બાયોસિગ્નલ પ્રોસેસિંગ: EEG અને ન્યુરોલોજીકલ સિગ્નલ્સ

નફો:

• આર્ટિફેક્ટ રિમૂવલ, ઇવેન્ટ ડિટેક્શન અને EEG રેકોર્ડિંગમાં ફીચર એક્સટ્રક્શનમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ વર્કફ્લો બનાવવાની ક્ષમતા
• EEG ના નીચા સંકેત-થી-અવાજ ગુણોત્તર અને ચકાસણી પર ઉચ્ચ પરિવર્તનશીલતાની અસરને ઓળખવાની ક્ષમતા
• ક્લિનિકલ ન્યુરોફિઝિયોલોજિસ્ટની મંજૂરી સાથે ન્યુરોસિગ્નલ AI આઉટપુટનું પરીક્ષણ કરવું જોઈએ તે સમજાવવાની ક્ષમતા

ઇલેક્ટ્રોએન્સફાલોગ્રાફી (EEG; અંગ્રેજી ઇલેક્ટ્રોએન્સફાલોગ્રાફી) એ માથાની ચામડી પર મૂકવામાં આવેલા ઇલેક્ટ્રોડ્સ સાથે મગજની વિદ્યુત પ્રવૃત્તિનું રેકોર્ડિંગ છે. EEG નો ઉપયોગ એપિલેપ્સી નિદાનથી લઈને સ્લીપ સ્ટેજીંગ સુધી, ઇન્ટેન્સિવ કેર મોનિટરિંગથી લઈને મગજ-કોમ્પ્યુટર ઈન્ટરફેસ સુધીના વિસ્તારોની વિશાળ શ્રેણીમાં થાય છે. પરંતુ તે ECG કરતાં વધુ પડકારજનક સિગ્નલ છે: તેનું કંપનવિસ્તાર માઇક્રોવોલ્ટના ક્રમ પર છે (વોલ્ટનો એક મિલિયનમો ભાગ), એટલે કે તે લગભગ અવાજ જેટલો નાનો છે. આ નીચો સિગ્નલ-ટુ-નોઈઝ રેશિયો (ટૂંકમાં SNR; અવાજ માટે ઉપયોગી સિગ્નલની સાપેક્ષ શક્તિ) EEG ને આર્ટિફિશિયલ ઈન્ટેલિજન્સ માટે આકર્ષક અને જોખમી બંને બનાવે છે. આ એકમમાં, અમે EEG વર્કફ્લો, કલાકૃતિઓની સમસ્યા અને ન્યુરોફિઝિયોલોજિસ્ટની મંજૂરી શા માટે અનિવાર્ય છે તે જોઈશું.

ચાલો શરૂઆતથી જણાવીએ: EEG મોડેલ કહી શકે છે કે "જપ્તી શક્ય છે"; પરંતુ એપીલેપ્સીનું નિદાન અને જપ્તીનું અર્થઘટન ક્લિનિકલ ન્યુરોફિઝિયોલોજિસ્ટનું છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ નિદાન કરતું નથી.

EEG પ્રોસેસિંગ ચેઇન

પગલું 1 - નોંધણી અને એસેમ્બલી. EEG મલ્ટિચેનલ છે (સામાન્ય રીતે 19-256 ઇલેક્ટ્રોડ). ઇલેક્ટ્રોડ્સનું પ્લેસમેન્ટ આંતરરાષ્ટ્રીય ધોરણના ઓર્ડર (10-20 સિસ્ટમ) અનુસાર કરવામાં આવે છે. સંદર્ભ ઇલેક્ટ્રોડ્સના સંદર્ભમાં સંકેતો વાંચવામાં આવે છે; માઉન્ટિંગ પસંદગી અર્થઘટનને અસર કરે છે.

