کئی حقیقی دنیا کے سگنلز، جیسے کہ ماحولیاتی اشاریے، بائیو میڈیکل ریکارڈنگز، طبی امیجری، ساکن نہیں رہتے۔ وقت کے ساتھ ان کا کردار بدلتا ہے: ورزش کے دوران دل کی دھڑکن تیز ہوتی ہے، پھر سست ہو جاتی ہے؛ سمندر کی سطح کے درجہ حرارت موسموں کے ساتھ اتار چڑھاؤ کرتے ہیں لیکن دہائیوں میں بھی بدلتے ہیں۔ یہ غیر ساکن (non-stationary) سگنلز ہیں۔
ویولیٹ ٹرانسفارم (wavelet transform) ایک ریاضیاتی ٹول ہے جو ان سے نمٹنے کے لیے بنایا گیا ہے۔ یہ ایک سگنل کو ایسے اجزاء میں تقسیم کرتا ہے جو وقت اور پیمانے (scale) دونوں میں مقامی ہوتے ہیں، اور یہ واضح طور پر ظاہر کرتا ہے کہ کب (when) کوئی خاص پیٹرن ظاہر ہوتا ہے اور کس مدت یا پھیلاؤ (what duration or stretch) پر وہ کام کرتا ہے۔
ایک روایتی فورئیر تجزیہ (Fourier analysis) کے برعکس جو ایک سگنل کو لامتناہی سائن لہروں (sine waves) میں توڑتا ہے، کنٹینیوس ویولیٹ ٹرانسفارم (CWT) ایک واحد پروٹوٹائپ لہر کی سکیلڈ اور ٹرانسلیٹڈ کاپیاں استعمال کرتے ہوئے وقت اور پیمانے کی نمائندگی تیار کرتا ہے۔ یہ مضمون CWT کی منطق، ایک مدر ویولیٹ (mother wavelet) کا انتخاب کیسے کریں، حاصل ہونے والے سکیلوگرام کا حساب لگانے اور اس کی تشریح کرنے کے طریقے، اور دہائیوں کے استعمال نے اس طریقہ کار کی موروثی حدود کے ساتھ ساتھ کیا کچھ ثابت کیا ہے، کو واضح کرتا ہے۔
ویولیٹ ٹرانسفارم (Wavelet Transform) کیا ہے؟
ویولیٹ ٹرانسفارم ایک ریاضیاتی طریقہ ہے جس کے ذریعے کسی سگنل کا جائزہ متعدد پیمانوں (scales) پر لیا جاتا ہے۔ پورے سگنل کو صرف عالمی سائنوسائیڈل (global sinusoidal) اجزاء کے ذریعے ظاہر کرنے کے بجائے، یہ سگنل کا موازنہ مختصر فنکشنز سے کرتا ہے جنہیں ویولیٹس کہا جاتا ہے۔ یہ فنکشنز سگنل کے ساتھ ساتھ منتقل ہوتے ہیں اور مقامی نمونوں کو ظاہر کرنے کے لیے پھیلتے یا سکڑتے ہیں۔
اس کا نتیجہ کو ایفیشنٹس (coefficients) کا ایک مجموعہ ہوتا ہے۔ ہر کو ایفیشنٹ یہ ظاہر کرتا ہے کہ سگنل کسی خاص پوزیشن اور پیمانے پر کسی خاص ویولیٹ سے کتنا ملتا جلتا ہے۔ چھوٹے پیمانے عام طور پر تیز رفتار تبدیلیوں اور باریک تفصیلات کو نمایاں کرتے ہیں، جبکہ بڑے پیمانے سست تبدیلیوں اور وسیع تر ساخت کو بیان کرتے ہیں۔
یہ مقامی رویہ ہی ویولیٹ تجزیہ اور بہت سے روایتی فریکوئنسی طریقوں کے درمیان بنیادی فرق ہے۔ ایک فورئیر ٹرانسفارم (Fourier transform) یہ دکھا سکتا ہے کہ کون سی فریکوئنسیاں موجود ہیں، لیکن ایک ویولیٹ ٹرانسفارم یہ بھی بتا سکتا ہے کہ وہ خصوصیات کہاں واقع ہوتی ہیں۔ یہ چیز اسے عارضی لہروں (transients)، عدم تسلسل (discontinuities)، اچانک اٹھنے والے جھٹکوں (bursts)، کناروں اور دیگر ایسے واقعات کے لیے موزوں بناتی ہے جن کا وقت اہم ہوتا ہے۔
کنٹینیوئس ویولیٹ ٹرانسفارم (CWT): یہ کیسے کام کرتا ہے
