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 EEG ٹریس درحقیقت کس چیز کی نمائندگی کرتا ہے
ایک الیکٹرو اینسیفلوگرام وولٹیج کو ریکارڈ کرتا ہے کیونکہ یہ ایک لمحے سے دوسرے لمحے میں تبدیل ہوتا ہے۔ جب اسے گراف پر بنایا جائے تو یہ ایک مسلسل لکیر، یعنی ٹائم سیریز کی شکل اختیار کرتا ہے، جو الیکٹروڈ کے نیچے برقی سرگرمی کی تبدیلی کے ساتھ اوپر اور نیچے حرکت کرتی ہے۔ بظاہر، یہ لکیر ایک واحد، مربوط واقعہ معلوم ہوتی ہے۔ لیکن یہ ظاہری شکل گمراہ کن ہے۔
حقیقت میں، کسی ایک لمحے پر ریکارڈ ہونے والا وولٹیج نیچے موجود اعصابی بافتوں کے اندر بیک وقت وقوع پذیر ہونے والے کئی الگ الگ ارتعاشی عملوں (oscillatory processes) کا مجموعی نتیجہ ہوتا ہے۔ ان میں سے کچھ عمل سست روی سے چلتے ہیں اور کچھ تیزی سے۔ جب یہ ایک ساتھ پیش آتے ہیں تو ان کے انفرادی نمونے مل کر ایک مشترکہ ویوفارم بناتے ہیں، بالکل اسی طرح جیسے مختلف سر بجانے والے متعدد ساز مل کر ایک دھن یا راگ (chord) تخلیق کرتے ہیں۔ سننے والا ایک ہی آواز سنتا ہے، لیکن وہ آواز خفیہ طور پر آپس میں جڑی متعدد مخصوص آوازوں (pitches) پر مشتمل ہوتی ہے۔
ایک EEG ٹریس بھی اسی طرح کام کرتا ہے۔ جو چیز ایک بے ترتیب لکیر دکھائی دیتی ہے وہ اصل میں ایک ہی سگنل کے اندر ایک دوسرے پر مسلط کئی تالیں (rhythms) ہیں۔
اس سے پیدا ہونے والا مسئلہ سیدھا سادا ہے: اگر کئی تالیں مل کر ایک ہی ویوفارم بناتی ہیں، تو کوئی بھی یہ کیسے پہچان سکتا ہے کہ کون سی تالیں موجود ہیں، یا ہر ایک کتنی مضبوط ہے؟
فورئیر ٹرانسفارم: ایک عدسہ، نہ کہ خردبین
فورئیر ٹرانسفارم اس سوال کا جواب دیتا ہے، لیکن نیا ڈیٹا دریافت کرکے نہیں۔ یہ ایک مختلف کوآرڈینیٹ سسٹم کا استعمال کرتے ہوئے بالکل اسی EEG حصے کو دوبارہ ظاہر کرکے کام کرتا ہے۔ وقت کے ساتھ ساتھ وولٹیج کی صورت میں سگنل کو بیان کرنے کے بجائے، یہ اسی سگنل کو فریکوئنسی کے مواد کے اعتبار سے بیان کرتا ہے، یعنی اس کے اندر ہر ارتعاشی رفتار کی کتنی مقدار موجود ہے۔
یہ ٹرانسفارم ریاضیاتی طور پر قابلِ واپسی (reversible) ہے کیونکہ یہ ایک EEG وقفے کو اس کی فریکوئنسی کی نمائندگی میں تبدیل کر سکتا ہے، پھر اسے دوبارہ واپس تبدیل کر سکتا ہے، اور اصل وقت پر مبنی ویوفارم بالکل اسی طرح دوبارہ ظاہر ہو جاتا ہے جیسا کہ وہ تھا۔
دونوں نمائندگیاں، وقت اور فریکوئنسی، یکساں معلومات پر مشتمل ہوتی ہیں۔ وہ محض اسے مختلف طریقے سے ترتیب دیتی ہیں، بالکل اسی طرح جیسے پرزم سے گزرنے والی سورج کی روشنی رنگ پیدا نہیں کرتی۔ رنگ پہلے ہی سفید روشنی میں موجود تھا۔ پرزم صرف ان طولِ موجوں کو الگ کرتا ہے جو پہلے سے آپس میں ملی ہوئی تھیں تاکہ وہ انفرادی طور پر نظر آ سکیں۔
فورئیر ٹرانسفارم ایک EEG سگنل پر اسی طرح کی علیحدگی انجام دیتا ہے، جس سے بنیادی ریکارڈنگ میں کسی بھی طرح کی تبدیلی کیے بغیر تال کے اجزاء واضح ہو جاتے ہیں۔
فورئیر ٹرانسفارم کی ریاضیاتی بنیادیں
اپنی اصل میں، یہ ٹرانسفارم ایک سگنل کے انٹیگرل تشخیصی عمل پر انحصار کرتا ہے جسے پیچیدہ ایکسپونینشل فنکشنز (complex exponential functions) سے ضرب دی جاتی ہے۔ یہ عمل اصل ویوفارم اور مختلف فریکوئنسیز کی سائن لہروں کے درمیان باہمی تعلق کا حساب لگاتا ہے۔ اگر اصل سگنل کے اندر کوئی مخصوص فریکوئنسی موجود ہو، تو فریکوئنسی ڈومین میں اس نقطے پر انٹیگرل کی قدر زیادہ حاصل ہوتی ہے، جو مقامی توانائی کی شدت کی نمائندگی کرتی ہے۔