પગલું 2 - આર્ટિફેક્ટ નિષ્કર્ષણ. EEG દૂષકોના સ્ત્રોતો વિપુલ પ્રમાણમાં છે: આંખ મારવી અને આંખની હિલચાલ, સ્નાયુઓની પ્રવૃત્તિ (ખાસ કરીને જડબા અને ગરદન), ધબકારા, પરસેવો, ઇલેક્ટ્રોડ સંપર્ક અને ગ્રીડમાં દખલ. આ કલાકૃતિઓ વાસ્તવિક મગજના તરંગોની નકલ કરી શકે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ ફ્લેગિંગ અને સ્વતંત્ર ઘટક વિશ્લેષણ જેવી પદ્ધતિઓ દ્વારા આર્ટિફેક્ટ્યુઅલ સેગમેન્ટ્સને સાફ કરવામાં મદદ કરે છે.

પગલું 3 - લક્ષણ નિષ્કર્ષણ. EEG સામાન્ય રીતે ફ્રીક્વન્સી બેન્ડમાં વિભાજિત થાય છે: ડેલ્ટા (ધીમી, ગાઢ ઊંઘ), થીટા, આલ્ફા (આરામ), બીટા (જાગૃત ધ્યાન), અને ગામા. બેન્ડની શક્તિઓ, કનેક્ટિવિટીનાં પગલાં અને ઇવેન્ટ-સંબંધિત પ્રતિસાદોનો ઉપયોગ સુવિધાઓ તરીકે થાય છે.

પગલું 4 - ઘટના શોધ/વર્ગીકરણ. આ મોડેલ જપ્તી પ્રવૃત્તિ, સ્પાઇક-વેવ ડિસ્ચાર્જ અથવા ઊંઘના તબક્કા જેવી ઘટનાઓ સૂચવે છે. આઉટપુટ ટાઇમસ્ટેમ્પ માર્ક્સ અને ટૅગ્સ છે.

પગલું 5 - નિષ્ણાત મૂલ્યાંકન. ક્લિનિકલ ન્યુરોફિઝિયોલોજિસ્ટને સંકેતો રજૂ કરવામાં આવે છે; નિષ્ણાત પુષ્ટિ કરે છે, સુધારે છે અથવા નકારે છે. ટિપ્પણી નિષ્ણાત માટે છે.

EEG વેરિફિકેશન શા માટે આટલું મુશ્કેલ છે?

ત્રણ કારણો EEG ને ખાસ કરીને નાજુક બનાવે છે. પ્રથમ, નીચા SNR: વાસ્તવિક સંકેત અવાજમાં છુપાયેલ છે, મોડેલ સરળતાથી અવાજને પેટર્ન માટે ભૂલ કરી શકે છે. બીજું, ઉચ્ચ પરિવર્તનક્ષમતા: એક જ વ્યક્તિનું EEG પણ સતર્કતા, દવા અને ઉંમર પ્રમાણે બદલાય છે; વ્યક્તિઓ વચ્ચેનો તફાવત પણ વધારે છે. ત્રીજું, સંદર્ભ અનિશ્ચિતતા: નિષ્ણાતો પણ આંચકી (ઇન્ટરઓબ્ઝર્વર વેરિએબિલિટી) જેવી ઘટનાઓના "ગોલ્ડ સ્ટાન્ડર્ડ" માર્કિંગ પર હંમેશા સહમત થતા નથી. જ્યારે આ ત્રણેયને જોડવામાં આવે છે, ત્યારે પ્રયોગશાળામાં પ્રભાવશાળી દેખાતી EEG પેટર્ન વાસ્તવિક ક્લિનિકમાં સરળતાથી તૂટી જાય છે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - ઝબકવું એ હુમલાની નકલ કરે છે. જપ્તી શોધ મોડલ બાળકના દર્દીમાં આગળના પ્રદેશોમાં સ્પાઇક્સ અને તરંગો માટે લયબદ્ધ આંખના પટપટાવીને ભૂલથી, પ્રતિ મિનિટ ઘણા ખોટા સંકેતો ઉત્પન્ન કરે છે. નિષ્ણાતે જોયું કે નિશાન આંખની નહેરો સાથે ઓવરલેપ થઈ ગયા અને આર્ટિફેક્ટને અલગ કરી દીધા. મોડેલે સાઇન બનાવ્યું, નિષ્ણાતે વાસ્તવિકતા બહાર કાઢી.

