Microstate-Guided Dynamic Graph Neural Network with Prototypical Contrastive Learning for EEG Emotion Recognition
यह शोध पत्र ईईजी (EEG) भावना पहचान के लिए विकसित होने वाली मस्तिष्क कनेक्टिविटी को मॉडल करने हेतु प्रोटोटाइपिकल कंट्रास्टिव लर्निंग से उन्नत एक माइक्रोस्टेट-निर्देशित डायनेमिक ग्राफ न्यूरल नेटवर्क प्रस्तावित करता है, जो SEED बेंचमार्क पर 89.64% की अत्याधुनिक विषय-स्वतंत्र सटीकता प्राप्त 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 विद्युत गतिविधि का एक विशाल, परिवर्तनशील परिदृश्य है। जब हम खुशी का अचानक संचार, दुख की लहर, या शांति का क्षण महसूस करते हैं, तो यह गतिविधि केवल स्थिर नहीं रहती; यह मिलीसेकंड में खुद को पुनर्गठित करती है। वैज्ञानिक लंबे समय से इन विद्युत संकेतों को पढ़ने की कोशिश कर रहे हैं, जिन्हें इलेक्ट्रोएन्सेफलोग्राम या ईईजी (EEG) कहा जाता है, ताकि यह समझा जा सके कि एक व्यक्ति क्या महसूस कर रहा है। हालाँकि, मस्तिष्क एक स्थिर मशीन नहीं है। जैसे-जैसे भावनाएं प्रकट होती हैं, इसके संबंध तेजी से बदलते हैं, और हर व्यक्ति का मस्तिष्क थोड़ा अलग तरह से वायर्ड होता है। यह एक कंप्यूटर प्रोग्राम बनाना अविश्वसनीय रूप से कठिन बनाता है जो विभिन्न लोगों में भावनाओं को सटीक रूप से पहचान सके। पारंपरिक तरीके अक्सर मस्तिष्क की गतिविधि को एक निश्चित मानचित्र या एक साधारण स्नैपशॉट के रूप में देखने पर निर्भर करते हैं, जिससे मस्तिष्क के वास्तविक, तरल तरीके को समझने में चूक हो जाती है।
कुनमिंग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने का एक नया तरीका प्रस्तावित किया है। मस्तिष्क के विद्युत संकेतों को एक स्थिर चित्र के रूप में मानने के बजाय, उन्होंने एक ऐसा सिस्टम डिजाइन किया है जो वास्तविक समय में मस्तिष्क के प्राकृतिक, तीव्र बदलावों का अनुसरण करता है। वे एक विशिष्ट घटना पर केंद्रित हुए जिसे "माइक्रोस्टेट्स" (microstates) कहा जाता है। मस्तिष्क के विद्युत क्षेत्र की कल्पना एक मानचित्र पर मौसम के पैटर्न के रूप में करें; एक संक्षिप्त क्षण के लिए, पैटर्न एक विशिष्ट आकार बनाए रखता है, और फिर वह अचानक एक नए आकार में बदल जाता है। ये स्नैपशॉट, जो एक सेकंड के अंश के रूप में होते हैं, माइक्रोस्टेट्स हैं। शोधकर्ताओं ने पाया कि ये क्षणिक पैटर्न यादृच्छिक शोर (random noise) नहीं हैं, बल्कि वास्तव में वे आधारभूत तत्व हैं जिनसे मस्तिष्क भावनाओं को संसाधित करता है। अपने कंप्यूटर मॉडल को इन तीव्र बदलावों पर ध्यान देने के लिए प्रशिक्षित करके, उन्होंने एक ऐसा सिस्टम बनाया है जो पिछले तरीकों की तुलना में मस्तिष्क की भावनात्मक भाषा को बहुत बेहतर ढंग से समझ सकता है।
उनके नए दृष्टिकोण का मूल एक ढांचा है जिसे वे MG-PCL कहते हैं। इसे समझने के लिए, कल्पना करें कि आप दो लोगों के बीच की बातचीत को समझने की कोशिश कर रहे हैं जो अलग-अलग बोलियाँ बोलते हैं। एक मानक कंप्यूटर हर शब्द का शाब्दिक अनुवाद करने की कोशिश कर सकता है, लेकिन वह लहजे और संदर्भ को मिस कर देगा। शोधकर्ताओं का सिस्टम कुछ अधिक स्मार्ट करता है। यह पहले मस्तिष्क के संकेतों को दो प्रकार की जानकारी में विभाजित करता है। एक प्रकार विद्युत तरंगों की तत्काल आवृत्ति (frequency) को पकड़ता है, जो आवाज के वॉल्यूम और पिच को सुनने जैसा है। दूसरा प्रकार माइक्रोस्टेट पैटर्न को पकड़ता है, जो बातचीत के लय और ठहराव को समझने जैसा है। सिस्टम फिर इस जानकारी के दो प्रवाहों को जोड़ता है, जिसमें माइक्रोस्टेट की लय का उपयोग आवाज की व्याख्या करने के लिए मार्गदर्शन के रूप में किया जाता है। यह मॉडल को यह देखने की अनुमति देता है कि मस्तिष्क खुद को कैसे व्यवस्थित कर रहा है, बजाय इसके कि वह केवल विद्युत शोर के विवरणों में खो जाए।