CWT کے مرکز میں ایک واحد، مقامی طور پر متحرک فنکشن ہوتا ہے جسے مدر ویولیٹ (mother wavelet) کہا جاتا ہے، اور اسے ψ(t) سے ظاہر کیا جاتا ہے۔ آپ کو سگنل کو سائنوسائیڈز کے ایک مقررہ مجموعے میں تقسیم کرنے کی ضرورت نہیں ہے۔ اس کے بجائے، آپ اسی ایک نمونے کو کھینچ کر (اسکیلنگ) اور سلائیڈ کر کے (ٹرانسلیٹنگ) ویولیٹس کا ایک خاندان تیار کرتے ہیں۔ اسکیل a اور پوزیشن b پر CWT، سگنل x(t) کا ایک ایسے ویولیٹ کے ساتھ اندرونی حاصل ضرب (inner product) ہے جسے a کے ذریعے اسکیل اور b کے ذریعے منتقل کیا گیا ہو:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
فیکٹر 1/√a تمام پیمانوں پر توانائی کو معمول پر لاتا ہے۔ جب a چھوٹا ہوتا ہے، تو ویولیٹ سکڑ جاتا ہے اور مختصر، تیز رفتار تبدیلیوں کو پکڑتا ہے۔ جب a بڑا ہوتا ہے، تو ویولیٹ پھیل جاتا ہے اور یہ سست، وسیع اتار چڑھاؤ کو گرفت میں لیتا ہے۔ منتقلی b ویولیٹ کو وقت کے محور پر حرکت دیتی ہے، اس لیے تجزیہ شروع سے آخر تک سلائیڈ کرتا ہے۔
اس کا آؤٹ پٹ وقت اور پیمانے کا ایک دو جہتی (two-dimensional) فنکشن ہوتا ہے جسے اسکیلوگرام (scalogram) کے طور پر دکھایا جا سکتا ہے۔ واپس 1988 میں انگرڈ ڈوبیشیز (Ingrid Daubechies) جیسے محققین نے مجرد ویولیٹس (discrete wavelets) کے لیے ملٹی ریزولوشن تجزیہ کے بنیادی تصور کو باضابطہ شکل دی، اور یہ ثابت کیا کہ کمپیکٹلی سپورٹڈ ویولیٹس کے آرتھونارمل بیسز (orthonormal bases) کو اعلیٰ باقاعدگی کے ساتھ بنایا جا سکتا ہے۔ CWT اسی بنیادی اسکیلنگ اور شفٹنگ کے اصول کو اپناتا ہے، لیکن آرتھوگونل بیس (orthogonal basis) کی شرط کے بغیر: آپ کوئی بھی مدر ویولیٹ استعمال کر سکتے ہیں جو قبولیت کی ایک سادہ شرط پر پورا اترتا ہو، جو اس ٹرانسفارم کو الٹ پٹ (invertible) بناتا ہے۔
یہ ساخت ویولیٹس کو ان کی دستخطی طاقت فراہم کرتی ہے۔ چونکہ مدر ویولیٹ ایک مختصر، لہر جیسی نبض ہوتی ہے، اس لیے یہ قدرتی طور پر عارضی واقعات پر توجہ مرکوز کرتی ہے۔ صرف اسکیلنگ اور شفٹنگ وقت اور پیمانے کا بیک وقت نظارہ فراہم کرتی ہیں، جو کہ ایک فکسڈ ونڈو فورئیر اپروچ وقت اور فریکوئنسی ریزولوشن کے درمیان مصنوعی سمجھوتہ کیے بغیر پیش نہیں کر سکتی۔
ڈسکریٹ ویولیٹ ٹرانسفارم (DWT) کیا ہے؟
ڈسکریٹ ویولیٹ ٹرانسفارم، یا DWT، ہر ممکنہ قدر کا جائزہ لینے کے بجائے ایک منظم گرڈ پر اسکیل اور ٹرانسلیشن کے پیرامیٹرز کا نمونہ لیتا ہے۔ عام ساختوں میں، اسکیلز اور پوزیشنز ڈایاڈیکل (dyadically) طور پر تبدیل ہوتے ہیں، اکثر دو کی طاقتوں کے ذریعے۔ یہ متعدد ریزولوشنز پر معلومات کو برقرار رکھتے ہوئے کو ایفیشنٹس کا ایک کمپیکٹ سیٹ تیار کرتا ہے۔
DWT کو عام طور پر جوڑی دار لو-پاس اور ہائی-پاس فلٹرز کے ساتھ لاگو کیا جاتا ہے۔ لو-پاس برانچ سگنل کا ایک ہموار تخمینہ برقرار رکھتی ہے، جبکہ ہائی-پاس برانچ باریک تفصیلات کو پکڑتی ہے۔ اس کے بعد ڈاؤن سیمپلنگ ہر سطح پر نمونوں کی تعداد کو کم کرتی ہے، اور تخمینہ والی برانچ کو دوبارہ تقسیم کیا جا سکتا ہے۔
