ایمپیریکل موڈ ڈیکمپوزیشن

کیوں EEG سگنلز روایتی سگنل پروسیسنگ ٹولز کے خلاف مزاحمت کرتے ہیں

کلاسک سگنل پروسیسنگ کے طریقوں کو EEG پر لاگو کرنے کا بنیادی مسئلہ ساختی نوعیت کا ہے۔ فورئیر پر مبنی تجزیہ ایک سگنل کو سائن اور کوسائن لہروں کی ایک مقررہ لائبریری میں تقسیم کرتا ہے، ایک ایسا طریقہ جو تب صفائی سے کام کرتا ہے جب بنیادی عمل وقت کے ساتھ اپنے شماریاتی رویے کو تبدیل نہیں کرتا ہے۔

EEG اس شرط پر پورا نہیں اترتا۔ ایک شخص کے پرسکون آرام کے دوران دماغی سرگرمی اسی شخص کی توجہ مرکوز کرنے یا طبی ماحول میں دورے کے دوران کی سرگرمی سے شماریاتی طور پر مختلف نظر آتی ہے۔ ریسرچ اس غیر مستحکم معیار کو مستحکم سگنلز کے لیے بنائے گئے فریکوئنسی پر مبنی ٹولز کے بجائے EMD کی طرف رخ کرنے کے ابتدائی جواز کے طور پر پیش کرتی ہے۔

عملی نتیجہ یہ ہوتا ہے کہ استحکام فرض کرنے والا طریقہ عارضی اعصابی واقعات کو مدھم یا غلط پیش کر سکتا ہے، ایک مختصر سپائیک کو اس طرح سمجھتا ہے جیسے وہ طویل وقت میں یکساں پھیلا ہوا ہو۔ مرگی کی تشخیص جیسی ایپلی کیشنز کے لیے، جہاں سپائیک کے وقت اور شکل کی تشخیصی اہمیت ہوتی ہے، اس قسم کا مدھم ہونا ایک حقیقی حد ہے۔

EMD کا مجوزہ حل یہ ہے کہ مقررہ بنیاد کے مفروضے سے مکمل طور پر گریز کیا جائے اور ڈی کمپوزیشن کو اس شکل کے مطابق ڈھالنے دیا جائے جو سگنل اصل میں اختیار کرتا ہے۔

ایمپریکل موڈ ڈی کمپوزیشن کیا کرتی ہے اور یہ کیسے کام کرتی ہے

EMD چھاننے (sifting) کے ایک دہرائے جانے والے عمل کے ذریعے کام کرتی ہے۔ الگورتھم سگنل کے مقامی اتار چڑھاؤ (پیکس اور ٹرفس) کی شناخت کرتا ہے، انہیں اوپری اور نچلے لفافوں (envelopes) میں جوڑتا ہے، اور اصل سگنل سے ان لفافوں کی اوسط کو گھٹا دیتا ہے۔

یہ مرحلہ تب تک دہرایا جاتا ہے جب تک کہ حاصل ہونے والا جزو دو شرائط کو پورا نہ کر لے:

1. اس کے اوپری اور نچلے لفافے صفر کے گرد متوازی ہوں

2. اس کی اوسط پورے حصے میں صفر کے قریب رہے۔

جب ایک جزو ان شرائط کو پورا کر لیتا ہے، تو اسے انٹرنزک موڈ فنکشن (IMFs) کا نام دیا جاتا ہے، اور اسے اصل سگنل سے گھٹا دیا جاتا ہے تاکہ عمل اگلے جزو کو نکال سکے۔

آؤٹ پٹ آئی ایم ایف (IMFs) کا ایک ڈھیر ہوتا ہے جو تیز ترین لہروں سے سست ترین لہروں کی ترتیب میں ہوتا ہے، جس کے بعد ایک آخری بچا ہوا رجحان ہوتا ہے جو باقی رہ جانے والے سست بہاؤ کو گرفت میں لاتا ہے۔ چونکہ ہر IMF کو پہلے سے طے شدہ ویوفارم کے خلاف میچ کرنے کے بجائے براہ راست ڈیٹا کی مقامی شکل سے نکالا جاتا ہے، اس لیے EMD اصولی طور پر غیر منظم اور بدلتی ہوئی حرکیات کی نمائندگی کر سکتا ہے بغیر اس کے کہ تجزیہ کار کو پہلے سے کسی بنیاد کا انتخاب کرنا پڑے۔

