اعصابی سائنسدان (نیوروسائنٹسٹس) وقت کو فریکوئنسی میں کیوں تبدیل کرتے ہیں

وقت سے فریکوئنسی کی تبدیلی کیا ہے؟

تبدیلی کے عمل میں خام ڈیٹا کی ترتیبوں کو، جس کی پیمائش عام طور پر وقت کے مقابلے میں طولِ موج (amplitudes) کے طور پر کی جاتی ہے، فریکوئنسیوں کے ایک اسپیکٹرم میں تبدیل کرنا شامل ہے۔ یہ ریاضیاتی تبدیلی محققین کو صرف خام وولٹیج یا دباؤ کے اتار چڑھاؤ کے بجائے سگنل کے مابعد ریتھمک اجزاء کا مشاہدہ کرنے کے قابل بناتی ہے۔ اس نقطہ نظر سے ڈیٹا کو دیکھ کر، پیچیدہ ڈیٹا سیٹس کے اندر موجود باریک نمونوں کی درجہ بندی کرنا اور مزید تجزیہ کے لیے ان کی تشریح کرنا نمایاں طور پر آسان ہو جاتا ہے۔

بنیادی باتوں کو سمجھنا: وقت کے دائرے (Time Domain) سے فریکوئنسی کے دائرے (Frequency Domain) تک

معیاری سگنل ریکارڈنگ میں، وقتی پہلو واقعات کی ترتیب کو ویسے ہی پیش کرتا ہے جیسے وہ رونما ہوتے ہیں، یعنی ایک ایسی تاریخی ترتیب کو برقرار رکھتا ہے جو فوری نگرانی کے لیے منطقی ہوتی ہے۔ تاہم، کئی متحرک نظام بار بار دہرائے جانے والے رویے ظاہر کرتے ہیں—جیسے کہ نیورانز کا خاص ترتیب سے فعال ہونا جس کا تعلق neuroscience سے ہے—جنہیں صرف خام سگنل دیکھ کر آسانی سے الگ نہیں کیا جا سکتا۔

فریکوئنسی کے نقطہ نظر پر منتقل ہونا مؤثر طور پر ایک تجزیاتی فلٹر کے طور پر کام کرتا ہے، جس سے کوئی بھی انفرادی رفتار اور مجموعی سگنل کی ساخت میں ان کے باہمی تعاون کو الگ کر سکتا ہے۔

ریاضیاتی بنیاد: فورئیر ٹرانسفارم (Fourier Transform)

فورئیر ٹرانسفارم اس اصول پر کام کرتا ہے کہ کسی بھی پیچیدہ دولنی (oscillatory) سگنل کو آسان سائن (sine) اور کوسائن (cosine) لہروں کے وزنی مجموعہ کے طور پر ظاہر کیا جا سکتا ہے۔ یہ ریاضیاتی عمل بنیادی طور پر ایک تحلیل کا کام انجام دیتا ہے، جس سے سگنل کی ابتدائی پیچیدگی کے قطع نظر اس کی بنیادی دوری کی ساخت کو نکالا جاتا ہے۔

اس کایا پلٹ کو لاگو کر کے، ایک محقق وقتی ڈیٹا پوائنٹس کو ایک نئے دائرے میں نقش کرتا ہے جہاں افقی محور فریکوئنسی کی نمائندگی کرتا ہے اور عمودی محور ہر مخصوص فریکوئنسی جزو کی طاقت یا طولِ موج کی نشاندہی کرتا ہے۔

وقت سے فریکوئنسی کا تجزیہ کیوں اہم ہے؟

فریکوئنسی کے دائرے میں سگنلز کا تجزیہ شور یا بڑی، مخلوط لہروالی شکلوں کے اندر موجود مخصوص مظاہر کو الگ کرنے کے لیے ضروری ہے۔ یہ طریقہ کار مختلف شعبوں میں بڑے پیمانے پر اپنایا جاتا ہے جو سینسرز اور پیمائشی آلات سے متعلقہ Insight نکالنے کے لیے درست signal processing پر انحصار کرتے ہیں۔

