Predicting Somatosensory Awareness from Intracranially Informed Scalp EEG
यह अध्ययन एक मशीन-लर्निंग दृष्टिकोण प्रस्तुत करता है जो इंट्राक्रेनियल ऑपरकुलो-इंसुलर गतिविधि का पूर्वानुमान लगाकर सचेत सोमेटोसेंसरी धारणा के लिए एक गैर-आक्रामक स्कैल्प ईईजी मार्कर व्युत्पन्न करता है, जो मौजूदा मार्करों की तुलना में डेटासेट और मस्तिष्क अवस्थाओं के बीच बेहतर व्यक्तिगत-स्तर की निरंतरता और सामान्यीकरण क्षमता 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
जब हम कुछ महसूस करते हैं तो क्या होता है, इसे समझने के लिए वैज्ञानिक अक्सर मस्तिष्क के विद्युत संकेतों की ओर देखते हैं। जब एक तंत्रिका को उत्तेजित किया जाता है, तो मस्तिष्क एक अनुमानित विद्युत तरंग उत्पन्न करता है जिसे खोपड़ी (स्कैल्प) से मापा जा सकता है। दशकों से, शोधकर्ता इन संकेतों में एक विशिष्ट पैटर्न पर भरोसा करते रहे हैं, जिसे सोमेटोसेंसरी अवेयरनेस नेगेटिविटी (Somatosensory Awareness Negativity) के रूप में जाना जाता है, जिससे यह अनुमान लगाया जा सके कि क्या किसी व्यक्ति ने वास्तव में स्पर्श को महसूस किया है। यह पैटर्न उद्दीपन (stimulus) के लगभग एक-दशांश सेकंड बाद विद्युत वोल्टेज में एक गिरावट के रूप में दिखाई देता है। हालाँकि, इस पद्धति में एक महत्वपूर्ण दोष है: इस गिरावट का आकार, समय और परिमाण एक व्यक्ति से दूसरे व्यक्ति में बहुत भिन्न होता है। जो एक व्यक्ति में जागरूकता का स्पष्ट संकेत लग सकता है, वह दूसरे में केवल रैंडम शोर (noise) जैसा दिख सकता है, जिससे यह निर्धारित करना कठिन हो जाता है कि क्या कोई विशिष्ट व्यक्ति संवेदना के प्रति जागरूक है, खासकर यदि वे हमें बताने के लिए बोल या हिल नहीं सकते।
यह चुनौती उन रोगियों के साथ अत्यंत महत्वपूर्ण हो जाती है जो जागृत तो हैं लेकिन संवाद करने में असमर्थ हैं, जैसे कि कोमा या गहरी नींद की स्थिति में। इन मामलों में, डॉक्टर यह पूछ नहीं सकते कि, "क्या आपने वह महसूस किया?" और उन्हें चेतना का निर्धारण करने के लिए पूरी तरह से ब्रेन स्कैन पर निर्भर रहना पड़ता है। मिलान विश्वविद्यालय और अन्य संस्थानों के शोधकर्ताओं द्वारा किए गए एक नए अध्ययन ने एक संभावित समाधान पेश किया है। उन्नत मशीन लर्निंग के साथ-साथ खोपड़ी और मस्तिष्क के गहरे हिस्से से एक साथ की जाने वाली रिकॉर्डिंग को जोड़कर, उन्होंने एक नया तरीका विकसित किया है जिससे यह अनुमान लगाया जा सके कि क्या कोई व्यक्ति सचेत रूप से स्पर्श को महसूस कर रहा है। सतह के संकेतों में एक विशिष्ट आकार खोजने के बजाय, उनकी विधि खोपड़ी के डेटा का उपयोग मस्तिष्क के भीतर की एक विशिष्ट, निरंतर विद्युत गतिविधि का अनुमान लगाने के लिए करती है, जो सचेत जागरूकता से जुड़ी मानी जाती है।
