انڈیپنڈنٹ کمپوننٹ اینالیسس (آزاد جزو کا تجزیہ) بلائنڈ سورس سیپریشن کے لیے ایک طاقتور کمپیوٹیشنل طریقہ ہے جو مختلف شعبوں میں استعمال ہوتا ہے۔ یہ مؤثر طریقے سے مخلوط EEG سگنلز کو الگ کرتا ہے جو شماریاتی طور پر آزاد اور غیر گاویشین (non-Gaussian) ہیں۔
انڈیپنڈنٹ کمپوننٹ اینالیسس (ICA) کیا ہے؟
انڈیپنڈنٹ کمپوننٹ اینالیسس ایک جدید شماریاتی اور حسابی تکنیک ہے جس کی توجہ مخلوط مشاہدات کے ایک سیٹ سے پوشیدہ عوامل یا اجزا اخذ کرنے پر مرکوز ہے۔
حقیقی دنیا کے بہت سے منظرناموں میں، ریکارڈ شدہ ڈیٹا بیک وقت ایک واسطے کے ذریعے کام کرنے والے متعدد ماخذ سگنلز کا نتیجہ ہوتا ہے، جس سے ایک پیچیدہ اوورلیپ بنتا ہے جو اکثر اپنی خام شکل میں ناقابل فہم ہوتا ہے۔ مخصوص الجبری تبدیلیوں کو لاگو کرکے، یہ طریقہ مکسنگ کے عمل کو الٹنے کے لیے ایک فلٹر کے طور پر کام کرتا ہے۔
بنیادی تصور: مخلوط سگنلز کو الگ کرنا
اس شعبے کا بنیادی مفروضہ "کاک ٹیل پارٹی کے مسئلے" کے گرد گھومتا ہے، جہاں ایک کمرے میں بیک وقت کئی لوگ بولتے ہیں جبکہ متعدد مائیکروفون اس کے نتیجے میں بننے والی صوتی کھچڑی کو ریکارڈ کرتے ہیں۔
ایک عام مبصر کو آوازوں کا محض ایک افراتفری والا مرکب سنائی دیتا ہے، لیکن ICA نظریاتی طور پر ہر انفرادی بولنے والے کے فراہم کردہ سگنل کی شناخت کر سکتا ہے۔ یہ صلاحیت محققین کو ایک مجموعی سلسلے سے مخصوص ویوفارمز کو الگ تھلگ کرنے کی اجازت دیتی ہے، جس سے انفرادی ڈیٹا چینلز کا واضح مشاہدہ ممکن ہوتا ہے جو بصورت دیگر اوجھل رہتے۔
ICA کی ریاضیاتی بنیادیں
ریاضیاتی طور پر، مقصد بلائنڈ سورس سیپریشن انجام دینا ہے، یعنی ایک ایسی لکیری تبدیلی تلاش کرنا جو مشاہدہ شدہ متغیرات کو ممکنہ حد تک خود مختار (انڈیپنڈنٹ) بنا دے۔ ڈیٹا کے مشاہدہ شدہ ویکٹر کو مدنظر رکھتے ہوئے، الگورتھم ایک ان مکسنگ میٹرکس تلاش کرتا ہے جو، جب مشاہدات سے ضرب کھاتا ہے، تو ایسے تخمینہ شدہ ماخذ سگنلز پیدا کرتا ہے جن کی شماریاتی تقسیم خود مختار ہوتی ہے۔
اسے حاصل کرنے کے لیے ضروری ہے کہ یہ سگنلز نان-گاؤسیئن (غیر گاؤسی) ہوں، کیونکہ گاؤسیئن تقسیم کی ریاضیاتی خصوصیات انہیں منفرد طور پر الگ کرنا ناممکن بنا دیتی ہیں۔ جدید neuroscience کے تناظر میں، یہ سختی اس بات کو یقینی بناتی ہے کہ معمولی برقی اتار چڑھاؤ ارد گرد کی مداخلت کے پس پردہ شور میں ضائع نہ ہوں۔
انڈیپنڈنٹ کمپوننٹ اینالیسس کیسے کام کرتا ہے؟
زیادہ جہتی (ہائی ڈائمینشنل) ڈیٹا کے ساتھ کامیابی سے کام کرتے ہوئے، یہ عمل غیر گاؤسی پن (نان-گاؤسیئنٹی) کی پیمائش کر کے ایک مرکب کو اس کے بنیادی اجزا میں تبدیل کرنے پر انحصار کرتا ہے۔ چونکہ سینٹرل لمٹ تھیورم کی وجہ سے مخلوط سگنلز اکثر گاؤسیئن تقسیم کی طرف مائل ہوتے ہیں، اس لیے یہ الگورتھم ڈیٹا میں ایسی سمتوں کو جارحانہ انداز میں تلاش کر کے کام کرتا ہے جو گاؤسیئن سے ممکنہ حد تک دور ہوں۔
نتیجے کے طور پر حاصل ہونے والے اجزا درحقیقت "خالص" سگنلز ہوتے ہیں جو مکسنگ کے عمل سے آزاد ہو کر اصل ماخذ کی ازسرنو تشکیل کرتے ہیں۔
ICA کے مفروضات
