آرٹی فیکٹس (Artifacts) وہ ناپسندیدہ سگنلز ہوتے ہیں جو دماغ سے پیدا نہیں ہوتے لیکن وہ الیکٹرو اینسیفیلوگرام (EEG) کی بصری تشریح کو بگاڑ سکتے ہیں اور ان الگورتھمک تجزیوں کو خراب کر سکتے ہیں جو برین-کمپیوٹر انٹرفیس یا ذہنی حالت کی نگرانی کو چلاتے ہیں۔
چاہے آپ مرگی کے نشانات کے لیے خام ای ای جی (EEG) ٹریس پڑھ رہے ہوں یا مشین لرننگ پائپ لائن میں ڈیٹا فیڈ کر رہے ہوں، غیر شناخت شدہ آرٹی فیکٹس پیتھولوجیکل ویو فارمز کا روپ دھار سکتے ہیں یا ایسا تغیر پیدا کر سکتے ہیں جو ماڈل کی کارکردگی کو خراب کر دیتا ہے۔
یہ عملی فیلڈ گائیڈ آپ کو ای ای جی آرٹی فیکٹس کے دو وسیع زمروں سے گزارتی ہے، ان کے مخصوص ٹائم-ڈومین دستخطوں کو پہچاننے کا طریقہ بتاتی ہے، اور ان دستی صفائی کے مراحل کو پیش کرتی ہے جو کسی بھی کمپیوٹیشنل پروسیسنگ سے پہلے انتہائی ضروری رہتے ہیں۔
ای ای جی (EEG) آرٹیفیکٹس کے دو بنیادی زمرے
EEG ریکارڈنگ میں ہر ناپسندیدہ اتار چڑھاؤ دو میں سے کسی ایک وجہ سے پیدا ہوتا ہے۔ شریک سے متعلق، یا فزیولوجیکل (جسمانی) آرٹیفیکٹس خود شریک 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 ایسے برقی میدان پیدا کرتے ہیں جنہیں سر کی جلد پر موجود الیکٹروڈز دماغ کی حقیقی سرگرمی کے ساتھ ساتھ حاصل کر لیتے ہیں۔
تکنیکی، یا نان فزیولوجیکل (غیر جسمانی) آرٹیفیکٹس ریکارڈنگ کے آلات اور ماحول سے پیدا ہوتے ہیں۔ ڈھیلے الیکٹروڈز، کیبل کا ہلنا، ایمپلیفائر کا سیچوریشن، اور مینز برقی مداخلت اس دوسرے گروپ میں شامل ہیں۔
ان دونوں زمروں کے درمیان فرق کرنا سب سے پہلی مہارت ہے جس پر عبور حاصل کرنا ضروری ہے کیونکہ ان سے بچاؤ اور انہیں ہٹانے کی حکمت عملیاں بنیادی طور پر مختلف ہوتی ہیں۔ بھینچے ہوئے جبڑے سے پیدا ہونے والی پٹھوں کی حرکت کے لیے اس مداخلت سے مختلف تدبیر کی ضرورت ہوتی ہے جو ایک ناقص شیلڈ والی کیبل سے داخل ہونے والی 60 ہرٹز کی مسلسل گونج (hum) کے لیے درکار ہوتی ہے۔
شریک سے متعلق آرٹیفیکٹس کو کیسے پہچانا جائے
آنکھوں کا جھپکنا
آنکھ ایک چھوٹی برقی بیٹری کی طرح کام کرتی ہے۔ ریٹنا کے مقابلے میں کورنیا پر مثبت چارج ہوتا ہے، جس سے ایک corneo‑retinal dipole بنتا ہے۔ جب کوئی شریک آنکھ جھپکتا ہے، تو پپوٹا اس ڈائی پول کے اوپر سے گزرتا ہے اور مثبت فیلڈ کو اوپر کی طرف کھینچتا ہے، جس سے آنکھوں کے قریب ترین فرنٹل الیکٹروڈز پر ایک بڑا، مثبت وولٹیج کا انحراف پیدا ہوتا ہے۔
ٹائم ڈومین ٹریس میں، پلک جھپکنا ایک زیادہ ایمپلی ٹیوڈ والی، سست لہر کے طور پر ظاہر ہوتا ہے جو Fp1 اور Fp2 جیسے فرینٹو پولر چینلز پر اپنے عروج پر پہنچتی ہے، اور پھر جیسے جیسے آپ سینٹرل یا پچھلے ڈیریویشنز کی طرف دیکھتے ہیں، تیزی سے کمزور ہوتی جاتی ہے۔ چونکہ یہ لہر ایک مخصوص شکل رکھتی ہے، اس لیے ایک تربیت یافتہ آنکھ اسے تقریباً فوری طور پر پہچان سکتی ہے۔
آنکھوں کی حرکات اور سیکیڈک سپائیکس (Saccadic Spikes)
جب آنکھیں جھپکے بغیر دائیں بائیں حرکت کرتی ہیں، تو کارنیو-ریٹینل ڈائی پول ڈھکنے کے بجائے گھوم جاتا ہے۔ اس سے الیکٹرو اوکولوگرام سگنل میں سیڑھی نما تبدیلی پیدا ہوتی ہے جو ملحقہ EEG چینلز میں بھی داخل ہو سکتی ہے۔
