ای ای جی (EEG) کے لیے شارٹ-ٹائم فورئیر ٹرانسفارم کی ایک گائیڈ

سٹینڈرڈ فورئیر ٹرانسفارم کے ساتھ مسئلہ

سٹینڈرڈ فورئیر ٹرانسفارم کلاسیکی سگنل پروسیسنگ کا ایک ستون ہے کیونکہ یہ مؤثر طریقے سے پیچیدہ سگنلز کو خالص سائنوسائیڈز کے مجموعے میں تقسیم کرتا ہے۔ لامتناہی وقت پر مربوط ہو کر، یہ ریکارڈنگ میں موجود کل فریکوئنسی کے مواد کو ظاہر کرتا ہے۔

تاہم، یہ طریقہ یہ فرض کرتا ہے کہ سگنل ساکن ہے؛ اگر وقت کے ساتھ ساتھ فریکوئنسی کی ترکیب بدلتی ہے، تو عام آؤٹ پٹ وقتی ترتیب کو دھندلا کر دیتی ہے۔ یہ حد کسی مختصر، تیزی سے رونما ہونے والے واقعے اور ایک مستقل ہارمونک کے درمیان فرق کرنا ناممکن بنا دیتی ہے، جو کہ نیوروسائنس جیسے شعبوں میں انتہائی اہم ہے۔

EEG تجزیہ میں شارٹ ٹائم فورئیر ٹرانسفارم کیا ہے

STFT وقت کے مسئلے کو ایک بالکل سیدھی حکمت عملی کے ساتھ حل کرتا ہے۔ ایک ساتھ پوری EEG ریکارڈنگ پر فورئیر ٹرانسفارم چلانے کے بجائے، یہ سگنل کو مختصر، مسلسل حصوں میں تقسیم کرتا ہے، جنہیں اکثر ونڈوز کہا جاتا ہے، اور ہر ایک پر الگ الگ فورئیر ٹرانسفارم لاگو کرتا ہے۔ ہر ونڈو اپنی ایک چھوٹی فریکوئنسی تصویر بناتی ہے، اور ان تصاویر کو ترتیب سے جوڑنے سے ایک متحرک تصویر بنتی ہے کہ وقت کے ساتھ فریکوئنسی کا مواد کیسے تبدیل ہوتا ہے۔

اس عمل کا آؤٹ پٹ عام طور پر اسپیکٹروگرام کے طور پر دکھایا جاتا ہے، جو ایک ایسا بصری نقشہ ہوتا ہے جس میں وقت ایک محور پر اور فریکوئنسی دوسرے پر چلتی ہے۔ اس نقشے پر کسی بھی نقطہ پر رنگ یا شدت اس لمحے اس فریکوئنسی کی طاقت یا مضبوطی کی نمائندگی کرتی ہے۔ یہ بالکل وہی قدر ہے جس کے لیے STFT تجزیہ ڈیزائن کیا گیا ہے۔

جیسا کہ Zabidi et al. لکھتے ہیں، STFT تجزیہ “ہر وقت کے نقطہ پر EEG سگنلز کے فریکوئنسی مواد کو ظاہر کرنے کے لیے” کام کرتا ہے۔

STFT میں ونڈو کی لمبائی سب سے اہم سیٹنگ کیوں ہے

کسی سگنل کو ونڈوز میں تقسیم کرنا بظاہر آسان لگتا ہے، لیکن ہر ونڈو کے لیے منتخب کی گئی لمبائی حاصل ہونے والے اسپیکٹروگرام کے معیار اور سچائی کے بارے میں تقریباً ہر چیز کا فیصلہ کرتی ہے۔ اس فیصلے میں ایک ایسا سمجھوتہ شامل ہے جس سے بچا نہیں جا سکتا، صرف اس کو سنبھالا جا سکتا ہے۔

