سگنل پروسیسنگ

سگنل پروسیسنگ (Signal Processing) کیا ہے؟

سگنل پروسیسنگ کا شعبہ طبیعیاتی واقعات کو قابلِ پیمائش ڈیٹا کے طور پر تبدیل کرنے، ان کا تجزیہ کرنے اور ان کی تشریح کرنے پر محیط ہے۔ ڈیٹا کی لڑیوں کو حاصل کرنے کے لیے ریاضیاتی فریم ورکس کا اطلاق کر کے، محققین مؤثر طریقے سے ارد گرد کے خلل کو فلٹر کر سکتے ہیں اور بنیادی دلچسپی کے پیرامیٹرز پر توجہ مرکوز کر سکتے ہیں۔

یہ طریقہ کار متنوع شعبوں میں جدید سائنسی تحقیق کے لیے مرکزی حیثیت رکھتا ہے، بشمول پیچیدہ انسانی حیاتیاتی افعال کا مطالعہ۔

ڈیجیٹل سگنل پروسیسنگ کی تعریف کیسے کی جائے

ڈیجیٹل سگنل پروسیسنگ ان سگنلز پر ڈسکریٹ-ٹائم (discrete-time) حسابات کے اطلاق کی نمائندگی کرتی ہے جنہیں ان کی اصل اینالاگ حالتوں سے تبدیل کیا گیا ہو۔

یہ بہتری مخصوص الگورتھم اور پروسیسرز کے استعمال کے ذریعے ہوتی ہے جو کمپیوٹیشنل بوجھ کو مؤثر طریقے سے سنبھالنے کے لیے ڈیزائن کیے گئے ہیں۔ سائنسدان حیاتیاتی سگنلز کو الگ کرنے کے لیے اس نقطہ نظر کا استعمال کرتے ہیں، جو کہ نیوروسائنس جیسے شعبوں کے لیے انتہائی اہم ہے جہاں تحقیق کی درستگی کے لیے ڈیٹا کی سالمیت سب سے اہم ہے۔

سگنل پروسیسنگ کا بنیادی مقصد

اپنی افادیت کے عروج پر، سگنل پروسیسنگ کا مقصد ماپے گئے ڈیٹا سے زیادہ سے زیادہ مفید معلومات حاصل کرنا ہے جبکہ شور کے اثر کو کم سے کم کرنا ہے۔ سگنل سے شور کے تناسب (signal-to-noise ratios) کو بہتر بنا کر، محققین قابلِ اعتماد ڈیٹا پوائنٹس بازیافت کرتے ہیں جو ورنہ پوشیدہ رہ جاتے۔

یہ مقصد جدید EEG کی پریکٹس میں استعمال ہونے والے جدید تشخیصی آلات کی ترقی کا باعث بنتا ہے۔

سگنل پروسیسنگ کی اقسام

سگنل پروسیسنگ کو وسیع پیمانے پر ان پٹ سگنل کی نوعیت اور اس میں ہیرا پھیری کے لیے لاگو کیے گئے طریقہ کار کی بنیاد پر زمرہ بندی کیا جاتا ہے۔ طبیعیاتی دنیا ایک مسلسل حالت میں موجود ہے، جبکہ الیکٹرانک آلات اکثر آپریشنز انجام دینے کے لیے ڈیٹا کے کوانٹائزڈ ٹکڑوں پر انحصار کرتے ہیں۔

کسی بھی تجرباتی سیٹ اپ کے لیے مناسب ریاضیاتی نقطہ نظر کا انتخاب کرنے کے لیے ان زمروں کے درمیان فرق کرنا بنیادی اہمیت رکھتا ہے۔

اینالاگ بمقابلہ ڈیجیٹل سگنل پروسیسنگ

اینالاگ سسٹمز سرکٹ کے اجزاء کے ذریعے براہ راست مسلسل برقی لہروں (waveforms) میں ہیرا پھیری کرتے ہیں، جس سے کوانٹائزیشن کے اضافی بوجھ کے بغیر اعلیٰ درجے کی صداقت برقرار رہتی ہے۔ اگرچہ اینالاگ سسٹمز فوری ردعمل پیش کرتے ہیں، لیکن ان میں ڈیجیٹل فن تعمیر کی لچک اور پروگرام ایبلٹی کی خصوصیت کی کمی ہوتی ہے۔

چونکہ معیاری 10-20 سسٹم پروٹوکولز تبدیل ہو چکے ہیں، اس لیے مختلف تحقیقی ترتیبات میں قابلِ موازنہ ڈیٹا کو برقرار رکھنے کے لیے ڈیجیٹل پروسیسنگ بنیادی معیار بن گئی ہے۔

ڈیجیٹل سگنل پروسیسنگ کیا ہے؟ لکیری بمقابلہ غیر لکیری سسٹمز

ڈیجیٹل سگنل پروسیسنگ ڈیٹا کو کمپیوٹیشنل ماڈلنگ کے لیے موزوں فارمیٹس میں بہتر بنانے کے لیے الگورتھم کا استعمال کرتی ہے، جو سگنل کی ایڈجسٹمنٹ کے لیے ایک کنٹرول شدہ ماحول پیش کرتی ہے۔

یہ سمجھنا کہ آیا کوئی سسٹم لکیری (linearly) کام کرتا ہے، یہ پیش گوئی کرنے کے لیے اہم ہے کہ آؤٹ پٹ مختلف ان پٹس پر کیسا ردعمل ظاہر کرے گا، کیونکہ سپر پوزیشن (superposition) کا اصول صرف لکیری آپریشنز پر صادق آتا ہے۔ اس کے برعکس، غیر لکیری سسٹمز پیچیدہ تبدیلیاں متعارف کراتے ہیں جو ان باریک حرکیات کو حاصل کر سکتی ہیں جنہیں اکثر آسان ماڈلز کے ذریعے نظر انداز کر دیا جاتا ہے۔

ان رویوں کی خصوصیات کا تعین کر کے، تکنیکی ماہرین اس بات کو یقینی بناتے ہیں کہ تشخیصی فلٹرز لگانے سے پہلے ریاضیاتی ماڈل ان پٹ سگنل کی حقیقی حرکیات کی درست عکاسی کرتا ہے۔

