Subject Identity Is a Major Source of Variance in EEG Spectral Features and Can Inflate Machine Learning Evaluation
यह अध्ययन प्रदर्शित करता है कि विषय की पहचान (subject identity) EEG स्पेक्ट्रल विशेषताओं में भिन्नता का एक प्रमुख स्रोत है जो मानक डेटा स्प्लिट्स का उपयोग करने वाली मूल्यांकनों के दौरान मशीन लर्निंग प्रदर्शन को कृत्रिम रूप से बढ़ा सकती है, जिससे वैध बायोमार्कर खोज सुनिश्चित करने के लिए विषय-वार (subject-wise) मूल्यांकन प्रोटोकॉल की आवश्यकता होती 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 जटिल इंजन है, और वैज्ञानिकों ने लंबे समय से इसकी गूँज को सुनने के लिए इलेक्ट्रोएन्सेफलोग्राफी (EEG) नामक तकनीक का उपयोग किया है। खोपड़ी पर सेंसर लगाकर, शोधकर्ता मस्तिष्क के उन लयबद्ध संकेतों को पकड़ सकते हैं जब वह सोचता है, आराम करता है या हिलता-डुलता है। हाल के वर्षों में, मशीन लर्निंग ने इस प्रयास में हाथ मिलाया है, जो इन संकेतों में ऐसे पैटर्न खोजने के लिए शक्तिशाली उपकरण प्रदान करती है जो किसी व्यक्ति की मानसिक स्थिति को प्रकट कर सकते हैं, अवसाद जैसी बीमारी का पता लगा सकते हैं, या यह भविष्यवाणी कर सकते हैं कि वे कैसे व्यवहार करेंगे। आशा यह है कि ये कंप्यूटर मॉडल किसी स्थिति के विशिष्ट जैविक हस्ताक्षरों (signatures) को सीख सकें, जिससे बीमारी के संकेत को एक स्वस्थ मस्तिष्क के शोर से अलग किया जा सके। हालाँकि, इन मॉडलों पर भरोसा करने के लिए, उन्हें निष्पक्ष रूप से परखा जाना चाहिए। यदि कोई कंप्यूटर प्रोग्राम किसी बीमारी के बजाय एक विशिष्ट व्यक्ति को पहचानने के लिए सीख जाता है, तो यह एक परीक्षण में पूरी तरह से सफल दिखाई देगा लेकिन वास्तविक दुनिया में पूरी तरह विफल हो जाएगा। व्यक्ति की पहचान को उसकी चिकित्सा स्थिति के साथ भ्रमित करने का यह जोखिम ही वह केंद्रीय पहेली है जिसे यह नया शोध सुलझाने का प्रयास कर रहा है।
शोधकर्ताओं की एक टीम ने यह मापने के लिए काम शुरू किया कि मानक मस्तिष्क तरंग रिकॉर्डिंग में मौजूद जानकारी का कितना हिस्सा उस कार्य का है जो व्यक्ति कर रहा है या उस समय का है जब उसे रिकॉर्ड किया गया था, न कि स्वयं उस व्यक्ति का है। उन्होंने चार अलग-अलग समूहों के डेटा का विश्लेषण किया, जिसमें मेजर डिप्रेशन डिसऑर्डर (major depressive disorder) के रोगियों से लेकर सरल मोटर कार्यों को करने वाले स्वयंसेवक शामिल थे। यह डेटा विभिन्न स्रोतों से आया था, जिसमें दर्जनों सेंसरों वाले उच्च-स्तरीय अनुसंधान उपकरण और कुछ ही सेंसरों वाले सरल, उपभोक्ता-ग्रेड हेडसेट शामिल थे। वैज्ञानिकों ने मस्तिष्क तरंगों के डेटा को विशिष्ट फ्रीक्वेंसी बैंड्स में विभाजित किया, विभिन्न लय की शक्ति (power) की जांच की, और फिर एक मौलिक प्रश्न पूछा: यदि आप इन पैटर्न को देखते हैं, तो आप जो देखते हैं उसमें से कितना हिस्सा उस विशिष्ट व्यक्ति के लिए अद्वितीय है, और कितना हिस्सा केवल रिकॉर्डिंग सत्र या कार्य में बदलाव के कारण है?
