خاندانوں کو EEG جیسے تال پر مبنی سگنل کے ارتعاشی مواد کو بیان کرنے کے لیے موزوں بنایا گیا ہے۔ DCT کو ایک ویوفارم کو اس کی شکل برقرار رکھتے ہوئے کم سے کم ممکنہ نمبروں میں کمپریس کرنے کے لیے موزوں بنایا گیا ہے۔

یہ فرق اس بات کے مرکز میں ہے کہ DCT کا جائزہ کیسے لیا جانا چاہیے۔ یہ سب سے پہلے ایک کمپریشن اور ڈائمنشنلٹی کم کرنے والا ٹول ہے، اور فریکوئنسی مواد میں صرف ایک ثانوی یا بالواسطہ کھڑکی ہے۔

DCT اسٹوریج اور ٹرانسمیشن کے لیے EEG ڈیٹا کو کیسے کمپریس کرتا ہے

DCT کا استعمال کرتے ہوئے بنیادی کمپریشن کا طریقہ ایک مستقل پیٹرن کی پیروی کرتا ہے: سگنل کے ایک بلاک کو DCT کوایفیشینٹس میں تبدیل کریں، سب سے چھوٹے کوایفیشینٹس کو خارج کریں یا موٹے طور پر راؤنڈ ڈاؤن کریں، اور پھر اصل سگنل کا تخمینہ دوبارہ بنانے کے لیے ایک انورس ٹرانسفارم کا اطلاق کریں۔

چونکہ خارج کیے گئے کوایفیشینٹس وہ ہیں جو سب سے کم توانائی لے جاتے ہیں، اس لیے دوبارہ تعمیر شدہ سگنل اکثر وسیع ویوفارم کی شکل کو محفوظ رکھتا ہے چاہے یہ ایک بہترین کاپی نہ ہو۔ یہی وجہ ہے کہ اس تکنیک کو لاس لیس (lossless) کمپریشن کے بجائے لوسی (lossy) کمپریشن کے طور پر بیان کیا جاتا ہے۔

Birvinskas et al. کے مطالعے میں، انہوں نے خاص طور پر ایمبیڈڈ اور پورٹیبل سسٹمز کے لیے ڈیزائن کیا جو ایک وقت میں صرف آٹھ نمونوں کے بلاکس پر تیز رفتار DCT الگورتھم کا اطلاق کرتے ہیں، یہ ڈیزائن کا انتخاب کم طاقت والے ہارڈ ویئر پر کمپیوٹیشنل بوجھ کو کم کرنے کے مقصد سے کیا گیا تھا۔ انہوں نے نتیجہ اخذ کیا کہ یہ طریقہ کار “ریئل ٹائم ایمبیڈڈ سسٹمز کے لیے موزوں ہے، جہاں کم کمپیوٹیشنل پیچیدگی اور تیز رفتاری کی ضرورت ہوتی ہے۔”

Maazouz et al. کا ایک اور مطالعہ اس تصور کو ملٹی چینل ریکارڈنگز تک وسعت دیتا ہے، جس میں اینٹروپی کوڈنگ کو شامل کیا گیا ہے، جو کہ ایک لاس لیس مرحلہ ہے جو DCT مرحلے کے بعد فائل کے سائز کو مزید چھوٹا کرتا ہے، جو کہ DCT پر مبنی کوانٹائزیشن کے اوپر ہے۔ یہ مقالہ اس عمل کو ایک “روایتی آپریشن” قرار دیتا ہے، جس میں اسی بنیادی ریاضی کا استعمال کیا گیا ہے جو JPEG کمپریشن میں استعمال ہوتی ہے، اور پرسنٹ روٹ مین اسکوائر ڈسٹورشن (PRD) نامی میٹرک کا استعمال کرتے ہوئے دوبارہ تعمیر کی کیفیت کی پیمائش کرتا ہے، جو یہ ظاہر کرتا ہے کہ دوبارہ تعمیر شدہ سگنل اصل سے کتنا انحراف کرتا ہے۔

مجموعی طور پر، یہ دونوں مطالعے یہ ثابت کرتے ہیں کہ DCT پر مبنی کمپریشن تکنیکی طور پر قابل عمل اور کمپیوٹیشنل طور پر کارآمد ہے۔