اسے اس طرح سمجھیں: ایک لمبی ونڈو ایک درست فریکوئنسی رولر کی طرح کام کرتی ہے لیکن ایک دھندلی سٹاپ واچ کی طرح۔ چونکہ اس میں ڈیٹا کے زیادہ پوائنٹس ہوتے ہیں، اس لیے ایک لمبی ونڈو قریب قریب واقع فریکوئنسیوں میں حقیقی درستگی کے ساتھ فرق کر سکتی ہے۔ لیکن چونکہ یہ وقت کے ایک طویل حصے پر محیط ہوتی ہے، اس لیے اس ونڈو کے اندر ہونے والا کوئی بھی واقعہ پھیل کر دھندلا ہو جاتا ہے، اور آپ یہ درست نشاندہی کرنے کی صلاحیت کھو دیتے ہیں کہ کوئی تبدیلی کب آئی تھی۔

ایک مختصر ونڈو اس سمجھوتے کو الٹ دیتی ہے۔ یہ ایک درست سٹاپ واچ کی طرح کام کرتی ہے لیکن ایک دھندلے فریکوئنسی رولر کی طرح۔ یہ آپ کو تقریباً بالکل صحیح بتا سکتی ہے کہ کوئی چیز کب رونما ہوئی، لیکن یہ ساتھ ساتھ موجود فریکوئنسیوں کو الگ کرنے میں جدوجہد کرتی ہے، کیونکہ سگنل کے ایک مختصر حصے میں فریکوئنسی کو باریک تفصیل کے ساتھ ماپنے کے لیے کافی آسیلیشن سائیکل نہیں ہوتے۔

یہ غیر یقینی صورتحال کے اصول (uncertainty principle) کا ایک ورژن ہے جو تمام وقت-فریکوئنسی تجزیہ پر لاگو ہوتا ہے: آپ ایک ہی لمحے میں وقت اور فریکوئنسی دونوں میں کامل ریزولیوشن حاصل نہیں کر سکتے۔ ایک کو بہتر بنانے کی قیمت ہمیشہ دوسرے کی صورت میں چکانی پڑتی ہے۔ اس سمجھوتے کو شکست دینے کی کوشش کرنے کے بجائے اسے تسلیم کرنا، STFT کے ساتھ کام کرنے کی بنیادی مہارت ہے۔

چونکہ مختلف EEG ردھمز بہت مختلف رفتارسے دوڑتے ہیں، اس لیے کوئی ایک ونڈو کی لمبائی ان سب کے لیے مناسب کام نہیں کرتی۔ درج ذیل رہنما خطوط عملی طور پر شروعاتی اصول ہیں جو ان ردھمز کے عام رویے سے اخذ کیے گئے ہیں:

• ڈیلٹا لہریں (تقریباً 0.5 سے 4 ہرٹز): یہ دماغ کے سب سے سست ردھمز ہیں، اور ایک ونڈو کو کافی لمبا ہونا ضروری ہے، اکثر 1 سے 2 سیکنڈ کے درمیان، تاکہ ماپی جانے والی سب سے سست لہر کا کم از کم ایک مکمل سائیکل حاصل کیا جا سکے۔ اس سے چھوٹی ونڈو میں لہر کا اتنا حصہ نہیں ہوگا کہ اس کی خصوصیات کی وضاحت کی جا سکے۔

• تھیٹا اور الفا ردھمز (تقریباً 4 سے 13 ہرٹز): ایک درمیانی ونڈو، اکثر 500 ملی سیکنڈ کے آس پاس، ایک قابل عمل توازن قائم کرتی ہے۔ یہ اتنی لمبی ہوتی ہے کہ کئی آسیلیشن سائیکلز کو حاصل کر سکے، جس سے ردھم کی واضح تعریف میں مدد ملتی ہے، جبکہ اب بھی اتنی مختصر ہوتی ہے کہ بامعنی تبدیلیوں پر نظر رکھ سکے، جیسے آنکھیں بند ہونے پر الفا لہروں کے اچانک شروع ہونے کا سراغ لگانا۔

• بیٹا اور گاما ردھمز (تقریباً 13 ہرٹز سے اوپر): یہ تیز رفتار ردھمز تیزی سے حرکت کرتے ہیں، اس لیے ان کی تیز رفتار تبدیلیوں سے ہم آہنگ رہنے کے لیے ایک چھوٹی ونڈو، اکثر 250 ملی سیکنڈ یا اس سے کم، ضروری ہو جاتی ہے۔ یہاں نقصان یہ ہوتا ہے کہ ہائر گاما رینج کے اندر ساتھ ساتھ موجود فریکوئنسیوں کے درمیان باریکی سے فرق کرنے کی صلاحیت کم ہو جاتی ہے، جو اسی سمجھوتے کا براہ راست نتیجہ ہے جس کا ذکر اوپر کیا گیا ہے۔

