پرنسپل کمپوننٹ اینالیسس (Principal component analysis)، جسے عام طور پر PCA کہا جاتا ہے، تجویز کردہ ریاضیاتی آلات میں سے ایک ہے جو ملٹی چینل EEG ریکارڈنگز کو آسان بنانے، پروسیس کرنے کے لیے درکار ڈیٹا کی مقدار کو کم کرنے، اور سب سے زیادہ بلند اور خلل ڈالنے والے آرٹیفیکٹس (artifacts) کی نشاندہی کرنے کا طریقہ فراہم کرتا ہے، وہ بھی کچھ سخت ترین شماریاتی مفروضے قائم کیے بغیر جن کی دیگر آرٹیفیکٹ ہٹانے کے طریقے تقاضا کرتے ہیں۔
یہ مضمون وضاحت کرتا ہے کہ PCA دراصل EEG ڈیٹا کے ساتھ کیا کرتا ہے، محققین نے اسے حقیقی پری پروسیسنگ پائپ لائنز میں کیسے استعمال کیا ہے، اور موجودہ، اب بھی محدود ثبوت اس بارے میں کیا کہتے ہیں کہ آیا یہ اشتہار کے مطابق کام کرتا ہے یا نہیں۔
EEG میں پرنسپل کمپوننٹ اینالیسس (PCA) کیا ہے؟
PCA کو مزید سمجھنے کے لیے، یہ تصور کرنے میں مدد ملتی ہے کہ کسی بھی سگنل پروسیسنگ سے پہلے خام EEG ڈیٹا کیسا دکھائی دیتا ہے۔
ایک عام ریکارڈنگ میں بہت سے الیکٹروڈز شامل ہوتے ہیں، جن میں سے ہر ایک وقت کے ساتھ ساتھ وولٹیج ریڈنگز کا اپنا مسلسل سلسلہ پیدا کرتا ہے۔ یہ چینلز ایک دوسرے سے آزاد نہیں ہوتے۔ چونکہ وہ سب ایک مشترکہ، کنڈکٹیو میڈیم (سر) سے برقی سرگرمی حاصل کر رہے ہوتے ہیں، اس لیے ان کے سگنلز پیچیدہ طریقوں سے اوورلیپ اور باہمی مربوط (correlate) ہوتے ہیں۔
PCA باہمی مربوط چینلز کے اس الجھاؤ کو لیتا ہے اور اسے سگنلز کے ایک نئے سیٹ میں دوبارہ ترتیب دیتا ہے جنہیں کمپوننٹس (اجزاء) کہا جاتا ہے۔ ہر کمپوننٹ اصل چینلز کا ایک وزنی مجموعہ (weighted combination) ہوتا ہے، لیکن ایک اہم ریاضیاتی خصوصیت کے ساتھ: اجزاء آرتھوگونل (orthogonal) ہوتے ہیں، یعنی وہ ایک دوسرے سے غیر مربوط (uncorrelated) ہوتے ہیں۔
PCA ان اجزاء کی درجہ بندی اس بنیاد پر بھی کرتا ہے کہ ان میں سے ہر ایک میں سگنل کا کتنا تغیر (variance) پایا جاتا ہے۔ پہلا جزو ڈیٹا میں تغیر کے سب سے بڑے حصے پر محیط ہوتا ہے، دوسرا جزو باقی بچ جانے والے تغیر کے اگلے سب سے بڑے حصے پر، اور اسی طرح فہرست میں نیچے کی طرف چلتا رہتا ہے۔
یہ درجہ بندی اس لیے انتہائی اہم ہے کیونکہ آرٹی فیکٹس (غیر ضروری سگنلز) کا رجحان عام طور پر ایسا ہی ہوتا ہے۔ مثال کے طور پر، آنکھوں کا جھپکنا بڑے اور سست وولٹیج کے اتار چڑھاؤ پیدا کرتا ہے جو بیک وقت کئی الیکٹروڈز پر وسیع پیمانے پر پھیل جاتے ہیں۔ چونکہ یہ تغیر کا ایک بڑا اور مشترکہ نمونہ بناتا ہے، اس لیے آنکھ جھپکنے کی سرگرمی سب سے زیادہ ویریئنس (تغیر) والے اجزاء میں مرکوز ہو جاتی ہے۔ کمزور اور زیادہ مقامی دماغی سگنلز اکثر فہرست میں مزید نیچے، کم ویریئنس والے اجزاء میں چلے جاتے ہیں۔
ایک تفصیل جو PCA کو اس کے معروف متبادلات جیسے کہ انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) سے الگ کرتی ہے، وہ یہ ہے کہ یہ فرض نہیں کرتا کہ بنیادی ماخذ شماریاتی طور پر آزاد ہیں۔ اسے صرف اس بات کی ضرورت ہوتی ہے کہ حاصل شدہ اجزاء غیر مربوط ہوں، جو کہ کافی نرم شرط ہے۔
پرنسپل کمپوننٹ اینالیسس (PCA) کیسے کام کرتا ہے؟ مرحلہ وار وضاحت
مرحلہ 1: ڈیٹا کو معیاری بنانا (Standardize کرنا)
