بند لوپ ٹرانسکرینیل نیوروسٹیمولیشن کے ذریعے نیند کے دوران دماغی رابطے کی تبدیلیوں کی پیش گوئی میٹامیموری حساسیت حصہ 2

الیکٹرو فزیولوجیکل ریکارڈنگز اور ٹرانسکرینیل محرک

EEG ڈیٹا اکٹھا کیا گیا اور 32 EEG چینلز اور 32 محرک چینلز سمیت ایک 64-چینل نیوپرین ہیڈ کیپ کے ساتھ Neuroelectrics, Inc. کے ایک پروٹو ٹائپ StarStim64 کے ساتھ ساتھ محرک کا اطلاق کیا گیا۔

جدید سائنس اور ٹیکنالوجی کی مسلسل ترقی نے دماغ پر لوگوں کی تحقیق کو مزید گہرائی تک پہنچا دیا ہے۔ حالیہ برسوں میں، مطالعے کی بڑھتی ہوئی تعداد نے الیکٹرو اینسفالوگرافی (EEG) اور میموری کے درمیان قریبی تعلق کو ظاہر کیا ہے۔ ای ای جی دماغی برقی سرگرمی کو ریکارڈ کرنے کا ایک طریقہ ہے۔ یہ دماغ کے بائیو الیکٹریکل سگنلز کا پتہ لگا کر انسانی دماغ کے برقی سگنلز کو لائن ڈرائنگ کی شکل میں ظاہر کرتا ہے۔ میموری دماغ کے نیوران سسٹم کی معلومات کو حاصل کرنے، پروسیس کرنے، ذخیرہ کرنے، پہچاننے اور یاد کرنے کی صلاحیت ہے۔ دونوں کے درمیان تعلق کو گہرا تعلق کہا جا سکتا ہے۔

EEG جسم کی حرکت، زبان، سوچ، اور حسی معلومات کو ریکارڈ کرتا ہے، اور طب، نیورو سائنس، اور نفسیات جیسے شعبوں میں وسیع پیمانے پر استعمال ہوتا رہا ہے۔ ان میں سے، محققین نے پایا کہ ای ای جی کا میموری کے ساتھ اہم تعلق ہے۔ ای ای جی ریکارڈنگ یادداشت کے قیام اور بازیافت کے عمل کو بہتر طور پر سمجھنے میں ہماری مدد کر سکتی ہے، اور یادداشت کی خرابیوں کے علاج کے لیے قیمتی حوالہ فراہم کر سکتی ہے۔ تحقیق کے مطابق طویل مدتی میموری کی تشکیل مختلف ڈگریوں اور تقسیم کی برقی سرگرمی کے ساتھ ہوتی ہے اور جب لوگ یادیں یاد کرتے ہیں تو ای ای جی سگنلز بھی بدل جاتے ہیں، جس سے ای ای جی اور میموری کے درمیان قریبی تعلق کی تصدیق ہوتی ہے۔

اس کے علاوہ، EEG محققین کو میموری کی مختلف اقسام کو سمجھنے میں بھی مدد کر سکتا ہے، جیسے کہ قلیل مدتی یادداشت، طویل مدتی یادداشت، مقامی یادداشت، اور جذباتی یادداشت۔ تحقیق میں، ای ای جی تجزیہ دماغ کے مختلف علاقوں سے برقی سرگرمی کی نشاندہی کر سکتا ہے۔ یہ خصوصی برقی سرگرمیاں یہ ظاہر کر سکتی ہیں کہ یادداشت کے مواد کو دماغ کے اندر کیسے منتقل اور عمل کیا جاتا ہے اور یادداشت کی خرابی کی وجوہات کو بھی ظاہر کر سکتی ہیں۔

