دیگر موضوعات تلاش کریں…

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

تیز رفتار سیٹ اپ اور اعلی کثافت والے وائرلیس اریوں کے ساتھ اپنے تجزیاتی EEG کے نظام الاوقات کو تیز کریں، جو کہ لچکدار فیلڈ کی تعیناتی کے لیے موزوں ہیں۔

تیز رفتار سیٹ اپ اور اعلی کثافت والے وائرلیس اریوں کے ساتھ اپنے تجزیاتی EEG کے نظام الاوقات کو تیز کریں، جو کہ لچکدار فیلڈ کی تعیناتی کے لیے موزوں ہیں۔

ایک بنیادی فوئیر ٹرانسفارم (Fourier Transform)، جو کسی سگنل کو اس کے جزوی تعدد (frequencies) میں تقسیم کرنے کا کلاسک ریاضیاتی آلہ ہے، آپ کو یہ بتا سکتا ہے کہ پوری ریکارڈنگ کے دوران دماغ کی کون سی تالیں (rhythms) کہیں موجود تھیں۔ لیکن یہ آپ کو یہ نہیں بتا سکتا کہ وہ کب واقع ہوئیں۔ الفا سرگرمی کا ایک چھوٹا سا دھماکہ (burst) جو اس لمحے ظاہر ہوتا ہے جب کوئی اپنی آنکھیں بند کرتا ہے، ایک بامعنی، وقت کے ساتھ منسلک واقعہ ہے۔

دس منٹ کی ریکارڈنگ پر محیط ایک واحد تعدد کے خلاصے میں اوسط نکالنے پر، وہ دھماکہ ایک شماریات بن جاتا ہے، جو پس منظر کے شور سے الگ نہیں کیا جا سکتا۔ ان واقعات کے وقت کو بازیافت کرنا کسی بھی سنجیدہ EEG تحقیق کا نقطہ آغاز ہے، اور یہ وہی مسئلہ ہے جسے حل کرنے کے لیے شارٹ-ٹائم فوئیر ٹرانسفارم (STFT) بنایا گیا تھا۔

تیز رفتار سیٹ اپ اور اعلی کثافت والے وائرلیس اریوں کے ساتھ اپنے تجزیاتی EEG کے نظام الاوقات کو تیز کریں، جو کہ لچکدار فیلڈ کی تعیناتی کے لیے موزوں ہیں۔

تیز رفتار سیٹ اپ اور اعلی کثافت والے وائرلیس اریوں کے ساتھ اپنے تجزیاتی EEG کے نظام الاوقات کو تیز کریں، جو کہ لچکدار فیلڈ کی تعیناتی کے لیے موزوں ہیں۔

معیاری فوریئر ٹرانسفارم کا مسئلہ

معیاری فوریئر ٹرانسفارم کلاسیکی سگنل پروسیسنگ کا ایک ستون ہے کیونکہ یہ پیچیدہ سگنلز کو خالص سائینوسائیڈز کے مجموعے میں مؤثر طریقے سے تقسیم کرتا ہے۔ لامتناہی وقت پر انضمام (integrating) کر کے، یہ کسی ریکارڈنگ میں موجود کل فریکوئنسی مواد کو ظاہر کرتا ہے۔

تاہم، یہ طریقہ فرض کرتا ہے کہ سگنل ساکن (stationary) ہے؛ اگر وقت کے ساتھ فریکوئنسی کی ساخت بدلتی ہے، تو روایتی نتائج وقتی تسلسل (temporal sequence) کو چھپا دیتے ہیں۔ یہ خامی کسی مختصر، اچانک پیش آنے والے واقعے اور ایک مسلسل ہارمونک کے درمیان تمیز کرنا ناممکن بنا دیتی ہے، جو نیورو سائنس جیسے شعبوں میں انتہائی اہم ہے۔

ای ای جی (EEG) تجزیے میں شارٹ ٹائم فوریئر ٹرانسفارم کیا ہے

شارٹ ٹائم فوریئر ٹرانسفارم (STFT) وقت کے مسئلے کو کافی سیدھی حکمت عملی کے ساتھ حل کرتا ہے۔ ایک ہی وقت میں پوری EEG ریکارڈنگ پر فوریئر ٹرانسفارم چلانے کے بجائے، یہ سگنل کو مختصر، مسلسل حصوں میں تقسیم کرتا ہے، جنہیں اکثر ونڈوز (windows) کہا جاتا ہے، اور فوریئر ٹرانسفارم کو ہر ایک پر الگ الگ لاگو کرتا ہے۔ ہر ونڈو اپنا ایک مختصر فریکوئنسی اسنیپ شاٹ تیار کرتی ہے، اور ان اسنیپ شاٹس کو ترتیب وار جوڑنے سے ایک متحرک تصویر بنتی ہے کہ وقت کے ساتھ فریکوئنسی مواد کیسے تبدیل ہوتا ہے۔

اس عمل کے نتیجے کو عام طور پر ایک اسپیکٹروگرام کے طور پر دکھایا جاتا ہے، جو ایک بصری نقشہ ہوتا ہے جس میں ایک محور (axis) پر وقت اور دوسرے پر فریکوئنسی چلتی ہے۔ اس نقشے پر کسی بھی دیے گئے نقطے کا رنگ یا شدت اس لمحے اس فریکوئنسی کی طاقت یا شدت کی نمائندگی کرتی ہے۔ یہ بالکل وہی قدر ہے جو STFT تجزیہ فراہم کرنے کے لیے ڈیزائن کیا گیا ہے۔

جیسا کہ زبیدی وغیرہ کہتے ہیں، STFT تجزیہ “ہر وقت کے نقطے 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