ایک پیچیدہ حساب کتاب شروع کرنے سے پہلے، متغیرات میں برابری کو یقینی بنانے کے لیے ان پٹ کو نارملائز کرنا ضروری ہے۔ اگر ایک متغیر کی پیمائش مائیکرو وولٹس میں کی جائے اور دوسرے کی ملی سیکنڈز میں، تو پیمانے کے یہ خام فرق نتائج میں تعصب پیدا کر دیں گے۔ ہر متغیر کو صفر کے اوسط (mean) اور ایک کے معیاری انحراف (standard deviation) پر لانا ریاضی کے عمل کو تمام ان پٹ خصوصیات کے ساتھ مساوی برتاؤ کرنے کی اجازت دیتا ہے۔
مرحلہ 2: کوویریئنس میٹرکس کا حساب لگانا
جب ڈیٹا معیاری ہو جاتا ہے، تو اگلی رکاوٹ ہر دو خصوصیات کے جوڑے کے درمیان تعلقات کا نقشہ بنانا ہے۔ ایک کوویریئنس میٹرکس ان تعاملات کا خلاصہ پیش کرتا ہے، جس سے ظاہر ہوتا ہے کہ کون سے متغیرات ساتھ آگے بڑھتے ہیں اور کون سے آزاد ہیں۔ یہ گرڈ ان سمتوں کی نشاندہی کے لیے بنیاد کا کام کرتا ہے جہاں ڈیٹا سیٹ سب سے نمایاں پھیلاؤ ظاہر کرتا ہے۔
مرحلہ 3: آئیگن ویکٹرز اور آئیگن ویلیوز کا حساب لگانا
اس مرحلے میں ان مخصوص ویکٹرز کو حل کرنا شامل ہے جو ڈیٹا کی تقسیم کی شکل کو نمایاں کرتے ہیں۔ آئیگن ویکٹرز نئے محوروں کی سمت کا تعین کرتے ہیں، جبکہ آئیگن ویلیوز ان مخصوص سمتوں میں ویریئنس کی مقدار کی نمائندگی کرتے ہیں۔ یہ ریاضیاتی نشانات ہمیں اصل ڈیٹا اسپیس کو حرکت کے بنیادی نمونوں کے ذریعے متعین کردہ ایک نئے کوآرڈینیٹ سسٹم میں گھمانے کی اجازت دیتے ہیں۔
مرحلہ 4: پرنسپل کمپوننٹس کا انتخاب
اجزاء کی نشاندہی کے بعد، تجزیہ ماڈل کو صرف ان اجزاء تک محدود کر دیتا ہے جو کل ویریئنس کے ایک نمایاں حصے کی وضاحت کرتے ہیں۔ یہ فلٹرنگ کا عمل زیادہ شور والے متغیرات کو مسترد کرتا ہے اور مخصوص مقداری حدود کے مطابق صرف سب سے زیادہ معلوماتی نمونوں کو برقرار رکھتا ہے۔
صرف غالب اجزاء پر توجہ مرکوز کرکے، محققین بعد کے پروسیسنگ کاموں پر کمپیوٹیشنل بوجھ کو کم کرتے ہیں۔ اس سے یہ یقینی بنتا ہے کہ حتمی ماڈل ریئل ٹائم تجزیے کے لیے فعال اور موثر دونوں ہے۔
مرحلہ 5: اصل ڈیٹا کو تبدیل کرنا (Transform کرنا)
حتمی انتخاب مکمل ہونے کے ساتھ، آخری مرحلہ اصل مشاہداتی پوائنٹس کو ان نئے محوروں پر پیش کرنا (project کرنا) ہے۔ یہ تبدیلی ایک نیا، کم جہتوں والا ڈیٹا سیٹ بناتی ہے جو اصل پیمائش کے ضروری خدوخال کو محفوظ رکھتا ہے۔
اس کے بعد پیشہ ور افراد ان تبدیل شدہ متغیرات کو درجہ بندی (classification) یا سورس لوکلائزیشن جیسے بعد کے کاموں کے لیے استعمال کرتے ہیں، جس سے سگنل کی زیادہ واضح اور شفاف نمائندگی حاصل ہوتی ہے۔
PCA، EEG پری پروسیسنگ پائپ لائن میں کیسے فٹ بیٹھتا ہے
عملی طور پر، PCA شاذ و نادر ہی اکیلے کام کرتا ہے۔ یہ عام طور پر ایک بڑی صفائی کی پائپ لائن کے اندر ایک مرحلے کے طور پر سامنے آتا ہے، جو دو میں سے ایک کام انجام دیتا ہے:
ڈیٹا کو مختصر کرنا
یہ پتہ لگانے میں مدد کرنا کہ آرٹی فیکٹس کہاں چھپے ہیں
پہلا کردار ڈائمینشنلٹی ریڈکشن (جہتوں کو کم کرنا) ہے۔ ایک مطالعہ جس میں PCA کو ڈینسٹی ایسٹیمیشن بلائنڈ سورس سیپریشن (DEBSS) نامی تکنیک کے ساتھ ملایا گیا تھا، نے مزید علیحدگی سے پہلے EEG ڈیٹا سیٹ کے سائز کو کم کرنے کے لیے خاص طور پر PCA کا استعمال کیا۔