EMD دورے کے سپائیکس جیسے عارضی واقعات کو کس طرح پکڑتا ہے

EEG میں عارضی واقعات، مرگی کے سپائیکس، یا علمی کام سے منسلک مختصر لہریں، بہت زیادہ طبی اور اعصابی سائنسی اہمیت رکھتے ہیں، لیکن وہ اکثر دماغی پس منظر کی سرگرمی یا آلودہ شور کے نیچے دب جاتے ہیں۔ یہ بالکل وہی منظر نامہ ہے جہاں EMD کی مقامی، مطابقت پذیر ڈی کمپوزیشن کو فکسڈ بیسڈ طریقوں پر برتری فراہم کرنے کے لیے ڈیزائن کیا گیا ہے۔

Safieddine et al. کے ایک مطالعہ نے مرگی کے سپائیک جیسے سگنلز کی نقل تیار کرکے اور مختلف شدتوں پر حقیقی پٹھوں کی خرابی (muscle artifact) سے انہیں آلودہ کرکے براہ راست اس کا تجربہ کیا، پھر اصلاح کے چار طریقوں کا موازنہ کیا:

1. EMD

2. آزاد جزو تجزیہ (ICA)

3. کینوینکل کوریلیشن انالیسس (CCA)

4. ویولیٹ ٹرانسفارم

جب آلودگی شدید تھی، تو EMD نے باقی تینوں متبادلات سے بہتر کارکردگی دکھائی۔ تاہم، یہ فائدہ مطلق نہیں تھا۔ جب سگنل میں شور کم تھا اور سپائیکس ایک ہی کورٹیکل ماخذ سے آئے تھے، تو CCA اور ICA نے بہتر نتائج پیدا کیے۔ جب سپائیکس دو الگ الگ ذرائع سے پیدا ہوئے، تو شدید شور کے تحت EMD یا ICA نے بہترین کام کیا، جبکہ ہلکے شور کے تحت ویولیٹ ٹرانسفارم نے بہتر کارکردگی دکھائی۔

دوسرے لفظوں میں، بہترین آرٹفیکٹ ہٹانے والے ٹول کا انحصار شور کی سطح اور بنیادی ماخذ کی ترتیب دونوں پر تھا، اور EMD کی برتری خاص طور پر شدید آلودگی والے معاملے میں سب سے مضبوط تھی۔

دریں اثنا، Riaz et al. اور Shafiul Alam et al. کے تحقیقی مطالعے آرٹفیکٹ کی اصلاح سے بڑھ کر درجہ بندی (classification) کی طرف بڑھے، جس میں آئی ایم ایف کو دوروں اور مرگی کا پتہ لگانے کے لیے خصوصیات کے ماخذ کے طور پر استعمال کیا گیا۔

ریاض کی ٹیم نے ہر آئی ایم ایف سے وقتی لمحات (temporal moments)، یعنی شماریاتی پیمانے جیسے تغیر پذیری (variance)، ترچھا پن (skewness)، اور کرٹوسس (kurtosis)، کے ساتھ ساتھ سپیکٹرل خصوصیات جیسے سپیکٹرل سینٹرائڈ اور سپیکٹرل اسکیو حاصل کیے۔ ان خصوصیات کو ایک سپورٹ ویکٹر مشین (ایک معیاری زیر نگرانی لرننگ کلاسیفائر) میں فیڈ کیا گیا، اور مرگی کے مریضوں اور دوروں کے حصوں کی درجہ بندی کے نتیجے میں وہ نتائج حاصل ہوئے جنہیں مصنفین نے اچھے نتائج کے طور پر بیان کیا جو دیگر قائم کردہ خصوصیات نکالنے والے طریقوں کے مقابلے میں سازگار تھے۔

عالم کی ٹیم نے EMD ڈومین کے اندر شمار کیے گئے اعلیٰ درجے کے شماریاتی لمحات کا استعمال کرتے ہوئے اسے مزید آگے بڑھایا، اور انہیں ایک مصنوعی اعصابی نیٹ ورک (artificial neural network) میں فیڈ کیا۔ درجہ بندی کے کئی کاموں میں، بشمول دورے کی سرگرمی کو غیر دورے کی سرگرمی سے ممتاز کرنا، اس طریقے نے 100 فیصد تک درستگی، حساسیت، اور خصوصیت کی اطلاع دی، جبکہ یہ اسی طرح کی ٹائم-فریکوئنسی تجزیہ کی تکنیکوں سے زیادہ تیزی سے کام کرتا ہے۔

