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۔
ای ای جی (EEG) میں پرنسپل کمپوننٹ اینالیسس (PCA) کیا ہے؟
پی سی اے (PCA) کو مزید سمجھنے کے لیے، یہ تصور کرنا مفید ہے کہ کسی بھی سگنل پروسیسنگ سے پہلے کا کچا EEG ڈیٹا کیسا دکھتا ہے۔
ایک عام ریکارڈنگ میں بہت سے الیکٹروڈز شامل ہوتے ہیں، جن میں سے ہر ایک وقت کے ساتھ وولٹیج ریڈنگز کا اپنا مسلسل سلسلہ پیدا کرتا ہے۔ یہ چینلز ایک دوسرے سے آزاد نہیں ہوتے۔ چونکہ یہ سب ایک ہی مشترکہ، موصل میڈیم (سر) سے برقی سرگرمی حاصل کر رہے ہوتے ہیں، اس لیے ان کے سگنلز پیچیدہ طریقوں سے ایک دوسرے پر اثر انداز ہوتے ہیں اور باہمی تعلق رکھتے ہیں۔
پی سی اے باہمی تعلق رکھنے والے ان چینلز کے الجھاؤ کو لیتا ہے اور اسے سگنلز کے ایک نئے سیٹ میں دوبارہ ترتیب دیتا ہے جسے کمپوننٹس (اجزاء) کہا جاتا ہے۔ ہر کمپوننٹ اصل چینلز کا ایک وزنی مجموعہ ہوتا ہے، لیکن ایک اہم ریاضیاتی خاصیت کے ساتھ: یہ کمپوننٹ آرتھوگونل (orthogonal) ہوتے ہیں، جس کا مطلب ہے کہ ان کا ایک دوسرے کے ساتھ کوئی باہمی تعلق (uncorrelated) نہیں ہوتا۔
پی سی اے ان کمپوننٹس کی اس بنیاد پر درجہ بندی بھی کرتا ہے کہ ہر ایک کتنی مختلف حالت (variance)، یا مجموعی سگنل کی تبدیلی کو ظاہر کرتا ہے۔ پہلا کمپوننٹ ڈیٹا میں سب سے زیادہ ویرائنس حاصل کرتا ہے، دوسرا باقی رہ جانے والے حصوں میں سے اگلا سب سے بڑا حصہ حاصل کرتا ہے، اور اسی طرح فہرست میں نیچے تک سلسلہ چلتا ہے۔
یہ درجہ بندی انتہائی اہم ہے کیونکہ آرٹیفیکٹس (مصنوعی اثرات) عام طور پر اسی طرح برتاؤ کرتے ہیں۔ مثال کے طور پر، آنکھیں جھپکنے سے بڑی اور سست وولٹیج کی لہریں پیدا ہوتی ہیں جو ایک ہی وقت میں کئی الیکٹروڈز میں وسیع پیمانے پر پھیل جاتی ہیں۔ چونکہ یہ تبدیلی کا ایک بڑا، مشترکہ پیٹرن تخلیق کرتی ہیں، اس لیے جھپکنے کی سرگرمی سب سے زیادہ ویرائنس والے کمپوننٹس میں مرکوز ہو جاتی ہے۔ کمزور اور زیادہ مخصوص دماغی سگنلز اکثر فہرست میں نیچے، کم ویرائنس والے کمپوننٹس میں چلے جاتے ہیں۔
پی سی اے کو اس کے کچھ معروف کزنز جیسے کہ انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) سے الگ کرنے والی ایک تفصیل یہ ہے کہ یہ فرض نہیں کرتا کہ بنیادی ذرائع شماریاتی طور پر آزاد (independent) ہیں۔ اس کے لیے صرف یہ ضروری ہے کہ حاصل ہونے والے کمپوننٹ غیر متعلقہ (uncorrelated) ہوں، جو کہ ایک بہت ہی نرم شرط ہے۔