शोधकर्ताओं ने शुरुआत उन रोगियों के एक छोटे समूह के साथ की जो पहले से ही मिर्गी (epilepsy) के लिए गहन निगरानी (invasive monitoring) के अधीन थे। इन रोगियों के मस्तिष्क के भीतर इलेक्ट्रोड रखे गए थे, और साथ ही उनकी खोपड़ी पर सेंसरों की एक उच्च-घनत्व वाली टोपी (cap) भी लगाई गई थी। जब रोगी जागृत थे, तब टीम ने उनके कलाइयों की मीडियन नर्व (median nerve) को एक हल्के विद्युत पल्स से उत्तेजित किया। चूंकि रोगी यह बता सकते थे कि उन्होंने पल्स को महसूस किया या नहीं, इसलिए शोधकर्ताओं के पास मस्तिष्क के संकेतों की तुलना करने के लिए एक सटीक आधार (ground truth) उपलब्ध था। उन्होंने खोपड़ी के विद्युत संकेतों और मस्तिष्क के ओर्पिकुलो-इंसुलर क्षेत्र (operculo-insular region) में होने वाली विशिष्ट, निरंतर विद्युत प्रतिक्रिया के बीच के संबंध को सीखने के लिए एक कंप्यूटर मॉडल का उपयोग किया—जो कि सचेत अनुभव से जुड़ा मस्तिष्क का एक गहरा क्षेत्र है। मॉडल को खोपड़ी के जटिल और अव्यवस्थित संकेतों को लेने और उन्हें मस्तिष्क के भीतर हो रही घटना के पूर्वानुमान में अनुवादित करने के लिए प्रशिक्षित किया गया था।
एक बार मॉडल प्रशिक्षित हो जाने के बाद, टीम ने स्वस्थ स्वयंसेवकों के एक पूरी तरह से नए समूह का परीक्षण किया। इन प्रतिभागियों को समान तंत्रिका उद्दीपन दिए गए, लेकिन उनसे पूछा गया कि क्या उन्होंने प्रत्येक पल्स को महसूस किया या नहीं। शोधकर्ताओं ने बिना किसी सेटिंग को बदले, इन नए प्रतिभागियों की खोपड़ी की रिकॉर्डिंग पर अपने प्रशिक्षित मॉडल को लागू किया। उन्होंने पाया कि जब प्रतिभागियों ने उद्दीपन को महसूस करने की सूचना दी, तो मॉडल ने मस्तिष्क के गहरे क्षेत्रों में एक मजबूत, निरंतर विद्युत प्रतिक्रिया का अनुमान लगाया। जब प्रतिभागियों ने उद्दीदन को महसूस नहीं किया, तो अनुमानित प्रतिक्रिया कमजोर या अनुपस्थित थी। महत्वपूर्ण बात यह है कि यह विधि परीक्षण किए गए प्रत्येक व्यक्ति के लिए लगातार काम करती थी। पुरानी पद्धति के विपरीत, जो मस्तिष्क की आकृति और सिग्नल के समय में प्राकृतिक भिन्नता के कारण कई व्यक्तियों में जागरूकता को पहचानने में विफल रही थी, इस नए दृष्टिकोण ने प्रत्येक प्रतिभागी के लिए "महसूस किए गए" और "महसूस न किए गए" के बीच सफलतापूर्वक अंतर किया। हालांकि, लेखकों ने उल्लेख किया कि चूंकि निर्णय का थ्रेशोल्ड (decision threshold) उसी डेटासेट का उपयोग करके निकाला और मूल्यांकित किया गया था, इसलिए यह पूर्ण अलगाव (complete separation) प्रशिक्षण डेटा के प्रदर्शन को दर्शाता है, न कि किसी नई आबादी में इसकी संवेदनशीलता और विशिष्टता का निष्पक्ष अनुमान।
इस उपकरण की मजबूती का परीक्षण करने के लिए, शोधकर्ताओं ने बिल्कुल उसी मॉडल और निर्णय नियमों को लोगों के तीसरे समूह पर लागू किया जो या तो जागृत थे या बहुत गहरी नींद की अवस्था में थे। इस प्रयोग में, किसी ने भी यह रिपोर्ट नहीं किया कि उन्होंने क्या महसूस किया; एकमात्र अंतर उनकी चेतना की अवस्था थी। इस प्रयोग में, मॉडल को यह बताने के लिए प्रशिक्षित नहीं किया गया था कि कौन जाग रहा है और कौन सो रहा है, फिर भी इसने प्रत्येक प्रतिभागी की स्थिति की सफलतापूर्वक पहचान की। जब विषय जागृत थे, तो मॉडल ने सचेत-जागरूकता सिग्नल की उपस्थिति का अनुमान लगाया। जब वे गहरी