یہ کہا جا سکتا ہے کہ EEG معیار زندگی کو بہتر بنانے کے لیے ایک مثبت اہمیت رکھتا ہے۔ جدید لوگ الیکٹرانک مصنوعات جیسے کمپیوٹر اور موبائل فونز کا طویل عرصے تک استعمال کرتے ہیں اور سوشل میڈیا پر بھی بہت زیادہ انحصار کرتے ہیں جس کی وجہ سے لوگوں کے لیے توجہ مرکوز کرنا اور چیزوں کو آسانی سے بھولنا مشکل ہو جاتا ہے۔ تحقیق سے پتہ چلتا ہے کہ مختصر ای ای جی فیڈ بیک ٹریننگ لوگوں کی سیکھنے کی صلاحیت اور یادداشت کو بہتر بنا سکتی ہے۔ انفرادی ای ای جی تھراپی کے ذریعے، دماغی افعال میں خرابیوں کو ٹھیک کیا جا سکتا ہے، دماغ کی سرگرمی بہتر ہوتی ہے، اور یادداشت اور سیکھنے کی صلاحیتوں کو بڑھایا جا سکتا ہے۔

خلاصہ یہ کہ EEG ٹیکنالوجی کو ہماری روزمرہ کی زندگیوں میں بڑے پیمانے پر استعمال کرنے کی فوری ضرورت ہے، اور اس کے مزید استعمال اور امکانات کو تلاش کرنے کے لیے مزید تحقیق کی بھی ضرورت ہے۔ مستقبل میں، EEG ٹیکنالوجی کی مسلسل بہتری ہمارے لیے مزید مواقع اور چیلنجز لائے گی، جس سے ہمیں زیادہ موثر اور صحت مند دماغ حاصل ہو گا۔ یہ دیکھا جا سکتا ہے کہ ہمیں یادداشت کو بہتر بنانے کی ضرورت ہے، اور Cistanche deserticola نمایاں طور پر یادداشت کو بہتر بنا سکتا ہے، کیونکہ Cistanche deserticola میں اینٹی آکسیڈینٹ، اینٹی انفلامیٹری، اور اینٹی ایجنگ اثرات ہوتے ہیں، جو دماغ میں آکسیڈیشن اور سوزش کے رد عمل کو کم کرنے میں مدد کر سکتے ہیں، اس طرح دماغ کی حفاظت کرتا ہے۔ اعصابی نظام کی صحت. اس کے علاوہ، Cistanche deserticola عصبی خلیوں کی نشوونما اور مرمت کو بھی فروغ دے سکتا ہے، اس طرح عصبی نیٹ ورکس کے رابطے اور کام کو بڑھاتا ہے۔ یہ اثرات یادداشت، سیکھنے اور سوچنے کی رفتار کو بہتر بنانے میں مدد کر سکتے ہیں، اور ادراک کی خرابی اور نیوروڈیجنریٹیو بیماریوں کی نشوونما کو بھی روک سکتے ہیں۔

شارٹ ٹرم میموری کو بہتر بنانے پر کلک کریں۔

EEG چینلز کو 10-10سسٹم کے مطابق ایک مونٹیج میں رکھا گیا تھا۔ ای ای جی ڈیٹا 32 میں سے 23 سائٹس سے جمع کیا گیا تھا جو 500 ہرٹز پر نمونے کے لیے لیا گیا تھا اور چینل ایف زیڈ کا حوالہ دیا گیا تھا۔ اضافی 9 الیکٹروڈز نے الیکٹروکولوگرام، الیکٹرو مایوگرام، اور الیکٹروکارڈیوگرام ریکارڈ کیا تاکہ نیند کے مراحل کا پتہ چل سکے۔ کوئی آن لائن ہارڈویئر فلٹرنگ، سوائے linenoise (60 Hz) فلٹرنگ کے، جمع کرنے کے دوران لاگو نہیں کیا گیا۔

فعال ٹرانسکرینیل محرک 32 محرک الیکٹروڈز میں spatiotemporalcurrents کی منفرد صفوں کی شکل میں فراہم کیا گیا تھا۔ کل مثبت برقی کرنٹ 2.5 mA سے کم پر سیٹ کیا گیا تھا، ہر چینل کا کرنٹ 1.5 mA سے کم اور 150 uA سے زیادہ تھا۔

محرک کے نمونے تدریجی نزول کی اصلاح کے ذریعے تخلیق کیے گئے تھے تاکہ باہمی ربط اور متضاد تعلقات کو جرمانہ کرتے ہوئے ایک بالغ انسانی ہیڈ ٹیمپلیٹ کے 3-D والیوم میں حوصلہ افزائی برقی فیلڈز میں آرتھوگونالٹی کو زیادہ سے زیادہ بنایا جا سکے۔