مزید برآں، سیکیڈ کے دوران ایکسٹرا اوکولر پٹھوں کا تیزی سے سکڑنا ایک مختصر، تیز برقی ارتعاش پیدا کرتا ہے جسے سیکیڈک سپائیک پوٹینشل کہا جاتا ہے۔ عام ٹریس پر، یہ سپائیکس مرگی سے متعلق سرگرمی (epileptiform activity) سے غیر معمولی مشابہت رکھتے ہیں۔ یہ عام طور پر فرنٹل اور ٹیمپورل الیکٹروڈز تک محدود ہوتے ہیں اور نظر کی سمت بدلنے کے ساتھ ہی ظاہر ہوتے ہیں۔
انہیں پہچاننا غلط طبی تشخیص سے بچاتا ہے اور بصورت دیگر درست اعصابی ڈیٹا کے غیر ضروری اخراج کو روکتا ہے۔ سپائیک کا مختصر ہونا، اس کا افقی یا عمودی آنکھ کی حرکت سے تعلق، اور اس کے بعد سست لہر کی عدم موجودگی اسے دماغ کے حقیقی کارٹیکل اخراج (cortical discharge) سے ممتاز کرنے میں مدد دیتی ہے۔
پٹھوں کی سرگرمی
سر کی جلد، چہرے اور گردن کے پٹھے ہائی فریکوئنسی برقی شور بکثرت پیدا کرتے ہیں۔ جب کوئی شریک اپنا جبڑا بھینچتا ہے، ماتھے پر بل ڈالتا ہے، یا گردن میں کھنچاؤ پیدا کرتا ہے، تو موٹر یونٹ ایکشن پوٹینشلز بے ترتیبی سے خارج ہوتے ہیں اور ایک نوکیلے، فاسد مداخلتی پیٹرن میں جمع ہو جاتے ہیں۔
ٹائم ڈومین میں، پٹھوں کا آرٹیفیکٹ تیز، کم ایمپلی ٹیوڈ والے انحرافات کے ایک تیز سلسلے کی طرح لگتا ہے جو EEG کے اوپر سوار ہوتا ہے، جو اکثر ٹیمپورل یا فرنٹل الیکٹروڈز پر سب سے زیادہ نمایاں ہوتا ہے۔ اس کا فریکوئنسی مواد بنیادی طور پر 20 ہرٹز سے اوپر، بیٹا اور گاما بینڈز میں ہوتا ہے جہاں بہت سے علمی پیمانے موجود ہوتے ہیں، جس کی وجہ سے یہ ذہنی حالت کی نگرانی اور brain‑computer interface applications کے لیے خاص طور پر پریشان کن بن جاتا ہے۔
قریب فاصلے پر الیکٹروڈز کے ساتھ High‑density EEG setups پٹھوں کے منبع کا تعین کرنے میں مدد کر سکتے ہیں، لیکن بچاؤ کا پہلا طریقہ یہ ہے کہ شریک کو پرسکون رہنے کی ہدایت کی جائے اور سر کو جسمانی سہارا دیا جائے۔
پسینہ اور الیکٹروڈرمل تبدیلیاں
پسینے کے غدود کی سرگرمی کی وجہ سے جلد کے ایصال میں تبدیلیاں الیکٹروڈ اور جلد کے رابطے کو تبدیل کر دیتی ہیں۔ یہ بنیادی وولٹیج میں ایک بہت سست، ہموار بہاؤ پیدا کرتا ہے، جو اکثر 1 ہرٹز سے کم ہوتا ہے، اور کئی سیکنڈوں تک پھیل سکتا ہے۔
یہ آرٹیفیکٹ کسی سپائیک یا ردھم والی گونج کی طرح ظاہر نہیں ہوتا بلکہ پورے ٹریس کے ایک نرم، لہر دار بہاؤ کے طور پر ظاہر ہوتا ہے۔ یہ طویل ریکارڈنگ کے دوران، گرم ماحول میں، یا بے چین شرکاء میں سب سے زیادہ عام ہوتا ہے۔ کمرے کے مستحکم درجہ حرارت کو برقرار رکھ کر اور الیکٹروڈ کے اچھے رابطے کو یقینی بنا کر اس کم فریکوئنسی والی رکاوٹ کو قابو میں لایا جا سکتا ہے۔
دل کے سگنلز
دل کا برقی میدان اتنا طاقتور ہوتا ہے کہ وہ سر کی جلد تک پہنچ سکتا ہے، خاص طور پر جب الیکٹروڈ کی رکاوٹیں (impedances) زیادہ ہوں یا جب کوئی reference electrode میسٹائڈ یا کان کی لو پر خون کی نالی کے قریب واقع ہو۔
نتیجتاً الیکٹرو کارڈیوگرام آرٹیفیکٹ ایک باقاعدہ، تیز QRS-کمپلیکس کی شکل میں ظاہر ہوتا ہے جو دل کی دھڑکن کے ساتھ دہرایا جاتا ہے—تقریباً ہر سیکنڈ میں ایک بار۔ یہ اکثر ایک مستقل ٹائمنگ آفسیٹ کے ساتھ بیک وقت کئی چینلز میں داخل ہو جاتا ہے، اور وسیع اسپیکٹرم آرٹیفیکٹ خصوصیات پر تربیت یافتہ کلاسیفائرز دیگر کثافتوں کے ساتھ اس کی بھی شناخت کر سکتے ہیں۔
اگر کارڈیک ویوفارم نظر آ رہی ہو لیکن بہت زیادہ حاوی نہ ہو، تو اسے اکثر ایک وقف شدہ ECG چینل ریکارڈ کر کے منہا کیا جا سکتا ہے؛ بصورت دیگر، متاثرہ حصوں کو دستی طور پر خارج کرنے کی ضرورت پڑ سکتی ہے۔
آرٹیفیکٹ | علامت (Signature) |
|---|---|