مشین لرننگ کے لیے فیچر ایکسٹریکشن ٹول کے طور پر DCT کا استعمال

مشین لرننگ کلاسیفائرز، وہ الگورتھم جو مرگی کے دوروں جیسے معاملات کا خود بخود پتہ لگانے یا مطلوبہ BCI احکامات کی تشریح کرنے کے لیے استعمال ہوتے ہیں، اس وقت بہتر کارکردگی کا مظاہرہ کرتے ہیں اور تیزی سے چلتے ہیں جب انہیں ہزاروں خام ٹائم ڈومین نمونوں کے بجائے کم تعداد میں معلوماتی نمبر فراہم کیے جائیں۔

یہ وہ جگہ ہے جہاں DCT کی انرجی کمپیکشن کی خصوصیت اسٹوریج کی حکمت عملی کے بجائے فیچر نکالنے (feature extraction) کی حکمت عملی بن جاتی ہے۔ جگہ بچانے کے لیے چھوٹے کوایفیشینٹس کو ضائع کرنے کے بجائے، برقرار رکھے گئے کوایفیشینٹس کا چھوٹا سیٹ کلاسیفائر کا براہ راست ان پٹ بن جاتا ہے۔

Birvinskas et al. کا ایک مطالعہ اس منطق کو BCI سسٹمز پر لاگو کرتا ہے، جس میں ایک مصنوعی نیورل نیٹ ورک کے ساتھ درجہ بندی سے پہلے فیچر نکالنے اور ڈیٹا سیٹ کو کم کرنے کے مرحلے کے طور پر واضح طور پر DCT کا استعمال کیا گیا ہے۔ مصنفین نے نتیجہ اخذ کیا کہ “اس طریقہ کار کو فیچر نکالنے اور ڈیٹا سیٹ کی کمی کے لیے کامیابی سے استعمال کیا جا سکتا ہے۔”

مرگی کا پتہ لگانے کی تحقیق ایک اور جگہ پیش کرتی ہے جہاں محققین DCT کا استعمال کرتے ہیں۔ ایک طریقہ کار ہائی فریکوئنسی DCT کوایفیشینٹس کو ایک الگ تکنیک سے حاصل کردہ بینڈوتھ فیچر کے ساتھ جوڑتا ہے جسے ایمپیریکل موڈ ڈی کمپوزیشن (EMD) کہا جاتا ہے، پھر مرگی کے فعال دوروں کے ادوار (ictal periods) کو دوروں کے درمیانی پرسکون ادوار (interictal periods) سے الگ کرنے کے لیے مشترکہ فیچر سیٹ کو سپورٹ ویکٹر مشین میں بھیجتا ہے۔

مصنفین نے رپورٹ کیا کہ یہ مشترکہ طریقہ کار درجہ بندی کے کاموں کے لیے موجودہ جدید ترین طریقوں سے بہتر کارکردگی کا مظاہرہ کر سکتا ہے۔

مزید برآں، ایک زیادہ تفصیلی مقالہ 16 فریکوئنسی سب بینڈز میں توانائی کی خصوصیات کو نکالنے کے لیے DCT-II نامی ایک مخصوص قسم کا اطلاق کرتا ہے، جسے K-Nearest Neighbor (KNN) کلاسیفائر کے ساتھ جوڑا گیا ہے، یہ ایک ایسا طریقہ ہے جو نئے ڈیٹا پوائنٹس کو پہلے سے لیبل شدہ مثالوں سے ان کی مماثلت کی بنیاد پر لیبل کرتا ہے۔

CHB-MIT طویل مدتی EEG ڈیٹا سیٹ کا استعمال کرتے ہوئے 21 مریضوں پر تجربہ کیا گیا، اس طریقہ کار نے 93.12 کا اوسط F1-score حاصل کیا، ایک ایسا میٹرک جو کلاسیفائر کی درستگی اور ریکال کو ایک ہی نمبر میں متوازن کرتا ہے، اس کے ساتھ ساتھ فالس پازیٹو کی شرح 0.07 رہی۔

صحیح مقصد کے لیے صحیح ٹول

DCT اپنی مخصوص ریاضیاتی طاقت کے ذریعے EEG پروسیسنگ میں اپنا مقام بناتا ہے: ایک مربوط سگنل کی توانائی کو کم تعداد میں حقیقی قدر والے، غیر مربوط کوایفیشینٹس میں مرکوز کرنے کی صلاحیت۔