مجموعی طور پر، یہ مطالعے بتاتے ہیں کہ EMD عارضی مرگی کی سرگرمی کو الگ کرنے میں مدد کر سکتا ہے، لیکن اس کی کارکردگی ایک مقررہ، ضمانتی فائدہ ہونے کے بجائے شور کی سطح، ماخذ کی جیومیٹری، اور اس ڈیٹاسیٹ پر منحصر ہے جس پر اس کا تجربہ کیا گیا ہے۔

ایمپریکل موڈ ڈی کمپوزیشن میں عام چیلنجز

EMD لچکدار ہے، لیکن یہ لچک ایسے طریقہ کار کے انتخاب پیدا کرتی ہے جو سائنسی نتائج کو متاثر کر سکتے ہیں۔ سگنل میں چھوٹی تبدیلیاں انتہا (extrema) کو بدل سکتی ہیں، اور اس وجہ سے لفافوں اور نکالے گئے موڈز کو تبدیل کر سکتی ہیں۔ شور، فلٹرنگ، مختصر ریکارڈنگز، اور تیز حدود سب ڈی کمپوزیشن کو کم مستحکم بنا سکتے ہیں۔

عام چیکس ان مشکلات کو چھپانے کے بجائے بے نقاب کرنے میں مدد کرتے ہیں۔ ان میں شامل ہیں:

• آئی ایم ایف اور بقیہ (residual) کو جمع کرنے کے بعد تعمیر نو کی غلطی (reconstruction error) کی پیمائش کرنا۔

• اینڈ پوائنٹ ٹریٹمنٹ اور سفٹنگ تھریشولڈز کے لیے حساسیت کی جانچ کرنا۔

• دہرائے گئے حصوں یا شور کے گروپس میں ڈی کمپوزیشن کا موازنہ کرنا۔

• یہ معائنہ کرنا کہ آیا ہٹائے گئے جزو میں قابل فہم اعصابی سرگرمی شامل ہے۔

یہ چیک ابہام کو ختم نہیں کرتے، لیکن یہ اسے ظاہر کر دیتے ہیں۔ موڈ مکسنگ کے لیے ایک اینسمبل ویریئنٹ کی ضرورت ہو سکتی ہے، جبکہ ضرورت سے زیادہ ہائی فریکوئنسی مواد ایک مفید اعصابی موڈ کے بجائے آلودگی کی نشاندہی کر سکتا ہے۔ تمام معاملات میں، تجزیہ کو ان فیصلوں کی رپورٹ کرنی چاہیے جنہوں نے حتمی نمائش پیدا کی۔

دوسرا چیلنج مواصلت ہے۔ ایک آئی ایم ایف انڈیکس ایک الگورتھمک لیبل ہے، نہ کہ کوئی تشخیص یا عام طور پر بیان کردہ EEG بینڈ۔ واضح تصاویر، پیرامیٹر ریکارڈز، اور محتاط زبان کی ضرورت اس وقت ہوتی ہے جب نتائج تلاشی سگنل پروسیسنگ سے بایومیڈیکل تشریح کی طرف بڑھتے ہیں۔

موڈ مکسنگ: بنیادی EMD کی سب سے بڑی کمزوری

بنیادی EMD میں سب سے واضح ساختی کمزوری ایک رجحان ہے جسے موڈ مکسنگ کہا جاتا ہے۔ یہ دو متعلقہ طریقوں سے ہوتا ہے۔ یا تو ایسی لہریں جو بالکل مختلف وقت کے پیمانے پر کام کرتی ہیں ایک ہی آئی ایم ایف کے اندر پھنس جاتی ہیں، یا پھر ایک ہی، مربوط تالی والا جزو ٹوٹ جاتا ہے اور ایک میں رہنے کے بجائے کئی آئی ایم ایف میں بکھر جاتا ہے۔ مسئلے کے دونوں ورژن اس بات پر اعتماد کرنا مشکل بنا دیتے ہیں کہ آیا ایک آئی ایم ایف واقعی ایک واحد جسمانی عمل سے مطابقت رکھتا ہے۔

عملی خطرہ تشریحی ہے۔ اگر کوئی محقق یہ فرض کرتا ہے کہ ایک مخصوص آئی ایم ایف، مثال کے طور پر، ایک مخصوص فریکوئنسی بینڈ میں سرگرمی کی نمائندگی کرتا ہے، لیکن وہ آئی ایم ایف اصل میں موڈ مکسنگ کی وجہ سے پٹھوں کے آرٹفیکٹ اور بقیہ سپائیک سرگرمی کا مرکب پر مشتمل ہے، تو اس آئی ایم ایف سے اخذ کیا گیا کوئی بھی نتیجہ ناقابل بھروسہ ہو جاتا ہے۔