یہ فلٹر بینک ڈھانچہ محدود ڈیجیٹل ڈیٹا کے لیے DWT کو کارآمد بناتا ہے۔ جب تجزیہ اور ترکیب کے فلٹرز کو مناسب طریقے سے ڈیزائن کیا جائے تو یہ دوبارہ تعمیر (reconstruction) میں بھی مدد کرتا ہے۔
ایپلی کیشنز میں ڈی نوائزنگ (denoising)، کمپریشن، ایونٹ کا پتہ لگانا، اور ملٹی اسکیل فیچر نکالنا شامل ہیں، حالانکہ کو ایفیشنٹس کی تشریح سیمپلنگ، باؤنڈری ٹریٹمنٹ، اور ویولیٹ کے انتخاب پر منحصر رہتی ہے۔
ڈسکریٹ ویولیٹ ٹرانسفارم کی وضاحت
DWT پے در پے سطحوں پر تخمینی کو ایفیشنٹس (approximation coefficients) اور تفصیلی کو ایفیشنٹس (detail coefficients) کے ذریعے سیمپل کیے گئے سگنل کی نمائندگی کرتا ہے۔ پہلی سطح پر، سگنل کو وسیع، سست رفتار سے بدلتے ہوئے مواد اور زیادہ تیزی سے بدلتی ہوئی تفصیل میں الگ کیا جاتا ہے۔ تخمینے پر اس عمل کو دہرانے سے ریزولوشنز کا ایک درجہ بندی کا نظام تیار ہوتا ہے۔
CWT کے برعکس، DWT عام طور پر ہر مسلسل پوزیشن اور پیمانے کے لیے کو ایفیشنٹس پیدا نہیں کرتا۔ اس کی منظم سیمپلنگ فالتو پن اور کمپیوٹیشنل لاگت کو کم کرتی ہے۔ یہ اسے بڑے اریوں (arrays)، ریئل ٹائم پروسیسنگ، اور کمپریشن سسٹمز کے لیے عملی بناتا ہے۔
ڈی کمپوزیشن کی سطح یہ طے کرتی ہے کہ تجزیہ کہاں تک جائے گا۔ بہت کم سطحیں وسیع ساخت کو چھوڑ سکتی ہیں، جبکہ بہت زیادہ سطحیں ایسے کو ایفیشنٹس پیدا کر سکتی ہیں جن کی تشریح کرنا مشکل ہو یا جو سگنل کی لمبائی اور باؤنڈری کی شرائط سے شدید متاثر ہوں۔ اس لیے مفید گہرائی ڈیٹا کی خصوصیت اور تجزیاتی مقصد پر منحصر ہوتی ہے، یہ کوئی عالمی مستقل نہیں ہے۔
DWT ڈسکریٹ ویولیٹ ٹرانسفارم الگورتھم کے مراحل
ایک معیاری DWT بار بار فلٹرنگ اور ڈاؤن سیمپلنگ کے ذریعے آگے بڑھتا ہے۔ بنیادی عمل سادہ ہے، لیکن ہر مرحلہ اس کے بعد آنے والی نمائندگی پر اثر انداز ہوتا ہے۔
ایک ویولیٹ فیملی اور مطلوبہ ڈی کمپوزیشن لیول کا انتخاب کریں۔
تخمینی نمونے حاصل کرنے کے لیے سگنل کو لو-پاس فلٹر سے گزاریں۔
تفصیلی نمونے حاصل کرنے کے لیے اسی سگنل کو ہائی-پاس فلٹر سے گزاریں۔
دونوں آؤٹ پٹس کو ڈاؤن سیمپل کریں اور تخمینی برانچ پر عمل کو دہرائیں۔
کو ایفیشنٹس کو محفوظ کریں اور ضرورت پڑنے پر سگنل کو دوبارہ تیار کریں۔
اس کے نتیجے میں بننے والا کو ایفیشنٹ ٹری موٹی ساخت کو بتدریج باریک تفصیل سے الگ کرتا ہے۔ عملی طور پر، دوبارہ تعمیر کا استعمال یہ جانچنے کے لیے کیا جا سکتا ہے کہ آیا منتخب کردہ کو ایفیشنٹس تجزیہ سے متعلقہ سگنل کی خصوصیات کو برقرار رکھتے ہیں یا نہیں۔
ہار ویولیٹ ٹرانسفارم (Haar Wavelet Transform): سب سے سادہ ویولیٹ