اس الگورتھم کا کامیاب نفاذ کئی اہم تقاضوں پر منحصر ہے۔ سب سے اہم مفروضہ یہ ہے کہ ماخذ سگنلز شماریاتی طور پر ایک دوسرے سے خود مختار ہوں؛ اگر ایک ماخذ کی قدر جاننے سے دوسرے کے بارے میں کوئی معلومات نہ ملتی ہوں، تو وہ علیحدگی کے اہل ہیں۔
مزید برآں، الگورتھم یہ فرض کرتا ہے کہ مشاہدہ شدہ مخلوط سگنلز کی تعداد کم از کم خود مختار ماخذوں کی تعداد کے برابر ہو۔ آخر میں، جیسا کہ ذکر کیا گیا ہے، ماخذوں کو نان-گاؤسیئن تقسیم کا مظاہرہ کرنا چاہیے، کیونکہ یہ الگ تھلگ ساخت وہ نشانات تخلیق کرتی ہے جن کی الگورتھم کو اپنی علیحدگی کی کوششوں کو مستحکم کرنے کے لیے ضرورت ہوتی ہے۔
انڈیپنڈنٹ کمپوننٹ اینالیسس الگورتھم: کلیدی تکنیکیں
اس علیحدگی کو حاصل کرنے کے لیے متعدد الگورتھمی طریقے موجود ہیں، جن میں FastICA اور Infomax سب سے نمایاں مثالیں ہیں۔ یہ طریقے باہمی معلومات کو کم سے کم کرنے یا آؤٹ پٹس کے نان-گاؤسیئن پن کو زیادہ سے زیادہ کرنے کے لیے بار بار ان مکسنگ میٹرکس کو ایڈجسٹ کرتے ہیں۔
آپٹیمائزیشن کا عمل حسابی طور پر کافی پیچیدہ اور گہرا ہوتا ہے، جس کے لیے مختلف ڈیٹاسیٹس میں یکساں کنورجنسی کو یقینی بنانے کے لیے محتاط نفاذ کی ضرورت ہوتی ہے۔ ان اوزان کو بہتر بنا کر، یہ نظام بتدریج مداخلت کی تہوں کو ہٹاتا ہے تاوقتیکہ ہر الگ سگنل واضح طور پر سامنے نہ آ جائے۔
انڈیپنڈنٹ کمپوننٹ اینالیسس بمقابلہ پرنسپل کمپوننٹ اینالیسس (ICA بمقابلہ PCA)
اگرچہ دونوں تکنیکیں ڈائمینشن میں کمی یا سگنل کے تجزیے کے لیے استعمال ہوتی ہیں، لیکن ان کے فعال مقاصد نمایاں طور پر مختلف ہیں۔ محققین کو اس بنیاد پر ان کے درمیان انتخاب کرنا ہوگا کہ آیا وہ اپنے ڈیٹاسیٹ کے اندر ویریئنس کو حاصل کرنا چاہتے ہیں یا خود مختاری کو۔
خصوصیت | پرنسپل کمپوننٹ اینالیسس | انڈیپنڈنٹ کمپوننٹ اینالیسس |
|---|---|---|
بنیادی توجہ | زیادہ سے زیادہ تغیر (ویریئنس) | زیادہ سے زیادہ خود مختاری (انڈیپنڈنس) |
آرتھوگونلٹی | لازمی ہے | لازمی نہیں ہے |
اجزا کی ترتیب | آئگن ویلیوز کے لحاظ سے ترتیب شدہ | بے ترتیب انداز میں ترتیب شدہ |
شماریاتی پیمانہ | باہمی تعلقات (کوریلیشنز) | اعلیٰ درجے کے شماریات |
صحیح ٹول کا انتخاب بنیادی تجزیے کے مخصوص مقاصد پر منحصر ہے۔ اگرچہ PCA ڈیٹا کمپریشن کے لیے بہترین ہے جہاں اہم رجحانات کو محفوظ رکھنا کلیدی حیثیت رکھتا ہے، لیکن جب کل مشاہدے میں حصہ ڈالنے والے منفرد، خود مختار عمل کی شناخت کرنا مقصود ہو تو ICA برتر ثابت ہوتا ہے۔
انڈیپنڈنٹ کمپوننٹ اینالیسس دماغی سگنلز کو شور سے کیسے الگ کرتا ہے
انڈیپنڈنٹ کمپوننٹ اینالیسس PCA کے مقابلے میں زیادہ سخت طریقہ اپناتا ہے۔ سگنلز کے باہمی تعلق کو محض ختم کرنے (ڈیکوریلیٹ کرنے) کے بجائے، ICA ایسے اجزا تلاش کرتا ہے جو شماریاتی طور پر خود مختار ہوں، یعنی ایک جزو کی قدر جاننے سے کسی دوسرے جزو کے بارے میں بالکل کوئی معلومات نہیں ملتی۔
یہ ڈیکوریلیشن سے کہیں زیادہ بلند معیار ہے، اور یہی وہ چیز ہے جو ICA کو ایسے سگنلز کو الگ کرنے کی اجازت دیتی ہے جو فریکوئنسی کا مواد تو مشترک رکھتے ہیں لیکن حقیقی معنوں میں الگ جسمانی ماخذوں سے پیدا ہوتے ہیں: جیسے یہاں ایک پلک جھپکنا، وہاں جبڑے کا بھینچنا، یا کہیں اور بصری پرانتستا (ویژول کورٹیکس) کا کسی محرک پر ردعمل دینا۔