سگنل پروسیسنگ میں ایپلی کیشنز

انجینئرز کا واسطہ اکثر پس منظر کی مداخلت یا ارد گرد کے برقی شور سے آلودہ سگنلز سے پڑتا ہے، جو اصل معلومات کو چھپا سکتے ہیں۔ تجزیاتی تکنیکیں جو فریکوئنسی کی ساخت کو دیکھتی ہیں، درست فلٹرنگ کی اجازت دیتی ہیں، جس کے تحت بنیادی ڈیٹا میں خلل ڈالے بغیر مخصوص ناپسندیدہ حدوں کو کم کیا جاتا ہے۔

یہ صلاحیت جدید مواصلاتی نظاموں اور سینسر ٹیکنالوجیز کے لیے بنیادی حیثیت رکھتی ہے، جو اس بات کو یقینی بناتی ہے کہ سگنل کی درست چوٹیاں الگ اور بعد کے پروسیسنگ عمل کے لیے واضح رہیں۔

آڈیو اور اسپیچ کے تجزیے میں Insights

انسانی گفتگو اور قدرتی آوازیں متعدد اوپر نیچے موجود فریکوئنسیوں پر مشتمل ہوتی ہیں، جن میں سے ہر ایک بنیادی ماخذ کی آواز کی خاصیت اور آہنگ کو ظاہر کرتی ہے۔ ان سگنلز کو فریکوئنسی کے دائرے میں تبدیل کرنے سے محققین کو بولنے کے انداز کی نقشہ سازی کرنے یا گفتگو کی ان خصوصیات کا پتہ لگانے میں مدد ملتی ہے جو وقت کے ساتھ بدلتی ہیں، جو کہ صوتیات (acoustics) میں ایک مسلسل ضرورت ہے۔

ان سگنلز کو اسپیکٹروگرامس کے طور پر سمجھ کر، تجزیہ کار ان عارضی تبدیلیوں کی نگرانی کر سکتے ہیں جو مخصوص آواز کے نقائص یا ان نمونوں کی نشاندہی کر سکتے ہیں جو ایک صوتی ماخذ کو دوسرے سے الگ کرتے ہیں۔

بایومیڈیکل انجینئرنگ میں استعمال کے معاملات

طبی ترتیبات میں، صحت کی نگرانی اور neurological conditions کی تشخیص کے لیے حیاتیاتی برقی پیداوار کی درست پیمائش اہم ہے۔ EEG کو ایک بنیادی آلے کے طور پر استعمال کرتے ہوئے، ڈاکٹر دماغی لہروں کے نمونے ریکارڈ کر سکتے ہیں جبکہ محققین ہوشیاری کی مختلف حالتوں سے وابستہ تال دار رویوں کا مطالعہ کرنے کے لیے مخصوص فریکوئنسی تجزیہ استعمال کرتے ہیں۔

PCI Data Acquisition ہارڈویئر جیسے خصوصی آلات کا انضمام اس بات کو یقینی بناتا ہے کہ اعلی درستگی والا ڈیٹا حاصل کیا جائے، جسے پھر فریکوئنسی ڈومین تبدیلیوں کے ذریعے پروسیس کیا جاتا ہے تاکہ بامعنی تشخیصی Insight فراہم کی جا سکے۔

وقت سے فریکوئنسی کی تبدیلی کے عام طریقے

وقتی ڈیٹا کو تبدیل کرنے کے لیے مختلف الگورتھم موجود ہیں، ہر ایک سگنل کے استحکام کے مختلف درجات اور درستگی کی ضروریات کے لیے موزوں ہے۔ مناسب طریقہ کار کا انتخاب سگنل کی نوعیت اور حتمی اسپیکٹرل آؤٹ پٹ کی مطلوبہ ریزولیوشن پر منحصر ہوتا ہے۔

شارٹ ٹائم فورئیر ٹرانسفارم (STFT)

یہ طریقہ ایک طویل سگنل کو چھوٹی، اوورلیپنگ ونڈوز میں تقسیم کرتا ہے، اور ہر ایک پر فورئیر ٹرانسفارم انجام دیتا ہے تاکہ یہ مشاہدہ کیا جا سکے کہ فریکوئنسی کا مواد کیسے تیار ہوتا ہے۔ یہ خاص طور پر ان سگنلز کے لیے مفید ہے جو مکمل طور پر ساکت نہیں ہوتے لیکن مختصر مدت کے لیے مستحکم رہتے ہیں۔