پرنسپل کمپوننٹ اینالیسس (PCA) کیسے کام کرتا ہے؟ مرحلہ وار وضاحت
مرحلہ 1: ڈیٹا کو معیاری بنانا (Standardize the Data)
ایک پیچیدہ حساب کتاب شروع کرنے سے پہلے، متغیرات (variables) کے درمیان برابری کو یقینی بنانے کے لیے ان پٹ کو نارملائز کرنا ضروری ہے۔ اگر ایک متغیر کی پیمائش مائیکرو وولٹ میں اور دوسرے کی ملی سیکنڈ میں کی جائے، تو پیمانے کا خام فرق نتائج کو متاثر کر سکتا ہے۔ ہر متغیر کو صفر کے اوسط (mean of zero) اور ایک کے معیاری انحراف (standard deviation of one) پر اسکیل کرنے سے ریاضی کو تمام ان پٹ خصوصیات کے ساتھ مساوی وزن کے ساتھ برتاؤ کرنے کی اجازت ملتی ہے۔
مرحلہ 2: کوویرائنس میٹرکس کا حساب لگانا (Calculate the Covariance Matrix)
جب ڈیٹا معیاری ہو جاتا ہے، تو اگلا مرحلہ خصوصیات کے ہر جوڑے کے درمیان تعلقات کا نقشہ بنانا ہوتا ہے۔ ایک کوویرائنس میٹرکس ان تعاملات کا خلاصہ پیش کرتا ہے، جس سے پتہ چلتا ہے کہ کون سے متغیرات ایک ساتھ چلتے ہیں اور کون سے آزاد ہیں۔ یہ گرڈ ان سمتوں کی نشاندہی کے لیے بنیاد کا کام کرتا ہے جہاں ڈیٹاسیٹ سب سے اہم پھیلاؤ کو ظاہر کرتا ہے۔
مرحلہ 3: آئیگن ویکٹرز اور آئیگن ویلیوز کا حساب لگانا (Compute Eigenvectors and Eigenvalues)
اس مرحلے میں ان مخصوص ویکٹرز کو حل کرنا شامل ہے جو ڈیٹا کی تقسیم کی شکل کو واضح کرتے ہیں۔ آئیگن ویکٹرز نئے محوروں (axes) کی سمت کا تعین کرتے ہیں، جبکہ آئیگن ویلیوز ان مخصوص سمتوں میں حاصل ہونے والی ویرائنس کی مقدار کو ظاہر کرتی ہیں۔ یہ ریاضیاتی نشانات ہمیں حرکت کے بنیادی نمونوں کے ذریعہ بیان کردہ ایک نئے کوآرڈینیٹ سسٹم میں اصل ڈیٹا اسپیس کو گھمانے کی اجازت دیتے ہیں۔
مرحلہ 4: پرنسپل کمپوننٹس کا انتخاب (Select Principal Components)
کمپوننٹس کی شناخت کے بعد، تجزیہ ماڈل کو صرف ان تک محدود کر دیتا ہے جو کل ویرائنس کے ایک اہم حصے کی وضاحت کرتے ہیں۔ فلٹرنگ کا یہ عمل زیادہ شور والے متغیرات کو مسترد کر دیتا ہے اور مخصوص مقداری حدود کے مطابق صرف سب سے زیادہ معلوماتی پیٹرنز کو برقرار رکھتا ہے۔
غالب کمپوننٹس پر پوری توجہ مرکوز کرکے، محققین بعد کے پروسیسنگ کاموں پر کمپیوٹیشنل بوجھ کو کم کرتے ہیں۔ یہ اس بات کو یقینی بناتا ہے کہ حتمی ماڈل ریئل ٹائم تجزیہ کے لیے حساس اور موثر دونوں ہو۔
مرحلہ 5: اصل ڈیٹا کو تبدیل کرنا (Transform the Original Data)