تجربے کے دوران، ایکٹیو کنڈیشن کے لیے، 14 ویگنیٹس میں سے ہر ایک کو تصادفی طور پر محرک کے مختلف پیٹرن کے ساتھ منسلک یا "ٹیگ" کیا گیا تھا، اور ہر پیٹرن کے لیے حسب ضرورت ٹیمپلیٹس کو نیورو الیکٹرک اسٹیمولیشن کنٹرول سافٹ ویئر، CoreGUI میں پروگرام کیا گیا تھا۔ ان میں سے صرف نصف ٹی ای ایس پیٹرن رات کے دوران دوبارہ لاگو کیے گئے تھے تاکہ میموری کو دوبارہ فعال کرنے (ٹیگ اور کیو) کی نشاندہی کی جا سکے، اور طرز عمل کے تجزیے جن میں ہدف بنائے گئے ویگنیٹس کے لیے میموری ریکال ٹیسٹ کے جوابات پر توجہ دی گئی۔

منفرد نمونوں کو بنیادی طور پر مخصوص یادوں کو مدنظر رکھتے ہوئے ڈیزائن کیا گیا تھا، نہ کہ مخصوص طریقوں سے اعصابی سرگرمی کو تبدیل کرنے کے لیے؛ اس طرح، دماغی ردعمل اور انفرادی STAMPs میں کنیکٹیویٹی تبدیلیوں کا تجزیہ نہیں کیا گیا اور اس کے بجائے آزمائشی تعداد میں اضافہ کرنے کے لیے یکجا کیا گیا۔

سست لہر دولن کا پتہ لگانا

محرک خود بخود SWOs کی اپ ریاستوں کو ایک بند لوپ ڈیٹیکشن الگورتھم کے ساتھ ڈیلیور کیا گیا تھا، جو پہلے سے تیار کردہ الگورتھم (Cox et al.، 2014) سے ڈھل گیا تھا۔ نیند کے دوران، 13 فرنٹ-پیریٹل-سنٹرل چینلز (Cz, FC1, FC2, CP1, CP2, Fz, C4, Pz, C3, F3, F4, P3, اور P4) سے آنے والے EEG ڈیٹا کو چلتے ہوئے {{17} میں محفوظ کیا گیا تھا۔ } کا بفر جو مسلسل اپ ڈیٹ ہوتا رہا۔

ڈیٹا کو صاف کرنے کے لیے، 1-s ونڈو کے ساتھ موونگ اوسط گھٹاؤ لاگو کیا گیا، اور بفر کی مدت میں 500 μV منٹ سے زیادہ سے زیادہ طول و عرض سے زیادہ کے چینلز کو مسترد کر دیا گیا۔

مضبوط SWOdetection کے لیے ایک ورچوئل چینل بنانے کے لیے باقی چینلز کا ایک ساتھ اوسط لیا گیا۔ سست لہر بینڈ (0.5–1.2 ہرٹز) کے اندر طاقت کا موازنہ کل براڈ بینڈ پاور (0.1–250 ہرٹز) سے کیا گیا تھا، اور اگر یہ تناسب اس سے زیادہ تھا 0.3، پھر سست لہر بینڈ (مرکزی تعدد) میں طاقت کی عین چوٹی کی گنتی کی گئی۔

اس کے بعد ورچوئل چینل کو دوسرے آرڈر والے بٹر ورتھ بینڈ پاس فلٹر کے ساتھ فلٹر کیا گیا تھا جس میں سینٹر فریکونسی کے ارد گرد ایک 1-Hz بینڈوڈتھ تھی (کم از کم کم کٹ آف 0.1 Hz کے ساتھ)، اور ہلبرٹ ٹرانسفارم لاگو کیا گیا تھا۔ تھیفیز کو 90 ڈگری پیچھے منتقل کر دیا گیا تھا، اور خیالی جز کو نکالا گیا تھا، جس سے فوری مرحلہ حاصل ہوا۔

اس کے بعد فلٹرڈ سگنل کے آپٹمائزڈ فیز، آفسیٹ، اور طول و عرض کے ساتھ سینٹر فریکوئنسی پر ایک سائن ویو تیار کی گئی۔ سائن ویو کو صفر کے مرحلے کے اگلے نقطہ (یعنی اوپر کی حالت کا آغاز) کا تعین کرنے کے لیے وقت کے ساتھ آگے پیش کیا گیا تھا، اور محرک اس وقت کے نقطہ پر شروع کیا گیا تھا اور ریمپ اپ اور ریمپ-ڈاؤن کے ساتھ پیشین گوئی شدہ اوپر کی حالت تک جاری رہا تھا۔ 100 ایم ایس کے اوقات

