فوریئر ٹرانسفارم (Fourier transform) موجودہ معلومات کے ظاہر ہونے کے انداز کو بدل دیتا ہے، ایک ایسے سگنل کو جو وقت کے ساتھ ساتھ تبدیل ہوتا ہے، اس کے اندر پہلے سے موجود تال کے اجزاء کی تفصیل میں تبدیل کرتا ہے۔ دماغی تال، فریکوئنسی بینڈز، یا سپیکٹرل پیٹرنز کے بارے میں کسی بھی گفتگو کو بامعنی بنانے کے لیے، اس ٹرانسفارم کو ایک آلے کے بجائے ایک عینک کے طور پر سمجھنا پہلا ضروری قدم ہے۔
ایک ای ای جی (EEG) ٹریس اصل میں کس چیز کی نمائندگی کرتا ہے
ایک الیکٹرو اینسفالوگرام (electroencephalogram) وولٹیج کو ریکارڈ کرتا ہے جیسے جیسے یہ ایک لمحے سے دوسرے لمحے میں تبدیل ہوتا ہے۔ گراف پر، یہ ایک واحد مسلسل لکیر، ایک ٹائم سیریز بناتا ہے، جو الیکٹروڈ کے نیچے برقی سرگرمی مسترد ہونے کے ساتھ اوپر اور نیچے حرکت کرتی ہے۔ اپنے طور پر، یہ لکیر ایک مربوط واقعہ نظر آتی ہے۔ لیکن یہ ظاہری شکل گمراہ کن ہے۔
حقیقت میں، کسی بھی ایک لمحے پر ریکارڈ کیا گیا وولٹیج، نیچے موجود اعصابی بافتوں کے اندر بیک وقت ہونے والے کئی الگ الگ ارتعاشی عمل کا مشترکہ نتیجہ ہوتا ہے۔ ان میں سے کچھ عمل آہستہ چلتے ہیں، دوسرے جلدی۔ جب وہ ایک ساتھ ہوتے ہیں، تو ان کے انفرادی پیٹرن ایک ساتھ مل کر ایک مرکب لہر بناتے ہیں، بالکل اسی طرح جیسے مختلف نوٹ بجانے والے متعدد ساز مل کر ایک ہی راگ بنا لیتے ہیں۔ سننے والا ایک آواز سنتا ہے، لیکن وہ آواز خفیہ طور پر تہوں میں بٹی ہوئی کئی الگ الگ آوازوں سے بنی ہوتی ہے۔
ایک ای ای جی ٹریس بھی اسی طرح کام کرتا ہے۔ جو چیز ایک غیر معمولی لکیر دکھائی دیتی ہے وہ اصل میں ایک ہی سگنل کے اوپر سپرامپوزڈ کئی تال ہیں۔
اس سے پیدا ہونے والا مسئلہ بالکل واضح ہے: اگر ایک ہی لہر میں بہت سارے سر ملے ہوئے ہیں، تو کوئی کیسے پہچان سکتا ہے کہ کون سے سر موجود ہیں، یا ہر ایک کتنا مضبوط ہے؟
فوریئر ٹرانسفارم (Fourier Transform): ایک عینک، نہ کہ کوئی خوردبین
فوریئر ٹرانسفارم اس سوال کا جواب دیتا ہے، لیکن نئی معلومات دریافت کر کے نہیں۔ یہ ایک مختلف کوآرڈینیٹ سسٹم کا استعمال کرتے ہوئے بالکل اسی ای ای جی حصے کو دوبارہ ظاہر کر کے کام کرتا ہے۔ وقت کے ساتھ وولٹیج کے لحاظ سے سگنل کی وضاحت کرنے کے بجائے، یہ اسی سگنل کی فریکوئنسی کے لحاظ سے وضاحت کرتا ہے، کہ اس کے اندر کتنی ارتعاشی شرح موجود ہے۔
یہ ٹرانسفارم ریاضیاتی طور پر الٹ سکتا ہے کیونکہ یہ ایک ای ای جی عہد کو اس کی فریکوئنسی کی شکل میں تبدیل کر سکتا ہے، پھر اسے واپس تبدیل کر سکتا ہے، اور اصل وقت پر مبنی لہر بالکل ویسی ہی نمودار ہو جاتی ہے جیسی کہ وہ تھی۔
دونوں شکلیں، وقت اور فریکوئنسی، ایک جیسی معلومات پر مشتمل ہوتی ہیں۔ وہ محض اسے مختلف طریقے سے ترتیب دیتے ہیں، بالکل اسی طرح جیسے منشور (prism) سے گزرنے والی سورج کی روشنی رنگ پیدا نہیں کرتی۔ رنگ پہلے ہی سفید روشنی میں موجود تھا۔ منشور صرف طول موج (wavelengths) کو الگ کرتا ہے جو پہلے ہی ایک ساتھ مل چکے تھے تاکہ وہ انفرادی طور پر نظر آئیں۔