કેસ 2 - સ્લીપ સ્ટેજીંગમાં સમયની બચત. સ્લીપ લેબોરેટરી સમગ્ર રાત દરમિયાન 30-સેકન્ડના સેગમેન્ટમાં મેન્યુઅલી તબક્કાવાર રેકોર્ડીંગ કરે છે; રેકોર્ડિંગ દીઠ આશરે 2 કલાક. AI પ્રી-સ્ટેજિંગ આ સમય ઘટાડીને 35 મિનિટ કરે છે; ટેકનિશિયને માત્ર સ્લાઇસેસ અને સંક્રમણોની તપાસ કરી જે મોડેલે અસ્પષ્ટ છોડી દીધી હતી. નિષ્ણાતે અંતિમ સ્ટેજીંગ રિપોર્ટને મંજૂરી આપી.

કેસ 3 - બાહ્ય માન્યતામાં ઘટાડો. જપ્તી શોધ મોડલ કેન્દ્રમાં 90% સંવેદનશીલતા દર્શાવે છે જ્યાં તે વિકસાવવામાં આવ્યું હતું; અલગ હોસ્પિટલ દ્વારા અલગ ઈલેક્ટ્રોડ અને રેકોર્ડિંગ ઉપકરણ સાથે એકત્રિત કરવામાં આવેલા ડેટામાં તે ઘટીને 68% થઈ ગયો. ઇલેક્ટ્રોડ્સની સંખ્યા, નમૂના લેવાનો દર અને દર્દીની પ્રોફાઇલ અલગ હતી. જ્યાં સુધી તેનો ઉપયોગ કરવામાં આવશે તે દરેક વાતાવરણમાં તેને પુનઃપ્રમાણિત કરવામાં ન આવે ત્યાં સુધી મોડેલને વિશ્વસનીય ગણી શકાય નહીં.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નોંધ: નીચેના સંકેતો EEG રિપોર્ટ/ફીચર ટેક્સ્ટને સંપાદિત કરવામાં મદદરૂપ થાય છે; કાચો EEG અર્થઘટન એ વેરિફાઈડ સોફ્ટવેર અને ન્યુરોફિઝિયોલોજિસ્ટનું કામ છે.

નબળા પ્રોમ્પ્ટ:

શું આ EEG માં વાઈ છે?[સુવિધાઓ]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તમે ન્યુરોસિગ્નલ વિશ્લેષણ સહાયક છો (તમે નિદાન નથી). નીચેના અનામી EEG સારાંશ લક્ષણોનું મૂલ્યાંકન કરો: - બેન્ડની શક્તિઓ અને ઘટના સંકેતોને ટેબલ કરો, તેનું અર્થઘટન કરો, પરંતુ નિદાન કરશો નહીં. - દરેક ઇવેન્ટ સાઇન માટે, "શું આર્ટિફેક્ટ હોઈ શકે છે?" કૉલમ ઉમેરો (આંખ/સ્નાયુ/ગ્રીડ).- અસ્પષ્ટતા સ્પષ્ટ રીતે લખો; ઓછી SNR ચેતવણી ઉમેરો.- છેલ્લે ન્યુરોફિઝિયોલોજિસ્ટને કાચા રેકોર્ડિંગમાં 3 પોઈન્ટ્સની યાદી આપો. અનામી સુવિધાઓ: [બેન્ડની શક્તિઓ, ઇવેન્ટ ટાઇમસ્ટેમ્પ્સ, ચેનલ માહિતી]

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) બેન્ડ તાકાત સારાંશ:

નીચેની EEG બેન્ડ શક્તિઓ (ડેલ્ટા, થીટા, આલ્ફા, બીટા) ને ટેબલ કરો અને જાગૃત અવસ્થા સાથે તેમની બુદ્ધિગમ્યતાનું મૂલ્યાંકન કરો. નિદાન કરશો નહીં. ડેટા: [મૂલ્યો]