شام کی راتوں کے دوران، محرک ٹائم پوائنٹس ریکارڈ کیے گئے، لیکن کوئی محرک فراہم نہیں کیا گیا۔ اس طرح، ایکٹو اور شام کی راتوں کا موازنہ SWO کے ایک ہی وقت کے پوائنٹس پر تھا، جس میں فرق صرف STAMP محرک کی فراہمی کا تھا۔ STAMPsonn ایکٹیو نائٹس کے ذریعہ تیار کردہ نمونوں سے بچنے کے لیے شام کی راتوں کے ڈیٹا پر اپ اسٹیٹ ڈٹیکشن کی توثیق کی گئی۔

سائن ویو فٹ کے ذریعہ پیش کردہ اپ اسٹیٹس کے ٹائم پوائنٹس سے مارکر نکالے گئے تھے۔ کچھ صورتوں میں، ہارڈ ویئر میں تاخیر کی وجہ سے، وقتی محرک کو فوری طور پر پتہ چلنے والی اپ سٹیٹ کے بعد اپ سٹیٹ میں منتقل کر دیا گیا، جس سے مراحل کی تغیر میں کچھ حد تک اضافہ ہو سکتا ہے۔ محرک شروع ہونے والے مارکر (−5 سے+5 s) کے لیے ٹائم لاک شدہ Epochs کو خام EEG ڈیٹا سے نکالا گیا اور 0.5–1.2 Hz رینج میں فلٹر کیا گیا بینڈ پاس۔

ہر شروع مارکر ٹائم پوائنٹ پر فیز ویلیوز کا حساب ہلبرٹ ٹرانسفارم کا استعمال کرتے ہوئے کیا گیا۔ ہر شریک کے لیے ٹرائلز میں اوسط فیز ویلیوز کا حساب لگایا گیا تھا، اور یہ اوسط مراحل 0 ڈگری (بیرنز، 2009) سے فرق کے لیے v-ٹیسٹ ٹیسٹنگ میں جمع کرائے گئے تھے۔ بند لوپ الگورتھم کی توثیق سے متعلق اعداد و شمار اور اعدادوشمار معاون معلومات میں پیش کیے گئے ہیں۔

ای ای جی ڈیٹا پروسیسنگ اور گراف نظریاتی تجزیہ

EEG سگنلز کا تجزیہ EEGLAB اور کسٹم MATLAB اسکرپٹس کے ساتھ آف لائن کیا گیا۔ دماغی سگنل سے ڈیٹا اور شور کے الگ ذرائع کو صاف کرنے کے لیے، ای ای جی ریکارڈنگز کو 250 ہرٹز تک نیچے نمونہ دیا گیا، تمام الیکٹروڈز کی اوسط کا حوالہ دیا گیا، اور بینڈ پاس کو اے بٹر ورتھ فلٹر (0.1–70 ہرٹز، 24 ڈی بی/) کا استعمال کرتے ہوئے فلٹر کیا گیا۔ اکتوبر)۔

ای ای جی ایل اے بی اور اس کے بلٹ ان انفو میکس الگورتھم (ڈیلورم اینڈ میکیگ، 2004) میں آزاد جزو تجزیہ (آئی سی اے) کے طریقہ کار کا استعمال کرتے ہوئے آنکھ اور غیر اعصابی نمونے کی شناخت اور دستی طور پر ہٹا دیا گیا تھا۔

آرٹفیکٹ سے پاک ڈیٹا کو بیس لائن ونڈو کے طور پر محرک کے آغاز سے پہلے −6.4 سے −2.4 پر مشتمل عہدوں میں تقسیم کیا گیا تھا، اور تجزیہ ونڈو کے طور پر محرک کے آفسیٹ کے بعد 3 سے 7 سیکنڈ۔ ہر ایک کے لیے، ہر چینل پر پاور سپیکٹرم کا حساب 2048-ms سیگمنٹس پر 1,024-ms (50%) اوورلیپ کے ساتھ ویلچ سپیکٹرل اسٹیمیشن طریقہ کو لاگو کر کے لگایا گیا تھا، جس میں ہر ایک حصے کو ہیمنگ ونڈو کے ذریعے ٹیپ کیا گیا تھا۔

