Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
यह अध्ययन प्रदर्शित करता है कि एक हाइब्रिड CNN-LSTM डीप लर्निंग मॉडल रेस्टिंग-स्टेट EEG संकेतों से सिज़ोफ्रेनिया का पता लगाने में स्टैंडअलोन CNN की तुलना में काफी बेहतर प्रदर्शन करता है, जिससे 92.03% सटीकता प्राप्त होती है और वस्तुनिष्ठ निदान के लिए टेम्पोरल सीक्वेंस लर्निंग को एकीकृत करने के महत्व पर प्रकाश पड़ता 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
मानव मस्तिष्क विद्युत गतिविधि का एक विशाल, गूँजता हुआ नेटवर्क है, जो निरंतर बदलता रहता है क्योंकि हम सोचते, महसूस करते हैं और दुनिया को देखते हैं। दशकों से, वैज्ञानिक इस गूँज को सुनने की कोशिश कर रहे हैं ताकि यह समझ सकें कि मानसिक स्वास्थ्य संबंधी विकार होने पर क्या गलत होता है। ऐसा ही एक विकार सिज़ोफ्रेनिया (schizophrenia) है, जो एक गंभीर स्थिति है जो व्यक्ति के वास्तविकता देखने के तरीके को बदल देती है, जिससे अक्सर मतिभ्रम (hallucinations) या भ्रमित सोच हो सकती है। वर्तमान में, डॉक्टर इस बीमारी का निदान मुख्य रूप से रोगियों द्वारा उनके अनुभवों के वर्णन को सुनने और उनके व्यवहार को देखने के माध्यम से करते हैं, एक ऐसी प्रक्रिया जो मानवीय निर्णय पर बहुत अधिक निर्भर करती है और कभी-कभी परेशानी के शुरुआती संकेतों को मिस कर सकती है। इस बीमारी को जल्दी पहचानने का एक अधिक वस्तुनिष्ठ तरीका खोजने के लिए, शोधकर्ताओं ने इलेक्ट्रोएन्सेफलोग्राफी (electroencephalography), या ईईजी (EEG) की ओर रुख किया है। इस तकनीक में मस्तिष्क के विद्युत संकेतों को रिकॉर्ड करने के लिए स्कैल्प (खोपड़ी) पर छोटे सेंसर लगाए जाते हैं। मस्तिष्क की संरचना की तस्वीरें लेने वाले महंगे स्कैन के विपरीत, ईईजी वास्तविक समय में मस्तिष्क की तीव्र, गतिशील लय को कैप्चर करता है, जो उन विद्युत तूफानों की एक खिड़की खोलता है जो सिज़ोफ्रेनिया की विशेषता हो सकते हैं।
हाल ही में, यूनिवर्सिटी टेक्नोलॉजी मलेशिया के शोधकर्ताओं ने यह देखने के लिए काम शुरू किया कि क्या वे कंप्यूटर को इन विद्युत पैटर्न को स्वचालित रूप से पहचानने के लिए प्रशिक्षित कर सकते हैं। उन्होंने 81 लोगों के मस्तिष्क तरंगों (brainwaves) के संग्रह के साथ काम किया: जिनमें से 49 को सिज़ोफ्रेनिया से निदान मिला था और 32 स्वस्थ थे। टीम दो अलग-अलग प्रकार के कंप्यूटर प्रोग्रामों का परीक्षण करना चाहती थी, जिन्हें डीप लर्निंग मॉडल कहा जाता है, यह देखने के लिए कि कौन सा मॉडल दोनों समूहों के बीच बेहतर अंतर बता सकता है। पहला मॉडल मस्तिष्क तरंगों में विशिष्ट आकृतियों और पैटर्न को खोजने के लिए डिज़ाइन किया गया था, ठीक वैसे ही जैसे एक कैमरा तस्वीर में किनारों की पहचान करता है। दूसरा मॉडल एक अधिक जटिल हाइब्रिड था जो न केवल इन आकृतियों को देखता था बल्कि इस बात पर भी ध्यान देता था कि संकेत किस क्रम में आते हैं, यानी यह समझना कि समय के साथ मस्तिष्क की गतिविधि कैसे बदलती है।