Winkler et al. مطالعہ TDSEP کا اطلاق کرتا ہے، جو ICA کا ایک ایسا ورژن ہے جو وقت کے ساتھ وقتی تعلقات کو بھی شامل کرتا ہے، نہ کہ صرف سگنل کے فوری شماریات کو۔
Olaf Dimigen مطالعہ Infomax کا استعمال کرتا ہے، جو کہ ایک وسیع پیمانے پر استعمال ہونے والا ICA الگورتھم ہے۔
Mognon مطالعہ اپنے خودکار پتہ لگانے والے ٹول کو عمومی ICA پر مبنی پائپ لائن پر بناتا ہے۔
نفاذ میں اختلافات کے باوجود، یہ تمام طریقے ایک ہی بنیادی اصول پر قائم ہیں: مخلوط الیکٹروڈ سگنل کو اجزا کے ایسے سیٹ میں تحلیل کرنا جو ایک دوسرے سے آزادانہ طور پر کام کرتے ہیں، پھر یہ معلوم کرنا کہ ان میں سے کون سے اجزا دماغی سرگرمی جیسے لگتے ہیں اور کون سے آرٹیفیکٹ (خلل) جیسے لگتے ہیں۔
ICA کے پیچھے بنیادی مفروضات: نان-گاؤسیئنٹی اور لکیری مکسنگ
ICA ڈیٹا کے بارے میں دو مخصوص مفروضات کی وجہ سے کام کرتا ہے، اور انہیں سمجھنے سے اس کی طاقت اور اس کی ناکامی کے نکات دونوں کی وضاحت ہوتی ہے۔
پہلا مفروضہ نان-گاؤسیئنٹی (غیر گاؤسی پن) ہے۔ حقیقی EEG ماخذ، خواہ وہ دماغ کی تالیں ہوں، آنکھوں کا جھپکنا ہو، یا پٹھوں کے جھٹکے ہوں، ایسے طول و عرض (ایمپلٹیوڈ) کی تقسیم رکھتے ہیں جو گاؤسیئن (نارمل) تقسیم کی گھنٹی کی شکل سے ہٹ جاتی ہے۔ ICA الگورتھم اس غیر گاؤسی ساخت کو تلاش کرنے اور زیادہ سے زیادہ کرنے کے لیے بنائے گئے ہیں، کیونکہ خود مختار سگنلز کا مرکب اپنے کسی بھی انفرادی جزو کے مقابلے میں زیادہ گاؤسیئن نظر آتا ہے (سینٹرل لمٹ تھیورم کا نتیجہ)۔
دوسرا مفروضہ لکیری مکسنگ ہے۔ ICA فرض کرتا ہے کہ جو کچھ الیکٹروڈ ریکارڈ کرتا ہے وہ بنیادی ماخذ سگنلز کا ایک فوری، لکیری مجموعہ ہوتا ہے، یہ ایک ایسا مفروضہ ہے جو مستحکم ریکارڈنگ کے حالات میں بافتوں اور کھوپڑی کے ذریعے برقی سرگرمی کے پھیلنے کے طریقے (ایک عمل جسے والیوم کنڈکشن کہا جاتا ہے) کے لیے معقول حد تک درست ثابت ہوتا ہے۔ اس مفروضے کو پورا کرنا اس وقت سب سے آسان ہوتا ہے جب کوئی شخص بالکل ساکت بیٹھا ہو۔
ICA سے پہلے ہائی پاس فلٹرنگ ہر چیز کو کیوں بدل دیتی ہے
ICA کے اجزا میں تحلیل ہونے کا معیار اس بات پر بہت زیادہ منحصر ہے کہ الگورتھم کے چلنے سے پہلے سگنل پر کیسے عملدرآمد کیا جاتا ہے، اور ہائی پاس فلٹر کٹ آف (ایک ایسا فلٹر جو مقررہ فریکوئنسی سے نیچے بہت سست بہاؤ کو ہٹاتا ہے) کا انتخاب پوری پائپ لائن کے سب سے اہم فیصلوں میں سے ایک ثابت ہوتا ہے۔
Winkler et al. کی قیادت میں 2015 کے ایک مطالعے نے ایونٹ سے متعلقہ پوٹینشل (ERP) ڈیٹا، جو کہ ایک مخصوص محرک سے وقتی طور پر منسلک برین ویو پیٹرن ہیں، کا استعمال کرتے ہوئے اس کا براہ راست تجربہ کیا، جس میں 21 شرکاء نے سمعی اوڈ بال ٹاسک انجام دیا۔ 1 اور 2 Hz کے درمیان ہائی پاس فلٹرنگ نے تین الگ الگ میٹرکس میں مستقل طور پر اچھے نتائج پیدا کیے: سگنل ٹو نائز ریشو، سنگل ٹرائل کی درجہ بندی کی درستگی، اور ان اجزا کا فیصد جو "قریب قریب ڈائی پولر" نظر آتے تھے، یعنی ان کا ایک ایسا مقامی نمونہ تھا جو کئی ماخذوں کے گڈ مڈ مرکب کے بجائے ایک واحد، مقامی دماغی ماخذ کے مطابق تھا۔