فوریئر ٹرانسفارم ای ای جی سگنل پر اسی طرح کی علیحدگی انجام دیتا ہے، جس سے بنیادی ریکارڈنگ میں کسی قسم کی تبدیلی کے بغیر تال والے اجزاء نظر آتے ہیں۔
فوریئر ٹرانسفارم کی ریاضیاتی بنیاد
اس کے مرکز میں، یہ ٹرانسفارم پیچیدہ ایکسپونینشل فنکشنز سے ضرب دیئے گئے سگنل کی انٹیگرل تشخیص پر انحصار کرتا ہے۔ یہ آپریشن اصل لہر اور مختلف فریکوئنسیز کی سائن لہروں (sine waves) کے درمیان تعلق کا حساب لگاتا ہے۔ اگر اصل سگنل کے اندر کوئی خاص فریکوئنسی موجود ہے، تو انٹیگرل فریکوئنسی ڈومین میں اس نقطہ پر ایک اعلی قدر پیدا کرتا ہے، جو برقی توانائی کی شدت کی نمائندگی کرتا ہے۔
رسمی تعریفیں ٹرگونومیٹرک فنکشنز اور پیچیدہ ایکسپونینشلز کے درمیان فرق کو ختم کرنے کے لیے ایولر کی شناخت (Euler identity) کا استعمال کرتی ہیں۔ یہ فارورڈ ٹرانسفارم ایک مسلسل فنکشن f(t) کو F(ω) میں بدل دیتا ہے، جبکہ معکوس آپریشن ان مصنوعی اجزاء کے مجموعے کے ذریعے اصل سگنل کو دوبارہ تشکیل دیتا ہے۔ یہ توازن اس بات کو یقینی بناتا ہے کہ تبدیلی کے دوران کوئی معلومات ضائع نہ ہوں، جس سے مکمل طور پر الٹنے کے قابل ریاضیاتی منتقلی ممکن ہوتی ہے۔
فزیکل ڈیٹا پر ان انٹیگرلز کو لاگو کرتے وقت ماہرین کو نارملائزیشن مستقل اور کنورجنس کے معیار پر گہری توجہ دینی چاہیے۔ انٹیگریشن کی حدود یا سگنل کی تعریفوں کو غلط طریقے سے ہینڈل کرنا غلط سپیکٹرل تخمینوں کا باعث بن سکتا ہے۔ ان ریاضیاتی حدود کا احترام کرنے سے، یہ یقینی بناتا ہے کہ فریکوئنسی ڈومین کی نمائندگی اصل وقت پر منحصر ڈیٹا اسٹریم کا درست عکس رہے۔
فوریئر ٹرانسفارم کی اقسام
مسلسل بمقابلہ مجرد (Continuous vs Discrete) فوریئر ٹرانسفارم
مسلسل ٹرانسفارم کا اطلاق لامحدود وقت کے وقفے پر متعین افعال پر ہوتا ہے، جبکہ مجرد ورژن نمونہ دار، محدود ڈیٹا کی لڑیوں پر چلتا ہے۔
عملی طور پر، ڈیجیٹل سسٹم ہمیشہ مجرد پروسیسنگ کا استعمال کرتے ہیں، جس میں مسلسل مظاہر کی درست نمائندگی کے لیے نمونے لینے کی حدود پر احتیاط سے غور کرنے کی ضرورت ہوتی ہے۔ ڈیٹا کے اہم نقصان کے بغیر اس منتقلی کا اندازہ لگانے کے لیے مختلف طریقے موجود ہیں، بشمول:
ونڈوئنگ فنکشنز جو ان پٹ ڈیٹا کے کناروں کو ٹیپر کر کے سپیکٹرل لیکیج کو روکتے ہیں۔
زیرو پیڈنگ تکنیکیں تاکہ نتیجے میں آنے والے فریکوئنسی خانوں کی ریزولوشن کو بڑھایا جا سکے۔
ایلیاسنگ کی کمی کی حکمت عملی جو ڈیجیٹائزنگ کے عمل کے دوران سگنل کی سالمیت کو یقینی بناتی ہے۔
موجودہ تمام متعلقہ ہائی فریکوئنسی معلومات کو حاصل کرنے کے لیے سیمپلنگ تھیوریم کی تعمیل۔
موثر کمپیوٹیشنل میپنگ جو ان پٹ ڈیٹا پوائنٹس کی تعداد کے ساتھ پیمانہ بناتی ہے۔
یہ تحفظات اس بات کا فیصلہ کرنے میں مدد کرتے ہیں کہ ایک مجرد نتیجہ بنیادی مسلسل سگنل کی ساخت کی کتنی مؤثریت سے عکاسی کرتا ہے۔
فاسٹ فوریئر ٹرانسفارم (Fast Fourier Transform): رفتار کیوں اہم ہے