سگنل کو ونڈوز میں کاٹنا آسان لگتا ہے، لیکن ہر ونڈو کے لیے منتخب کی جانے والی لمبائی نتیجے میں آنے والے اسپیکٹروگرام کے معیار اور درستی کے بارے میں تقریباً ہر چیز کا فیصلہ کرتی ہے۔ اس فیصلے میں ایک ایسا سمجھوتہ (trade-off) شامل ہے جس سے بچا نہیں جا سکتا، صرف اسے سنبھالا جا سکتا ہے۔

اسے اس طرح سمجھیں: ایک لمبی ونڈو ایک درست فریکوئنسی رولر لیکن ایک دھندلی اسٹاپ واچ کی طرح کام کرتی ہے۔ چونکہ اس میں ڈیٹا پوائنٹس زیادہ ہوتے ہیں، اس لیے ایک لمبی ونڈو حقیقی درستگی کے ساتھ قریبی فاصلے پر موجود فریکوئنسیوں میں فرق کر سکتی ہے۔ لیکن چونکہ یہ وقت کے طویل دورانیے پر پھیلی ہوتی ہے، اس ونڈو کے اندر پیش آنے والا کوئی بھی واقعہ دھندلا جاتا ہے، اور آپ یہ بالکل درست بتانے کی صلاحیت کھو دیتے ہیں کہ کوئی تبدیلی کب واقع ہوئی۔

ایک چھوٹی ونڈو اس سمجھوتے کو الٹ دیتی ہے۔ یہ ایک درست اسٹاپ واچ لیکن ایک دھندلے فریکوئنسی رولر کی طرح کام کرتی ہے۔ یہ آپ کو تقریباً بالکل درست طریقے سے بتا سکتی ہے کہ کوئی واقعہ کب پیش آیا، لیکن یہ ایک دوسرے کے قریب واقع فریکوئنسیوں کو الگ کرنے میں جدوجہد کرتی ہے، کیونکہ سگنل کے ایک مختصر ٹکڑے میں اتنے آسیلیشن سائیکلز (oscillation cycles) نہیں ہوتے کہ باریک تفصیل کے ساتھ فریکوئنسی کی پیمائش کی جا سکے۔

یہ عدم یقینی کے اصول (uncertainty principle) کا ایک ورژن ہے جو تمام ٹائم-فریکوئنسی تجزیے پر لاگو ہوتا ہے: آپ ایک ہی وقت میں وقت اور فریکوئنسی دونوں میں مکمل ریزولوشن حاصل نہیں کر سکتے۔ ایک کو بہتر بنانے سے ہمیشہ دوسرے کی کچھ قیمت چکانی پڑتی ہے۔ اس سمجھوتے کو ختم کرنے کی کوشش کرنے کے بجائے اسے تسلیم کرنا، STFT کے ساتھ کام کرنے کی بنیادی مہارت ہے۔

چونکہ مختلف EEG ردھمز بہت مختلف رفتار سے حرکت کرتے ہیں، اس لیے کوئی ایک ونڈو کی لمبائی ان سب کے لیے مؤثر ثابت نہیں ہوتی۔ درج ذیل رہنما خطوط ابتدائی عملی اصول ہیں جو اس بات سے اخذ کیے گئے ہیں کہ یہ ردھمز عام طور پر کیسا برتاؤ کرتے ہیں:

  • ڈیلٹا لہریں (تقریباً 0.5 سے 4 ہرٹز): یہ دماغ کے سب سے سست ردھمز ہیں، اور ونڈو کا اتنا طویل ہونا ضروری ہے، جو اکثر 1 سے 2 سیکنڈ کی حد میں ہوتا ہے، تاکہ ناپی جانے والی سب سے سست لہر کا کم از کم ایک مکمل سائیکل حاصل کیا جا سکے۔ اس سے چھوٹی ونڈو میں لہر کی خصوصیات بیان کرنے کے لیے اس کا کافی حصہ شامل ہی نہیں ہوگا۔

  • تھیٹا اور الفا ردھمز (تقریباً 4 سے 13 ہرٹز): ایک درمیانی ونڈو، جو اکثر 500 ملی سیکنڈ کے لگ بھگ ہوتی ہے، ایک قابل عمل توازن قائم کرتی ہے۔ یہ کئی آسیلیشن سائیکلز کو قید کرنے کے لیے کافی لمبی ہوتی ہے، جس سے ردھم کی واضح طور پر وضاحت کرنے میں مدد ملتی ہے، جبکہ بامعنی تبدیلیوں کو ٹریک کرنے کے لیے اتنی مختصر بھی ہوتی ہے، جیسے کہ آنکھیں بند ہونے پر الفا کے اچانک ابھرنے کا آغاز۔

  • بیٹا اور گاما ردھمز (تقریباً 13 ہرٹز سے اوپر): یہ تیز رفتار ردھمز تیزی سے حرکت کرتے ہیں، لہٰذا ان کی تیز رفتار حرکیات کو ٹریک کرنے کے لیے ایک مختصر ونڈو، جو اکثر 250 ملی سیکنڈ یا اس سے کم ہوتی ہے، ضروری ہو جاتی ہے۔ یہاں قیمت اعلیٰ گاما رینج کے اندر قریب موجود فریکوئنسیوں کے درمیان درست طریقے سے تمیز کرنے کی کم ہوتی صلاحیت کی صورت میں ادا کرنی پڑتی ہے، جو اوپر بیان کردہ اسی سمجھوتے کا براہ راست نتیجہ 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 ہو جاتی ہے، جہاں مقصد دماغی سرگرمی کو براہ راست کسی ڈیوائس کے کنٹرول سگنلز میں ترجمہ کرنا ہوتا ہے۔