ہار ویولیٹ سب سے سادہ استعمال ہونے والا ویولیٹ ہے۔ یہ ٹکڑوں میں مستقل (piecewise constant) ہوتا ہے کیونکہ یہ ایک مختصر وقفے کے ایک حصے پر ایک قدر اور دوسرے حصے پر اس کے برعکس قدر لیتا ہے، جس کا اوسط صفر ہوتا ہے۔ اس کی اچانک شکل اسے قدرتی طور پر اچھال اور قدم نما تبدیلیوں کے لیے انتہائی حساس بناتی ہے۔
نمونوں کی ایک مختصر جوڑی کے لیے، ہار ٹرانسفارم کو اوسط اور فرق کا حساب لگانے کے طور پر سمجھا جا سکتا ہے۔ اوسط ایک موٹا تخمینہ بن جاتی ہے، جبکہ فرق مقامی تبدیلی کو ریکارڈ کرتا ہے۔ اس عمل کو دہرانے سے خاص طور پر واضح تشریح کے ساتھ ایک کثیر السطحی نمائندگی پیدا ہوتی ہے۔
ہار ویولیٹ کمپیوٹیشنل طور پر سستا اور سمجھانے میں آسان ہے، لیکن یہ ہموار نہیں ہوتا۔ بتدریج اتار چڑھاؤ کے غلبے والے سگنلز کو ہموار ویولیٹس کے مقابلے میں کم مؤثر طریقے سے پیش کیا جا سکتا ہے۔ اس کی اہمیت تب سب سے زیادہ ہوتی ہے جب ہموار فریکوئنسی سلیکٹیوٹی کے بجائے سادگی، تیز حساب کتاب، یا عدم تسلسل کے لیے حساسیت زیادہ اہمیت رکھتی ہو۔
مدر ویولیٹ کا انتخاب
ہر چھوٹی حرکت مدر ویولیٹ کہلانے کی اہل نہیں ہوتی۔ فنکشن کو قبولیت کی شرط پر پورا اترنا چاہیے، جس کا بنیادی مطلب یہ ہے کہ اس کا اوسط صفر اور توانائی محدود ہو، یعنی یہ صفر سے اوپر اور نیچے حرکت کرتا ہو اور ایک مختصر وقفے سے باہر ختم ہو جاتا ہو۔
اس شرط کے علاوہ، آپ ایک ایسی شکل منتخب کرنے کے لیے آزاد ہیں جو ان خصوصیات سے میل کھاتی ہو جن کی آپ اپنے ڈیٹا میں توقع کرتے ہیں۔ یہ انتخاب کوئی پہلے سے طے شدہ فارمولا نہیں ہے، لیکن عملی تجربہ چند heuristics کی طرف اشارہ کرتا ہے:
شکل کی مماثلت۔ اگر آپ کے سگنل میں لہروں کے اچانک جھٹکے شامل ہیں، تو ایک Morlet ویولیٹ—جو کہ ایک گاویشین (Gaussian) میں لپٹی ہوئی پیچیدہ سائن لہر ہے—اکثر اچھی طرح کام کرتا ہے کیونکہ یہ ایک مقامی لہر سے مشابہ ہوتا ہے۔ تیز، نوکیلی عارضی لہروں کے لیے، میکسیکن ہیٹ ویولیٹ (گاویشین کا دوسرا ڈیریویٹو) یا کوئی کمپیکٹلی سپورٹڈ ویولیٹ کناروں اور چوٹیوں کو زیادہ صفائی سے الگ کر سکتا ہے۔
وقت اور پیمانے کی ریزولوشن کا توازن۔ ایک طویل ویولیٹ قریبی پیمانوں کے درمیان باریک فرق کو واضح کرتا ہے لیکن اس عین لمحے کو دھندلا کر دیتا ہے جب کوئی خصوصیت ظاہر ہوتی ہے۔ ایک چھوٹا ویولیٹ وقت کا درست تعین کرتا ہے لیکن پیمانوں کو آپس میں خلط ملط کر دیتا ہے۔ یہ مقامی تجزیہ کا ناگزیر توازن ہے، کوئی خامی نہیں ہے۔
حقیقی بمقابلہ پیچیدہ ویولیٹس۔ ایک حقیقی قدر والا مدر ویولیٹ (مثلاً، میکسیکن ہیٹ) صرف طول و عرض (amplitude) کی معلومات فراہم کرتا ہے۔ ایک پیچیدہ ویولیٹ (مثلاً، Morlet) طول و عرض اور فیز (phase) دونوں فراہم کرتا ہے، جو اس وقت ضروری ہو سکتا ہے جب آپ بعد میں کراس-ویولیٹ ہم آہنگی کے ذریعے دو سگنلز کے درمیان وقت کے تعلقات کا جائزہ لینا چاہتے ہوں۔