موثر الگورتھم کی ترقی، جیسے فاسٹ فوریئر ٹرانسفارم (FFT)، نے ڈیٹا والے سسٹمز میں ریئل ٹائم سپیکٹرل تجزیہ کو فعال کیا۔ ان اصلاحات کے بغیر، معیاری مجرد ٹرانسفارمز کی کمپیوٹیشنل پیچیدگی جدید تشخیصی ٹیکنالوجیز کو ناقابل استعمال بنا دے گی۔ جب بڑے ڈیٹا سیٹس کے حساب کتاب کے وقت کا موازنہ کیا جائے تو کارکردگی کے فوائد واضح طور پر نظر آتے ہیں، جیسا کہ نیچے دیئے گئے خاکے میں دکھایا گیا ہے۔
ڈیٹا سیٹ کا سائز | کمپیوٹیشن کی مقدار | وقت کی مشکل |
|---|---|---|
256 نمونے | کم | کم ترین |
1,024 نمونے | معتدل | موثر |
32,768 نمونے | زیادہ | بہت تیز |
ایک ایسے آپریشن کو تبدیل کر کے جو چوکور طریقے سے لاگرتھمک انداز میں پھیلتا ہے، یہ ٹولز تیز رفتار سگنل کی نگرانی کو آسان بناتے ہیں۔ تیز رفتار پروسیسنگ فوری فیڈ بیک لوپس کی اجازت دیتی ہے، جو ایسے ماحول میں اہم ہیں جہاں حقیقی وقت میں تبدیلیوں کا مشاہدہ کرنا تفتیش کا بنیادی مقصد ہوتا ہے۔
ہر فوریئر حساب کے پیچھے پیریوڈیسٹی (تواتر) کا مفروضہ
جب فوریئر ٹرانسفارم سگنل کے ایک حصے پر عمل کرتا ہے، تو یہ ریاضیاتی طور پر اس حصے کے ساتھ ایسا سلوک کرتا ہے جیسے یہ وقت کے ساتھ آگے اور پیچھے دونوں سمتوں میں لامحدود طور پر دہرایا جاتا ہے۔ تجزیہ کیے جانے والے ای ای جی کے مختصر ٹکڑے کو ایک لامتناہی لوپ میں دہرانے والے یونٹ کے طور پر سمجھا جاتا ہے۔
حقیقی ای ای جی سرگرمی اس طرح برتاؤ نہیں کرتی ہے۔ دماغ کے سگنل مکمل طور پر دہرائے جانے والے نہیں ہوتے ہیں، اور ایک مسلسل ریکارڈنگ سے نکالا گیا حصہ شاذ و نادر ہی ان اقدار پر شروع اور ختم ہوتا ہے جو لوپ بیکس ہونے پر آسانی سے جڑ جائیں۔
جب ٹکڑے کے کنارے آپس میں میل نہیں کھاتے ہیں، تو لامحدود تکرار کا مفروضہ حدود پر بگاڑ متعارف کرواتا ہے، جسے بعض اوقات ایج آرٹفیکٹس یا سپیکٹرل لیکیج کہا جاتا ہے، جہاں ایک فریکوئنسی سے توانائی پڑوسی فریکوئنسیوں میں پھیلتی دکھائی دیتی ہے جو اصل سگنل میں موجود نہیں تھیں۔
یہ کوئی ایسا نقص نہیں ہے جو اس طریقہ کار کو باطل کر دے۔ یہ ایک معلوم ریاضیاتی سمجھوتہ ہے، اور جب حصوں کا احتیاط سے انتخاب کیا جائے تو اس کا انتظام کرنا ممکن ہے۔ یہی وجہ ہے کہ فریکوئنسی پر مبنی ای ای جی تجزیہ عام طور پر لمبی، مسلسل بدلتی ہوئی ریکارڈنگز کے بجائے سگنل کے مختصر، نسبتاً مستحکم حصوں کے ساتھ کام کرتا ہے۔
جانسن اور دیگر نے، مثال کے طور پر، طویل ریکارڈنگز کے بجائے مختصر ای ای جی وقفوں میں فریکوئنسی ڈومین کی خصوصیات کا موازنہ کیا، یہ ایک ایسا طریقہ ہے جو تجزیہ کیے گئے ہر حصے کو اتنا مختصر رکھنے سے مطابقت رکھتا ہے کہ تواتر کا مفروضہ ایک معقول تخمینہ رہے۔ ودیارتنے اور دیگر کے ایک مطالعہ نے اس سے متعلق لیکن زیادہ مخصوص راستہ اختیار کیا، جس میں انہوں نے ایک ہارمونیک ویولیٹ پیکٹ ٹرانسفارم کی گنتی کی، جو کہ فوریئر ٹرانسفارم پر ہی بنی ایک تکنیک ہے، تاکہ فریکوئنسی کی معلومات حاصل کی جا سکیں اور وقت کے ساتھ تبدیل ہونے والے دماغی سگنلز کے تجزیہ سے وابستہ ریزولوشن کی حدود کو دور کیا جا سکے۔
دونوں نقطہ نظر یہ ظاہر کرتے ہیں کہ کتنا عملی ای ای جی کام ایک ایسی ریاضیاتی سہولت کو ایڈجسٹ کرتا ہے جو حیاتیاتی حقیقت سے بالکل میل نہیں کھاتی، خود ٹول کو ترک کیے بغیر۔