سگنل پروسیسنگ میں اہم تصورات اور تکنیکیں

اس شعبے میں تکنیکی مہارت حاصل کرنے کے لیے ڈیٹا کی تیاری اور ریاضیاتی ترجمے کی گہری تفہیم کی ضرورت ہوتی ہے۔ پروسیسنگ پائپ لائن میں ہر قدم جان بوجھ کر مخصوص سگنل کے اجزاء کو کم یا بہتر کرتا ہے تاکہ حتمی آؤٹ پٹ کو انسانی تشریح یا مشین لرننگ الگورتھم کے لیے تیار کیا جا سکے۔

سیمپلنگ اور کوانٹائزیشن

سیمپلنگ (Sampling) میں مخصوص وقفوں پر ڈیٹا پوائنٹس حاصل کرنا شامل ہوتا ہے جو کہ ڈسکریٹ نمائندگی کی بنیاد بناتا ہے۔ کوانٹائزیشن (Quantization) اس قدم کی پیروی کرتی ہے، ان ڈسکریٹ ٹائم پوائنٹس کو مخصوص عددی اقدار پر نقش کرتی ہے جو سگنل کے طول (amplitude) کی نمائندگی کرتے ہیں۔

اگر یہ اقدامات درست طریقے سے کیلیبریٹ نہ کیے جائیں تو ایلیاسنگ (aliasing) ہو سکتی ہے، جس سے تجزیہ کردہ لہروں میں نمایاں بگاڑ پیدا ہو سکتا ہے۔

فلٹرنگ (Filtering)

فلٹرنگ ناپسندیدہ فریکوئنسی اجزاء کو ہٹانے کا اہم کردار ادا کرتی ہے جو مطلوبہ سگنل سے تعلق نہیں رکھتے۔ بینڈ-پاس کی ضروریات پر منحصر ہے، فلٹرز جراحی کے انداز میں پٹھوں کے ہائی-فریکوئنسی شور یا لو-فریکوئنسی کے بہاؤ (drift) کو ختم کر سکتے ہیں۔

یہ عمل بنیادی طور پر وسیع تر ماحولیاتی پس منظر کے مداخلت سے دلچسپی کی اعصابی سرگرمی (neural activity) کو الگ کرتا ہے، جس کے نتیجے میں ایک صاف ستھرا بصری خاکہ حاصل ہوتا ہے۔

تبدیلیاں (جیسے فورئیر ٹرانسفارم - Fourier Transform)

تبدیلیاں ڈیٹا کو مختلف ڈومینز کے درمیان منتقل کرتی ہیں تاکہ عارضی شور کے اندر چھپے ہوئے دوری ڈھانچے کو ظاہر کیا جا سکے۔ اس عمل میں استعمال ہونے والے عام طریقوں میں شامل ہیں:

• فورئیر ٹرانسفارمز (Fourier Transforms) سگنلز کو ان کے بنیادی فریکوئنسی اجزاء میں تقسیم کرنے کے لیے۔

• وقت اور فریکوئنسی دونوں میں بیک وقت عارضی واقعات کو تلاش کرنے کے لیے ویولیٹ (Wavelet) تجزیہ۔

• پیچیدہ سگنلز کے فوری لفافے (envelope) اور فریکوئنسی کا تعین کرنے کے لیے ہلبرٹ ٹرانسفارمز (Hilbert transforms)۔

• ڈسکریٹ-ٹائم سسٹمز اور استحکام کے مطالعہ کے لیے Z-ٹرانسفارمز۔

یہ ریاضیاتی نقشے انجینئرز کو ایسے زاویوں سے ڈیٹا کا تصور کرنے کی اجازت دیتے ہیں جو مخصوص پیتھالوجیز یا پیٹرن کی شناخت کرتے ہیں جو عام ٹائم-ڈومین نمائندگی میں مکمل طور پر پوشیدہ رہتے ہیں۔

EEG پری پروسیسنگ پائپ لائن کیا ہے؟

پری پروسیسنگ پائپ لائن محض آپریشنز کا ایک معیاری سلسلہ ہے جو کوئی بھی تجزیہ شروع ہونے سے پہلے مسلسل خام EEG ڈیٹا پر لاگو ہوتا ہے۔ اگرچہ درست ترتیب اور مخصوص طریقے لیبارٹریوں اور سافٹ ویئر پیکجز کے درمیان مختلف ہوتے ہیں، لیکن زیادہ تر پائپ لائنز ایک مشترکہ اصول کا اشتراک کرتی ہیں:

1. ناپسندیدہ فریکوئنسیوں کو فلٹر کرنا

2. سگنل کو دوبارہ ایک غیر جانبدار برقی بیس لائن کے مطابق بنانا (Re-referencing)

3. آرٹفیکٹس (artifacts) کی شناخت کرنا اور ان کو سنبھالنا

4. مسلسل ریکارڈنگ کو مخصوص واقعات سے منسلک چھوٹے حصوں میں کاٹنا، جسے ایپوچنگ (epoching) کہا جاتا ہے

ترتیب سے زیادہ یہ بات اہمیت رکھتی ہے کہ اس سلسلے کا ہر ایک فیصلہ حتمی نتیجے کو بدل سکتا ہے۔ رابنز اور دیگر کی قیادت میں 2020 کا ایک بینچ مارک مطالعہ پتا چلا کہ ان مطالعات میں بھی جو قائم شدہ بہترین طریقہ کار کے رہنما خطوط پر عمل کرنے کا دعویٰ کرتے ہیں، اس بات میں کافی تغیر ظاہر ہوا کہ ان رہنما خطوط کو کوڈ میں اصل میں کیسے نافذ کیا گیا تھا۔

