Spectral Validity and Spindle Detection of Wearable Frontal EEG: A Per-Subject Calibration Framework and Systematic Validation Against Polysomnography Using the Wearanize+ Dataset

स्लीप डिटेक्टिव का नया टूलकिट

कल्पना कीजिए कि आपका मस्तिष्क एक हलचल भरा शहर है जो वास्तव में कभी नहीं सोता, तब भी जब आप सो रहे होते हैं। रात में, शहर की रोशनी धीमी हो जाती है, यातायात धीमा हो जाता है, और विशिष्ट पड़ोस संचालन के विशिष्ट "मोड" में चले जाते हैं: कुछ क्षेत्र धीमी, भारी तरंगों (गहरी नींद) के साथ गूँजते हैं, जबकि अन्य त्वरित, लयबद्ध गतिविधियों (मस्तिष्क के तीव्र-फायर बातचीत के संस्करण की तरह) के साथ चमकते हैं। वैज्ञानिक लंबे समय से एक विशाल, अस्पताल-ग्रेड मशीन का उपयोग करते रहे हैं जिसे पॉलीसॉम्नोग्राफ (PSG) कहा जाता है ताकि इन विद्युत प्रकाश और ध्वनियों का मानचित्रण किया जा सके। यह 'गोल्ड स्टैंडर्ड' है, लेकिन यह भारी, महंगी है, और इसके लिए आपको लैब में सोना पड़ता है जहाँ आपके सिर पर तार चिपके होते हैं, जो शहर की प्राकृतिक लय को थोड़ा मजबूर महसूस करा सकता है।

हाल ही में, एक नए प्रकार का जासूसी उपकरण आया है: एक चिकना, पहनने योग्य हेडबैंड जो आपको अपने स्वयं के बिस्तर से इन मस्तिष्क तरंगों को ट्रैक करने देता है। वैज्ञानिकों के लिए बड़ा सवाल यह है: क्या यह छोटा, घर पर पहना जाने वाला उपकरण अस्पताल की विशाल मशीन के समान पैटर्न देख सकता है, या यह केवल अनुमान लगा रहा है? यदि यह कर सकता है, तो हम अंततः बड़े पैमाने पर नींद का अध्ययन कर सकते हैं, जिससे हमें यह समझने में मदद मिलेगी कि हम सुस्ती क्यों महसूस करते हैं या हमारे मस्तिष्क कैसे ठीक होते हैं। लेकिन हेडबैंड पर भरोसा करने के लिए, हमें पहले यह जानना होगा कि इसकी "दृष्टि" अस्पताल की मशीन से कैसे भिन्न है, और उन अंतरों को कैसे ठीक किया जाए ताकि डेटा ईमानदार हो।

---

शोध की कहानी: हेडबैंड की दृष्टि को ट्यून करना

यह अध्ययन विशेष रूप से Zmax नामक एक पहनने योग्य हेडबैंड के लिए एक कठोर गुणवत्ता नियंत्रण परीक्षण की तरह कार्य करता है। शोधकर्ता यह देखना चाहते थे कि क्या Zmax अस्पताल की गोल्ड-स्टैंडर्ड मशीन की तुलना में मस्तिष्क के विद्युत "संगीत" (विशेष रूप से, विभिन्न ध्वनि आवृत्तियों की शक्ति) को सटीक रूप से माप सकता है। उन्होंने 71 लोगों से डेटा एकत्र किया जिन्होंने अस्पताल की पूर्ण मशीन से जुड़े होने के साथ-साथ घर पर Zmax पहना था।

समस्या: हेडबैंड का "मफल्ड" (दबी हुई) माइक्रोफ़ोन
टीम ने पहली चीज़ जो खोजी, वह यह थी कि Zmax हेडबैंड व्यवस्थित रूप से संगीत को "मफल" यानी दबा रहा था। वे जिस भी फ्रीक्वेंसी बैंड को देखते (धीमी, भारी तरंगों से लेकर तेज़, भिनभिनाती तरंगों तक), हेडबैंड अस्पताल की मशीन की तुलना में कम पावर स्तर रिपोर्ट करता था। यह एक मोटी दीवार के माध्यम से संगीत सुनने जैसा था; संगीत वहां था, लेकिन वह धीमा सुनाई दे रहा था।