کمپلیٹ اینسمبل ایمپریکل موڈ ڈی کمپوزیشن

کمپلیٹ اینسمبل ایمپریکل موڈ ڈی کمپوزیشن، جسے عام طور پر CEEMD کہا جاتا ہے، EMD کی ایک شور کی مدد سے تیار کردہ توسیع ہے۔ یہ سگنل میں احتیاط سے کنٹرول شدہ شور کے اثرات کو شامل کرتا ہے، حاصل شدہ اینسمبل کو ڈی کمپوز کرتا ہے، اور متعلقہ موڈز کا اوسط نکالتا ہے۔ اس کا مقصد ڈی کمپوزیشن کو اس وقت زیادہ مستحکم بنانا ہے جب قریبی لہراتی پیمانوں کو الگ کرنا مشکل ہو۔

CEEMD کس طرح معیاری EMD کو بہتر بناتا ہے

معیاری EMD موڈ مکسنگ کا شکار ہو سکتا ہے، جس میں مختلف پیمانے والی لہریں ایک آئی ایم ایف میں ظاہر ہوتی ہیں یا اسی طرح کے پیمانے کئی آئی ایم ایف میں پھیل جاتے ہیں۔ CEEMD بنیادی اینویلپ-سفٹنگ خیال کو تبدیل کرنے کے بجائے اس عدم استحکام کو شماریاتی طور پر حل کرتا ہے۔ بار بار ڈی کمپوزیشن اور اوسط نکالنے سے انفرادی شور کے اثر کو کم کیا جا سکتا ہے، لیکن نتیجہ پھر بھی اینسمبل ڈیزائن، شور کی شدت، آزمائشوں کی تعداد، اور نفاذ کی تفصیلات پر منحصر ہوتا ہے۔

یہ طریقہ ہر ڈیٹاسیٹ کے لیے خود بخود برتر نہیں ہے۔ یہ کمپیوٹیشنل لاگت کو بڑھاتا ہے اور اگر اس کے پیرامیٹرز کا انتخاب خراب ہو تو یہ بقایا شور کو برقرار رکھ سکتا ہے یا حد کی حساسیت کو متعارف کروا سکتا ہے۔ لہذا، EEG کے لیے، موازنہ کو تعمیر نو کے معیار، آزمائشوں میں استحکام، عارضی واقعات کے تحفظ، اور یہ کہ آیا حاصل ہونے والے موڈز بیان کردہ تحقیقی سوال کے لیے تشریح کے قابل رہتے ہیں یا نہیں، جانچنا چاہیے۔

اب تک کن EEG ایپلی کیشنز نے EMD کا تجربہ کیا ہے

EMD عام طور پر تین وسیع زمروں میں لاگو کیا گیا ہے۔

درجہ بندی کے لیے خصوصیت کا اخراج (Feature extraction) سب سے بڑے استعمال کیس کی نمائندگی کرتا ہے۔ مثال کے طور پر، Ning Zhuang کی قیادت میں ایک مطالعہ نے جذبات کی شناخت کے لیے EMD کا استعمال کیا، جس میں IMFs سے کثیر جہتی خصوصیات حاصل کی گئیں، بشمول ٹائم سیریز کا پہلا فرق، فیز کا پہلا فرق، اور نارملائزڈ انرجی، پھر عوامی طور پر دستیاب DEAP جذباتی ڈیٹا بیس پر ان کا تجربہ کیا گیا۔ مطالعہ میں پایا گیا کہ ہائی فریکوئنسی IMF1 جزو جذباتی حالتوں کو ممتاز کرنے پر نمایاں اثر رکھتا ہے، اور مجموعی طریقہ کار نے فریکٹل ڈائمینشن، سیمپل اینٹروپی، اور ڈسکریٹ ویولیٹ ٹرانسفارم سمیت موازنہ کے طریقوں سے بہتر کارکردگی دکھائی۔

آرٹفیکٹ ہٹانا سفید الدین وغیرہ جیسے مطالعے میں پیش کیا گیا ہے، جہاں EMD کی متعین، اینویلپ پر مبنی ڈی کمپوزیشن نے شدید آلودگی کے حالات میں ICA، CCA، یا ویولیٹ پر مبنی طریقوں کے مقابلے میں مصنوعی طور پر تیار کردہ مرگی کے EEG سے پٹھوں کے آرٹفیکٹ کو زیادہ مؤثر طریقے سے ختم کیا۔

