Deep Learning Approaches for Sleep Apnea Classification from Polysomnographic EEG Signals

कल्पना कीजिए कि आपका मस्तिष्क एक हलचल भरे शहर की तरह है, और हर रात, यह एक अराजक दिन के बाजार से एक शांत, व्यवस्थित पुस्तकालय में बदल जाता है। यही नींद है। लेकिन कभी-कभी, स्लीप एपनिया (sleep apnea) नामक एक चालाक घुसपैठिया इस पार्टी में खलल डाल देता है। यह एक भारी कंबल की तरह है जो बार-बार शहर के मुख्य वायु वेंट (air vents) पर खिंच आता है, जिससे ऑक्सीजन की आपूर्ति कुछ सेकंड के लिए रुक जाती है। जब ऐसा होता है, तो मस्तिष्क घबरा जाता है, सांस लेने के लिए झटके से जाग जाता है, और फिर से सोने की कोशिश करता है। यह बार-बार होता है, जिससे एक आरामदायक रात छोटी-छोटी, तनावपूर्ण आपात स्थितियों की एक श्रृंखला में बदल जाती है।

इस घुसपैठिये को पकड़ने के लिए, डॉक्टर आमतौर पर एक लैब में 'स्लीप डिटेक्टिव्स' की एक टीम भेजते हैं। वे आपको एक पॉलीसोमनोग्राफ (polysomnograph) नामक एक विशाल मशीन से जोड़ देते हैं, जो आपकी हृदय गति से लेकर आपके श्वसन तक सब कुछ रिकॉर्ड करती है। लेकिन इसमें एक पेंच है: एक मानव विशेषज्ञ को घंटों तक वहां बैठना पड़ता है, स्क्रीन पर टेढ़ी-मेढ़ी रेखाओं को देखना पड़ता है और हर एक मिनट को मैन्युअल रूप से स्कोर करना पड़ता है। यह काम धीमा, महंगा और थकाऊ है। हाल ही में, वैज्ञानिकों ने पूछना शुरू किया है: "क्या हम एक कंप्यूटर को यह करने के लिए सिखा सकते हैं?" विशेष रूप से, क्या एक कंप्यूटर मस्तिष्क के विद्युत संकेतों (EEG)—जो शहर की रेडियो तरंगों की तरह हैं—को देख सकता है और वायुमार्ग के अवरोधों के कारण होने वाले पैनिक अटैक (घबराहट के दौरों) को पहचान सकता है, बिना किसी इंसान के पूरी रात स्क्रीन को घूरने की आवश्यकता के? यही वह बड़ा सवाल है जो इस शोध को प्रेरित कर रहा है।

मस्तिष्क का रेडियो और कंप्यूटर जासूस

इस अध्ययन में, नॉर्थईस्टर्न यूनिवर्सिटी के शोधकर्ताओं ने बच्चों में स्लीप एपनिया का पता लगाने के लिए एक सुपर-स्मार्ट कंप्यूटर जासूस बनाने का निर्णय लिया। उन्होंने केवल एक ही तरीका नहीं अपनाया; उन्होंने मस्तिष्क के अव्यवस्त रेडियो संकेतों को ऐसी भाषा में अनुवाद करने के चार अलग-अलग तरीके आजमाए जिसे कंप्यूटर समझ सके। कच्चे मस्तिष्क संकेतों को एक अराजक शोर (static) के रूप में सोचें। टीम ने उस शोर को साफ करने के चार अलग-अलग तरीके आजमाए:

1. कच्चा तूफान (The Raw Storm): उन्होंने कंप्यूटर को सीधे कच्चे विद्युत तरंगों को दिया, जैसा कि वे घटित हो रहे थे।
2. ध्वनि तरंग मानचित्र (The Soundwave Map): उन्होंने संकेतों को एक स्पेक्ट्रोग्राम (spectrogram) में बदल दिया, जो समय के साथ ध्वनि आवृत्तियों का एक दृश्य मानचित्र है, जो दिखाता है कि मस्तिष्क का "संगीत" कैसे बदलता है।
3. दोस्ती ग्राफ (The Friendship Graph): उन्होंने देखा कि मस्तिष्क के विभिन्न हिस्से एक-दूसरे से कैसे "बात" करते हैं। यदि दो मस्तिष्क क्षेत्र तालमेल में गूंज रहे हैं, तो वे उनके बीच एक रेखा खींचते हैं। यह कनेक्शनों का एक जाल या ग्राफ बनाता है।
4. आकार का जासूस (TDA - The Shape Detective): यह उनका गुप्त हथियार था। उन्होंने 'टोपोलॉजिकल डेटा एनालिसिस' (Table TDA) नामक एक फैंसी गणितीय उपकरण का उपयोग किया। कल्पना कीजिए कि आप बिंदुओं के एक बादल को देख रहे हैं और पूछ रहे हैं, "क्या इस आकार में छेद हैं? क्या इसमें लूप हैं?" यह विधि विशिष्ट संख्याओं को अनदेखा करती है और डेटा के कनेक्शनों के समग्र आकार को देखती है।