حتمی انتخاب مکمل ہونے کے ساتھ، آخری مرحلہ ان نئے محوروں پر اصل مشاہداتی پوائنٹس کو پیش کرنا ہے۔ یہ تبدیلی ایک نیا، کم طول و عرض والا ڈیٹاسیٹ بناتی ہے جو اصل پیمائش کے بنیادی ٹپوگرافی کو محفوظ رکھتی ہے۔
پیشہ ور افراد پھر ان تبدیل شدہ متغیرات کو کلاسیفیکیشن یا سورس لوکلائزیشن جیسے کاموں کے لیے استعمال کرتے ہیں، جس سے سگنل کی زیادہ واضح شکل کا فائدہ حاصل ہوتا ہے۔
پی سی اے (PCA) ای ای جی (EEG) پری پروسیسنگ پائپ لائن میں کیسے فٹ بیٹھتا ہے
عملی طور پر، پی سی اے شاذ و نادر ہی اکیلے کام کرتا ہے۔ یہ عام طور پر ایک بڑی صفائی کی پائپ لائن کے اندر ایک قدم کے طور پر ظاہر ہوتا ہے، جو دو میں سے ایک کام انجام دیتا ہے:
ڈیٹا کو سکیڑ کر چھوٹا کرنا
آرٹیفیکٹس کے چھپنے کی جگہ کا پتہ لگانے میں مدد کرنا
پہلا کردار ڈائمینشنلٹی ریڈکشن (طول و عرض کی کمی) ہے۔ ایک تحقیق جس میں PCA کو ڈینسٹی ایسٹیمیشن بلائنڈ سورس سیپریشن، یا DEBSS نامی تکنیک کے ساتھ ملایا گیا تھا، اس میں مزید علیحدگی سے پہلے EEG ڈیٹاسیٹ کے سائز کو کم کرنے کے لیے خاص طور پر PCA کا استعمال کیا گیا۔
اس پائپ لائن میں، ہائی فریکوئنسی شور کو پہلے ویولیٹ تجزیہ کے ذریعے فلٹر کیا گیا تھا، اور پھر باقی حصوں کو الگ کرنے کے لیے DEBSS کے کنٹرول سنبھالنے سے پہلے ”EEG سگنلز کو پروسیس کرنے کے لیے PCA الگورتھم کا استعمال کیا جاتا ہے تاکہ ڈیٹا کے طول و عرض کو کم کیا جا سکے“۔ کراس کورلیشن کو ایفیشینٹس اور متعلقہ نان لینیئر پیرامیٹرز کا استعمال کرتے ہوئے ایک بار جب مداخلت پیدا کرنے والے اجزاء کی نشاندہی کر لی گئی، تو محققین نے باقی ماندہ، صاف ستھرے اجزاء سے سگنل کو دوبارہ تشکیل دیا۔
دوسرا کام خود آرٹیفیکٹ کا پتہ لگانا ہے، اور یہ ایک وسیع پیمانے پر استعمال ہونے والے طریقہ کار کے اندر ظاہر ہوتا ہے جسے آرٹیفیکٹ سب اسپیس ریکنسٹرکشن، یا ASR کہا جاتا ہے۔ ASR مسلسل EEG ڈیٹا کی چھوٹی ونڈوز کا تجزیہ کرکے اور ”صاف“ سرگرمی کے بیس لائن کے ساتھ ان کا موازنہ کرکے کام کرتا ہے۔
ایک 2019 کے مطالعے کے مطابق جس نے اس طریقہ کار کا ریمانین (Riemannian) ورژن متعارف کرایا تھا، ASR ”کمپوننٹ سب اسپیس میں ان کی شماریاتی خصوصیات کی بنیاد پر آرٹیفیکٹس کا پتہ لگانے کے لیے کوویرائنس میٹرکس پر بار بار پی سی اے کا حساب لگاتا ہے“۔ یہاں، پی سی اے سہولت کے لیے چینلز کی تعداد کو کم نہیں کر رہا ہے۔ بلکہ یہ اس 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 ہے یا وہ آرٹیفیکٹ کی طرح دکھتا ہے۔