اس پائپ لائن میں، ہائی فریکوئنسی شور کو پہلے ویولیٹ تجزیہ کے ذریعے فلٹر کیا گیا تھا، اور پھر باقی ماندہ اجزاء کو الگ کرنے کے لیے DEBSS کے عمل میں آنے سے پہلے ”ڈیٹا کی جہت کو کم کرنے کے لیے EEG سگنلز پر کارروائی کرنے کی خاطر PCA الگورتھم کا استعمال کیا جاتا ہے“۔ ایک بار جب کراس کوریلیشن کوایفیشینٹس اور متعلقہ نان لائنر پیرامیٹرز کا استعمال کرتے ہوئے خلل پیدا کرنے والے اجزاء کی شناخت کر لی گئی، تو محققین نے باقی، صاف اجزاء سے سگنل کو دوبارہ تشکیل دیا۔
دوسرا کردار خود آرٹی فیکٹ کا پتہ لگانا ہے، اور یہ ایک وسیع پیمانے پر استعمال ہونے والے طریقے کے اندر سامنے آتا ہے جسے آرٹی فیکٹ سب اسپیس ریکنسٹرکشن (ASR) کہا جاتا ہے۔ ASR، EEG ڈیٹا کی مختصر ونڈوز کا مسلسل تجزیہ کرکے اور ”صاف“ سرگرمی کی بنیادی لائن کے ساتھ ان کا موازنہ کرکے کام کرتا ہے۔
اس طریقہ کار کا ریمانین (Riemannian) ورژن متعارف کرانے والے ایک 2019 کے مطالعے کے مطابق، ASR ”کمپوننٹ سب اسپیس میں ان کی شماریاتی خصوصیات کی بنیاد پر آرٹی فیکٹس کا پتہ لگانے کے لیے کوویریئنس میٹرکس پر بار بار PCA کا حساب لگاتا ہے“۔ یہاں، PCA سہولت کے لیے چینلز کی تعداد کو کم نہیں کر رہا ہے۔ یہ ایک ایسے انجن کے طور پر کام کر رہا ہے جو ہر لمحہ یہ فیصلہ کرتا ہے کہ آیا ڈیٹا کا کوئی حصہ شماریاتی طور پر نارمل لگتا ہے یا کسی آرٹی فیکٹ جیسا لگتا ہے۔
مجموعی طور پر، یہ دو مثالیں یہ نتیجہ اخذ کرتی ہیں کہ PCA صفائی کی حکمت عملی کا ایک جزو ہے، اپنے آپ میں صفائی کی مکمل حکمت عملی نہیں۔ یہ عام طور پر اپنا آؤٹ پٹ کسی دوسرے الگورتھم کے حوالے کرتا ہے، چاہے وہ DEBSS ہو، ریمانین جیومیٹری موافقت ہو، یا کوئی اور فیصلہ سازی کا عمل جو اس بات کا تعین کرتا ہے کہ کن اجزاء کو درحقیقت ہٹایا جانا ہے۔
کیا PCA، EEG کے آرٹی فیکٹس کو الگ کر سکتا ہے؟ شواہد کیا ظاہر کرتے ہیں
آرٹی فیکٹ کو الگ تھلگ کرنے کے لیے PCA کی کشش کے پیچھے کی منطق بالکل سیدھی ہے۔ چونکہ PCA اجزاء کو ویریئنس کے لحاظ سے ترتیب دیتا ہے، اور چونکہ آنکھوں کے جھپکنے اور پٹھوں کی سرگرمی سے ضرورت سے زیادہ وولٹیج کا اتار چڑھاؤ پیدا ہوتا ہے، اس لیے نیورو سائنس کا نظریہ یہ کہتا ہے کہ ان آرٹی فیکٹس کو قدرتی طور پر ابتدائی چند اجزاء میں الگ ہو جانا چاہیے۔ اگر یہ درست ثابت ہوتا ہے، تو ایک محقق اصولی طور پر ہر دماغی ماخذ کی درست شماریاتی آزادی کو ماڈل کیے بغیر، بدترین خلل کو فوری طور پر الگ اور مسترد کر سکتا ہے۔
پہلے بیان کردہ PCA اور DEBSS پائپ لائن کو جانچنے والے مطالعے نے بتایا کہ یہ مشترکہ طریقہ ”ملٹی چینل EEG سگنلز کی بنیادی مداخلت کو تیزی سے اور مؤثر طریقے سے ختم کر سکتا ہے“، جبکہ اس نے یہ بھی نوٹ کیا کہ یہ طریقہ کار ”مستحکم ہے اور مضبوط اسکیل ایبلٹی رکھتا ہے۔“ یہ ایک مثبت نتیجہ ہے، لیکن یہ نوٹ کرنا مناسب ہے کہ خاص طور پر کس چیز کا تجربہ کیا گیا تھا: ایک مخصوص دو مرحلہ جاتی پائپ لائن، نہ کہ اکیلے کام کرنے والا PCA۔