پلک جھپکنا | فرنٹل سست لہر |
آنکھ کی حرکت | سیڑھی نما تبدیلی |
پٹھے | ہائی فریکوئنسی سپائیکس |
پسینہ | سست بیس لائن بہاؤ |
کارڈیک | تیز QRS کمپلیکس |
ٹریس میں تکنیکی آرٹیفیکٹس کو پہچاننا
الیکٹروڈ پاپس اور حرکت سے متعلق سپائیکس
خشک جیل، کیبل کے کھنچنے، یا الیکٹروڈ کے ہلنے کی وجہ سے امپیڈنس میں اچانک تبدیلی ایک تیز، فوری عارضی تبدیلی پیدا کرتی ہے جسے اکثر پاپ کہا جاتا ہے۔ یہ "عام تسلسل کی خرابیوں" (generic discontinuities) کے زمرے میں آتا ہے جنہیں نشان زد کرنے کے لیے ADJUST جیسے خودکار الگورتھم ڈیزائن کیے گئے ہیں۔
ٹائم ڈومین میں، ایک الیکٹروڈ پاپ عام طور پر انتہائی اونچے ایمپلی ٹیوڈ کے ایک الگ تھلگ سپائیک کی طرح لگتا ہے جو ایمپلیفائر کو سیچوریٹ کر سکتا ہے، جس کے نتیجے میں سست بحالی سے قبل سگنل کچھ لمحوں کے لیے بالکل سیدھی لکیر بن جاتا 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 آسان ہو جاتی ہے۔
Hagmann et al. کی طرف سے ایک neonatal EEG مطالعے میں اسی طرح حرکت کی متواتر مداخلت کو دستاویزی شکل دی گئی جس نے ایمپلی ٹیوڈ سے مربوط ٹریس کو تبدیل کر دیا، جس سے اس بات پر زور ملتا ہے کہ مختصر جسمانی خلل بھی قابل پیمائش آلودگی پیدا کرتا ہے۔
مینز مداخلت
ریکارڈنگ سیٹ اپ میں برقی سپلائی کا کیپسیٹو کپلنگ مینز فریکوئنسی پر ایک مسلسل، باقاعدہ "گونج" پیدا کرتا ہے—جو یورپ اور دنیا کے بیشتر حصوں میں 50 ہرٹز اور شمالی امریکہ میں 60 ہرٹز ہوتی ہے۔
ایک عام EEG ٹریس پر، یہ مداخلت ہر چینل پر سوار ایک موٹی سائن ویو کی طرح نظر آتی ہے، جو اکثر یکساں ایمپلی ٹیوڈ کے ساتھ ہوتی ہے۔ لائن نوائز کی معمولی مقدار بھی کم وولٹیج والی دماغی لہروں کو چھپا سکتی ہے، اور اس کی موجودگی الیکٹروڈ امپیڈنس، شیلڈنگ، یا ارتھنگ (گرائونڈنگ) میں خرابی کا اشارہ دیتی ہے۔
یہ لازمی طور پر ایک تکنیکی آرٹیفیکٹ ہے، اعصابی ارتعاش نہیں، اور اس کی مقررہ فریکوئنسی کی وجہ سے آنکھ سے یا ایک سادہ spectral plot کے ذریعے اس کی شناخت کرنا انتہائی آسان ہے۔
ڈھیلے الیکٹروڈز اور کیبل کی حرکت
جب الیکٹروڈ سر کی جلد کے ساتھ مضبوطی سے منسلک نہ ہو یا ریکارڈنگ کے دوران اس کی کیبل ہلے، تو مکینیکل خلل غیر منظم کم فریکوئنسی کے اتار چڑھاؤ پیدا کرتا ہے۔ یہ ایک سست، غیر متوازن بہاؤ یا ایک ہی چینل پر اونچے ایمپلی ٹیوڈ کی بے قاعدہ لہروں کے سلسلے کی طرح نظر آ سکتے ہیں۔
اس کی غیر مستقل نوعیت اور ایک الیکٹروڈ تک محدود ہونا فوری طور پر اس آرٹیفیکٹ کو وسیع پیمانے پر ہونے والے جسمانی واقعات سے ممتاز کرتا ہے جیسے پلک جھپکنا یا پٹھوں کا کھنچاؤ۔ اصل وقت میں ایسے لمحات کو نوٹ کرنا خراب ڈیٹا کے حصوں کی تلاش کو محدود کر کے بعد میں کافی وقت بچاتا ہے۔
ریکارڈنگ کے دوران آرٹیفیکٹس کی روک تھام اور دستاویزی اندراج
آرٹیفیکٹ کے انتظام کی سب سے مؤثر حکمت عملی پہلا ڈیٹا پوائنٹ محفوظ کرنے سے بہت پہلے شروع ہو جاتی ہے۔
ایک پرسکون شریک کی وجہ سے پٹھوں اور آنکھوں کی حرکت کے آرٹیفیکٹس نمایاں طور پر کم پیدا ہوتے ہیں۔ اس لیے، سیشن کی وضاحت کے لیے وقت نکالیں، سر کے سہارے کے ساتھ ایک آرام دہ کرسی فراہم کریں، اور آنکھوں کو ایک مستحکم نقطہ نظر دیں تاکہ بے ساختہ جھپکنے اور سیکیڈز کو کم کیا جا سکے۔ یہ اقدامات اتنے بنیادی ہیں کہ تحقیقی مقالوں میں ان کا شاذ و نادر ہی ذکر کیا جاتا ہے، اس کے باوجود صاف ڈیٹا پیش کرنے والا ہر مطالعہ ضمنی طور پر انہی پر انحصار کرتا ہے۔
