ای ای جی آرٹی فیکٹس (EEG Artifacts)

EEG آرٹیفیکٹس کی دو بنیادی اقسام

ایک EEG ریکارڈنگ میں ہر ناپسندیدہ اتار چڑھاؤ دو میں سے کسی ایک وجہ سے پیدا ہوتا ہے۔ موضوع سے متعلقہ، یا فزیولوجیکل، آرٹیفیکٹس شریکِ تحقیق کے اپنے جسم سے پیدا ہوتے ہیں۔ ان میں آنکھوں کا جھپکنا، پٹھوں کا کھنچاؤ، دل کی دھڑکن، اور پسینے کے غدود کی سرگرمی شامل ہیں، یہ سب برقی میدان پیدا کرتے ہیں جنہیں سر کی جلد کے الیکٹروڈز حقیقی دماغی سرگرمی کے ساتھ ساتھ پکڑ لیتے ہیں۔

تکنیکی، یا غیر فزیولوجیکل، آرٹیفیکٹس ریکارڈنگ کے آلات اور ماحول سے پیدا ہوتے ہیں۔ ڈھیلے الیکٹروڈز، کیبل کا ہلنا، ایمپلیفائر کا سیچوریشن، اور مینز کی برقی مداخلت اس دوسرے گروپ میں آتے ہیں۔

ان دونوں اقسام کے درمیان فرق کرنا سیکھنے کی پہلی مہارت ہے کیونکہ ان سے بچنے اور انہیں ہٹانے کی حکمتِ عملی بنیادی طور پر مختلف ہوتی ہے۔ جبڑے کو بھینچنے سے پیدا ہونے والے پٹھوں کے دباؤ کے لیے ایک مختلف مداخلت کی ضرورت ہوتی ہے بہ نسبت ایک خراب شیلڈ والی کیبل کے ذریعے آنے والے وقفے وقفے سے 60 ہہرٹز کے شور کے۔

موضوع سے متعلقہ آرٹیفیکٹس کی شناخت کیسے کریں

آنکھوں کا جھپکنا (Eye Blinks)

آنکھ ایک چھوٹی برقی بیٹری کی طرح کام کرتی ہے۔ قرنیہ (cornea) ریٹینا کے مقابلے میں مثبت چارج رکھتا ہے، جس سے ایک corneo‑retinal dipole بنتا ہے۔ جب کوئی شریکِ تحقیق آنکھ جھپکتا ہے، تو پلک اس ڈائی پول کے اوپر سے گزرتی ہے اور مثبت میدان کو اوپر کی طرف کھینچتی ہے، جس سے آنکھوں کے قریب ترین فرنٹل الیکٹروڈز پر ایک بڑا، مثبت وولٹیج کا اتار چڑھاؤ پیدا ہوتا ہے۔

ٹائم ڈومین ٹریس میں، آنکھ کا جھپکنا ایک اعلیٰ وسعت (high-amplitude) والی، سست لہر کے طور پر ظاہر ہوتا ہے جو فرنٹ پولر چینلز جیسے کہ Fp1 اور Fp2 پر اپنے عروج پر پہنچتا ہے، پھر جیسے جیسے آپ وسطی یا پچھلے حصوں کی طرف دیکھتے ہیں، یہ تیزی سے کم ہوتا جاتا ہے۔ چونکہ یہ ویوفارم بہت مخصوص ہوتا ہے، اس لیے ایک تربیت یافتہ آنکھ اسے تقریباً فوراً پہچان سکتی ہے۔

آنکھوں کی حرکات اور سیکادک سپائیکس

جب آنکھیں بغیر جھپکے دائیں بائیں حرکت کرتی ہیں، تو corneo-retinal dipole گھومتا ہے بجائے اس کے کہ وہ ڈھک جائے۔ یہ الیکٹرو-اوکلوگرام سگنل میں ایک قدم نما تبدیلی پیدا کرتا ہے جو ملحقہ EEG چینلز میں سرایت کر سکتی ہے۔

مزید برآں، ایک سیکیڈ (تیز حرکت) کے دوران آنکھ کے بیرونی پٹھوں کا تیزی سے سکڑنا ایک مختصر، تیز برقی لہر پیدا کرتا ہے جسے سیکادک سپائیک پوٹینشل (saccadic spike potential) کہا جاتا ہے۔ خام ٹریس پر، یہ سپائیکس مرگی کے دورے جیسی سرگرمی سے حیرت انگیز طور پر مشابہہ ہو سکتے ہیں۔ یہ عام طور پر فرنٹل اور ٹیمپورل الیکٹروڈز تک محدود ہوتے ہیں اور نظر کی تبدیلی کے ساتھ ہم آہنگ ہوتے ہیں۔