مذکورہ بالا 2019 کے مطالعے نے زیادہ منظم تقابلی طریقہ اختیار کیا۔ محققین نے ASR کا ایک ریمانین جیومیٹری پر مبنی ورژن بنایا، جسے rASR کہا جاتا ہے، اور 27 شرکاء کے ساتھ انڈور اور آؤٹ ڈور دونوں حالات میں اسمارٹ فونز پر ریکارڈ کیے گئے EEG کا استعمال کرتے ہوئے معیاری PCA پر مبنی ASR طریقہ کار کے خلاف اس کا تجربہ کیا۔
انہوں نے تین الگ الگ پیمانوں پر کارکردگی کا جائزہ لیا:
ہر طریقہ کار نے آنکھ جھپکنے کے آرٹی فیکٹس کو کتنی اچھی طرح سے کم کیا (حساسیت)
ہر طریقہ کار نے بصری محرکات پر دماغی ردعمل، یعنی بصری طور پر پیدا ہونے والی صلاحیتوں (visual-evoked potentials) کو کس حد تک محفوظ رکھا (معروضیت)
ہر طریقہ کتنی تیزی سے چلا (کارکردگی)
مصنف کے نتائج کے مطابق، rASR نے معیاری ASR کے مقابلے میں ”تینوں پیمانوں پر بہترین کارکردگی کا مظاہرہ کیا“۔
یہ نتائج PCA پر مبنی آرٹی فیکٹ کے خاتمے کے لیے حوصلہ افزا ہیں، لیکن ان کے پیچھے شواہد کی بنیاد محدود ہے۔ یہ معنی خیز اور مفید ابتدائی نتائج ہیں، لیکن یہ ابھی تک وسیع پیمانے پر تصدیق شدہ اس دعوے کے مترادف نہیں ہیں کہ PCA تمام EEG سیاق و سباق میں آرٹی فیکٹس کو قابل اعتماد طریقے سے الگ کرتا ہے۔
PCA بمقابلہ ICA بمقابلہ فلٹرنگ: صحیح ٹول کا انتخاب
EEG محققین کے پاس ڈیٹا کو صاف کرنے کے لیے کئی ٹولز دستیاب ہیں، اور PCA ان میں ایک مخصوص مقام رکھتا ہے۔
فلٹرنگ، جس میں ہائی پاس، لو پاس اور نوچ فلٹرز شامل ہیں، فریکوئنسی بینڈز کو مکمل طور پر ہٹا کر یا مدہم کر کے کام کرتی ہے۔ یہ بجلی کی لائن کے شور کی طرح مسلسل مداخلت کو دور کرنے کے لیے مفید ہے، لیکن جب کوئی آرٹی فیکٹ اور دماغی سگنل ایک ہی فریکوئنسی رینج شیئر کرتے ہیں تو یہ ایک سخت حد کا سامنا کرتی ہے۔
مثال کے طور پر، پلک جھپکنا فریکوئنسی میں سست دماغی لہروں کے ساتھ اوورلیپ ہو سکتا ہے، اور ایک فلٹر ان کے درمیان فرق نہیں بتا سکتا کیونکہ یہ صرف فریکوئنسی کو دیکھتا ہے، چینلز میں ویریئنس کے پیٹرن کو نہیں۔ PCA ایک بالکل مختلف محور پر کام کرتا ہے کیونکہ یہ الیکٹروڈز کے پورے سیٹ میں سگنل کے تغیر کی تقسیم کو دیکھتا ہے، نہ کہ فریکوئنسی کے مواد کو۔ یہ اسے فلٹرنگ کے براہ راست متبادل کے بجائے ایک تکمیلی طریقہ کار بناتا ہے۔
دوسری طرف، ICA کا ذکر اکثر PCA کے ساتھ ہی کیا جاتا ہے، لیکن دونوں طریقے مختلف مفروضات پر مبنی ہیں۔ ICA ایسے اجزاء کو تلاش کرتا ہے جو شماریاتی طور پر ایک دوسرے سے آزاد ہوں، جو کہ سادہ ڈیکوریلیشن کی PCA کی نرم شرط سے کہیں زیادہ سخت اور کمپیوٹیشنل طور پر مشکل ضرورت ہے۔
چونکہ ICA کو اس سخت قسم کی علیحدگی کے لیے زیادہ باریک بینی سے تلاش کرنا پڑتی ہے، اس لیے اس میں زیادہ کمپیوٹنگ وقت اور زیادہ ڈیٹا درکار ہوتا ہے۔ PCA، ریاضیاتی طور پر آسان ہونے کی وجہ سے، تیز تر ہے اور اسے آزادی کی بالکل ضرورت نہیں ہے، صرف یہ کہ حاصل ہونے والے اجزاء غیر مربوط ہوں۔
کمپیوٹیشنل لاگت میں یہ فرق ہی وہ وجہ ہے جس کی بنا پر PCA اکثر ICA کے متبادل کے بجائے اس سے پہلے ایک تیاری کے مرحلے کے طور پر سامنے آتا ہے۔ پہلے PCA کے ساتھ جہتوں کی تعداد کو کم کرنے سے ICA کے عمل کو تیز کیا جا سکتا ہے اور ڈیٹا محدود ہونے کی صورت میں اوور فٹنگ کے خطرے کو کم کیا جا سکتا ہے۔ متبادل کے طور پر، PCA ایک بنیادی پہلے قدم کے طور پر کام کر سکتا ہے، جو زیادہ محتاط طریقے سے باقی کو بہتر بنانے سے پہلے سب سے زیادہ غالب اور واضح نقائص کو دور کرتا ہے۔