باضابطہ تعریفیں مثلثیاتی افعال (trigonometric functions) اور پیچیدہ ایکسپونینشلز کے درمیان فرق کو ختم کرنے کے لیے اویلر کی شناخت (Euler identity) کا استعمال کرتی ہیں۔ فارورڈ ٹرانسفارم ایک مسلسل فنکشن f(t) کو F(ω) میں تبدیل کرتا ہے، جبکہ معکوس عمل 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 ریورسیبل ریاضیاتی منتقلی ممکن ہو سکے۔
ان انٹیگرلز کو طبعی ڈیٹا پر لاگو کرتے وقت محققین کو نارملائزیشن کنسٹینٹس اور کنورجنس کے معیار پر گہری توجہ دینی چاہیے۔ انٹیگریشن کی حدود یا سگنل کی تعریفوں کو غلط انداز میں سنبھالنے سے غلط سپیکٹرل تخمینے سامنے آ سکتے ہیں۔ ان ریاضیاتی حدود کا احترام کرتے ہوئے، انسان اس بات کو یقینی بناتا ہے کہ فریکوئنسی ڈومین کی نمائندگی اصل وقت پر منحصر ڈیٹا اسٹریم کی وفادارانہ عکاسی رہے۔
فورئیر ٹرانسفارمز کی اقسام
مسلسل بمقابلہ مجرد (ڈسکریٹ) فورئیر ٹرانسفارم
مسلسل ٹرانسفارم کا اطلاق لامحدود وقت کے وقفے پر متعین فنکشنز پر ہوتا ہے، جبکہ ڈسکریٹ ورژن نمونے لیے گئے، محدود ڈیٹا کی ترتیبوں پر کام کرتا ہے۔
عملی طور پر، ڈیجیٹل سسٹمز ہمیشہ ڈسکریٹ پروسیسنگ کا استعمال کرتے ہیں، جس کے لیے مسلسل مظاہر کی درست نمائندگی کرنے کے لیے سیمپلنگ کی حدود پر محتاط غور و فکر کی ضرورت ہوتی ہے۔ اہم ڈیٹا کے نقصان کے بغیر اس منتقلی کا اندازہ لگانے کے لیے مختلف طریقے موجود ہیں، بشمول:
ونڈوونگ فنکشنز جو ان پٹ ڈیٹا کے کناروں کو ٹیپر کر کے سپیکٹرل لیکیج کو روکتے ہیں۔
نتیجے میں حاصل ہونے والے فریکوئنسی بنز کی ریزولوشن بڑھانے کے لیے زیرو پیڈنگ کی تکنیکیں۔
ایلیزنگ کے تخفیف کی حکمت عملیاں جو ڈیجیٹائزنگ کے عمل کے دوران سگنل کی سالمیت کو یقینی بناتی ہیں۔
تمام متعلقہ ہائی فریکوئنسی معلومات کو حاصل کرنے کے لیے سیمپلنگ تھیورم کی تعمیل۔
موثر کمپیوٹیشنل میپنگ جو ان پٹ ڈیٹا پوائنٹس کی تعداد کے ساتھ مطابقت رکھتی ہے۔
یہ تحفظات اس بات کا تعین کرنے میں مدد کرتے ہیں کہ ڈسکریٹ نتیجہ کس حد تک مؤثر طریقے سے بنیادی مسلسل سگنل کے ڈھانچے کی عکاسی کرتا ہے۔
فاسٹ فورئیر ٹرانسفارم: رفتار کیوں اہمیت رکھتی ہے
موثر الگورتھمز کی تیاری، جیسے کہ فاسٹ فورئیر ٹرانسفارم (FFT)، نے ڈیٹا کی بھاری مقدار کے حامل سسٹمز میں ریئل ٹائم سپیکٹرل تجزیہ کو ممکن بنایا۔ ان اصلاحات کے بغیر، معیاری ڈسکریٹ ٹرانسفارمز کی کمپیوٹیشنل پیچیدگی جدید تشخیصی ٹیکنالوجیز کو ناقابلِ استعمال بنا دیتی۔ بڑے ڈیٹا سیٹس کے حساب کتاب کے وقت کا موازنہ کرتے وقت کارکردگی کے فوائد واضح طور پر نظر آتے ہیں، جیسا کہ نیچے دکھایا گیا ہے۔
ڈیٹا سیٹ کا سائز | کمپیوٹیشن کی مقدار | وقت کی دشواری |
|---|---|---|
256 نمونے | کم | نہ ہونے کے برابر |
1,024 نمونے | معتدل | موثر |
32,768 نمونے | زیادہ | بہت تیز |
مربعی طور پر بڑھنے والے آپریشن کو لوگارتھمک پیمانے پر بڑھنے والے آپریشن میں تبدیل کر کے، یہ ٹولز سگنل کی تیز رفتار نگرانی میں سہولت فراہم کرتے ہیں۔ تیز رفتار پروسیسنگ فوری فیڈ بیک لوپس کی اجازت دیتی ہے، جو ایسے ماحول میں ناگزیر ہیں جہاں حقیقی وقت میں تبدیلیوں کا مشاہدہ کرنا تحقیق کا بنیادی مقصد ہو۔
ہر فورئیر کیلکولیشن کے پیچھے متواتر ہونے (پیریوڈیシティ) کا مفروضہ
جب فورئیر 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 میں آگے اور پیچھے دونوں سمتوں میں ہمیشہ کے لیے لامحدود طور پر دہرایا جا رہا ہو۔ تجزیہ کیے جانے والے EEG کے مختصر حصے کو ایک لامتناہی لوپ میں ایک دہرائی جانے والی اکائی کے طور پر دیکھا جاتا ہے۔