الیکٹروڈ لگانا دفاع کی اگلی لائن ہے۔ جلد کی باریک بینی سے تیاری، مناسب کنڈکٹیو جیل، اور کیبلز کا محتاط راستہ ماحولیاتی اثرات اور حرکت سے متعلق پاپس دونوں کو کم سے کم کرتا ہے۔
شیر خوار بچوں کے مذکورہ بالا EEG مطالعے سے معلوم ہوا کہ برقی اور حرکت کی مداخلتیں یکساں تعدد کے ساتھ واقع ہوتی ہیں، جس سے اس بات کی تصدیق ہوتی ہے کہ کوئی بھی ریکارڈنگ ماحول تکنیکی مسائل سے فطری طور پر محفوظ نہیں ہے۔ سیشن سے پہلے اور بعد میں امپیڈنس چیک کرنا اور کیبلز کو کپڑوں یا کرسی کے ساتھ باندھنا قابل تدارک آرٹیفیکٹس کا ایک بڑا حصہ ختم کر دیتا ہے۔
آخر میں، ریکارڈنگ کے دوران نظر آنے والے آرٹیفیکٹس کا ایک مسلسل لاگ رکھیں۔ کسی بھی بڑی حرکت، کھانسی، یا الیکٹروڈ کی ایڈجسٹمنٹ کے وقت کو نوٹ کریں۔ اس قسم کی دستی تشریح خودکار کلاسیفائرز کو تربیت دینے کے لیے استعمال ہونے والی ماہرانہ لیبلنگ سے مشابہت رکھتی ہے، جہاں انسانی مبصرین مشین لرننگ الگورتھم کے لیے بنیادی حقیقت (ground truth) کے طور پر کام کرنے والے حصوں کو نشان زد کرتے ہیں۔
ایک سادہ ہاتھ سے لکھا ہوا ٹائم اسٹیمپ یا حصول سافٹ ویئر میں ایونٹ مارکر محض قیاس آرائی کو قابل اعادہ دستاویزات میں بدل دیتا ہے۔
دستی اخراج اور انٹرپولیشن: کمپیوٹیشن سے پہلے صفائی
مسلسل ٹریس کا بصری معائنہ
کسی بھی signal processing الگورتھم کو آرٹیفیکٹ ہٹانے کا کام سونپنے سے پہلے، خام ڈیٹا کا جائزہ لیں اور آلودہ وقفوں کی شناخت کے لیے اوپر بیان کردہ ویوفارم کی خصوصیات کا استعمال کریں۔
عام طور پر یہ تجویز کی جاتی ہے کہ پلک جھپکنے کی مخصوص فرنٹل سست لہر، پٹھوں کی سرگرمی کی ہائی فریکوئنسی جھنجھناہٹ، پاپ کے الگ تھلگ سپائیک، یا مینز نوائز کی مسلسل سائن ویو کو تلاش کریں۔ یہ قدم آپ کی آنکھ کو حقیقی دماغی سرگرمی سے آرٹیفیکٹس میں فرق کرنے کی تربیت دیتا ہے اور نایاب، زیادہ ایمپلی ٹیوڈ والے اعصابی واقعات کے خودکار اخراج کو روکتا ہے جو بظاہر آرٹیفیکٹس سے مشابہت رکھتے ہیں۔
فرنٹل سست لہر: آنکھ جھپکنے کی نشاندہی کرتی ہے
ہائی فریکوئنسی جھنجھناہٹ: پٹھوں کی سرگرمی کی نشاندہی کرتی ہے
انتہائی ایمپلی ٹیوڈ کا تنہا سپائیک: الیکٹروڈ پاپ کی نشاندہی کرتا ہے
مسلسل سائن ویو: مینز مداخلت کی نشاندہی کرتی ہے
خراب ٹائم سیگمنٹس کو نشان زد کرنا اور خارج کرنا
ایک بار جب آپ آرٹیفیکٹس سے بھرے ڈیٹا کے کسی حصے کی شناخت کر لیں، تو اسے خارج کرنے کے لیے نشان زد کریں۔ اس میں شروع اور اختتام کے اوقات کو لاگ کرنا یا EEG analysis software میں بنائے گئے مارکنگ ٹولز کا استعمال شامل ہو سکتا ہے۔
شدید ترین آلودہ حصوں کو دستی طور پر ہٹانا وہ معیار ہے جس پر جدید ترین خودکار طریقے بھی قائم کیے گئے ہیں۔ مثال کے طور پر، جس کام کے نتیجے میں ADJUST الگورتھم تیار ہوا، اس میں ماہرین نے تربیتی سیٹ بنانے کے لیے 640 اجزاء کو دستی طور پر لیبل کیا، اور پھر کلاسیفائر کی کارکردگی کو اس دستی طور پر طے شدہ بنیادی حقیقت کے خلاف ماپا گیا۔
سب سے زیادہ سنگین آرٹیفیکٹس کو ہاتھ سے ہٹانا بعد کے الگورتھمز پر بوجھ کو کم کرتا ہے اور مقامی فلٹرنگ کے مراحل کے دوران انہیں شور کو پڑوسی چینلز میں پھیلانے سے روکتا ہے۔
مسلسل شور والے چینل کی انٹرپولیشن کرنا