دماغی سرگرمی کو پڑھنے کے لیے فریکوئنسی کیوں اہم ہے
ایک بار جب کسی ای ای جی عہد کو اس کی فریکوئنسی کے اجزاء میں تبدیل کر دیا جاتا ہے، تو وہ اجزاء ان زمروں کی نشاندہی کرتے ہیں جن کا دماغی سرگرمی کے بارے میں پڑھنے والے کسی بھی شخص کو سامنا ہوا ہو گا: ڈیلٹا، تھیٹا، الفا، بیٹا، اور گاما بینڈ۔ یہ لیبلز ارتعاش کی رفتار کی حدود کو بیان کرتے ہیں، اور وہ نیند کی تحقیق، سنجشتھاناتمک مطالعہ، اور طبی تشخیص کے لیے استعمال ہونے والی لغت بناتے ہیں۔
یہ تحلیل بنیادی طور پر تمام فریکوئنسی پر مبنی ای ای جی تشریحات کی تصوراتی بنیاد ہے۔ کوئی بھی وقت جب ایک رپورٹ میں کسی خاص بینڈ میں بلند سرگرمی کا ذکر ہوتا ہے، یا بینڈ کے درمیان توازن میں تبدیلی کا، تو وہ بیان صرف اس لیے معنی خیز ہوتا ہے کیونکہ فوریئر ٹرانسفارم کی منطق کا استعمال کرتے ہوئے سگنل کو پہلے توڑا گیا تھا۔ اس تحلیل کے بغیر، دماغ کے تال کو بیان کرنے کے لیے کوئی لغت نہیں ہے، صرف ایک مسلسل وولٹیج ٹریس ہے۔
یہ دعویٰ کہ ارتعاشی فریکوئنسی دماغی حالتوں کے بارے میں معنی خیز معلومات فراہم کرتی ہے، نیورو سائنس کے بہت سے شعبوں میں وسیع پیمانے پر بحث کا موضوع ہے۔
دورے کی سرگرمی کے بارے میں فوریئر پر مبنی تجزیہ نے کیا ظاہر کیا ہے
ایکٹل (Ictal) اور دورے سے پاک سگنلز کو الگ کرنا
محقق رام بلاس پچوری نے اینڈوکرینیئل ای ای جی سگنلز پر ایمپیریکل موڈ ڈی کمپوزیشن نامی ایک تکنیک کا اطلاق کیا، جس سے ہر ریکارڈنگ کو بینڈ لمیٹڈ اجزاء کے ایک سیٹ میں توڑ دیا گیا جسے اندرونی موڈ فنکشنز کہا جاتا ہے۔ اس کے بعد انہوں نے ان میں سے ہر ایک جزو کی اوسط فریکوئنسی کا حساب لگانے کے لیے فوریئر-بیسل توسیع کا استعمال کیا۔
جب ایکٹل سگنلز، یعنی وہ دورے کی فعال سرگرمی کے دوران ریکارڈ کیے گئے ہوں، کا دورے سے پاک سگنلز سے موازنہ کیا گیا، تو اوسط فریکوئنسی کی خصوصیت نے دونوں حالتوں کے درمیان ایک اعداد و شمار کے لحاظ سے اہم فرق دکھایا۔ نتیجہ یہ ظاہر کرتا ہے کہ فوریئر پر مبنی طریقہ کار کے ذریعے حاصل کردہ فریکوئنسی کی معلومات میں دورے کی سرگرمی سے وابستہ ایک قابل شناخت علامت پائی جاتی ہے۔
ودیارتنے اور دیگر نے ایک متعلقہ لیکن زیادہ پیچیدہ ہدف حاصل کرنے کی کوشش کی: حقیقی وقت میں دورے کے آغاز کا پتہ لگانا۔ اس نقطہ نظر نے ہارمونیک ویولیٹ پیکٹ ٹرانسفارم سے توانائی کی خصوصیات کو، جس کا حساب فوریئر ٹرانسفارم کے ذریعے لگایا گیا تھا، فریکٹل ڈائمینشن نامی ایک الگ پیمانے کے ساتھ جوڑا، جو سگنل کے اندر دہرائے جانے والے ملتے جلتے پیٹرن کو حاصل کرتا ہے۔
ان مشترکہ خصوصیات کو الیکٹروڈ چینلز پر فضائی طور پر اور حرکت پذیر تجزیہ ونڈو میں وقتی طور پر منظم کیا گیا تھا، پھر ایک ریلائونس ویکٹر مشین کا استعمال کرتے ہوئے درجہ بندی کی گئی، یہ ایک ایسا طریقہ تھا جو بڑے، کم خصوصیات والے سیٹس کے ساتھ اس کی کارکردگی کی وجہ سے منتخب کیا گیا تھا۔