مزید برآں، 2020 کے ایک مطالعے میں، Klug et al. نے ساکت اور متحرک ریکارڈنگ سیٹ اپس میں اسی سوال کا جائزہ لیا۔ 64 چینلز اور 0.5 Hz فلٹر والے ایک معیاری ساکت تجربے کے لیے نتائج قابل قبول تھے۔ لیکن متحرک تجربات میں بہترین تحلیل تک پہنچنے کے لیے زیادہ کٹ آف، یعنی 2 Hz تک، کی ضرورت تھی، اور زیادہ چینلز والے سیٹ اپس کو اسی حساب سے اعلیٰ فلٹرز کی ضرورت تھی۔
Olaf Dimigen تحقیق نے آنکھوں کی حرکت کے خلل (آرٹیفیکٹس) کے مخصوص تناظر میں اس خیال کو مزید آگے بڑھایا۔ ہائی پاس فلٹر، لو پاس فلٹر، اور ساکاڈک اسپائک پوٹینشلز پر مشتمل ٹریننگ ڈیٹا کے تناسب کو باقاعدگی سے تبدیل کرتے ہوئے، محقق نے پایا کہ ICA کو ایسے ڈیٹا پر تربیت دینا جہاں ان اسپائک پوٹینشلز کا وزن بہت زیادہ رکھا گیا تھا، اصلاح کے معیار کو نمایاں طور پر بہتر بناتا ہے۔
مجموعی طور پر، یہ تینوں مطالعات ایک ہی نتیجے کی طرف اشارہ کرتے ہیں: ڈیفالٹ فلٹر سیٹنگز، خاص طور پر عام 0.5 Hz کٹ آف، بہت سے استعمال کے معاملات کے لیے ضرورت سے زیادہ نرم ہو سکتی ہیں، اور درست انتخاب کا دارومدار مخصوص آرٹیفیکٹ اور ریکارڈنگ کے حالات پر ہوتا ہے۔
Emotiv کے ساتھ انڈیپنڈنٹ کمپوننٹ اینالیسس کی تحقیقی ایپلی کیشنز
ICA کے ساتھ موٹر امیجری کی خصوصیات اخذ کرنا
انڈیپنڈنٹ کمپوننٹ اینالیسس مخصوص ذہنی کاموں سے وابستہ دماغی نمونوں کو الگ تھلگ کر سکتا ہے، اور انہیں غیر متعلقہ پس منظر کی سرگرمی سے الگ کر سکتا ہے۔ ایک مطالعے نے Emotiv Epoc X کے ساتھ ریکارڈ کیے گئے EEG ڈیٹا پر ICA کا اطلاق کیا جبکہ شرکاء نے بازو کی دو الگ الگ حرکات کا تصور کیا۔
محققین بتاتے ہیں کہ الگورتھم نے سگنلز کو کامیابی کے ساتھ خود مختار اجزا میں تحلیل کر دیا، جس میں فرنٹل اور فرونٹو-سینٹرل الیکٹروڈز پر واضح تضادات دیکھے گئے۔ اس کے بعد مصنفین نے ان اخذ کردہ خصوصیات کو دماغ کے موٹر امیجری کے خطوں پر نقشہ بند کیا اور تحلیل شدہ اجزا کے لیے پاور سپیکٹرا کا تعین کیا، جس سے حرکت سے متعلق دماغی سگنلز کے لیے فیچر نکالنے میں ICA کی افادیت کا مظاہرہ ہوا۔ سپیکٹرل اور مکانی خصوصیات کا اخراج
عملی انٹرفیس کے لیے آنکھوں کے نقائص کو دور کرنا
دماغی سگنلز سے آنکھوں کی حرکت کے آرٹیفیکٹس کو الگ کرنے کی صلاحیت ICA کا ایک مرکزی استعمال ہے، خاص طور پر صارف دوست EEG سسٹمز کو ڈیزائن کرتے وقت۔ محققین نے P3 ایونٹ سے متعلق پوٹینشل کو حاصل کرنے کے لیے ڈیزائن کیے گئے بصری اوڈ بال ٹاسک کے دوران Emotiv headset کا استعمال کرتے ہوئے اس کا جائزہ لیا۔
مطالعے نے پہلے اس بات کی تصدیق کی کہ headset نے روایتی تحقیقی درجے کے ایمپلیفائر کے مقابلے P3 اجزا ریکارڈ کیے۔ اس کے بعد مصنفین نے یہ ظاہر کیا کہ آنکھ جھپکنے اور آنکھوں کی حرکت کے اجزا کو ICA کے ذریعے صرف headset کے 14-چینل سگنلز کا استعمال کرتے ہوئے تحلیل کیا جا سکتا ہے۔
مزید برآں، وہ بتاتے ہیں کہ ایک سیشن سے حاصل کردہ ان مکسنگ میٹرکس کسی دوسرے دن ریکارڈ کیے گئے ڈیٹا سے آرٹیفیکٹس کو کامیابی سے ہٹا سکتا ہے، بشرطیکہ وہ میٹرکس اسی شخص سے حاصل کیا گیا ہو۔ Emotiv headset کی لاگو پذیری
نیوروفیڈ بیک کے دوران ریئل ٹائم آرٹیفیکٹ کو ہٹانا
