मानव मस्तिष्क विद्युत संकेतों का एक विशाल, गूँजता हुआ नेटवर्क है, जो हमारी सोच, यादों और स्वास्थ्य के साथ बदलते हुए लयबद्ध रूप में निरंतर सक्रिय रहता है। जब यह नाजुक मशीनरी विफल होने लगती है, जैसा कि अल्जाइमर रोग में होता है, तो उन विद्युत ध्वनियों (electrical hums) का पैटर्न विशिष्ट और मापने योग्य तरीकों से बदल जाता है। दशकों से, डॉक्टर इन परिवर्तनों को पहचानने के लिए एमआरआई (MRI) स्कैनर जैसे महंगे और स्थिर उपकरणों पर निर्भर रहे हैं, लेकिन ऐसे उपकरण अक्सर व्यापक स्क्रीनिंग के लिए बहुत महंगे और बोझिल होते हैं। एक अधिक सुलभ विकल्प इलेक्ट्रोएन्सेफालोग्राफी, या ईईजी (EEG) के रूप में मौजूद है, जो स्कैल्प पर रखे गए सेंसरों के कैप के माध्यम से मस्तिष्क की विद्युत गतिविधि को रिकॉर्ड करने की एक विधि है। हालांकि ईईजी पोर्टेबल और किफायती है, लेकिन इसके द्वारा पकड़े गए संकेत अत्यंत अव्यवस्थित होते हैं और व्यक्ति दर व्यक्ति बहुत भिन्न होते हैं, जिससे बिना बड़ी मात्रा में लेबल किए गए डेटा के इनकी व्याख्या करना कठिन हो जाता है, जो कई न्यूरोलॉजिकल स्थितियों के लिए उपलब्ध ही नहीं है।

यही वह चुनौती है जिसे कोरिया यूनिवर्सिटी के शोधकर्ता चानवू पार्क और चानवू किम ने हल करने का संकल्प लिया। उन्होंने कंप्यूटर को मस्तिष्क की तरंगों की जटिल भाषा समझने के लिए सिखाने का एक नया तरीका विकसित किया, जिसमें हर एक उदाहरण को लेबल करने के लिए किसी शिक्षक की आवश्यकता नहीं होती। उनका दृष्टिकोण, जिसे वे डेल्टा2गामा (Delta2Gamma) कहते हैं, मस्तिष्क के विद्युत संकेत को एक एकल, उलझे हुए डेटा स्ट्रीम के रूप में नहीं, बल्कि पाँच अलग-अलग संगीत वाद्ययंत्रों के संग्रह के रूप में देखता है, जिनमें से प्रत्येक एक अलग स्वर बजा रहा है। सिग्नल को इन विशिष्ट फ्रीक्वेंसी बैंड्स (frequency bands) में विभाजित करके—जो धीमी, भारी डेल्टा तरंगों से लेकर तेज़, तीखी गामा तरंगों तक विस्तृत हैं—टीम ने अपनी आर्टिफिशियल इंटेलिजेंस को प्रत्येक लय की अनूठी विशेषताओं को स्वतंत्र रूप से सीखने की अनुमति दी। यह पद्धति उल्लेखनीय रूप से प्रभावी सिद्ध हुई: जब अल्जाइमर रोग वाले लोगों और स्वस्थ नियंत्रण समूहों पर इसका परीक्षण किया गया, तो सिस्टम ने लगभग 93 प्रतिशत मामलों में बीमारी की सही पहचान की, जो एक महत्वपूर्ण प्रगति है जो यह सुझाव देती है कि भविष्य में डिमेंशिया स्क्रीनिंग एक त्वरित चेक-अप जितनी सरल और नियमित हो सकती है।

