Brain-inspired Spiking Neural Network Frameworks for Multimodal Spatiotemporal Brain Data Integration: A Case Study on EEG-fMRI Data
यह अध्ययन एक जैविक रूप से प्रेरित स्पाइकिंग न्यूरल नेटवर्क ढांचे का प्रस्ताव करता है जो विषम EEG और fMRI डेटा को प्रभावी ढंग से एकीकृत करने के लिए प्रारंभिक, मध्यवर्ती और एक नवीन व्याख्यात्मक X-Meta लेट फ्यूजन रणनीति का उपयोग करता है, जो पारंपरिक मशीन लर्निंग दृष्टिकोणों की तुलना में आँखें खुली बनाम आँखें बंद मस्तिष्क अवस्थाओं को डिकोड करने में बेहतर सटीकता और जैविक व्याख्यात्मकता प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मानव मस्तिष्क एक विशाल, जटिल नेटवर्क है जो दो अलग-अलग तरीकों से सूचनाओं को एक साथ संसाधित करता है: यह विद्युत संकेतों के तीव्र, मिलीसेकंड-दर-मिलीसेकंड होने वाले प्रस्फोटों (firing) को ट्रैक करता है, और रक्त प्रवाह में होने वाले धीमे, व्यापक परिवर्तनों का मानचित्रण करता है जो संकेत देते हैं कि कौन से क्षेत्र सक्रिय हैं। वैज्ञानिक लंबे समय से इन दोनों दृष्टिकोणों को मिलाने की कोशिश कर रहे हैं ताकि मन कैसे काम करता है, इसकी एक पूर्ण तस्वीर प्राप्त की जा सके। एक उपकरण, इलेक्ट्रोएन्सेफलोग्राफी या ईईजी (EEG), स्कैल्प से तीव्र विद्युत स्पंदों को कैप्चर करता है, जो मस्तिष्क की गतिविधि का एक विस्तृत टाइमलाइन तो प्रदान करता है लेकिन इस बात का धुंधला दृश्य देता है कि वे संकेत वास्तव में कहाँ से उत्पन्न हो रहे हैं। दूसरा उपकरण, फंक्शनल मैग्नेटिक रेजोनेंस इमेजिंग या एफएमआरआई (fMRI), सक्रिय मस्तिष्क क्षेत्रों का एक स्पष्ट, उच्च-रिज़ॉल्यूशन वाला मानचित्र प्रदान करता है, लेकिन यह धीमी गति से चलता है, जो मिलीसेकंड के बजाय सेकंड में होने वाले परिवर्तनों को कैप्चर करता है। इन दो बहुत ही अलग प्रकार के डेटा को मिलाना बेहद कठिन है क्योंकि वे समय और स्थान की अलग-अलग भाषाएं बोलते हैं, फिर भी ऐसा करने से यह पता चल सकता है कि मस्तिष्क अभूतपूर्व स्पष्टता के साथ जटिल कार्यों को कैसे समन्वित करता है।
ऑकलैंड यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने मस्तिष्क की जैविक संरचना से प्रेरित एक कंप्यूटर मॉडल का उपयोग करके इस अंतर को पाटने का एक नया तरीका विकसित किया है। दोनों डेटा स्ट्रीम को एक एकल, कठोर प्रारूप में जबरदस्ती डालने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई जो इस तरह नकल करती है जैसे न्यूरॉन्स संक्षिप्त विद्युत स्पाइक्स के माध्यम से संचार करते हैं। यह दृष्टिकोण, जिसे स्पाइकिंग न्यूरल नेटवर्क कहा जाता है, कंप्यूटर को ठीक उसी तरह घटनाओं के समय (timing) से सीखने की अनुमति देता है जैसा कि एक वास्तविक मस्तिष्क करता है। शोधकर्ताओं ने इस प्रणाली का परीक्षण स्वस्थ स्वयंसेवकों के एक डेटासेट पर किया जो अपनी आँखें खुली रखने और बंद करने के बीच बारी-बारी से कार्य कर रहे थे, जो एक सरल कार्य है जो मस्तिष्क की गतिविधि में ज्ञात परिवर्तनों को सक्रिय करता है। उन्होंने कंप्यूटर को ईईजी से प्राप्त तीव्र विद्युत रिकॉर्डिंग और एफएमआरआई से प्राप्त धीमे रक्त-प्रवाह मानचित्रों, दोनों को दिया, लेकिन उन्होंने इन दोनों को संयोजित करने के लिए तीन अलग-अलग रणनीतियों का परीक्षण किया। एक रणनीति में, उन्होंने शुरुआत में ही कच्चे डेटा (raw data) को आपस में मिला दिया। दूसरी में, उन्होंने प्रत्येक प्रकार के डेटा को परिणाम जोड़ने से पहले अपनी स्वयं की समझ विकसित करने दी। तीसरी में, उन्होंने प्रत्येक डेटा प्रकार को पहले अपना निर्णय लेने दिया, और फिर एक स्मार्ट वोटिंग सिस्टम का उपयोग किया ताकि उन निर्णयों को इस आधार पर तौला जा सके कि प्रत्येक स्रोत कितना विश्वसनीय प्रतीत होता है।