یہ خاصیت اسے دو الگ الگ کاموں کے لیے واقعی مفید بناتی ہے، اسٹوریج یا ٹرانسمیشن کے لیے EEG فائلوں کو چھوٹا کرنا، اور مشین لرننگ کلاسیفائرز کے لیے مختصر فیچر ویکٹرز تیار کرنا۔ کسی بھی کام کے لیے ٹرانسفارم کو دماغی تالوں کو اس طرح بیان کرنے کی ضرورت نہیں ہوتی جس طرح فورئیر یا ویولیٹ تجزیہ کرتا ہے، اور نہ ہی یہ ایسا کرنے کی کوشش کرتا ہے۔

طبیعیاتِ اعصاب (neuroscience) کے ڈیٹا کے ساتھ کام کرنے والے طلباء اور ابتدائی کیریئر کے محققین کے لیے، DCT ایک ہلکا پھلکا، اچھی طرح سے سمجھا جانے والا، اور لاگو کرنے میں آسان انٹری پوائنٹ پیش کرتا ہے جب بھی ترجیح درست ارتعاشی پیمائش کے بجائے ڈیٹا کی کمی ہو۔ یہاں جائزہ لیے گئے سگنل پروسیسنگ کے لٹریچر کمپریشن اور درجہ بندی کے کاموں میں اس کی فزیبلٹی کی حمایت کرتے ہیں، بشمول دوروں کا پتہ لگانے میں ایک مضبوط مقداری نتیجہ۔

آگے بڑھنے کا سمجھدار طریقہ ٹول کو مقصد کے مطابق بنانا ہے: کمپریشن اور فیچر کمپیکشن کے لیے DCT، جسمانی تشریح کے لیے فورئیر یا ویولیٹ کے طریقے، اور جب بھی کسی پروجیکٹ کی کامیابی اس بات کو جاننے پر منحصر ہو کہ موافق حالات میں کون سا واقعی بہتر کارکردگی کا مظاہرہ کرتا ہے تو کنٹرولڈ، آمنے سامنے ٹیسٹنگ کریں۔

ڈسکریٹ کوسائن ٹرانسفارم کا اطلاق کرتے وقت عام غلطیاں

فارمولے کا جائزہ لینے سے پہلے ہی بہت سی DCT غلطیاں جنم لیتی ہیں۔ ایک ٹرانسفارم کا صحیح طریقے سے حساب لگایا جا سکتا ہے جبکہ پھر بھی ایک ناقص وضع کردہ سوال کا جواب دیا جا سکتا ہے کیونکہ سیگمنٹ کی لمبائی، سیمپلنگ کی شرح، یا پری پروسیسنگ کا طریقہ غیر مناسب ہے۔ لہذا دوبارہ تیار کرنے کے قابل تجزیہ کے لیے ریاضیاتی اصول اور ڈیٹا کی تیاری کے مراحل دونوں کو دستاویز کرنے کی ضرورت ہوتی ہے۔

دوسرا مسئلہ کوایفیشینٹ کی مقدار (magnitude) کو خود وضاحتی سمجھنا ہے۔ مقدار کا انحصار نارملائزیشن، سگنل اسکیلنگ، ونڈو کے دورانیے، اور آیا آفسیٹ کو ہٹایا گیا تھا یا نہیں۔ مطابقت نہ رکھنے والی پائپ لائنوں کی اقدار کا موازنہ کرنے سے ظاہری اختلافات پیدا ہو سکتے ہیں جو سگنل کی خصوصیات کے بجائے پروسیسنگ کے انتخاب کو ظاہر کرتے ہیں۔

دیگر غلطیوں میں بہت کم کوایفیشینٹس کو برقرار رکھنا، کنارے کے اثرات کو نظر انداز کرنا، یا اصل ویوفارم کو چیک کیے بغیر صرف تبدیل شدہ خصوصیات کا جائزہ لینا شامل ہے۔ دوبارہ تعمیر کے ٹیسٹ اور حساسیت کے تجزیے ان مسائل کو بے نقاب کر سکتے ہیں۔ خاص طور پر EEG میں، آرٹیفیکٹس مضبوط کوایفیشینٹس پیدا کر سکتے ہیں جو عددی طور پر معنی خیز نظر آتے ہیں جبکہ ان کی کوئی مطلوبہ نیوروفزیولوجیکل تشریح نہیں ہوتی۔