فنکشنل کنیکٹیویٹی اور گراف کے نظریاتی تجزیے BioNeCtToolbox کے ساتھ کیے گئے، دماغی رابطے کے تجزیہ کے لیے ایک حسب ضرورت MATLAB ٹول باکس (Casanova, El-Baz, &Suri, 2017)۔ دماغی خطوں کے درمیان فنکشنل دماغی رابطے کا اندازہ EEG سگنلز (Bowyer, 2016; Mohammad-Rezazadeh et al., 2016; Nolte et al., 2004) کے درمیان فریکوئنسی ڈومین میں کراس ارتباط کی کمپیوٹنگ سے لگایا جاتا ہے۔

فنکشنل کنیکٹیویٹی کے مختلف میٹرکس میں، خیالی ہم آہنگی (iCoh) خاص طور پر ایک مخصوص وقت کی تاخیر کے اندر ہونے والے EEG سگنلز کے درمیان "حقیقی" تعامل کا پتہ لگاتا ہے، اس طرح ہمسایہ الیکٹروڈز کے درمیان فوری تعامل کو نظر انداز کر دیتا ہے جو ممکنہ طور پر دماغ کے ایک عام ذریعہ (Bullmore) سے برقی سرگرمی کے حجم کی ترسیل سے پیدا ہوتا ہے۔ & Sporns، 2009؛ Fallani et al.، 2014؛ محمد رضازادہ وغیرہ، 2016)۔

iCoh اقدار کو درج ذیل فریکوئنسی بینڈز میں تمام ممکنہ الیکٹروڈ پیئرز کے لیے شمار کیا گیا تھا: ڈیلٹا (1–4 ہرٹز)، تھیٹا (4–8 ہرٹز)، الفا (8–12 ہرٹز)، اسپنڈل (12–15 ہرٹز)، بیٹا (16– 30 ہرٹز، اور کم گاما (40-50 ہرٹز)۔

یہ تجزیے ایکٹو اور شم ڈیٹا دونوں پر کیے گئے تھے۔ مزید برآں، iCoh کی قدروں کا شمار پوسٹ سٹیمولیشن اور پرسٹیمولیشن ٹائم ونڈوز دونوں کے لیے کیا گیا تھا، اور بیس لائن اصلاح کے لیے prestimulation ونڈو کی اقدار کو پوسٹ اسٹیمولیشن ونڈو ویلیوز سے منہا کر دیا گیا تھا۔

گراف تھیوریٹک میٹرکس نیٹ ورک کی علیحدگی کی ڈگری (یعنی گھنے فنکشنل انٹرکنیکشنز کے ساتھ مقامی کلسٹرز بنانے کے لیے دماغی خطوں کا رجحان) اور نیٹ ورک انضمام اور کارکردگی (یعنی، نیٹ ورک کی آپس میں جڑنے کی صلاحیت اور دماغ کے درمیان معلومات کے موثر تبادلے کے بارے میں معلومات فراہم کرتی ہے۔ ریجنز بلمور اینڈ اسپورنز، 2014؛ محمد رضازادہ وغیرہ

مندرجہ ذیل عام طور پر استعمال کیے جانے والے گراف کے اقدامات کو پہلے اور پوسٹ اسٹیمولیشن کے دورانیے میں مذکورہ بالا تمام فریکوئنسی بینڈز کے لیے شمار کیا گیا تھا: اوسط کلسٹرنگ گتانک (پڑوسی نوڈس کے جڑے ہونے کا امکان، جو کہ مقامی تعلق کی عکاسی کرتا ہے)؛ عالمی کارکردگی (معلومات کی منتقلی میں نیٹ ورک کتنا موثر ہے)؛ خصوصیت والے راستے کی لمبائی، رداس، اور قطر (چھوٹے راستوں کے ساتھ کناروں کی اوسط تعداد، کم از کم ممکنہ فاصلہ، اور سب سے بڑا ممکنہ فاصلہ، بالترتیب نوڈس کے تمام ممکنہ جوڑوں کے درمیان)؛ ماڈیولرٹی (وہ ڈگری جس میں دماغی نیٹ ورک کو الگ کیا جاتا ہے) ذیلی نیٹ ورکس یا ماڈیولز میں؛ assortativity (نوڈس کا تناسب جو دوسرے نوڈس کے ساتھ ملتے جلتے ڈگریوں کے ساتھ منسلک ہوتے ہیں بمقابلہ مختلف ڈگریوں کے ساتھ)؛ کثافت (گراف میں نوڈس کی تعداد سے تقسیم کناروں کی تعداد)؛ اور مطلب ہم آہنگی (نوڈس کے تمام جوڑوں کے درمیان اوسط ہم آہنگی)۔