2) આર્ટિફેક્ટ શક્યતા તપાસ:

આ દરેક ઘટનાના સંકેતો માટે, આંખ/સ્નાયુ/નેટવર્ક આર્ટિફેક્ટની સંભાવનાને ઓછી/મધ્યમ/ઉચ્ચ તરીકે ચિહ્નિત કરો અને તમારું તર્ક લખો. ચિહ્નો: [સૂચિ]

3) સ્લીપ સ્ટેજીંગ QC:

નીચે AI સ્લીપ સ્ટેજીંગ આઉટપુટમાં અચાનક/અસંભવિત સંક્રમણો (દા.ત. આરઈએમથી ડીપ સ્લીપમાં જમ્પ) ચિહ્નિત કરો; ટેકનિશિયન નિયંત્રણની જરૂર હોય તેવા સ્લાઇસેસની સૂચિ બનાવો. આઉટપુટ: [સ્ટેજિંગ]

4) બાહ્ય ચકાસણી યોજના:

EEG ઇવેન્ટ ડિટેક્શન મોડલ માટે ડ્રાફ્ટ એક્સટર્નલ વેલિડેશન પ્લાન લખો: ડિવાઈસ/ઈલેક્ટ્રોડ્સની વિવિધ સંખ્યા, ઈન્ટરઓબ્ઝર્વર એગ્રીમેન્ટ (કપ્પા), SNR અને આર્ટિફેક્ટ ટેસ્ટ. વ્યક્તિગત માન્યતા બિંદુઓને ચિહ્નિત કરો.

મોડેલની ભૂમિકા: કાર્ય પ્રકાર દ્વારા

કાર્ય પ્રકાર

AI યોગદાન

ટીકા

ચકાસણી

આર્ટિફેક્ટ માર્કિંગ

ઉચ્ચ

નીચું

નિષ્ણાત સમીક્ષા

બેન્ડ/સુવિધા નિષ્કર્ષણ

ઉચ્ચ

મધ્યમ

શારીરિક બુદ્ધિગમ્યતા

સ્લીપ સ્ટેજીંગ પ્રારંભિક કાર્ય

ઉચ્ચ

મધ્યમ

નિષ્ણાતની મંજૂરી

જપ્તી પહેલાની તપાસ

મધ્યમ

ઉચ્ચ

ન્યુરોફિઝિયોલોજિસ્ટ + કાચું રેકોર્ડિંગ

ડાયગ્નોસ્ટિક નિર્ણય

મર્યાદિત

ખૂબ ઊંચી

સંપૂર્ણ નિષ્ણાત મંજૂરી

ટીપ: EEG માં પેટર્નના હસ્તાક્ષર પર આધાર રાખતા પહેલા, આંખ અને સ્નાયુ ચેનલો સાથે તે સિગ્નલના ટેમ્પોરલ ઓવરલેપને તપાસો. મોટાભાગની પ્રવૃત્તિ જે જપ્તી તરીકે દેખાય છે તે વાસ્તવમાં જૈવિક આર્ટિફેક્ટ છે.

સાવધાન: જ્યારે EEG મોડલ્સને ઓછી સંખ્યામાં દર્દીઓ પાસેથી એકત્રિત કરવામાં આવેલા ડેટા પર તાલીમ આપવામાં આવે છે, ત્યારે તેઓ વ્યક્તિગત-વિશિષ્ટ પેટર્નને ઓવરફિટ (યાદ) કરે છે અને નવા દર્દીઓમાં ક્રેશ થાય છે. ઉચ્ચ પ્રયોગશાળા કામગીરી સાચી ક્લિનિકલ સફળતાની ગેરંટી નથી; બાહ્ય માન્યતા આવશ્યક છે.

