Subject-specific frequency set for a generalisable dynamic SSVEP BCI
यह शोध पत्र ऑगमेंटेड रियलिटी में परिवर्तनशील लक्ष्य परिदृश्यों के लिए SSVEP-आधारित BCI प्रदर्शन को अनुकूलित करने हेतु एक निर्णय वृक्ष एल्गोरिदम (decision tree algorithm) का उपयोग करके एक विषय-विशिष्ट आवृत्ति चयन रणनीति प्रस्तावित करता है, जो पारंपरिक निश्चित-आवृत्ति दृष्टिकोणों की तुलना में काफी उच्च सूचना हस्तांतरण दर प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ एक व्यक्ति बिना किसी मांसपेशी को हिलाए, केवल किसी चीज़ को देखकर एक रोबोट को नियंत्रित कर सकता है, लाइट चालू कर सकता है, या किसी वस्तु का चयन कर सकता है। यह ब्रेन-कंप्यूटर इंटरफेस (brain-computer interfaces) का वादा है, जो विज्ञान का एक ऐसा क्षेत्र है जो मानव मस्तिष्क और मशीन के बीच एक सीधा सेतु बनाता है। इस सेतु को बनाने के सबसे विश्वसनीय तरीकों में से एक मस्तिष्क की एक प्राकृतिक प्रतिक्रिया पर निर्भर करता है जिसे 'स्टेडी-स्टेट विजुअली इवॉक्ड पोटेंशियल' (steady-state visually evoked potential) कहा जाता है। जब कोई व्यक्ति एक विशिष्ट गति से टिमटिमाती रोशनी पर ध्यान केंद्रित करता है, तो उसकी मस्तिष्क तरंगें उस टिमटिमाहट के साथ तालमेल बिठा लेती हैं, जिससे एक विशिष्ट विद्युत संकेत (electrical signature) उत्पन्न होता है जिसे कंप्यूटर पहचान सकता है। विभिन्न वस्तुओं को एक अद्वितीय टिमटिमाहट की गति सौंपकर, एक उपयोगकर्ता केवल उसे घूरकर किसी वस्तु को "चुन" सकता है। हालाँकि इस तकनीक ने प्रयोगशालाओं में बड़ी क्षमता दिखाई है, लेकिन इसे वास्तविक जीवन में लाने के लिए इसे संघर्ष करना पड़ा है। वास्तविक दुनिया में, वस्तुओं की संख्या जिसे एक व्यक्ति नियंत्रित करना चाह सकता है, लगातार बदलती रहती है, और उनकी स्थितियाँ कभी स्थिर नहीं होतीं। एक स्मार्ट होम में एक दिन पाँच उपकरण हो सकते हैं और अगले दिन दस, जो एक अलग पैटर्न में व्यवस्थित होते हैं। पारंपरिक प्रणालियाँ, जो टिमटिमाहट की गति की एक कठोर, पूर्व-निर्धारित सूची पर निर्भर करती हैं, अक्सर लेआउट बदलने पर विफल हो जाती हैं, जिससे उपयोगकर्ता प्रभावी ढंग से संवाद करने में असमर्थ हो जाता है।
इस समस्या को हल करने के लिए, मेलबर्न विश्वविद्यालय के शोधकर्ताओं ने एक ऐसा सिस्टम बनाने का लक्ष्य रखा जो किसी भी स्थिति के अनुकूल हो सके। उन्होंने एक सरल लेकिन कठिन प्रश्न पूछा: यदि लक्ष्यों की संख्या बदलती है, तो मस्तिष्क को चुनने के लिए कैसे कहा जाना चाहिए? अपने अध्ययन में, उन्होंने एक नई रणनीति जिसे "डायनामिक टैगिंग" (dynamic tagging) कहा जाता है, का पुराने, मानक तरीके के विरुद्ध परीक्षण किया। पारंपरिक दृष्टिकोण में, एक बार वस्तुओं के समूह को टिमटिमाहट की गति का एक सेट सौंप दिए जाने के बाद, वे गति पूरे सत्र के लिए समान रहती हैं, भले ही कुछ वस्तुओं को हटा दिया गया हो। नया डायनामिक दृष्टिकोण अधिक तरल है। जैसे ही उपयोगकर्ता सफलतापूर्वक एक वस्तु का चयन और उसे हटा देता है, सिस्टम तुरंत शेष वस्तुओं के लिए सर्वोत्तम उपलब्ध टिमटिमाहट की गति को पुन: आवंटित कर देता है। इसे काम करने के लिए, शोधकर्ताओं को पहले प्रत्येक व्यक्ति के लिए गति का सही सेट खोजना था। उन्होंने मस्तिष्क तरंगों का विश्लेषण करने और यह निर्धारित करने के लिए दो अलग-अलग गणितीय विधियों का उपयोग किया कि कौन सी टिमटिमाहट दरें उस विशिष्ट उपयोगकर्ता के लिए सबसे मजबूत, स्पष्ट संकेत उत्पन्न करती हैं। एक विधि ने सर्वोत्तम संयोजन खोजने के लिए चरण-दर-चरण खोज का उपयोग किया, जबकि दूसरी विधि ने सभी संभावित विकल्पों के माध्यम से सबसे कुशल पथ का मानचित्र बनाने के लिए एक 'डिसीजन-ट्री एल्गोरिदम' (decision-tree algorithm) का उपयोग किया।
