ڈسکریٹ سگنل پروسیسنگ جدید کمپیوٹنگ کے لیے بنیادی ریاضی کے طور پر کام کرتی ہے، جو وقت، جگہ، اور فریکوئنسی ڈومینز میں ڈیٹا کے تجزیے کو ممکن بناتی ہے۔ ان طریقوں کو سمجھنا مختلف سائنسی اور تکنیکی شعبوں بشمول ای ای جی (EEG) میں ڈیجیٹل معلومات کو سنبھالنے کے لیے ضروری ہے۔
ڈسکریٹ سگنل پروسیسنگ کیا ہے؟
ڈسکریٹ سگنل پروسیسنگ میں معلومات کی ریاضیاتی ہیرا پھیری شامل ہے جسے نمبروں کے سلسلے کے طور پر ظاہر کیا جاتا ہے۔ حقیقی دنیا کے اینالاگ ان پٹس کو ڈسکریٹ نمونوں میں تبدیل کر کے، کمپیوٹر ایسے پیچیدہ تجزیے کر سکتے ہیں جو روایتی اینالاگ سرکٹس کے ساتھ ناممکن ہوں گے۔
ان ڈیجیٹل آپریشنز کی درستگی اور اعادہ پذیری انہیں موسمیاتی ماڈلنگ سے لے کر EEG سگنل پروسیسنگ تک کے شعبوں میں ناگزیر بناتی ہے۔ یہ فیلڈ اس بات کے اصول وضع کرتی ہے کہ کس طرح مسلسل ڈیٹا کو ڈسکریٹ کیا جاتا ہے، پروسیس کیا جاتا ہے، اور آخر کار انسانوں یا مشینوں کے استعمال کے لیے دوبارہ تشکیل دیا جاتا ہے۔
ڈسکریٹ-ٹائم سگنل پروسیسنگ بمقابلہ مسلسل وقت کے سگنلز
مسلسل وقت کے سگنلز آسانی سے بدلتے ہیں اور ایک متعین وقفے کے اندر وقت کے ہر نقطہ پر موجود ہوتے ہیں، جبکہ ڈسکریٹ وقت کے سگنلز صرف مخصوص، متواتر پوائنٹس پر ہی متعین ہوتے ہیں۔
ڈیجیٹل سگنل پروسیسنگ ان دونوں اقسام کے درمیان تبدیلی پر انحصار کرتی ہے، جو اکثر خلا کو پُر کرنے کے لیے ہارڈ ویئر کا استعمال کرتی ہے۔ انجینئرز کو اس منتقلی کو احتیاط سے سنبھالنا چاہیے تاکہ یہ یقینی بنایا جا سکے کہ ڈسکریٹ ترتیب بنیادی مسلسل مظاہر کی درست عکاسی کرتی ہے بغیر کسی الیاسنگ کی غلطی کے جو اس وقت ہوتی ہے جب سگنل میں تیزی سے ہونے والی تبدیلیوں کو ریکارڈ کرنے کے لیے سیمپلنگ ریٹ ناکافی ہو۔
ڈسکریٹ ٹائم سگنلز کی مسلسل وقت کی پروسیسنگ: سیمپلنگ اور دوبارہ تشکیل
ایک مسلسل اثر کو ڈیجیٹل فارمیٹ میں تبدیل کرنے کے عمل کے لیے ایک اینالاگ ٹو ڈیجیٹل کنورٹر کی ضرورت ہوتی ہے جو عین مطابق عارضی وقفوں پر سگنل کی طاقت کو ریکارڈ کرتا ہے۔ ایک بار جب پروسیسنگ مکمل ہو جاتی ہے، تو ڈیٹا کو اینالاگ شکل میں واپس لانا ضروری ہوتا ہے اگر اسے انسانوں کے ذریعے محسوس کیا جانا ہو، جو دوبارہ تشکیل دینے والے فلٹرز کے ذریعے حاصل کیا جاتا ہے۔ یہ فلٹرز نمونہ شدہ ڈیٹا کی "سیڑھی" جیسی ظاہری شکل کو ایک مسلسل لہر میں ہموار کرتے ہیں۔
مؤثر تعمیر نو کا انحصار Nyquist-Shannon سیمپلنگ تھیوریم کی پابندی پر ہے، جو اس کم از کم فریکوئنسی کا حکم دیتا ہے جس پر کسی سسٹم کو تمام درست معلومات کو محفوظ رکھنے کے لیے ان پٹ کی پیمائش کرنی چاہیے۔
ڈسکریٹ سگنل پروسیسنگ میں اہم تصورات
جدید ڈیجیٹل تجزیہ ریاضی کے ٹولز کے ایک ایسے مجموعے پر انحصار کرتا ہے جو ڈیٹا پوائنٹس کو مؤثر طریقے سے تحلیل، دوبارہ منظم اور تشریح کرنے کے لیے ڈیزائن کیا گیا ہے۔ یہ تصورات انجینئرز کو بڑے سینسر اریوں سے لے کر سادہ آڈیو ان پٹس تک ہر چیز کو سنبھالنے کے لیے ایک فریم ورک فراہم کرتے ہیں۔
درست ریاضیاتی نقطہ نظر کا انتخاب کر کے، محققین آؤٹ پٹ میں سگنل کے معیار کو زیادہ سے زیادہ کرتے ہوئے کمپیوٹیشنل بوجھ کو کم کر سکتے ہیں۔
فریکوئنسی ڈومین تجزیہ: ڈیجیٹل سگنل پروسیسنگ میں ڈسکریٹ فورئیر ٹرانسفارم