اسی طرح، برٹازولی اور دیگر کی طرف سے 2021 کے ایک مطالعہ نے ظاہر کیا کہ ٹرانسکرینیئل میگنیٹک سٹیمولیشن کے ساتھ مشترکہ EEG (TMS-EEG) تحقیق میں، پری پروسیسنگ پائپ لائن کے انتخاب کا نتیجے میں آنے والی دماغی ردعمل کی عکاسی کرنے والی لہروں پر گہرا اثر پڑا، اور یہاں تک کہ جب انہی مضامین کا دوبارہ تجربہ کیا گیا تو نتائج کی معتبریت کی حد بھی بدل گئی۔

فلٹرنگ: حقیقی دماغی سگنلز کو کیسے الگ کیا جائے

خام EEG میں ناپسندیدہ فریکوئنسی مواد کے دو وسیع زمرے ہوتے ہیں۔

سست رفتاری پر، الیکٹروڈ کے نیچے پسینے کے جمع ہونے یا الیکٹروڈ کے خود کھوپڑی کے خلاف تھوڑا سا ہلنے سے سگنل میں وولٹیج کا بہاؤ (drift) رینگتا ہے۔ تیز رفتاری پر، پٹھوں کا کھنچاؤ اور قریبی آلات سے برقی مداخلت ہائی فریکوئنسی شور پیدا کرتی ہے جس کا نیورونز کے فعال ہونے سے کوئی تعلق نہیں ہوتا۔

فلٹرنگ ان فریکوئنسی رینجز کو ہٹا کر کام کرتی ہے، صرف اس بینڈ کو رکھتی ہے جہاں حقیقی دماغ سے پیدا ہونے والے سگنلز سب سے مضبوط ہوتے ہیں۔

سب سے بنیادی اور وسیع پیمانے پر لاگو ہونے والا قدم ہائی-پاس فلٹرنگ ہے، جو تقریباً 0.5 سے 1 Hz سے نیچے کے سست بہاؤ کو دور کرتا ہے۔ تجزیہ کی قسم پر منحصر ہے، محققین لو-پاس فلٹر بھی لاگو کر سکتے ہیں یا دونوں کو بینڈ-پاس فلٹر میں جوڑ سکتے ہیں، عام طور پر ایونٹ سے متعلقہ پوٹینشلز (ERPs)، مخصوص محرکات پر دماغ کے خصوصیت والے وولٹیج کے ردعمل کا مطالعہ کرتے وقت ڈیٹا کو 1 سے 40 Hz کی حد تک محدود کرتے ہیں۔

جو چیز فلٹرنگ کو خاص طور پر قابل ذکر بناتی ہے وہ یہ ہے کہ یہ کتنی مسلسل مدد کرتی ہے۔ 2023 میں، ارنوڈ ڈیلورم (Arnoud Delorme) نے خودکار پری پروسیسنگ تصحیحات کی ایک وسیع رینج کا تجربہ کیا اور پایا کہ زیادہ تر کا یا تو کوئی ناپے جانے کے قابل اثر نہیں تھا یا انہوں نے ڈیٹا کے معیار کو فعال طور پر کم کیا۔ ہائی-پاس فلٹرنگ صرف دو مراحل میں سے ایک تھا جس نے مجموعی طور پر نتائج کو قابل اعتماد حد تک بہتر کیا۔

ہارورڈ کے محققین اسی طرح فلٹرنگ کو ہائی-آرٹفیکٹ ڈیولپمنٹل ڈیٹا کے لیے اپنی HAPPE پائپ لائن کے ایک بنیادی، ناقابل تلافی جزو کے طور پر مانتے ہیں۔ مختصراً، فلٹرنگ ایک محفوظ ڈیفالٹ کے قریب ہے۔ ہر اس قدم کے لیے جو اس کے بعد آتا ہے ایسا نہیں کہا جا سکتا۔

دوبارہ حوالہ دینا (Re-Referencing): برقی زیرو پوائنٹ مقرر کرنا

EEG کبھی بھی مطلق وولٹیج کی پیمائش نہیں کرتا ہے۔ یہ دو مقامات، ایک فعال الیکٹروڈ اور ایک حوالہ نقطہ (reference point) کے درمیان فرق کی پیمائش کرتا ہے۔

خام ریکارڈنگز کو عام طور پر اس بنیاد پر محفوظ کیا جاتا ہے جو بھی حوالہ الیکٹروڈ مجموعہ کے دوران جسمانی طور پر استعمال کیا گیا تھا، اکثر ایک واحد جگہ جیسے کان کے پیچھے مستوئیڈ (mastoid) ہڈی یا سر کے اوپر Cz الیکٹروڈ، یہ پوزیشنیں الیکٹروڈ پلیسمنٹ کو معیاری بنانے کے لیے استعمال ہونے والے 10-20 سسٹم کے ذریعے طے کی جاتی ہیں۔ وہ اصل حوالہ نقطہ کسی حد تک صوابدیدی ہوتا ہے، اس لیے دوبارہ حوالہ دینا ریاضیاتی طور پر ہر چینل کے وولٹیج کا ایک نئے، نظریاتی طور پر زیادہ غیر جانبدار نقطہ کے مقابلے میں دوبارہ حساب لگاتا ہے، جیسے کہ تمام الیکٹروڈز کا اوسط یا دونوں مستوئیڈز سے حاصل کردہ مشترکہ سگنل۔

دوبارہ حوالہ دینے کی اہمیت حجم کی ترسیل (volume conduction) سے پیدا ہوتی ہے، جس کی وجہ سے دماغ کی برقی سرگرمی آس پاس کے ٹشو اور سیال کے ذریعے پھیل جاتی ہے، جس سے یہ یقینی بنتا ہے کہ ایک واحد اعصابی واقعہ تقریباً ہر کھوپڑی کے الیکٹروڈ پر رجسٹر ہوتا ہے۔ اس پھیلاؤ کی وجہ سے، حوالہ نقطہ کو تبدیل کرنے سے ریکارڈ شدہ سرگرمی کی ظاہری شکل، طول (amplitude)، اور یہاں تک کہ شماریاتی اہمیت بھی تبدیل ہو سکتی ہے، حالانکہ بنیادی دماغی سرگرمی کے بارے میں کچھ بھی تبدیل نہیں ہوا ہوتا۔