ICA پر مبنی اصلاح کو ریئل ٹائم ایپلی کیشنز میں منتقل کرنا اضافی عملی تحفظات متعارف کرواتا ہے۔ ایک مطالعے نے Emotiv Insight headset کا استعمال کرتے ہوئے ایک نیوروفیڈ بیک سسٹم ڈیزائن کیا جس میں الفا ویو ٹریننگ کے دوران الیکٹرو آکولوگرافی کے نقائص کو دور کرنے کے لیے ایک آن لائن انڈیپنڈنٹ کمپوننٹ اینالیسس-ریگریشن (ICA-REG) طریقہ شامل کیا گیا۔
محققین نے خام اور آرٹیفیکٹ سے صاف کیے گئے سگنلز کا موازنہ کرتے ہوئے نیوروفیڈ بیک ٹریننگ کے نتائج پر کوئی خاص اثر نہیں دیکھا۔ تاہم، وہ دونوں سگنل اقسام کے درمیان ایک اعلی تعلق اور کم روٹ-مین-اسکوائر ایرر کی اطلاع دیتے ہیں، جسے مصنفین مجوزہ ریئل ٹائم آرٹیفیکٹ ہٹانے کے عمل کی تاثیر کے اشارے کے طور پر تعبیر کرتے ہیں۔ آن لائن آکولر آرٹیفیکٹ ہٹانا
بلائنڈ سورس سیپریشن کے ذریعے P300 ردھم کو الگ تھلگ کرنا
ICA مزید تجزیے سے پہلے مخصوص ایونٹ سے متعلقہ صلاحیتوں کو الگ تھلگ کرنے کے لیے پری پروسیسنگ مرحلے کے طور پر بھی کام کرتا ہے۔ Emotiv Epoc X کا استعمال کرتے ہوئے ایک تجربے میں، محققین نے بصری محرک کے کام کے دوران ریکارڈ کیے گئے EEG سگنلز سے شور ختم کرنے کے لیے بلائنڈ سورس سیپریشن تکنیک کے طور پر ICA کا اطلاق کیا۔
اس علیحدگی کے بعد، مصنفین نے فیچر نکالنے کے لیے مجرد ویولیٹ ٹرانسفارم اور P300 ردھم کا پتہ لگانے کے لیے ایک اڈاپٹیو نیورو-فزی انفرنس سسٹم کا استعمال کیا۔ یہ مطالعہ اس پائپ لائن سے تجرباتی نتائج پیش کرتا ہے، جس میں یہ واضح کیا گیا ہے کہ ICA کس طرح ایک وسیع تر برین-کمپیوٹر انٹرفیس سگنل پروسیسنگ چین میں ایک بنیادی قدم کے طور پر کام کر سکتا ہے۔ P300 ردھم کا پتہ لگانا
یہ مطالعات اجتماعی طور پر اس بات کی وضاحت کرتے ہیں کہ کس طرح مختلف Emotiv آلات اور تجرباتی سیاق و سباق میں، آف لائن فیچر نکالنے سے لے کر ریئل ٹائم آرٹیفیکٹ کی صفائی اور ایونٹ سے متعلق پوٹینشل کو الگ تھلگ کرنے تک، انڈیپنڈنٹ کمپوننٹ اینالیسس کا اطلاق کیا جاتا ہے۔ رپورٹ شدہ نتائج تکنیک کی لچک کی طرف اشارہ کرتے ہیں، حالانکہ تحقیق اب بھی چھوٹے نمونوں کے سائز اور مخصوص پیراڈائمز تک محدود ہے، اور دوسرے حالات میں ان نتائج کا عمومی اطلاق ابھی قائم نہیں ہوا ہے۔
مشین لرننگ کے ساتھ آرٹیفیکٹ کمپوننٹ کے انتخاب کو خودکار بنانا
ایک بار جب ICA آزاد اجزا کا ایک سیٹ تیار کر لیتا ہے، تب بھی کسی شخص یا کسی چیز کو یہ فیصلہ کرنا ہوتا ہے کہ کون سے اجزا دماغی سرگرمی کی نمائندگی کرتے ہیں اور کون سے آرٹیفیکٹس کی نمائندگی کرتے ہیں۔ تربیت یافتہ ماہرین کی طرف سے دستی لیبل لگانا سست عمل ہے اور اس میں موضوعیت در آتی ہے، کیونکہ مختلف ماہرین ہمیشہ بارڈر لائن کیسز پر متفق نہیں ہوتے ہیں۔
اس سے نمٹنے کے لیے، ونکلر کی ٹیم نے ہر جزو کی فریکوئنسی، مکانی اور وقتی خصوصیات سے اخذ کردہ صرف چھ خصوصیات کا استعمال کرتے ہوئے ایک سبجیکٹ-انڈیپنڈنٹ لکیری کلاسیفائر بنایا۔ ری ایکشن ٹائم کے مطالعے میں 12 شرکاء کے ہاتھ سے لیبل لگائے گئے 640 TDSEP اجزا پر تربیت یافتہ، اس کلاسیفائر نے نئے ڈیٹا پر تجربہ کیے جانے پر 10% سے کم مین اسکوائرڈ ایرر (MSE) حاصل کیا، جو انسانی ماہرین کے درمیان اختلاف کی فطری شرح کے برابر کارکردگی کی سطح ہے۔