حقیقی EEG سرگرمی اس طرح برتاؤ نہیں کرتی۔ دماغی سگنلز مکمل طور پر متواتر (periodic) نہیں ہوتے، اور مسلسل ریکارڈنگ سے لیا گیا کوئی حصہ شاذ و نادر ہی ایسی قدروں پر شروع اور ختم ہوتا ہے جو خود پر دوبارہ لوپ ہونے کی صورت میں روانی سے جڑ سکیں۔
جب اس حصے کے کنارے آپس میں میل نہیں کھاتے، تو لامحدود تکرار کا مفروضہ حدود پر بگاڑ پیدا کرتا ہے، جسے بعض اوقات کنارے کے نمونے (edge artifacts) یا سپیکٹرل لیکیج کہا جاتا ہے، جہاں ایک فریکوئنسی کی توانائی پڑوسی فریکوئنسیوں میں پھیلتی دکھائی دیتی ہے جو دراصل اصل سگنل میں موجود ہی نہیں تھیں۔
یہ کوئی ایسی خامی نہیں ہے جو اس طریقہ کار کو باطل کر دے۔ یہ ایک جانا پہچانا ریاضیاتی سمجھوتہ ہے، اور جب حصوں کا انتخاب احتیاط سے کیا جائے تو یہ قابلِ انتظام ہوتا ہے۔ یہی وجہ ہے کہ فریکوئنسی پر مبنی EEG تجزیہ عام طور پر طویل، مسلسل بدلتی ہوئی ریکارڈنگ کے بجائے سگنل کے مختصر، نسبتاً مستحکم ٹکڑوں کے ساتھ کام کرتا ہے۔
جانسن وغیرہ نے، مثال کے طور پر، طویل ریکارڈنگ کے بجائے مختصر EEG وقفوں کے فریکوئنسی ڈومین کے خصائص کا موازنہ کیا، یہ ایک ایسا طریقہ ہے جو ہر تجزیہ شدہ حصے کو اتنا مختصر رکھنے سے ہم آہنگ ہے کہ پیریوڈیシティ کا مفروضہ ایک معقول تخمینہ رہے۔ ودیارتنے وغیرہ کی ایک تحقیق نے اس سے ملتا جلتا لیکن زیادہ مخصوص راستہ اختیار کیا، جس میں ہارمونک ویولیٹ پیکٹ ٹرانسفارم کا حساب لگایا گیا، یہ ایک ایسی تکنیک ہے جو فورئیر ٹرانسفارم پر ہی بنائی گئی ہے، تاکہ وقت کے ساتھ تبدیل ہونے والے دماغی سگنلز کے تجزیے سے پیدا ہونے والی ریزولوشن کی حدود کو دور کرتے ہوئے فریکوئنسی کی معلومات حاصل کی جا سکیں۔
دونوں طریقے یہ ظاہر کرتے ہیں کہ عملی EEG کا کام کس طرح ایک ریاضیاتی سہولت کو ایڈجسٹ کرتا ہے جو حیاتیاتی حقیقت سے پوری طرح میل نہیں کھاتی، بغیر اس ٹول کو مکمل طور پر ترک کیے۔
دماغی سرگرمی کو پڑھنے کے لیے فریکوئنسی کا مواد کیوں اہم ہے
ایک بار جب EEG کا دورانیہ (epoch) اس کے فریکوئنسی اجزاء میں تبدیل ہو جاتا ہے، تو وہ اجزاء ان زمروں پر نقش ہوتے ہیں جن سے دماغی سرگرمی کے بارے میں پڑھنے والا کوئی بھی شخص ممکنہ طور پر واقف ہوگا: ڈیلٹا، تھیٹا، الفا، بیٹا، اور گاما بینڈز۔ یہ لیبلز ارتعاش کی رفتار کی حدود کو بیان کرتے ہیں، اور وہ نیند کی تحقیق، علمی مطالعہ، اور طبی تشخیص میں استعمال ہونے والی اصطلاحات تشکیل دیتے ہیں۔
یہ تفریق لازمی طور پر فریکوئنسی پر مبنی تمام EEG تشریحات کی تصوراتی بنیاد ہے۔ جب بھی کوئی رپورٹ کسی مخصوص بینڈ میں بڑھی ہوئی سرگرمی، یا بینڈز کے درمیان توازن میں تبدیلی کا ذکر کرتی ہے، تو یہ بیان صرف اس لیے معنی خیز ہوتا ہے کہ سگنل کو پہلے اس منطق کا استعمال کرتے ہوئے توڑا گیا تھا جو فورئیر ٹرانسفارم فراہم کرتا ہے۔ اس تفریق کے بغیر، دماغ کے تال کو بیان کرنے کے لیے سرے سے کوئی ذخیرہ الفاظ موجود نہیں ہوگا، بس ایک مسلسل وولٹیج کا نشان ہوگا۔
یہ دعویٰ کہ ارتعاشی فریکوئنسی دماغی حالتوں کے بارے میں معنی خیز معلومات رکھتی ہے، نیورو سائنس کے کئی شعبوں میں وسیع پیمانے پر زیر بحث ہے۔
فورئیر پر مبنی تجزیے نے دورے (Seizure) کی سرگرمی کے بارے میں کیا انکشاف کیا ہے
دورے والے اور دورے سے پاک سگنلز کو الگ کرنا