नींद में थे, तो वह सिग्नल गायब हो गया। यह तब भी हुआ जब मॉडल को केवल जागृत लोगों और उनकी रिपोर्टिंग वाले डेटा पर प्रशिक्षित किया गया था। तथ्य यह है कि वही गणितीय नियम एक सचेत, जागृत मस्तिष्क और एक गहरी नींद वाले मस्तिष्क के बीच अंतर कर सके, यह सुझाव देता है कि यह विधि संवेदना को संसाधित करने के तरीके में एक मौलिक जैविक अंतर को पकड़ रही है। हालांकि, शोधकर्ता चेतावनी देते हुए कहते हैं कि इस परिणाम को धारणा (perception) को वर्गीकृत करने की विधि के स्वतंत्र सत्यापन के रूप में नहीं देखा जाना चाहिए, क्योंकि गहरी नींद के दौरान भी सचेत विचार आ सकते हैं और प्रतिभागियों के वास्तविक अनुभव की पुष्टि करने के लिए कोई ट्रायल-दर-ट्रायलल रिपोर्ट उपलब्ध नहीं थी।
अध्ययन ने इस नए दृष्टिकोण की पारंपरिक विधि (खोपड़ी पर विशिष्ट वोल्टेज डिप खोजने वाली विधि) के साथ सीधे तुलना भी की। जबकि पारंपरिक विधि ने समूह के रूप में देखते समय 'महसूस किए गए' और 'महसूस न किए गए' उद्दीपनों के बीच अंतर दिखाया, लेकिन वह कई व्यक्तियों के लिए स्पष्ट उत्तर देने में विफल रही। कुछ लोगों के मस्तिष्क तरंगें ऐसी दिखती थीं जैसे वे जागरूक हों, जबकि अन्य ऐसे दिखते थे जैसे वे नहीं हों, भले ही उन्होंने एक ही चीज़ को महसूस करने की सूचना दी हो। नई विधि, जिसे शोधकर्ताओं ने 'स्कैल्प एस्टिमेटेड टोनिसिटी' (Scalp Estimated Tonicity) कहा है, ने डेवलपमेंट सेट के प्रत्येक व्यक्ति के लिए एक स्पष्ट और सुसंगत उत्तर प्रदान किया। इसने परीक्षण समूहों में पूर्ण अलगाव प्राप्त किया, जागृति और नींद के परीक्षणों में प्रत्येक व्यक्ति की जागरूकता की स्थिति को सही ढंग से पहचाना, और धारणा (perception) के परीक्षणों में भी प्रत्येक व्यक्ति के लिए सफल रहा।
यह कार्य यह दावा नहीं करता है कि इसने चेतना के रहस्य को सुलझा लिया है, और न ही यह सुझाव देता है कि यह उपकरण तुरंत हर अस्पताल में उपयोग के लिए तैयार है। अध्ययन अपेक्षाकृत कम लोगों पर किया गया था, और मॉडल को मिर्गी के रोगियों के डेटा पर प्रशिक्षित किया गया था, भले ही मॉडल के लिए उपयोग किए गए संपर्क स्वस्थ मस्तिष्क ऊतक से चुने गए थे। शोधकर्ता स्वीकार करते हैं कि इस उपकरण को उन रोगियों के साथ नैदानिक सेटिंग में और अधिक परीक्षण की आवश्यकता है जो संवाद करने में असमर्थ हैं, ताकि यह देखा जा सके कि क्या यह कोमा या वेजिटेटिव स्टेट जैसी स्थितियों में जागरूकता का विश्वसनीय रूप से पता लगा सकता है। हालांकि, परिणाम एक स्पष्ट मार्ग दिखाते हैं। मशीन लर्निंग का उपयोग करके खोपड़ी पर दिखने वाली चीज़ और मस्तिष्क के भीतर वास्तव में क्या हो रहा है, के बीच के अंतर को पाटकर, शोधकर्ताओं ने एक गैर-आक्रामक उपकरण बनाया है जो पिछली विधियों की तुलना में बहुत अधिक विश्वसनीय है। यह संवेदना के बारे में मस्तिष्क की आंतरिक बातचीत को सुनने का एक तरीका प्रदान करता है, जो संभावित रूप से उन लोगों को आवाज़ दे सकता है जो अपने लिए बोल नहीं सकते।
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।