STFT حقیقی اور تصوراتی حرکت کے درمیان فرق کو کیسے ظاہر کرتا ہے

STFT کی عملی اہمیت برین-کمپیوٹر انٹرفیس (BCI) کی تحقیق میں سب سے زیادہ واضح ہوتی ہے، جہاں مقصد دماغی سرگرمی کو براہ راست کسی ڈیوائس کے لیے کنٹرول سگنلز میں ترجمہ کرنا ہے۔

ایک اچھی طرح سے مطالعہ کی گئی مثال میں اس EEG کا موازنہ شامل ہے جو اس وقت ریکارڈ کیا گیا جب کوئی شخص ہاتھ ہلانے کا تصور کرتا ہے بمقابلہ اس EEG کے جو پاؤں کی حرکت کا تصور کرتے ہوئے ریکارڈ کیا گیا تھا، یا تصوراتی افعال کا اس عمل کے حقیقی جسمانی ورژن کے ساتھ موازنہ کرنا۔

ان حرکت سے متعلق نمونوں میں، تجزیہ کا ایک عام ہدف وہ رجحان ہے جسے واقعے سے متعلق ڈی سنکرونائزیشن، یا ERD کہا جاتا ہے، جو دماغ کے حرکت سے وابستہ حصوں میں میو (mu) اور بیٹا ردھم کی حدود میں سگنل پاور کا کم ہونا ہے۔ چونکہ ERD پاور میں ایک مخصوص، وقت سے منسلک گراوٹ ہے نہ کہ کوئی مستقل پس منظر کی خصوصیت، اس لیے یہ بالکل اسی قسم کا واقعہ ہے جسے پوری ریکارڈنگ کا فریکوئنسی خلاصہ مٹا دے گا اور وقت کے لحاظ سے حل شدہ اسپیکٹروگرام اسے قید کر سکتا ہے۔

Zabidi et al. کی تحقیقی تحقیق نے اس سوال پر براہ راست STFT کا اطلاق کیا، اور حقیقی تحریر اور تصوراتی تحریر کے دوران جمع کیے گئے EEG کا جائزہ لیا۔ سگنل کو پہلے ایک بینڈ پاس فلٹر سے گزارا گیا جس نے تجزیہ کو 8 سے 30 ہرٹز کی حد تک محدود کر دیا، جو کہ حرکتی سرگرمی سے سب سے زیادہ مطابقت رکھنے والے الفا اور بیٹا ردھمز کا احاطہ کرتا ہے، اس سے پہلے کہ ایک ٹیونڈ ہیمنگ ونڈو کے ساتھ STFT کا حساب لگایا جائے۔

نتیجہ ایک براہ راست، مخصوص دریافت تھی: “لکھنے سے حاصل ہونے والے EEG سگنلز کے فریکوئنسی اجزاء وہی ہیں جو تصوراتی تحریر کے دوران حاصل کیے گئے تھے۔”

عملی طور پر، تصوراتی عمل کے دوران دماغ کا برقی ردھم کا نمونہ حقیقی جسمانی عمل کے دوران بننے والے نمونے سے بہت زیادہ مماثلت رکھتا تھا، یہ ایک ایسا تال میل ہے جو BCI سسٹمز کے پیچھے بنے بہت سے منطق کی بنیاد ہے جس کا مقصد بغیر کسی حقیقی جسمانی حرکت کے محض مطلوبہ حرکت کا پتہ لگانا ہے۔