ڈسکریٹ فورئیر ٹرانسفارم (DFT) ایک بنیادی تکنیک ہے جو ٹائم سیریز کے ڈیٹا کی کسی بھی ترتیب کو اس کے اجزائے فریکوئنسی میں منتقل کرتی ہے۔
یہ تبدیلی صارفین کو یہ دیکھنے کی اجازت دیتی ہے کہ کون سی فریکوئنسی سگنل پر غالب ہے اور کون سی غائب ہے، جو ہارمونک تجزیہ اور ڈیٹا کمپریشن جیسے کاموں کو آسان بناتی ہے۔ سپیکٹرل ڈومین میں سگنل کو دیکھ کر، پریکٹیشنرز ان مخصوص واقعات کو الگ کر سکتے ہیں جو صرف عارضی ترتیب کا مشاہدہ کرتے وقت مکمل طور پر چھپ سکتے ہیں۔
فلٹرنگ: سگنل کے اجزاء کو ہٹانا یا بڑھانا
فلٹرنگ مطلوبہ سگنلز کو گزرنے کی اجازت دیتے ہوئے غیر پسندیدہ فریکوئنسیوں کو کم کر کے سگنلز میں انتخابی ترمیم کی اجازت دیتی ہے۔ ڈیجیٹل فلٹرز کو ہائی فریکوئنسی کی سرسراہٹ، کم فریکوئنسی کی گنگناہٹ، یا مخصوص متواتر مداخلتوں کو دبانے کے لیے باریک بینی سے ٹیون کیا جا سکتا ہے جو خام ڈیٹا کی جمع آوری کو متاثر کرتی ہیں۔
مندرجہ ذیل جدول ڈیجیٹل ورک فلوز کے اندر مخصوص آپریشنل ضروریات کے لیے تیار کردہ عام فلٹر اقسام کی وضاحت کرتا ہے:
فلٹر کی قسم | بنیادی عمل | عام ایپلی کیشن |
|---|---|---|
لو-پاس | اعلی تعدد کو روکتا ہے | شور کی کمی |
ہائی-پاس | کم تعدد کو روکتا ہے | بیس لائن ڈرفٹ کو ہٹانا |
بینڈ-پاس | مخصوص حدود کو ہدف بناتا ہے | تقریر کی بہتری |
یہ ترتیب زیادہ تر ڈیجیٹل نفاذ میں دستیاب ٹولز کے معیاری سیٹ کی نمائندگی کرتی ہے۔
ڈسکریٹ رینڈم سگنلز اور سٹیٹسٹیکل سگنل پروسیسنگ
شماریاتی سگنل پروسیسنگ ان معاملات کو حل کرتی ہے جہاں سگنل خالصتاً متعین نہیں ہوتے بلکہ اس کے بجائے مختلف درجات کے بے ترتیب پن کی نمائش کرتے ہیں۔ ان ان پٹس کو اسٹاکسٹک عمل کے طور پر دیکھ کر، تجزیہ کار نظام کے اوسط رویوں اور تغیر کا تعین کر سکتے ہیں، یہاں تک کہ جب انفرادی ڈیٹا پوائنٹس غیر متوقع معلوم ہوں۔
یہ نقطہ نظر اعصابی سائنس میں سگنل کے راستوں کا تخمینہ لگانے اور شور والے ماحول میں غیر یقینی صورتحال کے انتظام کے لیے بہت اہم ہے۔
کنولوشن: سگنلز کو یکجا کرنا
کنولوشن یہ تعین کرنے کے لیے ایک سخت ریاضیاتی طریقہ فراہم کرتا ہے کہ ان پٹ اور اس کے امپلس رسپانس کی بنیاد پر سسٹم کی آؤٹ پٹ کیسے تبدیل ہوتی ہے۔ جب ایک سگنل کو دوسرے سگنل کے ساتھ ملایا جاتا ہے، تو اس کا نتیجہ یہ ظاہر کرتا ہے کہ سسٹم کس طرح وقت اور جگہ کے ساتھ واقع ہونے والی لہر کو تبدیل کرتا ہے۔
مندرجہ ذیل مراحل کنولوشن کے عملی نفاذ کا خاکہ پیش کرتے ہیں:
دوسرے سگنل کو وقت میں الٹ دیں۔
الٹ جانے والے سگنل کو پہلے سگنل پر منتقل کریں۔
اوورلیپنگ علاقوں کے انٹیگرل یا مجموعے کا حساب لگائیں۔
عارضی محور کے ساتھ ہر نقطہ کے لئے حساب دہرائیں۔
یہ منظم طریقہ کار اس بات کو یقینی بناتا ہے کہ آؤٹ پٹ کو سسٹم کی اندرونی خصوصیات اور ماحولیاتی رکاوٹوں کی بنیاد پر درست طریقے سے ماڈل کیا گیا ہے۔
ڈسکریٹ سگنل پروسیسنگ کی ایپلی کیشنز
ڈسکریٹ سگنل پروسیسنگ بہت سی جدید مشینوں کی کارکردگی کی وضاحت کرتی ہے جو جسمانی دنیا کے ساتھ تعامل کرتی ہیں۔ ان الگورتھم کو لاگو کر کے، ڈویلپرز یہ یقینی بنا سکتے ہیں کہ حساس ڈیٹا واضح اور درست رہے، چاہے وہ معلومات نیٹ ورک برج سے آئے یا کسی شخص کے EEG ریکارڈ سے۔
