⚡ electrical engineering

Robust Sparse Bayesian Learning Based on Minimum Error Entropy for Noisy High-Dimensional Brain Activity Decoding

यह शोध पत्र शोर युक्त उच्च-आयामी मस्तिष्क गतिविधि को प्रभावी ढंग से डिकोड करने के लिए न्यूनतम त्रुटि एंट्रॉपी मानदंड पर आधारित एक सुदृढ़ स्पार्स बायेसियन लर्निंग फ्रेमवर्क प्रस्तावित करता है, जो मौजूदा विधियों की तुलना में वास्तविक दुनिया के रिग्रेशन और वर्गीकरण कार्यों में बेहतर प्रदर्शन और शारीरिक व्याख्यात्मकता प्रदर्शित करता है।

मूल लेखक: Yuanhao Li, Badong Chen, Wenjun Bai, Yasuharu Koike, Okito Yamashita

प्रकाशित 2026-07-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuanhao Li, Badong Chen, Wenjun Bai, Yasuharu Koike, Okito Yamashita

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका मस्तिष्क एक विशाल, अराजक ऑर्केस्ट्रा है जहाँ हजारों संगीतकार (न्यूरॉन्स) एक साथ बज रहे हैं। वैज्ञानिक यह पता लगाने की कोशिश कर रहे हैं कि वह ऑर्केस्ट्रा कौन सा गाना बजा रहा है (आप क्या सोच रहे हैं या क्या कर रहे हैं) केवल कुछ माइक्रोफोन (ब्रेन सेंसर) सुनकर। इसे ब्रेन डिकोडिंग (Brain Decoding) कहा जाता है।

हालाँकि, इस ऑर्केस्ट्रा को सुनने की कोशिश करने में दो बड़ी समस्याएँ हैं:

बहुत अधिक संगीतकार, बहुत कम श्रोता: यहाँ हजारों सेंसर (उच्च-आयामी डेटा) हैं, लेकिन वैज्ञानिकों के पास केवल कुछ घंटों की रिकॉर्डिंग (छोटा डेटासेट) है। यह वैसा ही है जैसे केवल तीन स्वर सुनकर पूरी सिम्फनी की शीट म्यूजिक का अनुमान लगाने की कोशिश करना। पारंपरिक तरीके भ्रमित हो जाते हैं और ऐसे पैटर्न "भ्रम" (hallucinate) करने लगते हैं जो वास्तव में वहाँ नहीं हैं (ओवरफिटिंग)।
कमरा शोर से भरा है: रिकॉर्डिंग साफ नहीं है। इसमें स्टेटिक, खाँसने की आवाज़ और बिजली की गूँज (शोर) है। यह शोर केवल एक साधारण सरसराहट नहीं है, बल्कि अजीब और अप्रत्याशित है। पारंपरिक तरीके मानते हैं कि शोर सरल और अनुमानित है, इसलिए वे अव्यवस्थित शोर होने पर भटक जाते हैं।

समाधान: एक स्मार्ट जासूस (SBL-MEE)

लेखकों ने इस "ऑर्केस्ट्रा समस्या" को हल करने के लिए एक नया "जासूसी" उपकरण बनाया जिसे SBL-MEE कहा जाता है। इसे एक दो-चरणीय रणनीति के रूप में समझें:

1. "स्पार्स" (Sparse) जासूस (सोलोइस्ट को खोजना)
पूरे ऑर्केस्ट्रा को सुनने के बजाय, यह जासूस स्पार्स बेयसियन लर्निंग (Sparse Bayesian Learning - SBL) नामक तकनीक का उपयोग करता है। कल्पना कीजिए कि एक जासूस जानता है कि एक वास्तविक ऑर्केस्ट्रा में, आमतौर पर केवल संगीतकारों का एक छोटा समूह ही मुख्य धुन बजा रहा होता है।

यह कैसे काम करता है: जासूस स्वचालित रूप से उन 99% संगीतकारों की आवाज़ को कम कर देता है जो केवल बैकग्राउंड शोर पैदा कर रहे हैं, और केवल उन कुछ पर ध्यान केंद्रित करता है जो वास्तव में धुन बजा रहे हैं। यह "बहुत अधिक संगीतकार" वाली समस्या को हल करता है क्योंकि यह अप्रासंगिक संगीतकारों को अनदेखा कर देता है।

