ईईजी एक सस्ता, लेकिन जटिल संकेत
अल्जाइमर रोग के शुरुआती निदान के लिए सस्ते तरीकों की आवश्यकता है। ईईजी आदर्श दिखता है: उपकरण पोर्टेबल और सस्ता है। लेकिन रिकॉर्डिंग की कुछ विशेषताएँ हैं: वे शोर-युक्त होती हैं, लोगों के बीच बहुत भिन्न होती हैं, और लेबल किया गया नैदानिक डेटा बहुत कम होता है। इस वजह से, सामान्य न्यूरल नेटवर्क, जिन्हें सीधे तौर पर प्रशिक्षित किया जाता है, अक्सर ओवरफिट हो जाते हैं और नए रोगियों पर खराब प्रदर्शन करते हैं।
ऐसी परिस्थितियों में, स्व-अधिगम विश्लेषण, जैसे कि Delta2Gamma, आशाजनक है।
मैन्युअल लेबलिंग के बजाय स्व-अधिगम
शोधकर्ताओं चानवू पाक और चानवू किम ने Delta2Gamma फ्रेमवर्क प्रस्तावित किया, जिसे बड़े लेबल किए गए डेटासेट की आवश्यकता नहीं होती। विचार यह है कि संकेतों से ही सीखा जाए, उनके संवर्धित संस्करण बनाकर और उनकी आपस में तुलना करके — इस दृष्टिकोण को कंट्रास्टिव लर्निंग कहा जाता है।
सबसे पहले, प्रत्येक रिकॉर्डिंग को पाँच शास्त्रीय तंत्रिका लय में विभाजित किया जाता है: डेल्टा, थीटा, अल्फा, बीटा और गामा। प्रत्येक लय के लिए एक अलग एनकोडर और एक अलग प्रोजेक्शन हेड का उपयोग किया जाता है, क्योंकि विभिन्न बैंडों के आँकड़े अलग-अलग होते हैं। यह सुनिश्चित करने के लिए कि वे प्रशिक्षण में संतुलित योगदान दें, प्रत्येक बैंड के लिए तापमान को अनुकूली रूप से समायोजित किया जाता है — यह पैरामीटर कंट्रास्टिव लॉस फ़ंक्शन की संवेदनशीलता को नियंत्रित करता है।
परिणाम
यह कार्य 2026 IEEE Biomedical Circuits and Systems Conference (BioCAS) में स्वीकार किया गया है। ADFTD कोहोर्ट पर Delta2Gamma की प्रभावशीलता को सख्त leave-one-subject-out प्रोटोकॉल के साथ परखा गया: मॉडल को एक को छोड़कर सभी प्रतिभागियों पर प्रशिक्षित किया जाता है, और फिर बाहर किए गए विषय पर परीक्षण किया जाता है। यह वास्तविक उपयोग के सबसे करीब है। इस परीक्षण में, अल्जाइमर के रोगियों और संज्ञानात्मक रूप से सामान्य लोगों को 92.4% सटीकता के साथ अलग करना संभव हुआ।
यह परिणाम सामान्य पर्यवेक्षित न्यूरल नेटवर्क और हाल के विशेष ईईजी विश्लेषण विधियों दोनों से बेहतर है, जो विशेष रूप से इसी कार्य के लिए विकसित किए गए थे।
निष्कर्ष
Delta2Gamma दर्शाता है कि स्व-अधिगम ईईजी विश्लेषण बड़े लेबल किए गए डेटाबेस के बिना उच्च सटीकता प्रदान कर सकता है। कच्चे, बिना लेबल वाले डेटा के साथ काम करने की क्षमता इस दृष्टिकोण को स्केलेबल बनाती है — इसे डिमेंशिया की व्यापक जांच के लिए लागू किया जा सकता है, जहाँ मुख्य बात कम लागत और सरलता है। यह पूर्ण निदान का विकल्प नहीं है, लेकिन प्रारंभिक जांच के लिए एक आशाजनक उपकरण है।