آخر میں، ملٹی چینل تجزیہ اور برین-کمپیوٹر انٹرفیسنگ کو Journal of Circuits, Systems and Computers میں شائع ہونے والی تحقیق میں دیکھا جا سکتا ہے، جہاں ایک ملٹی چینل EEG ریکارڈنگ میں ہر چینل پر الگ الگ EMD لاگو کیا گیا تھا، اور حاصل ہونے والے IMFs کو سپیکٹرل مماثلت کے مطابق کلسٹر کیا گیا تھا تاکہ یہ معلوم کیا جا سکے کہ کون سے اجزاء بیرونی محرک کے ساتھ تعلق رکھتے ہیں۔

صرف ان محرکات سے منسلک اجزاء سے سگنل کی دوبارہ تعمیر نے محققین کو یہ شناخت کرنے کی اجازت دی کہ کوئی موضوع کب کسی خاص محرک پر توجہ دے رہا تھا، یہ ایک ایسی صلاحیت ہے جو براہ راست BCI سسٹمز سے متعلق ہے جو پس منظر کے شور سے ارادی اعصابی سگنلز کو ممتاز کرنے پر انحصار کرتے ہیں۔

نئے سیکھنے والوں کے لیے ایمپریکل موڈ ڈی کمپوزیشن ٹیوٹوریل

ایک نیا سیکھنے والا EMD کو ایک پیچیدہ ویوفارم سے تیز ترین نظر آنے والی لہر کو بار بار الگ کرنے کے طور پر سوچ سکتا ہے۔ الگورتھم فریکوئنسی بینڈز کی فہرست سے شروع نہیں ہوتا ہے۔ اس کے بجائے، یہ مشاہدہ کرتا ہے کہ سگنل کہاں بڑھتا اور گرتا ہے، مقامی سینٹرل لائن کا تخمینہ لگاتا ہے، اور امیدوار لہر سے اس سینٹرل لائن کو ہٹا دیتا ہے۔

ایک معقول سیکھنے کی مشق ایک مختصر، صاف مصنوعی سگنل سے شروع ہوتی ہے جس میں دو لہریں اور ایک سست رجحان ہوتا ہے۔ متوقع نتیجہ ہر معاملے میں کامل علیحدگی نہیں ہے، بلکہ اجزاء کا ایک ایسا مجموعہ ہے جس کا حاصل جمع تقریباً ان پٹ کو دوبارہ تیار کرتا ہے۔ اصل سگنل، ہر IMF، اور بقیہ کو ایک مشترکہ ٹائم ایکسس پر پلاٹ کرنا اکثر صرف عددی آؤٹ پٹ کے معائنہ کرنے سے زیادہ معلوماتی ہوتا ہے۔

EEG ریکارڈنگ کے لیے، ورک فلو میں وہ فیصلے بھی شامل ہوتے ہیں جو ڈی کمپوزیشن سے پہلے ہوتے ہیں:

• چینلز اور حصوں کا انتخاب کرنا

• سیمپنگ کی معلومات کو چیک کرنا

• خراب وقفوں کو نشان زد کرنا

• پری پروسیسنگ کی دستاویز بندی کرنا

ایک عام فریکوئنسی-ڈی کمپوزیشن گائیڈ فورئیر، ویولیٹ، اور متعلقہ ٹائم-فریکوئنسی طریقوں کے درمیان EMD کو سمجھنے میں مدد کر سکتی ہے۔ یہ انتخاب EMD کو طبی ٹیسٹ میں تبدیل نہیں کرتے؛ یہ ان حالات کی وضاحت کرتے ہیں جن کے تحت اس کے آؤٹ پٹ کا جائزہ لیا جا سکتا ہے۔

پائتھون میں ایمپریکل موڈ ڈی کمپوزیشن: ایک کوڈنگ واک تھرو

پائتھون نفاذ عام طور پر ایک ون-ڈائمینشنل ارے کو قبول کرتے ہیں اور IMFs کا مجموعہ واپس کرتے ہیں، بعض اوقات بقیہ (residual) کے ساتھ یا ایک الگ بقیہ آپریشن کے ذریعے۔ ایک بنیادی ورک فلو ایک سگنل لوڈ کرتا ہے، اس کے سیمپلنگ آرڈر اور گمشدہ اقدار کی حیثیت کی تصدیق کرتا ہے، ڈی کمپوزیشن چلاتا ہے، اور اجزاء کو پلاٹ کرتا ہے۔ دوبارہ تیار کرنے کے قابل تجزیہ لائبریری ورژن اور سفٹنگ اور اینسمبل رویے کو کنٹرول کرنے والے پیرامیٹرز کو بھی ریکارڈ کرتا ہے۔