ان طریقوں کی استعداد کا مطلب یہ ہے کہ عام الگورتھم اکثر صارفین کے ہاتھ سے پکڑے جانے والے آلات سے لے کر خصوصی صنعتی جانچ کے آلات تک کے ہارڈ ویئر میں نظر آتے ہیں۔
آڈیو ایپلی کیشنز میں اسپیچ سگنلز کی ڈسکریٹ ٹائم پروسیسنگ
آڈیو سگنلز کی شدید کمپیوٹیشن کی جاتی ہے تاکہ ٹرانسمیشن اور اسٹوریج کے دوران وضاحت یقینی بنائی جا سکے۔ ڈسکریٹ طریقے ڈیٹا کے سائز کو کم کرنے کی اجازت دیتے ہیں جبکہ قدرتی آواز کے لیے کافی تفصیلات محفوظ رکھتے ہیں، یہ کارنامہ انسانی سماعت کے ماڈلنگ اور ان آوازوں کو ہٹا کر حاصل کیا جاتا ہے جو عام طور پر غیر سنائی دیتی رہتی ہیں۔
اسپیشل فلٹرنگ کی یہ جدید تکنیک بغیر کسی اضافی ہارڈ ویئر کی ضرورت کے پیچیدہ صوتی ماحول کو مؤثر طریقے سے سنبھالتی ہے۔
تصویر اور ویڈیو پروسیسنگ
بصری میڈیا دو جہتی ڈسکریٹ تجزیہ پر منحصر ہے، جہاں پکسلز نمونہ شدہ ڈیٹا پوائنٹس کے طور پر کام کرتے ہیں۔ ان گرڈز میں ہیرا پھیری کر کے، آلات کناروں کو تیز کرنے، رنگوں کے توازن کو ایڈجسٹ کرنے، اور اعلیٰ بصری جگہ کی ریزولوشن کو برقرار رکھتے ہوئے بینڈوتھ بچانے کے لیے ویڈیو کو کمپریس کرنے جیسے کام انجام دے سکتے ہیں۔
یہ آپریشنز اکثر لاکھوں فریموں پر فالتو معلومات کو مؤثر طریقے سے ضائع کرنے کے لیے پرنسپل کمپوننٹ اینالیسس کا فائدہ اٹھاتے ہیں۔
ٹیلی کمیونیکیشن اور ڈیٹا ٹرانسمیشن
ٹیلی کمیونیکیشن سگنل فلو کی مسلسل اصلاح پر انحصار کرتی ہے تاکہ یہ یقینی بنایا جا سکے کہ معلومات کے پیکٹ بغیر کسی خرابی کے اپنی منزل تک پہنچیں۔ ڈیٹا کی خرابی کا پتہ لگانے اور درست کرنے کے جدید الگورتھم حقیقی وقت میں ڈیٹا کی سالمیت کی تصدیق کرنے کے لیے ڈسکریٹ میتھ کا استعمال کرتے ہیں، یہاں تک کہ شدید برقی مقناطیسی مداخلت کی موجودگی میں بھی۔
انحصار کا یہ طریقہ کار دنیا بھر میں جدید نیٹ ورک انفراسٹرکچر کی تیزی سے توسیع کی اجازت دیتا ہے۔
دماغ کی مسلسل آواز اور جہاں سے اس کا آغاز ہوتا ہے
EEG کیپ کے ذریعے حاصل کیے جانے والے برقی سگنلز نیورانز کی بڑی تعداد سے پیدا ہوتے ہیں جو معمولی ہم آہنگی میں خارج ہوتے ہیں۔ اگرچہ ایک انفرادی نیوران کی سرگرمی کھوپڑی پر معلوم کرنے کے لیے بہت محدود اور مدہم ہوتی ہے، لیکن ہزاروں نیورانز کا اجتماعی اخراج ایک اتار چڑھاؤ والا وولٹیج پیدا کرتا ہے—جو عام طور پر صرف چند مائیکرو وولٹ ہوتا ہے۔ اس کمزور سگنل کو ریکارڈنگ الیکٹروڈ تک پہنچنے سے پہلے دماغی بافتوں، کھوپڑی اور جلد سے گزرنا پڑتا ہے۔
چونکہ یہ سگنل بہت نازک ہوتا ہے، اس لیے یہ جسمانی اور ماحولیاتی شور، جیسے پٹھوں کی حرکت، آنکھیں جھپکنے، اور قریبی برقی مداخلت کے ساتھ بہت زیادہ ملا ہوا کھوپڑی تک پہنچتا ہے۔ اس خام ڈیٹا کو سمجھنے کے لیے، محققین کو دماغی سرگرمی کو احتیاط سے مخصوص فریکوئنسی بینڈز میں منظم کرنا چاہیے—جنہیں روایتی طور پر ڈیلٹا، تھیٹا، الفا، بیٹا اور گاما کا نام دیا گیا ہے—ہر ایک مختلف ذہنی حالتوں کے مطابق ہوتا ہے اور سپیکٹرم کی منفرد حدود پر قبضہ کرتا ہے۔
اس علیحدگی کی اہمیت کو مطالعات میں نمایاں کیا گیا ہے، جیسے کہ 2010 کا ایک مطالعہ جو جرنل آف بائیومیڈیکل سائنس اینڈ انجینئرنگ میں شائع ہوا تھا، جہاں ای ای جی ریکارڈنگز کو سرفیس لاپلاسیئن فلٹرنگ کے ذریعے ابتدائی صفائی کے بعد ڈسکریٹ ویولیٹ ٹرانسفارم (DWT) کا استعمال کرتے ہوئے الفا، بیٹا، اور گاما بینڈز میں تقسیم کیا گیا تھا۔
