عصبی ارتعاشات (Neural oscillations) برقی سرگرمی کے تال میل والے نمونے ہیں جو پورے دماغ میں یادداشت، حرکت، اور حسی عمل میں مدد کرتے ہیں۔ پھر بھی جب یہ ارتعاشات الیکٹرو اینسیفلوگرام (EEG) ریکارڈنگز کا استعمال کرتے ہوئے کھوپڑی پر ریکارڈ کیے جاتے ہیں، تو یہ ایک شور والے، اور مسلسل بدلتے ہوئے سگنل کے اندر دبے ہوئے ملتے ہیں۔
کسی بھی ایک الیکٹروڈ سے حاصل ہونے والا خام وولٹیج ٹریس پٹھوں کی سرگرمی، ماحولیاتی مداخلت، اور پس منظر کے برقی شور کے اوپر موجود ہزاروں اعصابی ذرائع کی مشترکہ سرگرمی کو ظاہر کرتا ہے۔ اس آمیزے سے ایک صاف ارتعاش نکالنے کے لیے ایک ایسے طریقے کی ضرورت ہوتی ہے جو ریکارڈنگ کو اس کے فریکوئنسی اجزاء میں تقسیم کر سکے۔
ٹیمپورل ڈیٹا اور فریکوئنسیوں کو سمجھنا
ٹیمپورل (وقتی) ڈیٹا مخصوص ٹائم اسٹیمپس کے ذریعہ ترتیب دیئے گئے مشاہدات کے ایک مسلسل ریکارڈ کے طور پر موجود ہوتا ہے، جو یہ ظاہر کرتا ہے کہ ایک مقررہ مدت کے دوران کوئی نظام کس طرح تیار ہوتا ہے۔
اعصابی سائنس کے تناظر میں، اس میں عام طور پر دماغی حرکیات کو سمجھنے کے لیے کھوپڑی سے برقی صلاحیتوں کو ریکارڈ کرنا شامل ہوتا ہے۔ یہ ڈیٹا سیٹس شاذ و نادر ہی ساکت ہوتے ہیں؛ ان میں تال والے سگنلز اور غیر منظم اتار چڑھاؤ کا ایک آمیزہ ہوتا ہے جس سے قابل عمل Insight حاصل کرنے کے لیے محتاط تشریح کی ضرورت ہوتی ہے۔
ٹیمپورل ڈیٹا کیا ہے؟
ٹیمپورل ڈیٹا، یا ٹائم سیریز ڈیٹا، مسلسل وقفوں پر ترتیب وار کی جانے والی پیمائشوں کی نمائندگی کرتا ہے۔ اس ڈیٹا کی افادیت اس کی سیمپلنگ فریکوئنسی اور مشاہدے کی مدت کی لمبائی پر منحصر ہے، جو قابل شناخت تبدیلیوں کی درستگی کا تعین کرتی ہے۔
محققین نظام کے استحکام کا جائزہ لینے اور طویل دورانیے تک برقرار رہنے والے رجحانات کی شناخت کے لیے ان سلسلوں کا جائزہ لیتے ہیں۔
ڈیٹا میں فریکوئنسیوں کا تصور
فریکوئنسیوں سے مراد وہ شرح ہے جس پر وقتی تسلسل کے اندر دہرائے جانے والے پیٹرن دوبارہ ظاہر ہوتے ہیں، عام طور پر فی سیکنڈ سائیکلوں میں ماپا جاتا ہے۔ ان تالوں کا جائزہ لے کر، تجزیہ کار ڈیٹا کو چلانے والے بنیادی عمل کی درجہ بندی کر سکتے ہیں۔
درج ذیل فہرست ان اہم فریکوئنسی بینڈز کا خاکہ پیش کرتی ہے جو اکثر انسانی حیاتیاتی مانیٹرنگ کی ایپلی کیشنز میں دیکھے جاتے ہیں:
ڈیلٹا لہریں (Delta waves): عام طور پر گہری، پرسکون نیند کے مراحل سے وابستہ ہوتی ہیں۔
تھیٹا لہریں (Theta waves): اکثر ہلکی نیند یا مراقبے کی حالتوں کے دوران دیکھی جاتی ہیں۔