एक बार जब सिस्टम इन संकेतों को जोड़ लेता है, तो वह मस्तिष्क के कनेक्शन का एक गतिशील मानचित्र बनाता है। पुराने तरीकों में, यह मानचित्र अक्सर एक निश्चित टेम्पलेट होता था, जैसे एक स्थिर सड़क मानचित्र जो कभी नहीं बदलता। लेकिन मस्तिष्क के संबंध तरल होते हैं; भावनाएं बदलने के साथ वे खुलते और बंद होते हैं। नया सिस्टम एक ऐसा मानचित्र बनाता है जो हर पल विकसित होता है। यह तय करने के लिए माइक्रोस्टेट पैटर्न का उपयोग करता है कि किसी भी सेकंड में मस्तिष्क के कौन से हिस्से एक-दूसरे से बात कर रहे हैं। इसका मतलब है कि मॉडल यह ट्रैक कर सकता है कि कैसे एक व्यक्ति तटस्थ (neutral) से खुश या दुखी होने की स्थिति में जाते समय मस्तिष्क खुद को पुनर्गठित करता है। यह केवल यह नहीं देख रहा है कि कौन से हिस्से सक्रिय हैं, बल्कि यह भी देख रहा है कि पूरा नेटवर्क एक विशिष्ट भावना को सहारा देने के लिए अपनी संरचना को कैसे बदल रहा है।
इसे विभिन्न लोगों के लिए काम करने योग्य बनाने के लिए, शोधकर्ताओं को एक बड़ी बाधा का सामना करना पड़ा: यह तथ्य कि कोई भी दो मस्तिष्क एक जैसे नहीं होते। एक व्यक्ति पर प्रशिक्षित मॉडल अक्सर दूसरे पर परीक्षण किए जाने पर विफल हो जाता है। इसे ठीक करने के लिए, उन्होंने एक ऐसी विधि पेश की जो विभिन्न लोगों के भावनात्मक पैटर्न को बिना उन्हें बिल्कुल एक जैसा बनाए संरेखित (align) करती है। उन्होंने एक ऐसी तकनीक का उपयोग किया जो समान भावनात्मक अनुभवों को एक साथ समूहित करती है, जिससे प्रत्येक भावना के लिए एक साझा "प्रोटोटाइप" बनता है। इसे खुशी के विभिन्न अनुभवों के बीच सामान्य आधार खोजने के रूप में सोचें, बजाय इसके कि उनके मस्तिष्क को बिल्कुल एक जैसा बनाने की कोशिश की जाए। इन साझा प्रोटोटाइप को संरेखित करके, सिस्टम भावनाओं के सार को पहचानना सीख जाता है, चाहे वह किसी का भी मस्तिष्क उत्पन्न कर रहा हो। यह मॉडल को सामान्यीकरण (generalize) करने में सक्षम बनाता है, जिसका अर्थ है कि यह उन लोगों की भावनाओं का सटीक अनुमान लगा सकता है जिन्हें उसने पहले कभी नहीं देखा है।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण SEED डेटासेट नामक एक प्रसिद्ध संग्रह का उपयोग करके किया, जिसमें कई लोगों के भावनात्मक वीडियो देखने के रिकॉर्ड शामिल हैं। उन्होंने सिस्टम से उन भावनाओं को पहचानने के लिए कहा जिनके लिए उसे परीक्षण किए जा रहे विशिष्ट व्यक्ति पर प्रशिक्षित नहीं किया गया था। परिणाम आश्चर्यजनक थे। नए सिस्टम ने औसकी सटीकता 89.64 प्रतिशत प्राप्त की, जो इसी डेटा पर पहले से परीक्षण किए गए किसी भी अन्य तरीके से अधिक है। अधिक महत्वपूर्ण बात यह है कि यह अधिक सुसंगत था, जो विभिन्न लोगों के बीच इसके प्रदर्शन में कम भिन्नता दिखाता है। जब शोधकर्ताओं ने अपने सिस्टम से माइक्रोस्टेट मार्गदर्शन को हटा दिया, तो सटीकता काफी गिर गई, जिससे यह सिद्ध हुआ कि ये तीव्र मस्तिष्क पैटर्न उनकी सफलता के लिए आवश्यक हैं। सिस्टम ने यह भी दिखाया कि वह मस्तिष्क के सही हिस्सों, विशेष रूप से फ्रंटल और टेम्पोरल क्षेत्रों पर ध्यान दे रहा था, जो भावनात्मक प्रसंस्करण में शामिल माने जाते हैं।
यह अध्ययन सुझाव देता है कि मस्तिष्क संकेतों को समझने की कुंजी उनके गतिशील स्वभाव का सम्मान करने में निहित है। मस्तिष्क को एक ऐसे सिस्टम के रूप में मानकर जो तेजी से, लयबद्ध विस्फोटों में खुद को लगातार पुनर्गठित कर रहा है, शोधकर्ता एक ऐसा मॉडल बनाने में सक्षम हुए जो मस्तिष्क को अधिक स्पष्ट रूप से देखता है। उन्होंने केवल भावनाओं को वर्गीकृत करने का बेहतर तरीका नहीं खोजा; उन्होंने परिवर्तन की मस्तिष्क की अपनी भाषा को सुनने का एक तरीका खोजा है। हालांकि यह सिस्टम अभी भी पूर्ण नहीं है और तटस्थ एवं नकारात्मक भावनाओं के बीच अंतर करने में थोड़ा संघर्ष करता है, लेकिन परिणाम एक आशाजनक भविष्य की ओर इशारा करते हैं। शोधकर्ता अपने दृष्टिकोण का परीक्षण और भी बड़े और विविध डेटासेट पर करने की योजना बना रहे हैं ताकि यह देखा जा सके कि क्या यह वास्तविक दुनिया के परिदृश्यों में टिक सकता है। फिलहाल, यह कार्य प्रदर्शित करता है कि जब हम मस्तिष्क को समय में फ्रीज करने के बजाय उसके प्राकृतिक प्रवाह का अनुसरण करना शुरू करते हैं, तो हम मानवीय भावना की गहरी समझ हासिल कर सकते हैं।
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।