इन तरीकों का परीक्षण करने के लिए, उन्होंने 3,984 स्लीप स्टडीज के डेटा का उपयोग किया, जो 3,673 बच्चों से लिया गया था। उन्होंने बच्चों को दो समूहों में विभाजित किया: कंप्यूटर को सिखाने के लिए 2,410 विषयों का एक प्रशिक्षण समूह (training group), और यह देखने के लिए कि क्या कंप्यूटर वास्तव में अपने आप रहस्य सुलझा सकता है, 575 विषयों का एक परीक्षण समूह (test group)। महत्वपूर्ण रूप से, उन्होंने यह सुनिश्चित किया कि प्रशिक्षण और परीक्षण समूहों में उम्र और लड़कों-लड़कियों का मिश्रण बिल्कुल समान हो, ताकि कंप्यूटर किसी विशेष बच्चे को याद करके धोखाधड़ी न कर सके।

परिणाम: आकार जीतता है, लेकिन यह अभी भी पूर्ण नहीं है

जब कंप्यूटर ने अपना होमवर्क पूरा किया, तो परिणाम "वाह!" और "हम्म, अभी तक पूरी तरह नहीं हुआ" का मिश्रण थे।

स्पष्ट विजेता शेप डिटेक्टिव (TDA) था, जिसे एक विज़न ट्रांसफार्मर (एक प्रकार का AI जो आमतौर पर छवियों के लिए उपयोग किया जाता है, लेकिन यहाँ मस्तिष्क की तरंगों के लिए अनुकूलित किया गया है) के साथ जोड़ा गया था। इस संयोजन ने 0.750 का AUC स्कोर प्राप्त किया। चिकित्सा परीक्षण की दुनिया में, यह एक ठोस "B" ग्रेड है, लेकिन यह अभी "A" नहीं है। इसका मतलब है कि कंप्यूटर सिक्का उछालने (संयोग) से बेहतर है, लेकिन यह अभी भी गलतियाँ करता है।

दिलचस्प बात यह है कि फ्रेंडशिप ग्राफ (Graph Attention Network का उपयोग करके) देखने वाला तरीका 0.748 के AUC के साथ दूसरे स्थान पर रहा। यहाँ जो बात शानदार है वह यह है कि यह ग्राफ मॉडल अन्य मॉडलों की तुलना में बहुत छोटा था। इसने 96.8% कम पैरामीटर्स (AI के मस्तिष्क कोशिकाएं) का उपयोग किया, फिर भी लगभग उतना ही अच्छा प्रदर्शन किया। यह सुझाव देता है कि कंप्यूटर को स्पष्ट रूप से यह सिखाना कि मस्तिष्क के हिस्से कैसे जुड़ते हैं, केवल एक विशाल AI को कनेक्शनों का अनुमान लगाने देने की तुलना में सीखने का एक बहुत अधिक कुशल तरीका है।

दूसरी ओर, कच्चा तूफान (Raw Storm) विधि (केवल कच्चे संकेतों को फीड करना) सबसे खराब रही, जिसका AUC केवल 0.639 था। यह बताता है कि केवल शक्तिशाली AI के सामने कच्चा डेटा फेंक देना पर्याप्त नहीं है; आपको पहले डेटा को व्यवस्थित करना होगा। इसके अलावा, शेप डिटेक्टिव में अतिरिक्त गणितीय विवरण जोड़ने (TDA को AP-FAPC नामक दूसरे तरीके के साथ मिलाने) से चीजें वास्तव में थोड़ी खराब हो गईं, जिससे स्कोर गिरकर 0.740 हो गया। ऐसा लगता है कि कभी-कभी, कम होना ही अधिक होना है, और बहुत अधिक जटिलता जोड़ने से केवल शोर (noise) बढ़ जाता है।