یہ ایک بنیادی تصور ہے جو ہمیں ملا ہے EEG مونٹیجز کے پیچھے ڈیزائن کے انتخاب کے بنیادی اصولوں میں، بشمول کامن ایوریج ریفرنس (Common Average Reference) یا ریفرنسئیل مونٹیج (Referential Montage) جیسے نقطہ نظر، جن میں سے ہر ایک اسی بنیادی دماغی سگنل کو مختلف انداز میں پیش کرتا ہے۔

خراب چینل کی شناخت اور انٹرپولیشن (Interpolation)

کسی بھی ملٹی الیکٹروڈ ریکارڈنگ میں، چند چینلز ناگزیر طور پر کمزور سگنل پیدا کریں گے۔ ایک چینل ڈھیلے کنکشن کی وجہ سے فلیٹ ہو سکتا ہے، یا کھوپڑی کے خراب رابطے کی وجہ سے حد سے زیادہ شور والا ہو سکتا ہے۔ اگر ان کی اصلاح نہ کی جائے تو یہ خراب چینلز ان تجزیوں کو بگاڑ سکتے ہیں جو پوری کھوپڑی میں سگنل کے پیٹرنز کا موازنہ کرنے پر انحصار کرتے ہیں۔

معیاری حل میں ان مسئلہ ساز چینلز کی شناخت کرنا، انہیں عارضی طور پر ڈیٹاسیٹ سے ہٹانا، اور پھر انٹرپولیشن کے ذریعے ان کے مفقود ڈیٹا کو دوبارہ تشکیل دینا شامل ہے، بنیادی طور پر یہ اندازہ لگانا کہ اس الیکٹروڈ نے اس کے صحت مند پڑوسیوں کی سرگرمی کی بنیاد پر کیا ریکارڈ کیا ہوگا۔ یہ بعد کے تجزیہ کے مراحل کے لیے کھوپڑی کا ایک مکمل نقشہ بحال کرتا ہے بغیر اس کے کہ متاثرہ چینل نتائج کو بگاڑ سکے۔

یہ دوسرا قدم ہے جسے محقق ارنوڈ ڈیلورم نے مسلسل فائدہ مند پایا۔ ہائی-پاس فلٹرنگ کے ساتھ، خراب چینل انٹرپولیشن ان چند تصحیحات میں سے ایک تھا جس نے ڈیٹا کے معیار کو کم نہیں کیا۔

فلٹرنگ کے ساتھ مل کر، اس نے اس مطالعہ میں ایک پائپ لائن کنفیگریشن بنائی جس نے تنہا سادہ فلٹرنگ سے بہتر کارکردگی کا مظاہرہ کیا۔ جانچے گئے بہت سے خودکار تصحیحات میں، یہ جوڑی ایک نسبتاً محفوظ اور مفید طریقہ کار کے طور پر نمایاں ہے۔

خام EEG میں آرٹفیکٹ (خلل) کا مسئلہ

الیکٹروڈ کی سطح کے مسائل سے ہٹ کر، EEG ریکارڈنگز شرکت کنندہ کے اپنے جسم سے پیدا ہونے والے حیاتیاتی آرٹفیکٹس سے آلودہ ہوتی ہیں:

• آنکھوں کا جھپکنا سامنے کے الیکٹروڈز پر بڑی لہریں پیدا کرتا ہے

• آنکھوں کی حرکت قدموں کی طرح وولٹیج میں تبدیلی پیدا کرتی ہے

• جبڑے اور پیشانی کے پٹھوں کی سرگرمی ہائی-فریکوئنسی کا شور متعارف کراتی ہے

• اچانک حرکتیں اچانک، کثیر چینل وولٹیج آف سیٹس کا سبب بنتی ہیں

آلودہ حصوں کے لیے روایتی ردعمل صرف انہیں پھینک دینا رہا ہے، کسی بھی ایسی آزمائش یا وقت کی ونڈو کو مسترد کرنا جہاں آرٹفیکٹ ظاہر ہوتا ہے۔ یہ اس وقت معقول حد تک اچھا کام کرتا ہے جب شرکت کنندہ پرسکون بیٹھا ہو اور آرٹفیکٹس شاذ و نادر ہی ہوں۔ یہ ان آبادیوں میں کہیں کم قابل عمل ہو جاتا ہے جہاں آرٹفیکٹس عام بات ہیں نہ کہ استثنیٰ۔

HAPPE اس بات پر زور دیتا ہے کہ جیسے جیسے EEG کا مطالعہ زیادہ کثافت والے الیکٹروڈ اریوں اور طویل ریکارڈنگ کی طرف بڑھتا ہے، دستی طور پر معائنہ کرنا اور خراب حصوں کو مسترد کرنا ناقابل عمل ہو جاتا ہے، اور دستی فیصلے اپنی سبجیکٹیویٹی (ذاتی رائے) متعارف کراتے ہیں۔

لیچ اور دیگر اس میں شامل داؤ پر لگے خطرات کی ایک ٹھوس وضاحت پیش کرتے ہیں: بچوں کی EEG ریکارڈنگز معمول کے مطابق قابل استعمال ڈیٹا کی بڑی مقدار کھو دیتی ہیں صرف اس وجہ سے کہ چھوٹے بچوں میں نقل و حرکت اور آنکھ جھپکنے کے آرٹفیکٹس بہت کثرت سے ہوتے ہیں۔ جب ڈیٹا اتنا قیمتی ہو، تو ایک جھپک کی وجہ سے پوری آزمائش کو پھینک دینا ایک مہنگا حل ہے۔

آرٹفیکٹ کو ہٹانے کے لیے انڈیپینڈنٹ کمپوننٹ اینالیسس - Independent Component Analysis (ICA)

Independent Component Analysis، یا ICA، ہول سیل مسترد کرنے کا ایک زیادہ جراحی متبادل پیش کرتا ہے۔

تصوراتی طور پر، ICA مکسڈ سگنل کو الگ کرنے کی ایک تکنیک ہے۔ یہ ہر کھوپڑی کے الیکٹروڈ پر ریکارڈ کیے گئے مخلوط سگنل کو لیتا ہے اور ریاضیاتی طور پر اسے شماریاتی طور پر آزاد اجزاء کے سیٹ میں کھولتا ہے۔