ڈیپ لرننگ ماڈلز کے لیے تصاویر بنانے کے لیے STFT کا استعمال

بصری معائنے سے ہٹ کر، STFT کے ذریعے تیار کردہ اسپیکٹروگرامز نے ڈیپ لرننگ سسٹمز، اور خاص طور پر Convolutional Neural Networks (CNNs) میں بھیجنے کے لیے ایک پری پروسیسنگ مرحلے کے طور پر دوسری زندگی پائی ہے، جو کہ بنیادی طور پر تصاویر میں نمونوں کی شناخت کے لیے بنائے گئے ماڈل کی ایک قسم ہے۔ چونکہ اسپیکٹروگرام بنیادی طور پر ایک رنگین تصویر ہے جو وقت اور فریکوئنسی کے ساتھ پاور کو ظاہر کرتی ہے، اس لیے محققین کا خیال ہے کہ اسے براہ راست تصویر پر مبنی ڈیپ لرننگ ماڈل کے حوالے کیا جا سکتا ہے، جو پھر ڈیٹا میں چھپی ہوئی ایسی ساخت کا پتہ لگا سکتا ہے جس کی دستی وضاحت کرنا مشکل ہے۔

ایک 2019 کے مطالعے نے موٹر امیجری ٹاسک سے حاصل کردہ EEG ریکارڈنگز کو، دائیں ہاتھ کی حرکت کو دائیں پاؤں کی حرکت سے الگ کرتے ہوئے، STFT اور ایک متبادل وقت-فریکوئنسی نقطہ نظر دونوں کا استعمال کرتے ہوئے تصاویر میں تبدیل کیا، پھر دونوں طرح کی تصاویر کو پہلے سے تربیت یافتہ CNN آرکیٹیکچر میں بھیجا۔

دونوں طریقوں میں کارکردگی مضبوط تھی، اور مجموعی پائپ لائن 99.35% درجہ بندی کی درستگی تک پہنچی، جسے موجودہ تقابلی طریقوں میں بہترین اسکور قرار دیا گیا۔ تاہم، جب اس ایک ہی مطالعے کے اندر تصویر بنانے کے دونوں طریقوں کا براہ راست ایک دوسرے سے موازنہ کیا گیا تو نتائج برابر نہیں تھے: “CWT کا طریقہ کار STFT کے طریقہ کار سے بہتر نتائج دیتا ہے”، جس سے اس بات کا اشارہ ملتا ہے کہ ہر طریقہ کس طرح بنیادی EEG سگنل کو قابل استعمال تصویر میں درست طریقے سے ترجمہ کرتا ہے، اس میں ایک حقیقی، ماپا جانے والا سمجھوتہ موجود ہے۔

یہ سمجھوتہ مبینہ طور پر ایک علاحدہ طریقہ کار کی ترقی کے پیچھے حوصلہ افزا مسئلہ تھا۔ محققین نے ایک ایسا نظام تیار کیا جسے انہوں نے اینکرڈ-STFT (anchored-STFT) کا نام دیا، جسے “STFT کا ایک جدید ورژن کہا گیا ہے، کیونکہ یہ STFT کے پیش کردہ وقتی اور اسپیکٹرل ریزولیوشن کے درمیان سمجھوتے کو کم سے کم کرتا ہے۔”

ایک ایڈورسریل ڈیٹا اگمنٹیشن طریقہ کار کے ساتھ مل کر، اس بہتر پائپ لائن نے کئی BCI ڈیٹا سیٹس میں تقریباً 69% سے لے کر 90% سے زیادہ درجہ بندی کی درستگی کی اطلاع دی، جس سے اس بات کو تقویت ملی کہ سادہ STFT واقعی ایک قابل خصوصیت نکالنے والے ٹول کے طور پر کام کر سکتا ہے، لیکن اس کی معلوم ریزولیوشن کی حدود بہتری کی گنجائش پیدا کرتی ہیں، چاہے وہ پیرامیٹر ٹیوننگ، خود تکنیک کے بہتر ورژن، یا ایک بالکل مختلف وقت-فریکوئنسی نقطہ نظر کے ذریعے ہو۔

جب STFT ناکام ہو جاتا ہے: فکسڈ ریزولیوشن کا مسئلہ

اوپر زیر بحث سمجھوتہ وہ مرکزی حد ہے جس پر کسی بھی محقق کو اسپیکٹروگرام سے نتائج اخذ کرنے سے پہلے باریک بینی سے غور کرنے کی ضرورت ہوتی ہے۔

