Deep Learning for Automated Tic Detection and Prediction in Tourette Syndrome Using Electromyography and Video
यह अध्ययन प्रदर्शित करता है कि जहाँ टौरेट सिंड्रोम में टिक्स (tics) की भविष्यवाणी करने के लिए अल्पकालिक सिग्नल डायनेमिक्स महत्वपूर्ण हैं, वहीं टेम्पोरल सीएनएन (temporal CNNs) के साथ लंबे 5-सेकंड के टेम्पोरल विंडोज़ का संयोजन ईएमजी (EMG) डेटा से मोटर टिक्स का पता लगाने में महत्वपूर्ण रूप से सुधार करता है, जो भविष्य के शोध में मल्टीमॉडल एकीकरण और रोगी-विशिष्ट मॉडलिंग की आवश्यकता को रेखांकित 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
टौरेट सिंड्रोम एक न्यूरोलॉजिकल स्थिति है जो अचानक, अनैच्छिक गतिविधियों या ध्वनियों द्वारा चिह्नित होती है जिन्हें 'टिक्स' (tics) कहा जाता है। इस विकार के साथ जीने वाले लोगों के लिए, ये टिक्स एक त्वरित पलक झपकने से लेकर एक जटिल कंधे के झटका देने या आवाज के विस्फोट तक हो सकते हैं। हालांकि यह स्थिति काफी जानी-मानी है, लेकिन नैदानिक सेटिंग में इसे सटीक रूप से मापना कठिन बना हुआ है। डॉक्टर वर्तमान में रोगियों या देखभाल करने वालों पर निर्भर रहते हैं कि पिछले एक सप्ताह में टिक्स कितनी बार हुए, या वे क्लिनिक में रिकॉर्ड किए गए छोटे वीडियो क्लिप देखते हैं। दोनों ही तरीके अपूर्ण हैं; मानवीय स्मृति त्रुटिपूर्ण है, और एक संक्षिप्त क्लिनिक विज़िट रोगी के दैनिक अनुभव की पूरी तस्वीर को पकड़ने में विफल हो सकती है। चूंकि टिक्स की तीव्रता घटती-बढ़ती रहती है और उन्हें अस्थायी रूप से दबाया जा सकता है, इसलिए उन्हें वस्तुनिष्ठ रूप से कैप्चर करने के लिए एक ऐसे उपकरण की आवश्यकता है जो बिना थके निरंतर देख और सुन सके।
शोधकर्ता इस समस्या को हल करने के लिए तकनीक की ओर तेजी से मुड़ रहे हैं, जिसमें मांसपेशियों की गतिविधि को रिकॉर्ड करने के लिए सेंसर और शरीर की गति को रिकॉर्ड करने के लिए कैमरों का उपयोग किया जा रहा है। इस तरह के एक प्रयास में फ्लोरिडा विश्वविद्यालय की एक टीम शामिल है, जिन्होंने एक कंप्यूटर सिस्टम बनाने का लक्ष्य रखा जो वास्तविक समय (real-time) में टिक्स को पहचान सके। वे जानना चाहते थे कि क्या आर्टिफिशियल इंटेलिजेंस केवल मांसपेशियों के विद्युत संकेतों और शरीर के वीडियो फुटेज का उपयोग करके, एक व्यक्ति के आराम करने, जानबूझकर अपनी मांसपेशियों को हिलाने और एक 'टिक' होने के बीच अंतर करना सीख सकता है। उनका लक्ष्य स्थिति की निगरानी करने का एक विश्वसनीय तरीका बनाना था, जो अंततः डॉक्टरों को उपचार को समायोजित करने या टिक होने से ठीक पहले स्वचालित रूप से चिकित्सा को ट्रिगर करने में मदद कर सके।
टीम ने टौरेट सिंड्रोम से निदान प्राप्त सोलह वयस्कों से डेटा एकत्र किया। प्रत्येक व्यक्ति तीन महीनों के दौरान कई बार क्लिनिक आया, जिसके दौरान शोधकर्ताओं ने उनकी भुजाओं और गर्दन पर आठ छोटे सेंसर रखकर उनकी मांसपेशियों की गतिविधि को रिकॉर्ड किया। साथ ही, एक हाई-डेफिनिशन कैमरे ने उनकी गतिविधियों को फिल्माया। यह सुनिश्चित करने के लिए कि कंप्यूटर सही सबक सीखे, चार विशेषज्ञों ने वीडियो फुटेज की समीक्षा की और ठीक से चिह्नित किया कि कब एक टिक हुआ, कब व्यक्ति आराम कर रहा था, और कब वह स्वेच्छा से हिल रहा था। शोधकर्ताओं ने फिर इस युग्मित डेटा (मांसपेशियों के संकेत और वीडियो लेबल) को पैटर्न पहचानने के लिए डिज़ाइन किए गए तीन अलग-अलग प्रकार के कंप्यूटर मॉडलों में डाला। उन्होंने इन मॉडलों का परीक्षण दो तरीकों से किया: पहला, यह पहचानने के लिए कि वर्तमान क्षण में क्या हो रहा है, और दूसरा, यह अनुमान लगाने के लिए कि अगले क्षण में क्या होने वाला है।