محقق رام بلاس پچوری نے انٹرانیل EEG سگنلز پر ایمپیریکل موڈ ڈیکمپوزیشن نامی ایک تکنیک کا اطلاق کیا، جس نے ہر ریکارڈنگ کو بینڈ کے محدود اجزاء کے سیٹ میں توڑ دیا جنہیں 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 فورئیر-بیسل توسیع کا استعمال کیا۔
جب دورے کے سگنلز (یعنی فعال دورے کے دوران ریکارڈ کیے گئے) کا موازنہ دورے سے پاک سگنلز سے کیا گیا، تو اوسط فریکوئنسی کے فیچر نے دونوں حالتوں کے درمیان شماریاتی طور پر نمایاں فرق ظاہر کیا۔ یہ نتیجہ ظاہر کرتا ہے کہ فورئیر پر مبنی طریقہ کار کے ذریعے حاصل کردہ فریکوئنسی کی معلومات میں دورے کی سرگرمی سے جڑا ایک قابلِ شناخت اثر موجود تھا۔
ودیارتنے وغیرہ نے اس سے ملتے جلتے لیکن زیادہ تفصیلی مقصد کا تعاقب کیا: حقیقی وقت میں دورے کے آغاز کا پتہ لگانا۔ اس نقطہ نظر نے ہارمونک ویولیٹ پیکٹ ٹرانسفارم سے حاصل ہونے والے توانائی کے خصائص کو، جن کا حساب فورئیر ٹرانسفارم کے ذریعے لگایا گیا تھا، فریکٹل ڈائمینشن نامی ایک الگ پیمائش کے ساتھ ملایا، جو سگنل کے اندر دہرائے جانے والے مشابہ نمونوں کو گرفت میں لاتی ہے۔
یہ مشترکہ خصوصیات الیکٹروڈ چینلز کے پار مقامی طور پر اور ایک حرکت پذیر تجزیاتی ونڈو کے پار وقتی طور پر منظم کی گئیں، پھر ریلیونس ویکٹر مشین کا استعمال کرتے ہوئے ان کی درجہ بندی کی گئی، یہ ایک ایسا طریقہ ہے جسے بڑے، منتشر فیچر سیٹس کے ساتھ اس کی کارکردگی کی وجہ سے منتخب کیا گیا ہے۔
کھوپڑی کے طویل مدتی EEG ریکارڈنگز پر ٹیسٹ کیے جانے پر، سسٹم نے دورے کے آغاز کا پتہ لگانے کے لیے 96 فیصد حساسیت حاصل کی، جس میں فی گھنٹہ صرف 0.1 غلط واقعات کی اوسط شرح اور اوسطاً 1.89 سیکنڈز کی تاخیر تھی۔ قلیل مدتی ڈیٹا پر، جو کھوپڑی اور انٹرانیل دونوں ریکارڈنگز سے حاصل کیا گیا تھا، درجہ بندی کی درستگی 99.8 فیصد تک پہنچ گئی۔
ایک ساتھ، یہ دونوں مطالعات ظاہر کرتے ہیں کہ فورئیر سے متعلقہ تجزیے کے ذریعے نکالی گئی ارتعاشی معلومات مرگی کی تشخیص کے مخصوص تناظر میں طبی لحاظ سے متعلقہ مواد رکھتی ہے۔
ایک متبادل ٹرانسفارم کے مقابلے میں فورئیر کے فیچرز
جانسن وغیرہ نے اس سوال کو ایک مختلف زاویے سے دیکھا، جس میں دو ریاضیاتی ٹرانسفارمز کا براہ راست ایک دوسرے سے موازنہ کیا گیا۔
صرف فورئیر کے تجزیے کی جانچ کرنے کے بجائے، محققین نے فورئیر ٹرانسفارم سے حاصل کردہ خصوصیات کا والش (Walsh) ٹرانسفارم سے حاصل کردہ خصوصیات سے موازنہ کیا، یہ ایک ایسا طریقہ ہے جو ہموار سائنوسائیڈز کے بجائے مستطیل، مربع شکل کے فنکشنز کا استعمال کرتے ہوئے سگنلز کو توڑتا ہے۔ مختصر EEG وقفوں پر لاگو کیے جانے پر، فورئیر ٹرانسفارم سے حاصل کی گئی خصوصیات نے مستقل طور پر والش ٹرانسفارم سے حاصل کردہ خصوصیات کے مقابلے میں درجہ بندی کے بہتر نتائج پیدا کیے۔
یہ موازنہ بتاتا ہے کہ سائنوسائیڈل تعمیری بلاکس مستطیل متبادلات کے مقابلے میں EEG سگنلز کی بنیادی ساخت کے ساتھ زیادہ قدرتی طور پر ہم آہنگ ہو سکتے ہیں، کم از کم ان مخصوص درجہ بندی کے کاموں کے لیے جن کا مطالعہ کیا گیا۔
پورٹیبل آلات کے استعمال سے اطلاقی EEG تحقیق میں فورئیر ٹرانسفارم
پورٹیبل EEG headset نے لیبارٹری سے باہر دماغی سرگرمی کو ریکارڈ کرنا ممکن بنا دیا ہے، اور ان ریکارڈنگز سے فریکوئنسی بینڈ کی معلومات نکالنے کے لیے فورئیر ٹرانسفارم بنیادی ٹول کی حیثیت رکھتا ہے۔ Emotiv Epoc X کا استعمال کرتے ہوئے کیے گئے کئی حالیہ مطالعات واضح کرتے ہیں کہ کس طرح سپیکٹرل تجزیہ تعلیم، برین-کمپیوٹر انٹرفیسز، کنزیومر نیورو سائنس، اور آپریشنل کارکردگی کی تحقیق میں مدد فراہم کرتا ہے۔