ڈوبیشیز کے مطالعے میں بنائے گئے کمپیکٹلی سپورٹڈ ویولیٹس کے آرتھونارمل بیسز مجرد، کامل دوبارہ تعمیر کے کاموں کے لیے ہیں۔ CWT کے لیے، آپ آرتھونارمیلیٹی کے پابند نہیں ہیں، اس لیے آپ آزادانہ طور پر نان-آرتھوگونل ویولیٹس کا انتخاب کر سکتے ہیں اگر وہ آپ کے سگنل کی ساخت سے بہتر مطابقت رکھتے ہوں۔
پھر بھی، کمپیکٹ سپورٹ اور باقاعدگی مطلوبہ خصوصیات ہیں کیونکہ یہ کناروں کے دھندلے پن کو کم کر سکتی ہیں اور صاف ٹرانسفارم فراہم کرتی ہیں۔
کنٹینیوئس ویولیٹ ٹرانسفارم کا حساب لگانا
عملی طور پر، مدر ویولیٹ کی اسکیل شدہ، الٹے وقت والی کاپیوں کے ساتھ سگنل کو کنوولوو (convolve) کر کے CWT کا تخمینہ لگایا جاتا ہے۔ چونکہ سگنل محدود ہوتے ہیں، اس لیے جیسے ہی ویولیٹ ریکارڈ کے آغاز یا اختتام کے قریب پہنچتا ہے، یہ ناگزیر طور پر ڈیٹا کے کناروں سے باہر نکل جاتا ہے۔ وہ باؤنڈری والے علاقے مسخ شدہ اقدار پیدا کرتے ہیں؛ اثر کا مخروط (cone of influence - COI) اس وقت اور پیمانے کے علاقے کو نشان زد کرتا ہے جہاں کنارے کے اثرات تجزیہ کو ناقابل بھروسہ بنا دیتے ہیں۔ COI میں داخل ہونے والی کسی بھی خصوصیت کو شک کی نگاہ سے دیکھا جانا چاہیے۔
اسکیلوگرام بنانے کے لیے، پیمانوں کو عام طور پر دو کی جزوی طاقتوں کے طور پر نمونہ بنایا جاتا ہے تاکہ اس حد کا احاطہ کیا جا سکے جو سگنل کے دورانیے سے میل کھاتی ہو۔ CWT کو ایفیشنٹس کے مربع طول و عرض کا حساب لگانے سے ویولیٹ پاور حاصل ہوتی ہے، جسے پھر ایک کلر میپ کے طور پر پلاٹ کیا جاتا ہے جس میں ایک محور پر وقت اور دوسرے پر پیمانہ ہوتا ہے۔
اسکیلوگرام کی تشریح کرنا
ایک اسکیلوگرام ویولیٹ تجزیہ کا بنیادی بصری آؤٹ پٹ ہے۔ روشن علاقے اعلیٰ ویولیٹ پاور کے مطابق ہوتے ہیں، یہ وہ جگہیں ہیں جہاں سگنل کا کسی خاص پیمانے اور وقت پر ایک مضبوط حصہ ہوتا ہے۔
لیکن ہر روشن جگہ معنی خیز نہیں ہوتی۔ حقیقی خصوصیات کو بے ترتیب اتار چڑھاؤ سے الگ کرنے کے لیے، محققین اکثر نظریاتی پس منظر کے خلاف شماریاتی اہمیت کے ٹیسٹ اخذ کرتے ہیں: سفید شور (جو طاقت کو یکساں طور پر پھیلاتا ہے) اور سرخ شور (جو کم فریکوئنسیوں پر طاقت کو مرکوز کرتا ہے، جیسا کہ بہت سے قدرتی عمل کرتے ہیں)۔ مشاہدہ شدہ طاقت کا پس منظر کے سپیکٹرم کے 95ویں پرسنٹائل سے موازنہ کر کے، آپ ان ادوار اور پیمانوں کی شناخت کر سکتے ہیں جن کے اتفاقاً پیدا ہونے کا امکان نہیں ہوتا۔
وقت، پیمانے، یا دونوں میں ہمواری ایسی خصوصیات کی وشوسنییتا کو بڑھا سکتی ہے۔
CWT کی معلوم حدود اور انتباہات
کوئی بھی ریاضیاتی ٹول کمزوریوں سے پاک نہیں ہوتا، اور CWT بھی اس سے مستثنیٰ نہیں ہے۔ مدر ویولیٹ کا انتخاب لچک بھی ہے اور ایک ذمہ داری بھی۔ ایسا کوئی خودکار طریقہ کار نہیں ہے جو کسی نامعلوم سگنل کے لیے بہترین ویولیٹ کی ضمانت دے۔