ایک بار جب ونڈو کی لمبائی کا انتخاب کر لیا جائے، مثال کے طور پر 500 ملی سیکنڈ، تو وہی ونڈو پورے فریکوئنسی اسپیکٹرم پر یکساں طور پر لاگو ہوتی ہے جس کا تجزیہ کیا جا رہا ہے، چاہے محقق سست 2 ہرٹز ڈیلٹا سرگرمی کو دیکھ رہا ہو یا تیز 100 ہرٹز گاما سرگرمی کو۔ ونڈو خود کو ایڈجسٹ نہیں کرتی۔ پہلے بیان کیا گیا وقت-فریکوئنسی کا سمجھوتہ پورے تجزیے کے لیے ایک ہی سیٹنگ پر لاک ہو جاتا ہے، حالانکہ مختلف ردھمز کو مثالی طور پر مختلف سیٹنگز سے فائدہ پہنچے گا۔

یہی فکسڈ نوعیت بنیادی طور پر STFT کو ایڈپٹیو (موافقت پذیر) تکنیکوں کے زمرے سے الگ کرتی ہے، جیسے کہ ویولیٹ پر مبنی طریقے۔ ہر فریکوئنسی کے لیے ایک ونڈو سائز لاک کرنے کے بجائے، موافقت پذیر طریقے مؤثر طریقے سے کم فریکوئنسیوں کے لیے لمبی ونڈوز اور زیادہ فریکوئنسیوں کے لیے چھوٹی ونڈوز استعمال کرتے ہیں، جس سے پورے سگنل کے لیے کسی ایک سمجھوتے پر کاربند رہنے کے بجائے ایک ہی تجزیہ کے اندر ضرورت کے مطابق ریزولیوشن کو ایڈجسٹ کیا جاتا ہے۔

مثال کے طور پر، Wang et al. کی سربراہی میں ہونے والی ایک تحقیق جس میں موافقت پذیر وقت-فریکوئنسی کا طریقہ کار تیار کیا گیا، بتایا گیا کہ اس کا نقطہ نظر “STFT اور CWT کے مقابلے میں بہترین وقت-فریکوئنسی ریزولیوشن فراہم کر سکتا ہے”، جس میں واضح طور پر STFT کو اس بیس لائن کے طور پر نامزد کیا گیا جس سے بہتر کارکردگی دکھائی گئی۔

مایوسی کے بڑے مرض (Major Depressive Disorder) میں علاج سے پہلے کے EEG ڈیٹا سے اینٹی ڈپریسنٹ علاج کے نتائج کی پیش گوئی کرنے والی ایک علاحدہ طبی تحقیق میں، محققین نے ویولیٹ پر مبنی نقطہ نظر کا براہ راست STFT اور ایک اور سگنل کی تحلیل کے طریقہ کار سے موازنہ کیا، اور رپورٹ کیا کہ موازنہ کی گئی تکنیکوں میں “WT کے تجزیے نے سب سے زیادہ درجہ بندی کی درستگی ظاہر کی ہے”، جو متبادلوں کے مقابلے میں 87.5% درستگی تک پہنچ گئی۔

EEG اسپیکٹروگرام بنانے اور اس کا جائزہ لینے کے لیے مرحلہ وار طریقہ کار

ان خوبیوں اور خامیوں کے پیش نظر، ایک منظم طریقہ کار اس بات کو یقینی بنانے میں مدد کرتا ہے کہ STFT کا اطلاق مناسب طریقے سے ہو اور اس کے آؤٹ پٹ کی تشریح دیانتداری کے ساتھ کی جائے۔

مرحلہ 1: ڈیٹا کو چھونے سے پہلے سوال کی وضاحت کریں۔ کیا مقصد ایک تیز، مختصر گاما برسٹ کا پتہ لگانا ہے، یا منٹوں میں ڈیلٹا پاور میں سست تبدیلی کا سراغ لگانا ہے؟ جواب یہ طے کرتا ہے کہ ونڈو کی لمبائی کے سمجھوتے کا کون سا رخ سب سے اہم ہے۔