EMD کے لیے مقبول پائتھون لائبریریاں

کئی سائنسی پائتھون پیکجز EMD یا متعلقہ الگورتھم فراہم کرتے ہیں، لیکن ان کے APIs اور ڈیفالٹس مختلف ہوتے ہیں۔ کچھ معیاری EMD، اینسمبل ویریئنٹس، روکنے کی حدیں، اسپلائن کے انتخاب، اور ویژولائزیشن مددگار فراہم کرتے ہیں؛ دوسروں کو زیادہ دستی اسمبلنگ کی ضرورت ہوتی ہے۔ مرکزی کوڈنگ ٹاسک محض ایک فنکشن کو کال کرنا نہیں ہے، بلکہ یہ جانچنا ہے کہ واپس آنے والے اجزاء کا کیا مطلب ہے اور کیا ان کا مجموعہ ان پٹ کی دوبارہ تعمیر کرتا ہے۔

ایک مختصر سیڈوکوڈ پیٹرن یہ ہے:

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

signal = load_signal()
check_sampling_and_missing_values(signal)
imfs, residue = decompose(signal)
reconstruction = imfs.sum(axis=0) + residue
plot_components(signal, imfs, residue)

کوڈ جان بوجھ کر خاکہ نما ہے کیونکہ پیکیجز میں فنکشن کے نام اور ریٹرن ویلیوز مختلف ہوتی ہیں۔ توثیق میں ایک ری کنسٹرکشن کی غلطی، انتہا اور حدود کے پلاٹ، اور معقول پیرامیٹر تبدیلیوں کے تحت حساسیت کی جانچ شامل ہونی چاہیے۔

EEG کے لیے، ڈیٹا ڈائمینشنز بھی اہمیت رکھتی ہیں: ایک ملٹی چینل ریکارڈنگ کے لیے چینل کے لحاظ سے ورک فلو یا خاص طور پر ملٹی ویریئٹ طریقہ کی ضرورت ہو سکتی ہے بجائے اس کے کہ خاموشی سے تمام چینلز کو ایک ارے میں چپٹا کر دیا جائے۔

EEG سگنلز پر ایمپریکل موڈ ڈی کمپوزیشن کا اطلاق کرنا

EEG تجرباتی موڈ ڈی کمپوزیشن کے لیے ایک قدرتی ترتیب ہے کیونکہ وولٹیج کی تبدیلیاں اوورلیپنگ ریتھمز، عارضی واقعات، اور غیر مستحکم سرگرمی پر مشتمل ہو سکتی ہیں۔ EMD کو انفرادی چینلز یا منتخب حصوں پر لاگو کیا جا سکتا ہے تاکہ یہ جائزہ لیا جا سکے کہ مقامی لہریں کس طرح تیار ہوتی ہیں۔ متعلقہ سائنسی سوال وقتی ساخت، آرٹفیکٹ کی علیحدگی، ایونٹ سے متعلق تبدیلیاں، یا اس کے بعد کے شماریاتی ماڈل کے لیے خصوصیات سے متعلق ہو سکتا ہے۔

ڈی کمپوزیشن سے پہلے، سگنل کے معیار اور ریکارڈنگ کے سیاق و سباق پر توجہ دینے کی ضرورت ہے۔ الیکٹروڈ کی جگہ کا تعین، حوالہ اسکیم، سیمپلنگ کی شرح، فلٹرنگ، گمشدہ سیمپلز، اور نشان زد آرٹفیکٹس سب مقامی انتہا (extrema) کو متاثر کر سکتے ہیں۔

مزید برآں، حاصل ہونے والے IMFs کو محض ان کی ترتیب کی بنیاد پر جسمانی لیبل نہیں دیے جانے چاہئیں۔ تیز رفتار اجزاء میں پٹھوں یا آلے کا شور شامل ہو سکتا ہے، اور سست اجزاء میں بہاؤ (drift) کے ساتھ ساتھ بامعنی سرگرمی بھی شامل ہو سکتی ہے۔

تشریح اس وقت مضبوط ہوتی ہے جب یہ دوبارہ تعمیر شدہ سگنلز کا موازنہ کرتی ہے، خارج کیے گئے اجزاء کا واضح آڈٹ ٹریل برقرار رکھتی ہے، اور یہ جانچتی ہے کہ آیا نتائج چینلز، شرکاء اور تجزیہ کے انتخاب میں برقرار رہتے ہیں یا نہیں۔