دستی طور پر وقت کو فریکوئنسی میں کیسے تبدیل کریں

اگرچہ سافٹ ویئر زیادہ تر حساب کتاب کو خودکار بنا دیتا ہے، لیکن دوری سگنلز کی دستی تبدیلی کو سمجھنے کے لیے سائیکل کے دورانیے کی شناخت کی ضرورت ہوتی ہے۔ مدت کے معکوس کا حساب لگا کر، کوئی بھی اس شرح کا تعین کرتا ہے جس پر واقعہ ایک مکمل سائیکل پورا کرتا ہے، جس کے نتیجے میں ہرٹز میں ماپی گئی فریکوئنسی کی قدر حاصل ہوتی ہے۔

یہ جدول مدت اور فریکوئنسی کے درمیان معکوس تعلق کی وضاحت کرتا ہے، جہاں سائیکل کا مختصر دورانیہ نمایاں طور پر زیادہ فریکوئنسی آؤٹ پٹ کا باعث بنتا ہے۔

فوری اندازوں کے لیے فریکوئنسی ٹو ٹائم کیلکولیٹر کا استعمال

کام کرنے والے اکثر طویل حساب کتاب کے بغیر وقت اور فریکوئنسی کے درمیان فرق کو ختم کرنے کے لیے تخمینہ لگانے والے ٹولز کا استعمال کرتے ہیں۔ یہ ٹولز عام طور پر ڈیٹا کے تجزیے کے دوران فوری ترتیب کے لیے درج ذیل خصوصیات پیش کرتے ہیں:

• دوری وقت کی ہرٹز میں خودکار تبدیلی۔

• ملی سیکنڈ اور مائیکرو سیکنڈ جیسے متعدد پیمائشی یونٹس کے لیے سپورٹ۔

• تبدیلی کو الٹانے کے لیے فنکشنز کی فوری تبدیلی۔

• سگنل کے استحکام کے بصری موازنہ کے لیے فوری گرافنگ۔

یہ کیلکولیٹر تحقیقی ماحول میں مزید پیچیدہ ڈیجیٹل فلٹرنگ یا اسپیکٹرل ڈی کمپوزیشن تکنیکوں کو لاگو کرنے سے پہلے ایک ابتدائی تشخیص فراہم کرتے ہیں۔

ویولیٹ ٹرانسفارم (Wavelet Transform)

روایتی فورئیر طریقوں کے برعکس، ویولیٹ ٹرانسفارم بیک وقت کم اور زیادہ فریکوئنسی والے اجزاء کا تجزیہ کرنے کے لیے توسیع پذیر ونڈوز کا استعمال کرتا ہے۔ یہ سگنل کی اچانک تبدیلیوں، جیسے کہ عارضی خارج ہونے یا اسپائکس جو ونڈوڈ STFT تجزیہ کے لیے بہت تیزی سے واقع ہوتے ہیں، کی بہتر شناخت کی اجازت دیتا ہے۔

یہ ان شعبوں میں انتہائی قابل قدر سمجھا جاتا ہے جو ایک ہی مرحلے میں اعلی وقتی اور فریکوئنسی حساسیت کا مطالبہ کرتے ہیں۔

غیر مرئی منشور (Prism): وقت کو فریکوئنسی میں بدلنا

دماغی سرگرمی کا ایک واحد لمحہ شاذ و نادر ہی ایک صاف لہر سے بنتا ہے۔ یہ کسی موسیقی کے راگ کی طرح برتاؤ کرتا ہے، جہاں ایک پیچیدہ سر تخلیق کرنے کے لیے کئی دھنیں ایک ساتھ بجتی ہیں۔