ان کو پہچاننا ایک غلط طبی تاثر کو روکتا ہے اور دوسری صورت میں صاف اعصابی ڈیٹا کے غیر ضروری اخراج سے بچاتا ہے۔ سپائیک کا مختصر ہونا، افقی یا عمودی آنکھ کی حرکت کے ساتھ اس کا تعلق، اور اس کے بعد سست لہر کا نہ ہونا اسے حقیقی کورٹیکل ڈسچارج سے ممتاز کرنے میں مدد کرتا ہے۔

پٹھوں کی سرگرمی (Muscle Activity)

سر کی جلد، چہرے اور گردن کے پٹھے ہائی فریکوئنسی برقی شور پیدا کرنے کے بڑے ذرائع ہیں۔ جب کوئی شریکِ تحقیق اپنا جبڑا بھینچتا ہے، ماتھے پر بل لاتا ہے، یا گردن میں تناؤ رکھتا ہے، تو موٹر یونٹ ایکشن پوٹینشلز غیر ہم آہنگ طریقے سے فائر ہوتے ہیں اور ایک نوکیلے، فاسد مداخلت کے پیٹرن میں جمع ہو جاتے ہیں۔

ٹائم ڈومین میں، پٹھوں کا آرٹیفیکٹ EEG کے اوپر سوار تیز، کم وسعت والے اتار چڑھاؤ کے ایک تیز دھماکے کی طرح لگتا ہے، جو اکثر ٹیمپورل یا فرنٹل الیکٹروڈز پر سب سے نمایاں ہوتا ہے۔ اس کا فریکوئنسی مواد بنیادی طور پر 20 Hz سے اوپر ہوتا ہے، جو بیٹا اور گاما بینڈز میں گہرائی تک جاتا ہے جہاں بہت سے علمی پیمائشیں واقع ہوتی ہیں، جس کی وجہ سے یہ ذہنی حالت کی نگرانی اور brain‑computer interface applications کے لیے خاص طور پر پریشان کن ہوتا ہے۔

قریبی فاصلے والے الیکٹروڈز کے ساتھ High‑density EEG setups پٹھوں کے ذریعہ کو تلاش کرنے میں مدد کر سکتے ہیں، لیکن دفاع کی پہلی لائن شریکِ تحقیق کو آرام دہ رہنے کی ہدایت کرنا اور سر کے لیے جسمانی مدد فراہم کرنا ہے۔

پسینہ اور الیکٹروڈرمل تبدیلیاں

پسینے کے غدود کی سرگرمی کی وجہ سے جلد کے کنڈکٹنس میں تبدیلیاں الیکٹروڈ اور جلد کے انٹرفیس کو تبدیل کرتی ہیں۔ یہ بیس لائن وولٹیج کا ایک بہت ہی سست، ہموار بہاؤ متعارف کرواتا ہے، جو اکثر 1 Hz سے نیچے ہوتا ہے، جو کئی سیکنڈز تک بھٹک سکتا ہے۔

یہ آرٹیفیکٹ کسی سپائیک یا تال والے شور کی طرح ظاہر نہیں ہوتا بلکہ پورے ٹریس کے ہلکے، لہر نما گھومنے کے طور پر ظاہر ہوتا ہے۔ یہ طویل ریکارڈنگ کے دوران، گرم ماحول میں، یا فکر مند شرکاء کے ساتھ سب سے زیادہ عام ہے۔ کمرے کے مستحکم درجہ حرارت کو برقرار رکھ کر اور اچھے الیکٹروڈ رابطے کو یقینی بنا کر اس لو فریکوئنسی کے مسئلے کو سنبھالا جا سکتا ہے۔

دل کے سگنلز (Cardiac Signals)

دل کا برقی میدان سر کی جلد تک پہنچنے کے لیے کافی طاقتور ہوتا ہے، خاص طور پر جب الیکٹروڈ کی رکاوٹیں زیادہ ہوں یا جب کوئی reference electrode کان کے پیچھے کے حصے یا کان کی لو کے اوپر کسی خون کی رگ کے قریب واقع ہو۔

اس کے نتیجے میں بننے والا الیکٹروکارڈیوگرام آرٹیفیکٹ دل کی دھڑکن کی رفتار سے دہرائے جانے والے ایک باقاعدہ، تیز QRS-کمپلیکس کے طور پر ظاہر ہوتا ہے—تقریباً ایک سیکنڈ میں ایک بار۔ یہ اکثر ایک مستقل وقت کے فرق کے ساتھ بیک وقت کئی چینلز میں سرایت کر جاتا ہے، اور وسیع پیمانے پر آرٹیفیکٹ کی خصوصیات پر تربیت یافتہ درجہ بندی کرنے والے دیگر آلودگیوں کے ساتھ اس کا پتہ لگا سکتے ہیں۔

اگر کارڈیک ویوفارم نظر آ رہا ہو لیکن بہت زیادہ غالب نہ ہو، تو اسے اکثر ایک مخصوص ECG چینل ریکارڈ کر کے منہا کیا جا سکتا ہے؛ بصورتِ دیگر، متاثرہ حصوں کو دستی طور پر مسترد کرنے کی ضرورت پڑ سکتی ہے۔