مرحلہ 2: ہدف کے ردھم سے مطابقت رکھنے والی ابتدائی ونڈو لمبائی منتخب کریں۔ اوپر دی گئی عملی گائیڈ لائنز کو نقطہ آغاز کے طور پر استعمال کریں، ڈیلٹا کے لیے لمبی ونڈوز، تھیٹا اور الفا کے لیے درمیانی ونڈوز، بیٹا اور گاما کے لیے چھوٹی ونڈوز۔ اسے اوورلیپنگ ونڈو اسکیم کے ساتھ جوڑیں، عام طور پر پے در پے ونڈوز کے درمیان 50% اور 90% کے درمیان اوورلیپ، جو حاصل ہونے والے اسپیکٹروگرام کو ہموار کرتا ہے اور وقت کے ٹکڑوں کے درمیان مصنوعی خلا کو کم کرتا ہے۔

مرحلہ 3: اسپیکٹروگرام بنائیں اور اس کا تنقیدی جائزہ لیں۔ کیا منتخب کردہ ونڈو کی لمبائی دلچسپی کے تیز ردھم کے لیے ایک واضح اور نمایاں شروعات ظاہر کرتی ہے، یا یہ واقعہ اپنے حقیقی وقت سے زیادہ وقت کے حصے پر پھیلا ہوا لگتا ہے؟ کیا اسپیکٹروگرام واضح طور پر الفا چوٹی کو پڑوسی تھیٹا چوٹی سے الگ کر سکتا ہے، یا دونوں ردھمز ایک دوسرے میں مدغم ہو رہے ہیں؟ یہ بصری جائزے اس بات کا براہ راست اور عملی امتحان ہیں کہ آیا منتخب کردہ ونڈو کی لمبائی ڈیٹا کے لیے موزوں تھی یا نہیں۔

مرحلہ 4: نتیجے کو کئی ممکنہ تجزیوں میں سے ایک نظریہ سمجھیں، نہ کہ حتمی فیصلہ۔ ایک منفی نتیجہ، جیسے دو تجرباتی گروپس کے درمیان کوئی ماپنے کے قابل گاما فرق نہ ہونا، اثر کی حقیقی عدم موجودگی کی عکاسی کر سکتا ہے، یا یہ صرف منتخب کردہ مخصوص STFT ونڈو کی ریزولیوشن کی حدود کو ظاہر کر سکتا ہے۔ کسی مبہم یا اہم دریافت کی تصدیق کے لیے ایک معقول اگلا قدم یہ ہے کہ کراس چیک کے طور پر ایک موافقت پذیر طریقہ کار کا استعمال کرتے ہوئے اسی ڈیٹا کا دوبارہ تجزیہ کیا جائے۔

دماغی ردھمز کے چلنے کے وقت کا سراغ لگانا نئی بصیرتیں (Insight) کیوں کھولتا ہے

دماغی سرگرمی وقتی واقعات کی ایک ترتیب ہے، اور اس وقت کو دوبارہ حاصل کرنا ایک سپاٹ ریکارڈنگ کو بدلتے ہوئے ذہنی حالات کی حقیقی وقت کی کہانی میں بدل دیتا ہے۔ فریکوئنسی کے ایک واحد خلاصے سے لمحہ بہ لمحہ نقشے پر منتقل ہو کر، محققین مخصوص خیالات، ارادوں یا احساسات کو براہ راست دماغی ردھمز سے جوڑ سکتے ہیں جو ان کے ساتھ چلتے ہیں۔ یہی وہ تبدیلی ہے جو EEG کو ایک ساکن پیمائش سے ایک ایسے آلے میں تبدیل کرتی ہے جو برین-کمپیوٹر انٹرفیس کو سپورٹ کر سکتا ہے اور ڈیپ لرننگ ماڈلز کو فیڈ کر سکتا ہے جو ذہنی نمونوں کو پہچاننا سیکھتے ہیں۔