مجموعی طور پر، یہ دونوں مثالیں یہ نتیجہ اخذ کرتی ہیں کہ پی سی اے صفائی کی حکمت عملی کا ایک حصہ ہے، بذات خود صفائی کی کوئی مکمل حکمت عملی نہیں ہے۔ یہ عام طور پر اپنا آؤٹ پٹ کسی دوسرے الگورتھم کے حوالے کرتا ہے، چاہے وہ DEBSS ہو، ریمانین جیوومیٹری موافقت ہو، یا کوئی دوسرا فیصلہ سازی کا عمل ہو جو یہ طے کرتا ہے کہ کون سے اجزاء کو حقیقت میں ختم کیا جانا ہے۔
کیا پی سی اے ای ای جی آرٹیفیکٹس کو الگ کر سکتا ہے؟ شواہد کیا ظاہر کرتے ہیں
آرٹیفیکٹ کی علیحدگی کے لیے پی سی اے کی کشش کے پیچھے کی دلیل بالکل سادہ ہے۔ چونکہ پی سی اے اجزاء کو ویرائنس کے لحاظ سے ترتیب دیتا ہے، اور چونکہ پلکوں کے جھپکنے اور پٹھوں کی سرگرمی سے ضرورت سے زیادہ وولٹیج پیدا ہوتی ہے، اس لیے نیورو سائنس کا نظریہ یہ مانتا ہے کہ ان آرٹیفیکٹس کو قدرتی طور پر خود کو سرفہرست چند اجزاء میں ترتیب دینا چاہیے۔ اگر یہ سچ ثابت ہوتا ہے، تو ایک محقق، اصولی طور پر، ہر دماغی ذریعہ کی قطعی شماریاتی آزادی کا ماڈل بنائے بغیر، بدترین مداخلت کو تیزی سے الگ اور ضائع کر سکتا ہے۔
پہلے بیان کردہ PCA-plus-DEBSS پائپ لائن کا تجربہ کرنے والی تحقیق نے رپورٹ کیا کہ یہ مشترکہ طریقہ کار ”ملٹی چینل EEG سگنلز کی بنیادی مداخلت کو تیزی سے اور مؤثر طریقے سے ختم کر سکتا ہے،“ جبکہ یہ بھی نوٹ کیا کہ یہ نقطہ نظر ”مستحکم تھا اور اس میں مضبوط اسکیل ایبلٹی ہے۔“ یہ ایک مثبت نتیجہ ہے، لیکن یہ واضح طور پر نوٹ کرنا ضروری ہے کہ کس چیز کا تجربہ کیا گیا تھا: ایک مخصوص دو قدمی پائپ لائن، نہ کہ تنہا کام کرنے والا پی سی اے (PCA)۔
مذکورہ بالا 2019 کے مطالعے نے ایک زیادہ منظم تقابلی طریقہ اختیار کیا۔ محققین نے rASR نامی ASR کا ریمانین-جیومیٹری پر مبنی ورژن تیار کیا، اور 27 شرکاء کے ساتھ انڈور اور آؤٹ ڈور دونوں حالات میں اسمارٹ فونز پر ریکارڈ کردہ EEG کا استعمال کرتے ہوئے معیاری PCA-پر مبنی ASR طریقہ کے خلاف اس کا تجربہ کیا۔
انہوں نے تین الگ الگ پیمائشوں کے ذریعے کارکردگی کا جائزہ لیا:
ہر طریقہ نے آنکھ مچولی کے آرٹیفیکٹس کو کتنی اچھی طرح کم کیا (حساسیت)
ہر طریقہ کار نے بصری طور پر پیدا ہونے والی صلاحیتوں (visual-evoked potentials) کو کتنی اچھی طرح سے محفوظ رکھا، جو بصری محرکات پر دماغی ردعمل ہیں (مخصوصیت)
ہر طریقہ کتنی جلدی چلتا ہے (کارکردگی)
مصنف کے نتائج کے مطابق، rASR نے معیاری ASR کے مقابلے میں ”تینوں اقدامات پر سازگار کارکردگی کا مظاہرہ کیا۔“