ٹریس میں تکنیکی آرٹیفیکٹس کو پہچاننا

الیکٹروڈ پاپس اور حرکت سے متعلقہ سپائیکس

خشک جیل پل، کھینچی ہوئی کیبل، یا ہلتے ہوئے الیکٹروڈ کی وجہ سے رکاوٹ (impedance) میں اچانک تبدیلی ایک اچانک، تیز رفتار لہر پیدا کرتی ہے جسے اکثر پاپ (pop) کہا جاتا ہے۔ یہ "عام عدم تسلسل" کی کیٹیگری میں آتا ہے جسے ADJUST جیسے خودکار الگورتھم نشان زد کرنے کے لیے ڈیزائن کیے گئے ہیں۔

ٹائم ڈومین میں، ایک الیکٹروڈ پاپ عام طور پر انتہائی وسعت کے ایک الگ تھلگ سپائیک کی طرح لگتا ہے جو ایمپلیفائر کو سیر (saturate) کر سکتا ہے، جس سے سگنل ایک لمحے کے لیے فلیٹ ہو جاتا ہے اور پھر آہستہ آہستہ بحال ہوتا ہے۔ حیاتیاتی سپائیک کے برعکس، یہ جاری فزیولوجیکل سرگرمی سے گھرا ہوا نہیں ہوتا اور عام طور پر ایک ہی چینل پر ظاہر ہوتا ہے، جس سے بصری معائنے کے دوران اس کی شناخت کرنا آسان ہو جاتا ہے۔

Hagmann et al. کی طرف سے neonatal EEG کی ایک تحقیق میں بھی بار بار ہونے والی حرکت کی مداخلت کو دستاویزی شکل دی گئی جس نے وسعت سے مربوط ٹریس کو تبدیل کر دیا، جس سے یہ ظاہر ہوتا ہے کہ مختصر ترین جسمانی رکاوٹیں بھی قابلِ پیمائش آلودگی پیدا کرتی ہیں۔

مینز مداخلت (Mains Interference)

ریکارڈنگ سیٹ اپ میں برقی سپلائی کا کیپیسیٹیو کپلنگ مینز فریکوئنسی پر ایک مسلسل، تال والا "شور" پیدا کرتا ہے—یورپ اور دنیا کے بیشتر حصوں میں 50 Hz، اور شمالی امریکہ میں 60 Hz۔

ایک خام EEG ٹریس پر، یہ مداخلت ہر چینل پر چڑھی ہوئی ایک موٹی سائن لہر کے طور پر ظاہر ہوتی ہے، جو اکثر مستقل وسعت کے ساتھ ہوتی ہے۔ لائن شور کی تھوڑی سی مقدار بھی کم وولٹیج کی دماغی تالوں کو چھپا سکتی ہے، اور اس کی موجودگی الیکٹروڈ کی رکاوٹ، شیلڈنگ، یا گراؤنڈنگ کے مسئلے کی نشاندہی کرتی ہے۔

یہ ہمیشہ ایک تکنیکی آرٹیفیکٹ ہوتا ہے، نہ کہ دماغی ارتعاش، اور اس کی مقررہ فریکوئنسی اسے آنکھ کے ذریعے یا ایک سادہ spectral plot کے ذریعے پہچاننا آسان بناتی ہے۔

ڈھیلے الیکٹروڈز اور کیبل کی حرکت

جب کوئی الیکٹروڈ سر کی جلد کے ساتھ مضبوطی سے منسلک نہیں ہوتا یا ریکارڈنگ کے دوران اس کی کیبل ہلتی ہے، تو میکانکی خلل فاسد لو-فریکوئنسی اتار چڑھاؤ متعارف کرواتا ہے۔ یہ ایک سست، بے قاعدہ بہاؤ یا ایک ہی چینل پر ہائی وسعت والی بے قاعدہ لہروں کے دھماکے کی طرح دکھائی دے سکتے ہیں۔

اس کا غیر مستقل ہونا اور ایک ہی الیکٹروڈ تک محدود ہونا اس آرٹیفیکٹ کو فوری طور پر وسیع پیمانے پر ہونے والے فزیولوجیکل واقعات جیسے کہ آنکھ جھپکنے یا پٹھوں کے تناؤ سے ممتاز کرتا ہے۔ ریکارڈنگ کے دوران ایسے لمحات کو نوٹ کرنا بعد میں خراب ڈیٹا کے حصوں کی تلاش کو محدود کر کے کافی کوششیں بچاتا ہے۔

ریکارڈنگ کے دوران آرٹیفیکٹس کو روکنا اور دستاویز کرنا

آرٹیفیکٹ مینجمنٹ کی سب سے مؤثر حکمتِ عملی پہلا ڈیٹا پوائنٹ محفوظ ہونے سے بہت پہلے شروع ہو جاتی ہے۔