درجہ بندی اور رجعت کا تجزیہ

نتیجے میں حاصل ہونے والے اعداد و شمار میں 48 فنکشنل کنیکٹیویٹی فیچرز (8 گراف تھیوریٹک میٹرکس × 6 فریکوئنسی بینڈز) ہر ایک شریک کے لیے ایکٹیو اور شم اسٹیمولیشن کنڈیشنز دونوں کے لیے شامل تھے۔ مزید خاص طور پر، کنیکٹیویٹی فیچرز کو ایکٹیو نائٹ پر محرک کے بعد نکالا گیا جس میں STAMP محرک ہوا، ساتھ ہی۔ جیسا کہ شام کی راتوں میں جن میں کوئی محرک پیدا نہیں ہوتا تھا۔

اس بات کی تحقیق کرنے کے لیے کہ کنیکٹیویٹی کی تبدیلیاں محرک کی حالت کی پیش گوئی کرتی ہیں، نیز رویے سے متعلق، ہم نے شرکاء کی سطح کی درجہ بندی اور رجعت کراس توثیق کے تجزیے کو نافذ کیا، جس میں شرکاء کے ذیلی سیٹ کا ڈیٹا پیشین گوئی کے لیے ٹیسٹ ڈیٹا کے طور پر چھوڑ دیا گیا تھا۔ تغیر کو کم کرنے کے لیے، ہم نے 35 گنا چلائے جس میں ایک سے تین شرکاء کو ایک وقت میں چھوڑ دیا گیا۔

نمونے لینے کے اس بار بار بے ترتیب تقسیم کے طریقہ کار کو عام طور پر لاگو کیے جانے والے "ایک کو چھوڑ دو" کے طریقہ پر ترجیح دی جاتی ہے، جو تغیر کے غیر مستحکم اور متعصب تخمینے کا باعث بن سکتی ہے (Scheinost et al., 2019; Varoquaux et al., 2017)۔ ہم نے ڈیٹا سے چلنے والے اس نقطہ نظر کو نہ صرف ڈیٹا کی بڑی خصوصیت کی جگہ کی وجہ سے بلکہ تحقیقات کی جدیدیت کی وجہ سے بھی منتخب کیا۔

آج تک کے چند مطالعات میں دماغی رابطے اور میٹامیموری حساسیت کے گراف نظریاتی میٹرکس کے درمیان تعلقات کا جائزہ لیا گیا ہے، اور کسی نے بھی اس بات کا جائزہ نہیں لیا ہے کہ دماغی محرک کے ساتھ یہ کیسے بدلتا ہے۔ اس طرح، ہم ممکنہ طور پر فنکشنل کنیکٹیویٹی اور میٹامیموری کے درمیان اہم رشتوں کو صرف لٹریچر میں پچھلے نتائج کی بنیاد پر کچھ فریکوئنسی بینڈز (مثلاً تھیٹا) یا اقدامات (مثلاً ہم آہنگی) کی جانچ کرکے کھو دیں گے۔ 2.

