EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

मानव मस्तिष्क विद्युत गतिविधि की एक निरंतर धारा है, संकेतों का एक जटिल सिम्फनी जो मिलीसेकंड में बदलती और परिवर्तित होती रहती है। दशकों से, इन संकेतों को पढ़ने वाली मशीनें बनाने की कोशिश कर रहे वैज्ञानिकों को एक कठिन समस्या का सामना करना पड़ा है: कच्चा डेटा (raw data) अत्यधिक है। यह स्कैल्प पर रखे हजारों सेंसरों से आने वाली सूचनाओं का एक अराजक सैलाब है, जिससे उन विशिष्ट पैटर्न को खोजना कठिन हो जाता है जो किसी व्यक्ति के विचारों या इरादों के अनुरूप होते हैं। इसे हल करने के लिए, शोधकर्ताओं ने मस्तिष्क की गतिविधि को एक निरंतर, अव्यवस्थित प्रवाह के रूप में नहीं, बल्कि विशिष्ट, स्थिर स्नैपशॉट्स की एक श्रृंखला के रूप में देखना शुरू कर दिया है। ये स्नैपशॉट्स, जिन्हें 'माइक्रोस्टेट्स' (microstates) कहा जाता है, उन संक्षिप्त क्षणों का प्रतिनिधित्व करते हैं जहाँ मस्तिष्क अगले चरण में तेजी से बदलने से पहले एक विशिष्ट स्थानिक व्यवस्था में स्थिर हो जाता है। इन माइक्रोस्टेट्स को विचार के मूलभूत निर्माण खंडों (building blocks) के रूप में समझें, वे बुनियादी इकाइयाँ जो हमारी आंतरिक मानसिक प्रक्रियाओं को बनाने के लिए संयोजित होती हैं। यदि वैज्ञानिक इन निर्माण खंडों के अनुक्रम को पहचानना और ट्रैक करना सीख जाते हैं, तो वे केवल अपने मन का उपयोग करके लोगों के लिए कंप्यूटर के साथ संवाद करने का एक सरल, अधिक विश्वसनीय तरीका बना सकते हैं।

एक हालिया अध्ययन ने यह परीक्षण करने के लिए प्रयास किया कि क्या मस्तिष्क के इन स्नैपशॉट्स के अनुक्रम एक ब्रेन-कंप्यूटर इंटरफेस (BCI) के लिए ट्रिगर के रूप में कार्य कर सकते हैं, जो एक ऐसा उपकरण है जो तंत्रिका गतिविधि को कमांड में अनुवादित करता है। शोधकर्ताओं ने एक विशिष्ट मानसिक कार्य पर ध्यान केंद्रित किया: बाएं या दाएं हाथ की गति की कल्पना करना। यह ब्रेन-कंप्यूटर अनुसंधान में एक सामान्य अभ्यास है क्योंकि मस्तिष्क का कौन सा हिस्सा सक्रिय होता है, यह इस पर निर्भर करता है कि व्यक्ति किस हाथ को हिलाने के बारे में सोच रहा है। कच्चे विद्युत संकेतों का सीधे विश्लेषण करने के बजाय, टीम ने पहले डेटा को इन माइक्रोस्टेट अनुक्रमों में परिवर्तित किया। फिर उन्होंने इस सरलीकृत जानकारी को एक परिष्कृत कंप्यूटर मॉडल में डाला जिसे पैटर्न सीखने के लिए डिज़ाइन किया गया था। यह मॉडल दो भागों में बनाया गया था: एक खंड जो डेटा से मस्तिष्क के पैटर्न को पुनर्गठित करना सीखता है, और दूसरा जो उन्हें श्रेणियों में वर्गीकृत करना सीखता है। शोधकर्ताओं ने इस मॉडल को सिखाने के दो तरीकों का परीक्षण किया। पहले तरीके में, उन्होंने दोनों खंडों को अलग-अलग प्रशिक्षित किया, जैसे किसी छात्र को लिखने सिखाने से पहले पढ़ना सिखाना। दूसरे तरीके में, उन्होंने पूरी प्रणाली को एक साथ प्रशिक्षित किया, जिससे दोनों भाग एक साथ एक-दूसरे से सीख सकें।

परिणामों ने दिखाया कि यह दृष्टिकोण उल्लेखनीय रूप से प्रभावी रहा। कंप्यूटर मॉडल ने बाएं हाथ की कल्पना करने से जुड़े मस्तिष्क पैटर्न और दाएं हाथ की कल्पना करने से जुड़े मस्तिष्क पैटर्न के बीच अंतर करने में सफलतापूर्वक महारत हासिल कर ली। जब उसी व्यक्ति पर एक ही सत्र के दौरान परीक्षण किया गया, तो सिस्टम ने इच्छित गतिविधि की उच्च सटीकता के साथ पहचान की। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ताओं ने पाया कि सिस्टम नई स्थितियों के अनुकूल बिना शून्य से शुरुआत किए ढल सकता है। 'ट्रांसफर लर्निंग' नामक तकनीक का उपयोग करके, जो एक मॉडल को एक संदर्भ से सीखी गई बातों को नए संदर्भ में लागू करने की अनुमति देती है, सिस्टम ने विभिन्न सत्रों या यहाँ तक कि विभिन्न लोगों के बीच जाने पर लगभग 89 प्रतिशत की शिखर वर्गीकरण सटीकता प्राप्त की। यह सुझाव देता है कि मस्तिष्क अवस्थाओं का विशिष्ट अनुक्रम एक मजबूत संकेत है जो परीक्षण की स्थितियाँ बदलने पर भी समाप्त नहीं होता है।

शायद सबसे व्यावहारिक निष्कर्ष ऐसे सिस्टम को स्थापित करने में लगने वाले समय से संबंधित है। ब्रेन-कंप्यूटर इंटरफेस के लिए एक प्रमुख बाधा लंबी अंशांकन (calibration) प्रक्रिया रही है, जहाँ एक उपयोगकर्ता को अपने विशिष्ट मस्तिष्क संकेतों को समझने के लिए मशीन को घंटों तक प्रशिक्षित करना पड़ता है। अध्ययन ने यह जांचा कि उपयोगी स्तर के प्रदर्शन तक पहुँचने के लिए कितने प्रशिक्षण डेटा की आवश्यकता थी। उन्होंने पाया कि, औसतन, सिस्टम को 80 प्रतिशत की सटीकता तक अंशांकित करने के लिए केवल लगभग 400 सेकंड के डेटा की आवश्यकता थी। यह उस समय में एक महत्वपूर्ण कमी है जो एक उपयोगकर्ता को उपकरण तैयार करने में बिताना पड़ता है। अध्ययन निष्कर्ष निकालता है कि मस्तिष्क के जटिल, मल्टी-चैनल विद्युत संकेतों को समय के साथ विशिष्ट अवस्थाओं तक कम करके, और फिर उन अवस्थाओं पर उन्नत शिक्षण विधियों को लागू करके, एक अधिक उपयोगकर्ता के अनुकूल इंटरफेस बनाना संभव है। हालाँकि यह कार्य अभी अनुसंधान के चरण में है, लेकिन निष्कर्ष बताते हैं कि इन मस्तिष्क प्रक्षेप पथों (trajectories) को ट्रैक करना उन ब्रेन-कंप्यूटर इंटरफेस की ओर एक आशाजनक मार्ग है जिन्हें कम सेटअप की आवश्यकता होती है और जो वास्तविक दुनिया के अनुप्रयोगों में अधिक विश्वसनीय रूप से कार्य करते हैं।