ایک پرسکون شریکِ تحقیق پٹھوں اور آنکھوں کی حرکت کے نمایاں طور پر کم آرٹیفیکٹس پیدا کرتا ہے۔ اس لیے، سیشن کی وضاحت کرنے، سر کے سہارے کے ساتھ ایک آرام دہ کرسی فراہم کرنے، اور اچانک پلکیں جھپکنے اور سیکیڈز کو کم کرنے کے لیے آنکھوں کو ایک مستحکم نقطہ فراہم کرنے کے لیے وقت نکالیں۔ یہ اقدامات اتنے بنیادی ہیں کہ تحقیقی مقالوں میں شاذ و نادر ہی ان کی وضاحت کی جاتی ہے، پھر بھی ہر وہ تحقیق جو صاف ڈیٹا کی رپورٹ کرتی ہے، واضح طور پر ان پر انحصار کرتی ہے۔

الیکٹروڈ کا اطلاق دفاع کی اگلی لائن ہے۔ جلد کی محتاط تیاری، مناسب کنڈکٹیو جیل، اور احتیاط سے بچھائی گئی کیبلز ماحولیاتی مداخلت اور حرکت سے متعلقہ پاپس دونوں کو کم سے کم کرتی ہیں۔

شیر خوار بچوں کی مذکورہ بالا EEG تحقیق میں پتا چلا کہ برقی اور حرکتی مداخلتیں یکساں فریکوئنسی کے ساتھ واقع ہوئیں، جس سے یہ تصدیق ہوتی ہے کہ کوئی بھی ریکارڈنگ کا ماحول تکنیکی مسائل سے محفوظ نہیں ہے۔ سیشن سے پہلے اور بعد میں رکاوٹوں کو چیک کرنا اور کیبلز کو کپڑوں یا کرسی سے محفوظ کرنا بچاؤ کے قابل آرٹیفیکٹس کے ایک بڑے حصے کو ختم کر دیتا ہے۔

آخر میں، ریکارڈنگ کے دوران واضح آرٹیفیکٹس کا ایک جاری لاگ رکھیں۔ کسی بھی بڑی حرکت، کھانسی، یا الیکٹروڈ ایڈجسٹمنٹ کے وقت کو نوٹ کریں۔ اس قسم کا دستی نوٹ ان ماہرانہ لیبلنگ کی عکاسی کرتا ہے جو خودکار درجہ بندی کرنے والوں کی تربیت کے لیے استعمال ہوتی ہیں، جہاں انسانی جج ان حصوں کو نشان زد کرتے ہیں جو مشین لرننگ الگورتھم کے لیے بنیادی سچائی (ground truth) کے طور پر کام کرتے ہیں۔

حصول کے سافٹ ویئر میں ایک سادہ ہاتھ سے لکھا ہوا ٹائم اسٹیمپ یا ایونٹ مارکر اندازہ لگانے کے عمل کو قابلِ دہرائے جانے والی دستاویز میں تبدیل کر دیتا ہے۔

دستی طور پر مسترد کرنا اور انٹرپولیٹ کرنا: حساب سے پہلے صفائی

مسلسل ٹریس کا بصری معائنہ

کسی بھی signal processing الگورتھم کو آرٹیفیکٹ ہٹانے کا کام سونپنے سے پہلے، خام ڈیٹا کو اسکرول کریں اور اوپر بیان کردہ ویوفارم علامات کو آلودہ وقفوں کی شناخت کے لیے استعمال کریں۔

اکثر یہ مشورہ دیا جاتا ہے کہ آنکھ جھپکنے کی مخصوص فرنٹل سست لہر، پٹھوں کی سرگرمی کا ہائی فریکوئنسی کا شور، پاپ کا الگ تھلگ سپائیک، یا مینز شور کی مستقل سائن لہر کو تلاش کریں۔ یہ قدم آپ کی آنکھ کو حقیقی دماغی سرگرمی سے آرٹیفیکٹس کو ممتاز کرنے کی تربیت دیتا ہے اور نایاب، ہائی وسعت والے اعصابی واقعات کو خودکار طور پر مسترد ہونے سے روکتا ہے جو ظاہری طور پر آرٹیفیکٹس سے مشابہہ ہو سکتے ہیں۔

• فرنٹل سست لہر: آنکھ جھپکنے کی نشان دہی کرتی ہے

• ہائی فریکوئنسی شور: پٹھوں کی سرگرمی کی نشان دہی کرتا ہے

• انتہائی وسعت کا الگ تھلگ سپائیک: الیکٹروڈ پاپ کی نشان دہی کرتا ہے

• مستقل سائن لہر: مینز کی مداخلت کی نشان دہی کرتی ہے

خراب وقت کے حصوں کو نشان زد کرنا اور خارج کرنا

ایک بار جب آپ آرٹیفیکٹ سے بھرے ڈیٹا کے حصے کی شناخت کر لیں، تو اسے خارج کرنے کے لیے نشان زد کریں۔ اس میں آغاز اور اختتام کے اوقات کو لاگ کرنا یا EEG analysis software میں بلٹ ان مارکنگ ٹولز کا استعمال شامل ہو سکتا ہے۔