शोधकर्ताओं ने इस "मफलिंग" का पता हेडबैंड के डिज़ाइन से लगाया। Zmax सिर के किनारों पर संकेतों को मापने के लिए माथे (Fpz) पर एक सक्रिय इलेक्ट्रोड को एक संदर्भ बिंदु के रूप में उपयोग करता है। क्योंकि माथे में स्वयं मस्तिष्क की गतिविधि होती है, यह एक शोर भरे बैकग्राउंड हम (hum) की तरह कार्य करता है जो सिर के किनारों से आने वाले सिग्नल को रद्द कर देता है। यह कोई यादृच्छिक त्रुटि नहीं है; यह एक सुसंगत, अनुमानित पूर्वाग्रह है। हेडबैंड पावर को काफी मात्रा में कम आंक रहा था—विशेष रूप से, "सिग्मा" बैंड (जो स्लीप स्पिंडल से जुड़ा है) को अस्पताल की मशीन की तुलना में लगभग 5.5 गुना कम रिपोर्ट किया गया था।

समाधान: एक व्यक्तिगत "ट्यूनिंग नॉब"
चूंकि यह मफलिंग सुसंगत थी लेकिन व्यक्ति दर व्यक्ति थोड़ी भिन्न होती थी (खोपड़ी की मोटाई या इलेक्ट्रोड त्वचा को कितनी अच्छी तरह छूते हैं, इसमें अंतर के कारण), इसलिए एक एकल "ग्लोबल फिक्स" काम नहीं करेगा। इसके बजाय, टीम ने एक प्रति-विषय अंशांकन ढांचा (per-subject calibration framework) विकसित किया।

इसे एक गिटार को ट्यून करने की तरह समझें। आप हर गिटार को जांचने के बिना बिल्कुल एक ही पिच पर ट्यून नहीं कर सकते, क्योंकि तार और लकड़ी थोड़ी अलग होती हैं। शोधकर्ताओं ने पाया कि रात के एक विशिष्ट हिस्से—N2 नींद (हल्की नींद का एक चरण जहाँ मस्तिष्क स्थिर और प्रचुर होता है)—को एक संदर्भ बिंदु के रूप में उपयोग करके, वे प्रत्येक व्यक्ति के लिए एक अद्वितीय "ऑफसेट" की गणना कर सकते थे। उन्होंने अनिवार्य रूप से हेडबैंड को बताया: "इस विशिष्ट व्यक्ति के लिए, रिकॉर्डिंग में इतनी मात्रा में वॉल्यूम वापस जोड़ें।"

एक बार जब यह व्यक्तिगत अंशांकन लागू किया गया, तो परिणाम प्रभावशाली थे। हेडबैंड के माप ने अस्पताल की मशीन के साथ मजबूत संरेखण दिखाया, विशेष रूप से अल्फा और सिग्मा तरंगों के लिए, जो स्मृति और नींद की गुणवत्ता को समझने के लिए महत्वपूर्ण हैं। दोनों के बीच सहसंबंध नाटकीय रूप से सुधर गया (अल्फा तरंगों के लिए r=0.806 तक पहुँच गया), जिसका अर्थ है कि हेडबैंड अस्पताल की मशीन के डेटा के लिए एक अत्यधिक विश्वसनीय प्रॉक्सी बन गया, बशर्ते आपने उस विशिष्ट N2 नींद चरण का उपयोग करके इसे पहले ट्यून किया हो।

स्पिंडल रहस्य: गिनती कम क्यों थी?
टीम ने स्लीप स्पिंडल को भी देखा—वे त्वरित, लयबद्ध गतिविधियाँ जो स्क्रीन पर छोटे स्टैटिक विस्फोट की तरह दिखती हैं। ये मस्तिष्क स्वास्थ्य के महत्वपूर्ण मार्कर हैं। शुरुआत में, हेडबैंड अस्पताल की मशीन की तुलना में लगभग आधे स्पिंडल को मिस करता हुआ प्रतीत हुआ।