جب دوبارہ تربیت کے بغیر مکمل طور پر مختلف سمعی ERP پیراڈائم پر لاگو کیا گیا تو، اسی کلاسیفائر نے 15% MSE حاصل کیا، جو کہ ایک معقول لیکن واضح طور پر کمزور نتیجہ ہے جو پیراڈائمز کے درمیان عمومی بنانے کی دشواری کو ظاہر کرتا ہے۔ موٹر امیجری کے ایک brain-computer interface کام میں، محققین نے یہ مظاہرہ کیا کہ انتہائی ناقص آرٹیفیکچوئل اجزا میں سے 60% تک کو ہٹانے کے باوجود BCI کے کام کرنے کے لیے درکار امتیازی معلومات محفوظ رہیں۔
مزید برآں، موگنن کی ٹیم نے ADJUST متعارف کرایا، جو کہ مکمل طور پر خودکار الگورتھم ہے جو خاص طور پر پلکیں جھپکنے، آنکھوں کی حرکات اور عام بے ربطیوں کا پتہ لگانے کے لیے ترتیب دی گئی مکانی اور وقتی خصوصیات کو یکجا کرتا ہے۔ ایک آزاد ڈیٹاسیٹ پر توثیق شدہ، ADJUST کی طرف سے اجزا کی درجہ بندی ڈیٹا کے تغیر (ویریئنس) کے 95.2% پر دستی ماہرین کے لیبلنگ سے متفق تھی۔ جن اجزا کو ADJUST نے آرٹیفیکچوئل کے طور پر نشان زد کیا تھا انہیں ہٹانے کے نتیجے میں وہ چیز پیدا ہوئی جسے مطالعہ شدید خرابی والے ڈیٹا سے بصری اور سمعی ایونٹ سے متعلقہ صلاحیتوں کی صاف ستھری تعمیر نو کے طور پر بیان کرتا ہے۔
دونوں ٹولز EEG کی صفائی کے دستی بوجھ کو کم کرنے کی جانب حقیقی پیش رفت کی نمائندگی کرتے ہیں، لیکن ان کی رپورٹ کردہ کارکردگی مخصوص ڈیٹاسیٹس اور پیراڈائمز سے آتی ہے، اور نئے حالات میں عمومی اطلاق کی ضمانت نہیں ہے۔
ICA کے ساتھ EEG ڈیٹا کو صاف کرنے کے عملی نکات
انڈیپنڈنٹ کمپوننٹ اینالیسس اس لیے کام کرتا ہے کیونکہ یہ ڈیکوریلیشن کی کمزور خصوصیت کے بجائے حقیقی شماریاتی خود مختاری کو ہدف بناتا ہے جس پر PCA جیسے طریقے انحصار کرتے ہیں۔ یہ فرق ہی اسے دماغی سگنلز اور نقائص کو الگ کرنے کی اجازت دیتا ہے چاہے ان کا فریکوئنسی کا مواد اوورلیپ ہی کیوں نہ ہو، یہ وہ کام ہے جو فریکوئنسی ڈومین فلٹرنگ نہیں کر سکتی اور جسے ریگریشن پر مبنی EOG تصحیح براہ راست جانچ میں حاصل کرنے میں ناکام رہی۔
تاہم، یہ کامیابی مشروط ہے۔ 1 سے 2 Hz کی حد میں ہائی پاس فلٹرنگ اسٹیشنری ERP تحقیق میں مستقل طور پر اچھی تحلیل پیدا کرتی دکھائی گئی ہے، جبکہ متحرک ریکارڈنگز 2 Hz تک کے فلٹرز سے مستفید ہوئیں، جس میں چینلز کی تعداد بھی ایک کردار ادا کرتی ہے۔ آزادانہ دیکھنے کے دوران ساکاڈک اسپائک پوٹینشلز جیسے خاص طور پر مشکل نقائص کے لیے، ڈیفالٹ ترتیبات استعمال کرنے کے بجائے، تربیت کے دوران جان بوجھ کر اس خرابی کو زیادہ اہمیت دینا ایک غیر تسلی بخش اصلاح کو ایسی اصلاح میں بدل سکتا ہے جو دماغی سرگرمی کے کم سے کم بگاڑ کے ساتھ تقریباً تمام آلودگی کو دور کر دیتی ہے۔
مزید برآں، خودکار اجزا کے کلاسیفائر، بشمول مذکورہ مطالعات کا چھ خصوصیات والا لکیری ماڈل اور ADJUST الگورتھم، دستی لیبلنگ میں شامل وقت اور موضوعیت کو نمایاں طور پر کم کر سکتے ہیں۔ دونوں نے اپنے توثیقی ڈیٹا پر ماہرین کے فیصلے کے ساتھ مضبوط اتفاق ظاہر کیا۔ تاہم، اس آگاہی کے بغیر کہ مختلف ریکارڈنگ پیراڈائمز اور آلات میں کارکردگی کس طرح تبدیل ہو سکتی ہے، کسی کو بھی ایک عالمگیر حل کے طور پر نہیں سمجھا جانا چاہیے۔
