CWMAN-EEG: Conditionally Weighted Multi-source Adversarial Network for Across-subject EEG Emotion Recognition

मानव मस्तिष्क विद्युत गतिविधि का एक विशाल, परिवर्तनशील परिदृश्य है, जो लगातार उन संकेतों को प्रसारित करता है जो एक क्षणिक विचार से लेकर एक गहरे अहसास तक सब कुछ संचित करते हैं। इन संकेतों के बीच, इलेक्ट्रोएन्सेफालोग्राफी, या ईईजी (EEG), हमारी भावनात्मक अवस्थाओं में एक अनूठी खिड़की प्रदान करता है। स्कैल्प पर सेंसर लगाकर, वैज्ञानिक अविश्वसनीय गति और सटीकता के साथ मस्तिष्क की विद्युत लय को रिकॉर्ड कर सकते हैं, जिससे किसी व्यक्ति के बोलने से पहले ही खुशी, दुख या भय के तंत्रिका संबंधी संकेतों (neural signature) को पकड़ा जा सकता है। यह तकनीक मानसिक स्वास्थ्य की निगरानी से लेकर अधिक सहज मानव-कंप्यूटर संपर्क जैसे क्षेत्रों में अपार संभावनाएँ रखती है। हालाँकि, इस तकनीक को रोजमर्रा के उपयोग के लिए विश्वसनीय बनाने के मार्ग में एक महत्वपूर्ण बाधा लंबे समय से खड़ी है: मस्तिष्क अत्यंत व्यक्तिगत होता है। जिस प्रकार दो व्यक्तियों के फिंगरप्रिंट एक समान नहीं होते, उसी प्रकार दो मस्तिष्क भी एक ही भावना महसूस करने पर भी एक जैसी विद्युत पैटर्न उत्पन्न नहीं करते। यह व्यक्तिगत भिन्नता एक बड़ी बाधा उत्पन्न करती है जब कंप्यूटर एक व्यक्ति से सीखने और उस ज्ञान को दूसरे व्यक्ति पर लागू करने का प्रयास करता है, जिससे अक्सर नए उपयोगकर्ता के सामने आने पर सिस्टम विफल हो जाता है।

इस बाधा को दूर करने के लिए, शोधकर्ताओं ने डोमेन अडैप्टेशन (domain adaptation) नामक एक तकनीक का सहारा लिया है, जो अनिवार्य रूप से कंप्यूटर को विभिन्न लोगों के बीच साझा धागों को खोजकर अलग-अलग लोगों में पैटर्न पहचानने के लिए प्रशिक्षित करती है। स्टेट की स्टुडेंट लैबरेटरी ऑफ मैथमैटिकल इंजीनियरिंग एंड एडवांस्ड कंप्यूटिंग और झेंग्झौ यूनिवर्सिटी के यूफेई चेन और उनके सहयोगियों द्वारा किया गया एक हालिया अध्ययन CWMAN-EEG नामक एक नया दृष्टिकोण पेश करता है। यह विधि व्यक्तिगत अंतरों की समस्या को सभी लोगों को एक ही मिश्रित समूह मानकर नहीं, बल्कि उनकी विशिष्ट विशेषताओं का सम्मान करते हुए उनके साझा भावनात्मक मूल को खोजकर हल करती है। शोधकर्ताओं ने एक ऐसा सिस्टम विकसित किया है जो एक साथ कई लोगों से सीखता है, और प्रत्येक व्यक्ति को सूचना के एक अलग स्रोत के रूप में देखता है। इन विभिन्न मस्तिष्कों को एक ही सांचे में ढालने के बजाय, यह सिस्टम एक दोहरी रणनीति का उपयोग करता है: यह भावनाओं के उन सार्वभौमिक लक्षणों की पहचान करता है जो सभी मनुष्यों में साझा हैं, और साथ ही प्रत्येक व्यक्ति के मस्तिष्क संकेतों की विशिष्ट, व्यक्तिगत विचित्रताओं को भी सुरक्षित रखता है। यह सिस्टम को भावना की एक मजबूत समझ बनाने की अनुमति देता है जिसे एक नए, अनदेखे व्यक्ति पर बहुत अधिक सटीकता के साथ स्थानांतरित किया जा सकता है।