2. "रोबस्ट" (Robust) जासूस (अजीब शोर को अनदेखा करना)
पारंपरिक जासूस मानते हैं कि शोर एक स्थिर बारिश (गौसियन शोर) की तरह है। यदि अचानक बिजली कड़कती है या कोई अजीब सी आवाज़ आती है, तो वे भ्रमित हो जाते हैं।

नवाचार: यह नया जासूस मिनिमम एरर एंट्रॉपी (Minimum Error Entropy - MEE) नामक नियम का उपयोग करता है। यह मानने के बजाय कि शोर सरल है, MEE उस आकार को देखता है जो जासूस द्वारा की जाने वाली गलतियाँ बनाती हैं।
उपमा: कल्पना कीजिए कि आप एक लक्ष्य को हिट करने की कोशिश कर रहे हैं जबकि कोई आप पर रैंडम वस्तुएं फेंक रहा है। एक पारंपरिक तरीका औसत निकालता है कि वस्तुएं कहाँ गिरीं। MEE तरीका गलतियों के फैलाव को देखता है। यदि गलतियाँ बेतरतीब ढंग से बिखरी हुई हैं (जटिल शोर), तो MEE अपने लक्ष्य को समायोजित करता है ताकि वह उन अजीब, बाहरी उतार-चढ़ावों को अनदेखा कर सके और मुख्य पैटर्न पर ध्यान केंद्रित कर सके। यह ऐसा है जैसे कहना, "मुझे उन अजीब, पागल फेंकने वाली वस्तुओं की परवाह नहीं है; मैं उस पर ध्यान केंद्रित करूँगा जहाँ गेंद आमतौर पर जाती है।"

उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने अपने नए जासूस का परीक्षण दो वास्तविक दुनिया के "ऑर्केस्ट्रा" पर किया:

बंदर का हाथ (रिग्रेशन टास्क):
- सेटअप: उन्होंने बंदरों के हाथ चलाने के दौरान मस्तिष्क के संकेतों को रिकॉर्ड किया। लक्ष्य हाथ के सटीक पथ (path) की भविष्यवाणी करना था।
- परिणाम: SBL-MEE जासूस पुराने तरीकों की तुलना में बंदर के हाथ के पथ को बहुत अधिक सटीकता से बना सका। इसने केवल अनुमान नहीं लगाया; इसने उन वास्तविक मांसपेशियों और मस्तिष्क क्षेत्रों को सीखा जो हाथ हिलाने में शामिल थे, और स्टेटिक को अनदेखा कर दिया।
- बोनस: जब उन्होंने देखा कि जासूस ने किन मस्तिष्क क्षेत्रों पर ध्यान केंद्रित किया, तो यह न्यूरोसाइंटिस्ट्स की उस जानकारी से मेल खाता जो वे जानते हैं कि मस्तिष्क गति को कैसे नियंत्रित करता है। यह न केवल सटीक था; बल्कि जैविक रूप से भी तर्कसंगत था।
मानव की दृष्टि (क्लासिफिकेशन टास्क):
- सेटअप: उन्होंने एक इंसान द्वारा चित्रों को देखने के दौरान मस्तिष्क की गतिविधि को रिकॉर्ड किया। लक्ष्य यह अनुमान लगाना था कि व्यक्ति क्या देख रहा है।
- परिणाम: बहुत अधिक शोर और भारी मात्रा में डेटा के बावजूद, SBL-MEE ने प्रतिस्पर्धा करने वाले तरीकों की तुलना में छवियों को बेहतर ढंग से पुनर्गठित किया।
- बोनस: जासूस ने अपना ध्यान मस्तिष्क के सही हिस्सों (विजुअल कॉर्टेक्स) पर केंद्रित किया, विशेष रूप से उन क्षेत्रों पर जो विस्तृत दृष्टि (detailed vision) को संभालते हैं, जिससे यह सिद्ध हुआ कि यह केवल रैंडम अनुमान नहीं लगा रहा था।

निष्कर्ष

यह पेपर दावा करता है कि स्वचालित फीचर चयन (अप्रासंगिक संगीतकारों को अनदेखा करना) को स्मार्ट शोर हैंडलिंग (अजीब स्टेटिक को अनदेखा करना) के साथ जोड़कर, यह नया तरीका मस्तिष्क के संकेतों को डिकोड करने में वर्तमान उपकरणों से बेहतर है।