جب کوئی ایک الیکٹروڈ ڈھیلے رابطے، خشک جیل، یا مکینیکل عدم استحکام کی وجہ سے پوری ریکارڈنگ کے دوران ناقابل اعتماد ہو، تو اس چینل کو ہٹانا اور پڑوسی صاف الیکٹروڈز سے اس کے ڈیٹا کی ازسرنو تشکیل کرنا ڈیٹا کے مجموعی ڈائمینشنز کو محفوظ رکھتا ہے۔
انٹرپولیشن سر کی جلد پر مقامی وولٹیج کی تقسیم کا استعمال کرتے ہوئے اس بات کا تخمینہ لگاتی ہے کہ خراب چینل نے کیا ریکارڈ کیا ہوگا، اور آرٹیفیکٹ کو ایک معقول، غیر جانبدار سگنل سے تبدیل کر دیتی ہے۔ یہ مرحلہ ٹوپوگرافیکل تجزیوں کے لیے ڈیٹاسیٹ کو برقرار رکھتا ہے اور اس نقصان سے بچاتا ہے جو چینل کو مکمل طور پر ضائع کرنے سے ہوتا۔
دستی صفائی کیوں ضروری رہتی ہے
انتہائی پیچیدہ خودکار کلاسیفائرز کو بھی ایسے ڈیٹاسیٹ سے فائدہ ہوتا ہے جسے بڑے آرٹیفیکٹس سے پہلے ہی صاف کر لیا گیا ہو۔ شیر خوار بچوں کے مطالعے کا یہ نتیجہ کہ آرٹیفیکٹس نے ریکارڈنگ کے وقت کا 12 فیصد حصہ گھیرا اور طبی تشریح کو متاثر کیا، یہ ظاہر کرتا ہے کہ غیر خارج شدہ آلودگی کس طرح نتائج کو آسانی سے بگاڑ سکتی ہے۔
لہٰذا، 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 بصورت دیگر تغیر پر غلبہ پا سکتے ہیں اور تجزیے کو گمراہ کر سکتے ہیں۔ یہ ڈیٹاسیٹ کے ساتھ ایک گہری واقفیت بھی پیدا کرتا ہے جس کی کوئی الگورتھم نقل نہیں کر سکتا۔
خودکار طریقہ دستی کام میں کیسے مدد کرتا ہے
انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) بطور تجزیاتی ٹول
ایک بار جب بدترین حصوں کو دستی طور پر ہٹا دیا جائے، تو ICA بقیہ EEG کو شماریاتی طور پر آزاد ماخذ کے اجزاء میں تقسیم کر سکتا ہے۔ یہ تکنیک سر کی جلد کے الیکٹروڈز کے ذریعے حاصل کیے گئے دماغ اور آرٹیفیکٹ سگنلز کے آمیزے کو الگ کرتی ہے، اور آنکھوں کی حرکات، پلک جھپکنے، اور پٹھوں کی سرگرمی کو ان کے منفرد مقامی اور وقتی پیٹرن کی بنیاد پر الگ الگ اجزاء میں تقسیم کرتی ہے۔
پھر فرنٹل پروجیکشن اور پلک جھپکنے کے سگنل سے قریبی مطابقت رکھنے والے ویوفارم کے حامل جزو کی شناخت کی جا سکتی ہے اور اسے منہا کیا جا سکتا ہے، جس سے باقی ڈیٹا نیورو فزیولوجیکل طور پر برقرار رہتا ہے۔ ICA کی طاقت ایک ساتھ واقع ہونے والے متعدد آرٹیفیکٹ ذرائع سے نمٹنے کی اس کی صلاحیت میں مضمر ہے، ایک ایسا کام جس میں آسان ریگریشن پر مبنی اصلاح اکثر ضرورت سے زیادہ یا کم درستی کرتی ہے۔
جدید کلاسیفائرز کی وشوسنییتا
خودکار طریقے اب کارکردگی کی اس سطح پر پہنچ چکے ہیں جو ماہر انسانی فیصلے کے انتہائی قریب ہے۔
ایک subject‑independent linear classifier، جسے فریکوئنسی، مقامی، اور وقتی ڈومینز سے حاصل کردہ چھ خصوصیات پر تربیت دی گئی تھی، نے ردعمل کے وقت کے ڈیٹاسیٹ پر 10% سے کم اوسط مربع غلطی (mean squared error) حاصل کی، جو دو انسانی ماہرین کے درمیان اختلاف کی حد کے اندر ہے۔
مزید برآں، ADJUST الگورتھم نے، جو مقامی اور وقتی آرٹیفیکٹ مخصوص خصوصیات کو یکجا کرتا ہے، مکمل طور پر آزاد ڈیٹاسیٹ پر جانچے جانے پر ڈیٹا ویریئنس کے 95.2% پر دستی ماہر لیبلنگ سے اتفاق کیا، اور اس کے آرٹیفیکٹ والے اجزاء کو ہٹانے سے ایونٹ سے متعلق پوٹینشلز کی صاف بحالی ہوئی۔
سپورٹ ویکٹر مشین کے ساتھ مل کر autoregressive models کو استعمال کرنے والے ایک مختلف طریقہ کار نے تقریباً 94% درستگی کے ساتھ مختلف افراد میں شرکاء کے پیدا کردہ کئی قسم کے آرٹیفیکٹس کی درجہ بندی کی۔