इस कार्य का मुख्य नवाचार इस बात में निहित है कि सिस्टम एक नए व्यक्ति के बारे में सीखने के लिए पिछले अनुभवों में से किस पर भरोसा करने का निर्णय लेता है। कई मौजूदा प्रणालियों में, विभिन्न लोगों के डेटा को बस एक साथ मिला दिया जाता है, या प्रत्येक व्यक्ति को सीखने की प्रक्रिया में समान वोट दिया जाता है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण अक्सर भ्रम पैदा करता है, क्योंकि कुछ लोगों के मस्तिष्क पैटर्न अन्य लोगों की तुलना में नए उपयोगकर्ता के बहुत अधिक समान होते हैं। इसे ठीक करने के लिए, टीम ने एक 'कंडीशनल वेटिंग मैकेनिज्म' (conditional weighting mechanism) डिजाइन किया। कल्पना कीजिए कि सिस्टम एक छात्र के रूप में है जो एक नया विषय सीखने की कोशिश कर रहा है; वह कई शिक्षकों को सुनता है, लेकिन वह जल्दी ही उन शिक्षकों पर अधिक ध्यान देना सीख जाता है जिनकी शिक्षण शैली और उदाहरण उसकी अपनी सीखने की जरूरतों से सबसे अधिक मेल खाते हैं, जबकि उन लोगों को अनसुना कर देता है जिनके तरीके बहुत अलग हैं। इसी तरह, यह नया नेटवर्क प्रत्येक विशिष्ट भावना श्रेणी के लिए प्रत्येक स्रोत व्यक्ति की समानता की गणना करता है। फिर यह प्रत्येक स्रोत को एक "वेट" (भार) आवंटित करता है, जिससे अत्यधिक समान स्रोतों को अधिक प्रभाव और कम समान स्रोतों को कम प्रभाव मिलता है। यह गतिशील समायोजन निरंतर होता रहता है, यह सुनिश्चित करते हुए कि सिस्टम सबसे प्रासंगिक उदाहरणों से सीखे और उन शोर (noise) को अनदेखा करे जो उसे लड़खड़ाने पर मजबूर कर सकते हैं।

इससे पहले कि सिस्टम किसी नए व्यक्ति के अनुकूल होने का प्रयास करे, यह एक कठोर प्रशिक्षण चरण से गुजरता है जहाँ यह भावनाओं को स्पष्ट रूप से व्यवस्थित करना सीखता है। शोधकर्ताओं ने इस चरण के दौरान एक विशिष्ट प्रतिबंध (constraint) पेश किया ताकि यह सुनिश्चित हो सके कि एक ही भावना के उदाहरण, जैसे कि खुशी, कंप्यूटर की स्मृति में एक साथ घनिष्ठ रूप से क्लस्टर हों, जबकि अलग-अलग भावनाएं, जैसे कि दुख, एक-दूसरे से दूर रहें। यह भावनात्मक अवस्थाओं का एक स्वच्छ और स्पष्ट मानचित्र बनाता है। एक बार यह आधार तैयार हो जाने के बाद, सिस्टम अनुकूलन चरण में जाता है, जहाँ यह नए व्यक्ति के मस्तिष्क संकेतों को सीखे गए मानचित्र के साथ संरेखित करने के लिए 'कंडीशनल वेटिंग' को लागू करता है। इस सावधानीपूर्वक संगठन को प्रभावी वेटिंग के साथ जोड़कर, सिस्टम व्यक्तिगत मस्तिष्क के जटिल अंतरों के बीच नेविगेट कर सकता है बिना आवश्यक भावनात्मक जानकारी खोए।

इस दृष्टिकोण के परिणामों का परीक्षण पंद्रह अलग-अलग लोगों के मस्तिष्क रिकॉर्डिंग वाले दो प्रसिद्ध सार्वजनिक डेटासेट पर किया गया था, जिन्होंने विशिष्ट भावनाओं को उकसाने के लिए डिज़ाइन किए गए फिल्म क्लिप देखे थे। पहले डेटासेट में, जो तीन बुनियादी भावनाओं पर केंद्रित था, इस नई पद्धति ने 94.32 प्रतिशत की औसत सटीकता प्राप्त की। दूसरे, अधिक चुनौतीपूर्ण डेटासेट में, जिसमें चार अलग-अलग भावनाएं शामिल थीं, इसने 92.58 प्रतिशत तक पहुँच प्राप्त की। ये संख्याएँ मौजूदा सर्वोत्तम विधियों की तुलना में एक महत्वपूर्ण सुधार का प्रतिनिधित्व करती हैं, जो अक्सर एक व्यक्ति से दूसरे व्यक्ति में जाने पर इतनी उच्च स्तर की सटीकता बनाए रखने में संघर्ष करती हैं। शोधकर्ताओं ने यह देखने के लिए भी प्रयोग किए कि क्या होगा यदि वे अपने सिस्टम के विशिष्ट हिस्सों को हटा दें। जब उन्होंने स्रोतों को अलग-अलग वजन देने की क्षमता को हटाया, तो सटीकता उल्लेखनीय रूप से गिर गई, जिससे सिद्ध हुआ कि समान मस्तिष्कों का स्मार्ट चयन सफलता का एक महत्वपूर्ण कारक था। इसी तरह, भावनाओं को स्पष्ट रूप से व्यवस्थित करने वाले प्रारंभिक चरण को हटाने से भी प्रदर्शन में गिरावट आई, जिससे पुष्टि हुई कि संरचनात्मक संगठन और अनुकूलन भार (adaptive weighting) दोनों ही सिस्टम के काम करने के लिए आवश्यक थे।

