انطلاقة جديدة في تقنية واجهة الدماغ والحاسوب من خلال تحسين فك تشفير الإشارات الدماغية المعقدة

قام باحثون في جامعة تشيبا في اليابان بتطوير إطار جديد للذكاء الاصطناعي يمكنه فك تشفير النشاط الدماغي المعقد بدقة أعلى بكثير ، مما يعتبر خطوة مهمة نحو واجهات أكثر موثوقية بين الدماغ والحاسوب (BCIs) . يمكن أن يسهم هذا الاكتشاف في تسريع تطوير التكنولوجيا المساعدة التي تمكن الأشخاص الذين يعانون من حالات عصبية من التحكم في الأجهزة مثل الأطراف الاصطناعية والكراسي المتحركة وروبوتات التأهيل باستخدام أفكارهم.

أجرى البحث ، بقيادة طالب الدكتوراه تشاوين شين وأستاذ أكيو ناميكي في كلية الهندسة بجامعة تشيبا ، دراسة جديدة حول بنية تعلم sâu تسمى شبكة التconvolution الغرافية المدفوعة بالتضمين (EDGCN) . تم تصميم النظام لتحليل الإشارات الكهربائية المعقدة التي تتم في الدماغ عندما يتخيل شخص حركة أطرافه – عملية تعرف باسم التخيل الحركي.

واجهات الدماغ والحاسوب والتخيل الحركي

تهدف واجهات الدماغ والحاسوب إلى إنشاء قناة اتصال بين الدماغ البشري والأجهزة الخارجية. بدلاً من الاعتماد على حركة العضلات ، تقوم واجهات الدماغ والحاسوب بفك تشفير الإشارات العصبية وتحويلها إلى أوامر للأنظمة الرقمية أو الأجهزة الفيزيائية.

تعتبر إحدى الطرق الأكثر دراسة في أبحاث واجهات الدماغ والحاسوب هي تخيل الحركة الكهربيولوجي (MI-EEG) . في هذه الأنظمة ، يتخيل المستخدمون أداء حركات – مثل رفع اليد أو إمساك كائن أو المشي. حتى بدون حدوث حركة فيزيائية ، يولد الدماغ أنماطًا مميزة من النشاط الكهربائي المرتبط بالحركة المتخيلة.

يمكن التقاط هذه الإشارات باستخدام الكهربيولوجي (EEG) ، وهي تقنية غير غازية تسجل نشاط الدماغ من خلال أقطاب موضعها على فروة الرأس. يوفر EEG بيانات تسلسلية زمنية متعددة القنوات تمثل النشاط العصبي عبر مناطق مختلفة من الدماغ.

فك تشفير هذه الإشارات بدقة يسمح للأجهزة بترجمة النشاط العصبي إلى أوامر قابلة للتنفيذ. في الممارسة ، يمكن أن يسمح ذلك للأفراد الذين يعانون من شلل أو إعاقة حركية شديدة بالتحكم في التكنولوجيا المساعدة ببساطة عن طريق تخيل الحركات.

然而 ، تحقيق فك تشفير موثوق لإشارات MI-EEG لا يزال أحد أكثر التحديات صعوبة في تكنولوجيا الدماغ والحاسوب.

لماذا تكون إشارات الدماغ صعبة الفك

المانع الرئيسي في تطوير واجهات الدماغ والحاسوب يكمن في تعقيد الإشارات الكهربائية.

تظهر إشارات التخيل الحركي تباينًا مكانيًا وزمنيًا عاليًا ، مما يعني أنها تختلف بين مناطق الدماغ المختلفة وعبر الوقت. كما تختلف بشكل كبير بين الأفراد و حتى داخل نفس الشخص من جلسة إلى أخرى.

غالبًا ما يجد النماذج التقليدية للتعلم الآلي صعوبة في التعامل مع هذه الاختلافات. تعتمد العديد من الأنظمة الحالية على هياكل графية مسبقة أو معلمات ثابتة تفترض أن إشارات الدماغ تتصرف في أنماط متسقة. في الواقع ، الإشارات العصبية أكثر ديناميكية وتعقيدًا.

استخدمت الطرق السابقة تقنيات مثل تحليل النمط المكاني الشائع أو الشبكات العصبية التقليدية التجميعية لاستخراج الميزات من إشارات EEG. بينما يمكن لهذه المناهج تحديد بعض الأنماط في النشاط العصبي ، غالبًا ما تفشل في التقاط التفاعلات العميقة بين مناطق الدماغ أو الأنماط المتطورة بمرور الوقت.