طریقہ کار | علیحدگی کی بنیاد | رفتار | اہم حد |
|---|---|---|---|
PCA | تغیر (ویریئنس) کے لحاظ سے ترتیب دیتا ہے | تیز | تغیر ≠ آرٹی فیکٹ |
ICA | آزاد ذرائع تلاش کرتا ہے | سست | آزادی فرض کرتا ہے |
فلٹرنگ | فریکوئنسی بینڈز کو ہٹاتی ہے | بہت تیز | اوورلیپنگ فریکوئنسیز باقی رہتی ہیں |
PCA پر مبنی آرٹی فیکٹ ہٹانے کی حدود
PCA کی سادگی اس کی کمزوریوں کا ذریعہ بھی ہے۔ اس بارے میں کئی سوالات باقی ہیں کہ یہ آرٹی فیکٹ کو الگ تھلگ کرنے کا کام حقیقت میں کتنی اچھی طرح سے انجام دیتا ہے جس کے لیے اسے اکثر تفویض کیا جاتا ہے۔
ویریئنس ”آرٹی فیکٹ“ کا ایک نامکمل متبادل ہے۔ دماغ کے مخصوص ردھمز، جیسے کہ پوسٹریئر الفا سرگرمی (ایک معروف EEG ردھم جو پرسکون، آنکھیں بند کی حالت سے منسلک ہوتا ہے)، اپنے طور پر بھی ہائی ایمپلی ٹیوڈ سگنلز پیدا کر سکتے ہیں۔ ایک ایسا طریقہ جو یہ فرض کرتا ہے کہ زیادہ ویریئنس کا مطلب ہمیشہ آرٹی فیکٹ ہوتا ہے، اس شور کے ساتھ ساتھ حقیقی دماغی سرگرمی کو بھی ضائع کرنے کا خطرہ مول لیتا ہے جسے دور کرنا مقصود ہوتا ہے۔
دوسری طرف، آنکھ جھپکنے کے نقائص ہمیشہ اپنے آپ کو صفائی سے کسی ایک جزو تک محدود نہیں رکھتے؛ ان کا اثر ایک ساتھ کئی اجزاء میں پھیل سکتا ہے، جس سے کوئی بھی سادہ ”سب سے اوپر والے جزو کو ہٹائیں“ کی حکمت عملی پیچیدہ ہو جاتی ہے۔
اس میں ایک ساختی عدم مطابقت پر بھی غور کرنا ہے۔ PCA ریاضیاتی تعریف کے مطابق اپنے اجزاء کو ایک دوسرے سے آرتھوگونل ہونے پر مجبور کرتا ہے۔ لیکن اس بات کی کوئی گارنٹی نہیں ہے کہ EEG سگنلز پیدا کرنے والے اصل جسمانی ذرائع، چاہے وہ عصبی سرکٹس ہوں یا کھوپڑی کے قریب پٹھوں کے گروہ، اس انداز میں ترتیب دیے گئے ہیں جو اس آرتھوگونل جیومیٹری سے مماثلت رکھتے ہوں۔
جب مفروضہ بنیادی حقیقت سے میل نہیں کھاتا، تو جو علیحدگی PCA پیدا کرتا ہے وہ ایک ریاضیاتی سہولت ہو سکتی ہے نہ کہ اس بات کا درست عکاس جو اصل میں ٹشو میں ہو رہا ہے۔
EEG کے تجزیے میں PCA کے استعمال کے لیے عملی مشورے
کسی ایسے شخص کے لیے جو پہلی بار کسی EEG ڈیٹا سیٹ کا جائزہ لے رہا ہے، PCA ایک معقول شروعاتی نقطہ رہتا ہے، خاص طور پر یہ دیکھنے کے لیے کہ دی گئی ریکارڈنگ پر تغیر کے کون سے پیٹرن غالب ہیں۔ یہاں کچھ نکات ہیں جن کی اکثر سفارش کی جاتی ہے:
PCA کو جہت کو کم کرنے یا غالب آرٹی فیکٹ پیٹرنز کی نشان دہی کرنے کے لیے ایک ابتدائی قدم کے طور پر استعمال کریں، حتمی صفائی کے طور پر نہیں۔
PCA کو بعد کے کسی ایسے طریقہ کار (مثلاً، ICA، DEBSS، ASR) کے ساتھ جوڑیں جو یہ فیصلہ کر سکے کہ کن اجزاء کو ہٹانا ہے۔
مسترد کیے گئے اجزاء کی اسکیلپ ٹوپوگرافی اور ٹائم کورس کا ہمیشہ بصری معائنہ کریں تاکہ یہ تصدیق ہو سکے کہ وہ آرٹی فیکٹس کی نمائندگی کرتے ہیں۔
ریکارڈنگ کے مختلف ماحول (لیب بمقابلہ موبائل) کے نتائج میں تغیر پذیری کو احتیاط سے دیکھیں اور اپنے ڈیٹا پر توثیق کریں۔