यह तब बेहतर काम करता है जब डेटा बहुत अधिक हो लेकिन सीखने के लिए उदाहरण बहुत कम हों, और यह अव्यवस्थित, अप्रत्याशित शोर को पुराने तरीकों की तुलना में बहुत बेहतर तरीके से संभालता है। सबसे महत्वपूर्ण बात यह है कि इस नए तरीके द्वारा लिए गए "निर्णय" वास्तविक मस्तिष्क विज्ञान की अपेक्षाओं के अधिक अनुरूप हैं, जो इसे मस्तिष्क के कार्य को समझने के लिए एक अधिक विश्वसनीय उपकरण बनाता है।

तकनीकी सारांश: शोर युक्त उच्च-आयामी मस्तिष्क गतिविधि डिकोडिंग के लिए न्यूनतम त्रुटि एंट्रॉपी पर आधारित सुदृढ़ स्पार्स बेयसियन लर्निंग

समस्या विवरण
मस्तिष्क गतिविधि डिकोडिंग को दो प्राथमिक चुनौतियों का सामना करना पड़ता है: "उच्च-आयामी, कम-नमूना-आकार" (high-dimensional, low-sample-size) की समस्या, और जटिल, गैर-गॉसियन शोर (non-Gaussian noise) की उपस्थिति। पारंपरिक मशीन लर्निंग विधियाँ, जैसे कि साधारण न्यूनतम वर्ग (Ordinary Least Squares - OLS), उच्च-आयामी सेटिंग्स में ओवरफिटिंग से ग्रस्त होती हैं (जैसे fMRI वोक्सेल्स या EEG/ECoG चैनल), जहाँ सुविधाओं (features) की संख्या प्रशिक्षण नमूनों की संख्या से अधिक होती है। जबकि स्पार्स बेयसियन लर्निंग (SBL) ऑटोमैटिक रिलिवेंस डिटरमिनेशन (ARD) के माध्यम से अप्रासंगिक विशेषताओं को स्वतः छाँटने के लिए एक रूपरेखा प्रदान करती है, पारंपरिक SBL आदर्श डेटा वितरण (जैसे गॉसियन या बर्नौली) पर आधारित लाइकलीहुड फंक्शन पर निर्भर करती है। ये धारणाएँ वास्तविक दुनिया के न्यूरल रिकॉर्डिंग (जैसे शारीरिक आर्टिफैक्ट्स, पर्यावरणीय शोर) में निहित जटिल, गैर-गॉसियन शोर मिश्रणों को पकड़ने में विफल रहती हैं, जिससे वास्तविक परिदृश्यों में प्रदर्शन में गिरावट आती है। मौजूदा सुदृढ़ विधियाँ, जैसे कि मैक्सिमम कोरेंट्रोपी क्राइटेरियम (MCC) पर आधारित विधियाँ, अक्सर स्पष्ट स्पर्सिटी नियंत्रण की कमी रखती हैं या उनके लिए जटिल हाइपरपैरामीटर ट्यूनिंग की आवश्यकता होती है, जिससे वे उच्च-आयामी डिकोडिंग के लिए कम उपयुक्त हो जाती हैं।

कार्यप्रणाली
लेखक SBL-MEE प्रस्तावित करते हैं, जो एक सुदृढ़ स्पार्स बेयसियन लर्निंग फ्रेमवर्क है जो SBL के ढांचे में मिनिमम एरर एंट्रॉपी (MEE) लर्निंग क्राइटेरियम को एकीकृत करता है। मुख्य नवाचार एक सामान्यीकृत बेयसियन प्रतिमान (जिसे जिब्स पोस्टीरियर फ्रेमवर्क भी कहा जाता है) के तहत बेयसियन इन्फरेंस प्रक्रिया को पुनर्गठित करने में निहित है।