خاص طور پر آنکھوں 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 جزو کی ٹوپوگرافی پر انحصار کرنا پڑتا تھا، جس نے 0.99 سے زیادہ ریسیوور آپریٹنگ کریکٹرسٹک ایریا انڈر دی کرو (AUC) حاصل کیا۔
یہ اعداد و شمار دستی صفائی کا متبادل نہیں ہیں لیکن یہ ظاہر کرتے ہیں کہ اب اس شعبے میں قابل اعتماد کمپیوٹیشنل معاون موجود ہیں جو دہرائے جانے والے، زیادہ حجم والے شناختی کام کو سنبھال سکتے ہیں جو کبھی مکمل طور پر ہاتھ سے کیا جاتا تھا۔
آرٹیفیکٹ کو ہٹانے اور سگنل کے تحفظ میں توازن
بے دریغ آرٹیفیکٹ کا اخراج نادانستہ طور پر حقیقی اعصابی معلومات کو ختم کر سکتا ہے۔ ایک موٹر امیجری برین کمپیوٹر انٹرفیس پیراڈائم میں، محققین نے پایا کہ وہ محفوظ طریقے سے سب سے زیادہ آرٹیفیکچوئل ICA اجزاء کا 60% تک ہٹا سکتے ہیں اور پھر بھی اس امتیازی معلومات کو محفوظ رکھ 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 ویرینس ہوتا ہے، اعصابی سگنل سے مکمل طور پر خالی نہیں ہوتا۔ خودکار کلاسیفائر کے ذریعہ منتخب کردہ اجزاء کا دستی جائزہ اس بات کی تصدیق کے لیے اب بھی مناسب ہے کہ اخراج کی حد مفید دماغی سرگرمی کی حدود میں داخل نہ ہو۔
کنوولوشنل نیورل نیٹ ورکس کے ساتھ خودکار EEG آرٹیفیکٹ کی شناخت
EEG آرٹیفیکٹ کی شناخت کے خودکار طریقوں نے کافی ترقی کی ہے، جو اوپر بیان کی گئی دستی شناخت کی تکنیکوں کا ایک متبادل پیش کرتے ہیں۔ تحقیق کی ایک سمت کنوولوشنل نیورل نیٹ ورکس پر مرکوز رہی ہے جو خام سگنل کی ماہرانہ خصوصیت کے اخراج (feature extraction) یا پری پروسیسنگ کی ضرورت کے بغیر آرٹیفیکٹس کا پتہ لگا سکتے ہیں اور ان کی درجہ بندی کر سکتے ہیں۔
continuous multi-channel EEG data کی جانچ کرنے والے محققین کے ایک مطالعے نے EEG آرٹیفیکٹس کی بائنری شناخت کے لیے ایک CNN آرکیٹیکچر تجویز کیا، پھر اسے آرٹیفیکٹ کی متعدد اقسام کی درجہ بندی کے لیے وسعت دی۔ مصنفین بتاتے ہیں کہ ان کے آپٹمائزڈ نیٹ ورک نے 17 مریضوں اور 9 آرٹیفیکٹ کلاسز کے اوسط کے مطابق 94.17% درجہ بندی کی درستگی حاصل کی۔ اصل CNN پر مبنی آرکیٹیکچر کے مقابلے میں، بہتر بنائے گئے ورژن نے 4.2 گنا کم پیرامیٹرز اور 2.7 گنا کم کمپیوٹیشن کے ساتھ ساتھ 17.5% زیادہ درستگی فراہم کی۔ محققین نے اپنے ماڈل کا جائزہ اپنی لیب میں 14 چینل والے Emotiv Epoc X headset کا استعمال کرتے ہوئے جمع کیے گئے ڈیٹاسیٹ پر بھی کیا، جہاں اس نے آنکھ جھپکنے کے آرٹیفیکٹس کا پتہ لگانے میں 93.5% درستگی حاصل کی۔
مطالعے میں مشاہدہ کیا گیا کہ تجویز کردہ ماڈلز کو فیچر نکالنے یا EEG ڈیٹا کی پری پروسیسنگ کے لیے ماہرانہ معلومات کی ضرورت نہیں ہوتی ہے، اور یہ کہ آرکیٹیکچر اتنا موثر ہے کہ موبائل آلات پر لاگو کیا جا سکتا ہے۔ یہ عملی، کم وسائل والے حالات میں اصل وقت میں آرٹیفیکٹ کی شناخت کے امکان کی طرف اشارہ کرتا ہے۔
تحقیق کا یہ حصہ ابھی تک یہ ثابت نہیں کرتا کہ اس طرح کے خودکار کلاسیفائرز حقیقی دنیا کی ریکارڈنگز میں پیش آنے والی آرٹیفیکٹس کی تمام اقسام پر کیسی کارکردگی دکھاتے ہیں، یا متنوع آبادیوں اور ریکارڈنگ کے ماحول میں دستی معائنے کے مقابلے میں ان کی کارکردگی کیسی ہے۔ نتائج بتاتے ہیں کہ موثر، خودکار EEG آرٹیفیکٹ کی شناخت ممکن ہے، لیکن وسیع تر حالات میں مزید تصدیق کا عمل بدستور جاری ہے۔
آرٹیفیکٹ سے آگاہی ڈیٹا کے معیار کا تعین کیوں کرتی ہے