یہ نتائج پی سی اے پر مبنی آرٹیفیکٹ ہینڈلنگ کے لیے حوصلہ افزا ہیں، لیکن ان کے پیچھے ثبوت کی بنیاد محدود ہے۔ یہ معنی خیز اور مفید ابتدائی نتائج ہیں، لیکن یہ ابھی تک اس وسیع پیمانے پر توثیق شدہ دعوے کے برابر نہیں ہیں کہ پی سی اے تمام ای ای جی سیاق و سباق میں آرٹیفیکٹس کو قابل اعتماد طریقے سے الگ کرتا ہے۔
PCA بمقابلہ ICA بمقابلہ فلٹرنگ: صحیح ٹول کا انتخاب
ای ای جی (EEG) محققین کے پاس ڈیٹا کی صفائی کے لیے کئی ٹولز دستیاب ہیں، اور پی سی اے ان میں ایک مخصوص مقام رکھتا ہے۔
فلٹرنگ، جس میں ہائی پاس، لو پاس، اور نوچ فلٹرز شامل ہیں، پورے فریکوئنسی بینڈز کو ہٹا کر یا کم کر کے کام کرتی ہے۔ یہ بجلی کے تاروں کے شور کی طرح مسلسل مداخلت کو دور کرنے کے لیے مفید ہے، لیکن اس کی ایک حد ہوتی ہے جب ایک آرٹیفیکٹ اور دماغی سگنل ایک ہی فریکوئنسی کی حد کا اشتراک کرتے ہیں۔
مثال کے طور پر، آنکھ کا جھپکنا سست دماغی لہروں کے ساتھ فریکوئنسی میں متصادم ہو سکتا ہے، اور فلٹر ان کے درمیان فرق نہیں بتا سکتا کیونکہ یہ صرف فریکوئنسی کو دیکھتا ہے، چینلز پر ویرائنس کے پیٹرن کو نہیں۔ پی سی اے بالکل مختلف محور پر کام کرتا ہے کیونکہ یہ اس بات کو دیکھتا ہے کہ سگنل کی تبدیلی تمام الیکٹروڈز پر کس طرح تقسیم کی جاتی ہے، نہ کہ فریکوئنسی کے مواد کو۔ یہ فلٹرنگ کے براہ راست متبادل کے بجائے اسے ایک تکمیلی نقطہ نظر بناتا ہے۔
دوسری طرف، ICA کا تذکرہ اکثر PCA کے ساتھ ہی کیا جاتا ہے، لیکن دونوں طریقے مختلف مفروضوں پر مبنی ہیں۔ ICA ایسے اجزاء کو تلاش کرتا ہے جو شماریاتی طور پر ایک دوسرے سے آزاد ہوں، جو کہ PCA کی سادہ سجاوٹ کی ڈھیلی حالت سے کہیں زیادہ سخت اور کمپیوٹیشنل طور پر زیادہ مطلوبہ شرط ہے۔
چونکہ آئی سی اے کو اس قسم کی سخت علیحدگی کے لیے زیادہ تلاش کرنی پڑتی ہے، اس لیے اسے کمپیوٹر پر زیادہ وقت اور زیادہ ڈیٹا درکار ہوتا ہے۔ پی سی اے، ریاضیاتی طور پر آسان ہونے کی وجہ سے، تیز رفتار ہے اور اسے آزادی کی بالکل ضرورت نہیں ہے، صرف یہ کہ حاصل ہونے والے اجزاء غیر متعلقہ ہوں۔
کمپیوٹیشنل لاگت میں یہی فرق ہے کہ پی سی اے اکثر آئی سی اے کے متبادل کے بجائے اس سے پہلے ایک ابتدائی قدم کے طور پر ظاہر ہوتا ہے۔ پہلے پی سی اے کے ساتھ طول و عرض کی تعداد کو کم کرنے سے آئی سی اے کے رن کو تیز کیا جاسکتا ہے اور ڈیٹا محدود ہونے کی صورت میں اوور فٹنگ کے خطرے کو کم کیا جاسکتا ہے۔ متبادل طور پر، پی سی اے ایک موٹے پہلے قدم کے طور پر کام کر سکتا ہے، جو کہ ایک زیادہ محتاط طریقہ کار کے باقی حصوں کو ٹھیک کرنے سے پہلے سب سے نمایاں اور واضح نقائص کو دور کرتا ہے۔