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

حرکت سے متعلق ان نمونوں میں، تجزیے کا ایک عام ہدف ایک مظہر ہے جسے ایونٹ ریلیٹڈ ڈی سنکرونائزیشن، یا ERD کہا جاتا ہے، جو حرکت سے وابستہ دماغ کے حصوں میں میو (mu) اور بیٹا ردھم کی حدود کے اندر سگنل پاور میں کمی ہے۔ چونکہ ERD مسلسل پس منظر کی خصوصیت کے بجائے طاقت میں ایک مخصوص، وقت کے ساتھ منسلک کمی ہے، اس لیے یہ بالکل اسی قسم کا واقعہ ہے جسے پوری ریکارڈنگ کا فریکوئنسی خلاصہ مٹا دے گا اور ایک وقتی ریزولوشن والا اسپیکٹروگرام پکڑ سکتا ہے۔

زبیدی وغیرہ کے تحقیقی مطالعے میں، جس نے STFT کو براہ راست اس سوال پر لاگو کیا، اصل ہاتھ کی لکھائی اور تصوراتی ہاتھ کی لکھائی کے دوران جمع کی گئی EEG کا جائزہ لیا گیا۔ سگنل کو پہلے ایک بینڈ پاس فلٹر سے گزارا گیا جس نے تجزیے کو 8 سے 30 ہرٹز کی حد تک محدود کر دیا، جس میں موٹر سرگرمی سے سب سے زیادہ متعلقہ الفا اور بیٹا ردھمز شامل تھے، اس سے پہلے کہ ایک ٹیونڈ ہیمنگ ونڈو کے ساتھ STFT کا حساب لگایا گیا۔

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

عملی لحاظ سے، ایک تصوراتی عمل کے دوران دماغ کے برقی ردھم کا پیٹرن حقیقی جسمانی عمل کے دوران پیٹرن سے بہت ملتا جلتا تھا، ایک ایسا تعلق جو BCI سسٹمز کے پیچھے زیادہ تر منطق کی بنیاد بناتا ہے جس کا مقصد کسی بھی اصل جسمانی حرکت کی ضرورت کے بغیر مطلوبہ حرکت کا پتہ لگانا ہے۔

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

بصری معائنے کے علاوہ، STFT سے تیار کردہ اسپیکٹروگرامز نے ڈیپ لرننگ سسٹمز میں فیڈ کرنے والے پری پروسیسنگ مرحلے کے طور پر ایک نئی زندگی پائی ہے، اور خاص طور پر کنوولیوشنل نیورل نیٹ ورکس (CNNs) میں، جو کہ ایک قسم کا ماڈل ہے جو بنیادی طور پر امیجز میں پیٹرن کو پہچاننے کے لیے بنایا گیا ہے۔ چونکہ اسپیکٹروگرام بنیادی طور پر ایک رنگین تصویر ہے جو وقت اور فریکوئنسی میں طاقت کو ظاہر کرتی ہے، اس لیے محققین کا ماننا ہے کہ اسے براہ راست امیج پر مبنی ڈیپ لرننگ ماڈل کے حوالے کیا جا سکتا ہے، جو پھر ڈیٹا میں چھپی ہوئی ساخت کا پتہ لگا سکتا ہے جس کی دستی طور پر وضاحت کرنا مشکل ہے۔

ایک 2019 کے مطالعے نے دائیں ہاتھ کی حرکت کو دائیں پاؤں کی حرکت سے ممتاز کرنے والے موٹر امیجری ٹاسک سے حاصل کردہ EEG ریکارڈنگز کو STFT اور ایک متبادل ٹائم-فریکوئنسی اپروچ دونوں کا استعمال کرتے ہوئے تصاویر میں تبدیل کیا، پھر تصاویر کے دونوں سیٹوں کو پہلے سے تربیت یافتہ (pre-trained) CNN آرکیٹیکچر میں فیڈ کیا۔

دونوں طریقوں میں کارکردگی شاندار رہی، جس میں مجموعی پائپ لائن 99.35% کی درجہ بندی کی درستگی (classification accuracy) تک پہنچی، جسے موجودہ تقابلی طریقوں میں بہترین اسکور قرار دیا گیا۔ تاہم، جب اسی مطالعے کے اندر امیج بنانے کے دو طریقوں کا براہ راست ایک دوسرے سے موازنہ کیا گیا، تو نتائج برابر نہیں تھے: “CWT طریقہ STFT طریقہ کار سے بہتر نتائج دیتا ہے”، جس سے یہ ظاہر ہوتا ہے کہ ہر طریقہ بنیادی EEG سگنل کو کس حد تک درستی کے ساتھ ایک قابل استعمال تصویر میں ترجمہ کرتا ہے، اس میں ایک حقیقی، ناپا جانے والا سمجھوتہ موجود ہے۔

بتایا گیا ہے کہ یہ سمجھوتہ ایک الگ طریقہ کار کی ترقی کے پیچھے بنیادی محرک تھا۔ محققین نے اینکرڈ-STFT (anchored-STFT) نامی طریقہ بنایا، جسے “STFT کا ایک جدید ورژن قرار دیا گیا ہے، کیونکہ یہ STFT کی طرف سے پیش کردہ ٹیمپورل اور اسپیکٹرل ریزولوشن کے درمیان سمجھوتے کو کم سے کم کرتا ہے”۔

ایڈورسریل ڈیٹا اگمینٹیشن (adversarial data augmentation) کے طریقہ کار کے ساتھ مل کر، اس بہتر پائپ لائن نے متعدد BCI ڈیٹا سیٹس میں درجہ بندی کی درستگی تقریباً 69% سے 90% سے زیادہ بتائی، جس سے اس بات کو تقویت ملتی ہے کہ سادہ STFT واقعی ایک قابل فیچر نکالنے والے (feature extraction) ٹول کے طور پر کام کر سکتا ہے، لیکن ایک ایسا ٹول جس کی معروف ریزولوشن کی حدود بہتری کی گنجائش پیدا کرتی ہیں، چاہے وہ پیرامیٹر ٹیوننگ کے ذریعے ہو، خود تکنیک کے بہتر ورژن کے ذریعے ہو، یا بالکل مختلف ٹائم-فریکوئنسی نقطہ نظر کے ذریعے۔