کلاس روم میں علمی بوجھ اور توجہ کی نگرانی
ایک تعلیمی مطالعے میں، محققین نے پرسکون رہنے، پڑھنے اور ریاضی کے دوران EEG ریکارڈ کرنے کے لیے Emotiv Epoc X کا استعمال کیا۔ انہوں نے تھیٹا، الفا، اور بیٹا بینڈ پاور کا حساب لگانے کے لیے فورئیر ٹرانسفارم کا اطلاق کیا اور توجہ، شمولیت اور علمی بوجھ کے تخمینے اخذ کیے۔ مصنفین نے تھکاوٹ سے جڑی الفا پاور میں اضافے، پڑھنے کے دوران زیادہ توجہ، اور حساب کتاب کے دوران علمی بوجھ میں اضافے کی اطلاع دی—خاص طور پر جب جوابات درست تھے۔
ڈسلیکسیا کے شکار شرکاء نے کھلی آنکھوں کے ساتھ پرسکون رہنے کے دوران الفا کی کم ترین فریکوئنسی دکھائی اور پڑھتے وقت تھیٹا کی سرگرمی میں اضافہ دکھایا، حالانکہ ان کے ٹیسٹ کے اسکورز کنٹرول گروپ کے برابر تھے۔ نتائج سے پتہ چلتا ہے کہ EEG ہوشیاری اور تھکاوٹ پر نظر رکھنے میں مدد کر سکتا ہے، لیکن توجہ کے لیے استعمال ہونے والا بیٹا/تھیٹا کا تناسب مسلسل توجہ کی قابلِ اعتماد طریقے سے نگرانی نہیں کر سکتا، جیسا کہ تعلیم میں EEG کی نگرانی میں بیان کیا گیا ہے۔
روبوٹ کنٹرول کے لیے سٹیڈی اسٹیٹ ویژول ایووکڈ پوٹینشلز کا پتہ لگانا
ایک برین-کمپیوٹر انٹرفیس مطالعے میں ٹمٹماتے ہوئے LED گروپس کے ذریعے پیدا ہونے والے سٹیڈی اسٹیٹ ویژولی ایووکڈ پوٹینشلز (SSVEPs) کا پتہ لگانے کے لیے Emotiv Epoc X کا استعمال کیا گیا۔ فاسٹ فورئیر ٹرانسفارم تجزیے نے، ایک گاؤسیئن ماڈل کے ساتھ مل کر، صارف کی نظر کی سمت کے مطابق غالب فریکوئنسی جزو کی نشاندہی کی۔
کسی بھی قسم کی تربیت کے بغیر، سسٹم نے اوسطاً 75% وقت مطلوبہ ہدف کا درست پتہ لگایا، جس سے یہ ظاہر ہوتا ہے کہ فورئیر پر مبنی فریکوئنسی کا پتہ لگانے کا عمل بصری توجہ کو کنٹرول کمانڈز میں تبدیل کر سکتا ہے، جیسا کہ SSVEP پر مبنی BCI کنٹرول میں دکھایا گیا ہے۔
الفا بینڈ کے خصائص سے برانڈ کی ترجیح کا تعین کرنا
ایک نیورومارکیٹنگ تحقیق میں، Emotiv Epoc X نے اس وقت دماغی ردعمل ریکارڈ کیا جب شرکاء کاروں کے اشتہارات دیکھ رہے تھے۔ الفا بینڈ (8-13 ہرٹز) کو الگ کیا گیا، اور فاسٹ فورئیر ٹرانسفارم نے پاور سپیکٹرل ڈینسٹی، سپیکٹرل انرجی، اور سپیکٹرل سینٹرائیڈ کو اخذ کیا۔ جب ان خصوصیات کو امکانی نیورل نیٹ ورک کے ساتھ درجہ بند کیا گیا، تو سسٹم نے سب سے زیادہ پسندیدہ برانڈ کی شناخت میں 96.62% درستگی حاصل کی۔
یہ نتیجہ ظاہر کرتا ہے کہ فریکوئنسی ڈومین کے فیچرز ایک کنٹرول شدہ ماحول میں صارف کی ترجیح کی عکاسی کر سکتے ہیں، جیسا کہ FFT پر مبنی نیورومارکیٹنگ تجزیہ میں تفصیل سے بتایا گیا ہے۔
بحری نیویگیشن کے دوران حالات سے آگاہی (Situational Awareness) کا جائزہ
ٹگ بوٹ کے کپتانوں پر کیے گئے ایک مطالعے میں آرام اور بندرگاہ میں حقیقی نقل و حرکت کے دوران EEG ریکارڈ کرنے کے لیے EmotivPRO سافٹ ویئر کے ساتھ Emotiv Epoc X کا استعمال کیا گیا۔ فاسٹ فورئیر ٹرانسفارم بینڈ پاور تجزیے نے پانچ حالتوں کا موازنہ کیا اور الفا پاور میں کوئی فرق نہیں پایا، جبکہ نقل و حرکت کے دوران ڈیلٹا، تھیٹا، بیٹا، اور گاما پاور میں کمی واقع ہوئی۔ مصنفین اس طرز کی تشریح اس بات کے ثبوت کے طور پر کرتے ہیں کہ پیشہ ور کپتانوں نے آرام اور فعال نیویگیشن کے دوران حالات سے مستقل آگاہی برقرار رکھی، جیسا کہ نیویگیشن میں حالات سے آگاہی میں رپورٹ کیا گیا ہے۔