اگر آپ صرف پورے راگ کو مجموعی طور پر سنتے ہیں، تو آپ کو انفرادی دھنیں نہیں بلکہ ایک آمیزہ سنائی دیتا ہے۔ یہی مسئلہ ایک raw EEG ٹریس پر بھی لاگو ہوتا ہے۔ کسی بھی لمحے، سست، درمیانے، اور تیز ارتعاش بیک وقت چارج ہو رہے ہوتے ہیں، اور ٹائم ڈومین کا منظر انہیں ایک ہی، مشکل سے سمجھنے والی ویوفارم میں ڈھیر کر دیتا ہے۔

اس ویوفارم کو فریکوئنسی ڈومین میں تبدیل کرنا سگنل میں کوئی نئی معلومات شامل نہیں کرتا۔ یہ موجودہ معلومات کو اس طرح دوبارہ منظم کرتا ہے کہ مختلف ارتعاشات الگ الگ اجزاء کے طور پر نمایاں ہو جائیں۔ اس تنظیم نو کے پیمائشی، عملی نتائج برآمد ہوتے ہیں کہ محققین کتنی اچھی طرح سے شور والے ڈیٹا کو صاف کر سکتے ہیں اور بامعنی نمونوں کا پتہ لگا سکتے ہیں۔

آنکھ جھپکنے کے نقائص پر غور کریں، جو EEG ریکارڈنگز میں خرابی کے سب سے مسلسل ذرائع میں سے ایک ہے۔ جب آنکھیں حرکت کرتی ہیں، تو اس کے نتیجے میں پیدا ہونے والا برقی سگنل، جسے الیکٹرو آکولوگرام (EOG) کہا جاتا ہے، قریبی EEG چینلز میں داخل ہو جاتا ہے اور ریڈنگ کو بگاڑ دیتا ہے۔ ابتدائی اصلاح کی کوششوں میں یہ فرض کیا گیا تھا کہ آنکھوں سے کھوپڑی تک رساو تمام تالوں میں یکساں رہتا ہے، اس لیے ایک سادہ ٹائم ڈومین تفریق کو ہر جگہ یکساں طور پر کام کرنا چاہیے۔

Kenemans et al. نے براہ راست اس مفروضے کا تجربہ کیا۔ ٹیسٹ شدہ اور حقیقی ڈیٹا دونوں کا استعمال کرتے ہوئے، محققین نے صفائی کی تین حکمت عملیوں کا موازنہ کیا:

1. ایک سادہ ٹائم ڈومین ریگریشن

2. ایک زیادہ پیچیدہ کثیر تاخیری (multiple-lag) ٹائم ڈومین ریگریشن

3. ایک فریکوئنسی ڈومین ریگریشن۔

جب آنکھ سے کھپڑی تک برقی منتقلی فریکوئنسی سے آزاد تھی، یعنی اس نے تمام تالوں میں ایک جیسا برتاؤ کیا، تو تینوں طریقوں نے یکساں طور پر بہترین کارکردگی کا مظاہرہ کیا۔ لیکن جب منتقلی فریکوئنسی پر منحصر تھی، یعنی آلودگی اس بنیاد پر تبدیل ہوئی کہ اس میں کون سا تال شامل تھا، تو سادہ ٹائم ڈومین طریقہ اصل EEG کو مکمل طور پر دوبارہ ترتیب دینے میں ناکام رہا۔

صرف فریکوئنسی ڈومین اپروچ اور زیادہ نفیس ملٹیپل لیگ ٹائم ڈومین طریقہ ہی اس تبدیلی کا حساب رکھ سکتے تھے۔ اس سے پتہ چلتا ہے کہ دماغی سگنل کے نقائص وقت کے ساتھ ہمیشہ یکساں برتاؤ نہیں کرتے، اور کبھی کبھی صرف فریکوئنسی سے آگاہ نقطہ نظر ہی دماغی سرگرمی کو آلودگی سے صحیح معنوں میں الگ کر سکتا ہے۔

اس تبدیلی کا فائدہ دوروں کا پتہ لگانے (seizure detection) میں اور بھی زیادہ ڈرامائی ہو جاتا ہے۔ ایک 2018 study سے معلوم ہوا کہ جب خام ٹائم ڈومین EEG سگنلز کو درجہ بندی کے نظام میں ڈالا گیا، تو کھوپڑی کی ریکارڈنگ پر درستگی کچھ تجربات میں 60 فیصد تک گر گئی، یہ نتیجہ کچھ درجہ بندی کے کاموں کے لیے سکے کے اچھالنے سے زیادہ بہتر نہیں تھا۔ جب اسی ڈیٹا کو پہلے فریکوئنسی ڈومین میں تبدیل کیا گیا تو اسی کام پر درستگی تقریباً 96 فیصد تک پہنچ گئی۔