تحقیق موٹر امیجری کی درجہ بندی کے لیے شارٹ ٹائم فوریئر ٹرانسفارم کا اطلاق کیسے کرتی ہے

ایک حالیہ مطالعہ شارٹ ٹائم فوریئر ٹرانسفارم کو بصری مرحلے سے آگے لے جا کر ایک فعال درجہ بندی کی پائپ لائن میں داخل کرتا ہے۔ جیسا کہ اوپر بیان کیے گئے ابتدائی کام کے ساتھ، نقطہ آغاز موٹر امیجری کا ایک ٹاسک ہے، جس میں ایک شخص جسمانی طور پر ہاتھ کو حرکت دینے کے بجائے اسے حرکت دینے کا تصور کرتا ہے۔

مصنفین ایک ایسے فریم ورک کو بیان کرتے ہیں جسے وہ AMD-KT2D کہتے ہیں، جو اس پر بنایا گیا ہے جسے وہ آپٹمائزڈ شارٹ ٹائم فوریئر ٹرانسفارم کہتے ہیں۔ ایک ہی فکسڈ ونڈو سیٹنگ پر قائم رہنے کے بجائے، یہ متغیر ونڈونگ فنکشن اور ٹائم-فریکوئنسی ریزولوشن کو ایک ساتھ ٹیون کرتا ہے، جس کا واضح مقصد متحرک ٹیمپورل اور اسپیشل خصوصیات کو محفوظ رکھنا ہے جنہیں ایک فکسڈ کنفیگریشن دھندلا سکتی ہے یا ضائع کر سکتی ہے۔

اس کے نتیجے میں بننے والی 2D ٹائم-فریکوئنسی تصاویر کو پھر ایک گائیڈ-لرنر آرکیٹیکچر میں منتقل کیا جاتا ہے: ایک امپرووڈ ResNet50، جو بڑے پیمانے کے ڈیٹا سیٹ پر پہلے سے تربیت یافتہ ہے، اعلیٰ سطح کی وقتی اور مکانی خصوصیات نکالتا ہے، جبکہ ایک کسٹمائزڈ 2D کنوولیوشنل نیورل نیٹ ورک ملٹی اسکیل خصوصیات کو حاصل کرتا ہے۔ دونوں کے درمیان فرق کو کم کرنے اور ان کی خصوصیات کو ہم آہنگ کرنے کے لیے ایک اڈاپٹیو مارجن ڈسپیرٹی ڈسکرپینسی (Adaptive Margin Disparity Discrepancy) لاس فنکشن استعمال کیا جاتا ہے۔

بائیں بمقابلہ دائیں ہاتھ کے موٹر امیجری ٹاسک کے لیے EEG ریکارڈنگز Emotiv Flex سسٹم کے ساتھ جمع کی گئیں۔ اس ڈیٹا سیٹ پر، ہائبرڈ موٹر امیجری کلاسیفائر نے مبینہ طور پر سبجیکٹ پر منحصر (subject-dependent) سیٹنگ میں 96.75% درستگی اور سبجیکٹ سے آزاد (subject-independent) سیٹنگ میں 92.17% درستگی حاصل کی۔ ان دونوں اعداد و شمار کے درمیان کے فرق پر غور کرنا ضروری ہے: ایک ہی فرد کے اندر ناپی جانے والی کارکردگی خود بخود اس شخص پر منتقل نہیں ہوتی جس پر ماڈل کو تربیت نہیں دی گئی ہے۔

اس مضمون میں زیر بحث دیگر کاموں کے ساتھ ملا کر دیکھا جائے تو، یہ مطالعہ اس بات کی طرف اشارہ کرتا ہے کہ شارٹ ٹائم فوریئر ٹرانسفارم سے تیار کردہ اسپیکٹروگرام موٹر امیجری ڈی کوڈنگ کے لیے بنائے گئے ڈیپ لرننگ ماڈلز کے لیے ایک قابل عمل ان پٹ ہیں۔ تحقیق کا وہ حصہ جو چیز ابھی تک ثابت نہیں کرتا وہ عمومی اطلاق (generalisability) ہے۔ یہ ایک واحد مطالعہ ہے، ایک ہی ڈیٹا سیٹ پر، جس میں درستگی کے اعداد و شمار ایک ٹاسک اور شرکاء کے ایک گروپ سے جڑے ہوئے ہیں، اور رپورٹ کے مطابق یہ طریقہ معیاری شکل کے بجائے ٹرانسفارم کے ایک ٹیون شدہ ورژن پر انحصار کرتا ہے۔

ان نتائج کو ان کی اپنی سیٹنگ کے اندر امید افزا سمجھا جانا چاہیے، نہ کہ وسیع تر بنیاد پر EEG پر مبنی انٹرفیسز کے لیے حتمی کارکردگی۔

جب STFT کمزور پڑ جاتا ہے: فکسڈ ریزولوشن کا مسئلہ

اوپر زیر بحث سمجھوتہ وہ مرکزی حد ہے جس پر STFT کا استعمال کرنے والے کسی بھی محقق کو اسپیکٹروگرام سے نتائج اخذ کرنے سے پہلے تنقیدی طور پر غور کرنے کی ضرورت ہے۔