ایک نامناسب انتخاب—مثال کے طور پر، تیز دھاروں سے بھرے سگنل کے لیے ایک طویل Morlet ویولیٹ—خصوصیات کو دھندلا کر سکتا ہے یا گمراہ کن اسکیلوگرام نقوش پیدا کر سکتا ہے۔ یہاں تک کہ جب تجربہ کار آنکھ سے ایک اچھا میچ تلاش کر لیتے ہیں، تب بھی تجزیہ جزوی طور پر موضوعی رہتا ہے۔
کنارے کے اثرات محدود ڈیٹا کی ایک طبعی حقیقت ہیں۔ طویل پیمانے ویولیٹ کو حدود سے بہت دور دھکیل دیتے ہیں، اس لیے COI سب سے موٹے پیمانے پر اسکیلوگرام کے ایک بڑے حصے کو نگل سکتا ہے۔ کناروں سے اخذ کردہ کسی بھی واقعے کو عارضی تصور کیا جانا چاہیے۔ اہمیت کے ٹیسٹ، اگرچہ اصولی ہیں، فرض کردہ شور کے ماڈلز پر منحصر ہیں جو شاید ہر ڈیٹا سیٹ کے لیے درست نہ ہوں۔
کسی نئے ڈیٹا سیٹ کا جائزہ لیتے وقت، سب سے واضح راستہ سگنل کی متوقع ساخت کے بارے میں طبعی استدلال کو محتاط شماریاتی جانچ کے ساتھ جوڑنا ہے، اور اس حقیقت کو کھلے دل سے قبول کرنا ہے کہ اسکیلوگرام ایک اشارہ دینے والا نقشہ ہے، کوئی حتمی جسمانی خاکہ نہیں ہے۔
EEG تجزیہ کے لیے ویولیٹ ٹرانسفارم کا استعمال
الیکٹرو اینسفالوگرافی (Electroencephalography) وقت کے ساتھ وولٹیج کی تبدیلیوں کو ریکارڈ کرتی ہے، اور ان تبدیلیوں میں اکثر اوورلیپنگ تال (rhythms)، عارضی واقعات، اور غیر مستحکم رویے شامل ہوتے ہیں۔ ایک ویولیٹ ٹرانسفارم ان اجزاء کو وقت اور پیمانے پر پیش کر سکتا ہے، جس سے یہ جانچنا مفید ہو جاتا ہے کہ کب کون سے نمونے ابھرتے ہیں۔ اس لیے یہ طریقہ neuroscience اور EEG ریکارڈنگز کے تجزیے کے لیے اہم ہے۔
EEG کے کام میں، کو ایفیشنٹس کو پیمانے، وقت کے وقفے، چینل، یا ایونٹ کی حالت کے لحاظ سے خلاصہ کیا جا سکتا ہے۔ ایسے خلاصے تال، جوابی ردعمل، دورے سے متعلقہ عارضی لہروں، نیند کے نمونوں، یا دیگر نقوش کی ساخت کی تحقیق میں مدد کر سکتے ہیں۔ ٹرانسفارم خود کسی دماغی عارضے کی تشخیص نہیں کرتا؛ تشریح کے لیے مناسب ڈیٹا کے حصول، پری پروسیسنگ، موازنہ گروپس، اور متعلقہ شعبے کی مہارت کی ضرورت ہوتی ہے۔
پری پروسیسنگ مرکزی حیثیت رکھتی ہے۔ الیکٹروڈ کے artifacts، آنکھوں کی حرکت، پٹھوں کی سرگرمی، حوالہ جات کے انتخاب، فلٹرنگ، گمشدہ ڈیٹا، اور کنارے کے اثرات سب ویولیٹ کو ایفیشنٹس کو تبدیل کر سکتے ہیں۔ نتائج فریکوئنسی سے اسکیل کی میپنگ اور اس بات پر بھی منحصر ہوتے ہیں کہ آیا منتخب کردہ ویولیٹ مطالعہ کی جانے والی عارضی ساخت سے مشابہت رکھتا ہے یا نہیں۔
ویولیٹ ٹرانسفارمز کا حساب لگانے کے لیے ٹولز اور سافٹ ویئر
ویولیٹ ٹرانسفارمز کا حساب عددی لائبریریوں، سائنسی پروگرامنگ کے ماحول، اور سگنل پروسیسنگ کے خصوصی سافٹ ویئر کے ذریعے لگایا جا سکتا ہے۔ مناسب انتخاب اس بات پر منحصر ہے کہ آیا مقصد تدریس، تجرباتی بصری نمائش، بیچ پروسیسنگ، ایمبیڈڈ کمپیوٹیشن، یا دوبارہ تیار کی جانے والی تحقیق ہے۔