ان میں سے کچھ اجزاء قابلِ شناخت آرٹفیکٹ پیٹرنز کے مطابق ہوتے ہیں، جیسے آنکھ جھپکنے یا پٹھوں کے کھنچاؤ کی علامت۔ دوسرے دماغی سرگرمی کے پیٹرنز کے مطابق ہوتے ہیں۔ ایک بار جب آرٹفیکٹ سے متعلقہ اجزاء کی شناخت ہو جاتی ہے، تو انہیں ہٹایا جا سکتا ہے اور باقی صاف اجزاء کو دوبارہ چینل ڈیٹا میں پیش کیا جا سکتا ہے، جو مثالی طور پر ملاوٹ کو ضائع کرتے ہوئے حقیقی دماغی سگنلز کو محفوظ رکھتا ہے۔

رکاوٹ یہ ہے کہ ہر جزو کا دستی طور پر معائنہ کرنا یہ فیصلہ کرنے کے لیے کہ آیا یہ آنکھ جھپکنے کی عکاسی کرتا ہے یا کورٹیکس کے ایک حصے کی، سست اور فطری طور پر سبجیکٹیو (ذاتی رائے پر مبنی) ہوتا ہے۔ اس سے ADJUST، ICLabel، اور MARA جیسے خودکار درجہ بندی کرنے والے وجود میں آئے، جو اس فیصلے کو الگورتھمک اور مستقل طور پر لینے کے لیے ڈیزائن کیے گئے ہیں۔

یہ کتنی اچھی طرح کام کرتا ہے اس کے شواہد یکساں طور پر مثبت ہونے کے بجائے ملے جلے ہیں۔

ارنوڈ ڈیلورم نے پایا کہ آنکھ اور پٹھوں کے اجزاء کو خودکار طور پر خارج کرنے کا ICA پر مبنی طریقہ کار ERP ڈیٹا میں شماریاتی طور پر اہم چینلز کے فیصد کو معتبر طریقے سے بڑھانے میں ناکام رہا، یعنی اس نے کوئی واضح، قابلِ اعتماد بہتری فراہم نہیں کی۔

رابنز اور دیگر نے 17 مطالعات میں دو ICA پر مبنی طریقوں، LARG اور MARA کا موازنہ کیا اور پایا کہ اگرچہ نتائج کا مجموعی ڈھانچہ ایک جیسا نظر آتا ہے، پھر بھی اہم اختلافات ابھرے، خاص طور پر کم فریکوئنسی ہارمونک خصوصیات میں اور صاف شدہ ڈیٹا میں جھپکنے سے متعلق کتنی باقیات رہ گئیں۔

زیادہ حوصلہ افزا پہلو پر، لیچ کی ٹیم نے دکھایا کہ ADJUST الگورتھم کا ایک ترمیم شدہ ورژن، جو خاص طور پر بچوں کے جیوڈیسک نیٹ ریکارڈنگز کے لیے تیار کیا گیا تھا، نے درجہ بندی کی درستگی کو بہتر بنایا اور الائن اصل ADJUST الگورتھم یا بغیر کسی ICA اصلاح کے مقابلے میں زیادہ قابل استعمال ٹرائلز کو برقرار رکھا، اور کچھ اقدامات میں بچوں کے ڈیٹا کے لیے خاص طور پر ICLabel سے بہتر کارکردگی کا مظاہرہ کیا۔

ان سب کو ملا کر دیکھیں تو، ICA آرٹفیکٹس کو الگ کرنے اور ہٹانے کے لیے واقعی ایک مفید ٹول ثابت ہو سکتا ہے، لیکن اس کی کارکردگی کی ضمانت نہیں دی جا سکتی۔ یہ بہت زیادہ اس بات پر منحصر ہے کہ درجہ بندی الگورتھم کو کس طرح ٹیون کیا گیا ہے اور کس آبادی کا مطالعہ کیا جا رہا ہے۔

متبادل کے طور پر آرٹفیکٹ سب اسپیس ریکنسٹرکشن - Artifact Subspace Reconstruction (ASR)

آرٹفیکٹ سب اسپیس ریکنسٹرکشن، یا ASR، ایک بالکل مختلف راستہ اختیار کرتا ہے۔ سگنل کو آزاد اجزاء میں تقسیم کرنے کے بجائے، ASR آنے والے ڈیٹا کا موازنہ ایک صاف حوالہ مدت سے حاصل کردہ اعدادوشمار سے کر کے کام کرتا ہے، اور خود بخود سگنل کے ان حصوں کو نشان زد اور دوبارہ تشکیل دیتا ہے جو اس صاف بیس لائن سے بہت دور بھٹک جاتے ہیں۔

روبنز کی ٹیم نے انہی 17 مطالعات میں ASR کی دو اقسام کا براہ راست موازنہ ICA پر مبنی پائپ لائنز سے کیا۔ وسیع نتیجہ نے ICA موازنہ کی بازگشت کی: مجموعی طور پر نتائج کے ڈھانچے طریقوں میں ملتے جلتے نظر آئے، لیکن معنی خیز اختلافات اب بھی ظاہر ہوئے، جو دوبارہ کم فریکوئنسی ہارمونک خصوصیات میں مرکوز تھے۔

اس لیے ASR ایک واضح طور پر برتر متبادل کے بجائے ICA کا ایک جائز متبادل ہے، اور وہی اصول یہاں بھی لاگو ہوتا ہے جیسا کہ اس پائپ لائن میں باقی ہر جگہ: منتخب کردہ مخصوص طریقہ ہی حاصل ہونے والے مخصوص نتیجے کی شکل طے کرتا ہے۔

کیا آپ کو خراب EEG حصوں کو مسترد کرنا چاہئے؟

آپ کو پورے حصوں کو مسترد کرنے سے گریز کرنا چاہئے، کیونکہ شواہد بتاتے ہیں کہ اس کے نتیجے میں ہونے والا شماریاتی قوت کا نقصان اکثر شور کو ہٹانے کے فوائد سے زیادہ ہوتا ہے۔