دورے کی حالت کی درست شناخت کے لیے درکار معلومات پوری ریکارڈنگ کے دوران موجود تھیں۔ یہ صرف اس وقت تک واضح نہیں تھی جب تک سگنل کو اس کے فریکوئنسی اجزاء کے ذریعے نہیں دیکھا گیا۔

فریکوئنسی ویو کیوں اہم ہے: شور سے لے کر زندگی بدل دینے والی ایپلی کیشنز تک

وقت سے فریکوئنسی کی طرف منتقلی کوئی خیالی تکنیکی ترجیح نہیں ہے۔ اس کے چار بہت مختلف ایپلی کیشنز میں ٹھوس نتائج ہیں۔

زیادہ واضح عیب سازی کا خاتمہ (Artefact Removal)

آنکھوں کی حرکت اور جھپکنا EEG ریکارڈنگز میں آلودگی کا ایک دائمی ذریعہ ہیں، کیونکہ آنکھوں سے پیدا ہونے والا برقی سگنل قریبی سکالپ الیکٹروڈز میں پھیل سکتا ہے۔

Kenemans et al. کی تحقیق نے ثابت کیا کہ یہ آلودگی تمام فریکوئنسیوں پر ہمیشہ مستقل شرح سے منتقل نہیں ہوتی۔ جب منتقلی فریکوئنسی پر منحصر تھی، تو ایک بنیادی ٹائم ڈومین تصحیح نے ناقص کارکردگی کا مظاہرہ کیا، جبکہ ایک فریکوئنسی ڈومین ریگریشن طریقہ نے کامیابی کے ساتھ اصل دماغی سگنل کو دوبارہ بحال کیا۔

یہ کسی بھی ایسی ایپلی کیشن کے لیے انتہائی اہم ہے جہاں صاف سگنل کا معیار ناگزیر ہو، کیونکہ اگر غلط صفائی کا طریقہ استعمال کیا جائے تو غیر تصحیح شدہ آنکھ کے نقائص کو حقیقی دماغی سرگرمی سمجھا جا سکتا ہے۔

آپ کا دماغ، آپ کے دستخط

study published in the Journal of Neural Engineering سے معلوم ہوا ہے کہ کسی شخص کے دماغی تال کا مجموعی نمونہ مختلف ریکارڈنگ سیشنز اور یہاں تک کہ کھوپڑی پر مختلف سینسر کی جگہوں پر بھی نمایاں طور پر مستحکم رہتا ہے۔ یہ مستقل مزاجی، جسے EEG فنگر پرنٹ کی ایک شکل کے طور پر بیان کیا گیا ہے، الفا بینڈ میں سب سے زیادہ مضبوط تھی لیکن 1 سے 40 Hz تک وسیع رینج میں قابل شناخت تھی۔

نمایاں طور پر، یہ شناختی دستخط اس وقت بھی برقرار رہا جب مضامین بالکل مختلف علمی کام انجام دے رہے تھے، جس سے یہ ظاہر ہوتا ہے کہ یہ نمونہ اس لمحے میں کسی مخصوص ذہنی سرگرمی پر ردعمل ظاہر کرنے کے بجائے فرد کے دماغ کے بارے میں ساختی طور پر مستحکم چیز کی عکاسی کرتا ہے۔

ان تالوں کی امتیازی طاقت نے فریکوئنسی رینج میں ڈبلیو کی شکل کے نمونے کی پیروی کی، جس کا سب سے مضبوط شناختی نقطہ 10 Hz الفا تال کے ارد گرد مرکوز تھا۔ اس دریافت کا براہ راست تعلق بایومیٹرک شناختی نظاموں سے ہے جو ایک دن دماغی سرگرمی کو محفوظ ذاتی تصدیق کی ایک شکل کے طور پر استعمال کر سکتے ہیں۔