نتيجة لذلك ، تتطلب العديد من أنظمة واجهات الدماغ والحاسوب تعليمًا وتحديدًا مكثفين قبل أن تكون قادرة على العمل بشكل فعال للمستخدمين الفرديين.

منهج جديد: شبكة التconvolution الغرافية المدفوعة بالتضمين

تناول فريق البحث في جامعة تشيبا هذه التحديات من خلال تطوير إطار جديد للتعلم العميق مصمم لالتقاط تعقيد إشارات الدماغ بشكل أفضل.

حل الفريق – شبكة التconvolution الغرافية المدفوعة بالتضمين (EDGCN) – يدمج عدة تقنيات متقدمة لتمثيل الهيكل المكاني والزمني لإشارات EEG في نفس الوقت.

في قلب الإطار يوجد آلية اندماج مدفوع بالتضمين تسمح للنظام بالت动生成 ديناميكي للمعلمات المستخدمة لفك تشفير إشارات الدماغ. بدلاً من الاعتماد على هياكل ثابتة ، يعدل EDGCN تمثيله الداخلي لالتقاط الاختلافات بين المواضيع وعبر الوقت.

يدمج الهيكل مكونات متخصصة متعددة:

التضمين الزمني المتعدد القرارات (MRTE)

يحلل هذا المكون إشارات EEG عند مقاييس زمنية مختلفة. نظرًا لتطور الإشارات العصبية بسرعة ، قد تحدث معلومات महतوة عند قرارات زمنية مختلفة. يستخرج MRTE ميزات من أنماط الطيف القوي المتعددة القرارات ، مما يسمح للنظام بتحديد النشاط العصبي المهم الذي قد يفوته خلاف ذلك.

التضمين المكاني الحساس للبنية (SASE)

لا تكون إشارات الدماغ معزولة ؛ تتفاعل مناطق الدماغ المختلفة بشكل مستمر. يُحاكي آلية SASE هذه التفاعلات عن طريق دمج هيكل الاتصال المحلي والكلي بين أقطاب EEG. هذا يسمح للذكاء الاصطناعي بتمثيل الدماغ كشبكة بدلاً من قنوات إشارات مستقلة.

توليد المعلمات الحساس للاختلافات

أحد أكثر الجوانب ابتكارًا في إطار EDGCN هو قدرته على توليد معلمات التconvolution الغرافية بشكل ديناميكي من بنك معلمات مدفوع بالتضمين. هذا يسمح للنموذج بالتكيف مع الخصائص الفريدة لإشارات الدماغ لكل موضوع.

لدعم هذه العملية ، استخدم الباحثون التconvolution الغرافي الشبيبي ، وهو تقنية تُحاكي بفعالية العلاقات داخل الشبكات المعقدة.

نويات مقيدة بالارتباطية

为了 تحسين متانة النظام ، يُضيف النموذج قيود الارتباطية داخل نوى التconvolution. هذا يشجع على التنوع في الميزات المُتعلمة ويقلل من التكرار ، مما يساعد النظام على استخراج تمثيلات أكثر ثراءً من إشارات EEG.

معًا ، تتيح هذه المكونات ل EDGCN التقاط أنماط النشاط العصبي المحلية وتفاعلات النطاق الواسع بين مناطق الدماغ ، مما يؤدي إلى فك تشفير أكثر دقة لإشارات التخيل الحركي.

نتائج الأداء

اختبر الباحثون EDGCN باستخدام مجموعات بيانات معيارية شائعة من منافسة واجهات الدماغ والحاسوب الرابعة ، والتي هي مجموعات بيانات تقييم معيارية في مجال أبحاث واجهات الدماغ والحاسوب.

حققت النموذج:

• دقة تصنيف 90.14% على مجموعة بيانات BCIC-IV-2b
• دقة تصنيف 86.50% على مجموعة بيانات BCIC-IV-2a

تتجاوز هذه النتائج عدة طرق فك تشفير قيد الاستخدام حاليًا وتظهر تعميمًا قويًا عبر مواضيع مختلفة.