سب سے زیادہ آلودہ حصوں کو دستی طور پر ہٹانا وہ معیار ہے جس پر جدید ترین خودکار طریقے بھی انحصار کرتے ہیں۔ مثال کے طور پر، جس کام نے ADJUST الگورتھم تیار کیا، اس میں ماہرین نے دستی طور پر 640 اجزاء کو تربیت کا سیٹ بنانے کے لیے لیبل کیا، اور پھر درجہ بندی کرنے والے کی کارکردگی کو اس دستی طور پر بیان کردہ بنیادی سچائی کے خلاف ماپا گیا۔

ہاتھ سے سب سے زیادہ واضح آرٹیفیکٹس کو ہٹانا بعد کے الگورتھمز پر بوجھ کو کم کرتا ہے اور انہیں سپیشل فلٹرنگ کے مراحل کے دوران پڑوسی چینلز میں شور پھیلانے سے روکتا ہے۔

مسلسل شور والے چینل کی انٹرپولیٹنگ

جب ایک الیکٹروڈ ڈھیلے رابطے، خشک جیل، یا میکانکی عدم استحکام کی وجہ سے پوری ریکارڈنگ کے لیے ناقابلِ بھروسہ ہو، تو اس چینل کو ہٹانا اور پڑوسی صاف الیکٹروڈز سے اس کے ڈیٹا کی دوبارہ تعمیر مجموعی ڈیٹا کی جہت کو برقرار رکھتی ہے۔

انٹرپولیشن خراب چینل کے ریکارڈ کردہ ڈیٹا کا تخمینہ لگانے کے لیے سر کی جلد پر سپیشل وولٹیج کی تقسیم کا استعمال کرتی ہے، جس سے مؤثر طریقے سے آرٹیفیکٹ کو ایک معقول، غیر جانبدار سگنل سے بدل دیا جاتا ہے۔ یہ قدم ٹپوگرافیکل تجزیوں کے لیے ڈیٹا سیٹ کو برقرار رکھتا ہے اور اس ڈیٹا کے نقصان سے بچاتا ہے جو چینل کو مکمل طور پر ضائع کرنے سے ہوتا ہے۔

دستی صفائی کیوں ضروری ہے

انتہائی پیچیدہ خودکار درجہ بندی کرنے والوں کو بھی ایسے ڈیٹا سیٹ سے فائدہ ہوتا ہے جسے بڑے آرٹیفیکٹس سے پہلے ہی صاف کر دیا گیا ہو۔ بچوں کی تحقیق کا یہ نتیجہ کہ آرٹیفیکٹس نے ریکارڈنگ کے وقت کا 12% حصہ گھیرا ہوا تھا اور طبی تشریح پر اثر انداز ہوئے، یہ ظاہر کرتا ہے کہ کس طرح آسانی سے نہ ہٹائی گئی آلودگی نتائج کو بگاڑ سکتی ہے۔

اس لیے، دستی معائنہ اس بات کو یقینی بناتا ہے کہ ڈیٹا کے ایک effective computational pipeline میں داخل ہونے سے پہلے سب سے بڑے اور واضح آرٹیفیکٹس ختم ہو جائیں، جہاں وہ بصورتِ دیگر تغیر (variance) پر حاوی ہو سکتے ہیں اور سگنل کے تجزیے کو گمراہ کر سکتے ہیں۔ یہ ڈیٹا سیٹ کے ساتھ گہری واقفیت بھی پیدا کرتا ہے جسے کوئی الگورتھم نہیں دہرا سکتا۔

خودکار طریقے دستی کام کی کس طرح مدد کرتے ہیں

انڈیپینڈنٹ کمپوننٹ اینالیسس بطور تجزیاتی ٹول

ایک بار جب بدترین حصوں کو دستی طور پر ہٹا دیا جائے، تو ICA بقیہ EEG کو شماریاتی طور پر آزاد سورس کمپوننٹس میں تقسیم کر سکتا ہے۔ یہ تکنیک سر کی جلد کے الیکٹروڈز کے ذریعے پکڑے گئے دماغی اور آرٹیفیکٹ سگنلز کے مرکب کو الگ کرتی ہے، جس سے آنکھوں کی حرکات، جھپکنے اور پٹھوں کی سرگرمی کو ان کے منفرد سپیشل اور ٹیمپوورل پیٹرنز کی بنیاد پر الگ الگ اجزاء میں تقسیم کیا جاتا ہے۔

ایک ایسا جزو جس کا فرنٹل پروجیکشن اور ویوفارم جھپکنے کے سگنل سے ملتا جلتا ہو، اسے پہچان کر منہا کیا جا سکتا ہے، جس سے باقی ڈیٹا نیوروفزیولوجیکل طور پر برقرار رہتا ہے۔ ICA کی طاقت بیک وقت پیش آنے والے متعدد آرٹیفیکٹ ذرائع کو سنبھالنے کی صلاحیت میں ہے، ایک ایسا کام جسے سادہ ریگریشن پر مبنی تصحیح اکثر ضرورت سے زیادہ یا کم درست کرتی ہے۔