جذبات کو پڑھنا

جذباتی حالتیں دماغی تال کے نمونوں میں پیمائش کے قابل نشانات چھوڑتی ہیں، اور Petrantonakis and his team کی ایک تحقیق ظاہر کرتی ہے کہ یہ نشانات خام وقت کے دائرے کے سگنل کے بجائے وقت اور فریکوئنسی کے مشترکہ دائرے میں بہترین طور پر قید ہوتے ہیں۔ ایک موافقت پذیر تقسیم کے نقطہ نظر کو استعمال کرتے ہوئے اور فرنٹل الفا غیر متوازی کی پیمائش کر کے، محققین نے ایک درجہ بندی کا نظام بنایا جو مختلف جذباتی کیفیات کے امتزاج میں فرق کرنے کے قابل تھا، جس نے جذباتی حالتوں کی درجہ بندی تصادفی اندازے سے متوقع سطح سے کافی حد تک اوپر کی۔

اس قسم کا فریکوئنسی پر مبنی جذبات کا پتہ لگانا brain-computer interfaces میں بڑھتی ہوئی دلچسپی سے وابستہ ہے جسے صارف کے مزاج یا جذباتی شمولیت کا جواب دینے کے لیے ڈیزائن کیا گیا ہے، حالانکہ رپورٹ کردہ درجہ بندی کی درستگی، جو تجربہ کردہ مخصوص جذباتی زمروں کے لحاظ سے تقریباً 64 سے 83 فیصد تک ہے، یہ ظاہر کرتی ہے کہ یہ حتمی جذباتی جائزے کے بجائے اب بھی ایک امکانی آلہ ہے۔

مرگی پر قابو پانا

فریکوئنسی ڈومین کی عملی قدر کا شاید سب سے حیرت انگیز مظاہرہ مرگی کی تحقیق سے سامنے آیا ہے۔ مذکورہ بالا 2018 کے تحقیقی مطالعہ نے براہ راست ٹائم ڈومین اور فریکوئنسی ڈومین سگنلز کا موازنہ ایک کنوولوشنل نیورل نیٹ ورک میں ان پٹ کے طور پر کیا جسے دورے، دورے سے پہلے اور دوروں کے درمیانی دماغی حالتوں کے درمیان فرق کرنے کا کام سونپا گیا تھا۔

انٹرا کرینیئل فرائیبرگ ڈیٹا بیس پر، فریکوئنسی ڈومین ان پٹ نے تین الگ الگ درجہ بندی کے تجربات میں 92 اور 97 فیصد کے درمیان اوسط درستگی پیدا کی، جبکہ اسی ڈیٹا بیس پر ٹائم ڈومین ان پٹ نے تقریباً 84 سے 91 فیصد تک درستگی پیدا کی۔ کھوپڑی پر ریکارڈ کیے گئے CHB-MIT ڈیٹا بیس پر یہ فرق نمایاں طور پر وسیع ہو گیا، جہاں فریکوئنسی ڈومین کی درستگی تقریباً 93 اور 98 فیصد کے درمیان زیادہ رہی، جبکہ ٹائم ڈومین کی درستگی کچھ تجربات میں صرف 48 سے 62 فیصد تک گر گئی۔

اس سے پتہ چلتا ہے کہ ریکارڈنگ کے کچھ مخصوص حالات، خاص طور پر سکیلپ EEG کے لیے، خام ٹائم ڈومین سگنل میں شاید اس قابلِ حل ساخت کی کمی ہو سکتی ہے جو قابل اعتماد خودکار دورے کی درجہ بندی کے لیے درکار ہوتی ہے، جبکہ اسی سگنل کی فریکوئنسی ڈومین کی تنظیم نو بنیادی نمونے کو مشین لرننگ سسٹم کے لیے قابل رسائی بناتی ہے۔