طریقہ کار | علیحدگی کی بنیاد | رفتار | اہم حد |
|---|---|---|---|
PCA | ویرائنس کی بنیاد پر ترتیب دیتا ہے | تیز | ویرائنس ≠ آرٹیفیکٹ |
ICA | آزاد ذرائع تلاش کرتا ہے | سست | آزادی کو فرض کرتا ہے |
فلٹرنگ | فریکوئنسی بینڈز کو ہٹاتا ہے | بہت تیز | متصادم فریکوئنسیز باقی رہتی ہیں |
پی سی اے پر مبنی آرٹیفیکٹ کو ہٹانے کی حدود
پی سی اے کی سادگی ہی اس کی کمزوریوں کا سبب بھی ہے۔ اس بارے میں کئی سوالات باقی ہیں کہ یہ حقیقت میں آرٹیفیکٹ آئسولیشن کے کام کو کتنی اچھی طرح سے انجام دیتا ہے جو اسے اکثر سونپا جاتا ہے۔
ویرائنس ”آرٹیفیکٹ“ کے متبادل کے طور پر نامکمل ہے۔ کچھ دماغی تال (brain rhythms)، جیسا کہ پوسٹرئیر الفا ایکٹیویٹی (ایک معروف ای ای جی تال جو پرسکون، بند آنکھوں کی حالتوں سے وابستہ ہے)، اپنے طور پر ہائی ایمپلیٹیوڈ سگنل پیدا کر سکتے ہیں۔ ایک ایسا طریقہ جو یہ فرض کرتا ہے کہ زیادہ ویرائنس کا مطلب ہمیشہ آرٹیفیکٹ ہوتا ہے، اس میں اصل دماغی سرگرمی کو اس شور کے ساتھ ضائع کرنے کا خطرہ ہوتا ہے جسے دور کرنا مقصود ہوتا ہے۔
دوسری سمت میں، پلک جھپکنے کے نقائص ہمیشہ اپنے آپ کو صاف طور پر ایک ہی جزو تک محدود نہیں رکھتے؛ ان کا اثر ایک ہی وقت میں کئی اجزاء میں پھیل سکتا ہے، جس سے ”سب سے اوپر والے جزو کو ہٹانے“ کی کوئی بھی سادہ حکمت عملی پیچیدہ ہو جاتی ہے۔
غور کرنے کے لیے ایک ساخت کا عدم توازن بھی ہے۔ پی سی اے اپنے اجزاء کو ریاضی کی تعریف کے مطابق ایک دوسرے کے متبادل ہونے پر مجبور کرتا ہے۔ لیکن اس بات کی کوئی ضمانت نہیں ہے کہ ای ای جی سگنلز پیدا کرنے والے اصل جسمانی ذرائع، چاہے وہ نیورل سرکٹس ہوں یا کھوپڑی کے قریب پٹھوں کے گروہ، اس طرح ترتیب دیے گئے ہیں جو اس آرتھوگونل جیومیٹری سے میل کھاتے ہوں۔
جب مفروضہ بنیادی حقیقت سے میل نہیں کھاتا ہے، تو پی سی اے کی پیدا کردہ علیحدگی ریاضیاتی سہولت تو ہو سکتی ہے لیکن یہ اس بات کی درست عکاسی نہیں کرتی کہ ٹشو میں اصل میں کیا ہو رہا ہے۔
EEG تجزیہ میں پی سی اے کے استعمال کے لیے عملی مشورہ
پہلی بار ای ای جی ڈیٹاسیٹ کو دیکھنے والے کسی شخص کے لیے، پی سی اے ایک معقول نقطہ آغاز ہے، خاص طور پر یہ دیکھنے کے طریقے کے طور پر کہ دی گئی ریکارڈنگ میں تبدیلی کے کون سے نمونے غالب ہیں۔ یہاں کچھ مفید مشورے ہیں جن کی اکثر سفارش کی جاتی ہے:
پی سی اے کو ڈائمینشنلٹی کو کم کرنے یا غالب آرٹیفیکٹ پیٹرنز کو فلیگ کرنے کے لیے ایک ابتدائی قدم کے طور پر استعمال کریں، نہ کہ فائنل صفائی کے طور پر۔
پی سی اے کو بعد کے طریقہ کار (مثلاً، ICA، DEBSS، ASR) کے ساتھ جوڑیں جو یہ فیصلہ کر سکے کہ کون سے اجزاء کو ہٹانا ہے۔
ہمیشہ ضائع کیے گئے اجزاء کی اسکیلپ ٹپوگرافی اور ٹائم کورس کا بصری طور پر معائنہ کریں تاکہ تصدیق کی جاسکے کہ وہ آرٹیفیکٹس کی نمائندگی کرتے ہیں۔
ریکارڈنگ ماحول (لیب بمقابلہ موبائل) میں نتائج میں تبدیلی کے ساتھ احتیاط برتیں اور اپنے ڈیٹا پر توثیق کریں۔
نتیجہ: کیا پی سی اے ایک قابل اعتماد ای ای جی صفائی کا طریقہ ہے؟
پی سی اے الجھے ہوئے برین ویو ڈیٹا کو درجہ بند اجزاء میں تبدیل کرتا ہے، جس سے محققین کو ریکارڈنگ کے سب سے زیادہ شور والے حصوں پر توجہ مرکوز کرنے کا ایک تیز طریقہ ملتا ہے۔ یہ نقطہ نظر خاص طور پر اس وقت کارآمد ہوتا ہے جب آنکھ جھپکنا یا پٹھوں کی حرکت سگنل پر غالب ہو، کیونکہ وہ اکثر سب سے زیادہ ویرائنس والی جگہوں پر ابھرتے ہیں۔
لیکن چونکہ حقیقی دماغی لہریں بھی مضبوط سگنل پیدا کر سکتی ہیں، اس لیے یہ فیصلہ کرنے کے لیے کہ کون سا آرٹیفیکٹ ہے اور کون سا قیمتی نیورل ڈیٹا ہے، اکیلے اس طریقے پر 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 گئے سوالات
ای ای جی (EEG) کے تناظر میں پرنسپل کمپوننٹ اینالیسس (PCA) کیا ہے؟
پی سی اے ایک ریاضیاتی طریقہ ہے جو ملٹی چینل ای ای جی ڈیٹا کو سگنلز کے ایک نئے سیٹ میں دوبارہ ترتیب دیتا ہے جسے اجزاء (components) کہا جاتا ہے، جن کا ایک دوسرے سے کوئی باہمی تعلق نہیں ہوتا۔ یہ ان اجزاء کی درجہ بندی کرتا ہے کہ وہ کتنی ویرائنس حاصل کرتے ہیں، جس میں پہلا جزو مجموعی طور پر سب سے زیادہ سگنل کی تبدیلی کی وضاحت کرتا ہے۔
پی سی اے ای ای جی ڈیٹا سے آرٹیفیکٹس کو دور کرنے میں کس طرح مدد کرتا ہے؟
چونکہ آنکھیں جھپکنے جیسے خلل بڑے اور وسیع وولٹیج کے جھولے پیدا کرتے ہیں، اس لیے وہ سب سے زیادہ ویرائنس والے اجزاء میں مرکوز ہوتے ہیں۔ پی سی اے کی ویرائنس کے لحاظ سے درجہ بندی محققین کو ان سرفہرست اجزاء کی شناخت کرنے اور ممکنہ طور پر ضائع کرنے کی اجازت دیتی ہے، جن میں اکثر سب سے زیادہ خلل ڈالنے والا شور ہوتا ہے۔
کیا پی سی اے اکیلے ای ای جی سگنلز کو صاف کرنے کا کام کرتا ہے؟