سپتال کے طویل مدتی ای ای جی ریکارڈنگز پر تجربہ کرنے کے بعد، یہ نظام دورے کے آغاز کا پتہ لگانے کے لیے 96 فیصد حساسیت تک پہنچ گیا، جس میں فی گھنٹہ صرف 0.1 واقعات کی اوسط غلط نشاندہی کی شرح تھی اور اوسطاً 1.89 سیکنڈ کا پتہ لگانے کا وقت تھا۔ شارٹ ٹرم ڈیٹا پر، جو دونوں ہی اسکالپ اور انٹرا کرینیئل ریکارڈنگز سے حاصل کردہ تھا، درجہ بندی کی درستگی 99.8 فیصد تک پہنچ گئی۔
ایک ساتھ مل کر، یہ دونوں مطالعات یہ ظاہر کرتی ہیں کہ فوریئر سے متعلقہ سڑن کے ذریعے نکالی گئی ارتعاشی معلومات مرگی کی تشخیص کے مخصوص سیاق و سباق میں طبی لحاظ سے متعلقہ مواد لے جاتی ہے۔
متبادل ٹرانسفارم کے مقابلے میں فوریئر کی خصوصیات
جانسن اور دیگر نے اس سوال کو دوسرے زاویے سے سلجھایا، جس میں دو ریاضیاتی ٹرانسفارمز کا براہ راست ایک دوسرے سے موازنہ کیا گیا۔
فوریئر تجزیہ کا الگ تھلگ تجربہ کرنے کے بجائے، محققین نے فوریئر ٹرانسفارم سے اخذ کردہ خصوصیات کا موازنہ ویلش (Walsh) ٹرانسفارم سے اخذ کردہ خصوصیات کے ساتھ کیا، جو کہ ہموار سائنوسائڈز کے بجائے مستطیل، مربع شکل کے افعال کا استعمال کرتے ہوئے سگنلز کو ڈی کمپوز کرنے کا ایک طریقہ ہے۔ مختصر ای ای جی وقفوں پر لاگو، فوریئر ٹرانسفارم سے لی گئی خصوصیات نے مستقل طور پر ویلش ٹرانسفارم سے لی گئی خصوصیات کے مقابلے میں بہتر درجہ بندی کے نتائج پیدا کیے۔
اس موازنہ سے پتہ چلتا ہے کہ سائنوسائیڈل بلڈنگ بلاکس ای ای جی سگنلز کی بنیادی ساخت کے ساتھ زیادہ قدرتی طور پر ہم آہنگ ہو سکتے ہیں بجائے کہ مستطیل متبادلات کے، کم از کم درجہ بندی کے ان مخصوص کاموں کے لیے جن کا مطالعہ کیا گیا تھا۔
ڈسکریٹ فوریئر ٹرانسفارم (DFT) کا حساب کیسے لگائیں
ڈسکریٹ ٹرانسفارم کا حساب لگانا صاف ستھرے ان پٹ ڈیٹا سے شروع ہوتا ہے جو ایک مستحکم مدت کے دوران سگنل کی نمائندگی کرتا ہے۔ کسی کو سب سے پہلے یہ یقینی بنانا چاہیے کہ سگنل کی لمبائی مطلوبہ فریکوئنسی ریزولوشن سے مماثل ہو، پھر محدود ڈیٹا کٹائی کی وجہ سے پیدا ہونے والے سپیکٹرل بگاڑ کو کم کرنے کے لیے ونڈوئنگ فنکشن لاگو کریں۔ حساب کتاب کے مرحلے کے دوران اہم غلطیوں کو روکنے کے لیے یہ ابتدائی کام ضروری ہے۔
ایک بار جب سگنل تیار ہو جاتا ہے، تو اصل حساب کتاب میں ٹائم سیریز ونڈو کے تمام سیمپل پوائنٹس پر ٹرانسفارمیشن فارمولا لاگو کرنا شامل ہوتا ہے۔ ڈیجیٹل سافٹ ویئر پلیٹ فارمز بھاری بوجھ اٹھاتے ہیں، عام طور پر فی سیکنڈ لاکھوں حسابات انجام دینے اور ایک واضح طول و عرض کا سپیکٹرم پیدا کرنے کے لیے فاسٹ فوریئر ٹرانسفارم (FFT) الگورتھم کا استعمال کرتے ہیں۔ اس آؤٹ پٹ کو پھر ان پٹ کی پیمائش کی طبیعی اکائیوں (جیسے ای ای جی میں مائیکرو وولٹ، یا $\mu V$) کی عکاسی کرنے کے لیے درست طریقے سے اسکیل کیا جانا چاہیے، اس بات کو یقینی بناتے ہوئے کہ نتائج بعد کی تحقیق کے لیے قابل فہم رہیں۔