مزید برآں، Madhavan et al. نے اپنے 2020 کے مطالعے میں دورے کی تشخیص کے بجائے خاص طور پر لوکلائزیشن یعنی مقام کے تعین پر توجہ مرکوز کر کے اس تصور کو مزید آگے بڑھایا۔ ہائی ریزولوشن وقت اور فریکوئنسی کی پیشکش پیدا کرنے کے لیے سنکروسکیوزنگ ٹرانسفارم نامی تکنیک کا استعمال، ایک گہرے کنوولوشنل نیورل نیٹ ورک کے ساتھ مل کر، اس تحقیق نے فوکل EEG سگنلز (جو دوروں کو متحرک کرنے کے ذمہ دار مرگی والے زون سے پیدا ہوتے ہیں) کو دماغ میں کہیں اور سے پیدا ہونے والے نان فوکل سگنلز سے الگ کرنے میں 99 فیصد سے زیادہ درستگی، حساسیت اور خصوصیت کی اقدار حاصل کیں۔

درستگی کی یہ سطح براہ راست مرگی کی سرجری سے متعلق ہے، جہاں دورے کی سرگرمی کے لیے ذمہ دار دماغی خطے کی صحیح شناخت محفوظ اور مؤثر جراحی مداخلت کے لیے ایک لازمی شرط ہے۔

زندہ دماغ پر ایک نیا لینس

وقت کے ساتھ ساتھ گھومتی ہوئی ایک وولٹیج لائن کا مختلف تالوں کے اسپیکٹرم میں تبدیل ہونا ہی وہ عمل ہے جو سب سے پہلے EEG کو پڑھنے کے قابل بناتا ہے۔ اس کے بغیر، کھوپڑی کے ڈیٹا سے کام کرنے والا دورے کا پتہ لگانے والا الگورتھم بمشکل اتفاقیہ نتیجے سے بہتر کارکردگی دکھا سکتا ہے۔

اس کے ساتھ، وہی الگورتھم درستگی میں 90 کی دہائی کے وسط تک پہنچ سکتا ہے۔ اس کے بغیر، آنکھ جھپکنے کی ہلکی سی آلودگی بھی دماغ کی حقیقی سرگرمی کے روپ میں سامنے آ سکتی ہے۔

فریکوئنسی سے باخبر تصحیح کے ساتھ، اس آلودگی کو زیادہ قابل اعتماد طریقے سے الگ کیا جا سکتا ہے۔ اس کے بغیر، کسی کے دماغی تال کے اندر موجود مستحکم، فرد کے لیے مخصوص نمونہ، جو الفا بینڈ کے ارد گرد سب سے زیادہ مضبوطی سے مرکوز ہوتا ہے، پوشیدہ رہتا ہے۔ اس کے ساتھ، وہ نمونہ ایک پیمائش کے قابل دستخط بن جاتا ہے۔

ان میں سے کسی بھی ایپلی کیشن کے لیے EEG سگنل میں نئی معلومات شامل کرنے کی ضرورت نہیں تھی۔ انہیں صرف موجودہ معلومات کو ایسے انداز میں تبدیل کرنے کی ضرورت تھی جس سے بالآخر شور شرابے سے بامعنی نمونوں کو الگ کیا جا سکے۔

وہ تنظیم نو، وقت سے فریکوئنسی کی طرف منتقلی، وہی ہے جو اتار چڑھاؤ والے افراتفری کے سگنل کو ڈیلٹا، تھیٹا، الفا، بیٹا اور گاما سرگرمی کے ایک منظم ریکارڈ میں بدل دیتی ہے، جس سے محققین اور معالجین کو نیند، جذباتی حالتوں، انفرادی شناخت، اور اعصابی بیماریوں کا مطالعہ کرنے کا ایک واضح اور غیر جارحانہ طریقہ ملتا ہے جیسے ہی وہ زندہ دماغ میں رونما ہوتی ہیں۔

حوالہ جات

1. Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x

2. Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095

3. DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.

4. Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647

5. Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072

اکثر پوچھے گئے سوالات

نیورو سائنٹسٹ کیوں EEG سگنلز کو وقت سے فریکوئنسی میں تبدیل کرتے ہیں؟

ایک خام EEG ٹریس مختلف رفتار کے دماغی تالوں کو ایک ہی پیچیدہ لہر کی شکل میں جمع کرتا ہے، جس سے انفرادی نمونوں کو دیکھنا کٹھن ہو جاتا ہے۔ فریکوئنسی کے دائرے میں منتقلی اس سگنل کو الگ الگ کرنے والے فریکوئنسی پیٹرنز میں تقسیم کرتی ہے، جیسے کوئی منشور سفید روشنی کو رنگوں میں الگ کرتا ہے، تاکہ ہر تال کا الگ سے مطالعہ کیا جا سکے۔