"कौन" और "कब" मायने रखता है

शोधकर्ताओं ने केवल औसत स्कोर नहीं देखा; उन्होंने गहराई से जांच की कि कंप्यूटर किन लोगों को पहचानने में अच्छा था और कब।

• लड़के बनाम लड़कियां: कंप्यूटर लड़कियों में एपनिया का पता लगाने में लड़कों की तुलना में लगातार बेहतर था। ऐसा इसलिए नहीं था क्योंकि लड़कियों का डेटा अधिक था; समूह संतुलित थे। लेखक सुझाव देते हैं कि यह संभवतः इसलिए है क्योंकि लड़कों और लड़कियों में स्लीप एपनिया के प्रति मस्तिष्क की प्रतिक्रिया अलग होती है, या उनके संकेत अलग दिखते हैं।
• आयु: कंप्यूटर को 2 से 6 वर्ष और 13 से 18 वर्ष की आयु के बच्चों के साथ सबसे अधिक संघर्ष करना पड़ा। इसने 8 और 10 वर्ष की आयु के बच्चों पर अपना सर्वश्रेष्ठ काम किया।
• गंभीरता (Severity): कंप्यूटर स्वस्थ बच्चों (कोई एपनिया नहीं) और हल्के मामलों को पहचानने में बहुत अच्छा था, लेकिन वह मध्यम (moderate) और गंभीर (severe) मामलों में भ्रमित हो गया। वास्तव में, सबसे गंभीर मामलों के लिए, प्रदर्शन बेहतर नहीं हुआ; यह मध्यम मामलों के स्तर पर ही स्थिर रहा।
• नींद के चरण (Sleep Stages): यह एक बड़ी खोज थी। कंप्यूटर हल्की नींद (चरण N1 और N2) या जागने की स्थिति में एपनिया का पता लगाने में बहुत अच्छा था, लेकिन गहरी नींद (N3) के दौरान यह बहुत खराब था।
  • हल्की नींद में, कंप्यूटर बहुत संवेदनशील था (उसने लगभग सब कुछ पकड़ लिया) लेकिन इसकी विशिष्टता (specificity) कम थी (उसने तब भी "भेड़िया आया" चिल्लाया जब कोई भेड़िया नहीं था)।
  • गहरी नींद में, इसके विपरीत था: इसने शायद ही कभी "भेड़िया आया" चिल्लाया, लेकिन जब इसने किया, तो यह आमतौर पर सही था।

इसका क्या अर्थ है?

लेखक सुझाव देते हैं कि कंप्यूटर वास्तव में दम घुटने (choking) का पता नहीं लगा रहा है। इसके बजाय, यह उस पैनिक (घबराहट) का पता लगा रहा है जो दम घुटने के कारण मस्तिष्क के जागने पर होता है। हल्की नींद में, मस्तिष्क आसानी से जाग जाता है, इसलिए कंप्यूटर को एक स्पष्ट संकेत मिलता है। गहरी नींद में, मस्तिष्क इतना गहरा होता है कि भले ही वायुमार्ग अवरुद्ध हो जाए, तो भी वह शायद न जागे, इसलिए कंप्यूटर इसे मिस कर देता है।

यह अध्ययन दिखाता है कि हम केवल मस्तिष्क की तरंगों का उपयोग करके स्लीप एपनिया के लिए एक स्वचालित स्क्रीनिंग पद्धति के करीब पहुँच रहे हैं, और यह देखना कि मस्तिष्क के कनेक्शनों का "आकार" क्या है, एक बहुत ही आशाजनक मार्ग है। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह अभी डॉक्टर के क्लिनिक के लिए तैयार नहीं है। प्रदर्शन बच्चे की उम्र, लिंग और वह कितनी गहरी नींद में है, इसके आधार पर बहुत अधिक बदलता रहता है। इससे पहले कि इस तकनीक का वास्तविक जीवन में उपयोग किया जा सके, हमें यह पता लगाने की आवश्यकता है कि हम इसे सभी के लिए निष्पक्ष और गहरी नींद में भी सटीक कैसे बना सकते हैं। फिलहाल, यह एक शानदार 'प्रूफ-ऑफ-कॉन्सेप्ट' है जो बताता है कि मस्तिष्क के विद्युत आकार में स्लीप एपनिया के रहस्य को सुलझाने की कुंजी छिपी है।