ایک مفید ٹول کو ٹرانسفارم کے پیرامیٹرز کو کسی ایک پہلے سے طے شدہ کمانڈ کے پیچھے چھپانے کے بجائے واضح طور پر ظاہر کرنا چاہیے۔
ایک عام ورک فلو سیمپل کیے گئے ڈیٹا کو لوڈ اور تصدیق کرتا ہے، ایک ویولیٹ کا انتخاب کرتا ہے، CWT یا DWT کا حساب لگاتا ہے، کو ایفیشنٹس کا معائنہ کرتا ہے، اور دوبارہ تعمیر یا دیگر خصوصیات کا جائزہ لیتا ہے۔ کنٹرول شدہ پیرامیٹر تبدیلیوں کے ساتھ ورک فلو کو دہرانے سے یہ ظاہر ہو سکتا ہے کہ آیا نتیجہ مستحکم ہے۔ دستاویزات اور ورژن کے ریکارڈ تب اہم ہوتے ہیں جب نفاذ کے معمولی اختلافات کو ایفیشنٹ کی اقدار کو متاثر کرتے ہیں۔
قابل اعتماد کام کے لیے، سافٹ ویئر کی تشخیص میں اکثر عددی درستگی، کثیر جہتی ڈیٹا کے لیے سپورٹ، باؤنڈری کے اختیارات، پلاٹنگ، کمپیوٹیشنل لاگت، اور باہمی تعاون شامل ہوتے ہیں۔ کوڈ کو سیمپلنگ کی شرح اور پری پروسیسنگ کی تاریخ کو بھی محفوظ رکھنا چاہیے، کیونکہ اس تناظر کے بغیر کو ایفیشنٹس کو دوبارہ بنانا یا ان کی تشریح کرنا مشکل ہوتا ہے۔
غیر مستحکم سگنلز کو پڑھنے کے لیے ویولیٹ تجزیہ کیوں اہمیت رکھتا ہے
ویولیٹ ٹرانسفارم کی وضاحتی بصیرت یہ ہے کہ سگنل کی شناخت کو فریکوئنسیوں کی ایک ساکت فہرست کے طور پر نہیں بلکہ اس کے ایک زندہ نقشے کے طور پر بہترین طریقے سے سمجھا جاتا ہے کہ نمونے کب ظاہر ہوتے ہیں اور وہ کتنی دیر تک رہتے ہیں۔ وقت اور پیمانے کے اس نظریے نے حقیقی دنیا میں اپنی اہمیت ثابت کی ہے۔ پھر بھی ان کامیابیوں کے ساتھ ہمیشہ ایک انتباہ ہوتا ہے: تجزیہ صرف اتنا ہی قابل اعتماد ہوتا ہے جتنا کہ ریاضی شروع ہونے سے پہلے کیے گئے انتخاب۔
مدر ویولیٹ کا انتخاب سائنسی فیصلے کا معاملہ ہے، اور کنارے کے اثرات اور شور کے مفروضات اس بات کی حقیقی حدود طے کرتے ہیں کہ کوئی بھی اسکیلوگرام کیا دعویٰ کر سکتا ہے۔ دیانتدارانہ نتیجہ یہ ہے کہ ویولیٹ تجزیہ بدلتے ہوئے سگنلز میں ساخت کو دیکھنے کا ایک طریقہ فراہم کرتا ہے، لیکن یہ ہر روشن مقام کو آنکھیں بند کر کے قبول کرنے کے بجائے محتاط تشریح کا تقاضا کرتا ہے۔
وہ محققین جو طبعی استدلال کو شماریاتی جانچ کے ساتھ جوڑتے ہیں، وہ اس ٹول سے سب سے زیادہ فائدہ اٹھاتے ہیں اور اپنے نتائج کو مناسب حد تک محدود رکھتے ہیں۔
حوالہ جات
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
اکثر پوچھے گئے سوالات
ویولیٹ ٹرانسفارم کیا ہے اور اسے غیر مستحکم سگنلز کے لیے کیوں استعمال کیا جاتا ہے؟
ویولیٹ ٹرانسفارم ایک سگنل کو ایسے اجزاء میں تقسیم کرتا ہے جو وقت اور پیمانے دونوں میں مقامی ہوتے ہیں، جس سے یہ ظاہر ہوتا ہے کہ کوئی نمونہ کب ظاہر ہوتا ہے اور یہ کتنے عرصے تک کام کرتا ہے۔ یہ غیر مستحکم سگنلز کے لیے بنایا گیا ہے، جن کی خصوصیات وقت کے ساتھ بدلتی رہتی ہیں، برعکس ان روایتی طریقوں کے جو یکساں رویے کا مفروضہ پیش کرتے ہیں۔
کنٹینیوئس ویولیٹ ٹرانسفارم فورئیر تجزیہ سے کیسے مختلف ہے?
