AdaptICA: Data-Adaptive Transformation Learning for Independent Component Analysis

कल्पना कीजिए कि आप एक जासूस हैं जो एक भीड़भाड़ वाले, शोर भरे कमरे में किसी रहस्य को सुलझाने की कोशिश कर रहे हैं। आप आवाजों, संगीत और टकराते हुए गिलासों का एक मिला-जुला शोर सुन रहे हैं। आपका लक्ष्य यह पता लगाना है कि कौन क्या कह रहा है, या उस शोर के बीच से किसी एक बातचीत को अलग करना है। विज्ञान की दुनिया में, इसे ब्लाइंड सोर्स सेपरेशन (Blind Source Separation) कहा जाता है। यह एक स्मूदी को अन-मिक्स (un-mix) करने जैसा है ताकि आप पता लगा सकें कि उसमें वास्तव में किन फलों का उपयोग किया गया था, भले ही आपके सामने केवल मिला हुआ पेय ही मौजूद हो।

इसे करने के लिए, वैज्ञानिक अक्सर एक शक्तिशाली उपकरण का उपयोग करते हैं जिसे इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA) कहा जाता है। ICA को एक सुपर-स्मार्ट सॉर्टिंग मशीन के रूप में सोचें। यह मान लेता है कि आप जिस बिखरे हुए सिग्नल को देख रहे हैं, वह छिपे हुए, स्वतंत्र स्रोतों का एक सरल, सीधी रेखा वाला संयोजन है। यदि यह मशीन पूरी तरह से काम करती है, तो यह आवाजों को संगीत से, या मस्तिष्क के संकेतों को शोर से अलग कर सकती है, जिससे छिपे हुए "सामग्री" (ingredients) का पता चल जाता है। यह न्यूरोसाइंस जैसे क्षेत्रों के लिए अत्यंत महत्वपूर्ण है, जहाँ डॉक्टरों को बाहर से रिकॉर्ड किए गए संकेतों को देखकर यह समझने की आवश्यकता होती है कि मस्तिष्क के भीतर क्या हो रहा है।

लेकिन यहाँ एक पेंच है: वास्तविक दुनिया अव्यवस्थित है, और कभी-कभी आपके सॉर्टिंग मशीन तक पहुँचने से पहले ही "सामग्री" विकृत हो जाती है। कल्पना कीजिए कि, इससे पहले कि आप आवाजों को सुन सकें, किसी ने ध्वनि को एक अजीब, लचीले फिल्टर से गुजारा जिसने कुछ आवाजों के वॉल्यूम को बदल दिया लेकिन दूसरों को नहीं, या एक फुसफुसाहट को गैर-रेखीय (non-linear) तरीके से चिल्लाहट में बदल दिया। यदि आप इस विकृत ध्वनि पर अपने मानक सॉर्टिंग मशीन का उपयोग करने का प्रयास करते हैं, तो यह भ्रमित हो सकता है और विफल हो सकता है। यह शोध पत्र ठीक इसी समस्या पर प्रहार करता है: आप क्या करते हैं जब डेटा एक गैर-रेखीय प्रक्रिया द्वारा मरोड़ दिया जाता है, और मानक "सीधी रेखा" वाली सॉर्टिंग मशीन पर्याप्त नहीं होती?

---

समस्या: जब डेटा दब (Squish) जाता है

इस शोध पत्र की लेखिका लिदा जालिली और उनकी टीम ने ब्रेन इमेजिंग में एक विशिष्ट समस्या देखी। जब वैज्ञानिक EEG (इलेक्ट्रोएन्सेफालोग्राफी) का उपयोग करके मस्तिष्क का अध्ययन करते हैं, तो वे अक्सर विशिष्ट फ्रीक्वेंसी बैंड्स में "पावर" (शक्ति) देखते हैं, जैसे कि "म्यू-बैंड" (mu-band), जो गति की कल्पना करने से जुड़ा होता है। इस पावर को प्राप्त करने के लिए, वे कच्चे विद्युत संकेतों को लेते हैं, उन्हें फ़िल्टर करते हैं, उनका वर्ग (square) करते हैं (एक गणितीय क्रिया जो सब कुछ सकारात्मक बनाती है और बड़ी संख्याओं को बढ़ा देती है), और उनका औसत निकालते हैं।

