Uncovering EEG Patterns Consistently Associated with Cybersickness Discomfort Using Deep Learning Interpretability Maps
यह अध्ययन दो स्वतंत्र उपयोगकर्ता अध्ययनों से प्राप्त ईईजी (EEG) डेटा पर डीप लर्निंग इंटरप्रिटेबिलिटी मैप्स का उपयोग करता है ताकि सुसंगत स्थानिक-कालिक (spatio-temporal) विशेषताओं की पहचान की जा सके—विशेष रूप से उद्दीपन के बाद 80–260ms की विंडो के दौरान बाएं फ्रंटल, मिडलाइन सेंट्रल और दाएं पैरिएटल मस्तिष्क क्षेत्रों में—जो साइबरसिकनेस (cybersickness) के असुविधा को वर्गीकृत करने के लिए सबसे महत्वपूर्ण हैं।
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
कल्पना कीजिए कि आप एक वर्चुअल रियलिटी हेडसेट पहने हुए हैं, एक सिम्युलेटेड म्यूजियम टूर देख रहे हैं या स्क्रीन पर घूमती हुई रेखाओं को देख रहे हैं। कुछ लोगों के लिए, यह अनुभव रोमांचक होता है; दूसरों के लिए, यह मतली, चक्कर आना और सामान्य बेचैनी की एक लहर पैदा करता है जिसे 'साइबरसिकनेस' (cybersickness) कहा जाता है। यह असुविधा वर्चुअल रियलिटी के व्यापक उपयोग में एक बड़ी बाधा है, जो लोग कितनी देर तक इसमें डूबे रह सकते हैं, इसे सीमित करती है और कई लोगों को इस तकनीक का उपयोग करने से रोकती है। वर्तमान में, यह जानने का एकमात्र तरीका कि कोई व्यक्ति बीमार महसूस कर रहा है या नहीं, उनसे पूछना है, जो आमतौर पर अनुभव समाप्त होने के बाद होता है। लेकिन तब तक, मदद करने के लिए बहुत देर हो चुकी होती है। वैज्ञानिकों को लंबे समय से संदेह था कि मस्तिष्क किसी व्यक्ति के अस्वस्थ महसूस करने से पहले ही सूक्ष्म संकेत देता है, लेकिन ये संकेत विद्युत गतिविधि के एक अराजक तूफान में दबे होते हैं। चुनौती उन विशिष्ट पैटर्न को खोजने की थी जो बिना उपयोगकर्ता से एक भी सवाल पूछे, परेशानी की शुरुआत की विश्वसनीय रूप से भविष्यवाणी कर सकें।
शोधकर्ताओं की एक टीम ने सीधे मस्तिष्क की विद्युत भाषा को सुनकर इस पहेली को सुलझाने का लक्ष्य रखा। उन्होंने प्रतिभागियों के मस्तिष्क की गतिविधि को रिकॉर्ड किया जब वे वर्चुअल रियलिटी हेडसेट पहने हुए थे और साथ ही उन्होंने बीप की एक श्रृंखला सुनी थी। इस सेटअप ने शोधकर्ताओं को यह कैप्चर करने की अनुमति दी कि जब दृश्य दुनिया उनके चारों ओर घूम रही थी, तब मस्तिष्क की ध्वनि के प्रति क्या प्रतिक्रिया थी। उन्होंने मस्तिष्क के एक विशिष्ट प्रकार के संकेत पर ध्यान केंद्रित किया जिसे 'इवेंट-रिलेटेड पोटेंशियल' (event-related potential) कहा जाता है, जो एक संक्षिप्त, समयबद्ध विद्युत प्रतिक्रिया है जो हर बार तब होती है जब मस्तिष्क किसी ध्वनि को प्रोसेस करता है। इन सूक्ष्म, सेकंड के हिस्सों वाली प्रतिक्रियाओं को देखकर, टीम को उम्मीद थी कि उन्हें असुविधा का एक ऐसा 'फिंगरप्रिंट' मिल जाएगा जो अलग-अलग लोगों और अलग-अलग वर्चुअल वातावरणों में लगातार दिखाई दे। ऐसा करने के लिए, उन्होंने एक परिष्कृत कंप्यूटर सिस्टम बनाया जो मस्तिष्क के डेटा से सीख सकता था और फिर, महत्वपूर्ण रूप से, यह समझा सकता था कि उसने अपने निर्णय लेने के लिए उस डेटा के किन हिस्सों का उपयोग किया।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण लोगों के दो अलग-अलग समूहों पर किया जिन्होंने विभिन्न वर्चुअल रियलिटी अध्ययनों में भाग लिया था। एक समूह ने वर्चुअल म्यूजियम टूर का अनुभव किया, जबकि दूसरे ने स्वयं की गति (self-motion) का अहसास कराने के लिए बनाई गई घूमती हुई रेखाओं को देखा। वर्चुअल दुनिया, उपयोग किए गए उपकरणों और शामिल लोगों में अंतर होने के बावजूद, कंप्यूटर मॉडल ने एक आश्चर्यजनक रूप से सुसंगत पैटर्न पाया। जब मॉडलों ने सफलतापूर्वक पहचान लिया कि एक व्यक्ति असहज महसूस कर रहा था, तो वे लगातार सिर की त्वचा (scalp) के तीन विशिष्ट क्षेत्रों से आने वाले संकेतों पर निर्भर थे: माथे के बाईं ओर, सिर के केंद्र में, और दाहिनी ओर पीछे की तरफ। ये संकेत केवल रैंडम शोर नहीं थे; वे एक बहुत ही विशिष्ट समय सीमा के भीतर दिखाई दिए, जो ध्वनि सुनने के लगभग 80 से 260 मिलीसेकंड के बीच था। यह एक अत्यंत छोटा अंतराल है, जो किसी व्यक्ति द्वारा सचेत रूप से बीमार महसूस करने से पहले ही घटित हो जाता है।