हालाँकि, शोधकर्ताओं ने हार्डवेयर को दोष नहीं दिया। उन्होंने महसूस किया कि समस्या सॉफ्टवेयर के "सेंसिटिविटी फ़िल्टर" की थी। स्पिंडल को गिनने के लिए उपयोग किया जाने वाला एल्गोरिदम एक ऐसे थ्रेशोल्ड पर सेट था जो अस्पताल की मशीन के केंद्रीय सेंसरों के लिए काम करता था, लेकिन हेडबैंड के फ्रंटल सेंसरों के लिए बहुत सख्त था। यह एक मेटल डिटेक्टर का उपयोग करने जैसा था जो केवल सोने की बड़ी ईंटों को खोजने के लिए सेट था, जिससे वे छोटे टुकड़ों को मिस कर रहा था जिन्हें हेड-बैंड वास्तव में पकड़ रहा था। जब शोधकर्ताओं ने संवेदनशीलता थ्रेशोल्ड को कम किया, तो हेडबैंड ने अस्पताल की मशीन के बहुत करीब की दर से स्पिंडल की गिनती शुरू कर दी (केवल 0.07 स्पिंडल प्रति मिनट का मामूली अंतर बचा), जिससे साबित हुआ कि हार्डवेयर ठीक था; बस उसे सही सॉफ्टवेयर सेटिंग्स की आवश्यकता थी।

हेडबैंड क्या नहीं कर सकता (अभी तक)
अध्ययन ने यह भी परीक्षण किया कि क्या हेडबैंड लैटरलाइजेशन (lateralisation) का पता लगा सकता है—यह विचार कि मस्तिष्क का बायां हिस्सा दाएं हिस्से की तुलना में थोड़ा अधिक सक्रिय हो सकता है, या इसके विपरीत। परिणाम अनिर्णायक थे। अध्ययन इतना बड़ा नहीं था कि यह निश्चित रूप से कहा जा सके कि हेडबैंड यह अंतर देख सकता है या नहीं; यह शोर वाले कमरे में फुसफुसाहट सुनने जैसा था जहाँ केवल कुछ ही लोग सुन रहे थे। शोधकर्ता सुझाव देते हैं कि हेडबैंड के इलेक्ट्रोड मस्तिष्क के बाएं और दाएं पक्षों के बीच इन सूक्ष्म अंतरों को विश्वसनीय रूप से पकड़ने के लिए बहुत करीब हैं। फिलहाल, वे बाएं और दाएं चैनलों को एक जोड़ी के रूप में (जो अंतर दिखाता है) देखने के बजाय दो अलग, स्वतंत्र माप के रूप में मानने की सलाह देते हैं।

मुख्य निष्कर्ष
यह शोध पत्र गंभीर अनुसंधान के लिए Z-max हेडबैंड का उपयोग करने के लिए एक स्पष्ट रोडमैप प्रदान करता है। यह सिद्ध करता है कि:

1. हेडबैंड अपने डिज़ाइन के कारण स्वाभाविक रूप से मस्तिष्क की शक्ति को कम आंकता है, लेकिन इसे N2 नींद डेटा का उपयोग करके एक सरल, व्यक्तिगत अंशांकन के साथ ठीक किया जा सकता है।
2. अंशांकन के बाद, हेडबैंड लोगों के बीच सापेक्ष अंतर (जैसे, व्यक्ति A में व्यक्ति B की तुलना में अधिक अल्फा तरंगें हैं) को ट्रैक करने में उत्कृष्ट है, जो इसे बड़े पैमाने के अध्ययन के लिए एक वैध उपकरण बनाता है।
3. सॉफ्टवेयर सेटिंग्स को समायोजित करके स्लीप स्पिंडल काउंट को रिकवर किया जा सकता है, न कि हार्डवेयर को बदलकर।
4. डिवाइस एक ही व्यक्ति में समय के साथ होने वाले परिवर्तनों को ट्रैक करने के लिए अत्यधिक विश्वसनीय है, लेकिन अलग-अलग लोगों की तुलना करने के लिए उस व्यक्तिगत अंशांकन चरण की आवश्यकता होती है।

संक्षेप में, Zmax हेडबैंड नींद अनुसंधान के लिए एक शक्तिशाली उपकरण है, लेकिन किसी भी अच्छे वाद्य यंत्र की तरह, सही स्वर बजाने के लिए इसे उपयोगकर्ता के विशिष्ट संगीतकार के अनुसार ट्यून करने की आवश्यकता होती है।