शोधकर्ताओं ने कच्चे डेटा (raw data) को साफ करने के साथ शुरुआत की। मूल रिकॉर्डिंग मांसपेशियों की गतिविधियों और पर्यावरणीय हस्तक्षेप से शोर से भरी थी, इसलिए उन्होंने अवांछित स्टेटिक को फ़िल्टर कर दिया और डेटा को एक समान बनाने के लिए सिग्नल की शक्ति को समायोजित किया। फिर उन्होंने इस साफ की गई जानकारी को दो कंप्यूटर प्रोग्रामों में डाला। पहले प्रोग्राम ने, जो केवल संकेतों के स्थानिक पैटर्न (spatial patterns) पर केंद्रित था, 0.73 के AUC के साथ सही समूह की पहचान की। यह स्वस्थ मस्तिष्क को पहचानने में काफी अच्छा था लेकिन सिज़ोफ्रेनिया वाले लोगों की सही पहचान करने में संघर्ष करता रहा; मॉडल ने केवल 46.78% सिज़ोफ्रेनिया रोगियों की सही पहचान की, जबकि 53.22% को गलती से स्वस्थ वर्गीकृत किया गया। इससे पता चला कि हालांकि प्रोग्राम मस्तिष्क तरंगों के "आकार" को देख सकता था, लेकिन वह यह समझने में चूक गया कि वे लहरें कैसे चलती और विकसित होती हैं।
दूसरा प्रोग्राम, जिसने पैटर्न पहचान को समय की समझ के साथ जोड़ा, काफी बेहतर प्रदर्शन कर गया। न केवल संकेतों के दिखने के तरीके को, बल्कि यह भी सीखने के माध्यम से कि वे सेकंड-दर-सेकंड कैसे सामने आते हैं, इस मॉडल ने 0.92 से अधिक का AUC प्राप्त किया। इसने सिज़ोफ्रेनिया वाले लगभग 91 प्रतिशत लोगों और स्वस्थ व्यक्तियों में से लगभग 90 प्रतिशत की सही पहचान की। परिणामों ने दिखाया कि मस्तिष्क की विद्युत गतिविधि का समय (timing) उन महत्वपूर्ण सुरागों को धारण करता है जिन्हें स्थिर स्नैपशॉट मिस कर देते हैं। अध्ययन में पाया गया कि हाइब्रिड मॉडल कहीं अधिक विश्वसनीय था, जिसकी सफलता दर सरल मॉडल की तुलना में लगभग 20 प्रतिशत अंक अधिक थी।
ये निष्कर्ष बताते हैं कि मस्तिष्क तरंगों के माध्यम से सिज़ोफ्रेनिया का पता लगाने की कुंजी संकेतों द्वारा समय के साथ सुनाई जाने वाली कहानी को समझने में निहित है, न कि केवल उस तस्वीर में जो वे एक क्षण में बनाते हैं। हालांकि शोधकर्ताओं ने उल्लेख किया कि उनका डेटासेट अपेक्षाकृत छोटा था और इस पद्धति को अस्पतालों में उपयोग करने से पहले बड़े समूहों के साथ अधिक परीक्षण की आवश्यकता है, फिर भी परिणाम एक आशाजनक मार्ग प्रदान करते हैं। वे संकेत देते हैं कि कंप्यूटर को मस्तिष्क की लय को सुनने के लिए प्रशिक्षित करके, हमारे पास जल्द ही एक शक्तिशाली, वस्तुनिष्ठ उपकरण हो सकता है जो डॉक्टरों को इस कठिन विकार को पहले से कहीं अधिक जल्दी और सटीक रूप से पकड़ने में मदद करेगा।
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।