درستگی کا یہ درجہ بہت اہم ہے: اگر گاما تال، جو 100 ہرٹز تک پھیل سکتے ہیں، کا پراعتماد تجزیہ کیا جانا ہے، تو ڈیجیٹائزیشن کے عمل کو ان بینڈز کو الگ الگ اجزاء کے طور پر محفوظ رکھنا چاہیے۔ صحیح سگنل پروسیسنگ کے بغیر، یہ اہم ارتعاشات ایک ناقابل شناخت دھندلے پن میں گھل مل جائیں گے، جس سے درست نیوروسائنٹفک تجزیہ ناممکن ہو جائے گا۔
سیمپلنگ: ایک بہتے ہوئے دریا کی تصاویر کھینچنا
ایک مسلسل وولٹیج کو نمبروں کی ایک سیریز میں تبدیل کرنے کے لیے سیمپلنگ کی ضرورت ہوتی ہے، جو سگنل کے وولٹیج کو مسلسل کی بجائے وقت کے باقاعدہ، ڈسکریٹ لمحات میں ماپنے کا عمل ہے۔
ایک مقررہ مقام سے گزرتے ہوئے بہتے ہوئے دریا کے بارے میں سوچیں۔ آپ اس کی حرکت کو حرکت کے طور پر قید نہیں کر سکتے۔ اس کے بجائے، آپ ہر چند سیکنڈ میں اس کی تصویر لیتے ہیں۔ ترتیب کے ساتھ کافی تصویروں کو ایک ساتھ جوڑیں، اور آپ کو بہاؤ کی ایک معقول عکاسی مل جائے گی۔ بہت کم تصاویر لیں، اور دریا کی حقیقی حرکت مبہم یا گمراہ کن ہو جاتی ہے۔
یہ وہ جگہ ہے جہاں نوکوسٹ (Nyquist) اصول کے نام سے جانا جانے والا ایک قاعدہ ناگزیر ہو جاتا ہے۔ یہ بتاتا ہے کہ سیمپلنگ ریٹ، یعنی ہر سیکنڈ میں لی جانے والی پیمائشوں کی تعداد، اصل اینالاگ سگنل میں موجود سب سے زیادہ فریکوئنسی سے دو گنا زیادہ ہونی چاہیے۔
اگر ایسا نہ ہو، تو الیاسنگ نامی ایک بگاڑ پیدا ہوتا ہے، جہاں تیزی سے بڑھتے ہوئے سگنل کو غلطی سے ایک سست سگنل کے طور پر ریکارڈ کر لیا جاتا ہے۔ ایک بار جب ایسا ہو جائے، تو کوئی ریاضیاتی ترکیب نہیں ہے جو اس حقیقی سست سگنل کو اس جعلی سست سگنل سے الگ کر سکے جو پہلے ایک تیز سگنل تھا۔ معلومات اب ختم ہو چکی ہیں، مستقل طور پر غلط جگہ پر تبدیل ہو چکی ہیں۔
کلینیکل EEG سسٹمز عام طور پر 250 اور 500 ہرٹز کے درمیان کی شرحوں پر سیمپل لیتے ہیں، جو گنجائش کے ساتھ 0 سے 100 ہرٹز تک پھیلی ہوئی دماغی سرگرمی کو آسانی سے حاصل کرلیتے ہیں۔ یہ گنجائش وہ بفر ہے جو نوکوسٹ اصول کو مطمئن رکھتی ہے یہاں تک کہ جب دماغی سگنل گاما بینڈ کے اوپری سرے تک بھی پہنچ جائیں۔
غور کریں دیکھ بھال کے جھٹکے کی تشخیص کے فریم ورک پر جس نے EEG ڈیٹا کا تجزیہ کرنے کے لیے بہترین سیٹنگز تلاش کرنے کے لیے سات مختلف ویولیٹ فیملیز اور متعدد ڈی کمپوزیشن لیولز پر تفصیلی تلاش چلائی۔ یہ تلاش صرف ایک سائنسی مشق کے طور پر تب ہی سمجھ میں آتی ہے جب تلاش کی جانے والی فریکوئنسی کی تفصیلات درست ہوں۔
اگر اصل سیمپلنگ ریٹ نے نوکوسٹ اصول کی خلاف ورزی کی ہوتی، تو پٹھوں کی سرگرمی یا برقی مداخلت سے پیدا ہونے والا ہائی فریکوئنسی شور اسی فریکوئنسی بینڈز میں جڑ جاتا جنہیں محققین الگ کرنے کی کوشش کر رہے تھے۔ بہترین ویولیٹ سیٹنگز کی تلاش ایک مسخ شدہ ہدف کے خلاف ہو رہی ہوتی، اور مرگی کے دورے کا پتہ لگانے کے لیے 90% سے زیادہ کی رپورٹ کردہ درستگی حقیقی تشخیصی صلاحیت کی عکاسی نہ کرتی۔ یہ محض شور کے خلاف ایک اچھی طرح سے ٹیون کیے گئے ردعمل کی عکاسی کرتی۔
اینٹی الیاسنگ فلٹرز کچرے کو اندر آنے سے کیسے روکتے ہیں
