BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications
यह शोध पत्र BCI-sift को प्रस्तुत करता है, जो एक पायथन-आधारित, scikit-learn-संगत टूलबॉक्स है जो ब्रेन-कंप्यूटर इंटरफेस अनुप्रयोगों के लिए फीचर चयन को स्वचालित करता है, और HD ECoG डेटा के माध्यम से यह प्रदर्शित करता है कि इसका अनुकूलन-संचालित दृष्टिकोण इलेक्ट्रोड, टेम्पोरल और फ्रीक्वेंसी आयामों में सुसंगत, जैविक रूप से प्रासंगिक न्यूरल फीचर्स की पहचान करके डिकोडिंग सटीकता और व्याख्यात्मकता में सुधार करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपका मस्तिष्क एक विशाल, हलचल भरा शहर है जहाँ लाखों लाइटें (इलेक्ट्रोड) जल और बुझ रही हैं और लाखों रेडियो स्टेशन (फ्रीक्वेंसी) एक साथ प्रसारण कर रहे हैं। जब आप कोई शब्द बोलने की कोशिश करते हैं, तो उनमें से केवल कुछ ही लाइटें और स्टेशन वास्तव में महत्वपूर्ण काम कर रहे होते हैं। बाकी सब केवल बैकग्राउंड शोर, ट्रैफिक जाम या स्टेटिक (static) मात्र हैं।
एक ब्रेन-कंप्यूटर इंटरफेस (BCI) के काम करने के लिए, इसे यह समझने के लिए सही लाइटों और स्टेशनों को सुनना होगा कि आप क्या कहना चाहते हैं। लेकिन इस विशाल, शोर भरे शहर में उन विशिष्ट संकेतों को खोजना अविश्वत रूप से कठिन है। यहीं पर BCI-sift काम आता है।
BCI-sift क्या है?
BCI-sift को मस्तिष्क के डेटा के लिए एक सुपर-स्मार्ट, स्वचालित "सोना खोजने वाला" (gold panner) समझें। ठीक वैसे ही जैसे एक खनिक (prospecter) मिट्टी और पानी की नदी में से सोने के छोटे कणों को खोजने के लिए छलनी का उपयोग करता है, BCI-sift मस्तिष्क के डेटा के पहाड़ों में से उन छोटे, मूल्यवान संकेतों को खोजने के लिए छानबीन करता है जो वास्तव में किसी कार्य (जैसे कोई शब्द बोलना) के लिए महत्वपूर्ण हैं।
यह एक मुफ्त, ओपन-सोर्स टूल (एक "टूलबॉक्स") है जिसे पायथन (Python) में लिखा गया है और जिसे शोधकर्ता स्वचालित रूप से यह पता लगाने के लिए उपयोग कर सकते हैं कि:
- कौन से इलेक्ट्रोड (लाइट्स) महत्वपूर्ण हैं।
- कौन से समय क्षण (कब लाइटें जलती हैं) महत्वपूर्ण हैं।
- कौन सी फ्रीक्वेंसी (रेडियो स्टेशन) महत्वपूर्ण हैं।
यह कैसे काम करता है?
यह टूलबॉक्स सबसे अच्छे संकेतों को खोजने के लिए अलग-अलग "रणनीतियाँ" उपयोग करता है, जो एक बिखरे हुए कमरे को साफ करने के विभिन्न तरीकों की तरह हैं:
- "व्यवस्थित कमरा" दृष्टिकोण (रिकर्सिव फीचर एलिमिनेशन): कल्पना कीजिए कि आपके पास फर्नीचर से भरा एक कमरा है, लेकिन आपको केवल कुछ ही टुकड़ों की आवश्यकता है ताकि वह कार्यात्मक बन सके। यह विधि एक बार में एक फर्नीचर का टुकड़ा हटाने की कोशिश करती है। यदि कमरा उसके बिना भी बेहतरीन काम करता है, तो आप उसे बाहर फेंक देते हैं। आप तब तक ऐसा करते रहते हैं जब तक कि आपके पास सबसे छोटा, सबसे कुशल फर्नीचर सेट न बच जाए। मस्तिष्क के मामले में, इसका अर्थ है महत्वहीन इलेक्ट्रोड या फ्रीक्वेंसी को हटाना जब तक कि केवल "सोना" शेष न रह जाए।
- "पड़ोस" दृष्टिकोण (कंटिगस सर्च): कभी-कभी, महत्वपूर्ण संकेत बिखरे हुए नहीं होते; वे पड़ोसी होते हैं। यदि एक लाइट महत्वपूर्ण है, तो उसके बगल वाली लाइटें भी संभवतः महत्वपूर्ण होंगी। यह विधि इलेक्ट्रोड के ठोस ब्लॉकों या "पड़ोसों" की तलाश करती है जो एक साथ मिलकर काम करते हैं, बजाय इसके कि वे यादृच्छिक (random) या बिखरे हुए हों।
- "विकास" दृष्टिकोण (इवोल्यूशन): यह "सर्वाइवल ऑफ द फिटेस्ट" (योग्यतम की उत्तरजीविता) के खेल की तरह है। यह संकेतों के कई यादृच्छिक समूह बनाता है, उन्हें टेस्ट करता है, सबसे अच्छे को रखता है, उन्हें आपस में मिलाता है और फिर से प्रयास करता है, धीरे-धीरे एक आदर्श संयोजन की ओर विकसित होता है।
उन्होंने क्या खोजा?