अध्ययन का एक प्रमुख हिस्सा यह परीक्षण करना था कि निर्णय लेने के लिए कंप्यूटर को कितना समय देखने की आवश्यकता है। शोधकर्ताओं ने शुरू में अनुमान लगाया था कि चूंकि टिक्स बहुत संक्षिप्त होते हैं, इसलिए कंप्यूटर तब सबसे अच्छा काम करेगा जब वह समय के बहुत छोटे हिस्सों को देखेगा, शायद केवल एक सेकंड। उन्होंने एक, पांच और दस सेकंड के 'विंडो' का परीक्षण किया। परिणाम उनके लिए आश्चर्यजनक थे। जब कार्य पहले से हो रहे टिक का पता लगाना था, तो कंप्यूटर तब सबसे अच्छा प्रदर्शन करता था जब वह पांच सेकंड का विंडो देखता था। मॉडल ने इस लंबे समय सीमा में 0.79 के AUC के साथ टिक्स की पहचान की, जो यह सुझाव देता है कि एक टिक का विद्युत हस्ताक्षर कुछ सेकंड में विकसित होता है और स्पष्ट रूप से पहचाने जाने के लिए थोड़े संदर्भ (context) का लाभ उठाता है। इसके विपरीत, जब कंप्यूटर ने होने वाले टिक की भविष्यवाणी करने की कोशिश की, तो यह सबसे छोटे, एक सेकंड के विंडो के साथ सबसे अच्छा काम करता था। यह इंगित करता है कि आने वाले टिक के चेतावनी संकेत बहुत हालिया और क्षणिक होते हैं, जिसके लिए सिस्टम को लंबे इतिहास के बजाय तत्काल अतीत पर ध्यान केंद्रित करने की आवश्यकता होती है।
अध्ययन में पाया गया कि कंप्यूटर मॉडल एक टिक के घटित होने के दौरान उसे पहचानने में, होने से पहले उसकी भविष्यवाणी करने की तुलना में आम तौर पर बेहतर थे। सबसे सफल मॉडल, जिसने समय-आधारित डेटा के लिए डिज़ाइन किए गए एक विशिष्ट प्रकार के न्यूरल नेटवर्क का उपयोग किया था, ने 0.79 का AUC प्राप्त किया। हालांकि यह एक मजबूत परिणाम है, शोधकर्ताओं ने नोट किया कि सिस्टम अभी भी पूर्ण नहीं है। मॉडल भविष्य के टिक्स की भविष्यवाणी करने में अधिक संघर्ष करते थे, और उनका प्रदर्शन विश्लेषण किए गए समय के विंडो की लंबाई के आधार पर भिन्न होता था। टीम ने यह भी देखा कि कंप्यूटर मॉडल तब सबसे अच्छी तरह सीखते थे जब उन्हें ऐसे डेटा पर प्रशिक्षित किया गया था जहां मांसपेशियों के संकेतों को विशेषज्ञ वीडियो लेबल के साथ मिलाया गया था, न कि केवल मांसपेशियों के संकेतों पर निर्भर रहकर।
शोधकर्ताओं ने अपने कार्य की सीमाओं को स्पष्ट रूप से बताना आवश्यक समझा। डेटा उन रोगियों के एक विशिष्ट समूह से आया था जिन्होंने पहले ही 'डीप ब्रेन स्टिमुलेशन' सर्जरी करवाई थी, जिससे उनके मांसपेशियों के संकेत सामान्य आबादी से भिन्न हो सकते हैं। सेंसर भुजाओं और गर्दन पर रखे गए थे, जिसका अर्थ है कि सिस्टम उन मौखिक टिक्स या चेहरे के टिक्स का पता नहीं लगा सका जिनमें उन विशिष्ट मांसपेशियों का उपयोग नहीं हुआ था। इसके अलावा, वीडियो डेटा को लेबल करने वाले विशेषज्ञों के बीच भी इस बात पर पूर्ण सहमति नहीं थी कि टिक वास्तव में कब शुरू हुआ या कब समाप्त हुआ, जो प्रशिक्षण प्रक्रिया में थोड़ी अनिश्चितता पैदा करता है। इन बाधाओं के बावजूद, यह अध्ययन क्या संभव है, इसका एक स्पष्ट बेंचमार्क प्रदान करता है। यह सुझाव देता है कि टिक्स का पता लगाने के लिए, सिस्टम को निश्चित होने के लिए कुछ सेकंड के डेटा की आवश्यकता होती है, लेकिन भविष्यवाणी करने के लिए, उसे नवीनतम संकेतों पर तुरंत प्रतिक्रिया देनी चाहिए।
यह कार्य भविष्य के उन उपकरणों के लिए आधार तैयार करता है जो टौरेट सिंड्रोम की निरंतर और वस्तुनिष्ठ निगरानी कर सकें। स्मृति या संक्षिप्त क्लिनिक विज़िट पर निर्भर रहने के बजाय, इन निष्कर्षों पर निर्मित एक प्रणाली संभावित रूप से दिनों या हफ्तों तक किसी व्यक्ति की स्थिति को ट्रैक कर सकती है, जिससे उनके लक्षणों की एक पूर्ण तस्वीर मिल सके। हालांकि वर्तमान मॉडल अभी दैनिक उपयोग के लिए तैयार नहीं हैं, अध्ययन यह प्रदर्शित करता है कि मांसपेशियों के सेंसर को वीडियो विश्लेषण और आर्टिफिशियल इंटेलिजेंस के साथ जोड़ना एक आशाजनक मार्ग है। यह समझते हुए कि कंप्यूटर को टिक पहचानने के लिए कितने समय की आवश्यकता होती है और यह स्वैच्छिक गति से कैसे भिन्न होता है, वैज्ञानिक अधिक प्रभावी ढंग से स्थिति को प्रबंधित करने में मदद करने वाले सिस्टम डिजाइन करना शुरू कर सकते हैं, जिससे अनुमानों के बजाय वास्तविक समय के डेटा के आधार पर उपचार को समायोजित करने वाले भविष्य के करीब पहुंचा जा सके।
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।