چونکہ الیاسنگ کو بعد میں درست نہیں کیا جا سکتا، اس لیے اسے سیمپلنگ شروع ہونے سے پہلے ہی روکنا پڑتا ہے۔
یہ کام اینٹی الیاسنگ فلٹر کا ہے، جو کہ ایک اینالاگ لو-پاس فلٹر ہوتا ہے جو اینالاگ ٹو ڈیجیٹل کنورٹر کی پیمائش کرنے سے پہلے ہارڈ ویئر پاتھ وے میں رکھا جاتا ہے۔ اس کا کام کلسٹرول کے اس مواد کو ہٹانا ہے جو نوکوسٹ کی حد سے اوپر ہو تاکہ سگنل میں کوئی ایسی چیز موجود نہ رہے جسے بعد میں غلطی سے کچھ اور سمجھ لیا جائے۔
ایک بار جب یہ فلٹرنگ کا مرحلہ چھوڑ دیا جائے یا خراب طریقے سے کیا جائے، تو نقصان ڈیٹا میں مستقل طور پر شامل ہو جاتا ہے۔ اس کے بعد کوئی بھی سافٹ ویئر، چاہے کتنا ہی جدید کیوں نہ ہو، اسے پہلے جیسا نہیں کر سکتا۔
ایک الزائمر کی تشخیص کے مطالعے میں محققین نے DWT کے ذریعے خصوصیات نکالنے سے پہلے EEG ڈیٹا سیٹ سے مداخلت اور رکاوٹ کو دور کرنے کے لیے ایک بینڈ پاس بیضوی ڈیجیٹل فلٹر کا اطلاق کیا۔ یہ فلٹرنگ ڈیجیٹائزیشن کے بعد ہوئی تھی نہ کہ ہارڈ ویئر اینٹی الیاسنگ مرحلے کے طور پر، لیکن اس کے پیچھے کی منطق بالکل وہی ہے۔
دونوں عمل اس لیے موجود ہیں تاکہ کسی الگورتھم کے باقی ماندہ حصے کی تشریح کرنے کی کوشش کرنے سے پہلے ناپسندیدہ سپیکٹرل مواد کو تصویر سے الگ کیا جا سکے۔ چاہے فلٹر سیمپلنگ سے پہلے اینالاگ سرکٹری میں ہو یا بعد میں ڈیجیٹل پروسیسنگ چین میں، اس کا مقصد ایک ہی ہے: تجزیے میں آلودگی کو پھیلنے سے روکنا۔
مزید برآں، ایک 2020 موشن آرٹفیکٹ مطالعہ واشگاف کرتا ہے کہ یہ سب کیوں اہمیت رکھتا ہے چاہے جدید ترین صفائی کے اوزار دستیاب ہوں۔ اس تحقیق میں تین تکنیکوں، اینسبل ایمپریکل موڈ ڈی کمپوزیشن، کینونیکل کوریلیشن انالیسس، اور ڈسکریٹ ویولیٹ ٹرانسفارم کو یکجا کیا گیا تاکہ EEG سگنلز سے حرکت سے متعلق مداخلت کو دور کیا جا سکے، جس سے سگنل ٹو نوائز کے پیمانوں میں نمایاں بہتری آئی۔
لیکن یہ پورا صفائی کا پائپ لائن اس مفروضے پر کام کرتا ہے کہ اس میں داخل ہونے والا ہائی فریکوئنسی سپیکٹرم الیاسڈ نہیں ہے۔ اگر ڈیجیٹائزیشن کے موقع پر ہارڈویئر اینٹی الیاسنگ فلٹر غائب ہوتا، تو اس کے نتیجے میں ملنے والے سگنل میں خرابی کی ایک ایسی اضافی تہہ ہوتی جسے ایک اچھی طرح سے ڈیزائن کیا گیا نقصان دہ اثرات کو دور کرنے والا سسٹم بھی مکمل طور پر الگ نہیں کر پاتا۔
بٹ ڈیپتھ: محدود پینلٹ کے ساتھ وولٹیج کی منظر کشی
سیمپلنگ یہ طے کرتی ہے کہ وولٹیج کی پیمائش کب کی جاتی ہے۔ بٹ ڈیپتھ یہ طے کرتی ہے کہ پیمائش کتنی درستگی سے ریکارڈ کی جاتی ہے۔
جب ایک اینالاگ ٹو ڈیجیٹل کنورٹر کسی خاص لمحے میں وولٹیج کو محفوظ کرتا ہے، تو اسے اس قدر کو ایک بائنری نمبر کے طور پر ظاہر کرنا ہوتا ہے، اور اس اظہار کے لیے دستیاب بٹس کی تعداد پیمائش کی ریزولوشن کا تعین کرتی ہے۔ پلس یا مائنس 1 ملی وولٹ کی وولٹیج رینج میں 16-بٹ ڈیپتھ استعمال کرنے والا سسٹم تقریباً نصف مائیکرو وولٹ تک کے فرق کو واضح کر سکتا ہے۔
مزید بٹس شامل کریں، اور ریزولوشن مزید واضح ہو جائے گی۔ بٹ ڈیپتھ کو کم کریں، اور لہروں میں ٹھیک باریکیاں آسانی سے غائب ہو جاتی ہیں، جو کہ ایک موٹے پیمانے پر قریب ترین دستیاب مرحلے میں دب جاتی ہیں۔
