اختراق في مجال الذكاء الاصطناعي يحسن واجهات الدماغ والحاسوب عن طريق فك تشفير الإشارات الدماغية المعقدة

قام باحثون في جامعة تشيبا في اليابان بتطوير إطار جديد للذكاء الاصطناعي قادر على فك تشفير النشاط الدماغي المعقد بدقة أعلى بكثير، مما يُشكل خطوة مهمة نحو واجهات دماغ-حاسوب أكثر موثوقية (BCIs). يمكن أن يسهم هذا الاختراق 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.

البحث، بقيادة طالب الدكتوراه تشاوين شين والأستاذ أكيو ناميكي في مدرسة الهندسة العليا في جامعة تشيبا، يقدم بنية تعلم sâu جديدة تعرف باسم شبكة التضمين القائمة على التجميع الرسومي (EDGCN). تم تصميم النظام لتحليل الإشارات الكهربائية المعقدة التي تُنتج 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 فعالة بين الدماغ البشري والآلات الخارجية. بدلاً من الاعتماد على حركة العضلات، تفسر واجهات الدماغ والحاسوب الإشارات العصبية وتحولها إلى أوامر لأنظمة رقمية أو أجهزة فيزيائية.

واحدة من أكثر المناهج دراسة في أبحاث واجهات الدماغ والحاسوب تتضمن تخيل الحركة الكهربي. في هذه الأنظمة، يتخيل المستخدمون أداء حركات – مثل رفع اليد أو إمساك كائن أو المشي. حتى لو لم تكن هناك حركة فيزيائية، فإن الدماغ يُنتج أنماطًا مميزة من النشاط الكهربائي المرتبط بالحركة المتخيلة.

يمكن التقاط هذه الإشارات باستخدام الكهربي البيولوجي، وهي تقنية غير غازية تسجل النشاط الدماغي من خلال أقطاب موصولة إلى فروة الرأس. توفر الكهربي البيولوجي بيانات متسلسلة زمنية متعددة القنوات تمثل النشاط العصبي عبر مناطق مختلفة من الدماغ.

يمكن أن يترجم الحواسيب هذه الإشارات بدقة، مما يسمح للأفراد الذين يعانون من الشل أو الإعاقة الحركية الشديدة بالتحكم في التكنولوجيا المساعدة ببساطة عن طريق التخيل الحركي.

ومع ذلك، يبقى تحقيق فك تشفير موثوق للإشارات الكهربي البيولوجي واحدة من أكبر التحديات في تكنولوجيا الأعصاب.

لماذا تكون الإشارات الدماغية صعبة الفك

المانع الرئيسي في تطوير واجهات الدماغ والحاسوب يكمن في تعقيد الإشارات الكهربي البيولوجي.

تُظهر إشارات التخيل الحركي تباينًا مكانيًا وزمنيًا عاليًا، مما يعني أنها تختلف عبر مناطق دماغية مختلفة 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 التباينات. تعتمد العديد من الأنظمة الحالية على هياكل графية محددة أو معلمات ثابتة تفترض أن الإشارات الدماغية تتصرف في أنماط متسقة. في الواقع، الإشارات العصبية أكثر ديناميكية وتعقيدًا.

منهج جديد: شبكة التضمين القائمة على التجميع الرسومي

تناول فريق البحث في جامعة تشيبا هذه التحديات من خلال تطوير إطار جديد للتعلم العميق مصمم لتحسين فك تشفير الإشارات الدماغية.

حلولهم – شبكة التضمين القائمة على التجميع الرسومي (EDGCN) – يدمج تقنيات متقدمة لتمثيل الهياكل المكانية والزمنية للإشارات الكهربي البيولوجي بشكل متزامن.

في قلب الإطار يوجد آلية تضمين توحيد تسمح للنظام بتحديث المعلمات المستخدمة في فك تشفير الإشارات الدماغية بشكل ديناميكي. بدلاً من الاعتماد على هياكل ثابتة، تُعدل شبكة التضمين القائمة على التجميع الرسومي تمثيلها الداخلي لتحسين 捕获 التباينات بين الأفراد وعبر الوقت.