جدید کلاسیفائرز کی ساکھ

خودکار طریقوں نے اب کارکردگی کی اس سطح کو چھو لیا ہے جو انسانی ماہر کے فیصلے سے بہت قریب ہے۔

ایک subject‑independent linear classifier، جسے فریکوئنسی، سپیشل اور ٹیمپوورل ڈومینز سے لی گئی چھ خصوصیات پر تربیت دی گئی تھی، نے ری ایکشن ٹائم ڈیٹا سیٹ پر 10% سے کم اوسط مربع غلطی حاصل کی، جو دو انسانی ماہرین کے درمیان اختلاف کی حد کے اندر ہے۔

مزید برآں، ADJUST الگورتھم، جو سپیشل اور ٹیمپوورل آرٹیفیکٹ کے مخصوص فیچرز کو یکجا کرتا ہے، نے مکمل طور پر آزاد ڈیٹا سیٹ پر تجربہ کرنے کے دوران ڈیٹا کی تبدیلی کے 95.2% حصے پر ماہرین کی دستی لیبلنگ سے اتفاق کیا، اور اس کے ذریعے آرٹیفیکٹ والے اجزاء کو ہٹانے سے ایونٹ سے متعلقہ پوٹینشلز کی صاف بحالی ہوئی۔

ایک مختلف طریقہ جس میں ایک سپورٹ ویکٹر مشین کے ساتھ مل کر autoregressive models کا استعمال کیا گیا، نے تقریباً 94% درستگی کے ساتھ افراد میں کئی اقسام کے موضوع سے پیدا ہونے والے آرٹیفیکٹس کی درجہ بندی کی۔

خاص طور پر آنکھ کے آرٹیفیکٹس کے لیے، ایک الگورتھم جس نے متعلقہ اجزاء کی معروضی شناخت کے لیے آئی ٹریکر کی معلومات کو شامل کیا، ان انسانی ماہرین کے مقابلے میں تقریباً دگنا مؤثر طریقے سے کام کیا جنہیں صرف اجزاء کے ٹپوگرافیز پر انحصار کرنا تھا، جس سے 0.99 سے زیادہ کا ریسیور آپریٹنگ کریکٹرسٹک ایریا انڈر دی کرو حاصل ہوا۔

یہ اعداد و شمار دستی صفائی کی جگہ نہیں لیتے لیکن یہ ظاہر کرتے ہیں کہ اب اس شعبے میں قابلِ اعتماد کمپیوٹیشنل معاونین موجود ہیں جو اس دہرائے جانے والے، بڑے پیمانے پر شناختی کام کو سنبھال سکتے ہیں جو کبھی مکمل طور پر ہاتھ سے کیا جاتا تھا۔

آرٹیفیکٹ ہٹانے اور سگنل کے تحفظ میں توازن برقرار رکھنا

آرٹیفیکٹ کو جارحانہ طور پر مسترد کرنا نادانستہ طور پر حقیقی اعصابی معلومات کو بھی ختم کر سکتا ہے۔ موٹر امیجری برین-کمپیوٹر انٹرفیس ماڈل میں، محققین نے پایا کہ وہ discriminant معلومات کو محفوظ رکھتے ہوئے بدترین آرٹیفیکٹس والے ICA اجزاء کے 60% تک کو محفوظ طریقے سے ہٹا سکتے ہیں جسے BCI سسٹم صارف کے ارادے کو ڈی کوڈ کرنے کے لیے استعمال کرتا تھا۔

یہ دریافت اس اہم اصول کی نشاندہی کرتی ہے کہ ہر وہ جزو جس میں کچھ آرٹیفیکٹ کا تغیر ہوتا ہے، اعصابی سگنل سے مکمل طور پر خالی نہیں ہوتا۔ خودکار درجہ بندی کرنے والے کے ذریعہ منتخب کردہ اجزاء کا دستی جائزہ اب بھی مناسب ہے تاکہ یہ تصدیق ہو سکے کہ مسترد کرنے کی حد مفید دماغی سرگرمی کے دائرے میں داخل نہیں ہو رہی۔

آرٹیفیکٹ سے واقفیت ڈیٹا کے معیار کا تعین کیوں کرتی ہے

آرٹیفیکٹس بصری تشریح اور مقداری پیمائش دونوں کو براہ راست متاثر کرتے ہیں۔ چاہے مقصد طبی تشخیص ہو، ایک neuroscience دریافت ہو، یا ایک consumer wellness application ہو، قابلِ اعتماد نتائج کا راستہ اس واضح تفہیم سے گزرتا ہے کہ آرٹیفیکٹس کہاں سے آتے ہیں، وہ خام ٹریس پر کیسے نظر آتے ہیں، اور انہیں روکنے، دستاویز کرنے اور دستی طور پر ہٹانے کا باقاعدہ عمل کیا ہے۔