इस सफलता के पीछे का मूल विचार यह है कि मस्तिष्क एक ही आवाज़ में बात नहीं करता है। स्वस्थ वृद्धावस्था में, मस्तिष्क की विद्युत गतिविधि धीमी होने लगती है, जिसमें धीमी डेल्टा और थीटा तरंगों में वृद्धि और तेज़ अल्फा, बीटा और गामा तरंगों में कमी आती है। ईईजी डेटा के विश्लेषण के पिछले प्रयासों ने अक्सर इस पूरी जानकारी को एक एकल प्रतिनिधित्व में संकुचित करने की कोशिश की, जिससे विभिन्न लय की अलग-अलग आवाज़ें आपस में मिल गईं। शोधकर्ताओं ने महसूस किया कि इन आवृत्तियों (frequencies) को अलग रखकर, वे बीमारी का संकेत देने वाले विशिष्ट सुरागों को सुरक्षित रख सकते हैं। उन्होंने एक ऐसा सिस्टम बनाया जो पहले कच्चे ईईजी रिकॉर्डिंग को पांच समानांतर धाराओं में विभाजित करता है, जो प्रत्येक फ्रीक्वेंसी बैंड के लिए एक है। प्रत्येक धारा को अपने समर्पित न्यूरल नेटवर्क द्वारा संसाधित किया जाता है, जो पैटर्न पहचानने के लिए डिज़ाइन किया गया एक प्रकार का कंप्यूटर प्रोग्राम है, जिससे सिस्टम प्रत्येक लय के अनूठे "फिंगरप्रिंट" को एक-दूसरे में हस्तक्षेप किए बिना सीख सकता है।

इस सिस्टम को प्रशिक्षित करने के लिए, शोधकर्ताओं को मेडिकल एआई (medical AI) की एक सामान्य बाधा का सामना करना पड़ा: पुष्टि किए गए निदान वाले मस्तिष्क रिकॉर्डिंग्स की संख्या बहुत कम है। इसके बजाय, लेबल किए गए उदाहरणों के बड़े पुस्तकालय पर निर्भर रहने के बजाय, उन्होंने 'सेल्फ-सुपरवाइज्ड लर्निंग' (self-supervised learning) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि आप एक छात्र को एक ही वस्तु की दो थोड़ी अलग तस्वीरें दिखा रहे हैं और उनसे यह पहचानने के लिए कह रहे हैं कि वे एक ही चीज़ हैं, भले ही एक फोटो अधिक चमकदार हो या थोड़ी धुंधली हो। शोधकर्ताओं ने मस्तिष्क तरंगों के साथ इसी तर्क को लागू किया। उन्होंने एक एकल ईईजी रिकॉर्डिंग ली और उसमें थोड़ा शोर (noise) जोड़कर या सिग्नल के कुछ हिस्सों को छिपाकर (masking) उसके दो थोड़े परिवर्तित संस्करण बनाए। कंप्यूटर को यह पहचानने का कार्य दिया गया कि ये दो परिवर्तित संस्करण उसी मूल मस्तिष्क से आए हैं, जबकि उसे परिवर्तनों द्वारा पेश किए गए यादृच्छिक बदलावों को अनदेखा करना सीखना था। इस प्रक्रिया के माध्यम से, मॉडल ने मस्तिष्क की विद्युत गतिविधि के स्थिर, सार्थक पैटर्न पर ध्यान केंद्रित करना सीखा, न कि उस यादृच्छिक शोर पर जो अक्सर इन रिकॉर्डिंग्स में बाधा डालता है।

उनके डिज़ाइन में एक महत्वपूर्ण नवाचार प्रत्येक फ्रीक्वेंसी बैंड के लिए 'एडेप्टिव टेम्परेचर' (adaptive temperature) का उपयोग था। मशीन लर्निंग की भाषा में, यह तापमान नियंत्रित करता है कि कंप्यूटर विभिन्न संकेतों की कितनी सख्ती से तुलना करता है। शोधकर्ताओं ने पाया कि सभी मस्तिष्क लय सीखने के लिए समान रूप से आसान या निदान के लिए समान रूप से महत्वपूर्ण नहीं हैं। प्रत्येक बैंड के लिए तुलना की सख्ती को स्वचालित रूप से समायोजित करने की अनुमति देकर, उन्होंने यह सुनिश्चित किया कि धीमी, प्रमुख तरंगें तेज़, सूक्ष्म तरंगों द्वारा दब न जाएं। यह गतिशील संतुलन यह सुनिश्चित करता था कि मॉडल मस्तिष्क की पूरी स्पेक्ट्रम से सीख सके, जिससे उन धीमी डेल्टा तरंगों को उचित महत्व मिले जो अक्सर डिमेंशिया के सबसे मजबूत संकेत ले जाती हैं, जबकि अभी भी उच्च संज्ञानात्मक कार्यों से जुड़ी तेज़ गामा तरंगों पर ध्यान दिया जा सके।