طریقہ کار کا فکسڈ ریزولیوشن کا سمجھوتہ ایک وسیع تر سبق دیتا ہے: ہر تجزیاتی انتخاب کچھ سچائیوں کو اجاگر کرتا ہے جبکہ دوسرے کو ممکنہ طور پر دھندلا دیتا ہے، اس لیے کوئی ایک نتیجہ پوری کہانی نہیں بتاتا۔ جب نتائج اہم ہوں تو یہ دوسرے طریقوں سے کراس چیک کرنے کا تقاضا کرتا ہے، اور اس بات کو تقویت دیتا ہے کہ دماغ کے برقی نمونے—جیسے تصوراتی اور حقیقی حرکت کے درمیان قریبی مماثلت دیکھی گئی ہے—بہت گہرے ہوتے ہیں۔ وہ بنیادی مماثلت اس خیال کی تائید کرتی ہے کہ دماغ انھی بہت سے تال میلوں کا استعمال کرتے ہوئے افعال کی مشق کرتا ہے جنہیں وہ انہیں انجام دینے کے لیے استعمال کرتا ہے۔

حوالہ جات

1. Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, September). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. In 2012 international conference on system engineering and technology (ICSET) (pp. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

2. Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645

3. Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

4. Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109

5. Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

اکثر پوچھے گئے سوالات

EEG تجزیہ میں شارٹ ٹائم فورئیر ٹرانسفارم کیا ہے؟

شارٹ ٹائم فورئیر ٹرانسفارم (STFT) خام EEG سگنل کو مختصر، مسلسل وقت کے ونڈوز میں تقسیم کرتا ہے اور ہر ایک کے لیے ایک فریکوئنسی اسپیکٹرم کا حساب لگاتا ہے۔ ان تصاویر کو ترتیب سے جوڑنے سے ایک متحرک تصویر بنتی ہے، جسے اسپیکٹروگرام کہا جاتا ہے، جو یہ ظاہر کرتی ہے کہ دماغ کے مختلف ردھمز کی طاقت لمحہ بہ لمحہ کیسے تبدیل ہوتی ہے۔

میں EEG ریکارڈنگ پر صرف باقاعدہ فورئیر ٹرانسفارم کیوں استعمال نہیں کر سکتا؟

ایک بنیادی فورئیر ٹرانسفارم پوری ریکارڈنگ کو اس کے فریکوئنسی حصوں میں توڑ دیتا ہے لیکن وقت کی تمام معلومات کو مٹا دیتا ہے، لہذا آپ کو معلوم ہوتا ہے کہ کون سے ردھمز مجموعی طور پر موجود تھے لیکن یہ نہیں معلوم ہوتا کہ وہ کب نمودار ہوئے۔ STFT مختصر حصوں کا الگ الگ تجزیہ کر کے اس وقت کو دوبارہ حاصل کرتا ہے، جس سے آپ دیکھ سکتے ہیں کہ الفا کا اچانک ابھرنا یا بیٹا پاور کا کم ہونا اصل میں کب واقع ہوا۔

ایک اسپیکٹروگرام کیا ظاہر کرتا ہے؟

ایک اسپیکٹروگرام ایک بصری نقشہ ہے جس میں وقت ایک محور پر، فریکوئنسی دوسرے پر ہوتی ہے، اور رنگ یا چمک اس لمحے ہر فریکوئنسی کی طاقت کی نمائندگی کرتی ہے۔ یہ EEG کو ایک سادہ خلاصے سے تبدیل کر کے دماغ کی برقی سرگرمی کے ایک میوزیکل اسکور جیسا بنا دیتا ہے۔

ونڈو کی لمبائی اتنی زیادہ اہمیت کیوں رکھتی ہے؟

لمبی ونڈوز فریکوئنسی کی مروجہ معلومات فراہم کرتی ہیں لیکن واقعات کے صحیح وقت کو دھندلا دیتی ہیں، جبکہ چھوٹی ونڈوز وقت کی درست نشاندہی کرتی ہیں لیکن ساتھ ساتھ موجود فریکوئنسیوں کو آپس میں ملا دیتی ہیں۔ اس ناگزیر سمجھوتے کا مطلب ہے کہ ونڈو کی لمبائی کا انتخاب براہ راست یہ طے کرتا ہے کہ ایک اسپیکٹروگرام کیا ظاہر کر سکتا ہے اور کیا چھپا سکتا ہے۔