یہ تحقیقات واضح کرتی ہیں کہ کس طرح فورئیر کا تجزیہ، پورٹیبل EEG ٹیکنالوجی کے ساتھ مل کر، حقیقی دنیا کے متنوع کاموں میں معنی خیز سپیکٹرل خصوصیات نکال سکتا ہے۔ یہ نتائج باہمی تعلق پر مبنی ہیں اور نمونے کے چھوٹے سائز سے حاصل کیے گئے ہیں، لہذا وہ قابلِ اعتماد بائیو مارکر قائم کرنے کے بجائے ممکنہ ایپلی کیشنز کی طرف اشارہ کرتے ہیں۔ فریکوئنسی پر مبنی ان اقدامات کے وسیع تر اطلاق کو سمجھنے کے لیے بڑے اور زیادہ متنوع گروپس کے ساتھ مزید تحقیق کی ضرورت ہوگی۔
ڈسکریٹ فورئیر ٹرانسفارم (DFT) کا حساب کیسے لگائیں
ڈسکریٹ ٹرانسفارم کا حساب صاف ستھرے ان پٹ ڈیٹا سے شروع ہوتا ہے جو ایک مستحکم مدت کے دوران سگنل کا نمائندہ ہو۔ سب سے پہلے اس بات کو یقینی بنانا چاہیے کہ سگنل کی لمبائی مطلوبہ فریکوئنسی ریزولوشن سے میل کھاتی ہو، پھر محدود ڈیٹا کٹ جانے کی وجہ سے پیدا ہونے والے سپیکٹرل نقائص کو کم کرنے کے لیے ونڈوونگ فنکشن لاگو کریں۔ حساب 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 میں ٹائم سیریز ونڈو کے اندر تمام سیمپل پوائنٹس پر ٹرانسفارمیشن فارمولے کا اطلاق شامل ہوتا ہے۔ ڈیجیٹل سافٹ ویئر پلیٹ فارمز اس بھاری کام کو سنبھالتے ہیں، عام طور پر فی سیکنڈ لاکھوں حسابات انجام دینے اور ایک واضح طول و عرض کا سپیکٹرم پیدا کرنے کے لیے فاسٹ فورئیر ٹرانسفارم (FFT) الگورتھم کا استعمال کرتے ہیں۔ اس آؤٹ پٹ کو ان پٹ پیمائش کے طبعی یونٹس (جیسے کہ EEG میں مائیکرو وولٹس، یا $\mu V$) کی عکاسی کرنے کے لیے صحیح طریقے سے اسکیل کیا جانا چاہیے، تاکہ یہ یقینی بنایا جا سکے کہ نتائج بعد کی تحقیق کے لیے قابل تشریح رہیں۔
حاصل ہونے والے سپیکٹرل وسعت کی تشریح کے لیے الگ الگ ارتعاشی نمونوں کے لیے ڈیٹا کی جانچ پڑتال کی ضرورت ہوتی ہے۔ جبکہ مکینیکل سسٹمز تیز، الگ تھلگ چوٹیوں کو ظاہر کر سکتے ہیں، حیاتیاتی سگنلز جیسے کہ EEG کو صرف مجرد چوٹیوں پر انحصار کرنے کے بجائے اکثر وسیع فریکوئنسی بینڈز (مثلاً، 8–12 ہرٹز الفا بینڈ) کے اندر کل پاور کا تجزیہ کرنے کی ضرورت ہوتی ہے۔ ان سپیکٹرل خصوصیات کی طبعی اہمیت کا انحصار سیاق و سباق پر ہوتا ہے، جو اکثر بنیادی جسمانی یا میکانکی رویے کی نشاندہی کرتی ہے۔ ان اقدامات پر مستقل مزاجی سے عمل کر کے، محققین انتہائی پیچیدہ مشاہداتی ویوفارمز سے بھی معنی خیز اور قابلِ عمل فریکوئنسی ڈیٹا حاصل کر سکتے ہیں۔
فورئیر ٹرانسفارم بمقابلہ دیگر فریکوئنسی ڈومین طریقے
اگرچہ یہ انتہائی ورسٹائل ہے، فورئیر کا طریقہ ساکن سگنلز (stationary signals) کا مفروضہ لیتا ہے، جو پیمائش کے دورانیے میں مستحکم رہتے ہیں۔ تیز رفتار، عارضی تبدیلیوں پر مشتمل حالات میں—جیسے کہ مرگی کا اچانک جھٹکا یا نیند کے اسپنڈلز کا مختصر وقفہ—دیگر طریقے جیسے ویولیٹ ٹرانسفارمز 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 لینا ضروری ہے کہ آیا سگنل مستقل تال کی ساخت کو برقرار رکھتا ہے یا اچانک تبدیل ہو جاتا ہے۔
متبادل طریقے، جیسے کہ سنگولر سپیکٹرم اینالیسس (SSA)، غیر خطی، غیر متوقع سگنلز کو توڑنے کے لیے فوائد پیش کرتے ہیں جنہیں حل کرنے میں معیاری ٹرانسفارمز کو دشواری پیش آتی ہے۔ یہ طریقے پیچیدہ، حقیقی دنیا کے فزیولوجیکل ڈیٹا سیٹس میں ارتعاشی شور کے مقابلے میں سگنل کے رجحان کو الگ کرنے میں اکثر بہترین ثابت ہوتے ہیں۔ انتخاب کا انحصار اس بات پر ہے کہ ایک مخصوص تحقیقی سیٹ اپ میں وقتی بمقابلہ سپیکٹرل درستگی کے لیے کس حد تک باریکی کی ضرورت ہے۔