ایک بار جب ونڈو کی لمبائی منتخب ہو جاتی ہے، مثلاً 500 ملی سیکنڈ، تو وہی ونڈو تجزیہ کیے جانے والے پورے فریکوئنسی اسپیکٹرم پر یکساں طور پر لاگو ہوتی ہے، چاہے محقق سست 2 ہرٹز ڈیلٹا سرگرمی کو دیکھ رہا ہو یا تیز رفتار 100 ہرٹز گاما سرگرمی کو۔ ونڈو خود کو ایڈجسٹ نہیں کرتی ہے۔ پہلے بیان کیا گیا ٹائم-فریکوئنسی کا سمجھوتہ پورے تجزیے کے لیے ایک ہی سیٹنگ پر لاک ہو جاتا ہے، حالانکہ مثالی طور پر مختلف ردھمز مختلف سیٹنگز سے فائدہ اٹھاتے ہیں۔

یہ فکسڈ نوعیت بالکل وہی چیز ہے جو STFT کو اڈاپٹیو تکنیکوں کے زمرے سے الگ کرتی ہے، جیسے کہ ویولیٹ (wavelet) پر مبنی طریقے۔ ہر فریکوئنسی کے لیے ونڈو کے ایک سائز کو لاک کرنے کے بجائے، اڈاپٹیو طریقے مؤثر طریقے سے کم فریکوئنسیوں کے لیے لمبی ونڈوز اور زیادہ فریکوئنسیوں کے لیے چھوٹی ونڈوز استعمال کرتے ہیں، پورے سگنل کے لیے کسی ایک سمجھوتے کے بجائے ایک ہی تجزیے کے اندر ضرورت کے مطابق ریزولوشن کو ایڈجسٹ کرتے ہیں۔

مثال کے طور پر، وانگ وغیرہ کی زیر قیادت ایک تحقیق، جس نے ایک اڈاپٹیو ٹائم-فریکوئنسی طریقہ تیار کیا، رپورٹ کیا کہ اس کا نقطہ نظر “STFT اور CWT کے مقابلے میں بہترین ٹائم-فریکوئنسی ریزولوشن فراہم کر سکتا ہے”، جس میں واضح طور پر STFT کو بنیادی بنیاد کے طور پر نامزد کیا گیا ہے جسے پیچھے چھوڑ دیا گیا ہے۔

علاج سے پہلے کے EEG ڈیٹا سے میجر ڈیپریسو ڈس آرڈر میں اینٹی ڈپریسنٹ علاج کے نتائج کی پیشین گوئی کرنے والے ایک الگ کلینیکل اطلاق میں، محققین نے ویولیٹ پر مبنی نقطہ نظر کا براہ راست موازنہ STFT اور ایک اور ڈی کمپوزیشن طریقہ کار سے کیا، اور بتایا کہ “WT تجزیے نے موازنہ کی گئی تکنیکوں میں سب سے زیادہ درجہ بندی کی درستگی دکھائی ہے”، جو متبادل طریقوں کے مقابلے میں 87.5% درستگی تک پہنچی ہے۔

EEG اسپیکٹروگرام تیار کرنے اور جانچنے کے لیے مرحلہ وار طریقہ کار

ان طاقتوں اور حدود کے پیش نظر، ایک باضابطہ ورک فلو اس بات کو یقینی بنانے میں مدد کرتا ہے کہ STFT کا صحیح اطلاق کیا جائے اور اس کے نتائج کی ایمانداری سے تشریح کی جائے۔

مرحلہ 1: ڈیٹا کو چھونے سے پہلے سوال کی وضاحت کریں۔ کیا مقصد کسی تیز رفتار، مختصر گاما برسٹ کا پتہ لگانا ہے، یا منٹوں کے دوران ڈیلٹا پاور میں سست تبدیلی کو ٹریک کرنا ہے؟ جواب اس بات کا تعین کرتا ہے کہ ونڈو کی لمبائی کے سمجھوتے کا کون سا سرا سب سے زیادہ اہمیت رکھتا ہے۔

مرحلہ 2: ٹارگٹ ردھم سے مطابقت رکھنے والی ابتدائی ونڈو کی لمبائی منتخب کریں۔ اوپر دیے گئے عملی رہنما خطوط 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 ایک اوورلیپنگ ونڈو اسکیم کے ساتھ جوڑیں، عام طور پر مسلسل ونڈوز کے درمیان کہیں 50% اور 90% اوورلیپ ہوتا ہے، جو نتیجے میں آنے والے اسپیکٹروگرام کو ہموار کرتا ہے اور ٹائم سلائسز کے درمیان مصنوعی وقفوں کے ظہور کو کم کرتا ہے۔

مرحلہ 3: اسپیکٹروگرام تیار کریں اور تنقیدی نظر سے اس کا معائنہ کریں۔ کیا منتخب کردہ ونڈو کی لمبائی دلچسپی کے تیز ردھم کے لیے ایک واضح، تیز آغاز دکھاتی ہے، یا یہ واقعہ ضرورت سے زیادہ طویل وقت پر پھیلا ہوا نظر آتا ہے؟ کیا اسپیکٹروگرام الفا کی چوٹی کو قریبی تھیٹا کی چوٹی سے واضح طور پر الگ کر سکتا ہے، یا دونوں ردھم ایک دوسرے میں گھل مل جاتے ہیں؟ یہ بصری جانچ پڑتال اس بات کا براہ راست، عملی امتحان ہے کہ آیا منتخب کردہ ونڈو کی لمبائی ڈیٹا کے لیے موزوں تھی یا نہیں۔