نہیں، پی سی اے شاید ہی کبھی اکیلے صفائی کے حل کے طور پر استعمال ہوتا ہے۔ یہ عام طور پر ایک بڑی پائپ لائن کے اندر ایک قدم کے طور پر کام کرتا ہے، یا تو DEBSS جیسے دوسرے طریقہ کو لاگو کرنے سے پہلے ڈیٹا کے طول و عرض کو کم کرتا ہے، یا آرٹیفیکٹ سب اسپیس ریکنسٹرکشن (ASR) جیسے فریم ورک کے اندر شناختی انجن کے طور پر کام کرتا ہے۔
آرٹیفیکٹ کو ہٹانے کے لیے پی سی اے اور آئی سی اے میں کیا فرق ہے؟
پی سی اے کے لیے صرف یہ ضروری ہے کہ حاصل ہونے والے اجزاء غیر متعلقہ ہوں، جو کہ ایک ڈھیلی ریاضیاتی حالت ہے، جبکہ آئی سی اے ان اجزاء کو تلاش کرتا ہے جو شماریاتی طور پر آزاد ہوں، جو کہ ایک سخت اور کمپیوٹیشنل طور پر زیادہ مانگنے والی ضرورت ہے۔ پی سی اے تیز ہے اور اکثر آئی سی اے کے متبادل کے بجائے اس کی تیاری کے مرحلے کے طور پر استعمال ہوتا ہے۔
کیا پی سی اے حادثاتی طور پر آرٹیفیکٹس کے ساتھ حقیقی دماغی سرگرمی کو بھی ختم کر سکتا ہے؟
ہاں، چونکہ پی سی اے آرٹیفیکٹس کی شناخت کے لیے ویرائنس پر انحصار کرتا ہے، اس لیے ہائی ایمپلیٹیوڈ برین تال جیسے پوسٹرئیر الفا ایکٹیویٹی کو غلطی سے شور سمجھا جا سکتا ہے۔ مزید برآں، خلل متعدد اجزاء میں پھیل سکتا ہے، اس لیے محض سرفہرست جزو کو ہٹانے سے حقیقی اعصابی سگنلز ضائع ہوسکتے ہیں۔
ای ای جی کی صفائی کے لیے فریکوئنسی فلٹرنگ کے مقابلے میں پی سی اے کیسا ہے؟
فریکوئنسی فلٹرنگ مخصوص فریکوئنسی بینڈز میں سگنل کی توانائی کو ہٹاتی یا کم کرتی ہے، لیکن یہ ایک آرٹیفیکٹ اور دماغی سگنل کو الگ نہیں کر سکتی جو ایک ہی فریکوئنسی کا اشتراک کرتے ہیں۔ پی سی اے اس کے بجائے تمام الیکٹروڈز پر ویرائنس کے پیٹرن کو دیکھتا ہے، جو اسے ایک تکمیلی طریقہ بناتا ہے جو ڈیٹا کے مختلف پہلوؤں کو حل کرتا ہے۔
ایک محقق کو ای ای جی پری پروسیسنگ ورک فلو میں پی سی اے کو محفوظ طریقے سے کیسے استعمال کرنا چاہیے؟
پی سی اے کو دیگر طریقوں کو لاگو کرنے سے پہلے ڈائمینشنلٹی ریڈکشن کے قدم کے طور پر استعمال کیا جا سکتا ہے، یا یہ معائنہ کرنے کے لیے ایک مددگار کے طور پر استعمال کیا جا سکتا ہے کہ کون سے نمونے ریکارڈنگ پر غالب ہیں۔ محققین کو چاہیے کہ وہ بصری طور پر ان اجزاء کا معائنہ کریں جنہیں وہ اپنے اسکیلپ ٹپوگرافی اور ٹائم کورس کی جانچ کر کے ضائع کرنے کا ارادہ رکھتے ہیں، بجائے اس کے کہ اندھا دھند ویرائنس کی درجہ بندی پر بھروسہ کریں۔
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 برگوس