من المهم ، أظهر النظام أيضًا تحسنًا في التكيف عند تطبيقه على سيناريوهات متعددة المواضيع ، وهو شرط أساسي لتنفيذ واجهات الدماغ والحاسوب عمليًا. تعمل العديد من النماذج الحالية بشكل جيد لمستخدم مدرب واحد ولكنها تفشل عند تطبيقها على أفراد جدد. يساعد هيكل EDGCN المدفوع بالتضمين على التغلب على هذا القيد من خلال تمثيل افتراضي أفضل لتنوع الفرد.

الآثار على التأهيل والتكنولوجيا المساعدة

يمكن أن يكون القدرة على فك تشفير إشارات الدماغ بدقة أكبر لها آثارًا عميقة على التكنولوجيا المساعدة.

تُستكشف واجهات الدماغ والحاسوب القائمة على التخيل الحركي حاليًا لتطبيقات مثل:

• كراسي متحركة محكومة بالفكر
• أطراف اصطناعية عصبية
• أجهزة تأهيل روبوتية
• أنظمة اتصال لمرضى الشلل

يمكن أن تجعل دقة فك الشفرة المحسنة هذه التكنولوجيا أكثر موثوقية وسهولة في الاستخدام.

يعتقد الباحثون أن أنظمة مثل EDGCN قد تساعد المرضى الذين يعانون من حالات مثل:

• السكتة الدماغية
• إصابات الحبل الشوكي
• التصلب الجانبي الضموري (ALS)
• أمراض عصبية عضلية أخرى

بفضل تفسير الإشارات أكثر موثوقية ، يمكن للمرضى потенسيًا التحكم في أجهزة التأهيل العصبي من خلال حركات متخيلة بسيطة ، مما يسمح بالتفاعل الأكثر طبيعية مع الأنظمة المساعدة.

وفقًا لأستاذ ناميكي ، فك تشفير إشارات التخيل الحركي ليس فقط تحديًا تقنيًا ، بل也是 فرصة لفهم كيفية تنظيم الدماغ للحركة والاتصال العصبي.

نحو واجهات الدماغ والحاسوب من الدرجة الاستهلاكية

على الرغم من عقود من البحث ، لا تزال معظم أنظمة واجهات الدماغ والحاسوب مقتصرة على المختبرات أو البيئات السريرية المتخصصة. لا تزال الموثوقية والتعديل وسهولة الاستخدام تحديات كبيرة أمام انتشارها الواسع.

يمكن أن تساهم التطورات مثل EDGCN في نقل واجهات الدماغ والحاسوب إلى التكنولوجيا العصبية من الدرجة الاستهلاكية.

من خلال تحسين قدرة النظام على التعامل مع إشارات الدماغ غير المتجانسة ، يقلل النموذج من الحاجة إلى تعليم وتحديد مكثفين. هذه هي خطوة حاسمة نحو جعل أنظمة واجهات الدماغ والحاسوب قابلة للاستخدام خارج بيئات البحث.

من المحتمل أن يركز البحث المستقبلي على دمج نماذج الذكاء الاصطناعي هذه في أنظمة EEG المحمولة وأجهزة Wearable. مع تحسينات في تقنية الحس وتقوية الحوسبة ، يمكن أن تمكن هذه الأنظمة من واجهات أكثر سهولة ومتاحة بين الدماغ والآلة.

خطوة نحو دمج أعمق بين الإنسان والآلة

يعكس تطوير EDGCN اتجاهًا أوسع في الذكاء الاصطناعي وعلم الأعصاب: استخدام الشبكات العصبية القائمة على الرسوم لتمثيل الأنظمة البيولوجية.

نظرًا لأن الدماغ نفسه يعمل كشبكة معقدة من المناطق المترابطة ، توفر الشبكات العصبية القائمة على الرسوم طريقة طبيعية لتمثيل هيكله وديناميكياته.随着 تقدم هذه النماذج الذكية ، قد تفتح نظرة أعمق في النشاط العصبي والإدراك.

في النهاية ، يمكن أن يفتح فك تشفير إشارات الدماغ المحسنة الطريق لتكنولوجيا جديدة تمكن البشر من التفاعل مع الآلات بسهولة أكبر مما هو عليه الآن.

إذا استمر التقدم بسرعته الحالية ، قد تنتقل واجهات الدماغ والحاسوب قريباً من أدوات البحث التجريبي إلى تكنولوجيا مساعدة يومية قادرة على استعادة الاستقلال والحركة لملايين الأشخاص حول العالم.