कच्चे आंकड़ों से परे, यह अध्ययन इस बात पर भी गहरी दृष्टि प्रदान करता है कि सिस्टम सूचना को कैसे संसाधित करता है। डेटा के विज़ुअलाइज़ेशन ने दिखाया कि सिस्टम ने व्यक्तिगत अंतरों को साझा भावनात्मक पैटर्न से सफलतापूर्वक अलग कर दिया। नेटवर्क का वह हिस्सा जो सामान्य आधार खोजने के लिए डिज़ाइन किया गया था, उसने भावना महसूस करने के सार्वभौमिक पहलुओं को कैप्चर किया, जबकि प्रत्येक व्यक्ति के लिए अलग शाखाओं ने उनके अद्वितीय तंत्रिका हस्ताक्षरों (neural signatures) को संरक्षित किया। इस अलगाव ने सिस्टम को इतना लचीला बनाया कि वह मानव मस्तिष्क की विशाल विविधता को संभाल सके और साथ ही विशिष्ट भावनाओं को पहचानने के लिए पर्याप्त सटीक भी बना रहे। शोधकर्ताओं ने यह भी पता लगाया कि उनका सिस्टम विभिन्न मात्रा में डेटा के साथ कैसा प्रदर्शन करता है, यह पाते हुए कि यह उच्च सटीकता प्राप्त कर सकता है भले ही इसे नई व्यक्ति की ओर मार्गदर्शन करने के लिए लेबल किए गए उदाहरणों की केवल एक छोटी संख्या दी गई हो। यह सुझाव देता है कि यह विधि कुशल और व्यावहारिक है, जिसे कई अन्य दृष्टिकोणों की तुलना में कम मैनुअल लेबलिंग की आवश्यकता होती है, जो वास्तविक दुनिया के अनुप्रयोग की दिशा में एक महत्वपूर्ण कदम है।

इस कार्य के निहितार्थ प्रयोगशाला से परे तक विस्तृत हैं। यह प्रदर्शित करके कि यह संभव है कि एक ऐसा सिस्टम बनाया जाए जो समूह से सीखने के साथ-साथ व्यक्तिगत अंतरों का सम्मान भी करे, शोधकर्ताओं ने ब्रेन-कंप्यूटर इंटरफेस के लिए एक नया ब्लूप्रिंट प्रदान किया है। यह दृष्टिकोण ऐसे उपकरण बनाने की ओर ले जा सकता है जो व्यापक पुन: प्रशिक्षण की आवश्यकता के बिना उपयोगकर्ता के मस्तिष्क के अनुकूल समय के साथ ढल सकें, जिससे मानसिक स्वास्थ्य की निगरानी या प्रतिक्रियाशील इंटरैक्टिव सिस्टम बनाने के लिए भावनात्मक पहचान तकनीक अधिक विश्वसनीय बन सके। अध्ययन यह दावा नहीं करता है कि उसने इस क्षेत्र की हर समस्या को हल कर दिया है, क्योंकि व्यक्तिगत अंतर और मानव भावना की जटिलता अभी भी विशाल चुनौतियाँ बनी हुई हैं। हालाँकि, यह दिखाकर कि एक सशर्त, भारित दृष्टिकोण (conditional, weighted approach) डेटा को मिलाने वाली पारंपरिक विधियों से बेहतर प्रदर्शन करता है, यह शोध एक स्पष्ट मार्ग प्रदान करता है। यह सुझाव देता है कि ईईजी तकनीक की क्षमता को अनलॉक करने की कुंजी एकरूपता को थोपने में नहीं, बल्कि ऐसे सिस्टम बनाने में है जो मानव मन की सुंदर, जटिल विविधता के बीच नेविगेट करने के लिए पर्याप्त बुद्धिमान हों।