जो चीज़ इन निष्कर्षों को विशेष रूप से मजबूत बनाती थी, वह यह थी कि शोधकर्ताओं ने केवल एक प्रकार के कंप्यूटर मॉडल पर भरोसा नहीं किया। उन्होंने तीन अलग-अलग प्रकार के डीप लर्निंग नेटवर्क को प्रशिक्षित किया, जिनमें से प्रत्येक के पास जानकारी को प्रोसेस करने का अपना तरीका था, और प्रयोगों को मामूली बदलावों के साथ सौ से अधिक बार चलाया। लगभग हर मामले में, मॉडलों ने सिर की त्वचा पर उन्हीं कुछ इलेक्ट्रोडों की ओर इशारा किया जो सबसे महत्वपूर्ण सुराग थे। जिन लोगों को कोई असुविधा महसूस नहीं हुई, उनके लिए मॉडलों ने अलग स्थानों, मुख्य रूप से सिर के केंद्र और पीछे के हिस्से को देखा। लेकिन जो लोग बीमार महसूस कर रहे थे, उनके लिए बाईं-सामने और दाहिनी-पीछे के क्षेत्र प्राथमिक फोकस बन गए। यह निरंतरता बनी रही, भले ही शोधकर्ताओं ने डेटा को व्यवस्थित करने का तरीका या प्रतिभागियों द्वारा सुनी जाने वाली विशिष्ट ध्वनियाँ बदल दी हों। तथ्य यह है कि दो पूरी तरह से अलग डेटासेट्स, जो अलग-अलग देशों में अलग-अलग वर्चुअल रियलिटी हेडसेट के साथ एकत्र किए गए थे, ने एक ही परिणाम दिया, यह सुझाव देता है कि ये मस्तिष्क पैटर्न मानव शरीर की वर्चुअल मोशन सिकनेस के प्रति प्रतिक्रिया करने का एक मौलिक हिस्सा हैं।
अध्ययन ने यह भी खुलासा किया कि इन संकेतों का समय (timing) अत्यंत महत्वपूर्ण है। मस्तिष्क की गतिविधि जिसने असुविधा का संकेत दिया, वह ध्वनि के प्रसंस्करण के बहुत शुरुआती चरण में हुई थी, इससे बहुत पहले जब वर्चुअल वातावरण के बारे में बाद के अधिक जटिल विचार विकसित होते। यह सुझाव देता है कि बीमारी की भावना को मस्तिष्क द्वारा एक बुनियादी संवेदी घटना (sensory event) के रूप में प्रोसेस किया जाता है, जैसे कि हम तुरंत तेज़ आवाज़ को पहचान लेते हैं, न कि एक जटिल भावनात्मक प्रतिक्रिया के रूप में जिसे विकसित होने में समय लगता है। इन शुरुआती, विशिष्ट स्थानों की पहचान करके, शोधकर्ताओं ने भविष्य की तकनीक के लिए एक स्पष्ट लक्ष्य प्रदान किया है। उपयोगकर्ता के मतली महसूस करने और रिपोर्ट करने की प्रतीक्षा करने के बजाय, सिस्टम संभावित रूप से वास्तविक समय में इन विशिष्ट मस्तिष्क संकेतों की निगरानी कर सकता है। यदि सिस्टम असुविधा से जुड़े पैटर्न का पता लगाता है, तो यह उपयोगकर्ता के बीमार होने के अहसास से पहले ही, शायद गति को धीमा करके या विजुअल फील्ड को बदलकर, वर्चुअल अनुभव को स्वचालित रूप से समायोजित कर सकता है।
हालांकि परिणाम आशाजनक हैं, शोधकर्ता यह स्पष्ट करते हैं कि यह एक पूर्ण समाधान के बजाय एक शुरुआत है। मस्तिष्क एक जटिल अंग है, और स्कैल्प से रिकॉर्ड किए गए विद्युत संकेत कई अलग-अलग क्षेत्रों की गतिविधियों का मिश्रण होते हैं, जिससे खोपड़ी के भीतर संकेत के सटीक स्रोत का पता लगाना कठिन हो जाता है। इसके अलावा, अध्ययन विशेष रूप से सामान्य असुविधा की भावना पर केंद्रित था, जो साइबरसिकनेस के व्यापक सिंड्रोम का केवल एक पहलू है। मॉडल अपेक्षाकृत छोटे समूहों के लोगों पर प्रशिक्षित किए गए थे, और हालांकि पैटर्न दो डेटासेट्स में बने रहे, लेकिन यह पुष्टि करने के लिए कि ये निष्कर्ष सभी पर लागू होते हैं, और अधिक शोध की आवश्यकता है। फिर भी, यह कार्य एक महत्वपूर्ण प्रगति है। यह क्षेत्र को केवल यह पता लगाने से कि कोई बीमार है, समझने की ओर ले जाता है कि मस्तिष्क में वह विशिष्ट, मापने योग्य क्षण कब आता है जब यह बीमारी शुरू होती है, जिससे एक ऐसे भविष्य का द्वार खुलता है जहाँ वर्चुअल रियलिटी सभी के लिए आरामदायक हो सके, न कि केवल उन कुछ लोगों के लिए जो स्वाभाविक रूप से इसके प्रति प्रतिरोधी 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।