An Investigation of Cross-Subject Variability in EEG-EMG Fusion Models

मानव शरीर एक जटिल मशीन है जहाँ मस्तिष्क आदेश भेजता है और मांसपेशियाँ उन्हें पूरा करती हैं। उन लोगों की मदद करने के लिए जिन्होंने हिलने-डुलने की क्षमता खो दी है, वैज्ञानिक लंबे समय से ऐसी मशीनें बनाने की कोशिश कर रहे हैं जो सीधे इन आदेशों को पढ़ सकें। वे दो मुख्य संकेतों को देखते हैं: मस्तिष्क की विद्युत गतिविधि, जो गति की योजना को दर्शाती है, और मांसपेशियों की विद्युत गतिविधि, जो वास्तव में हो रही गति को दर्शाती है। वर्षों तक, शोधकर्ताओं का मानना था कि इन दोनों संकेतों को मिलाने से एक आदर्श प्रणाली बन जाएगी, जो अकेले किसी एक के उपयोग से कहीं बेहतर होगी। विचार यह था कि मस्तिष्क की प्रारंभिक चेतावनी और मांसपेशी की अंतिम क्रिया मिलकर मशीन को यह समझने में मदद करेगी कि व्यक्ति वास्तव में क्या करना चाहता था। हालाँकि, इसमें एक बड़ी समस्या है। हर व्यक्ति का मस्तिष्क और शरीर थोड़ा अलग होता है। खोपड़ी का आकार, त्वचा की मोटाई और तंत्रिकाएं (नर्व्स) कैसे काम करती हैं, यह एक व्यक्ति से दूसरे व्यक्ति में भिन्न होता है। इसका अर्थ यह है कि एक व्यक्ति पर प्रशिक्षित प्रणाली अक्सर किसी दूसरे व्यक्ति के लिए काम करने में विफल हो जाती है, एक ऐसी बाधा जिसने कई आशाजनक तकनीकों को प्रयोगशालाओं तक ही सीमित रखा है।

म्यूनिख के तकनीकी विश्वविद्यालय में अल्बर्ट शुल द्वारा की गई एक हालिया जांच ने इसी समस्या को लक्षित किया। नए रोगियों को नए प्रयोग के लिए भर्ती करने के बजाय, शोधकर्ता ने दर्जनों स्वस्थ लोगों के मस्तिष्क और मांसपेशियों के संकेतों की मौजूदा, सार्वजनिक रूप से उपलब्ध रिकॉर्डिंग का उपयोग किया। इस डेटा पर हजारों कंप्यूटर सिमुलेशन चलाकर, अध्ययन ने यह परीक्षण किया कि ये संयुक्त मस्तिष्क-मांसपेशी प्रणालियाँ वास्तव में कितनी अच्छी तरह काम करती हैं जब उन्हें उन लोगों के इरादों को पहचानने के लिए कहा जाता है जिनसे वे कभी नहीं मिले। लक्ष्य यह देखना था कि क्या संकेतों को मिलाने का जादू मानवीय अंतरों की वास्तविक दुनिया में भी जीवित रहता है।

परिणामों ने सिद्धांत और व्यवहार के बीच एक महत्वपूर्ण अंतर को उजागर किया। जब कंप्यूटर मॉडल का परीक्षण उसी व्यक्ति पर किया गया जिस पर उन्हें प्रशिक्षित किया गया था, तो मस्तिष्क और मांसपेशियों के संकेतों का संयोजन बहुत अच्छी तरह से काम करता था, जिससे उच्च सटीकता प्राप्त हुई। इन परिचित परिस्थितियों में, दोनों संकेतों ने एक-दूसरे के पूरक के रूप में पूर्ण कार्य किया। हालाँकि, जैसे ही मॉडलों को एक नए व्यक्ति पर काम करने के लिए कहा गया, प्रदर्शन तेजी से गिर गया। अध्ययन में पाया गया कि संयुक्त प्रणाली की सटीकता मूल उपयोगकर्ता की तुलना में लगभग 20 से 25 प्रतिशत कम हो गई। यह गिरावट दोनों संकेतों में एक समान नहीं थी। मांसपेशियों के संकेत अपेक्षाकृत मजबूत रहे, और नए व्यक्ति के साथ भी काफी हद तक स्थिर रहे। दूसरी ओर, मस्तिष्क के संकेत, जब किसी अजनबी पर लागू किए गए, तो लगभग बेकार हो गए, और अक्सर उस स्तर तक गिर गए जहाँ कंप्यूटर केवल अनुमान लगा रहा था।