الفا لہریں (Alpha waves): نمایاں طور پر پرسکون، بیدار آرام کے دوران غالب ہوتی ہیں۔
بیٹا لہریں (Beta waves): اکثر فعال علمی ارتکاز اور چوکسی سے منسلک ہوتی ہیں۔
گیما لہریں (Gamma waves): اعلیٰ سطح کے پروسیسنگ اور انضمام کے کاموں سے وابستہ ہوتی ہیں۔
یہ درجہ بندی دماغی کیفیات کی درست شناخت کی اجازت دیتی ہے، جس سے محققین کو حیاتیاتی علامات اور پس منظر کی تبدیلیوں کے درمیان فرق کرنے میں مدد ملتی ہے۔
ٹیمپورل ڈیٹا کو فریکوئنسیوں میں کیوں تقسیم کیا جائے؟
تجزئیاتی تقسیم ایک تجزیاتی عینک کے طور پر کام کرتی ہے، جو ایک کچے، شور دار سگنل کو الگ الگ اجزاء میں تقسیم کرتی ہے۔ اس ساخت کی خرابی کے بغیر، مختلف دماغی لہروں کے درمیان پیچیدہ تعاملات مجموعی حجم میں دبے رہتے ہیں۔ ان اجزاء کو الگ تھلگ کر کے، محققین مخصوص اعصابی لہروں کا آزادانہ طور پر تجزیہ کر سکتے ہیں، جس سے علمی حالتوں کی حقیقی پیچیدگی کا پتہ چلتا ہے۔
پیٹرن اور سائیکلوں کی شناخت
وقتی ڈیٹا کے اندر پیٹرن کی شناخت اعصابی سائیکلوں کی نشاندہی کرنے کی اجازت دیتی ہے جو مخصوص محرکات یا کاموں کے تحت دہرائے جاتے ہیں۔ ان سائیکلوں کی شناخت بنیادی میٹرکس فراہم کرتی ہے جو صحت مند دماغی سرگرمی کو غیر معمولی پیٹرن سے ممتاز کرتی ہے۔
ایک بار جب تقسیم کے ذریعے کسی پیٹرن کو الگ تھلگ کر دیا جائے، تو اعلیٰ شماریاتی اعتماد کے ساتھ اس کے ظہور اور مدت کو ٹریک کرنا ممکن ہو جاتا ہے۔
شور کی کمی اور سگنل کی بہتری
حیاتیاتی ریکارڈز سے ماحولیاتی خلل، جیسے 60 ہرٹز پاور لائن کی مداخلت، کو ہٹانے کے لیے مؤثر سگنل پروسیسنگ ضروری ہے۔ درست حیاتیاتی ڈیٹا کی فریکوئنسی کی حدود کی وضاحت کر کے، محققین ناپسندیدہ سگنل کے اجزاء کو ختم کرنے کے لیے فلٹرز کا استعمال کرتے ہیں۔
یہ سگنل نکالنے کا عمل بنیادی طور پر مضبوط بناتا ہے مزید تشخیصی جائزے کے لیے بنیادی ڈیٹا کی وضاحت کو۔
پیشن گوئی اور امکانی ماڈلنگ
پیشن گوئی کے ماڈل نظام میں تبدیلیوں یا واقعات کی پیش بندی کرنے کے لیے تقسیم شدہ حصوں کا فائدہ اٹھاتے ہیں اس سے پہلے کہ وہ مکمل طور پر ظاہر ہوں۔ یہ ماڈل وقتی تسلسل کے مستقبل کے ارتقاء کا اندازہ لگانے کے لیے شناخت شدہ فریکوئنسی اجزاء کے استحکام پر انحصار کرتے ہیں۔
یہ صلاحیت فعال طبی نگرانی اور طویل مدتی دماغی لچک کے تجرباتی ریسرچ دونوں کی حمایت کرتی ہے۔
ٹیمپورل ڈیٹا کی تقسیب کے اہم طریقے
تقسیم کے لیے ریاضیاتی درستگی کی ضرورت ہوتی ہے تاکہ یہ یقینی بنایا جا سکے کہ تبدیل شدہ ڈیٹا اصل اعصابی سرگرمی کی نمائندگی کرتا رہے۔