अध्ययन में पाया गया कि डेटा को उनके निष्कर्ष निकालने से पहले खुद बोलने देने वाली रणनीति सबसे अच्छा काम करती है। जब शोधकर्ताओं ने इस अंतिम, निर्णय-स्तर (decision-level) के दृष्टिकोण का उपयोग किया, तो कंप्यूटर मॉडल ने लगभग 80 प्रतिशत बार सही ढंग से पहचान लिया कि व्यक्ति की आँखें खुली थीं या बंद, जब ईईजी से आवृत्ति-आधारित (frequency-based) विशेषताओं का उपयोग किया गया था, और लगभग 77 प्रतिशत बार जब कच्चे विद्युत संकेतों का उपयोग किया गया था। यह डेटा को बहुत जल्दी मिलाने के प्रयास की तुलना में एक महत्वपूर्ण सुधार था, जिससे अक्सर मॉडल भ्रमित हो जाता था, और इसने उन मानक मशीन लर्निंग तरीकों से बेहतर प्रदर्शन किया जो मस्तिष्क की संरचना की नकल नहीं करते हैं। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने केवल एक सही उत्तर ही नहीं दिया; इसने यह भी समझाया कि क्यों। मॉडल के माध्यम से निर्णय को पीछे की ओर ट्रेस करके, शोधकर्ता देख सके कि मस्तिष्क के कौन से हिस्से सबसे अधिक प्रभावशाली थे। उन्होंने पाया कि मॉडल मस्तिष्क के पिछले हिस्से, यानी ऑक्सीपिटल क्षेत्र (occipital region) पर बहुत अधिक निर्भर था, जो दृश्य जानकारी को संसाधित करने के लिए जाना जाता है और आँखें खोलने या बंद करने पर अपनी विद्युत लय बदल देता है। इसने विश्राम अवस्थाओं (resting states) से जुड़े गहरे मस्तिष्क नेटवर्क और गति एवं मनोदशा से जुड़े क्षेत्रों का भी उपयोग किया, जो यह सुझाव देता है कि पलक झपकने जैसा सरल कार्य भी मस्तिष्क के कार्यों के एक विस्तृत, समन्वित नेटवर्क को शामिल करता है।
शोधकर्ताओं ने यह भी खोजा कि विद्युत संकेतों का प्रतिनिधित्व कैसे किया जाता है, यह इस बात पर निर्भर करता है कि उन्हें कैसे संयोजित किया जाता है। जब डेटा को जल्दी मिलाया गया था, तो कच्चे विद्युत संकेत बेहतर काम कर रहे थे, लेकिन जब डेटा को अंत में संयोजित किया गया, तो संकेतों के आवृत्ति-आधारित प्रतिनिधित्व ने उच्च सटीकता प्रदान की। यह सुझाव देता है कि मस्तिष्क डेटा को संसाधित करने का कोई एक आदर्श तरीका नहीं है; सबसे अच्छा तरीका विशिष्ट उपकरणों के उपयोग पर निर्भर करता है। सबसे सफल मॉडल, जिसे लेखक 'X-Meta क्लासिफायर' कहते हैं, एक समिति की तरह कार्य करता है जहाँ प्रत्येक विशेषज्ञ—जो या तो तीव्र विद्युत संकेतों या धीमे रक्त प्रवाह का प्रतिनिधित्व करता है—एक वोट डालता है, और एक अंतिम निर्णय लेने वाला यह सीखता है कि प्रत्येक विशेषज्ञ पर कितना भरोसा किया जाए। इस प्रक्रिया ने न केवल सटीकता में सुधार किया बल्कि यह भी सुनिश्चित किया कि अंतिम निर्णय जैविक वास्तविकता पर आधारित हो, जो मस्तिष्क के उन विशिष्ट क्षेत्रों की ओर संकेत करता है जिन्हें वैज्ञानिक दृष्टि और ध्यान के लिए महत्वपूर्ण मानते हैं।
यह कार्य यह प्रदर्शित करता है कि मस्तिष्क के विभिन्न मापों की अनूठी टाइमिंग और संरचना का सम्मान करके, यह संभव है कि ऐसे कंप्यूटर मॉडल बनाए जाएं जो मस्तिष्क को पहले से कहीं अधिक गहराई से समझ सकें। निष्कर्ष बताते हैं कि एक सरल कार्य के दौरान मस्तिष्क की गतिविधि केवल विजुअल कॉर्टेक्स में प्रकाश की एक चमक नहीं है, बल्कि कई क्षेत्रों में विद्युत लय और रक्त प्रवाह परिवर्तनों का एक जटिल परस्पर खेल है। हालांकि यह अध्ययन बुनियादी कार्य करने वाले स्वस्थ स्वयंसेवकों पर किया गया था, लेकिन यह ढांचा विभिन्न प्रकार के चिकित्सा डेटा को एकीकृत करने का एक शक्तिशाली नया तरीका प्रदान करता है। शोधकर्ता बताते हैं कि यह दृष्टिकोण अंततः डॉक्टरों को उन जटिल स्थितियों को समझने में मदद कर सकता है जहाँ मस्तिष्क के विद्युत और रक्त-प्रवाह संकेत अलग-अलग कहानियाँ बता सकते हैं, जैसे कि मिर्गी या मनोरोग संबंधी विकार। फिलहाल, यह अध्ययन एक प्रमाण है कि मस्तिष्क-प्रेरित कंप्यूटिंग सफलतापूर्वक मन के तेज़ और धीमे दृश्यों को मिला सकती है, जिससे संकेतों के एक अराजक मिश्रण को मानव मस्तिष्क कार्य की एक स्पष्ट, व्याख्या योग्य तस्वीर में बदला जा सकता है।
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।