સામાન્ય ભૂલો

• મગજના સંકેત માટે આર્ટિફેક્ટની ભૂલ કરવી. આંખ મારવી અને સ્નાયુઓની પ્રવૃત્તિ હુમલાની નકલ કરે છે; ચેનલ ઓવરલેપ તપાસવું જોઈએ.
• નીચા SNR ને અવગણવું. ઘોંઘાટમાં નબળા સંકેત સરળતાથી મોડેલને ગેરમાર્ગે દોરે છે.
• એક કેન્દ્રમાં ચકાસણી. વિવિધ ઉપકરણ અને ઇલેક્ટ્રોડ લેઆઉટ પ્રભાવ ઘટાડે છે.
• આંતર-નિરીક્ષક પરિવર્તનક્ષમતાને અવગણી. જો સંદર્ભ પોતે જ અસ્પષ્ટ હોય તો મોડેલ મેટ્રિક્સ ગેરમાર્ગે દોરે છે.
• નિષ્ણાતને દૂર કરવું. ચિહ્નો આધાર છે; જપ્તી અને નિદાનનું અર્થઘટન નિષ્ણાતનું છે.

સારાંશમાં

• EEG એ મલ્ટિ-ચેનલ, નીચા SNR સાથે માઇક્રોવોલ્ટ સિગ્નલ છે; તે કલાકૃતિઓ માટે અત્યંત સંવેદનશીલ છે.
• વર્કફ્લોમાં એસેમ્બલી, આર્ટિફેક્ટ નિષ્કર્ષણ, લક્ષણ નિષ્કર્ષણ અને ઇવેન્ટ ડિટેક્શનનો સમાવેશ થાય છે.
• નિમ્ન SNR, ઉચ્ચ પરિવર્તનક્ષમતા અને સંદર્ભની અનિશ્ચિતતા ચકાસણીને ખાસ કરીને મુશ્કેલ બનાવે છે.
• મોડલ દરેક ઉપકરણ અને વસ્તીમાં પુનઃપ્રમાણિત થવું જોઈએ જેમાં તેનો ઉપયોગ કરવામાં આવશે.
• જપ્તી અને ડાયગ્નોસ્ટિક અર્થઘટન ક્લિનિકલ ન્યુરોફિઝિયોલોજિસ્ટનું છે; AI નિદાન કરતું નથી.

એપ્લિકેશન કાર્ય

એક અનુમાનિત EEG ઘટના શોધ દૃશ્ય પસંદ કરો (દા.ત. જપ્તી પૂર્વ-શોધ). પાંચ ઇવેન્ટ સહીઓની સૂચિ બનાવો કે જે મોડેલ બનાવે છે અને દરેક માટે પૂછો, "શું આ એક આર્ટિફેક્ટ હોઈ શકે?" કૉલમ ભરો (આંખ/સ્નાયુ/ગ્રીડ/વાસ્તવિક). પછી આ મોડેલ માટે બાહ્ય માન્યતા યોજનાની ત્રણ આઇટમ્સ લખો અને સ્પષ્ટપણે તે બિંદુને ચિહ્નિત કરો કે જેના પર નિષ્ણાત અંતિમ નિર્ણય લે છે.

ચેકલિસ્ટ

• [ ] હું જાણું છું કે EEG એ નીચા SNR, મલ્ટી-ચેનલ અને આર્ટિફેક્ટ-પ્રોન સિગ્નલ છે.
• [ ] હું વર્કફ્લોના એસેમ્બલી, આર્ટિફેક્ટ નિષ્કર્ષણ, લક્ષણ અને ઇવેન્ટ શોધના પગલાંને સમજી શક્યો.
• [ ] હું જોઈ શકું છું કે કલાકૃતિઓ ઘટનાઓની નકલ કરે છે અને ચેનલ ઓવરલેપ નિયંત્રણ લાગુ કરે છે.
• [ ] હું સમજું છું કે શા માટે બાહ્ય માન્યતા આવશ્યક છે અને હું આંતર-નિરીક્ષક પરિવર્તનશીલતાને સમજું છું.
• [ ] મેં આંતરિક કર્યું છે કે હુમલા અને નિદાનનું અર્થઘટન નિષ્ણાત પાસે રહે છે.