یہ امتیاز حقیقی تشخیصی وزن رکھتا ہے۔ ایک 2019 مرگی کا پتہ لگانے کا مطالعہ فزی اینٹروپی کے حسابات پر انحصار کرتا تھا جو ویولیٹ کوایفیشینٹس پر کیے گئے تاکہ مرگی کی ای ای جی سرگرمی کو غیر مرگی کی سرگرمی سے ممتاز کیا جا سکے۔
اینٹروپی کے پیمانے ڈیزائن کے لحاظ سے باریک کٹی ہوئی ایمپلی ٹیوڈ تبدیلیوں کے لیے حساس ہوتے ہیں۔ یہ سگنل میں بے قاعدگی اور پیچیدگی کی پیمائش کرتے ہیں، اور اس حساب کا انحصار سب سے پہلے معمولی اختلافات کا پتہ لگانے کے لیے کافی ریزولوشن حاصل کرنے پر ہوتا ہے۔ ایک کھردرے انداز میں کوانٹائزڈ سگنل بالکل ان بے قاعدگیوں کو دبا دے گا جنہیں تلاش کرنے کے لیے اینٹروپی کا حساب تیار کیا گیا ہے۔
اسی طرح، مذکورہ الزائمر کے مطالعے نے DWT کے ذریعے حاصل کردہ ویولیٹ سب بینڈز سے اسٹینڈرڈ ڈیوی ایشن، تغیر اور نارم سمیت شماریاتی خصوصیات نکالیں۔ یہ تمام پیمائشیں اس بات کی ہیں کہ ایک سگنل کتنا مختلف ہوتا ہے۔ اگر ناکافی بٹ ڈیپتھ کی وجہ سے بنیادی وولٹیج کی قدروں کو بہت زیادہ راؤنڈ آف کر دیا گیا ہوتا، تو صحت مند اور بیمار دماغی حالتوں کے درمیان قدرتی تغیر ایک ملتے جلتے فلیٹ رینج کی طرف سمٹ جاتا، اور وہ شماریاتی اختلافات جنہوں نے 99.98% کی درجہ بندی کی درستگی کو ممکن بنایا تھا بھی سکڑ جاتے۔
صحیح سیمپلنگ ریٹ کچرے کو کیوں روکتا ہے
یہ تینوں عناصر، یعنی نوکوسٹ کے مطابق سیمپلنگ، ایک کام کرنے والا اینٹی الیاسنگ فلٹر، اور بہترین بٹ ڈیپتھ، آزاد تکنیکی خصوصیات نہیں ہیں۔ یہ ایک واحد انحصاری زنجیر بناتے ہیں، اور اس تحقیقی کام میں بتائی گئی درجہ بندی کی ہر درستگی اسی زنجیر کے بعد آتی ہے۔
بہت کم سیمپلنگ ریٹ کا انتخاب کرنا، یا اس کی حفاظت کرنے والے اینٹی الیاسنگ فلٹر کو چھوڑ دینا، سگنل پروسیسنگ کی اس ناکامی کو جنم دیتا ہے جسے 'گاربیج ان، گاربیج آؤٹ' کہا جاتا ہے۔ ایک بار جب الیاسڈ ہائی فریکوئنسی شور اس میں داخل ہو جائے جو بیٹا یا گاما پاور کی طرح نظر آتا ہے، تو کوئی الگورتھم اتنا جدید نہیں ہے جو اس عمل کو الٹ سکے اور حقیقی بنیادی تال کو دوبارہ حاصل کر سکے۔ اس کے برعکس، صحیح طریقے سے منتخب کی گئی شرح ہر بعد کے ٹول کو کام کرنے کے لیے ایک صاف اور قابل اعتماد کینوس فراہم کرتی ہے۔
2010 کا جذبات کی درجہ بندی کا مطالعہ یہ ظاہر کرتا ہے کہ اس صاف کینوس پر کیا ممکن ہو جاتا ہے۔ DWT کے ذریعے حاصل کی گئی خصوصیات پر K-Nearest Neighbor درجہ بندی کا استعمال کرتے ہوئے، محققین نے بیزاری، خوشی، حیرت، خوف اور غیر جانبدارانہ ردعمل جیسی جذباتی حالتوں میں تمیز کرنے میں 83.26% درستگی حاصل کی۔ یہ نتیجہ ڈی کمپوزیشن کے عمل کے دوران الفا، بیٹا اور گاما ریتھمز کے ایک دوسرے سے درست علیحدگی پر منحصر ہے، ایک ایسی علیحدگی جو صرف اس صورت میں ممکن ہے جب ان بینڈز کو بغیر فریکوئنسی مکسنگ کے ڈیجیٹائز کیا گیا ہو۔
مزید برآں، مرگی کے دورے کا پتہ لگانے کا فریم ورک اسی نکتے کو ایک مختلف زاویے سے تقویت دیتا ہے۔ اس کے مصنفین نے نوٹ کیا کہ ان کی فریکوئنسی بینڈز اور خصوصیات کے بہترین انتخاب نے تقریباً 40% فالتو معلومات کو ختم کر دیا، جس سے درستگی کو 90% سے اوپر قربان کیے بغیر تجزیہ کو آسان بنا دیا گیا۔