مرحلہ 4: نتیجے کو حتمی فیصلے کے بجائے کئی ممکنہ زاویوں میں سے ایک سمجھیں۔ ایک منفی نتیجہ، جیسے کہ دو تجرباتی گروہوں کے درمیان گاما کا کوئی قابل پیمائش فرق نہ ہونا، اثر کی حقیقی عدم موجودگی کو ظاہر کر سکتا ہے، یا یہ منتخب کردہ مخصوص STFT ونڈو کی ریزولوشن کی حدود کو ظاہر کر سکتا ہے۔ کسی مبہم یا اہم دریافت کی تصدیق کے لیے ایک معقول اگلا قدم کراس چیک کے طور پر ایک اڈاپٹیو طریقہ کار کا استعمال کرتے ہوئے اسی ڈیٹا کا دوبارہ تجزیہ کرنا ہے۔

دماغی ردھمز کب متحرک ہوتے ہیں اسے ٹریک کرنا نئی بصیرتیں کیوں کھولتا ہے

دماغی سرگرمی وقتی واقعات کا ایک تسلسل ہے، اور اس وقت کو بحال کرنا ایک فلیٹ ریکارڈنگ کو بدلتی ہوئی ذہنی حالتوں کے ریئل ٹائم بیان میں بدل دیتا ہے۔ فریکوئنسی کے ایک خلاصے سے لمحہ بہ لمحہ نقشے پر منتقل ہو کر، محققین مخصوص خیالات، ارادوں، یا احساسات کو براہ راست ان دماغی ردھمز سے جوڑ سکتے ہیں جو ان کے ساتھ ہوتے ہیں۔ یہ تبدیلی وہ چیز ہے جو EEG کو ایک جامد پیمائش سے ایک ایسے آلے میں بدل دیتی 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 ریزولوشن کا سمجھوتہ ایک وسیع تر سبق دیتا ہے: ہر تجزیاتی انتخاب کچھ سچائیوں کو اجاگر کرتا ہے جبکہ ممکنہ طور پر دوسروں کو دھندلا دیتا ہے، اس لیے کوئی ایک نتیجہ پوری کہانی بیان نہیں کرتا۔ یہ ضرورت اس بات کی متقاضی ہے کہ جب نتائج اہم ہوں تو دیگر طریقوں سے کراس چیک کیا جائے، اور یہ اس بات کو تقویت دیتا ہے کہ دماغ کے برقی نمونے—جیسے تصوراتی اور حقیقی حرکت کے درمیان قریبی مماثلت دیکھی گئی ہے—گہری تہوں پر مشتمل ہیں۔ یہ بنیادی مماثلت اس خیال کی تائید کرتی ہے کہ دماغ انہی ردھم کے اشاروں میں سے کئی کو استعمال کرتے ہوئے اعمال 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 جانے والے سوالات

EEG تجزیے میں شارٹ ٹائم فوریئر ٹرانسفارم کیا ہے؟

شارٹ ٹائم فوریئر ٹرانسفارم (STFT) خام EEG سگنل کو مختصر، مسلسل وقتی ونڈوز میں کاٹتا ہے اور ہر ایک کے لیے فریکوئنسی اسپیکٹرم کا حساب لگاتا ہے۔ ان اسنیپ شاٹس کو ترتیب وار اسٹیک کرنے سے ایک متحرک تصویر بنتی ہے، جسے اسپیکٹروگرام کہتے ہیں، جو دکھاتی ہے کہ مختلف دماغی ردھمز کی طاقت لمحہ بہ لمحہ کیسے بدلتی ہے۔

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

ایک بنیادی فوریئر ٹرانسفارم پوری ریکارڈنگ کو اس کے جزوی فریکوئنسیوں میں توڑ دیتا ہے لیکن وقت کی تمام معلومات کو مٹا دیتا ہے، لہذا آپ جانتے ہیں کہ مجموعی طور پر کون سے ردھمز موجود تھے لیکن یہ نہیں کہ وہ کب ظاہر ہوئے۔ STFT مختصر حصوں کا الگ الگ تجزیہ کرکے اس وقت کو بحال کرتا ہے، جس سے آپ کو یہ دیکھنے کی سہولت ملتی ہے کہ الفا کا اچانک ابھار یا بیٹا پاور میں کمی اصل میں کب واقع ہوئی۔

اسپیکٹروگرام کیا ظاہر کرتا ہے؟

ایک اسپیکٹروگرام ایک بصری نقشہ ہے جس میں ایک محور پر وقت، دوسرے پر فریکوئنسی، اور رنگ یا چمک اس لمحے ہر فریکوئنسی کی طاقت کو ظاہر کرتی ہے۔ یہ EEG کو ایک فلیٹ خلاصے سے دماغ کی برقی سرگرمی کے میوزیکل اسکور جیسی چیز میں بدل دیتا ہے۔

ونڈو کی لمبائی اتنی اہم کیوں ہے؟

لمبی ونڈوز درست فریکوئنسی معلومات دیتی ہیں لیکن واقعات کے صحیح وقت کو دھندلا دیتی ہیں، جبکہ چھوٹی ونڈوز وقت کی بالکل درست نشاندہی کرتی ہیں لیکن قریبی فاصلے والی فریکوئنسیوں کو آپس میں ملا دیتی ہیں۔ اس ناگزیر سمجھوتے کا مطلب ہے کہ ونڈو کی لمبائی کا انتخاب براہ راست اس بات کی تشکیل کرتا ہے کہ اسپیکٹروگرام کیا ظاہر کر سکتا ہے اور کیا چھپائے گا۔