ایمپریکل موڈ ڈی کمپوزیشن بمقابلہ ویولیٹ ٹرانسفارم

EMD اور ویولیٹ ٹرانسفارم دونوں ٹائم-فریکوئنسی تجزیہ کی حمایت کرتے ہیں، لیکن وہ سگنل کی ساخت کو مختلف طریقے سے منظم کرتے ہیں۔ EMD مشاہدہ شدہ ڈیٹا میں مقامی انتہا (extrema) سے موڈز حاصل کرتا ہے، جبکہ ویولیٹ تجزیہ سگنل کا موازنہ اسکیلڈ اور شفٹڈ بیسس فنکشنز کے منتخب خاندان سے کرتا ہے۔ ایک ڈیٹا کے مطابق مطابقت پذیر ہے؛ دوسرا ایک پہلے سے طے شدہ ملٹی اسکیل کوآرڈینیٹ سسٹم فراہم کرتا ہے۔

فرق اس وقت زیادہ واضح ہو جاتا ہے جب تجزیاتی ترجیحات کا موازنہ کیا جائے:

کوئی بھی طریقہ عالمی طور پر ترجیحی نہیں ہے۔ EMD بدلتی ہوئی لہروں کے لیے ایک بدیہی ڈی کمپوزیشن پیش کر سکتا ہے، جبکہ ویولیٹس سگنلز کا موازنہ کرنے کے لیے ایک مستقل فریم ورک فراہم کر سکتے ہیں جب بنیاد اور اسکیلز سائنسی طور پر مناسب ہوں۔

انتخاب سوال، متوقع عارضی عوامل، دوبارہ پیدا کرنے کی ضرورت، اور توثیق کی حکمت عملی کے مطابق ہونا چاہیے بجائے اس عام دعوے کے کہ ایک طریقہ دوسرے سے زیادہ جدید ہے۔

دماغی سگنل تجزیہ ڈیٹا سے چلنے والی ڈی کمپوزیشن سے کیا حاصل کرتا ہے

دماغی سرگرمی شاذ و نادر ہی اتنی دیر تک ساکت رہتی ہے کہ کلاسک فریکوئنسی ٹولز اس کے سب سے اہم لمحات کو پکڑ سکیں، یہی وجہ ہے کہ ایک ایسا طریقہ جو سگنلز کو اپنے بلڈنگ بلاکس خود بنانے کی اجازت دیتا ہے، نے حقیقی توجہ مبذول کرائی ہے۔

ایمپریکل موڈ ڈی کمپوزیشن مقررہ ریاضیاتی ٹیمپلیٹس کی ضرورت کو نظرانداز کرتی ہے، ایسے نتائج پیدا کرتی ہے جو شدید شور کے تحت دورے کے سپائیکس کو الگ کرنے اور جذبات کی شناخت کے لیے بامعنی خصوصیات نکالنے کے لیے مفید ثابت ہوئے ہیں۔ مطابقت پذیر تجزیہ کی طرف یہ تبدیلی عارضی اعصابی واقعات کو پکڑنے کا ایک راستہ بناتی ہے جو ورنہ مدھم ہو جاتے یا چھوٹ جاتے۔ عملی نتیجہ، جیسا کہ تمام مطالعات میں دیکھا گیا ہے، ایک ایسا ٹول ہے جو درجہ بندی اور آرٹفیکٹ کو ہٹانے میں مدد کر سکتا ہے جب حالات اس کے حق میں ہوں۔

حوالہ جات

1. Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127

2. Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835

3. Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409

4. Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357

5. Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037

اکثر پوچھے گئے سوالات

ایمپریکل موڈ ڈی کمپوزیشن (EMD) کیا ہے اور یہ EEG کے لیے کیوں کارآمد ہے؟

EMD ایک مطابقت پذیر سگنل پروسیسنگ کا طریقہ ہے جو سگنل کے مستحکم ہونے کا مفروضہ قائم کیے بغیر ویوفارم کو لہراتی اجزاء میں تقسیم کرتا ہے جنہیں انٹرنزک موڈ فنکشنز کہا جاتا ہے۔ یہ EEG کے لیے مفید ہے کیونکہ دماغی سرگرمی مسلسل بدلتی رہتی ہے اور اس میں عارضی واقعات شامل ہوتے ہیں، جنہیں روایتی فکسڈ بیسڈ ٹولز درست طریقے سے ظاہر کرنے میں مشکلات کا سامنا کرتے ہیں۔