शोधकर्ताओं ने इस टूलबॉक्स का परीक्षण आठ लोगों पर किया था जिनके मस्तिष्क पर सीधे इलेक्ट्रोड के विशेष ग्रिड रखे गए थे (एक प्रक्रिया जो आमतौर पर मिर्गी के उपचार के लिए की जाती है)। इन लोगों को जोर से 12 अलग-अलग डच शब्द पढ़ने के लिए कहा गया था।
यहाँ वह है जो "सोना खोजने वाले" ने पाया:
- "सोना" उच्च फ्रीक्वेंसी में है: जब टूलबॉक्स ने सभी रेडियो स्टेशनों को देखा, तो उसने लगातार पाया कि हाई-फ्रीक्वेंसी बैंड (एक बहुत ही तेज़, उच्च-पिच वाला सिग्नल) भाषण को समझने के लिए सबसे महत्वपूर्ण था। धीमी, कम-पिच वाले सिग्नल ज्यादातर शोर थे।
- "सोना" सेंट्रल सल्कस (Central Sulcus) के पास है: मस्तिष्क के मानचित्र को देखते समय, टूलबॉक्स ने लगातार उन इलेक्ट्रोडों को चुना जो सेंट्रल सल्कस (मस्तिष्क में एक गहरी खांच जो मोटर क्षेत्र को संवेदी क्षेत्र से अलग करती है) के ठीक बगल में स्थित थे। यह पूरी तरह से तर्कसंगत है क्योंकि वहीं मस्तिष्क गति और भाषण को नियंत्रित करता है।
- समय महत्वपूर्ण है: टूलबॉक्स ने पता लगाया कि सबसे महत्वपूर्ण संकेत ठीक उसी क्षण के आसपास होते हैं जब व्यक्ति बोलना शुरू करता है। इसने पाया कि बोलने के बहुत पहले या बहुत बाद के संकेत ज्यादातर बेकार शोर थे।
- यह अव्यवस्थित डेटा को साफ कर सकता है: एक प्रयोग में, शोधकर्ताओं ने जानबूझकर "शोर वाले" इलेक्ट्रोड (टूटे हुए या स्टेटिक वाले) को वापस मिश्रण में डाल दिया। टूलबॉक्स ने उन्हें स्वचालित रूप से अनदेखा कर दिया, प्रभावी रूप से डेटा को "डीनोइज" (denoising) किया और उतना ही अच्छा प्रदर्शन किया जितना कि एक इंसान द्वारा मैन्युअल रूप से खराब इलेक्ट्रोड को हटाने के बाद होता।
यह एक बड़ी बात क्यों है?
इस ट टूल से पहले, शोधकर्ताओं को अक्सर यह अनुमान लगाने के लिए मैन्युअल रूप से अंदाजा लगाना पड़ता था कि किन मस्तिष्क संकेतों का उपयोग करना है, या उन्हें हर नए प्रयोग के लिए कस्टम कोड लिखना पड़ता था। यह हाथ से एक-एक करके घास के ढेर में सुई खोजने जैसा था।
BCI-sift खेल बदल देता है क्योंकि:
- यह इसे स्वचालित बनाता है: यह मानव के अनुमान लगाने की आवश्यकता के बिना सबसे अच्छे संकेतों को खोजने का भारी काम खुद करता है।
- यह इसे स्पष्ट बनाता है: यह केवल एक बेहतर स्कोर ही नहीं देता; यह यह भी दिखाता है कि स्कोर क्यों बेहतर है, यह बताते हुए कि कौन से मस्तिष्क क्षेत्र और समय काम कर रहे हैं।
- यह लचीला है: क्योंकि इसे मानक उपकरणों (जिन्हें scikit-learn कहा जाता है) के साथ काम करने के लिए बनाया गया है, इसलिए इसका उपयोग मस्तिष्क के डेटा के कई अलग-अलग प्रकारों के साथ किया जा सकता है, न कि केवल उस विशिष्ट प्रकार के साथ जिसका इस अध्ययन में परीक्षण किया गया था।
संक्षेप में, BCI-sift एक बहुमुखी, स्वचालित सहायक है जो शोधकर्ताओं को मस्तिष्क के डेटा के शोर को काटकर उन स्पष्ट, सार्थक संकेतों को खोजने में मदद करता है जिनकी आवश्यकता बेहतर ब्रेन-कंप्यूटर इंटरफेस बनाने के लिए होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।