ICA پر مبنی آٹومیشن صفائی کے عمل کو تیز کر سکتی ہے، لیکن یہ اس ڈیٹا پر سب سے زیادہ مؤثر طریقے سے کام کرتی ہے جس کا پہلے سے ایک تربیت یافتہ انسانی آنکھ سے معائنہ کیا جا چکا ہو۔ 12% آلودگی کی شرح شاید زیادہ نہ لگے، لیکن جب وہ حصہ طبی فیصلے کو تبدیل کر سکتا ہے یا کسی باریک cognitive biomarker کو دھندلا کر سکتا ہے، تو آرٹیفیکٹ مینجمنٹ میں سرمایہ کاری ریکارڈنگ کی سائنسی سالمیت سے الگ نہیں کی جا سکتی۔

حوالہ جات

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

اکثر پوچھے گئے سوالات

EEG آرٹیفیکٹس کی دو اہم اقسام کیا ہیں، اور وہ کیسے مختلف ہیں؟

EEG آرٹیفیکٹس دو اقسام میں آتے ہیں: موضوع سے متعلقہ (فزیولوجیکل) آرٹیفیکٹس جو شریکِ تحقیق کے جسم سے پیدا ہوتے ہیں—جیسے آنکھیں جھپکنا، پٹھوں کا تناؤ، دل کی دھڑکن، اور پسینہ—اور تکنیکی (غیر فزیولوجیکل) آرٹیفیکٹس جو آلات یا ماحول سے پیدا ہوتے ہیں، جیسے ڈھیلے الیکٹروڈز، کیبل کا ہلنا، اور مینز کی مداخلت۔ یہ فرق اس لیے اہم ہے کیونکہ ہر قسم کے لیے بچاؤ اور خاتمے کی الگ حکمتِ عملی درکار ہوتی ہے؛ مثال کے طور پر، پٹھوں کے کھنچاؤ کے لیے 60-Hz لائن شور کے مقابلے میں ایک مختلف مداخلت کی ضرورت ہوتی ہے۔

آپ EEG ٹریس پر آنکھ جھپکنے کے آرٹیفیکٹ کو کیسے پہچان سکتے ہیں؟

آنکھ کا جھپکنا ایک بڑی، مثبت، سست لہر کے طور پر ظاہر ہوتا ہے جو Fp1 اور Fp2 جیسے فرنٹل الیکٹروڈز پر سب سے زیادہ مضبوط ہوتی ہے، اور یہ تیزی سے وسطی یا پچھلے چینلز کی طرف مدہم ہو جاتی ہے۔ چونکہ قرنیہ ریٹینا کے مقابلے میں مثبت چارج رکھتا ہے، اس لیے اس ڈائی پول پر پلک جھپکنا ایک مخصوص، اعلیٰ وسعت کا اتار چڑھاؤ پیدا کرتا ہے جسے تربیت کے ذریعے آسانی سے پہچانا جا سکتا ہے۔

پٹھوں کی سرگرمی برین-کمپیوٹر انٹرفیس کے لیے خاص طور پر کیوں مشکل ہو سکتی ہے؟

جبڑے کو بھینچنے، ماتھے پر بل لانے، یا گردن کے تناؤ سے پیدا ہونے والے پٹھوں کے آرٹیفیکٹس ہائی فریکوئنسی، نوکیلی مداخلت پیدا کرتے ہیں جو اکثر بیٹا اور گاما برین ویو بینڈز کے ساتھ اوورلیپ ہوتی ہے جہاں علمی پیمائشیں اور ذہنی حالت کی نگرانی کام کرتی ہے۔ یہ آلودگی الگورتھمک تجزیوں کو خراب کر سکتی ہے اور برین-کمپیوٹر انٹرفیس ماڈلز کی کارکردگی کو کم کر سکتی ہے، جس سے یہ سنبھالنے کے لیے سب سے زیادہ پریشان کن فزیولوجیکل آرٹیفیکٹس میں سے ایک بن جاتا ہے۔

ایک مینز مداخلت کا آرٹیفیکٹ کیسا لگتا ہے، اور اس کی کیا وجہ ہے؟

مینز کی مداخلت ہر EEG چینل پر چڑھی ہوئی ایک مسلسل، تال والی سائن لہر کے "شور" کے طور پر ظاہر ہوتی ہے، جو عام طور پر علاقے کی برقی سپلائی کے لحاظ سے 50 یا 60 Hz پر ہوتی ہے۔ یہ خراب الیکٹروڈ رکاوٹ، ناکافی شیلڈنگ، یا گراؤنڈنگ کے مسائل کی وجہ سے ریکارڈنگ سیٹ اپ میں پاور سورس کے کیپیسیٹیو کپلنگ سے پیدا ہوتی ہے، اور یہ واضح طور پر ایک تکنیکی آرٹیفیکٹ ہے نہ کہ اعصابی سگنل۔