ہر فولڈ کے لیے، گراف تھیوریٹک فیچرز تلاش کرنے کے لیے ٹریننگ ڈیٹا پر فیچرز کے انتخاب کا طریقہ چلایا گیا تھا (پوسٹ اسٹیمولیشن بیس لائن کو پریسٹیمولیشن کے ساتھ درست کیا گیا تھا) جو کہ ایکٹیو اور شیم محرک حالات کے درمیان امتیاز کرتی تھی۔ بہت سی خصوصیات ایک دوسرے کے ساتھ بہت زیادہ مربوط تھیں، جنہیں معاون معلومات کے اعداد و شمار S2 میں دیکھا جا سکتا ہے۔

اس طرح، سب سے پہلے انتہائی مربوط متغیرات کو اعلی ارتباط کے ساتھ خصوصیات کے جوڑے تلاش کر کے ہٹا دیا گیا تھا ({0}}.8 کی حد کی قدر) اور متغیر کو دوسرے متغیرات کے ساتھ اعلیٰ مطلب مطلق ارتباط کے ساتھ ہٹا کر۔ اعلی ہم آہنگی کی وجہ سے ہٹائے گئے متغیرات کے بارے میں اضافی معلومات معاون معلومات میں مل سکتی ہیں۔

اس کے بعد، ایک منحصر ٹیسٹ (جیسا کہ مطالعہ مضامین کے اندر اندر ڈیزائن تھا) ہر ایک خصوصیت پر چلایا گیا، فعال اور شام کے حالات کے درمیان فرق کی جانچ کی۔ کم مطلق t اقدار والے متغیرات (1 کی حد) کو ہٹا دیا گیا تھا، اس دلیل کے ساتھ کہ ان متغیرات کے درمیان فرق کم سے کم تھا۔ بقیہ خصوصیات کو بوروٹا فیچر سلیکشن الگورتھم (کرسا اینڈ روڈنکی، 2010) میں داخل کیا گیا تھا۔

بوروٹا ایک ترتیب پر مبنی انتخاب کا طریقہ ہے، جس میں ہر خصوصیت کے ساتھ ساتھ اس کی قدروں کے ساتھ خصوصیت کی ایک کاپی، شرکاء میں بدل جاتی ہے (جسے "شیڈو فیچر" کہا جاتا ہے)، ایک بے ترتیب جنگل کی درجہ بندی میں داخل کیا جاتا ہے، اور ہر خصوصیت کی اہمیت Z سکور کے طور پر مقرر کیا جاتا ہے. حقیقی خصوصیات کی اہمیت نمایاں طور پر اہم سمجھی جانے والی شیڈو خصوصیات کے زیادہ سے زیادہ Z سکور سے زیادہ ہونی چاہیے۔

اس طریقہ کار کو سائے کی خصوصیات کی مختلف ترتیبوں کے ساتھ کئی بار دہرایا جاتا ہے تاکہ اقدار کی تقسیم حاصل کی جا سکے جس سے اصل خصوصیات کی اہمیت کی قدروں کا موازنہ کیا جا سکتا ہے۔ اس طرح، بوروٹا مقعد سے متعلقہ خصوصیت کے انتخاب کا طریقہ ہے- بنیادی طور پر، تمام یا کوئی بھی متغیر عمل کے ذریعے منتخب نہیں کیا جا سکتا ہے۔ صرف وہی خصوصیات منتخب کی گئیں جن میں شیڈو فیچرز سے زیادہ Z سکور تھے۔

اس الگورتھم کو دیگر فیچر سلیکشن الگورتھم (Degenhardt et al., 2017; Kursa, 2017) کے مقابلے بامعنی خصوصیات تلاش کرنے میں کارکردگی کو بہتر بنانے کے لیے دکھایا گیا ہے۔ بوروٹا کے ذریعے منتخب کردہ خصوصیات کو پھر ایک لاجسٹک ریگریشن ماڈل میں داخل کیا گیا جو کہ ایکٹیو بمقابلہ حالات کی پیشین گوئی کرتا ہے۔ ہم نے L2 ریگولرائزیشن (رج ریگریشن) کے ساتھ ایک ریگولرائزڈ لاجسٹک ریگریشن بھی چلایا، جس میں بہترین λ پیرامیٹر کا تعین ٹریننگ ڈیٹا کے اندر کراس توثیق کے ذریعے کیا گیا تھا۔