سادہ حد مقرر کرنا (thresholding) ایک کند ہتھیار ہے جو غیر متناسب طور پر قابل استعمال ڈیٹا کو ضائع کر دیتا ہے؛ اس لیے، ماہرین جراحی کے زیادہ مفید طریقے جیسے انٹرپولیشن اور جزو پر مبنی تصحیح کو ترجیح دیتے ہیں۔

ایپوچنگ (Epoching): دلچسپی کے واقعات پر توجہ مرکوز کرنا

زیادہ تر EEG تجزیے، چاہے ERPs کی پیمائش کر رہے ہوں یا ٹائم-فریکوئنسی پیٹرنز کی، وقت کے مخصوص لمحات سے جڑے ہوتے ہیں: کسی محرک کی پیشکش، یا اس پر شرکت کنندہ کا ردعمل۔ ایپوچنگ وہ مرحلہ ہے جو طویل، مسلسل ریکارڈنگ کو ان میں سے ہر ایک واقعے کے گرد گھیرنے والی مختصر، مساوی لمبائی والی ونڈوز میں کاٹتا ہے، جس میں عام طور پر خود واقعے سے پہلے کا ایک مختصر دورانیہ شامل ہوتا ہے جسے بیس لائن کہا جاتا ہے۔

وہ واقعہ سے پہلے کا بیس لائن دورانیہ ایک درست کرنے والا کردار ادا کرتا ہے، جو وولٹیج کی سست تبدیلیوں کا حساب رکھنے میں مدد کرتا ہے جو ورنہ محرک کے حقیقی ردعمل کے طور پر غلط سمجھی جا سکتی ہیں۔ لیکن یہ اصلاحی عمل اسی احتیاط سے مستثنیٰ نہیں ہے جو دوبارہ حوالہ دینے پر لاگو ہوتی ہے۔

ارنوڈ ڈیلورم کی مذکورہ بالا تحقیق میں پایا گیا کہ بیس لائن ہٹانے کے جدید طریقوں نے ERP کی اہمیت کے لحاظ سے کارکردگی کو نمایاں طور پر کم کیا۔ اس ثبوت کی بنیاد پر زیادہ محفوظ طریقہ کار ایک آسان بیس لائن تصحیح ہے، جو کہ عام طور پر محرک سے پہلے کی ونڈو کے دوران ماپے گئے اوسط وولٹیج کو گھٹانا ہے، بجائے اس کے کہ زیادہ وسیع تصحیحی اسکیموں کا استعمال کیا جائے۔

پائپ لائن کا انتخاب آپ کے نتائج کو کیوں بدل دیتا ہے

ساتھ ساتھ رکھ کر پتا چلتا ہے کہ یہاں جن تقابلی مطالعات کا جائزہ لیا گیا ہے وہ ایک بات بلا شبہ واضح کرتے ہیں: پری پروسیسنگ پائپ لائنز ایک دوسرے کے متبادل نہیں ہیں، چاہے وہ طریقوں کے ایک ہی عمومی ٹول کٹ سے لی گئی ہوں۔

مثال کے طور پر ڈیلورم کے مطالعہ سے معلوم ہوا کہ معروف EEG سافٹ ویئر پلیٹ فارمز، EEGLAB، FieldTrip، MNE، اور Brainstorm پر آزمائی گئی پائپ لائن کی تمام اقسام میں سے صرف ایک ترتیب، جس میں ہائی-پاس فلٹرنگ کو خراب چینل انٹرپولیشن کے ساتھ ملایا گیا تھا، نے سادہ ہائی-پاس فلٹرنگ کے مقابلے میں نمایاں طور پر بہتر کارکردگی کا مظاہرہ کیا۔ کثرت سے استعمال ہونے والے بہت سے دوسرے اقدامات نے ڈیٹا کو بہتر بنانے کے بجائے اس کے معیار کو فعال طور پر کم کیا۔

دریں اثنا، برٹازولی کی ٹیم نے پایا کہ خاص طور پر TMS-EEG تحقیق میں، لہروں کا طول (amplitude) اور گلوبل مین فیلڈ پاور ایک ہی ڈیٹاسیٹ پر لاگو چار مختلف پائپ لائنز میں کافی حد تک مختلف تھی۔ ٹپوگرافیکل پیٹرن پائپ لائنز میں صرف محرک کے 100 ملی سیکنڈ کے بعد کے اوقات میں مضبوطی سے منسلک تھے؛ اس سے پہلے کے اوقات میں، ارتباط کی اقدار 0.2 سے 0.9 تک وسیع پیمانے پر مختلف تھیں، اس بات پر منحصر تھا کہ کون سی پائپ لائن استعمال کی گئی تھی۔ ٹیسٹ-ری ٹیسٹ کی معتبریت خود اس بات پر منحصر تھی کہ کون سا پری پروسیسنگ طریقہ منتخب کیا گیا تھا۔

آخر میں، ہارورڈ کے مطالعہ نے ایک مخصوص کیس کے لیے زیادہ حوصلہ افزا پیٹرن دکھایا: خودکار پائپ لائنز جو ہائی-آرٹفیکٹ، ترقیاتی ڈیٹا کے لیے بنائی گئی ہیں، جیسے کہ HAPPE، نے سات وسیع پیمانے پر استعمال ہونے والے متبادل پروسیسنگ طریقوں سے بہتر کارکردگی کا مظاہرہ کیا، زیادہ آرٹفیکٹ مواد کو ہٹایا اور ساتھ ہی ساتھ تقریباً ہر موازنہ میں حقیقی EEG سگنل کو مساوی یا اس سے زیادہ مقدار میں محفوظ رکھا۔