اس قسم کی ذہین تراش خراش صرف اسی صورت میں کام کرتی ہے جب باقی معلومات حقیقی ہوں۔ کسی الیاسڈ سگنل سے فالتو چیزوں کو ہٹانا کسی معنی خیز چیز کو آسان نہیں بنائے گا۔ یہ صرف مؤثر طریقے سے شور کو خارج کرے گا جبکہ دوسرے شور کو پیچھے چھوڑ دے گا، کیونکہ خراب شدہ فریکوئنسی مواد پہلے سے ہی جائز دماغی سرگرمی سے الگ نہیں ہو سکتا تھا۔
الزائمر کی تشخیص کا نتیجہ سب سے واضح پیغام دیتا ہے۔ ایک نسبتاً سادہ کلاسیفائر، KNN، مناسب طریقے سے ڈی کمپوز کیے گئے ویولیٹ سب بینڈز سے حاصل کردہ خصوصیات کا استعمال کرتے ہوئے 99.98% کی درستگی تک پہنچ گیا۔ یہ نتیجہ ظاہر کرتا ہے کہ جب کسی تجزیے کی بنیاد مضبوط ہو، تو سیدھے سادہ درجہ بندی کے طریقے بھی نمایاں طور پر اعلیٰ سطح پر کارکردگی دکھا سکتے ہیں۔
اس کا الٹا مفہوم بھی ہے۔ بعد میں الگورتھم کی کوئی بھی بہتری، چاہے وہ جدید نیورل نیٹ ورکس کے ذریعے ہو یا جامع فیچر انجینئرنگ کے ذریعے، ڈیجیٹائزیشن کے اس عمل کی تلافی نہیں کر سکتے جس کی بنیادی باتیں ہی غلط تھیں۔
کیوں دماغ کا سچا ڈیٹا ایک غیر مرئی ڈھال سے شروع ہوتا ہے
ڈسکریٹ سگنل پروسیسنگ جدید ٹیکنالوجی کی ایک غیر مرئی ریڑھ کی ہڈی کے طور پر کام کرتی ہے، جو کہ عملی طور پر تمام سائنسی اور تجارتی شعبوں میں ڈیجیٹل ڈیٹا کے مؤثر انتظام اور تشریح کو ممکن بناتی ہے۔ سیمپلنگ، فلٹرنگ اور تبدیلی کے اصولوں پر مہارت حاصل کر کے، محققین اور انجینئرز ڈیجیٹل الیکٹرو اینسفالوگرافی سے لے کر عالمی وائرلیس مواصلاتی نیٹ ورکس جیسے شعبوں میں ان حدود کو آگے بڑھانا جاری رکھ سکتے ہیں جو ممکن ہیں۔
حوالہ جات
موروگاپن، ایم.، رام چندرن، این.، اور سازالی، وائی. (2010). ڈسکریٹ ویولیٹ ٹرانسفارم کا استعمال کرتے ہوئے ای ای جی سے انسانی جذبات کی درجہ بندی۔ جرنل آف بائیومیڈیکل سائنس اینڈ انجینئرنگ، 3(4)، 390-396۔ http://dx.doi.org/10.4236/jbise.2010.34054
چن، ڈی.، وان، ایس.، شیانگ، جے.، اور باؤ، ایف. ایس. (2017). ڈسکریٹ ویولیٹ ٹرانسفارم (DWT) اور EEG پر مبنی ایک اعلیٰ کارکردگی کا مرگی کے دورے کا پتہ لگانے والا الگورتھم۔ پبلک لائبریری آف سائنس (PloS) ون، 12(3)، e0173138۔ https://doi.org/10.1371/journal.pone.0173138
الشرابی، کے.، سلامہ، وائی. بی.، عبدالرقیب، اے. ایم.، الجلال، ایم.، اور التورکی، ایف. اے. (2022). ڈسکریٹ ویولیٹ ٹرانسفارم اور مشین لرننگ کے طریقوں کا استعمال کرتے ہوئے الزائمر کے امراض کے لیے ای ای جی سگنل پروسیسنگ۔ IEEE ایکسیس، 10، 89781-89797۔
شکلا، ایس.، رائے، وی.، اور پرکاش، اے. (2020، اپریل)۔ ای ای جی سگنل سے موشن آرٹفیکٹس کے اثر کو کم کرنے کے لئے ویولیٹ پر مبنی تجرباتی نقطہ نظر۔ 2020 IEEE نویں انٹرنیشنل کانفرنس آن کمیونیکیشن سسٹمز اینڈ نیٹ ورک ٹیکنالوجیز (CSNT) (صفحات 323-326) میں۔ IEEE۔ https://doi.org/10.1109/CSNT48778.2020.9115761
چیانگ، ایچ. ایس.، چن، ایم. وائی.، اور ہوانگ، وائی. جے. (2019)۔ فزی اینٹروپی اور ایسوسی ایٹو پیٹری نیٹ کا استعمال کرتے ہوئے مرگی کا پتہ لگانے کے لئے ویولیٹ پر مبنی ای ای جی پروسیسنگ۔ IEEE ایکسیس، 7، 103255-103262۔ https://doi.org/10.1109/ACCESS.2019.2929266
اکثر پوچھے گئے سوالات
اینالاگ اور ڈیجیٹل پروسیسنگ میں کیا فرق ہے؟
اینالاگ پروسیسنگ میں مسلسل وولٹیج یا کرنٹ لیول شامل ہوتے ہیں، جبکہ ڈیجیٹل پروسیسنگ ڈیٹا کی نمائندگی کے لیے نمبروں کا ایک سلسلہ استعمال کرتی ہے، جس سے زیادہ درست کنٹرول اور اسٹوریج ممکن ہوتا ہے۔