ریکارڈنگ کے دوران آرٹیفیکٹس کی دستی نوٹ کاری (manual annotation) کیوں اہم ہے؟

سیشن کے دوران بڑی حرکات، کھانسی، یا الیکٹروڈ ایڈجسٹمنٹ کا مسلسل لاگ رکھنا بعد میں خراب ڈیٹا کے حصوں کو محدود کرنے میں مدد کرتا ہے اور اندازے کو قابلِ دہرائے جانے والی دستاویزی شکل میں بدل دیتا ہے۔ یہ دستی نوٹ کاری ان ماہرانہ لیبلنگ کی بھی عکاسی کرتی ہے جو خودکار درجہ بندی کرنے والوں کی تربیت کے لیے استعمال ہوتی ہے، جو ایک بنیادی سچائی فراہم کرتی ہے جو دستی اور کمپیوٹیشنل دونوں صفائی کی ساکھ کو بہتر بناتی ہے۔

مسلسل شور والے EEG چینل کو انٹرپولیٹ کرنے کا مقصد کیا ہے؟

جب کوئی ایک الیکٹروڈ ڈھیلے رابطے یا خشک جیل کی وجہ سے پوری ریکارڈنگ کے دوران ناقابلِ بھروسہ ہو، تو انٹرپولیشن سر کی جلد پر سپیشل وولٹیج کی تقسیم کا استعمال کرتے ہوئے پڑوسی صاف الیکٹروڈز سے اس چینل کے ڈیٹا کو دوبارہ تشکیل دیتی ہے۔ یہ ٹپوگرافیکل تجزیوں کے لیے ڈیٹا سیٹ کی مجموعی جہت کو برقرار رکھتا ہے، اور اس ڈیٹا کے نقصان سے بچاتا ہے جو پورے چینل کو ضائع کرنے کی صورت میں ہوتا۔

انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) آرٹیفیکٹ کو ہٹانے میں کس طرح مدد کرتا ہے؟

ICA ملے جلے EEG سگنلز کو شماریاتی طور پر آزاد سورس اجزاء میں تقسیم کرتا ہے، آنکھیں جھپکنے، پٹھوں کی سرگرمی، اور دیگر آرٹیفیکٹس کو ان کے منفرد سپیشل اور ٹیمپوورل پیٹرنز کی بنیاد پر الگ کرتا ہے۔ ایک بار شناخت ہونے کے بعد، ایک آرٹیفیکٹ کا جزو—جیسے فرنٹل پروجیکشن والا جزو جو جھپکنے سے ملتا جلتا ہو—منہا کیا جا سکتا ہے، جس سے بنیادی اعصابی سگنلز بڑی حد تک برقرار رہتے ہیں اور یہ سادہ ریگریشن طریقوں کے مقابلے میں بیک وقت متعدد آرٹیفیکٹ ذرائع کو زیادہ مؤثر طریقے سے سنبھالتا ہے۔

خودکار آرٹیفیکٹ ہٹانے کے ساتھ بہت زیادہ جارحانہ ہونے کا کیا خطرہ ہے؟

بہت زیادہ جارحانہ اخراج نادانستہ طور پر حقیقی اعصابی معلومات کو بھی ختم کر سکتا ہے، کیونکہ کچھ اجزاء میں آرٹیفیکٹ کی تبدیلی اور مفید دماغی سرگرمی دونوں شامل ہوتے ہیں۔ یہاں تک کہ اگر خودکار درجہ بندی کرنے والے بہت سے اجزاء کو نشان زد کرتے ہیں، تب بھی دستی جائزہ لینا مناسب ہے کہ کون سے اجزاء کو ہٹایا جائے تاکہ یہ یقینی بنایا جا سکے کہ مسترد کرنے کی حد اس سگنل کو ختم نہ کرے جو صارف کے ارادے کو ڈی کوڈ کرنے یا علمی بائیو مارکروں کا پتہ لگانے کے لیے ضروری ہے۔

آرٹیفیکٹ سے واقفیت براہ راست ایک EEG ریکارڈنگ کی سائنسی سالمیت کو کیوں متاثر کرتی ہے؟

آرٹیفیکٹس پیتھولوجیکل ویوفارمز کا روپ دھار سکتے ہیں یا ایسا تغیر متعارف کروا سکتے ہیں جو بصری تشریح اور مقداری تجزیوں دونوں کو بگاڑ دیتا ہے، جس سے ممکنہ طور پر طبی درجہ بندی تبدیل ہو سکتی ہے یا باریک اعصابی سگنلز چھپ سکتے ہیں۔ کسی بھی کمپیوٹیشنل پروسیسنگ سے پہلے آرٹیفیکٹس کو روکنے، دستاویز کرنے اور دستی طور پر صاف کرنے کا ایک باقاعدہ عمل ضروری ہے، جس سے یہ یقینی بنتا ہے کہ ڈیٹا سے اخذ کردہ نتائج قابلِ اعتماد ہوں اور آلودگی سے خراب نہ ہوں۔