ان مطالعات میں چلنے والا مستقل دھاگہ یہ ہے کہ کوئی بھی پائپ لائن ترتیب ہر ڈیٹاسیٹ، آبادی یا تحقیقی سوال کے لیے عالمی طور پر بہترین نہیں ہے۔ ایک مقررہ فارمولے کو حفظ کرنے کے بجائے، ہر مرحلے کے پیچھے موجود استدلال کو سمجھنا وہ چیز ہے جو محقق کو سوچ سمجھ کر، قابلِ مدافعت انتخاب کرنے اور یہ پہچاننے کی اجازت دیتا ہے کہ کب کوئی دی گئی پائپ لائن ان کے مخصوص ڈیٹا کے لیے غیر موزوں ہو سکتی ہے۔

پری پروسیسنگ کے فیصلے کیوں طے کرتے ہیں کہ آپ EEG ڈیٹا میں کیا دیکھتے ہیں

خام دماغی ریکارڈنگز پلکیں جھپکنے، پٹھوں کے شور، اور برقی گونج سے بھری ہوتی ہیں جو آسانی سے ان پرسکون سگنلز کو دبا سکتی ہیں جن کا محققین مطالعہ کرنا چاہتے ہیں۔ اس ڈیٹا کو صاف کرنا ایک غیر جانبدار صفائی کا اقدام نہیں ہے—فلٹرنگ سے لے کر آرٹفیکٹ کی تصحیح تک جو درست راستہ آپ اختیار کرتے ہیں وہ دماغی سرگرمی کی آخری تصویر کو نمایاں طور پر بدل سکتا ہے۔ شواہد ظاہر کرتے ہیں کہ صرف چند اقدامات، جیسے ہائی-پاس فلٹرنگ اور ٹوٹے ہوئے چینلز کی پیوند کاری، معتبر طریقے سے واضح اعصابی نمونوں کو ظاہر کرتے ہیں، جبکہ بہت سے عام اقدامات غیر متوقع طور پر ان نتائج کو کمزور کر سکتے ہیں جن کے پیچھے آپ دوڑ رہے ہیں۔

اس لیے، یہ دیکھنا کہ ہر پری پروسیسنگ انتخاب کیا کرتا ہے، ایک ایسے فارمولے پر عمل کرنے سے کہیں زیادہ طاقتور ہے جو سب کے لیے یکساں ہو۔ چونکہ مختلف معقول طریقے مطالعہ کو مختلف سمتوں میں لے جا سکتے ہیں، اس لیے اپنے عمل کی کھل کر رپورٹ کرنا خود ڈیٹا جتنا اہم ہو جاتا ہے۔

اپنے نقطہ نظر کو اس مخصوص گروپ سے مماثل بنانے کے لیے تیار کرنا جس کے ساتھ آپ کام کر رہے ہیں، چاہے وہ بیٹھا ہوا بالغ ہو یا متحرک بچہ، اکثر بغیر کسی ایڈجسٹمنٹ کے عام مقصد کے ٹول کو استعمال کرنے سے بہتر کارکردگی دکھاتا ہے۔ اس قسم کی سوچ سمجھ کر تیار کی گئی، شفاف پائپ لائن بنانا آپ کو سافٹ ویئر کے ڈیفالٹ پر بھروسہ کرنے سے ہٹا کر یہ سمجھنے کی طرف لے جاتا ہے کہ آپ کا سگنل آپ کو کیا بتانے کی کوشش کر رہا ہے۔

حوالہ جات

1. Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223

2. Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272

3. Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

4. Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097

5. Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566

اکثر پوچھے جانے والے سوالات

سگنل پروسیسنگ معیاری ڈیٹا کے تجزیہ سے کس طرح مختلف ہے؟

سگنل پروسیسنگ خاص طور پر مسلسل ان پٹ کی عارضی اور فریکوئنسی حرکیات پر توجہ مرکوز کرتی ہے، جبکہ عام ڈیٹا کا تجزیہ اکثر ساکت یا آزاد متغیرات سے نمٹتا ہے۔

کیا سگنل پروسیسنگ سگنل سے شور کی تمام اقسام کو دور کر سکتی ہے؟

اگرچہ فلٹرنگ سگنل کی وضاحت کو نمایاں طور پر بہتر بنا سکتی ہے، لیکن سگنل اور ارد گرد کے خلل کے درمیان غیر متوقع اوورلیپس کی وجہ سے شور کا مکمل خاتمہ عام طور پر ناممکن ہوتا ہے۔

ڈیجیٹل سسٹمز میں سیمپلنگ کی شرح (sampling rate) کیوں اہم ہے؟

سیمپلنگ ریٹ اس زیادہ سے زیادہ فریکوئنسی کا تعین کرتا ہے جس کی سسٹم درست طریقے سے نمائندگی کر سکتا ہے، جو بغیر کسی بگاڑ کے ہائی-فریکوئنسی نیورل اشارے حاصل کرنے کے لیے ضروری ہے۔

فورئیر ٹرانسفارم (Fourier Transform) جیسی تبدیلی کا مقصد کیا ہے؟

تبدیلیوں کا استعمال ڈیٹا کو ٹائم ڈومین سے، جہاں ترتیب اہم ہے، فریکوئنسی ڈومین میں تبدیل کرنے کے لیے کیا جاتا ہے، جہاں انفرادی جزو کی فریکوئنسیاں نمایاں ہوتی ہیں۔

لکیری اور غیر لکیری سسٹمز آؤٹ پٹ کی درستگی کو کیسے متاثر کرتے ہیں؟

لکیری سسٹمز قابلِ پیشن گوئی، متناسب ردعمل پیش کرتے ہیں، جبکہ غیر لکیری سسٹمز پیچیدہ صلاحیتیں فراہم کرتے ہیں جو آسان پیشن گوئی کی قیمت پر چھپی ہوئی حرکیات کو ظاہر کرتی ہیں۔

تجزیہ سے پہلے خام EEG ڈیٹا کو پری پروسیسنگ کی ضرورت کیوں ہوتی ہے؟

خام EEG ریکارڈنگز میں نہ صرف دماغی سرگرمی ہوتی ہے بلکہ آنکھیں جھپکنے، پٹھوں کے کھنچاؤ، برقی شور، اور الیکٹروڈ کے بہاؤ سے مداخلت بھی شامل ہوتی ہے۔ پری پروسیسنگ ان آرٹفیکٹس کو ہٹا کر حقیقی نیورل سگنل کو الگ کرتی ہے، جس سے ڈیٹا سائنسی مطالعہ کے لیے قابلِ فہم اور قابلِ استعمال بن جاتا ہے۔