فریکوئنسی ویو آنکھ جھپکنے کی عیب سازی (artifact) کے خاتمے کو کیسے بہتر بناتی ہے؟

آنکھ جھپکنے سے پیدا ہونے والی خرابی EEG فریکوئنسی بینڈز میں مختلف طریقے سے منتقل ہو سکتی ہے، جس کا مطلب ہے کہ وقت پر مبنی سادہ تفریق اکثر ناکام ہو جاتی ہے۔ ایک فریکوئنسی ڈومین ریگریشن ان فریکوئنسی پر منحصر اختلافات کا حساب رکھتا ہے، جس سے دماغ کے حقیقی سگنل کو زیادہ درست طریقے سے حاصل کرنے میں مدد ملتی ہے۔

جب وقت کے دائرے کے بجائے فریکوئنسی کا دائرہ استعمال کیا جائے تو دورے کا پتہ لگانے کی درستگی کا کیا ہوتا ہے؟

دورے سے متعلقہ نمونے خام سگنل میں موجود تو ہوتے ہیں لیکن وقت کے دائرے میں غیر مرئی ہوتے ہیں۔ فریکوئنسی کا تجزیہ ڈیٹا کو اس طرح سے ترتیب دیتا ہے کہ درجہ بندی کرنے والا نظام 90% سے زیادہ درستگی حاصل کر سکتا ہے، جبکہ خام ٹائم ڈومین ان پٹ کبھی کبھی کھوپڑی کی ریکارڈنگ پر تصادفی اندازے سے بہتر کارکردگی نہیں دکھاتا۔

الفا تال کو ایک مضبوط بایومیٹرک شناخت کنندہ کیوں سمجھا جاتا ہے؟

الفا سرگرمی 10 Hz کے ارد گرد ایک ممتاز، مستحکم چوٹی دکھاتی ہے جو مختلف کاموں اور ریکارڈنگ سیشنز میں یکساں رہتی ہے۔ یہ استحکام کسی فرد کے دماغی ساخت کی عکاسی کرتا ہے، جو اسے شناختی توثیق کے لیے ایک معتبر EEG فنگر پرنٹ بناتا ہے۔

EEG فریکوئنسی کے نمونے جذباتی حالتوں کی نشاندہی کیسے کر سکتے ہیں؟

فرنٹل الفا غیر متوازی، جو دماغ کے بائیں اور دائیں سامنے کے حصوں کے درمیان الفا کی طاقت کا موازنہ کرتا ہے، جذباتی کیفیت اور ولولے کے ساتھ مختلف ہوتا ہے۔ فریکوئنسی ڈومین کا تجزیہ ان غیر متوازی نمونوں کو ریکارڈ کرتا ہے، جس سے جذباتی حالتوں کی درست درجہ بندی عام اوسط سے کہیں زیادہ سطح پر منتقل ہو جاتی ہے۔

مرگی کی سرجری میں دورہ شروع ہونے والے زون کے مقام کا تعین کرنے کے لیے فریکوئنسی کا تجزیہ کیوں ناگزیر ہے؟

مختصر، اعلیٰ فریکوئنسی والے گاما برسٹس اور تمام بینڈز کے درمیان تبدیلیاں مرگی کے خطے کو نمایاں کرتی ہیں۔ ٹائم فریکوئنسی تکنیکیں جیسے سنکروسکیوزنگ ان نمونوں کو تفصیلی تصویروں میں تبدیل کرتی ہیں، جس سے ڈیپ لرننگ ماڈلز انتہائی اعلیٰ درستگی کے ساتھ حقیقی دورے کے سگنلز کو غیر فوکل سگنلز سے الگ کر سکتے ہیں— جو کہ محفوظ جراحی کی منصوبہ بندی کے لیے ایک بنیادی ضرورت ہے۔