نتیجے میں آنے والے سپیکٹرل میگنیٹیوڈ کی تشریح کے لیے الگ الگ ارتعاشی پیٹرن کے لیے ڈیٹا کے معائنے کی ضرورت ہوتی ہے۔ جبکہ مکینیکل سسٹمز واضح، الگ تھلگ چوٹیاں ظاہر کر سکتے ہیں، ای ای جی جیسے حیاتیاتی سگنلز کے لیے اکثر صرف انفرادی چوٹیوں پر انحصار کرنے کے بجائے وسیع فریکوئنسی بینڈز (مثال کے طور پر، 8-12 Hz الفا بینڈ) کے اندر کل طاقت کا تجزیہ کرنے کی ضرورت ہوتی ہے۔ ان سپیکٹرل خصوصیات کی جسمانی اہمیت سیاق و سباق پر بہت زیادہ منحصر ہے، جو اکثر بنیادی فزیولوجیکل یا مکینیکل رویے کی نشاندہی کرتی ہے۔ ان اقدامات پر مستقل طور پر عمل کر کے، ماہرین پیچیدہ ترین مشاہداتی لہروں سے بھی معنی خیز، قابل عمل فریکوئنسی ڈیٹا حاصل کر سکتے ہیں۔
فوریئر ٹرانسفارم بمقابلہ فریکوئنسی ڈومین کے دیگر طریقے
اگرچہ فوریئر کا طریقہ کار انتہائی ورسٹائل ہے، لیکن یہ اسٹیشنری سگنلز فرض کرتا ہے، جو پیمائش کے دورانیے میں مستحکم رہتے ہیں۔ تیز رفتار، عارضی تبدیلیوں والے منظرناموں میں — جیسے کہ اچانک مرگی کا جھٹکا یا نیند کے اسپنڈلز کا ایک مختصر دھماکہ — دوسرے طریقے جیسے ویولیٹ ٹرانسفارم (Wavelet Transforms) فریکوئنسی کی تفصیلات کے ساتھ وقت کی معلومات کو برقرار رکھ کر بہتر لوکلائزیشن فراہم کرتے ہیں۔ صحیح ٹول کا انتخاب کرنے کے لیے یہ جائزہ لینے کی ضرورت ہوتی ہے کہ آیا سگنل مستقل تال کا ڈھانچہ برقرار رکھتا ہے یا اچانک تبدیل ہوتا ہے۔
متبادل طریقے، جیسے کہ سنگولر سپیکٹرم اینالیسس (SSA)، غیر خطی، غیر متوقع سگنلز کو تحلیل کرنے کے لیے فوائد پیش کرتے ہیں جنہیں حل کرنے میں معیاری ٹرانسفارمز کو تگ و دو کرنی پڑتی ہے۔ یہ طریقے اکثر پیچیدہ، حقیقی دنیا کے فزیولوجیکل ڈیٹا سیٹس میں ارتعاشی شور بمقابلہ سگنل ٹرینڈ نکالنے میں بہترین کارکردگی کا مظاہرہ کرتے ہیں۔ انتخاب کا انحصار ایک مخصوص تحقیقی ترتیب میں وقتی بمقابلہ سپیکٹرل درستگی کے لیے درکار درستگی کی سطح پر ہے۔
بالآخر، کوئی بھی واحد ٹرانسفارمیشن کا طریقہ سگنل پروسیسنگ کی الجھنوں کے لیے آفاقی علاج کے طور پر کام نہیں کرتا ہے۔ ماہرین کو ہر طریقہ کار کے حساب کتاب کی لاگت اور ریاضیاتی رکاوٹوں کو اپنے ڈیٹا کی خصوصیات کے خلاف تولنا چاہیے۔ ان متنوع نقطہ نظر کو یکجا کرنا ایک مضبوط، ہمہ جہت تشخیصی عمل کو یقینی بناتا ہے جو حتمی تشریح کی درستگی کو زیادہ سے زیادہ کرتا ہے۔
فوریئر ٹرانسفارمز کی گنتی کے لیے ٹولز اور سافٹ ویئر
جدید اوپن سورس لائبریریوں نے ان جدید ریاضیاتی کاموں تک رسائی حاصل کرنا سب کے لیے آسان بنا دیا ہے، جس سے محققین کو صرف چند لائنوں کے کوڈ کے ساتھ پیچیدہ تجزیہ کرنے کی اجازت ملتی ہے۔ خاص طور پر ڈیٹا سائنس کے لیے بنائے گئے پلیٹ فارمز ایسے آپٹمائزڈ روٹینز پیش کرتے ہیں جو بڑی صفوں اور ہائی ڈائمینشنل سگنلز کو آسانی سے سنبھالتے ہیں۔ یہ ٹولز فریکوئنسی تجزیہ کو بڑے پائپ لائنوں میں ضم کرنے میں مدد کرتے ہیں، بشمول خودکار سگنل کی صفائی اور درجہ بندی کے کام۔
نیورولوجیکل یا زلزلہ کے ڈیٹا کے لیے ڈیزائن کیا گیا مخصوص سافٹ ویئر اکثر سپیکٹرل ڈی کمپوزیشن اور خلل دور کرنے کے لیے پہلے سے بنے ہوئے ماڈیولز پر مشتمل ہوتا ہے۔ یہ پیکجز خود کار طریقے سے فریکوئنسی اسکیلنگ اور ونڈوئنگ کی پیچیدگیوں کو سنبھالتے ہیں، جس سے ان محققین کے لیے غلطیوں کا خطرہ کم ہو جاتا ہے جن کے پاس بنیادی الگورتھم میں مہارت نہیں ہو سکتی۔ ان معیاری آلات کا مسلسل استعمال مختلف تجربہ گاہوں میں تحقیقی نتائج کی دوبارہ تخلیق میں بھی مدد کرتا ہے۔