जब टीम ने 88 प्रतिभागियों के डेटासेट पर अपने मॉडल का परीक्षण किया, जिसमें अल्जाइमर वाले लोग, डिमेंशिया का एक अन्य रूप वाले लोग और स्वस्थ नियंत्रण समूह शामिल थे, तो परिणाम आश्चर्यजनक थे। एक कठोर परीक्षण पद्धति का उपयोग करते हुए जहाँ सिस्टम को केवल एक व्यक्ति को छोड़कर बाकी सभी पर प्रशिक्षित किया गया और फिर उस एकल शेष व्यक्ति पर परीक्षण किया गया, मॉडल ने 92.4 प्रतिशत की सटीकता प्राप्त की। इस प्रदर्शन ने अन्य अग्रणी तरीकों को काफी पीछे छोड़ दिया, जिनमें पारंपरिक 'सुपरवाइज्ड मॉडल' (जो लेबल किए गए डेटा पर निर्भर करते हैं) और नए 'सेल्फ-सुपरवाइज्ड दृष्टिकोण' (जो फ्रीक्वेंसी बैंड को अलग नहीं करते हैं) दोनों शामिल हैं। शोधकर्ताओं ने यह भी पाया कि स्वस्थ और रोगग्रस्त मस्तिष्क के बीच अंतर करने की मॉडल की क्षमता रिकॉर्ड किए गए सिग्नल की लंबाई बढ़ने के साथ बेहतर होती गई, जिससे पुष्टि हुई कि सिस्टम को मस्तिष्क की प्राकृतिक लय को देखने के लिए अधिक समय का लाभ मिलता है।

अध्ययन ने यह भी खुलासा किया कि सिस्टम के विभिन्न हिस्से विशिष्ट और पूरक भूमिकाएँ सीख रहे थे। धीमी तरंगों के लिए जिम्मेदार घटकों ने कुछ प्रमुख विशेषताओं पर ध्यान केंद्रित किया, जबकि तेज़ तरंगों को संभालने वाले हिस्सों ने अपना ध्यान अधिक व्यापक रूप से वितरित किया। यह सुझाव देता है कि मॉडल केवल डेटा को याद नहीं कर रहा था, बल्कि वास्तव में अल्जाइमर मस्तिष्क को कैसे प्रभावित करता है, इसकी जटिल, बहु-स्तरीय प्रकृति को पकड़ रहा था। धीमी तरंगों, जिन्होंने सबसे मजबूत नैदानिक शक्ति दिखाई, वे उन तथ्यों के अनुरूप थीं जो डॉक्टर पहले से जानते हैं, फिर भी सिस्टम ने तेज़ तरंगों में भी मूल्य पाया, जिससे रोगी की स्थिति की अधिक पूर्ण तस्वीर बनी। इन अलग-अलग अंतर्दृष्टि को जोड़कर, मॉडल ने एक ऐसा स्तर की सटीकता प्राप्त की जिसे न तो एक एकल, एकीकृत दृष्टिकोण और न ही मौजूदा उपकरणों का एक सरल संयोजन प्राप्त कर सकता था।

यह कार्य यह प्रदर्शित करता है कि ईईजी की क्षमता को अनलॉक करने की कुंजी मस्तिष्क के संकेतों की प्राकृतिक विविधता का सम्मान करने में निहित है। सभी डेटा को एक ही सांचे में डालने के बजाय, डेल्टा2गामा फ्रेमवर्क मस्तिष्क के विद्युत परिदृश्य की जटिलता को स्वीकार करता है, प्रत्येक फ्रीक्वेंसी बैंड को पहेली के एक महत्वपूर्ण टुकड़े के रूप में देखता है। इस दृष्टिकोण की सफलता यह सुझाव देती है कि सही उपकरणों के साथ, हम मानव मस्तिष्क के शोर भरे, परिवर्तनशील संकेतों को स्वास्थ्य के एक स्पष्ट, विश्वसनीय संकेतक में बदल सकते हैं, जो प्रारंभिक पहचान के लिए एक किफायती और स्केलेबल मार्ग प्रदान करता है। जैसे-जैसे जनसंख्या बढ़ रही है और डिमेंशिया स्क्रीनिंग की मांग बढ़ रही है, इस तरह की विधियाँ मस्तिष्क स्वास्थ्य की निगरानी करने के तरीके को बदल सकती हैं, जिससे हम महंगे, अस्पताल-आधारित निदान से दूर, एक ऐसे भविष्य की ओर बढ़ सकते हैं जहाँ बीमारी के सूक्ष्म संकेतों को सरल और प्रभावी ढंग से पकड़ा जा सके।