ICA پر مبنی آرٹیفیکٹ کو ہٹانا EEG ڈیٹا کی صفائی کے لیے دستیاب بہترین معاون طریقوں میں سے ایک ہے، اور اس کے پیچھے موجود نیورو سائنس ایک مربوط شماریاتی منطق پر مبنی ہے۔ لیکن اس کی اصل کارکردگی کا انحصار الگورتھم کے چلنے سے بہت پہلے کیے گئے انتخاب پر ہوتا ہے: فلٹر کی ترتیبات، تربیتی ڈیٹا کی ساخت، اور وہ مخصوص خلل جس کو نشانہ بنایا جا رہا ہے۔ جو بھی اسے لاگو کر رہا ہے اسے یہ فرض کرنے کے بجائے کہ ایک ہی ترتیب ہر جگہ کام کرے گی، معروضی میٹرکس کے ساتھ نتائج کی توثیق کرنی چاہیے۔
EEG میں ICA کی کامیابی کا تعین پری پروسیسنگ کے انتخاب کیوں کرتے ہیں
صاف ستھرا دماغی ڈیٹا سوچ کے ذریعے کنٹرول کیے جانے والے آلات سے لے کر یادداشت کی محتاط تحقیق تک ہر چیز کی بنیاد ہے۔ انڈیپنڈنٹ کمپوننٹ اینالیسس مخلوط اعصابی سرگرمی اور جسمانی شور کو الگ کرنے کا ایک ریاضیاتی طور پر درست طریقہ فراہم کرتا ہے، یہاں تک کہ جب سادہ فلٹرنگ جیسے آسان طریقے ناکام ہو جاتے ہیں۔ حقیقی شماریاتی خود مختاری کو نشانہ بناتے ہوئے، یہ ایک حقیقی دماغی ردھم اور ایک ہی فریکوئنسی بینڈ میں واقع ہونے والی آنکھ کے جھپکنے کے الگ الگ برقی نقوش کو ظاہر کر سکتا ہے۔
تاہم، اصل طاقت تب ہی سامنے آتی ہے جب محققین پلگ اینڈ پلے ڈیفالٹس سے آگے بڑھتے ہیں۔ مطالعات سے پتہ چلتا ہے کہ ہائی پاس فلٹر کو مخصوص ریکارڈنگ کی صورتحال کے مطابق ڈھالنا اور آرٹیفیکٹ ڈٹیکٹرز کے لیے تربیتی مثالوں کو احتیاط سے تیار کرنا ہی وہ چیزیں ہیں جو ICA کو ایک پرامید تجربے سے مستقل طور پر قابل اعتماد ٹول میں تبدیل کرتی ہیں۔ اس قسم کی ذاتی توجہ سائنسدانوں کو دماغ کے پیغامات کو شور شرابے والی ریکارڈنگ کے اندر الجھانے کے بجائے اعتماد کے ساتھ بازیافت کرنے کی اجازت دیتی ہے۔
حوالہ جات
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
Dimigen, O. (2020). Optimizing the ICA-based removal of ocular EEG artifacts from free viewing experiments. NeuroImage, 207, 116117. https://doi.org/10.1016/j.neuroimage.2019.116117
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
Winkler, I., Debener, S., Müller, K. R., & Tangermann, M. (2015). On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2015, 4101–4105. https://doi.org/10.1109/EMBC.2015.7319296
Klug, M., & Gramann, K. (2021). Identifying key factors for improving ICA‐based decomposition of EEG data in mobile and stationary experiments. European Journal of Neuroscience, 54(12), 8406-8420. https://doi.org/10.1111/ejn.14992
اکثر پوچھے گئے سوالات
سادہ فریکوئنسی فلٹرنگ آنکھ جھپکنے اور پٹھوں کی سرگرمی جیسے EEG کے نقائص کو کیوں دور نہیں کر سکتی؟
فریکوئنسی فلٹرنگ اس لیے ناکام ہو جاتی ہے کیونکہ آرٹیفیکٹس اور دماغی سگنلز اکثر ایک ہی فریکوئنسی بینڈز کا اشتراک کرتے ہیں، جیسے پٹھوں کی سرگرمی اور فرنٹل تھیٹا تالیں، اس لیے ایک کو ہٹانے سے دوسرا بھی ہٹ جاتا ہے۔ جب ان کی لہریں آپس میں ملتی ہیں تو فلٹر انہیں الگ نہیں کر سکتا۔