EMD میں چھاننے (sifting) کا عمل کیسے کام کرتا ہے؟

چھاننے کا عمل بار بار سگنل کے مقامی اتار چڑھاؤ (پیکس اور ٹرفس) کی شناخت کرتا ہے، اوپری اور نچلے لفافے بناتا ہے، اور سگنل سے ان کی اوسط کو گھٹا دیتا ہے۔ یہ مرحلہ تب تک دہرایا جاتا ہے جب تک کہ باقی رہ جانے والے جزو میں متوازی لفافے اور صفر کے قریب اوسط نہ ہو جائے، جس مقام پر یہ ایک انٹرنزک موڈ فنکشن بن جاتا ہے۔

انٹرنزک موڈ فنکشنز (IMFs) کیا ہیں؟

IMFs ڈیٹا سے چلنے والے بلڈنگ بلاکس ہیں جو EMD کے ذریعے تیار کیے جاتے ہیں، جو تیز ترین لہروں سے سست ترین لہروں کی ترتیب میں ہوتے ہیں۔ چونکہ انہیں پہلے سے طے شدہ ویوفارم کے مطابق ڈھالنے کے بجائے براہ راست سگنل کی مقامی شکل سے نکالا جاتا ہے، اس لیے وہ غیر منظم اور بدلتی ہوئی اعصابی حرکیات کو گرفت میں لے سکتے ہیں۔

EMD میں موڈ مکسنگ ایک مسئلہ کیوں ہے؟

موڈ مکسنگ اس وقت ہوتی ہے جب مختلف وقت کے پیمانے کی لہریں ایک ہی آئی ایم ایف میں پھنس جاتی ہیں یا جب ایک ہی لہر متعدد آئی ایم ایف میں تقسیم ہو جاتی ہے۔ یہ ابہام اس بات پر اعتماد کرنا مشکل بنا دیتا ہے کہ آیا ایک آئی ایم ایف ایک واحد جسمانی عمل کی نمائندگی کرتا ہے، جس سے ممکنہ طور پر شور یا آرٹفیکٹس حقیقی دماغی سرگرمی کے ساتھ مل جاتے ہیں۔

EMD مرگی کے سپائیکس جیسے عارضی واقعات کو کیسے ہینڈل کرتا ہے؟

EMD مختصر سپائیکس کو ہائی فریکوئنسی آئی ایم ایف میں نکال کر الگ کرتا ہے، جہاں پس منظر کی سرگرمی الگ ہو جاتی ہے۔ پٹھوں کی شدید آلودگی کے تحت، EMD نے آرٹفیکٹ ہٹانے کے دیگر طریقوں سے بہتر کارکردگی دکھائی، حالانکہ صاف سگنلز یا مختلف ماخذ کی ترتیب کے ساتھ اس کا فائدہ کم ہو گیا۔

کیا EMD تمام EEG تجزیہ کے لیے فورئیر ٹرانسفارم جیسے روایتی طریقوں کی جگہ لے سکتا ہے؟

EMD کوئی عالمگیر متبادل نہیں ہے؛ یہ ان غیر مستحکم اور عارضی سگنلز کے لیے سب سے زیادہ قیمتی ہے جہاں فکسڈ بیسڈ فورئیر طریقے ناکام ہو جاتے ہیں۔ تاہم، اس کی وشوسنییتا شور کی سطح کے ساتھ مختلف ہوتی ہے اور ابھی تک تمام EEG ریکارڈنگ کے حالات میں ثابت نہیں ہوئی ہے۔

کیا EMD کے لیے سگنل کا مستحکم ہونا فرض کرنا ضروری ہے؟

نہیں، EMD استحکام کو فرض نہیں کرتا، جو کہ EEG کے لیے کلاسک فورئیر تجزیہ پر ایک اہم فائدہ ہے۔ ڈی کمپوزیشن براہ راست ڈیٹا کے بدلتے ہوئے شماریاتی کردار کے مطابق ڈھل جاتی ہے، جس سے یہ دماغی حرکیات اور مختصر واقعات کو پہلے سے تیار کیے بغیر ٹریک کر سکتی ہے۔

کیا EMD ملٹی چینل EEG کا براہ راست تجزیہ کر سکتا ہے؟

بنیادی EMD عام طور پر ون-ڈائمینشنل سگنلز پر لاگو ہوتا ہے۔ ملٹی چینل تجزیہ کے لیے ایک دانستہ چینل کے لحاظ سے یا ملٹی ویریئٹ حکمت عملی کی ضرورت ہوتی ہے، کیونکہ محض چینلز کو یکجا کرنے سے مقامی اور وقتی معنی مبہم ہو سکتے ہیں۔