مختلف دماغی ردھمز کے لیے کون سی ونڈو کی لمبائی ایک اچھا نقطہ آغاز ہے؟

انتہائی سست ڈیلٹا ردھمز کے لیے، مکمل سائیکلوں کو پکڑنے کے لیے تقریباً ایک سے دو سیکنڈ کی لمبی ونڈو کی ضرورت ہوتی ہے۔ تھیٹا اور الفا ردھمز کے لیے اکثر آدھے سیکنڈ کے لگ بھگ کی ونڈو بہترین کام کرتی ہے، اور تیز رفتار بیٹا اور گاما ردھمز کی تیز رفتار تبدیلیوں کو ٹریک کرنے کے لیے تقریباً ایک چوتھائی سیکنڈ 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 میو اور بیٹا بینڈز میں ایونٹ ریلیٹڈ ڈی سنکرونائزیشن کہلانے والی پاور میں وقتی کمی کو ریکارڈ کرتا ہے، جو اس وقت ہوتا ہے جب کوئی شخص حرکت کرتا ہے اور جب وہ ذہنی طور پر اسی حرکت کا تصور کرتا ہے۔ حقیقی اور تصوراتی موٹر ٹاسکس کے اسپیکٹروگرام تقریباً ایک جیسے فریکوئنسی پیٹرن دکھا سکتے ہیں، جو برین کمپیوٹر انٹرفیسز کی منطق کی حمایت کرتے ہیں۔

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

جی ہاں، STFT کے ذریعے تیار کردہ اسپیکٹروگرام کی تصاویر کو براہ راست تصویر کی شناخت کے لیے بنائے گئے کنوولیوشنل نیورل نیٹ ورکس میں فیڈ کیا جا سکتا ہے۔ یہ ماڈل ٹائم-فریکوئنسی پیٹرن سے دماغ کی حالتوں میں فرق کرنا سیکھ سکتے ہیں، اور اکثر موٹر امیجری کا پتہ لگانے جیسے کاموں میں بہت زیادہ درجہ بندی کی درستگی حاصل کرتے ہیں۔

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

STFT تمام فریکوئنسیوں کے لیے ایک ہی ونڈو سائز کو لاک کرتا ہے، یعنی یہ ایک ہی وقت میں تیز برسٹ کے لیے واضح وقت کی تفصیل اور سست لہروں کے لیے باریک فریکوئنسی تفصیل دونوں فراہم نہیں کر سکتا۔ اڈاپٹیو تکنیکیں جیسے کہ ویولیٹس فریکوئنسی کے ساتھ موثر ونڈو کی لمبائی کو تبدیل کرتی ہیں، جس سے اکثر براہ راست موازنے میں بہتر ریزولوشن اور زیادہ درجہ بندی کی کارکردگی حاصل ہوتی ہے۔

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

اپنی مطلوبہ ردھم سے مطابقت رکھنے والی ابتدائی ونڈو کی لمبائی کے انتخاب سے شروع کریں، اسپیکٹروگرام کو ہموار کرنے کے لیے اوورلیپنگ ونڈوز کا استعمال کریں، اور یہ دیکھنے کے لیے نتیجے کا معائنہ کریں کہ آیا واقعات واضح طور پر وقتی طور پر دکھائی دے رہے ہیں یا دھندلے ہیں۔ اگر نتیجہ اہم ہے، تو ڈیٹا کو کسی اڈاپٹیو طریقہ سے کراس چیک کرنے پر غور کریں کیونکہ ایک ہی STFT سیٹنگ صرف ایک قسم کے ریزولوشن کے حق میں ہو سکتی ہے۔

تیز رفتار سیٹ اپ اور اعلی کثافت والے وائرلیس اریوں کے ساتھ اپنے تجزیاتی EEG کے نظام الاوقات کو تیز کریں، جو کہ لچکدار فیلڈ کی تعیناتی کے لیے موزوں ہیں۔

تیز رفتار سیٹ اپ اور اعلی کثافت والے وائرلیس اریوں کے ساتھ اپنے تجزیاتی EEG کے نظام الاوقات کو تیز کریں، جو کہ لچکدار فیلڈ کی تعیناتی کے لیے موزوں ہیں۔

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

ہماری طرف سے تازہ ترین

ڈرائی ای ای جی الیکٹروڈ کا موازنہ: رفتار اور آرام بمقابلہ سگنل کا معیار

الیکٹرو اینسیفلوگرام (EEG) دہائیوں سے نیورو سائنس کا ایک بنیادی ستون رہا ہے، جو کھوپڑی پر لگائے گئے الیکٹروڈز کے ذریعے دماغ کی برقی سرگرمی کی پیمائش کرتا ہے۔ روایتی "گیلے" الیکٹروڈز کو جلد اور سینسر کے درمیان خلا کو پر کرنے کے لیے موصل جیل (conductive gel) کی ضرورت ہوتی ہے، جس سے وہ مزاحمت—امپیڈینس (impedance)—کم ہو جاتی ہے جو بصورت دیگر ان معمولی وولٹیجز کو روک سکتی تھی۔ جیل کا یہ استعمال الجھن سے بھرا، وقت طلب، اور اکثر شرکاء کے لیے تکلیف دہ ہوتا ہے۔

جیسے جیسے EEG لیبارٹری سے باہر—گھروں، کلینکوں، اور چلتے پھرتے (ایمبولیٹری) ماحول میں منتقل ہو رہا ہے—ایک تیز رفتار، آسان انٹرفیس کی مانگ میں اضافہ ہوا ہے۔ خشک الیکٹروڈز، جو جیل کے بغیر جلد سے براہ راست رابطہ قائم کرتے ہیں، بالکل اسی چیز کا وعدہ کرتے ہیں: تیز رفتار سیٹ اپ اور زیادہ آرام۔