Emotiv پر مبنی EEG ریسرچ میں پرنسپل کمپوننٹ اینالیسس
Emotiv headsets کو متعدد ہم مرتبہ نظرثانی شدہ (peer-reviewed) مطالعات میں استعمال کیا گیا ہے جہاں پرنسپل کمپوننٹ اینالیسس ایک بنیادی کمپیوٹیشنل طریقہ کار کے طور پر کام کرتا ہے، جو کلاسیفکیشن، سینسر کے انتخاب، پری پروسیسنگ اور سگنل کے معیار کو بڑھانے میں تکنیک کی ورسٹائلٹی کو ظاہر کرتا ہے۔
P300 اسپیلر کی درستگی کے لیے PCA اینسمبل کلاسیفائر
پہننے کے قابل BCI کی تیاری کے لیے موثر سگنل پروسیسنگ کی ضرورت ہوتی ہے، اور ایک مطالعے نے Emotiv neuroheadset کے ساتھ ریکارڈ کیے گئے P300 پر مبنی اسپیلرز کے لیے ایک PCA اینسمبل کلاسیفائر کا جائزہ لیا۔ ایک روایتی اوڈ بال نمونے کا استعمال کرتے ہوئے، مصنفین نے اپنے اینسمبل نقطہ نظر کا موازنہ روایتی خصوصیت کے اخراج (feature extraction) اور درجہ بندی کے طریقوں سے کیا۔
کراس ویلیڈیشن ڈیٹا پر PCA اینسمبل نے 86.29% کی اوسط درستگی حاصل کی، جبکہ آف لائن جانچ نے روایتی طریقوں کے مقابلے میں 73.3% کی نمایاں طور پر زیادہ اوسط درجہ بندی کی درستگی حاصل کی۔ نتائج ایک موبائل، صارف کے درجے کے EEG ڈیوائس سے P300 ڈیٹا کی پروسیسنگ کے لیے ایک قابل عمل حکمت عملی کے طور پر PCA پر مبنی اینسمبل درجہ بندی کی طرف اشارہ کرتے ہیں۔
PCA کے ساتھ بائیو میٹرک شناخت کے لیے کم سے کم EEG سینسرز کا انتخاب
امتیازی معلومات کو قربان کیے بغیر الیکٹروڈ کی تعداد کو کم کرنا بائیو میٹرک سسٹمز کے لیے ایک عملی چیلنج ہے۔ محققین نے Emotiv EPOC+ headset اور ایک بڑے پبلک ڈیٹا سیٹ کا استعمال کرتے ہوئے فرد کی شناخت کے لیے کم سے کم EEG سینسر کے انتخاب کا جائزہ لیا۔ کمی کے دو طریقہ کار لاگو کیے گئے تھے: ایک پرنسپل کمپوننٹ اینالیسس پر مبنی اور دوسرا ولکوکسن سائنڈ رینک ٹیسٹ پر۔
مطالعہ رپورٹ کرتا ہے کہ دونوں طریقوں نے قابل اعتماد انفرادی شناخت کے لیے ضروری کم سے کم الیکٹروڈ سیٹ کی شناخت کو ممکن بنایا، جس میں PCA یہ نشاندہی کرنے میں مدد کرتا ہے کہ کون سے کورٹیکل ایریاز الگ کرنے کے قابل نمونوں میں سب سے زیادہ حصہ ڈالتے ہیں۔ یہ لیبارٹری کے انتظامات کو آسان اور زیادہ عملی سینسر مونٹیجز میں تبدیل کرنے میں PCA کے ڈائمینشنلٹی ریڈکشن کردار کو ظاہر کرتا ہے۔
آرٹی فیکٹ کو ہٹانے کے لیے CSP اور CAR کے ساتھ PCA کا موازنہ
ایک پری پروسیسنگ پائپ لائن کے موازنے میں Emotiv EPOC کے ساتھ EEG ریکارڈ کیا گیا تاکہ یہ جانچا جا سکے کہ مختلف الگورتھم درجہ بندی سے پہلے سگنلز کو کتنی اچھی طرح سے صاف کرتے ہیں۔ پری پروسیسنگ الگورتھمز کے موازنہ میں، پرنسپل کمپوننٹ اینالیسس کو آرٹی فیکٹ ہٹانے کے لیے کامن اسپیٹیل پیٹرن (CSP) اور کامن ایوریج ریفرنس (CAR) کے ساتھ ٹیسٹ کیا گیا، جس کے بعد پاور اسپیکٹرل ڈینسٹی فیچرز کو سپورٹ ویکٹر مشین کلاسیفائر میں فیڈ کیا گیا۔
مصنفین نے مشاہدہ کیا کہ PCA نے 94.28% کی کارکردگی فراہم کی، جس نے ان کے سیٹ اپ میں دوسرے الگورتھم کو پیچھے چھوڑ دیا۔ اس سے پتہ چلتا ہے کہ کنزیومر گریڈ کے EEG ہارڈ ویئر کے ساتھ کام کرتے وقت PCA پری پروسیسنگ چین کے ایک مؤثر جزو کے طور پر کام کر سکتا ہے۔