بالآخر، کوئی بھی واحد ٹرانسفارمیشن طریقہ سگنل پروسیسنگ کی مشکلات کے لیے ایک آفاقی علاج نہیں ہے۔ محققین کو اپنے ڈیٹا کی خصوصیات کے مطابق ہر طریقہ کار کی کمپیوٹیشنل لاگت اور ریاضیاتی حدود کا موازنہ کرنا چاہیے۔ ان مختلف زاویوں کو یکجا کرنا ایک مضبوط اور جامع تشخیصی عمل کو یقینی بناتا ہے جو حتمی تشریح کی درستگی کو زیادہ سے زیادہ کرتا ہے۔
فورئیر ٹرانسفارمز کے حساب کے لیے ٹولز اور سافٹ ویئر
جدید اوپن سورس لائبریریوں نے ان جدید ریاضیاتی عملوں تک رسائی کو آسان بنا دیا ہے، جس سے محققین کوڈ کی صرف چند لائنوں کے ساتھ پیچیدہ تجزیے کر سکتے ہیں۔ خاص طور پر ڈیٹا سائنس کے لیے بنائے گئے پلیٹ فارمز ایسے بہترین معمولات پیش کرتے ہیں جو بڑی اریوں اور ہائی ڈائمینشنل سگنلز کو آسانی سے سنبھالتے ہیں۔ یہ ٹولز سپیکٹرل تجزیے کو بڑی پائپ لائنوں میں ضم کرنے میں سہولت فراہم کرتے ہیں، بشمول خودکار سگنل کی صفائی اور درجہ بندی کے کام۔
اعصابی یا زلزلہ پیما ڈیٹا کے لیے ڈیزائن کردہ خصوصی سافٹ ویئر میں اکثر سپیکٹرل ڈیکمپوزیشن اور آرٹیفیکٹ کو ہٹانے کے لیے پہلے سے بنے ہوئے ماڈیولز شامل ہوتے ہیں۔ یہ پیکجز فریکوئنسی اسکیلنگ اور ونڈوونگ کی پیچیدگیوں کو خود بخود سنبھالتے ہیں، جس سے ان محققین کے لیے غلطیوں کا خطرہ کم ہو جاتا ہے جنہیں بنیادی الگورتھمز میں مہارت حاصل نہیں ہو سکتی۔ ان معیاری ٹولز کا مستقل استعمال مختلف لیبارٹریوں میں تحقیقی نتائج کی دوبارہ پیداواری صلاحیت میں بھی مدد کرتا ہے۔
سافٹ ویئر سوٹ کا انتخاب کرتے وقت، موجودہ ڈیٹا فارمیٹس کے ساتھ مطابقت اور اعلی کثافت والے سینسر اریوں کو سنبھالنے کی صلاحیت اولین ترجیحات رہتی ہیں۔ پیرامیٹر ٹیوننگ اور الگورتھم کے انتخاب کی واضح مثالیں فراہم کرنے والی دستاویزات ابتدائی افراد کے لیے بے حد مفید ہیں۔ چونکہ کمیونٹی ان ٹولز کو بہتر بنانا جاری رکھے ہوئے ہے، توجہ تیزی سے بہت بڑے ڈیٹا سیٹس کے لیے ریئل ٹائم ایج پروسیسنگ اور کلاؤڈ پر مبنی اسکیل ایبلٹی کی طرف منتقل ہو رہی ہے۔
فریکوئنسی تجزیہ دماغ کے پوشیدہ تال کے بارے میں کیا ظاہر کرتا ہے
فورئیر ٹرانسفارم دماغی سگنلز کے لیے ایک ریاضیاتی پرزم کی طرح کام کرتا ہے، جو ایک دوسرے پر چڑھتی تالوں کو الگ الگ فریکوئنسی بینڈز میں سلجھاتا ہے۔ یہ بریک ڈاؤن دماغی کیفیتوں کو بیان کرنے کے لیے ضروری ذخیرہ الفاظ فراہم کرتا ہے—گہری نیند سے لے کر چوکنا توجہ تک—اور الفا یا ڈیلٹا لہروں جیسی اصطلاحات کو سمجھنے میں مدد دیتا ہے۔ اس تنظیم نو کے بغیر، ایک EEG ٹریس ایک ناقابلِ فہم لکیر ہی رہے گا، جس کے پوشیدہ تال دکھائی نہیں دیں گے۔
عملی طاقت دورے کا پتہ لگانے میں واضح طور پر سامنے آتی ہے، جہاں فریکوئنسی تجزیہ دورے کی سرگرمی کو دماغ کے عام نمونوں سے اعلی درستگی کے ساتھ ممتاز کرتا ہے۔ ٹرانسفارم کا یہ مفروضہ کہ ایک سگنل کا حصہ خود کو بالکل ٹھیک دہراتا ہے ایک ریاضیاتی سہولت ہے، 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 تالوں کے مجموعے کے طور پر پیش کرنا—اگرچہ یہ نیورونز کے فائر کرنے کا کوئی لفظی ماڈل نہیں ہے—ایسی معلومات فراہم کرتا ہے جو قابلِ پیمائش اور طبی لحاظ سے مفید ہیں۔
حوالہ جات
Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686
Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920