ڈسکریٹ کوسائن ٹرانسفارم کے حساب کتاب کے لیے ٹولز اور سافٹ ویئر

زیادہ تر عددی کمپیوٹنگ ماحول براہ راست یا سگنل پروسیسنگ لائبریری کے ذریعے DCT کا نفاذ فراہم کرتے ہیں۔ اہم مسئلہ محض دستیابی نہیں ہے، بلکہ ٹرانسفارم کی قسم، نارملائزیشن، محور کی ترتیب، اور حقیقی قدر والے ان پٹ کے علاج کے بارے میں اتفاق ہے۔ دستاویزات اور چھوٹے ٹیسٹ ویکٹر اس بات کی تصدیق کے لیے مفید ہیں کہ دو نفاذ مساوی قوانین کا استعمال کرتے ہیں۔

ایک شفاف ورک فلو عام طور پر خام یا کم سے کم پروسیس شدہ حصے کو محفوظ رکھتا ہے، پری پروسیسنگ پیرامیٹرز کو ریکارڈ کرتا ہے، ٹرانسفارم کا حساب لگاتا ہے، اور نتائج کے ساتھ کوایفیشینٹ کی ترتیبات کو اسٹور کرتا ہے۔ براہ راست سمیشن کا استعمال کرتے ہوئے حوالہ کے حساب کتاب مختصر سلسلوں پر تیز رفتار نفاذ کی تصدیق کرنے میں مدد کر سکتے ہیں۔

EEG کے کام کے لیے، دوبارہ پیدا کرنے کی صلاحیت کا انحصار میٹا ڈیٹا پر بھی ہوتا ہے جیسے سیمپلنگ فریکوئنسی، چینل کا انتخاب، ونڈو اوورلیپ، مسترد کیے گئے حصے، اور اسکیلنگ یونٹس۔ ایک سافٹ ویئر پیکیج معتبر طریقے سے DCT کا حساب لگا سکتا ہے، لیکن وہ یہ فیصلہ نہیں کر سکتا کہ آیا حاصل کردہ نمائندگی سائنسی طور پر مناسب ہے یا نہیں۔ یہ فیصلہ مطالعہ کے ڈیزائن اور توثیق کا حصہ رہتا ہے۔

کیوں ڈسکریٹ کوسائن ٹرانسفارم EEG ڈیٹا کو حقیقی دنیا کے آلات کے لیے عملی بناتا ہے

ڈسکریٹ کوسائن ٹرانسفارم EEG سگنلز کو چھوٹا کرنے کا ایک سیدھا راستہ پیش کرتا ہے کیونکہ یہ سگنل کی زیادہ تر شکل کو صرف چند ابتدائی کوایفیشینٹس میں سمیٹ دیتا ہے۔ اس انرجی کمپیکشن کا مطلب یہ ہے کہ پہننے کے قابل ہیڈسیٹس نمایاں طور پر کم ڈیٹا منتقل کر سکتے ہیں جبکہ سگنل کی غالب ساخت کو برقرار رکھ سکتے ہیں، جو کہ میموری اور بینڈوتھ کی کمی کے وقت ایک اہم فائدہ ہے۔ اس کے پیچھے موجود ریاضی اتنی ہلکی پھلکی ہے کہ اسے کم طاقت والے ہارڈ ویئر پر چلایا جا سکے، جس سے لیب سے باہر ریئل ٹائم کمپریشن ممکن ہو جاتا ہے۔

اسٹوریج کے علاوہ، وہی چند کوایفیشینٹس مشین لرننگ کلاسیفائرز کے لیے مختصر ان پٹ کے طور پر کام کر سکتے ہیں جنہیں مرگی کے دوروں کا پتہ لگانے یا برین کمپیوٹر انٹرفیس کے احکامات کی تشریح کرنے کا کام سونپا گیا ہے۔ اس طریقہ کار نے مرگی کے دوروں کا پتہ لگانے کے مخصوص ٹیسٹوں میں پہلے ہی مضبوط نتائج دکھائے ہیں۔