ڈیجیٹل فلٹر کیسے کام کرتا ہے؟
ایک ڈیجیٹل فلٹر ان پٹ ترتیب سے ایک نئی ترتیب کا حساب لگانے کے لیے ریاضی کے الگورتھم کا استعمال کرتا ہے، مطلوبہ اجزاء کو گزرنے کی اجازت دینے کے لیے مخصوص فریکوئنسیوں کو منتخب طور پر اسکیل یا تاخیر دیتا ہے۔
نوکوسٹ معیار کیا ہے اور یہ EEG کی ڈیجیٹائزیشن کے لیے کیوں ضروری ہے؟
نوکوسٹ معیار کے مطابق فریکوئنسی کے بگاڑ کو روکنے کے لیے ای ای جی میں موجود سب سے زیادہ فریکوئنسی سے دو گنا زیادہ کی شرح پر سیمپلنگ کی ضرورت ہوتی ہے۔ یہ ضروری ہے کیونکہ اس اصول کی خلاف ورزی الیاسنگ کا سبب بنتی ہے، جہاں دماغ کی تیز لہریں غلطی سے سست لہروں کے طور پر ریکارڈ ہو جاتی ہیں، جس سے ڈیٹا مستقل طور پر خراب ہو جاتا ہے اور درست تجزیہ ناممکن ہو جاتا ہے۔
الیاسنگ کیا ہے اور سیمپلنگ کے بعد اسے درست کیوں نہیں کیا جا سکتا؟
الیاسنگ ایک سیمپلنگ خرابی ہے جہاں ہائی فریکوئنسی والے سگنلز کو غلط طریقے سے کم فریکوئنسی والے اجزاء کے طور پر ریکارڈ کیا جاتا ہے۔ ایک بار جب یہ واقع ہو جائے، تو اصل تیز سگنل کی معلومات مستقل طور پر دوسرے فریکوئنسی بینڈز میں گھل مل جاتی ہے، اس لیے کوئی بھی ریاضیاتی طریقہ کار اس بگاڑ کو درست نہیں کر سکتا۔
ایک اینٹی الیاسنگ فلٹر EEG سگنل کی حفاظت کیسے کرتا ہے؟
ایک اینٹی الیاسنگ فلٹر ایک اینالاگ لو-پاس فلٹر ہوتا ہے جسے اینالاگ ٹو ڈیجیٹل کنورٹر سے پہلے رکھا جاتا ہے جو نوکوسٹ کی حد سے اوپر کی فریکوئنسیوں کو ہٹا دیتا ہے۔ سیمپلنگ سے پہلے ہائی فریکوئنسی مواد کو الگ کر کے، یہ الیاسنگ کو وقوع پذیر ہونے سے روکتا ہے اور دماغی سگنل کی سالمیت کو محفوظ رکھتا ہے۔
دماغی وولٹیج کو ڈیجیٹل نمبروں میں تبدیل کرتے وقت بٹ ڈیپتھ کیوں اہمیت رکھتی ہے؟
بٹ ڈیپتھ وولٹیج کی ہر پیمائش کی درستگی کا تعین کرتی ہے اس بات کی وضاحت کر کے کہ سگنل کے ایمپلی ٹیوڈ کی نمائندگی کے لیے کتنے الگ مراحل دستیاب ہیں۔ ایک بہتر بٹ ڈیپتھ معمولی ایمپلی ٹیوڈ کی تبدیلیوں کو ریکارڈ کرتی ہے جو ان الگورتھم کے لیے اہم ہوتی ہیں جو دماغ کی حالتوں میں فرق کرنے کے لیے اینٹروپی یا ویریئنس جیسی خصوصیات پر انحصار کرتے ہیں۔
اگر ایک ای ای جی کی سیمپلنگ بہت کم شرح پر کی جائے تو کیا ہوگا؟
اگر سیمپلنگ کی شرح بہت کم ہو، تو الیاسنگ ہوتی ہے، جس کی وجہ سے تیز رفتار سرگرمی (جیسے پٹھوں کا شور یا دماغ کی تیز لہریں) غلطی سے سست دماغی لہروں کے طور پر ریکارڈ ہو جاتی ہیں۔ یہ مستقل طور پر ڈیجیٹائزڈ سگنل کو خراب کر دیتا ہے، اس لیے بعد کے تجزیے حقیقی دماغی سرگرمی کے بجائے خراب شدہ ڈیٹا پر مبنی ہوں گے۔
الیاسنگ کو ڈیٹا کے خراب ہونے کی مستقل شکل کیوں سمجھا جاتا ہے؟
الیاسنگ ڈیٹا کو مستقل طور پر خراب کرتی ہے کیونکہ یہ ہائی فریکوئنسی سگنلز کو جھوٹی کم فریکوئنسی والی نمائندگی میں تبدیل کر دیتی ہے، اور اصل ہائی فریکوئنسی معلومات ہمیشہ کے لیے ختم ہو جاتی ہے۔ کوئی بھی بعد والا الگورتھم الیاسڈ شور کو درست دماغی سرگرمی سے الگ نہیں کر سکتا، کیونکہ دونوں ریکارڈ شدہ سگنل میں ایک جیسے کوڈڈ ہوتے ہیں۔
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 برګوس