Pachori, R. B. (2008). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056
اکثر پوچھے جانے والے سوالات
ایک خام EEG ٹریس درحقیقت کس چیز کی نمائندگی کرتا ہے؟
ایک EEG ٹریس ایک واحد لکیر ہے جو وقت کے ساتھ وولٹیج کی تبدیلیوں کو ظاہر کرتی ہے، لیکن یہ درحقیقت دماغ میں بیک وقت پیش آنے والے کئی الگ الگ ارتعاشی عملوں کا مجموعہ ہے۔ مختلف تیز اور سست تالیں مل کر ایک مشترکہ ویوفارم بناتی ہیں، جیسے متعدد ساز مل کر ایک دھن تخلیق کرتے ہیں۔
فورئیر ٹرانسفارم ایک EEG سگنل کا تجزیہ کیسے کرتا ہے؟
فورئیر ٹرانسفارم وقت کے ساتھ ساتھ وولٹیج کے بجائے فریکوئنسی مواد کی صورت میں بیان کر کے بالکل اسی EEG ڈیٹا کو دوبارہ ترتیب دیتا ہے۔ یہ پہلے سے موجود مخلوط تال کے اجزاء کو الگ کرتا ہے، بالکل ایک پرزم کی طرح جو روشنی کی کرن کے اندر انفرادی طولِ موج کو ظاہر کرتا ہے۔
کیا فورئیر ٹرانسفارم EEG ریکارڈنگ میں نئی معلومات کا اضافہ کرتا ہے؟
نہیں، یہ ٹرانسفارم ریاضیاتی طور پر الٹنے کے قابل ہے اور کسی بھی ڈیٹا کو ایجاد یا ضائع نہیں کرتا۔ یہ سگنل کو سائنوسائیڈل فریکوئنسیوں کے ایک سیٹ میں تبدیل کر کے محض ڈسپلے کو بدل دیتا ہے، جس سے بنیادی تال کے اجزاء نظر آنے لگتے ہیں۔
EEG پر فورئیر ٹرانسفارم کا اطلاق کرتے وقت بنیادی ریاضیاتی مفروضہ کیا ہے؟
کیلکولیشن ریاضیاتی طور پر منتخب کردہ EEG حصے کے ساتھ ایسا سلوک کرتی ہے جیسے یہ ایک بہترین لوپ میں لامحدود طور پر دہرایا جاتا ہے۔ یہ متواتر ہونے (پیریوڈیシティ) کا مفروضہ تجزیے کو آسان بناتا ہے لیکن اگر سگنل کا آغاز اور اختتام روانی سے میل نہ کھائیں تو کنارے پر نقائص (edge artifacts) پیدا کر سکتا ہے۔
ایک بے ترتیب دماغی لہر کو ہموار سائن لہروں میں تقسیم کرنا کیوں درست ہے؟
فورئیر کا نظریہ ظاہر کرتا ہے کہ تقریباً کسی بھی ویوفارم کو مخصوص فریکوئنسیوں، طول و عرض اور فیزز کی خالص سائن اور کوسائن لہروں کو ایک ساتھ جوڑ کر دوبارہ تشکیل دیا جا سکتا ہے۔ یہ ریاضیاتی نمائندگی تجزیے کے لیے کام کرتی ہے، حالانکہ نیورونز لفظی طور پر الگ تھلگ، صاف سائن لہریں پیدا نہیں کرتے ہیں۔
EEG کی تشریح میں الفا یا ڈیلٹا جیسے فریکوئنسی بینڈز کیوں اہم ہیں؟
ایک بار جب کوئی سگنل ٹوٹ جاتا ہے، تو اس کے اجزاء ڈیلٹا یا بیٹا جیسے معیاری بینڈز پر نقش ہوتے ہیں، جو دماغی حالتوں کو بیان کرنے کے لیے بنیادی ذخیرہ الفاظ بناتے ہیں۔ کسی مخصوص بینڈ میں پاور کی تبدیلیوں کا کوئی بھی ذکر مکمل طور پر اس ابتدائی فورئیر پر مبنی علیحدگی پر منحصر ہے۔
دوروں کا پتہ لگانے کے لیے فورئیر کے تجزیے کے استعمال کی حمایت میں کیا ثبوت ہیں؟
فورئیر سے حاصل کردہ فریکوئنسی خصوصیات کا استعمال کرتے ہوئے کیے گئے مطالعات نے دورے اور دورے سے پاک دماغی سگنلز کے درمیان شماریاتی طور پر نمایاں فرق دکھایا ہے۔ ایک ریئل ٹائم ڈیٹیکشن سسٹم نے اعلی حساسیت حاصل کی، جس سے یہ ثابت ہوا کہ ارتعاشی معلومات مرگی کے لیے طبی لحاظ سے متعلقہ مواد رکھتی ہیں۔
اس فریکوئنسی پر مبنی طریقہ کار کی بنیادی حدود کیا ہیں؟
لامحدود تکرار کا مفروضہ ایک ساختی سادگی ہے جو طویل، تبدیل ہوتی ہوئی ریکارڈنگز پر کم درست ثابت ہوتی ہے۔ مزید برآں، درجہ بندی کے مضبوط نتائج مخصوص ڈیٹا سیٹس سے حاصل ہوتے ہیں اور یہ ثابت نہیں کرتے کہ دماغ جسمانی ساخت کے طور پر مجرد سائنوسائیڈل اوسیلیٹرز 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۔
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