آرٹیفیکٹس بصری تشریح اور مقداری پیمائش دونوں کو براہ راست متاثر کرتے ہیں۔ چاہے ہدف طبی تشخیص ہو، neuroscience کی دریافت ہو، یا consumer wellness application ہو، قابل اعتماد نتائج کا راستہ اس واضح تفہیم سے گزرتا ہے کہ آرٹیفیکٹس کہاں سے آتے ہیں، وہ خام ٹریس پر کیسی نظر آتے ہیں، اور ان کی روک تھام، دستاویز سازی، اور دستی طور پر ہٹانے کا باقاعدہ عمل کیسے کیا جاتا 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 ایک تربیت یافتہ انسانی آنکھ پہلے ہی معائنہ کر چکی ہو۔ 12% آلودگی کی شرح بظاہر زیادہ معلوم نہ ہو، لیکن جب یہ تناسب کسی طبی فیصلے کو بدل سکتا ہے یا کسی باریک cognitive biomarker کو چھپا سکتا ہے، تو آرٹیفیکٹ مینجمنٹ میں کوشش ریکارڈنگ کی سائنسی ساکھ کا ناگزیر حصہ بن جاتی ہے۔
حوالہ جات
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
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
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
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
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 کے دو اہم زمرے کون سے ہیں، اور وہ کس طرح مختلف ہیں؟
EEG آرٹیفیکٹس دو زمروں میں آتے ہیں: شریک سے متعلق (جسمانی) آرٹیفیکٹس جو شریک کے جسم سے پیدا ہوتے ہیں—جیسے آنکھ جھپکنا، پٹھوں کا کھنچاؤ، دل کی دھڑکن، اور پسینہ—اور تکنیکی (غیر جسمانی) آرٹیفیکٹس جو آلات یا ماحول سے پیدا ہوتے ہیں، جیسے ڈھیلے الیکٹروڈز، کیبل کا ہلنا، اور مینز کی مداخلت۔ یہ فرق اہمیت رکھتا ہے کیونکہ ہر زمرے کے لیے مختلف روک تھام اور ہٹانے کی حکمت عملیوں کی ضرورت ہوتی ہے؛ مثال کے طور پر، پٹھوں کے کھنچاؤ کے لیے 60 ہرٹز لائن ہم کی نسبت مختلف تدبیر کی ضرورت ہوتی ہے۔
آپ EEG ٹریس پر آنکھ جھپکنے کے آرٹیفیکٹ کو کیسے پہچان سکتے ہیں؟
آنکھ جھپکنا ایک بڑی، مثبت، سست لہر کے طور پر ظاہر ہوتا ہے جو Fp1 اور Fp2 جیسے فرنٹل الیکٹروڈز پر سب سے زیادہ نمایاں ہوتا ہے، اور یہ تیزی سے مرکزی یا پچھلے چینلز کی طرف مدہم ہو جاتا ہے۔ چونکہ ریٹنا کے مقابلے میں کورنیا پر مثبت چارج ہوتا ہے، اس لیے اس ڈائی پول پر پپوٹے کا جھپکنا ایک مخصوص، ہائی ایمپلی ٹیوڈ کا انحراف پیدا کرتا ہے جسے تربیت کے ساتھ پہچاننا آسان ہے۔
برین کمپیوٹر انٹرفیس کے لیے پٹھوں کی سرگرمی خاص طور پر کیوں پریشان کن ہو سکتی ہے؟
جبڑے کو بھینچنے، ماتھے کے بل، یا گردن کے کھنچاؤ سے پٹھوں کے آرٹیفیکٹس ہائی فریکوئنسی، نوکیلی مداخلت پیدا کرتے ہیں جو اکثر بیٹا اور گاما برین ویو بینڈز کے ساتھ مل جاتی ہے جہاں علمی اقدامات اور ذہنی حالت کی نگرانی کا عمل کام کرتا ہے۔ یہ آلودگی الگورتھمک تجزیوں کو خراب کر سکتی ہے اور برین کمپیوٹر انٹرفیس ماڈلز کی کارکردگی کو متاثر کر سکتی ہے، جس کی وجہ سے یہ سنبھالنے کے لیے سب سے زیادہ پریشان کن جسمانی آرٹیفیکٹس میں سے ایک بن جاتی ہے۔
مینز مداخلت کا آرٹیفیکٹ کیسا لگتا ہے، اور اس کی کیا وجہ ہے؟
مینز مداخلت ہر EEG چینل پر ایک مسلسل، باقاعدہ سائن ویو کی "گونج" کے طور پر نظر آتی ہے، جو علاقے کی برقی سپلائی کے لحاظ سے عام طور پر 50 یا 60 ہرٹز پر ہوتی ہے۔ یہ الیکٹروڈ کی ناقص امپیڈنس، ناکافی شیلڈنگ، یا ارتھنگ کے مسائل کی وجہ سے ریکارڈنگ سیٹ اپ میں پاور سورس کی کیپسیٹو کپلنگ سے پیدا ہوتی ہے، اور یہ اعصابی سگنل کے بجائے واضح طور پر ایک تکنیکی آرٹیفیکٹ ہے۔