ایک سگنل کو لامتناہی سائن لہروں میں تقسیم کرنے کے بجائے، CWT ایک ہی مدر ویولیٹ کی اسکیل شدہ اور منتقل شدہ کاپیاں استعمال کرتا ہے۔ یہ ساخت وقت اور پیمانے کا بیک وقت نظارہ فراہم کرتی ہے، اور فورئیر طریقوں میں پائے جانے والے وقت اور فریکوئنسی ریزولوشن کے درمیان فکسڈ ونڈو کے سمجھوتے سے بچاتی ہے۔
مدر ویولیٹ کیا ہے اور اسے کس شرط کو پورا کرنا چاہیے؟
مدر ویولیٹ ایک واحد، مقامی طور پر متحرک لہر والا فنکشن ہے جسے سگنل کا تجزیہ کرنے کے لیے پھیلایا اور منتقل کیا جاتا ہے۔ درست ہونے کے لیے، اسے قبولیت کی شرط کو پورا کرنا چاہیے، جس کا بنیادی مطلب یہ ہے کہ اس کا اوسط صفر اور توانائی محدود ہو—یہ صفر سے اوپر اور نیچے حرکت کرتا ہو اور ایک مختصر وقفے سے باہر ختم ہو جاتا ہو۔
آپ کسی خاص سگنل کے لیے مدر ویولیٹ کا انتخاب کیسے کرتے ہیں؟
ایک ایسا ویولیٹ منتخب کریں جس کی شکل ان خصوصیات سے ملتی ہو جن کی آپ توقع کرتے ہیں؛ مثال کے طور پر، ایک Morlet ویولیٹ لہروں کے جھٹکوں کے لیے موزوں ہے، جبکہ میکسیکن ہیٹ ویولیٹ تیز چوٹیوں کو الگ کرتا ہے۔ آپ وقت بمقابلہ پیمانے کی ریزولوشن میں بھی توازن قائم کرتے ہیں اور یہ فیصلہ کرتے ہیں کہ آیا آپ کو فیز کی معلومات کی ضرورت ہے، جبکہ پیچیدہ ویولیٹس طول و عرض اور فیز دونوں پیش کرتے ہیں۔
اسکیلوگرام کیا ہے اور آپ اس کی تشریح کیسے کرتے ہیں؟
اسکیلوگرام ویولیٹ تجزیہ کا بنیادی بصری آؤٹ پٹ ہے، جو ایک محور پر وقت اور دوسرے پر پیمانے کے ساتھ ویولیٹ پاور کو ظاہر کرتا ہے۔ روشن علاقے کسی خاص وقت اور پیمانے پر مضبوط سگنل کے اجزاء کی نشاندہی کرتے ہیں، لیکن سفید یا سرخ شور کے پس منظر کے خلاف اہمیت کے ٹیسٹ حقیقی خصوصیات کو بے ترتیب اتار چڑھاؤ سے الگ کرنے میں مدد کرتے ہیں۔
اثر کا مخروط (cone of influence) کیا ہے اور یہ کیوں اہم ہے؟
اثر کا مخروط اس وقت اور پیمانے کے علاقے کو نشان زد کرتا ہے جہاں کنارے کے اثرات ویولیٹ تجزیہ کو ناقابل بھروسہ بناتے ہیں کیونکہ ویولیٹ محدود ڈیٹا کی حدود سے باہر نکل جاتا ہے۔ کوئی بھی خصوصیت جو COI کے اندر آتی ہے اسے شک کی نگاہ سے دیکھا جانا چاہیے۔
کنٹینیوئس ویولیٹ ٹرانسفارم کی بنیادی حدود کیا ہیں؟
مدر ویولیٹ کا انتخاب جزوی طور پر موضوعی ہوتا ہے، اور ایک ناپسندیدہ انتخاب خصوصیات کو دھندلا کر سکتا ہے یا گمراہ کن نقوش پیدا کر سکتا ہے۔ کنارے کے اثرات اسکیلوگرام کے بڑے حصوں کو متاثر کر سکتے ہیں، اور اہمیت کے ٹیسٹ شور کے فرض کردہ ماڈلز پر انحصار کرتے ہیں جو شاید ہر ڈیٹا سیٹ کے لیے درست نہ ہوں۔
عملی طور پر حقیقی اور پیچیدہ مدر ویولیٹس میں کیا فرق ہے؟
حقیقی قدر والے ویولیٹس، جیسے میکسیکن ہیٹ، صرف طول و عرض کی معلومات فراہم کرتے ہیں۔ پیچیدہ ویولیٹس، جیسے Morlet، طول و عرض اور فیز دونوں فراہم کرتے ہیں، جو کراس-ویولیٹ ہم آہنگی کے ذریعے سگنلز کے درمیان وقت کے تعلقات کا جائزہ لینے کے لیے ضروری ہے۔
CWT اور DWT میں کیا فرق ہے؟
کنٹینیوئس ویولیٹ ٹرانسفارم بہت سے قریبی فاصلے والے پیمانوں اور پوزیشنز کا جائزہ لیتا ہے، جس سے ایک تفصیلی اور اکثر فالتو نمائندگی پیدا ہوتی ہے۔ ڈسکریٹ ویولیٹ ٹرانسفارم ایک منظم پیمانوں اور پوزیشنز کا سیٹ استعمال کرتا ہے تاکہ زیادہ کمپیکٹ نمائندگی پیدا کی جا سکے۔
ہار ویولیٹ کس چیز کے لیے استعمال ہوتا ہے؟
ہار ویولیٹ اچانک تبدیلیوں یا قدم نما رویے والے سگنلز کے سادہ اور تیز تجزیہ کے لیے مفید ہے۔ اس کا ٹکڑوں میں مستقل فارم بنیادی اوسط اور فرق کی تشریح کرنا بھی آسان بناتا ہے۔
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 برکوس