प्रयोग एक ऐसे कमरे में आयोजित किया गया था जहाँ प्रतिभागियों ने ऑगमेंटेड रियलिटी चश्मे पहने थे जिन्होंने शेल्फ पर रखी वास्तविक बेलनाकार वस्तुओं पर डिजिटल, टिमटिमाती रोशनी को ओवरले किया था। एक रोबोटिक आर्म पास में ही तैयार खड़ा था, जो चयनित वस्तु को शेल्फ से धकेलने के लिए तैयार था। प्रतिभागियों को एक लक्ष्य पर देखने के लिए कहा गया था, और सिस्टम उनके मस्तिष्क की गतिविधि की व्याख्या करके यह तय करेगा कि वे किस वस्तु को चुनना चाहते हैं। शोधकर्ताओं ने इस कार्य को तीन अलग-अलग तरीकों से चलाया: एक जहाँ टिमटिमाहट की गति निश्चित थी और चरण-दर-चरण विधि द्वारा चुनी गई थी, दूसरा जहाँ गति निश्चित थी लेकिन डिसीजन-ट्री विधि द्वारा चुनी गई थी, और तीसरा जहाँ गति डायनामिक थी और डिसीजन-ट्री विधि द्वारा चुनी गई थी। लक्ष्य यह देखना था कि कौन सा संयोजन उपयोगकर्ता को सबसे सटीक और तेज़ी से रोबोट नियंत्रित करने की अनुमति देता है। परिणाम स्पष्ट थे। जिस सिस्टम ने डायनामिक दृष्टिकोण का उपयोग किया, जो शेष वस्तुओं के लिए सर्वोत्तम टिमटिमाहट की गति को लगातार पुनर्गठित करता है, उसने निश्चित प्रणालियों की तुलना में काफी बेहतर प्रदर्शन किया। इसने प्रतिभागियों को अधिक सही चयन करने और सूचना प्राप्त करने की गति बढ़ाने में मदद की। सर्वोत्तम गति खोजने के लिए डिसीजन-ट्री विधि भी चरण-दर-चरण खोज की तुलना में थोड़ी अधिक प्रभावी सिद्ध हुई, हालांकि दोनों विधियों को डायनामिक पुनर्गठन से बहुत लाभ हुआ।
अध्ययन ने इसमें शामिल लोगों के लिए कार्य की कठिनाई का भी अवलोकन किया। एक मानक सर्वेक्षण का उपयोग करते हुए, शोधकर्ताओं ने पाया कि हालांकि इस कार्य के लिए महत्वपूर्ण मानसिक प्रयास और ध्यान की आवश्यकता थी, लेकिन इससे शारीरिक तनाव नहीं हुआ। प्रतिभागियों ने चुनौती को आकर्षक पाया, हालांकि कार्य की कठिनाई यह सुझाव देती है कि इसे रोजमर्रा की जिंदगी में उपयोग में आसान बनाने के लिए और अधिक परिष्करण की आवश्यकता होगी। शोधकर्ताओं ने नोट किया कि कुछ व्यक्तियों ने असाधारण रूप से अच्छा प्रदर्शन किया, जबकि अन्य संघर्ष करते रहे, जो यह उजागर करता है कि मस्तिष्क की प्रतिक्रियाएं व्यक्ति दर व्यक्ति बहुत भिन्न होती हैं। यह परिवर्तनशीलता एक ज्ञात चुनौती है, और अध्ययन सुझाव देता है कि भविष्य के सिस्टम को उपयोगकर्ता के बदलते ध्यान या थकान के स्तर के अनुकूल वास्तविक समय में ढलने की आवश्यकता हो सकती है। यह सिद्ध करके कि एक लचीला, व्यक्तिगत दृष्टिकोण एक कठोर दृष्टिकोण की तुलना में बेहतर काम करता है, यह शोध वास्तविक दुनिया के लिए ब्रेन-कंट्रोल्ड तकनीक को व्यावहारिक बनाने की दिशा में एक महत्वपूर्ण कदम प्रदान करता है। यह सुझाव देता है कि यदि ब्रेन-कंप्यूटर इंटरफेस को घर या अस्पताल जैसे गतिशील वातावरण में वास्तव में उपयोगी होना है, तो इसे मानव मस्तिष्क की तरह ही अनुकूलनीय होना चाहिए, जो उपयोगकर्ता की जरूरतों के बदलते परिदृश्य के साथ अपनी रणनीति को लगातार समायोजित करता रहे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।