समस्या यह है कि यह वर्ग और औसत निकालने की प्रक्रिया मस्तिष्क के संकेतों के आपस में मिल जाने के बाद होती है। यह एक मिश्रित स्मूदी लेने, उसे गर्म करने और फिर उसे अन-मिक्स करने की कोशिश करने जैसा है। मानक ICA उपकरण यह मानता है कि डेटा एक सरल, रेखीय मिश्रण है, लेकिन यह "पावर" गणना डेटा को एक गैर-रेखीय तरीके से विकृत कर देती है। यदि आप इस विकृत डेटा पर मानक ICA का उपयोग करते हैं, तो यह एक चौकोर खांचे में गोल खूंटी फिट करने जैसा है; इसके परिणाम अक्सर अस्त-व्यस्त होते हैं, और छिपे हुए मस्तिष्क संकेत उलझे हुए ही रह जाते हैं।

आमतौर पर, वैज्ञानिक इसे ठीक करने के लिए एक "प्री-फिक्स" (pre-fix) लगाने की कोशिश करते हैं, जैसे डेटा का वर्गमूल (square root) या लॉगरिदम लेना, इस उम्मीद में कि यह इसे सीधा कर देगा। लेकिन वे अक्सर अनुमान लगाते हैं कि कौन सा फिक्स उपयोग करना है, या वे हर एक सेंसर के लिए एक ही फिक्स का उपयोग करते हैं, भले ही मस्तिष्क के अलग-अलग हिस्सों को अलग फिक्स की आवश्यकता हो। यह एक डगमगाती मेज को ठीक करने के लिए चारों पैरों को समान रूप से घिसने जैसा है, जबकि शायद केवल एक पैर ही बहुत लंबा है।

समाधान: AdaptICA

इसे हल करने के लिए, टीम ने AdaptICA (एडैप्टिव इंडिपेंडेंट कंपोनेंट एनालिसिस) का आविष्कार किया। AdaptICA को एक स्मार्ट, स्वयं-समायोजित होने वाली सॉर्टिंग मशीन के रूप में समझें जो न केवल आवाजों को अलग करती है, बल्कि सॉर्टिंग शुरू करने से पहले यह भी पता लगाती है कि ध्वनि को कैसे "अन-स्क्विश" (un-squish) किया जाए।

फिक्स का अनुमान लगाने के बजाय, AdaptICA सीधे डेटा से सर्वोत्तम रूपांतरण (transformation) सीखता है। यह एक सरल प्रश्न पूछता है: "यदि मैं डेटा को इस तरह से मरोड़ता हूँ, और फिर इसे अलग करने का प्रयास करता हूँ, तो क्या परिणामी हिस्से अधिक स्वतंत्र हो जाते हैं?" यह विभिन्न सेंसर समूहों के लिए अलग-अलग गणितीय ट्विस्ट (विशेष रूप से बॉक्स-कॉक्स नामक रूपांतरणों के परिवार का उपयोग करके) आज़माता है। उदाहरण के लिए, यह सीख सकता है कि सिर के बाईं ओर के सेंसरों को लॉगरिदमिक ट्विस्ट की आवश्यकता है, जबकि दाईं ओर के सेंसरों को स्क्वायर-रूट ट्विस्ट की आवश्यकता है।

AdaptICA की चतुराई इसकी लचीली प्रकृति में है। यदि डेटा पहले से ही "सीधा" है (जैसे कि MEG नामक अन्य प्रकार के ब्रेन स्कैन में), तो AdaptICA समझ जाता है कि इसे कुछ विशेष करने की आवश्यकता नहीं है। इसमें "कुछ न करने" (identity transformation) का विकल्प भी शामिल है। इसलिए, यदि डेटा ठीक है, तो यह मानक ICA की तरह ही कार्य करता है। लेकिन यदि डेटा विकृत है, तो यह छिपी हुई संरचना को खोलने के लिए सही चाबी खोज लेता है।

उन्होंने क्या पाया

टीम ने अपने नए टूल का परीक्षण दो तरीकों से किया: कंप्यूटर सिमुलेशन और वास्तविक मस्तिष्क डेटा के साथ।

सिमुलेशन में, उन्होंने नकली डेटा बनाया जहाँ वे जानते थे कि सिग्नल कैसे मिश्रित और विकृत हुए थे। उन्होंने AdaptICA की तुलना मानक तरीकों और उन तरीकों से की जिन्होंने विभिन्न नियमों का उपयोग करके फिक्स का अनुमान लगाने की कोशिश की थी। परिणामों ने दिखाया कि AdaptICA सही "अन-स्क्विशिंग" चाबी खोजने में बहुत बेहतर था। जब डेटा विकृत था, तो AdaptICA ने अन्य तरीकों की तुलना में मूल संकेतों को बहुत अधिक सटीकता से रिकवर किया। इसने सफलतापूर्वक सीखा कि डेटा के विभिन्न हिस्सों को अलग-अलग उपचार की आवश्यकता थी, और इसने गणितीय रूप से सिद्ध किया कि यह दृष्टिकोण विश्वसनीय और स्थिर है।