لیکن اس سہولت کی ایک فزیکل قیمت بھی ہے۔ جیل کی عدم موجودگی زیادہ امپیڈینس اور شور سے بھرپور سگنل کا سبب بنتی ہے، جس سے عملیت اور ڈیٹا کے معیار (فڈیلیٹی) کے درمیان ایک مستقل توازن (trade-off) پیدا ہوتا ہے۔ حالیہ آزاد تحقیق کا ایک بڑا حصہ اب اس توازن کے درست پہلوؤں کی نشاندہی کرتا ہے، جس سے یہ واضح ہوتا ہے کہ خشک الیکٹروڈز کہاں شاندار کارکردگی کا مظاہرہ کرتے ہیں اور کہاں وہ اب بھی دوسرا انتخاب بنے ہوئے ہیں۔

مضمون پڑھیں

گھر پر روزانہ دماغی سرگرمی کی ریکارڈنگ کے لیے ای ای جی (EEG) کیسے کام کرتا ہے؟

ہوم ای ای جی (Home EEG) خود سے کیے جانے والے ریکارڈنگز ہیں جو کسی بھی کلینیکل یا لیبارٹری سیٹنگ سے باہر انجام دی جاتی ہیں۔ یہ الیکٹروڈ جیل، headset، اور ریکارڈنگ سافٹ ویئر ایک غیر تربیت یافتہ صارف کے حوالے کرتی ہیں، جس میں رہنمائی کے لیے اکثر اسمارٹ فون ایپ سے زیادہ کچھ نہیں ہوتا۔ یہ تصور دماغ کی پیمائش کی ایسی صلاحیتوں پر مشتمل ہے جو روزمرہ کی زندگی میں فٹ بیٹھتی ہیں، جو ممکنہ طور پر ہسپتال کے چکروں کے لاجسٹک بوجھ کے بغیر نیند کی ساخت، علمی توجہ، یا دوروں کے پیٹرن کو ریکارڈ کرتی ہیں۔

مضمون پڑھیں

مکمل نظام کے طور پر نیوروفیڈ بیک ڈیوائسز

تصور کریں کہ آپ ایک ایسا ویڈیو گیم کھیل رہے ہیں جہاں آپ کا کنٹرولر پوشیدہ ہے—آپ صرف اپنی دماغی لہروں (برین ویوز) کے ذریعے کنٹرول کرتے ہیں۔ یہ خیال نیوروفیڈ بیک کی بنیاد میں شامل ہے، جو کہ ایک ایسی تکنیک ہے جو آپ کو اپنے دماغ کی سرگرمی کا حقیقی وقت (ریل ٹائم) میں مشاہدہ کرنے کا موقع دیتی ہے اور پھر آپ کو اسے تبدیل کرنا سکھاتی ہے۔

ایک آلہ آپ کے دماغ سے پیدا ہونے والے سگنلز کو پکڑتا ہے، جس کے لیے عموماً ایک الیکٹرو اینسفالوگرام (EEG) استعمال کیا جاتا ہے جو کھوپڑی پر برقی پیٹرن کا پتہ لگاتا ہے، یا کبھی کبھار فنکشنل نیئر انفراریڈ اسپیکٹروسکوپی (fNIRS) سینسر جو خون کے بہاؤ کو ٹریک کرتا ہے۔ ان خام سگنلز پر کارروائی کی جاتی ہے اور انہیں اسکرین پر ایک سادہ گیم، ایک آواز، یا ایک متحرک شکل میں تبدیل کر دیا جاتا ہے۔ بار بار کی کوشش اور غلطی کے ذریعے، آپ کا دماغ وہ پیٹرن بنانا سیکھ لیتا ہے جو فیڈ بیک کو آپ کی مطلوبہ سمت میں لے جاتے ہیں۔

بہت سے رہنما صرف انفرادی حصوں پر توجہ مرکوز کرتے ہیں—EEG الیکٹروڈز، تاریں، سافٹ ویئر—لیکن کوئی آلہ صرف اسی وقت کامیاب ہوتا ہے جب یہ تمام پرزے مل کر ایک مربوط نظام بنائیں۔ یہ تعارف نیوروفیڈ بیک کا ایک مربوط نظام کے طور پر جائزہ لیتا ہے جہاں سگنل پروسیسنگ، فیڈ بیک ڈیزائن، اور روزمرہ کا استعمال مل کر یہ طے کرتے ہیں کہ آیا کوئی چیز واقعی مددگار ہے یا نہیں۔

مضمون پڑھیں

ماسٹر ای ای جی (EEG) سیٹ اپ: ریکارڈنگ سے پہلے کے بہترین طریقہ کار

ایک واضح اور قابل فہم اعصابی سگنل کو پٹھوں کے آرٹیفیکٹ یا لائن نوائز سے خراب ہونے والے ٹریس سے جو چیز الگ کرتی ہے، وہ کوئی جدید پوسٹ-ہاک الگورتھم نہیں، بلکہ تیاری کے مراحل کا ایک منظم اور زمانی سلسلہ ہے۔ اس تناظر میں، ای ای جی (EEG) سیٹ اپ محض شریک کے سر پر الیکٹروڈ کیپ رکھنے کا نام نہیں ہے۔ یہ حیاتیاتی، ماحولیاتی اور برقی کیلیبریشن کے طریقہ کار کا ایک منظم سلسلہ ہے جو مجموعی طور پر دماغ اور ایمپلیفائر کے درمیان ایک مستحکم، کم شور (low-noise) والا انٹرفیس قائم کرتا ہے۔

یہ مضمون ریکارڈنگ سے پہلے کے ورک فلو کا جائزہ لیتا ہے، دستیاب شواہد کا احاطہ کرتا ہے تاکہ یہ ظاہر کیا جا سکے کہ شرکاء کی محتاط بریفنگ، کھوپڑی کی تیاری، ماحولیاتی شیلڈنگ، ریفرنس مونٹیج کا انتخاب، اور بیس لائن آرٹیفیکٹ کی اسکریننگ ناگزیر انحصار کی ایک زنجیر بناتے ہیں۔

مضمون پڑھیں