उन्हें जो उत्तर मिला वह चौंकाने वाला था। इन मस्तिष्क संकेतों के विश्लेषण के सामान्य तरीके में, डेटा रिकॉर्ड करने वाले व्यक्ति की पहचान ही भिन्नता का सबसे बड़ा स्रोत थी। विभिन्न अध्ययनों में, शोधकर्ताओं ने गणना की कि एक व्यक्ति की अद्वितीय "फिंगरप्रिंट" मस्तिष्क गतिविधि कुल अंतरों का लगभग सत्तर से अस्सी प्रतिशत हिस्सा थी। इसके विपरीत, केवल इसलिए होने वाले परिवर्तन क्योंकि रिकॉर्डिंग किसी दूसरे दिन ली गई थी, या क्योंकि व्यक्ति थोड़ा अलग कार्य कर रहा था, भिन्नता का केवल एक छोटा सा हिस्सा थे। इसे समझने के लिए, एक ही कमरे में बैठे दो अलग-अलग लोगों के बीच का अंतर, उसी व्यक्ति के दो अलग-अलग दिनों में कमरे में बैठने के बीच के अंतर से लगभग तीस गुना अधिक था। इसका अर्थ यह है कि किसी भी एकल व्यक्ति की मस्तिष्क तरंगें इतनी विशिष्ट हैं कि वे एक स्थिर, मापने योग्य हस्ताक्षर बनाती हैं जो समय के साथ बनी रहती है, यहाँ तक कि व्यक्ति के दैनिक जीवन के बदलने के बावजूद भी।
चूंकि यह व्यक्तिगत हस्ताक्षर इतना मजबूत है, इसलिए शोधकर्ताओं ने परीक्षण किया कि क्या एक कंप्यूटर इसका उपयोग लोगों की पहचान करने के लिए कर सकता है, ठीक वैसे ही जैसे एक फिंगरप्रिंट स्कैनर। उन्होंने एक सेट मस्तिष्क रिकॉर्डिंग का उपयोग करके व्यक्तियों को पहचानने के लिए मॉडलों को प्रशिक्षित किया और फिर बाद में उन्हीं लोगों के नए रिकॉर्डिंग पर उनका परीक्षण किया। परिणाम लगभग सटीक थे। मॉडल अत्यधिक सटीकता के साथ एक व्यक्ति को दूसरे से अलग कर सकते थे, भले ही रिकॉर्डिंग महीनों के अंतराल पर ली गई हो। कुछ परीक्षणों में, कंप्यूटर ने लगभग हर बार सही व्यक्ति की पहचान की, जिससे सिद्ध हुआ कि मस्तिष्क तरंगों के पैटर्न में व्यक्तिगत पहचान का एक मजबूत, दीर्घकालिक कोड होता है। यह व्यक्ति को पहचानने की क्षमता केवल उच्च-गुणवत्ता वाले अनुसंधान उपकरणों तक सीमित नहीं थी; यह सरल, उपभोक्ता-ग्रेड हेडसेट के डेटा में भी मौजूद थी, हालांकि कार्य के बड़े स्तर पर बदलने पर इसका प्रभाव कमजोर था।
हालाँकि, अध्ययन का सबसे महत्वपूर्ण हिस्सा यह देखना था कि क्या होता है जब लोगों को पहचानने की यह शक्तिशाली क्षमता चिकित्सा निदान में बाधा डालती है। शोधकर्ताओं ने एक सामान्य गलती का अनुकरण किया जो अक्सर इन अध्ययनों के संचालन में होती है: डेटा को व्यक्ति के बजाय मस्तिष्क तरंग खंडों (segments) के आधार पर विभाजित करना। इस त्रुटिपूर्ण सेटअप में, एक ही रोगी के कुछ मस्तिष्क तरंग क्लिप प्रशिक्षण समूह में जा सकते हैं जबकि उसी रोगी के अन्य क्लिप परीक्षण समूह में जा सकते हैं। जब उन्होंने मेजर डिप्रेशन डिसऑर्डर का पता लगाने के लिए एक मशीन लर्निंग मॉडल चलाया, तो कंप्यूटर ने लगभग पूर्ण स्कोर प्राप्त किया। ऐसा लगा जैसे उसने बीमारी को पूरी तरह से समझ लिया है। लेकिन जब शोधकर्ताओं ने मॉडल को सही ढंग से परीक्षण करने के लिए मजबूर किया—यानी, एक ही व्यक्ति के सभी डेटा को प्रशिक्षण डेटा से पूरी तरह अलग रखकर—तो प्रदर्शन काफी गिर गया।
जांच से पता चला कि पहला परीक्षण इतना भ्रामक क्यों था। कंप्यूटर वास्तव में अवसाद के संकेतों को नहीं पहचान रहा था। इसके बजाय, इसने स्वयं रोगियों को पहचानना सीख लिया था। चूंकि अध्ययन में प्रत्येक व्यक्ति के लिए निदान निश्चित था, इसलिए मॉडल ने बस यह पहचानकर कि कौन बीमार है और कौन स्वस्थ, उनकी विशिष्ट मस्तिष्क तरंग पहचान (signature) को याद कर लिया था। जब शोधकर्ताओं ने एक मॉडल को केवल लोगों को पहचानने के लिए प्रशिक्षित किया, बिना कभी उन्हें चिकित्सा लेबल दिखाए, तो वह निदान की सटीक भविष्यवाणी कर सका। इसने सिद्ध किया कि त्रुटिपूर्ण परीक्षण से प्राप्त उच्च स्कोर एक भ्रम था जो मॉडल द्वारा पहचान को एक शॉर्टकट के रूप में उपयोग करने से पैदा हुआ था। अध्ययन निष्कर्ष निकालता है कि मस्तिष्क विज्ञान में मशीन लर्निंग के विश्वसनीय होने के लिए, शोधकर्ताओं को व्यक्ति की पहचान को एक प्रमुख कारक के रूप में नियंत्रित करना चाहिए। उन्हें यह सुनिश्चित करना चाहिए कि कंप्यूटर प्रशिक्षण और परीक्षण दोनों चरणों में एक ही व्यक्ति को न देखे, अन्यथा यह ऐसा प्रतीत हो सकता है जैसे उन्होंने कोई चिकित्सा सफलता खोज ली है, जबकि उन्होंने केवल एक व्यक्ति का नाम सीखा 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।