حاصل کردہ سگنلز کی ریزولوشن اور استحکام کے لحاظ سے متعدد قائم کردہ طریقہ کار منفرد فوائد فراہم کرتے ہیں۔ مناسب ٹول کے انتخاب کے لیے وقتی اور سپیکٹرل درستگی دونوں کی ضرورت کے ساتھ کمپیوٹیشنل مانگ کو متوازن کرنا ضروری ہے۔
فورئیر ٹرانسفارم کے طریقے
فورئیر تجزیہ وقتی ڈومین سگنلز کو ان کے فریکوئنسی ڈومین کے ہم منصبوں میں تبدیل کرنے کے لیے ایک بنیادی نقطہ نظر کے طور پر کام کرتا ہے۔ یہ طریقہ ساکت فریکوئنسی کے اجزاء کی شناخت میں بہترین ہے، حالانکہ اسے عارضی سگنلز کا تجزیہ کرنے میں حدود کا سامنا کرنا پڑتا ہے جو وقت کے ساتھ تبدیل ہوتے ہیں۔
درج ذیل جدول موجودہ تحقیقی ماحول میں لاگو ہونے والی بڑی تقسیب کی تکنیکوں کا موازنہ فراہم کرتا ہے:
تکنیک | بنیادی طاقت | حدود |
|---|---|---|
Fourier Transform | اعلیٰ فریکوئنسی کی درستگی | کمزور وقتی لوکلائزیشن |
Wavelet Transform | وقت اور فریکوئنسی کا توازن | کمپیوٹیشنل پیچیدگی |
Singular Spectrum Analysis | ڈیٹا پر مبنی تقسیم | شور کی حساسیت |
ویولیٹ ٹرانسفارمز
ویولیٹ ٹرانسفارمز سگنل کو اسکین کرنے کے لیے مدر ویولیٹ کو پھیلا کر اور منتقل کر کے ایک کثیر ریزولوشن تجزیہ فراہم کرتے ہیں۔
فورئیر طریقوں کے برعکس، یہ نقطہ نظر وقت اور فریکوئنسی دونوں میں لوکلائزڈ معلومات کو برقرار رکھتا ہے، جس سے یہ EEG کی پیمائش میں عام عارضی برقی اسپائکس کو حاصل کرنے کے لیے موزوں بناتا ہے۔ یہ موافقت غیر ساکت خصوصیات کی شناخت کے لیے ناگزیر ہے جنہیں روایتی سپیکٹرل طریقے تیزی سے ڈیٹا کی تبدیلیوں کے دوران نظر انداز کر سکتے ہیں۔
سنگولر سپیکٹرم تجزیہ (SSA)
سنگولر سپیکٹرم تجزیہ ایک غیر پیرامیٹرک نقطہ نظر پیش کرتا ہے جو خود ڈیٹا کی ساخت کی بنیاد پر وقتی لہروں کو رجحان، اتار چڑھاؤ، اور شور کے اجزاء میں تقسیم کرتا ہے۔ وقت کے تسلسل کو ایک کثیر جہتی جگہ میں شامل کر کے اور سنگولر ویلیو ڈی کمپوزیشن انجام دے کر، SSA سب سے اہم ساختی پیٹرن نکالتا ہے۔
یہ سگنلز کی تطہیر کی اجازت دیتا ہے چاہے بنیادی عمل نامعلوم ہو یا انتہائی غیر لکیری ہو۔
فورئیر ٹرانسفارم کس طرح EEG سگنلز کو توڑتا ہے
فریکوئنسی تجزیہ کا کلاسیکی نقطہ آغاز فورئیر ٹرانسفارم ہے، ایک ریاضیاتی عمل جو سگنل کو مختلف فریکوئنسیوں پر سائن لہروں کے مجموعے میں تقسیم کرتا ہے۔