اجتماعی تال (Rhythm) کے اخراج کو بہتر بنانا: PCA بمقابلہ کوسامبی-ہلبرٹ ٹارشن
جب متعدد EEG سینسرز آسیلیٹری سرگرمی کو گرفت میں لیتے ہیں، تو اکثر اعلی سگنل ٹو نوائز ریشو کے ساتھ ایک مشترکہ ردھم کو نکالنا مقصود ہوتا ہے۔ Emotiv EPOC+ کے ساتھ اجتماعی تال کے معیار کو بہتر بنانے پر ایک تحقیق میں روایتی پرنسپل کمپوننٹ اینالیسس کا موازنہ کوسامبی-ہلبرٹ ٹارشن (KHT) کے طریقہ کار سے کیا گیا۔ ڈیٹا آنکھیں بند کر کے آرام کے دوران اور 15 Hz پر ٹمٹماتی ہوئی اسکرین کو دیکھتے ہوئے ریکارڈ کیا گیا تھا۔
محققین بتاتے ہیں کہ KHT نے PCA کے مقابلے اجتماعی سگنل کے لیے بہتر سگنل ٹو نوائز ریشو حاصل کیا، خاص طور پر جب چینلز میں بے ترتیب وقتی تبدیلیاں متعارف کروائی گئیں۔ کام ظاہر کرتا ہے کہ جب کہ PCA عام ردھم کے اخراج کے لیے ایک بنیادی بنیاد فراہم کرتا ہے، فیز کے متعلق ہوشیار طریقے دلچسپی کے سگنل کو مزید وسعت دے سکتے ہیں۔
مجموعی طور پر، یہ مطالعات اس بات پر روشنی ڈالتے ہیں کہ پرنسپل کمپوننٹ اینالیسس Emotiv ہارڈ ویئر کا استعمال کرتے ہوئے درجہ بندی اور بائیو میٹرک شناخت سے لے کر پری پروسیسنگ اور ردھم کے اخراج تک مختلف EEG کاموں میں کیسے کام کرتا ہے۔ نتائج ان کے مخصوص حالات میں امید افزا ہیں، تاہم وہ اب بھی مخصوص نمونوں، نسبتاً چھوٹے نمونے کے سائز اور آف لائن تجزیوں تک محدود ہیں۔ یہ نتائج EEG تحقیقی پائپ لائنوں میں ایک ورسٹائل ٹول کے طور پر PCA کی تائید کرتے ہیں، لیکن وہ ابھی تک ریئل ٹائم، کم لاگت BCI ایپلی کیشنز کے لیے ہر ایک کے لیے یکساں نسخہ قائم نہیں کرتے ہیں۔
نتیجہ: کیا PCA، EEG کی صفائی کا ایک قابل اعتماد طریقہ ہے؟
PCA دماغی لہروں کے الجھے ہوئے ڈیٹا کو درجہ بند اجزاء میں تبدیل کرتا ہے، جس سے محققین کو ریکارڈنگ کے سب سے زیادہ شور والے حصوں پر تیزی سے توجہ مرکوز کرنے کا موقع ملتا ہے۔ یہ طریقہ خاص طور پر اس وقت مفید ہوتا ہے جب آنکھوں کا جھپکنا یا پٹھوں کی حرکات سگنل پر حاوی ہوں، کیونکہ وہ اکثر سب سے زیادہ ویریئنس والے خانوں میں ابھرتے ہیں۔
لیکن چونکہ دماغ کے حقیقی ردھمز بھی مضبوط سگنلز پیدا کر سکتے ہیں، اس لیے یہ فیصلہ کرنے کے لیے کہ کون سا آرٹی فیکٹ ہے اور کون سا قیمتی اعصابی ڈیٹا، اکیلے اس طریقہ کار پر مکمل بھروسہ نہیں کیا جا سکتا۔
حوالہ جات
Kang, D., & Zhizeng, L. (2012, March). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. In 2012 International Conference on Computer Science and Electronics Engineering (Vol. 3, pp. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105
Blum, S., Jacobsen, N. S. J., Bleichner, M. G., & Debener, S. (2019). A Riemannian Modification of Artifact Subspace Reconstruction for EEG Artifact Handling. Frontiers in human neuroscience, 13, 141. https://doi.org/10.3389/fnhum.2019.00141
اکثر پوچھے جانے والے سوالات
EEG کے تناظر میں پرنسپل کمپوننٹ اینالیسس (PCA) کیا ہے؟