تضمين زمني متعددة القرارات

يحلل هذا المكون الإشارات الكهربي البيولوجي على مستويات زمنية مختلفة. نظرًا لأن الإشارات العصبية تتطور بسرعة، قد تظهر المعلومات المهمة على مستويات زمنية مختلفة.

تضمين مكاني متأثر بالهيكل

الإشارات الدماغية ليست معزولة؛ تتفاعل مناطق الدماغ المختلفة باستمرار. آليّة التضمين المكاني المتأثر بالهيكل تُodel هذه التفاعلات عن طريق دمج هياكل الاتصال المحلية والعالمية بين أقطاب الكهربي البيولوجي.

توليد معلمات متأثر بالتباين

أحد الجوانب المبتكرة في إطار شبكة التضمين القائمة على التجميع الرسومي هو قدرته على توليد معلمات التجميع الرسومي بشكل ديناميكي من بنك معلمات مدفوع بالتضمين.

نواة متأثرة بالارتباطية

لمزيد من تحسين متانة النظام، يُقدم النموذج قيودًا على الارتباطية داخل نواة التجميع الرسومي. هذا يشجع على التنوع في الميزات المُتعلمة ويتقلل من التكرار، مما يساعد النظام على استخراج تمثيلات أكثر غنىً من الإشارات الكهربي البيولوجي.

معًا، تسمح هذه المكونات لشبكة التضمين القائمة على التجميع الرسومي ب 捕获 أنماط النشاط العصبي المحلية وتفاعلات كبيرة النطاق بين مناطق الدماغ، مما يؤدي إلى فك تشفير أكثر دقة للإشارات الحركية.

نتائج الأداء

قام الباحثون بتحليل أداء شبكة التضمين القائمة على التجميع الرسومي باستخدام مجموعات بيانات مرجعية شائعة من منافسة واجهات الدماغ والحاسوب الرابعة.

النظام حقق:

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

تتجاوز هذه النتائج عدة طرق فك تشفير قائم على الحالة الراهنة وتُظهر تعميمًا قويًا عبر مواضيع مختلفة.

الآثار على التأهيل والتكنولوجيا المساعدة

يمكن أن يكون تحسين دقة فك تشفير الإشارات الدماغية آثارًا عميقة على التكنولوجيا المساعدة.

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

• كراسي متحركة محكومة بالفكر
• البروستات العصبية
• أجهزة التأهيل الروبوتية
• أنظمة الاتصالات للمرضى المصابين بالشل

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

تoward واجهات الدماغ والحاسوب من الدرجة الاستهلاكية

على الرغم من عقود من البحث، لا تزال معظم أنظمة واجهات الدماغ والحاسوب محصورة في المختبرات أو الإعدادات السريرية المتخصصة. لا تزال الموثوقية والتعديل وسهولة الاستخدام تحدًا كبيرًا أمام اعتماد أوسع نطاقًا.

يمكن أن تساهم التطورات مثل شبكة التضمين القائمة على التجميع الرسومي في جعل واجهات الدماغ والحاسوب أقرب إلى التكنولوجيا العصبية من الدرجة الاستهلاكية.

من خلال تحسين قدرة النظام على التعامل مع الإشارات الدماغية المتنوعة، يقلل النموذج من الحاجة إلى تعديلات مطولة وضبط الخبراء. هذا هو خطوة حاسمة نحو جعل أنظمة واجهات الدماغ والحاسوب قابلة للاستخدام خارج بيئات البحث.

سيتركز البحث المستقبلي على دمج نماذج الذكاء الاصطناعي هذه في أنظمة الكهربي البيولوجي المحمولة وأجهزة الارتداء. يمكن أن تمكن هذه الأنظمة، مع تحسينات في تقنية الحساسة وزيادة قوة الحوسبة، من واجهات دماغ-آلة أكثر سهولة ومتانة.