اپنی خالص ریاضیاتی شکل میں، فورئیر ٹرانسفارم ایک لامحدود سگنل کو فرض کرتا ہے جس کی شماریاتی خصوصیات کبھی نہیں بدلتیں، یہ ایک ایسی شرط ہے جس پر حقیقی EEG ریکارڈنگز کبھی پوری نہیں اترتیں۔ عملی طور پر، محققین ریکارڈنگ کے مختصر، ونڈوڈ حصوں (عام طور پر چند سیکنڈ طویل) پر ڈسکریٹ فورئیر ٹرانسفارم (DFT) کا اطلاق کر کے اس مسئلے کو حل کرتے ہیں، اور اس کے نتیجے کو پاور سپیکٹرل ڈینسٹی (PSD) کا تخمینہ لگانے کے لیے استعمال کرتے ہیں، جو یہ بتاتا ہے کہ اس ونڈو کے اندر ہر فریکوئنسی پر کتنا سگنل پاور موجود ہے۔
یہ حل دو بنیادی مفروضوں کے ساتھ آتا ہے:
پہلا، سگنل کے ساتھ ایسا سلوک کیا جاتا ہے جیسے یہ منتخب کردہ ونڈو کے دورانیے کے لیے ساکت تھا، یعنی یہ فرض کیا جاتا ہے کہ اس کے فریکوئنسی مواد میں اس وقت کے دوران کوئی تبدیلی نہیں آئی ہے۔
دوسرا، سگنل کو فکسڈ سائن لہروں کے لکیری مجموعے کے طور پر ماڈل کیا جاتا ہے، ایک ایسا تخمینہ جو ہموار، دوری سرگرمی کے لیے تو اچھا کام کرتا ہے لیکن اچانک تبدیلیوں یا غیر سائن لہروں کی شکلوں کے ساتھ جدوجہد کرتا ہے۔
ان آسانیاں کے باوجود، PSD پر مبنی طریقے خود کو عملی طور پر بار بار مفید ثابت کر چکے ہیں۔
مثال کے طور پر، موٹر امیجری کی درجہ بندی کے لیے سپیکٹرل فیچر ایکسٹریکشن کے طریقوں کے ایک موازنہ تجزیہ سے پتہ چلا کہ پی ایس ڈی کی تکنیک مستقل طور پر سب سے زیادہ مضبوط اور مؤثر تھیں جو بائیں ہاتھ اور دائیں ہاتھ کی حرکت کے تصورات کو الگ کرنے کے لیے نمایاں سپیکٹرل پیٹرن نکالنے کے لیے استعمال کی گئیں، جس کا جائزہ چوبیس ریکارڈنگ سیشنز کے دوران گیارہ موضوعات پر لیا گیا۔
مزید برآں، غنودگی کا پتہ لگانے پر توجہ مرکوز کرنے والی ایک علیحدہ تحقیق اس فارمولے کی مزید تائید کرتی ہے۔ ایک واحد EEG چینل کا استعمال کرتے ہوئے، محققین نے پی ایس ڈی کی پیمائشوں کو یکجا کرتے ہوئے ایک فیچر سیٹ تیار کیا، جس میں مرکزی فریکوئنسی، وہ فریکوئنسی جس سے نیچے سپیکٹرل پاور کا ایک چوتھائی حصہ آتا ہے، مجموعی سپیکٹرل توانائی، اور تھیٹا اور الفا بینڈز کے اندر پاور، بشمول ویولیٹ پر مبنی خصوصیات شامل ہیں۔
اس مشترکہ نقطہ نظر نے غنودگی کے واقعات کا 86.5 فیصد درستگی کے ساتھ اور بیداری کے حصوں کا 81.7 فیصد درستگی کے ساتھ پتہ لگایا۔ اس فیچر سیٹ کا پی ایس ڈی جزو سپیکٹرل مواد میں بڑے، حالت پر منحصر شفٹوں کو ٹریک کر رہا تھا، جو کہ ملی سیکنڈ بہ ملی سیکنڈ کے اتار چڑھاؤ کی سرگرمی کے بجائے ذہنی حالتوں کے درمیان وسیع تبدیلی کی نوعیت ہے۔
اکٹھے مل کر، یہ دونوں مطالعات ظاہر کرتے ہیں کہ پی ایس ڈی کا تخمینہ، اس کے سکون کے مفروضے کے باوجود، دماغی حالتوں کی تبدیلی سے جڑے معنی خیز سپیکٹرل پیٹرن حاصل کرنے کی صلاحیت رکھتا ہے، یہاں تک کہ جب ان پیٹرن کو پیدا کرنے والا سگنل متحرک ہو۔
ایمپیریکل موڈ ڈی کمپوزیشن اور اس کا لچکدار متبادل