فی الحال، DCT ایک عملی انتخاب کے طور پر کھڑا ہے جب ترجیح مجموعی شکل کو کھوئے بغیر ڈیٹا کی کمی ہو، نہ کہ جب دماغی لہروں کے درست فریکوئنسی تجزیہ کی ضرورت ہو۔ یہ ایک مفید اصول پیش کرتا ہے: ٹرانسفارم کو اپنے اصل مقصد کے مطابق بنائیں، نہ کہ EEG پروسیسنگ کے بارے میں ہر جگہ لاگو ہونے والے مفروضے کے مطابق۔

حوالہ جات

1. Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2012, November). EEG dataset reduction and feature extraction using discrete cosine transform. In 2012 Sixth UKSim/AMSS European Symposium on Computer Modeling and Simulation (pp. 199-204). IEEE. https://doi.org/10.1109/EMS.2012.88

2. Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2015). Fast DCT algorithms for EEG data compression in embedded systems. Computer Science and Information Systems, 12(1), 49-62. https://doi.org/10.2298/CSIS140101083B

3. Maazouz, M., Kebir, S. T., Bengherbia, B., Toubal, A., Batel, N., & Bahri, N. (2015, December). A DCT-based algorithm for multi-channel near-lossless EEG compression. In 2015 4th International Conference on Electrical Engineering (ICEE) (pp. 1-5). IEEE. https://doi.org/10.1109/INTEE.2015.7416805

4. Parvez, M. Z., & Paul, M. (2012, December). Features extraction and classification for Ictal and Interictal EEG signals using EMD and DCT. In 2012 15th International Conference on Computer and Information Technology (ICCIT) (pp. 132-137). IEEE. https://doi.org/10.1109/ICCITechn.2012.6509719

5. Jumaah, M. A., Shihab, A. I., & Farhan, A. A. (2020). Epileptic seizures detection using DCT-II and KNN classifier in long-term EEG signals. Iraqi Journal of Science, 2687-2694. https://doi.org/10.24996/ijs.2020.61.10.26

اکثر پوچھے گئے سوالات

ڈسکریٹ کوسائن ٹرانسفارم (DCT) کیا ہے اور اسے EEG کے لیے کیوں استعمال کیا جاتا ہے؟

DCT سگنل کے نمونوں کے ایک مختصر بلاک کو بڑھتی ہوئی فریکوئنسیوں پر کوسائن لہروں کے مجموعے میں تقسیم کرتا ہے، جس سے صرف حقیقی نمبر والے کوایفیشینٹس پیدا ہوتے ہیں۔ اسے اس لیے استعمال کیا جاتا ہے کیونکہ EEG سگنلز وقت میں انتہائی مربوط ہوتے ہیں، اور DCT سگنل کی توانائی کو صرف چند ابتدائی کوایفیشینٹس میں مرکوز کرتا ہے، جس سے کمپریشن اور فیچر کی کمی کارآمد ہو جاتی ہے۔

DCT کس طرح EEG سگنلز کو کمپریس کرتا ہے؟

یہ ٹرانسفارم نمونوں کے مختصر بلاکس پر لاگو ہوتا ہے، پھر سب سے چھوٹے کوایفیشینٹس—جو سب سے کم توانائی لے جاتے ہیں—کو خارج یا موٹے طور پر راؤنڈ کر دیا جاتا ہے۔ ایک انورس ٹرانسفارم اصل ویوفارم کا تخمینہ دوبارہ بناتا ہے، جس سے سگنل کی وسیع شکل کو برقرار رکھتے ہوئے لوسی (lossy) کمپریشن حاصل ہوتا ہے۔

DCT کا موازنہ JPEG کمپریشن سے کیوں کیا جاتا ہے؟

JPEG تصاویر کو چھوٹا کرنے کے لیے DCT کا استعمال کرتا ہے کیونکہ زیادہ تر بصری معلومات چند کم فریکوئنسی والے کوایفیشینٹس کے ذریعے حاصل کی جاتی ہیں، اور وہی انرجی کمپیکشن کی خصوصیت EEG سگنلز پر بھی لاگو ہوتی ہے۔ دونوں ہائی فریکوئنسی والی تفصیلات کو خارج کرتے ہیں جو کم قابلِ فہم یا معنی خیز ہوتی ہیں، جس سے DCT اعصابی ڈیٹا کی کمی کے لیے ایک قدرتی انتخاب بن جاتا ہے۔