वास्तविक दुनिया के परीक्षण में, उन्होंने हाथ की गति की कल्पना करने वाले लोगों के EEG डेटा का विश्लेषण किया। यह एक क्लासिक मामला है जहाँ "पावर" गणना सिग्नल को विकृत करती है।

• परिणाम: जब उन्होंने मानक ICA का उपयोग किया, तो रिकवर किए गए मस्तिष्क संकेत थोड़े धुंधले और फैले हुए थे। लेकिन जब उन्होंने Adaptable ICA का उपयोग किया, तो संकेत बहुत अधिक स्पष्ट और केंद्रित हो गए।
• प्रमाण: "दाएं हाथ" की कल्पना करने वाले कार्य के लिए, AdaptICA द्वारा पाया गया मस्तिष्क सिग्नल विशेष रूप से दाएं हाथ को नियंत्रित करने वाले मस्तिष्क के हिस्से (C3 क्षेत्र) पर बहुत मजबूती से केंद्रित था। उस विशिष्ट स्थान पर सिग्नल की ऊर्जा 23% (मानक ICA के साथ) से बढ़कर 42% (AdaptICA के साथ) हो गई। इसी तरह, बाएं हाथ के लिए, फोकस 21% से सुधरकर 49% हो गया।
• निष्कर्ष: यह बताता है कि सही रूपांतरण सीखकर, AdaptICA उन मस्तिष्क पैटर्नों को प्रकट कर सकता है जो डेटा को प्रोसेस करने के लिए उपयोग की जाने वाली गैर-रेखीय गणित के कारण पहले छिपे हुए या धुंधले थे।

हालाँकि, शोध पत्र ने यह भी दिखाया कि AdaptICA कोई जादुई छड़ी नहीं है जो सब कुछ एकदम सही बना दे। परीक्षण के एक भाग में (पैरों को हिलाने की कल्पना करना), सुधार उतना नाटकीय नहीं था। यह हमें बताता है कि टूल इतना स्मार्ट है कि वह जानता है कि कब मदद करनी है और कब चीजों को वैसे ही छोड़ देना है, और यह वहां "फिक्स" लागू नहीं करता जहां इसकी आवश्यकता नहीं है।

उन्होंने इसे MEG डेटा (मस्तिष्क के चुंबकीय क्षेत्रों को मापने वाला एक अन्य प्रकार का ब्रेन स्कैन) पर भी परखा। इस मामले में, डेटा पहले से ही मानक ICA के लिए उपयुक्त आकार में था। AdaptICA ने डेटा को देखा, निर्णय लिया कि किसी रूपांतरण की आवश्यकता नहीं है, और बस मानक ICA चलाया। यह सिद्ध करता है कि टूल उन चीजों को खराब नहीं करता जो पहले से ठीक हैं; यह केवल तभी हस्तक्षेप करता है जब डेटा को मदद की आवश्यकता होती है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र सुझाव देता है कि जब हम मस्तिष्क संकेतों जैसे जटिल डेटा का विश्लेषण करते हैं, तो हमें केवल यह मानकर नहीं चलना चाहिए कि डेटा सॉर्ट करने के लिए तैयार है। कभी-कभी, जिस तरह से हम डेटा को मापते या प्रोसेस करते हैं, वह जानकारी को इस तरह मरोड़ देता है जो हमारे उपकरणों को भ्रमित कर देता है। AdaptICA एक ऐसा तरीका प्रदान करता है जिससे डेटा खुद बता सके कि उसे सॉर्ट करने से पहले कैसे ठीक किया जाना चाहिए।

स्वचालित रूप से सही रूपांतरण सीखकर, वैज्ञानिक मस्तिष्क के भीतर क्या हो रहा है, उसकी अधिक स्पष्ट और सटीक तस्वीर प्राप्त कर सकते हैं। यह एक जासूस को ऐसे चश्मे देने जैसा है जो कमरे के धुंधले, चमकदार या अंधेरे होने के आधार पर अपना फोकस स्वचालित रूप से समायोजित कर सकता है, जिससे यह सुनिश्चित होता है कि वह हमेशा सुरागों को स्पष्ट रूप से देख सके। हालाँकि सिमुलेशन और विशिष्ट ब्रेन स्कैन बहुत आशाजनक हैं, लेखक नोट करते हैं कि यह एक नया ढांचा है जिसे यह देखने के लिए और अधिक प्रकार के डेटा पर लागू करने की आवश्यकता है कि यह कितनी व्यापक रूप से मदद कर सकता है। लेकिन फिलहाल, यह वास्तविक दुनिया के जटिल, गैर-रेखीय संकेतों को सुलझाने का एक शक्तिशाली नया तरीका प्रदान करता है।