ایمپیریکل موڈ ڈی کمپوزیشن (EMD) بالکل مختلف نقطہ نظر اختیار کرتا ہے۔ سگنل کو سائن لہروں کے پہلے سے طے شدہ بنیادوں میں زبردستی ڈھالنے کے بجائے، EMD خود سگنل کو مستقل طریقے سے اجزاء کے ایک سیٹ میں چھانٹتا ہے جسے اندرونی موڈ فنکشنز (IMFs) کہا جاتا ہے۔
ہر آئی ایم ایف کو براہ راست ڈیٹا کی اپنی لہراتی ساخت سے نکالا جاتا ہے، جو اصولی طور پر اس طریقے کو سگنل کو شماریاتی طور پر ساکت رکھنے کی ضرورت کے بغیر طول و عرض اور فریکوئنسی میں فوری تبدیلیوں کی پیروی کرنے کی اجازت دیتا ہے۔
قابل ذکر بات یہ ہے کہ، EMD کے کچھ معروف نقصانات بھی ہیں، بشمول موڈ مکسنگ کا رجحان، جہاں ایک واحد آئی ایم ایف میں ایک سے زیادہ حقیقی فریکوئنسی بینڈ کے اتار چڑھاؤ شامل ہو جاتے ہیں، اور شور کی حساسیت جو تقسیب کو بگاڑ سکتی ہے۔
اس سے منسلک ایک تکنیک، واریئشنل موڈ ڈی کمپوزیشن (VMD)، جزوی طور پر ان عدم استحکام کے مسائل کو حل کرنے کے لیے تیار کی گئی تھی۔ VMD ایک محدود ریاضیاتی فارمولے کا استعمال کرتے ہوئے بینڈ لمیٹڈ موڈز نکالتا ہے، جن میں سے ہر ایک مخصوص فریکوئنسی پر مرکوز ہوتا ہے، جو معیاری EMD کے مقابلے میں زیادہ مستحکم نتائج پیدا کرتا ہے۔
ایک 2019 کے تحقیقی مطالعہ نے VMD کو موڈ سپیکٹرل اینٹروپی نامی ایک پیمائش کے ساتھ لاگو کیا، جو دیئے گئے فریکوئنسی موڈ کی بے قاعدگی کی پیمائش کرتی ہے، تاکہ EEG ریکارڈنگز میں مرگی کے دورے کے واقعات کا پتہ لگایا جا سکے۔ ایک پری پروسیسنگ مرحلے کے بعد جس میں چینل کے انتخاب کے لیے پرنسپل کمپوننٹ اینالیسس شامل تھا، اس طریقے نے بون EEG ڈیٹا بیس پر 98 سے 100 فیصد درستگی حاصل کی۔ زیادہ چیلنجنگ CHB-MIT ڈیٹا سیٹ پر، اس نے اوسط حساسیت 88.55 فیصد، خصوصیت 94.86 فیصد، اور درستگی 72.92 فیصد پیدا کی۔
یہ نتیجہ ظاہر کرتا ہے کہ موڈ پر مبنی تقسیبات انتہائی غیر ساکت، عارضی اعصابی واقعات کو کامیابی سے سنبھال سکتی ہیں، کیونکہ ایک دورہ اپنی تعریف کے لحاظ سے بیس لائن دماغی سرگرمی سے اچانک، تھوڑی دیر کی دوری ہے۔
اسپیشیو-اسپیکٹرل ڈی کمپوزیشن سورس مکسنگ کا مسئلہ حل کرتی ہے
اسپیشیو-اسپیکٹرل ڈی کمپوزیشن (SSD) ایک لکیری تقسیبی طریقہ ہے جو مکمل سینسر ارے میں کام کرتا ہے، چینلز کا ایک ایسا کثیر جہتی مجموعہ تلاش کرتا ہے جو ہدف کی چوٹی والی فریکوئنسی پر سگنل پاور کو زیادہ سے زیادہ کرتا ہے جبکہ بیک وقت دونوں طرف کے پڑوسی فریکوئنسی حصوں پر پاور کو کم سے کم کرتا ہے۔ اس کا نتیجہ نہ صرف ایک صاف ستھرا سپیکٹرم ہے بلکہ ایک ایسا پیٹرن بھی ہے جو یہ ظاہر کرتا ہے کہ کون سے الیکٹروڈ مقامات، اور اس کے نتیجے میں دماغ کے کون سے بنیادی حصے، اس مخصوص لہر میں سب سے زیادہ حصہ ڈالتے ہیں۔