جب سافٹ ویئر سوٹ کا انتخاب کیا جا رہا ہو، تو موجودہ ڈیٹا کے فارمیٹس کے ساتھ مطابقت اور ہائی ڈینسٹی سنسر سرنیوں کو سنبھالنے کی صلاحیت سب سے بڑی ترجیحات رہتی ہیں۔ ایسی دستاویزات جو پیرامیٹر کی ترتیب اور الگورتھم کے انتخاب کی واضح مثالیں فراہم کرتی ہیں، ابتدائی افراد کے لیے بے حد مفید ہیں۔ چونکہ برادری ان ٹولز کو بہتر بنانا جاری رکھے ہوئے ہے، توجہ زیادہ تر بہت بڑے بڑے ڈیٹا سیٹس کے لیے ریئل ٹائم ایج پروسیسنگ اور کلاؤڈ بیسڈ اسکیل ایبلٹی کی طرف منتقل ہو رہی ہے۔
فریکوئنسی کا تجزیہ دماغ کے پوشیدہ تال کے بارے میں کیا ظاہر کرتا ہے
فوریئر ٹرانسفارم دماغی سگنلز کے لیے ایک ریاضیاتی منشور کی طرح کام کرتا ہے، جو آپس میں ملے ہوئے تال کو الگ الگ فریکوئنسی بینڈز میں سلجھاتا ہے۔ یہ تقسیم دماغی حالتوں کو بیان کرنے کے لیے بنیادی لغت فراہم کرتی ہے — گہری نیند سے لے کر توجہ مرکوز کرنے تک — اور الفاظ جیسے الفا یا ڈیلٹا لہروں کے معنی واضح کرتی ہے۔ اس لغت کے بغیر، ایک ای ای جی ٹریس ایک ناقابلِ فہم ٹیڑھی میڑھی لکیر رہے گا، اس کی پوشیدہ لہریں پوشیدہ رہیں گی۔
عملی طاقت واضح طور پر دوروں کا پتہ لگانے میں ابھرتی ہے، جہاں فریکوئنسی تجزیہ اعلی درستگی کے ساتھ معمولی دماغی نمونوں سے دورے کی سرگرمی کے درمیان فرق کرتا ہے۔ ٹرانسفارم کا یہ فرض کرنا کہ سگنل کا ایک حصہ خود کو مکمل طور پر دہراتا ہے، ایک ریاضیاتی سہولت ہے، کوئی حیاتیاتی حقیقت نہیں، لیکن مختصر، مستحکم حصوں کا محتاط انتخاب بگاڑ کو قابو میں رکھتا ہے۔ لٹریچر یہ ظاہر کرتا ہے کہ دماغی سرگرمی کو تال کے مجموعے کے طور پر ظاہر کرنا — اگرچہ یہ لفظی ماڈل نہیں ہے کہ نیوران کیسے کام کرتے ہیں — ایسی معلومات حاصل کرتا ہے جو ناپنے کے قابل اور طبی طور پر کارآمد ہے۔
حوالہ جات
جانسن، بی ایچ، بورن، جے آر، اور وارڈ، جے ڈبلیو (1981)۔ ویلش اور فوریئر ٹرانسفارمز کا استعمال کرتے ہوئے ای ای جی وقفوں کی فریکوئنسی تقسیم۔ بایومیڈیکل انجینئرنگ پر آئی ای ای ای کے لین دین، (12)، 836-838۔ https://doi.org/10.1109/TBME.1981.324686
ودیارتنے، ایل ایس، اور افتخار الدین، کے ایم (2017)۔ ای ای جی کا استعمال کرتے ہوئے حقیقی وقت میں مرگی کے دورے کا پتہ لگانا۔ نیورل سسٹمز اور بحالی انجینئرنگ پر آئی ای ای ای ٹرانزیکشنز، 25(11)، 2146-2156۔ https://doi.org/10.1109/TNSRE.2017.2697920
پچوری، آر بی (2008)۔ ایمپیریل موڈ ڈی کمپوزیشن کا استعمال کرتے ہوئے ایکٹل اور دورے سے پاک ای ای جی سگنلز کے درمیان امتیاز۔ جرنل آف الیکٹریکل اینڈ کمپیوٹر انجینئرنگ، 2008(1)، 293056۔ https://doi.org/10.1155/2008/293056
اکثر پوچھے گئے سوالات
ایک خام ای ای جی ٹریس اصل میں کس چیز کی نمائندگی کرتا ہے؟