यह खोज बताती है कि मस्तिष्क और मांसपेशियों के संकेतों को मिलाने का लाभ काफी हद तक इस बात पर निर्भर है कि सिस्टम का उपयोग करने वाले विशिष्ट व्यक्ति को कितना जाना जाता है। मस्तिष्क के विद्युत पैटर्न प्रत्येक व्यक्ति के लिए इतने अद्वितीय होते हैं कि एक व्यक्ति पर प्रशिक्षित मॉडल दूसरे व्यक्ति में समान इरादे को आसानी से नहीं पहचान पाता है। इसके विपरीत, मांसपेशियों के संकेत विभिन्न लोगों में अधिक सुसंगत होते हैं क्योंकि मांसपेशियां कैसे चलती हैं, इसकी बुनियादी यांत्रिकी सभी के लिए समान होती है। जब कंप्यूटर मॉडलों को बिना किसी पूर्व प्रशिक्षण के नए लोगों पर काम करने के लिए मजबूर किया गया, तो उन्होंने स्वाभाविक रूप से अविश्वसनीय मस्तिष्क संकेतों को अनदेखा करना और लगभग पूरी तरह से स्थिर मांसपेशियों के संकेतों पर भरोसा करना सीख लिया। दोनों का संलयन (फ्यूजन) एक मजबूत 'सुपर-सिग्नल' बनाने में सफल नहीं हुआ; इसके बजाय, यह मांसपेशियों के डेटा पर निर्भर होने वाला एक ऐसा सिस्टम बन गया क्योंकि मस्तिष्क का डेटा भरोसे के लायक नहीं था।

अध्ययन ने यह भी पता लगाया कि क्या उन्नत कंप्यूटर तकनीकें इस समस्या को ठीक कर सकती हैं। शोधकर्ताओं ने उन तरीकों का परीक्षण किया जिन्हें एक व्यक्ति से दूसरे व्यक्ति के संकेतों को अनुवादित करने के लिए डिज़ाइन किया गया था, इस उम्मीद में कि वे अंतरों को संरेखित कर सकें ताकि एक एकल मॉडल सभी के लिए काम कर सके। इन तकनीकों ने, जिनमें सिग्नल पैटर्न के गणितीय समायोजन शामिल हैं, मदद की। वे कुछ खोई हुई प्रदर्शन को वापस पाने में सफल रहे, जिससे मस्तिष्क के संकेतों की सटीकता में लगभग 8 से 12 प्रतिशत और संयुक्त प्रणाली में 5 से 8 प्रतिशत का सुधार हुआ। हालाँकि, इन तरीकों ने समस्या को पूरी तरह से हल नहीं किया। इन समायोजनों के बावजूद, सिस्टम अभी भी किसी विशिष्ट व्यक्ति से कोई सैंपल डेटा लिए बिना, एक नए व्यक्ति पर पूरी तरह से काम करने के लिए संघर्ष करता रहा। अध्ययन निष्कर्ष निकालता है कि हालांकि हम सिस्टम को बेहतर बना सकते हैं, लेकिन हम इसे अभी तक वास्तव में सार्वभौमिक नहीं बना सकते। मानव मस्तिष्क के बीच के अंतर इतने गहरे हैं कि एक साधारण गणितीय समाधान उन्हें पूरी तरह से मिटा नहीं सकता।

चिकित्सा तकनीक के भविष्य के लिए, ये निष्कर्ष एक स्पष्ट मार्ग प्रदान करते हैं। एक ऐसे एकल उपकरण का सपना जिसे किसी भी रोगी को दिया जा सके और जो तुरंत काम करने लगे, फिलहाल पहुंच से बाहर लग रहा है। इसके बजाय, सबसे विश्वसनीय दृष्टिकोण वे सिस्टम प्रतीत होते हैं जो मांसपेशियों के संकेतों पर ध्यान केंद्रित करते हैं या जिनमें प्रत्येक नए उपयोगकर्ता के लिए एक संक्षिप्त, व्यक्तिगत प्रशिक्षण अवधि शामिल होती है। अध्ययन सुझाव देता है कि सबसे अच्छे डिजाइन वे होंगे जो अनुकूलन योग्य हों, जो उपयोगकर्ता को कितनी अच्छी तरह जानते हैं, इसके आधार पर मस्तिष्क और मांसपेशियों के संकेतों को अलग-अलग महत्व दें। जब तक हम व्यक्तियों के बीच के अंतर को पूरी तरह से पाट नहीं लेते, तब तक सबसे प्रभावी उपकरण वे होंगे जो मानवीय भिन्नता को अनदेखा करने के बजाय उसे स्वीकार करें और उसके साथ काम करें।