تحقیق اس طریقہ کار کو متعارف کراتے ہوئے ظاہر کرتی ہے کہ ایس ایس ڈی قابل اعتماد طریقے سے لہراتی سگنل نکال سکتا ہے یہاں تک کہ جب سگنل اور شور کا تناسب 1 سے 10 جتنا کم ہو، یہ ایک مشکل امتحان تھا کیونکہ شور سگنل سے کہیں زیادہ مضبوط تھا۔
براہ راست موازنے میں، SSD نے انڈیپینڈنٹ کمپوننٹ اینالیسس (ICA) پر مبنی روایتی طریقوں کو پیچھے چھوڑ دیا۔ جب حقیقی EEG ڈیٹا پر لاگو کیا گیا، تو SSD نے ایسے اجزاء کو الگ کیا جن کے فضائی پیٹرن مرکزی، سنسری موٹر مقامات کے ساتھ ساتھ الگ اجزاء کے ساتھ مماثلت رکھتے تھے جو اوپسیپیٹو-پیریٹل، پچھلے مقامات سے میل کھاتے تھے۔
وقتی ڈیٹا کی تقسیب کا مستقبل
کمپیوٹیشنل پاور اور مشین لرننگ الگورتھمز میں پیش رفت اب کلاسیکی سپیکٹرل تقسیب کو ڈیٹا سے چلنے والے پیشن گوئی کے فن تعمیر کے ساتھ ضم کرنا شروع کر رہی ہے۔ یہ مربوط نظام بائیو مارکرز کے اخراج کو خودکار بنانے کا وعدہ کرتے ہیں، جس سے اعصابی حرکیات کا فوری تجزیہ ممکن ہو سکے گا جس کے لیے پہلے طویل آف لائن پروسیسنگ کی ضرورت ہوتی تھی۔ ان طریقوں کے ملاپ سے ڈیٹا کے حصول اور طبی کارروائی کے درمیان تاخیر کم ہونے کا امکان ہے، جس سے زیادہ فوری جواب دینے والے دماغی کمپیوٹر انٹرفیس کی سہولت ملے گی۔
تحقیقات تیزی سے کوانٹم سے بہتر سپیکٹرل اندازہ کار تیار کرنے پر مرکوز ہو رہی ہیں جو روایتی ونڈوئنگ فنکشنز میں موجود حدود سے تجاوز کرتے ہیں۔ ویولیٹ سیٹس کی بینڈوتھ کی کارکردگی کو بہتر بنا کر، محققین ایسی سپر ریزولوشن حاصل کرنے کی امید کرتے ہیں جو ملی میٹر کے پیمانے پر اوورلیپنگ کارٹیکل ذرائع کے درمیان فرق کر سکے۔ یہ ترقی ایک ایسے مستقبل کی طرف اشارہ کرتی ہے جہاں سگنل کی نگرانی نمایاں طور پر زیادہ باریک اور قابل رسائی ہو جائے گی۔
عالمی تحقیقی لیبارٹریوں میں معیاری کاری وقتی ڈیٹا سائنس کی اگلی دہائی کے لیے ایک اہم ہدف بنی ہوئی ہے۔ کارکردگی کی تشخیص کے لیے معیارات قائم کرنا اس بات کو یقینی بنائے گا کہ تکنیکی ترقییں دوبارہ تیار کی جا سکیں اور عوامی صحت کی ایپلی کیشنز میں منتقل کی جا سکیں۔ جیسے جیسے یہ طریقہ کار مستحکم ہوں گے، بنیادی اعصابی سائنس کی تحقیق اور عملی تشخیصی افادیت کے درمیان فرق کافی حد تک ختم ہونے کی امید ہے۔
نتیجہ