دماغی سگنلز کو شور سے الگ کرنے میں PCA اور ICA کے درمیان بنیادی فرق کیا ہے؟
PCA صرف سگنلز کو ڈیکوریلیٹ کرتا ہے—یہ انہیں لکیری طور پر غیر متعلق بناتا ہے—لیکن شماریاتی خود مختاری کی ضرورت نہیں رکھتا۔ ICA ایسے اجزا تلاش کر کے مزید آگے بڑھتا ہے جو مکمل طور پر شماریاتی طور پر خود مختار ہوں، یعنی ایک کو جاننے سے دوسرے کے بارے میں کچھ معلوم نہیں ہوتا، جس سے مخلوط دماغ اور آرٹیفیکٹ کے ذرائع کو بہتر طور پر الگ کرنا ممکن ہو جاتا ہے۔
ICA اصل میں دماغی سگنلز کو آرٹیفیکٹس سے کیسے الگ کرتا ہے؟
ICA فرض کرتا ہے کہ مخلوط الیکٹروڈ سگنلز آزاد، غیر گاؤسی ماخذ سگنلز کے لکیری مجموعے ہیں۔ یہ ایک ایسی تبدیلی تلاش کرتا ہے جو نتیجے میں آنے والے اجزا کی خود مختاری کو زیادہ سے زیادہ کرتی ہے، جس سے آنکھ جھپکنے جیسے الگ جسمانی ماخذ کو دماغ کی تال سے مؤثر طریقے سے الگ کر دیا جاتا ہے چاہے ان کی فریکوئنسی آپس میں ملتی ہی کیوں نہ ہو۔
ICA کے کام کرنے کے لیے نان-گاؤسیئنٹی کیوں اہم ہے؟
حقیقی EEG ذرائع میں غیر گاؤسی طول و عرض کی تقسیم ہوتی ہے، جبکہ خود مختار سگنلز کے مرکب زیادہ گاؤسیئن بن جاتے ہیں۔ ICA الگورتھم اصل ذرائع کو الگ کرنے کے لیے اس غیر گاؤسی ڈھانچے کو تلاش کرتے اور زیادہ سے زیادہ کرتے ہیں، کیونکہ کم سے کم گاؤسی تخمینوں کو تلاش کرنے سے آزاد اجزا بازیافت ہوتے ہیں۔
ICA سے پہلے EEG ڈیٹا کی ہائی پاس فلٹرنگ اتنی اہم کیوں ہے؟
ہائی پاس فلٹر بہت سست بہاؤ کو ہٹاتا ہے جو ICA کی تحلیل کو خراب کر سکتا ہے۔ مطالعات میں مستقل طور پر پایا گیا ہے کہ 1–2 Hz کے ارد گرد فلٹر کٹ آف نے 0.5 Hz جیسی نچلی ڈیفالٹ ترتیبات کے مقابلے میں زیادہ صاف، دماغ سے مشابہت رکھنے والے خود مختار اجزا تیار کیے، خاص طور پر موبائل ریکارڈنگز میں یا مخصوص نقائص کو نشانہ بناتے وقت۔
مشین لرننگ ICA کے اجزا کی دماغ یا آرٹیفیکٹ کے طور پر درجہ بندی کو خودکار بنانے میں کس طرح مدد کر سکتی ہے؟
خودکار کلاسیفائر ہر جزو کی فریکوئنسی، مکانی اور وقتی نمونوں سے چند خصوصیات کا استعمال کرتے ہیں تاکہ ماہرین کے اتفاق کے قریب درستگی کے ساتھ ان پر لیبل لگایا جا سکے۔ اس سے یہ منتخب کرنے کا دستی اور موضوعی بوجھ کم ہو جاتا ہے کہ کن اجزا کو ہٹایا جائے، حالانکہ نئے تجرباتی پیراڈائمز پر لاگو ہونے پر کارکردگی میں کمی آ سکتی ہے۔
موبائل EEG ریکارڈنگ کے دوران ICA کی کارکردگی کا کیا ہوتا ہے جہاں شرکاء حرکت کرتے ہیں؟
حرکت لکیری مکسنگ کے مفروضے کو مکمل طور پر نہیں توڑتی، اس لیے ICA اب بھی کام کرتا ہے، لیکن یہ صاف، قابل تشریح دماغی اجزا کی تعداد کو کم کر دیتا ہے جنہیں بازیافت کیا جا سکتا ہے۔ ساکت ریکارڈنگ کے مقابلے میں بہترین تحلیل کو برقرار رکھنے کے لیے موبائل سیٹ اپس کو اکثر اعلیٰ ہائی پاس فلٹر کٹ آف کی ضرورت ہوتی ہے۔
کیا ICA کو غیر لکیری مرکبات پر لاگو کیا جا سکتا ہے؟
معیاری الگورتھم ایک لکیری مرکب فرض کرتا ہے، لہذا اسے پیچیدہ غیر لکیری مجموعوں پر لاگو کرنے کے لیے اکثر ماڈل میں خصوصی ترامیم یا توسیع کی ضرورت ہوتی 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 برگوس