PCA ایک ریاضیاتی طریقہ ہے جو ملٹی چینل EEG ڈیٹا کو سگنلز کے ایک نئے سیٹ میں دوبارہ ترتیب دیتا ہے جنہیں کمپوننٹس کہا جاتا ہے، جو ایک دوسرے سے غیر مربوط ہوتے ہیں۔ یہ ان اجزاء کی درجہ بندی اس بنیاد پر کرتا ہے کہ وہ کتنے تغیر کو گرفت میں لیتے ہیں، جس میں پہلا جزو سگنل کے مجموعی تغیر کی سب سے زیادہ وضاحت کرتا ہے۔
PCA، EEG ڈیٹا سے آرٹی فیکٹس کو ہٹانے میں کس طرح مدد کرتا ہے؟
چونکہ آنکھ جھپکنے جیسے آرٹی فیکٹس بڑے اور وسیع پیمانے پر وولٹیج کا اتار چڑھاؤ پیدا کرتے ہیں، اس لیے وہ سب سے زیادہ ویریئنس والے اجزاء میں مرکوز ہوتے ہیں۔ PCA کی ویریئنس کے لحاظ سے درجہ بندی محققین کو ان سرکردہ اجزاء کی شناخت کرنے اور ممکنہ طور پر مسترد کرنے کی اجازت دیتی ہے، جن میں اکثر سب سے زیادہ خلل انگیز شور ہوتا ہے۔
کیا PCA اکیلے EEG سگنلز کو صاف کرنے کا کام کرتا ہے؟
نہیں، PCA شاذ و نادر ہی صفائی کے ایک خودمختار حل کے طور پر استعمال ہوتا ہے۔ یہ عام طور پر ایک بڑی پائپ لائن کے اندر ایک مرحلے کے طور پر کام کرتا ہے، یا تو DEBSS جیسے دوسرے طریقہ کو لاگو کرنے سے پہلے ڈیٹا کی جہتوں کو کم کرتا ہے، یا آرٹی فیکٹ سب اسپیس ریکنسٹرکشن (ASR) جیسے فریم ورک کے اندر ڈیٹیکشن انجن کے طور پر کام کرتا ہے۔
آرٹی فیکٹ ہٹانے کے لیے PCA اور ICA میں کیا فرق ہے؟
PCA کے لیے صرف یہ ضروری ہوتا ہے کہ نتیجے میں آنے والے اجزاء غیر مربوط ہوں، جو کہ ریاضیاتی طور پر نسبتاً نرم شرط ہے، جبکہ ICA ایسے اجزاء کو تلاش کرتا ہے جو شماریاتی طور پر آزاد ہوں، جو کہ ایک سخت اور زیادہ کمپیوٹیشنل تقاضا کرنے والی شرط ہے۔ PCA تیز تر ہے اور اکثر ICA کے متبادل کے بجائے اس سے پہلے تیاری کے مرحلے کے طور پر استعمال ہوتا ہے۔
کیا PCA نادانستہ طور پر آرٹی فیکٹس کے ساتھ دماغ کی حقیقی سرگرمی کو بھی دور کر سکتا ہے؟
جی ہاں، چونکہ PCA آرٹی فیکٹس کی شناخت کے لیے ویریئنس پر انحصار کرتا ہے، اس لیے پوسٹریئر الفا سرگرمی جیسے ہائی ایمپلی ٹیوڈ دماغی ردھمز کو غلطی سے شور سمجھا جا سکتا ہے۔ مزید برآں، آرٹی فیکٹس متعدد اجزاء میں پھیل سکتے ہیں، اس لیے محض سب سے اوپر والے جزو کو ہٹانا حقیقی اعصابی سگنلز کو ضائع کر سکتا ہے۔
EEG کی صفائی کے لیے PCA فریکوئنسی فلٹرنگ کے مقابلے کیسا ہے؟
فریکوئنسی فلٹرنگ مخصوص فریکوئنسی بینڈز میں سگنل کی توانائی کو ہٹاتی یا مدہم کرتی ہے، لیکن یہ کسی ایسے آرٹی فیکٹ اور دماغی سگنل کو الگ نہیں کر سکتی جو ایک ہی فریکوئنسی پر مشتمل ہوں۔ PCA اس کے بجائے تمام الیکٹروڈز پر ویریئنس کے پیٹرنز کو دیکھتا ہے، جس سے یہ ایک تکمیلی نقطہ نظر بنتا ہے جو ڈیٹا کی مختلف جہت پر کام کرتا ہے۔
ایک محقق کو EEG پری پروسیسنگ ورک فلو میں محفوظ طریقے سے PCA کا استعمال کیسے کرنا چاہیے؟
PCA کو دوسرے طریقوں کو لاگو کرنے سے پہلے ڈائمینشنلٹی ریڈکشن کے مرحلے کے طور پر استعمال کیا جا سکتا ہے، یا یہ جانچنے کے لیے ایک مددگار کے طور پر استعمال کیا جا سکتا ہے کہ ریکارڈنگ پر کون سے پیٹرن غالب ہیں۔ محققین کو اندھا دھند ویریئنس رینکنگ پر بھروسہ کرنے کے بجائے، ان اجزاء کا جنہیں وہ مسترد کرنے کا ارادہ رکھتے ہیں، ان کی اسکیلپ ٹوپوگرافی اور ٹائم کورس کی جانچ پڑتال کرکے بصری طور پر معائنہ کرنا چاہیے۔
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