ٹیمپورل ڈیٹا کو فریکوئنسیوں میں تبدیل کرنے کی تکنیک انسانی جسمانیات میں برقی سگنلز کی پیچیدگی کو سمجھنے کے لیے ایک اہم شعبہ بنی ہوئی ہے۔ شور والے ڈیٹا سیٹس سے معنی خیز پیٹرن نکالنے کے لیے مضبوط ریاضیاتی طریقوں کو استعمال کرتے ہوئے، محققین استحکام کی نگرانی کرنے اور بیماری کی تبدیلیوں کا پتہ لگانے کی اپنی صلاحیت کو بہتر بناتے ہیں۔
جیسے جیسے یہ تجزیاتی فریم ورک تیار ہوتے رہیں گے، یہ اعصابی تحقیق کی درستگی اور اس کے بعد کے طبی نتائج کی تاثیر کو مزید بہتر بنائیں گے۔
حوالہ جات
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
اکثر پوچھے گئے سوالات
وقت (Time) اور فریکوئنسی (Frequency) ڈومینز میں کیا فرق ہے؟
ٹائم ڈومین یہ ظاہر کرتا ہے کہ وقت کے ساتھ سگنل کا طول و عرض کس طرح بدلتا ہے، جبکہ فریکوئنسی ڈومین یہ ظاہر کرتا ہے کہ سگنل کا کتنا حصہ مخصوص فریکوئنسی بینڈز کے اندر موجود ہے۔
کیا وقتی تقسیب حقیقی وقت (real-time) میں کی جا سکتی ہے؟
جی ہاں، جدید ڈیجیٹل سگنل پروسیسنگ ہارڈ ویئر فریکوئنسی کے اجزاء کے مسلسل حساب کی اجازت دیتا ہے، جس سے حقیقی وقت میں نگرانی اور فیڈ بیک ایپلی کیشنز ممکن ہوتی ہیں۔
شور کو دماغی سرگرمی سے کیسے الگ کیا جاتا ہے؟
شور کو عام طور پر معلوم اعصابی سرگرمی کی حدود سے باہر فریکوئنسی بینڈز کی شناخت کر کے یا ماحولیاتی مداخلت سے وابستہ مخصوص فضائی یا سپیکٹرل علامات کو پہچان کر الگ کیا جاتا ہے۔
فورئیر ٹرانسفارم ای ای جی سے فریکوئنسی کی معلومات کیسے نکالتا ہے؟
فورئیر ٹرانسفارم سگنل کو سائن لہروں کے مجموعے میں تقسیم کرتا ہے، یہ فرض کرتے ہوئے کہ سگنل ایک مختصر وقت کی ونڈو میں ساکت ہے۔ پاور سپیکٹرل ڈینسٹی (PSD) پھر یہ ماپتی ہے کہ ہر فریکوئنسی پر کتنا پاور موجود ہے، جو لہراتی مواد کی ایک تصویر فراہم کرتا ہے۔
ایمپیریکل موڈ ڈی کمپوزیشن (EMD) فورئیر تجزیہ سے کیسے مختلف ہے؟
EMD سکون فرض کیے بغیر سگنل کو اندرونی لہراتی افعال میں خود بخود چھانٹتا ہے، جس سے یہ فوری فریکوئنسی اور طول و عرض کی تبدیلیوں کو ٹریک کر سکتا ہے۔ یہ اسے نظریاتی طور پر غیر ساکت لہروں جیسے 'مُوٗ' (mu) کے لیے بہتر موزوں بناتا ہے، حالانکہ یہ موڈ مکسنگ کا شکار ہو سکتا ہے۔
آپ کسی موڈ تقسیب کے طریقے پر PSD کو کب ترجیح دیں گے؟
مختلف حالات میں وسیع، دہرائے جانے والے سپیکٹرل پیٹرن کا مطالعہ کرتے وقت، جیسے کہ موڈ امیجری کے کاموں کا موازنہ کرتے وقت، پی ایس ڈی ایک مضبوط انتخاب ہے۔ اس کی کمپیوٹیشنل سادگی اور ذہنی حالتوں کی درجہ بندی کے لیے قائم کردہ قابل اعتمادی اسے اس وقت مؤثر بناتی ہے جب تیز تبدیلیوں کا درست وقت اہم نہ ہو۔
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 برګوس