ایک ای ای جی ٹریس ایک واحد لکیر ہے جو وقت کے ساتھ وولٹیج کی تبدیلیوں کو ظاہر کرتی ہے، لیکن یہ اصل میں دماغ میں بیک وقت ہونے والے بہت سے الگ الگ ارتعاشی عمل کا مشترکہ مجموعہ ہے۔ مختلف تیز اور سست تال ایک مرکب لہر بناتے ہیں، جیسے ایک سے زیادہ ساز ایک ہی راگ میں مل جاتے ہیں۔
فوریئر ٹرانسفارم ایک ای ای جی سگنل کا تجزیہ کیسے کرتا ہے؟
فوریئر ٹرانسفارم وقت کے ساتھ وولٹیج کے بجائے فریکوئنسی مواد کے لحاظ سے اس کی وضاحت کرکے اسی ای ای جی ڈیٹا کو دوبارہ ترتیب دیتا ہے۔ یہ پہلے سے موجود مخلوط تال کے اجزاء کو الگ کرتا ہے، جیسے ایک منشور جو روشنی کی ایک شعاع کے اندر انفرادی طول موج کو ظاہر کرتا ہے۔
کیا فوریئر ٹرانسفارم ای ای جی ریکارڈنگ میں نئی معلومات شامل کرتا ہے؟
نہیں، یہ ٹرانسفارم ریاضیاتی طور پر الٹ ہے اور کوئی ڈیٹا ایجاد یا ضائع نہیں کرتا ہے۔ یہ محض سگنل کو سائنوسائیڈل فریکوئنسیوں کے ایک سیٹ میں تبدیل کر کے ڈسپلے کو تبدیل کرتا ہے، جس سے بنیادی تال والے اجزاء نظر آتے ہیں۔
ای ای جی پر فوریئر ٹرانسفارم کو لاگو کرتے وقت کلیدی ریاضیاتی مفروضہ کیا ہے؟
حساب کتاب ریاضیاتی طور پر منتخب کردہ ای ای جی حصے کے ساتھ ایسا سلوک کرتا ہے جیسے یہ ایک بہترین لوپ میں لامحدود طور پر دہراتا ہے۔ تواتر کا یہ مفروضہ تجزیہ کو آسان بناتا ہے لیکن اگر سگنل کا آغاز اور اختتام آسانی سے میچ نہ کرے تو کنارے کے بگاڑ کو متعارف کروا سکتا ہے۔
ایک بے ترتیب دماغی لہر کو ہموار سائن لہروں میں توڑنا کیوں درست ہے؟
فوریئر کا نظریہ ظاہر کرتا ہے کہ مخصوص فریکوئنسیز، طول و عرض اور مراحل کی خالص سائن اور کوسائن لہروں کو آپس میں ملا کر تقریباً کسی بھی لہر کو دوبارہ بنایا جا سکتا ہے۔ یہ ریاضیاتی نمائندگی تجزیہ کے لیے کام کرتی ہے، حالانکہ نیوران لفظی طور پر الگ تھلگ، صاف سائن لہریں نہیں بناتے ہیں۔
ای ای جی کی تشریح میں الفا یا ڈیلٹا جیسے فریکوئنسی بینڈ کیوں اہم ہیں؟
ایک بار جب سگنل کو توڑ دیا جائے، تو اس کے اجزاء ڈیلٹا یا بیٹا جیسے معیاری بینڈز پر نقش ہوتے ہیں، جو دماغی حالتوں کی وضاحت کے لیے بنیادی ذخیرہ الفاظ تشکیل دیتے ہیں۔ کسی مخصوص بینڈ میں پاور کی تبدیلیوں کا کوئی بھی ذکر مکمل طور پر اسی ابتدائی فوریئر پر مبنی علیحدگی پر منحصر ہوتا ہے۔
دوروں کا پتہ لگانے کے لیے فوریئر تجزیہ کے استعمال کی کون سی شہادتیں حمایت کرتی ہیں؟
فوریئر سے اخذ کردہ فریکوئنسی خصوصیات کے استعمال سے ہونے والے مطالعے نے دوروں اور غیر دوروں والے دماغی سگنلز کے درمیان شماریاتی طور پر اہم فرق دکھایا ہے۔ حقیقی وقت میں پتہ لگانے والے ایک نظام نے اعلی حساسیت حاصل کی، جس سے یہ ظاہر ہوتا ہے کہ ارتعاشی معلومات مرگی کے لیے طبی لحاظ سے متعلقہ مواد رکھتی ہے۔
فریکوئنسی پر مبنی اس نقطہ نظر کی اہم حدود کیا ہیں؟
لامتناہی تکرار کا مفروضہ ایک ساختی سادگی ہے جو لمبی، بدلتی ہوئی ریکارڈنگز پر کم درست ہو جاتی ہے۔ مزید برآں، مضبوط درجہ بندی کے نتائج مخصوص ڈیٹا سیٹس سے آتے ہیں اور یہ ثابت نہیں کرتے کہ دماغ فزیولوجیکل ڈھانچے کے طور پر مجرد سائنوسائیڈل آسکیلیٹرز کا استعمال کرتا ہے۔
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 برکوس