ریکارڈنگ کے دوران آرٹیفیکٹس کی دستی تشریح (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 محض قیاس آرائی کو قابل اعادہ دستاویزات میں بدل دیتا ہے۔ یہ دستی تشریح خودکار کلاسیفائرز کو تربیت دینے کے لیے استعمال ہونے والی ماہرانہ لیبلنگ کی بھی عکاسی کرتی ہے، جو ایک بنیادی حقیقت فراہم کرتی ہے جس سے دستی اور کمپیوٹیشنل دونوں طرح کی صفائی کی وشوسنییتا میں اضافہ ہوتا ہے۔
مسلسل شور والے EEG چینل کی انٹرپولیشن کا کیا مقصد ہے؟
جب ڈھیلے رابطے یا خشک جیل کی وجہ سے پوری ریکارڈنگ کے دوران ایک ہی الیکٹروڈ ناقابل اعتماد ہو، تو انٹرپولیشن سر کی جلد پر مقامی وولٹیج کی تقسیم کا استعمال کرتے ہوئے پڑوسی صاف الیکٹروڈز سے اس چینل کے ڈیٹا کی ازسرنو تشکیل کرتی ہے۔ یہ ٹوپوگرافیکل تجزیوں کے لیے ڈیٹاسیٹ کے مجموعی ڈائمینشنز کو محفوظ رکھتا ہے، اور اس ڈیٹا کے ضیاع سے بچاتا ہے جو پورے چینل کو خارج کرنے سے ہوتا ہے۔
انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) آرٹیفیکٹس کو ہٹانے میں کس طرح مدد کرتا ہے؟
ICA مخلوط EEG سگنلز کو شماریاتی طور پر آزاد ماخذ کے اجزاء میں تقسیم کرتا ہے، جو آنکھوں کے جھپکنے، پٹھوں کی سرگرمی اور دیگر آرٹیفیکٹس کو ان کے منفرد مقامی اور وقتی پیٹرن کی بنیاد پر الگ کرتا ہے۔ شناخت کے بعد، ایک آرٹیفیکٹ جزو—جیسے کہ آنکھ جھپکنے سے ملتا جلتا فرنٹل پروجیکشن—منہا کیا جا سکتا ہے، جس سے بنیادی اعصابی سگنلز بڑی حد تک برقرار رہتے ہیں اور سادہ ریگریشن طریقوں کے مقابلے میں بیک وقت متعدد آرٹیفیکٹ ذرائع کو زیادہ مؤثر طریقے سے سنبھالا جا سکتا ہے۔
خودکار آرٹیفیکٹ کو ہٹانے میں حد سے زیادہ جارحانہ ہونے کا کیا خطرہ ہے؟
حد سے زیادہ جارحانہ اخراج نادانستہ طور پر حقیقی اعصابی معلومات کو ضائع کر سکتا ہے، کیونکہ کچھ اجزاء میں آرٹیفیکٹ ویرینس اور مفید دماغی سرگرمی دونوں شامل ہوتی ہیں۔ اگرچہ خودکار کلاسیفائرز بہت سے اجزاء کو نشان زد کر سکتے ہیں، لیکن کن اجزاء کو ہٹانا ہے اس کا دستی جائزہ لینا مناسب ہے تاکہ یہ یقینی بنایا جا سکے کہ اخراج کی حد اس سگنل کو ختم نہ کرے جو صارف کے ارادے کو ڈی کوڈ کرنے یا علمی بائیو مارکرز کا پتہ لگانے کے لیے ضروری ہے۔
آرٹیفیکٹ سے آگاہی براہ راست EEG ریکارڈنگ کی سائنسی ساکھ کو کیوں متاثر کرتی ہے؟
آرٹیفیکٹس بیماری کی علامات والی لہروں کا روپ دھار سکتے ہیں یا ایسا انتشار پیدا کر سکتے ہیں جو بصری تشریح اور مقداری تجزیوں دونوں کو بگاڑ دیتا ہے، جس سے ممکنہ طور پر طبی درجہ بندی بدل سکتی ہے یا لطیف علمی سگنلز چھپ سکتے ہیں۔ کسی بھی کمپیوٹیشنل پروسیسنگ سے پہلے آرٹیفیکٹس کی روک تھام، دستاویز سازی، اور دستی طور پر صفائی کا ایک باقاعدہ عمل ضروری ہے، جس سے یہ یقینی بنایا جا سکے کہ ڈیٹا سے اخذ کردہ نتائج قابل اعتماد ہیں اور آلودگی سے پاک 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۔
طبی دستبرداری: اس ویب سائٹ پر فراہم کردہ معلومات صرف تعلیمی اور معلوماتی مقاصد کے لیے ہیں اور یہ کسی طبی یا صحت کی مشورے کے طور پر نہیں ہیں۔ اس مواد میں غلطیاں ہو سکتی ہیں اور زندگی کو تبدیل کرنے والے صحت، طبی، یا طرز زندگی کے فیصلے کرنے کے لیے اس پر انحصار نہیں کیا جانا چاہیے۔ طبی حالت یا علاج کے بارے میں آپ کے کسی بھی سوال کے لیے ہمیشہ اپنے معالج یا دیگر اہل صحت فراہم کنندہ سے مشورہ کریں۔
کرسچن برکوس