सामान्यीकृत पोस्टीरियर सूत्रीकरण: एक मानक लाइकलीहुड फंक्शन पर निर्भर करने के बजाय, जो संभाव्यता घनत्व धारणा से प्राप्त होता है, यह विधि पोस्टीरियर अपडेट को संचालित करने के लिए MEE-प्रेरित लॉस ( $L_{MEE}$ ) का उपयोग करती है। सामान्यीकृत पोस्टीरियर को इस प्रकार परिभाषित किया गया है:
$\tilde{p}(w, a|t) \propto \exp(-L_{ME_E}) p(w|a)p(a)$
जहाँ $w$ मॉडल पैरामीटर्स को दर्शाता है, $a$ रिलिवेंस पैरामीटर्स (स्पर्सिटी कंट्रोल) को दर्शाता है, और $p(w|a)p(a)$ पदानुक्रमित गॉसियन प्रायर्स (hierarchical Gaussian priors) हैं। यह सूत्रीकरण एम्पिरिकल रिस्क मिनिमाइजेशन (MEE के माध्यम से) को स्पर्सिटी रेगुलराइजेशन (प्रायर्स के माध्यम से) के साथ संतुलित करता है।
रिग्रेशन और क्लासिफिकेशन को संभालना:
- रिग्रेशन: कम्प्यूटेशनल जटिलता को $O(N^2)$ से घटाकर $O(MN)$ करने के लिए MEE ऑब्जेक्टिव को क्वांटाइज्ड MEE (QMEE) का उपयोग करके अनुमानित किया जाता है, जहाँ $M$ क्वांटाइजेशन कोडबुक का आकार है।
- क्लासिफिकेशन: क्लासिफिकेशन त्रुटियों (फॉल्स नेगेटिव, ट्रू पॉजिटिव, फॉल्स पॉजिटिव) की मल्टीमॉडल प्रकृति को संबोधित करने के लिए, लेखक रिस्ट्रिक्टेड MEE (RMEE) का उपयोग करते हैं। यह तीन-मोडल त्रुटि वितरण को स्पष्ट रूप से मॉडल करने के लिए एक निश्चित कोडबुक $\{0, -1, 1\}$ का उपयोग करता है, जिससे यह सुनिश्चित होता है कि अनुकूलन सही त्रुटि संरचना को लक्षित करता है।
वैरिएशनल इन्फरेंस और ऑप्टिमाइजेशन: चूंकि सामान्यीकृत पोस्टीरियर गणना योग्य (intractable) है, इसलिए लेखक मीन-फील्ड फैक्टराइजेशन के साथ वैरिएशनल इन्फरेंस का उपयोग करके एक लर्निंग एल्गोरिदम व्युत्पन्न करते हैं। वे वेट्स के गैर-गॉसियन पोस्टीरियर को गॉसियन वितरण के रूप में अनुमानित करने के लिए लैपलेसियन एप्रोक्सिमेशन का उपयोग करते हैं। एल्गोरिदम मॉडल पैरामीटर्स ( $w$ ) को ग्रेडिएंट-आधारित विधियों (रिग्रेशन के लिए फिक्स्ड-पॉइंट, क्लासिफिकेशन के लिए हाफ-क्वाड्रेटिक) का उपयोग करके अपडेट करता है, और स्पर्सिटी लागू करने के लिए रिलिवेंस पैरामीटर्स ( $a$ ) को अपडेट करता है।

प्रमुख योगदान

नया फ्रेमवर्क: SBL-MEE का प्रस्ताव, जो एक एकीकृत फ्रेमवर्क है जो रिग्रेशन और क्लासिफिकेशन दोनों के लिए लागू होता है, और जो पोस्टीरियर अपडेटिंग के लिए एक सामान्यीकृत बेयसियन सेटिंग के भीतर MEE का उपयोग करता है।
एल्गोरिथमिक व्युत्पत्ति: MEE-आधारित सामान्यीकृत पोस्टीरियर के लिए मॉडल पैरामीटर्स का अनुमान लगाने के लिए वैरिएशनल इन्फरेंस और लैपलेसियन एप्रोक्सिमेशन का उपयोग करके एक गणना योग्य लर्निंग एल्गोरिदम का व्युत्पन्न।
व्यापक मूल्यांकन: दो वास्तविक दुनिया के ब्रेन डिकोडिंग कार्यों पर मूल्यांकन:
- रिग्रेशन: ECoG-आधारित मूवमेंट ट्रैजेक्टरी रिकंस्ट्रक्शन (बंदर का डेटा)।
- क्लासिफिकेशन: fMRI-आधारित विजुअल स्टिमुलस रिकंस्ट्रक्शन (मानव डेटा)।
व्याख्यात्मकता विश्लेषण (Interpretability Analysis): यह प्रदर्शन करना कि प्रस्तावित विधि न केवल सांख्यिकीय रूप से बेहतर डिकोडर पैटर्न प्रदान करती है, बल्कि मौजूदा विधियों की तुलना में अधिक शारीरिक रूप से सुसंगत (physiologically plausible) भी है।