مختلف دماغی ردھمز کے لیے ونڈو کی لمبائی کا ایک اچھا نقطہ آغاز کیا ہے؟

بہت سست ڈیلٹا ردھمز کے لیے، مکمل سائیکلز کو حاصل کرنے کے لیے تقریباً ایک سے دو سیکنڈ کی لمبی ونڈو کی ضرورت ہوتی ہے۔ تھیٹا اور الفا ردھمز اکثر آدھے سیکنڈ کے آس پاس کی ونڈو سے اچھے طریقے سے چلتے ہیں، اور تیز بیٹا اور گاما ردھمز کو ان کی تیزی سے ہونے والی تبدیلیوں کا پتہ لگانے کے لیے تقریباً ایک سیکنڈ کے چوتھائی حصے یا اس سے کم کی چھوٹی ونڈوز کی ضرورت ہوتی ہے۔

STFT حقیقی اور تصوراتی حرکت کے درمیان مماثلت کو کیسے ظاہر کر سکتا ہے؟

STFT پاور میں وقت کے ساتھ منسلک گراوٹ کو ریکارڈ کرتا ہے جسے میو (mu) اور بیٹا بینڈز میں ایونٹ سے متعلق ڈی سنکرونائزیشن کہا جاتا ہے، یہ اس وقت بھی ظاہر ہوتی ہے جب کوئی شخص حرکت کرتا ہے اور اس وقت بھی جب وہ ذہنی طور پر اسی حرکت کا تصور کرتا ہے۔ حقیقی اور تصوراتی حرکتی کاموں کے اسپیکٹروگرامس تقریباً ایک جیسے فریکوئنسی پیٹرن دکھا سکتے ہیں، جو برین-کمپیوٹر انٹرفیس کی منطق کی تائید کرتے ہیں۔

کیا STFT کو ڈیپ لرننگ ماڈلز کے ساتھ استعمال کیا جا سکتا ہے؟

جی ہاں، STFT کے ذریعے تیار کردہ اسپیکٹروگرام تصاویر کو براہ راست ان کنوولوشنل نیورل نیٹ ورکس کو بھیجا جا سکتا ہے جو تصویر کی شناخت کے لیے بنائے گئے ہیں۔ یہ ماڈلز وقت-فریکوئنسی نمونوں سے دماغی حالتوں میں فرق کرنا سیکھ سکتے ہیں، اکثر موٹر امیجری کا پتہ لگانے جیسے کاموں میں بہت زیادہ درجہ بندی کی درستگی حاصل کرتے ہیں۔

دیگر وقت-فریکوئنسی طریقوں کے مقابلے میں STFT کی بنیادی حد کیا ہے؟

STFT تمام فریکوئنسیوں کے لیے ایک ہی ونڈو سائز طے کر دیتا ہے، جس کا مطلب ہے کہ یہ ایک ہی وقت میں تیز رفتار برسٹ کے لیے وقت کی درست تفصیل اور سست لہروں کے لیے بہترین فریکوئنسی تفصیل دونوں نہیں دے سکتا۔ موافقت پذیر تکنیکیں جیسے ویولیٹس فریکوئنسی کے ساتھ مؤثر ونڈو کی لمبائی کو تبدیل کرتی ہیں، جس سے اکثر براہ راست موازنہ میں بہتر ریزولیوشن اور اعلی درجہ بندی کی کارکردگی حاصل ہوتی ہے۔

EEG ڈیٹا پر STFT استعمال کرتے وقت ایک اچھا مرحلہ وار طریقہ کار کیا ہے؟

شروعات میں ایک ابتدائی ونڈو کی لمبائی کا انتخاب کریں جو اس ردھم سے مطابقت رکھتی ہو جس پر آپ غور کر رہے ہیں، اسپیکٹروگرام کو ہموار کرنے کے لیے اوورلیپنگ ونڈوز کا استعمال کریں، اور نتیجہ چیک کریں کہ آیا واقعات کا وقت واضح طور پر ظاہر ہو رہا ہے یا وہ دھندلے نظر آ رہے ہیں۔ اگر دریافت انتہائی اہم ہے، تو ڈیٹا کو ایک موافقت پذیر طریقہ کار کے ساتھ دوبارہ چیک کرنے پر غور کریں کیونکہ سنگل STFT سیٹنگ صرف ایک قسم کے ریزولیوشن کی حمایت کر سکتی ہے۔