وہ کون سا پری پروسیسنگ مرحلہ ہے جو تقریباً ہمیشہ مدد کرتا ہے؟

ہائی-پاس فلٹرنگ، جو پسینے یا الیکٹروڈ کی حرکت سے وولٹیج کے سست بہاؤ کو ہٹاتی ہے، مسلسل فائدہ مند ہے۔ متعدد مطالعات میں، یہ ان چند اقدامات میں سے ایک تھا جس نے پائپ لائن میں جلدی لاگو ہونے پر مستقل طور پر ڈیٹا کے معیار کو بہتر بنایا۔

دوبارہ حوالہ دینا (re-referencing) EEG سگنل کے ساتھ کیا کرتا ہے؟

دوبارہ حوالہ دینا ریاضیاتی طور پر ہر چینل کے وولٹیج کا اصل ریکارڈنگ ریفرنس کے بجائے ایک نئے غیر جانبدار نقطہ جیسے کہ تمام الیکٹروڈز کے اوسط کے مقابلے میں دوبارہ حساب لگاتا ہے۔ چونکہ EEG وولٹیج کے فرق کی پیمائش کرتا ہے، یہ انتخاب دماغی ردعمل کے ظاہری طول اور یہاں تک کہ شماریاتی اہمیت کو بھی نئی شکل دے سکتا ہے۔

خراب چینلز کا پتہ کیوں لگایا جاتا ہے اور انہیں کیسے ٹھیک کیا جاتا ہے؟

کچھ الیکٹروڈز ناگزیر طور پر اچھا رابطہ کھو دیتے ہیں یا حد سے زیادہ شور پیدا کرتے ہیں، جس سے کھوپڑی کے وسیع تجزیے بگڑ جاتے ہیں۔ ان خراب چینلز کی شناخت کرنے کے بعد، انٹرپولیشن ان کے سگنل کی تشکیل نو کرتی ہے اور یہ اندازہ لگاتی ہے کہ انہوں نے آس پاس کے صحت مند الیکٹروڈز کی سرگرمی کی بنیاد پر کیا ریکارڈ کیا ہوگا۔

EEG میں انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) کس لیے استعمال ہوتا ہے؟

ICA ایک ایسی تکنیک ہے جو ریاضیاتی طور پر مخلوط سگنل کو آزاد اجزاء میں ترتیب دیتی ہے، جن میں سے کچھ آنکھ جھپکنے یا پٹھوں کے شور جیسے آرٹفیکٹس کے مطابق ہوتے ہیں۔ ایک بار جب آرٹفیکٹ سے متعلقہ اجزاء کی شناخت اور ان کو ہٹا دیا جاتا ہے، تو باقی صاف اجزاء کو چینل ڈیٹا میں دوبارہ پیش کیا جا سکتا ہے تاکہ حقیقی دماغی سرگرمی کو برقرار رکھا جا سکے۔

آرٹفیکٹ سب اسپیس ریکنسٹرکشن (ASR) کس طرح ICA سے مختلف ہے؟

ASR آنے والے ڈیٹا کا صاف حوالہ مدت سے موازنہ کر کے شور والے حصوں کی شناخت اور ان کی تصحیح کرتا ہے، اور ان حصوں کو خود بخود نشان زد کرتا ہے جو اس بیس لائن سے بہت دور بھٹک جاتے ہیں۔ ICA کے برعکس، یہ سگنل کو اجزاء میں تقسیم نہیں کرتا ہے بلکہ اس کے بجائے صاف ڈیٹا کے اعدادوشمار کی بنیاد پر آلودہ حصوں کو دوبارہ بناتا ہے۔

آپ کو ہر اس حصے کو آسانی سے کیوں نہیں پھینکنا چاہئے جس میں شور ہو؟

شور والے ٹرائلز کو بیدردی سے مسترد کرنا اکثر بڑی مقدار میں قابلِ استعمال ڈیٹا ضائع کر دیتا ہے، جس سے شماریاتی طاقت کم ہو جاتی ہے اور ممکنہ طور پر نتائج کمزور ہو جاتے ہیں۔ چونکہ قیمتی ڈیٹا ضائع ہو جاتا ہے، اس لیے انٹرپولیشن یا اجزاء پر مبنی تصحیح جیسے طریقوں کو عام طور پر ترجیح دی جاتی ہے، خاص طور پر جب ریکارڈنگ کا وقت محدود ہو۔

ایپوچنگ (epoching) کیا ہے اور اس میں ایونٹ سے پہلے کی بیس لائن کیوں شامل ہوتی ہے؟

ایپوچنگ دماغی ردعمل کا تجزیہ کرنے کے لیے مسلسل ریکارڈنگ کو مخصوص اوقات جیسے محرک سے منسلک مختصر وقت کی ونڈوز میں تقسیم کرتی ہے۔ واقعے سے پہلے کا بیس لائن دورانیہ ایک حوالہ وولٹیج فراہم کرتا ہے، تاکہ سست بہاؤ کو محرک کے ردعمل کے طور پر غلط نہ سمجھا جائے۔

کیا مخصوص پری پروسیسنگ پائپ لائن واقعی حتمی نتائج کو بدل دیتی ہے؟

جی ہاں، مختلف پائپ لائن کے انتخاب—جیسے فلٹرنگ، ریفرنس اسکیم، یا آرٹفیکٹ تصحیح کا طریقہ—لہری شکلوں، اہمیت، اور یہاں تک کہ ٹیسٹ-ری ٹیسٹ کی معتبریت کو بھی بدل سکتے ہیں۔ کوئی ایک پائپ لائن تمام حالات کے لیے بہترین کام نہیں کرتی، اس لیے محققین کو آنکھیں بند کر کے ڈیفالٹ نسخے پر عمل کرنے کے بجائے ہر قدم کے اثر کو سمجھنا چاہیے۔