प्रायोगिक परिणाम
SBL-MEE एल्गोरिदम का तुलनात्मक मूल्यांकन पारंपरिक SBL (गॉसियन/बर्नौली लाइकलीहुड्स), अत्याधुनिक SBCL (MCC-आधारित), रिज रिग्रेशन (Ridge regression), और लासो (Lasso) के विरुद्ध किया गया।

प्रदर्शन: रिग्रेशन (ECoG) और क्लासिफिकेशन (fMRI) दोनों कार्यों में, SBL-MEE ने सभी बेसलाइन्स की तुलना में उच्च सहसंबंध गुणांक (correlation coefficients) और कम रूट मीन स्क्वेर्ड एरर (RMSE) के साथ बेहतर डिकोडिंग प्रदर्शन प्राप्त किया। यह श्रेष्ठता चुनौतीपूर्ण स्थितियों में भी बनी रही जहाँ प्रशिक्षण डेटा का आकार काफी कम था (उच्च-आयामी, कम-नमूना-आकार परिदृश्य)।
शारीरिक व्याख्यात्मकता (Physiological Interpretability):
- ECoG (मोटर): SBL-MEE ने मोटर-प्रासंगिक कॉर्टिकल क्षेत्रों (जैसे आर्कुएट और प्रिंसिपल सल्की) में केंद्रित स्थानिक भार (spatial weights), गति की शुरुआत के पास लैग्स पर केंद्रित टेम्पोरल भार, और हाई-गामा बैंड्स द्वारा प्रभावी फ्रीक्वेंसी वेट्स की पहचान की। ये पैटर्न मोटर कंट्रोल के ज्ञात न्यूरोसाइंटिफिक सिद्धांतों के साथ निकटता से मेल खाते हैं, जबकि अन्य विधियों ने विसरित या कम विशिष्ट पैटर्न उत्पन्न किए।
- fMRI (विजुअल): SBL-MEE ने मजबूत विकर्ण संरचनाओं (eccentricity matching) वाले रेटिनोटॉपिक मैप्स और केंद्रीय दृश्य क्षेत्रों (V1) की ओर झुके हुए वेट डिस्ट्रीब्यूशन का उत्पादन किया। इसने रिज, लासो और मानक SBL की तुलना में उच्च स्तर की शारीरिक सुसंगतता प्रदर्शित की।

महत्व
यह शोध दावा करता है कि SBL-MEE मस्तिष्क गतिविधि डिकोडिंग को बेहतर बनाने के लिए एक शक्तिशाली उपकरण प्रदान करता है, विशेष रूप से उन शोर युक्त, उच्च-आयामी सेटिंग्स में जो ब्रेन-कंप्यूटर इंटरफेस (BCI) और न्यूरोसाइंस अनुसंधान में विशिष्ट हैं। गैर-गॉसियन शोर को प्रभावी ढंग से संभालने के लिए स्पर्सिटी कंट्रोल (जो बेयसियन प्रायर द्वारा संभाला जाता है) को शोर सुदृढ़ता (जो MEE क्राइटेरियम द्वारा संभाला जाता है) से अलग करके, यह विधि मैन्युअल स्पर्सिटी ट्यूनिंग की आवश्यकता को समाप्त करती है। लेखक इस बात पर जोर देते हैं कि हालांकि मिनिमम एरर एंट्रॉपी किसी मनमाने संभाव्यता वितरण से निर्मित नहीं है, फिर भी यह स्पार्स बेयसियन लर्निंग पद्धति के भीतर शोर-सुदृढ़ अनुमान स्थापित करने के लिए अत्यधिक प्रभावी है, जिससे यह बायोमेडिकल इंजीनियरिंग अनुप्रयोगों को बढ़ावा देती है।

समाधान: एक स्मार्ट जासूस (SBL-MEE)

उन्होंने इसका परीक्षण कैसे किया

निष्कर्ष

इसी तरह के और पेपर