آخر میں، ہم نے صرف بوروٹا الگورتھم کے ذریعہ منتخب کردہ انتہائی اہم متغیر کا استعمال کرتے ہوئے ایک لاجسٹک ریگریشن درجہ بندی بھی چلائی۔ ٹریننگ ڈیٹا پر ماڈل کے پیرامیٹرز کو فٹ کرنے کے بعد، ماڈلز کو لیفٹ آؤٹ ٹیسٹ ڈیٹا کی پیشین گوئی کرنے کے لیے استعمال کیا گیا، جس سے ہر ٹیسٹ کی مثال کے امکان کے تخمینے یا تو ایکٹیو یا شیم حالت سے تعلق رکھتے ہیں۔ ان امکانات کو تہوں میں جوڑا گیا تھا اور رشتہ دار آپریٹنگ خصوصیت کے منحنی خطوط کا حساب لگانے کے لیے استعمال کیا جاتا تھا، جس سے ہم نے منحنی خطوط (AUC) اقدار (Fawcett، 2006) کے تحت حاصل کیا تھا۔

AUC محض خام درستگی کے مقابلے درجہ بندی کی کارکردگی کا ایک زیادہ حساس پیمانہ ہے اور اس طرح یہاں رپورٹ کیا جاتا ہے۔ اسی کراس توثیق فولڈ کے اندر، تربیتی ڈیٹا کا استعمال رات کے وقت سے ٹارگٹڈ ویگنیٹس (یعنی ٹیگ اور کیو) کے لیے میموری کی حساسیت میں تبدیلیوں کی پیش گوئی کرنے کے لیے کیا گیا تھا۔ 2 فعال حالت میں سونے کے بعد کے ٹیسٹ کے لیے سب سے پہلے۔

طرز عمل کی کارکردگی کا پیمانہ قسم کا AUC تھا-2 رشتہ دار آپریٹنگ خصوصیت وکر، ایک تعصب سے پاک نان پیرامیٹرک پیمائش میٹاکوگنیٹو حساسیت، جس میں زیادہ سے زیادہ AUC میموری کی زیادہ حساسیت کی عکاسی کرتا ہے (فلیمنگ اینڈ لاؤ، 2014؛ گیلون ایٹ ال۔، 2003) . یہاں، ماڈلز نے AUC میں راتوں رات تبدیلی کی پیش گوئی کی ہے تاکہ میموری کی حساسیت میں تبدیلیوں کے ساتھ رابطے میں ہونے والی تبدیلیوں کو جوڑ دیا جائے۔ تمام کنیکٹیویٹی فیچرز کو اسی طرح کے فیچر کے انتخاب کے عمل میں درج کیا گیا تھا جیسا کہ درجہ بندی کے تجزیے کے لیے۔ انتہائی مربوط خصوصیات کو پہلے کی طرح ہٹا دیا گیا تھا۔

ایٹ-ٹیسٹ کے بجائے، ہر خصوصیت اور راتوں رات AUC تبدیلی کے درمیان ارتباط کا حساب لگایا گیا اور کم مطلق rvalues ​​(0.1 کی حد) والی خصوصیات کو ہٹا دیا گیا۔ بقیہ فیچرز بوروٹاالگورتھم کے ذریعے چلائے گئے، اس بار راتوں رات AUC تبدیلیوں کی پیش گوئی کی گئی۔

یہ خصوصیات، نیز صرف سب سے اوپر کی خصوصیت، لکیری رجعت اور L2 ریگولرائزڈ ریگریشن ماڈلز میں داخل کی گئی تھیں جو لیفٹ آؤٹ ٹیسٹ ڈیٹا کی پیش گوئی کرتے ہیں۔ Root-mean-square error (RMSE) ویلیوز کا حساب لگایا گیا، اور فولڈز میں اوسط RMSE اقدار کا موازنہ صرف انٹرسیپٹ کے ساتھ لکیری ریگریشن سے پیشین گوئیوں سے RMSE اقدار سے کیا گیا۔

حتمی تجزیے کے طور پر، ہم نے درجہ بندی کے تجزیے سے بوروٹا کی منتخب کردہ خصوصیات کے ساتھ ساتھ رجعت تجزیہ سے بوروٹا کی منتخب کردہ خصوصیات، اور مشترکہ خصوصیت کے سیٹ کے ساتھ دوبارہ درجہ بندی اور رجعت، نیز ہر سیٹ سے سرفہرست خصوصیت لی۔ درجہ بندی کے تجزیوں سے AUC اقدار اور رجعت کے تجزیوں سے RMSE قدریں ہر فیچر سیٹ کے لیے رپورٹ کی جاتی ہیں۔

For more information:1950477648nn@gmail.com