EEG تجزیہ کے لیے DCT اور فورئیر ٹرانسفارم (FFT) میں کیا فرق ہے؟

FFT ایک سگنل کو سائن اور کوسائن جوڑوں میں تقسیم کرتا ہے، جس سے کمپلیکس نمبرز پیدا ہوتے ہیں جو براہ راست دماغی لہروں کے فریکوئنسی بینڈز اور فیز پر نقش ہوتے ہیں۔ DCT صرف کوسائن فنکشنز کا استعمال کرتا ہے اور حقیقی نمبر والے کوایفیشینٹس دیتا ہے جو معیاری EEG بینڈز کے ساتھ واضح طور پر ہم آہنگ نہیں ہوتے، جس کی وجہ سے یہ ارتعاشی تجزیہ کے طریقہ کار کے بجائے ایک کمپریشن ٹول بن جاتا ہے۔

کیا DCT کا استعمال EEG کی مشین لرننگ درجہ بندی کے لیے فیچرز نکالنے کے لیے کیا جا سکتا ہے؟

جی ہاں، DCT سے حاصل ہونے والے مختصر، غیر مربوط کوایفیشینٹس کلاسیفائرز کے لیے ایک چھوٹے فیچر ویکٹر کے طور پر کام کر سکتے ہیں، جس سے سگنل کی غالب ساخت کو برقرار رکھتے ہوئے ڈیٹا کی ڈائمنشنلٹی کم ہو جاتی ہے۔ اس طریقہ کار کو مرگی کے دوروں کا پتہ لگانے اور برین کمپیوٹر انٹرفیس سسٹمز میں کامیابی سے لاگو کیا گیا ہے۔

مجھے اپنے EEG پروجیکٹ کے لیے FFT کے بجائے DCT کا انتخاب کب کرنا چاہیے؟

DCT کا انتخاب تب کریں جب ترجیح ریئل ٹائم کمپریشن، ڈیٹا اسٹوریج کی کمی، یا مشین لرننگ کے لیے مختصر فیچر نکالنا ہو، خاص طور پر کم طاقت والے آلات پر۔ FFT یا ویولیٹس کا انتخاب تب کریں جب آپ کی تحقیق کو مخصوص فریکوئنسی بینڈز یا فیز کے تعلقات کا تجزیہ کرنے کی ضرورت ہو، کیونکہ DCT براہ راست وہ جسمانی تشریح فراہم نہیں کرتا۔

کیا DCT، EEG سگنلز میں شور (noise) کو کم کرتا ہے؟

چھوٹے، ہائی انڈیکس DCT کوایفیشینٹس کو خارج کرنے سے اکثر باریک تفصیلات کے ساتھ شور جیسے اتار چڑھاو بھی ختم ہو جاتے ہیں، جس کی وجہ سے یہ دعویٰ کیا جاتا ہے کہ DCT “آرٹیفیکٹ لائٹ” ہے۔ تاہم، جائزہ لیے گئے مطالعے نے آرٹیفیکٹ کی کمی کی براہ راست پیمائش نہیں کی، لہذا یہ تصدیق شدہ دریافت کے بجائے ایک قرینِ قیاس مفروضہ ہی رہتا ہے۔

DCT سے پہلے EEG ونڈوز کا استعمال کیوں کیا جاتا ہے؟

DCT کو ایک محدود سلسلے کے لیے بیان کیا گیا ہے، اس لیے ایک EEG ریکارڈنگ کو عام طور پر ونڈوز میں تقسیم کیا جاتا ہے۔ ونڈونگ ریکارڈنگ کے مختلف حصوں کے درمیان ہونے والی تبدیلیوں کا الگ الگ جائزہ لینے کی بھی اجازت دیتی ہے، حالانکہ یہ دورانیے اور اوورلیپ کے بارے میں انتخابات کو متعارف کراتی ہے۔

کیا ایک DCT نتیجہ اعصابی حالت کو ثابت کرتا ہے؟

نہیں۔ ایک تبدیل شدہ سگنل ایک ریاضیاتی نمائندگی ہے، آزاد کلینیکل ثبوت نہیں ہے۔ کسی بھی تشخیصی تشریح کے لیے مناسب کلینیکل تشخیص، توثیق شدہ طریقوں، اور متعلقہ معاون معلومات کی ضرورت ہوتی ہے۔