⚡ electrical engineering

Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning

تقترح هذه الورقة إطار عمل جديد لتصنيف تخطيط كهربية الدماغ لصور الحركة الذهنية يستفيد من تحويل النواة التلافيفية العشوائية الأدنى (MiniRocket) لاستخراج الميزات بكفاءة، وتُثبت أنه يتفوق على نموذج التعلم العميق الهجين (CNN-LSTM) في كل من الدقة (98.63%) والكفاءة الحسابية على مجموعة بيانات PhysioNet.

المؤلفون الأصليون: Jamal Hwaidi, Mohamed Chahine Ghanem

نُشر 2026-02-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jamal Hwaidi, Mohamed Chahine Ghanem

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن دماغك عبارة عن محطة إذاعية ضخمة وصاخبة. في كل مرة تفكر فيها في تحريك يدك أو قدمك، حتى لو لم تقم بالحركة فعلياً، يرسل دماغك "بثاً" إشارياً محدداً. يُسمى هذا التصور الحركي (Motor Imagery - MI).

الهدف من هذا البحث هو بناء "مترجم" فائق الذكاء يمكنه الاستماع إلى هذه البثات الدماغية ومعرفة ما تتخيله بالضبط. هذه التكنولوجيا هي العمود الفقري لـ واجهات الدماغ والحاسوب (BCI)، والتي قد تمكن يوماً ما المصابين بالشلل من التحكم في الأذرع الروبوتية أو الكراسي المتحركة بمجرد التفكير.

ومع ذلك، هناك مشكلة: الإشارات الدماغية فوضوية. إنها تشبه محطة إذاعية تعمل في غرفة مزدحمة بالضجيج، والتداخل، وأصوات مختلفة تتحدث في آن واحد. فهم هذه الإشارات أمر صعب للغاية.

تقدم هذه الورقة البحثية "مترجمين" جديدين لحل هذا اللغز. دعونا نشرحهما باستخدام تشبيهات بسيطة.

المترجمان

اختبر الباحثون نهجين مختلفين لفك تشفير هذه الإشارات الدماغية:

1. "المحقق فائق السرعة" (MiniRocket)

تخيل الإشارة الدماغية كأنها خيط طويل وفوضوي من الخرز. تحاول الطرق التقليدية فك كل عقدة في الخيط للعثين على نمط، وهو أمر يستغرق وقتاً طويلاً.

MiniRocket يشبه المحقق الذي لا يحاول فك الخيط بأكمله. بدلاً من ذلك، يستخدم "قالبًا" جاهزًا (نواة عشوائية) لمسح الخيط بسرعة.

كيف يعمل: يقوم بإلقاء الآلاف من هذه القوالب على البيانات. هو لا يتعلمها؛ بل يستخدمها فقط لرصد أشكال أو أنماط معينة فوراً (مثل: "أوه، هذا الجزء يشبه حركة اليد اليسرى!").
السحر: إنه سريع وفعال للغاية. الأمر يشبه استخدام جهاز كشف المعادن على الشاطئ بدلاً من حفر كل بوصة من الرمل بملعقة. إنه يجد "الكنز" (الميزات المهمة) دون القيام بكل المجهود الشاق.
النتيجة: كانت هذه الطريقة هي الفائزة. فقد حققت دقة بلغت 98.63% وفعلت ذلك بشكل أسرع بكثير من الطريقة الأخرى.

2. "الطالب المتعمق" (CNN-LSTM Hybrid)

هذا النهج يشبه طالباً مجتهداً جداً يريد فهم القصة بأكملها، وليس مجرد البحث عن الأدلة.

شبكة CNN (الشبكة العصبية الالتفافية): هذا الجزء يشبه المجهر. ينظر إلى الإشارات الدماغية للعثور على الأنماط المكانية (من أين تأتي الإشارة من فروة الرأس). ويتساءل: "هل الإشارة أقوى في الجانب الأيسر أم الأيمن؟".
شبكة LSTM (الذاكرة الطويلة قصيرة المدى): هذا الجزء يشبه المؤرخ الذي يسافر عبر الزمن. ينظر إلى الأنماط الزمنية (كيف تتغير الإشارة بمرور الوقت). ويتساءل: "هل بدأت الإشارة منخفضة ثم ارتفعت فجأة؟".
الهجين (Hybrid): من خلال الجمع بين المجهر والمؤرخ، يحاول هذا النموذج تعلم كل شيء عن الإشارة من الصفر.
النتيجة: حقق أداءً جيداً أيضاً (دقة 98.06%)، لكنه تطلب قوة حاسوبية ووقتاً أكبر بكثير لـ "دراسة" البيانات مقارنة بـ "المحقق فائق السرعة".

التجربة: "صالة الألعاب الرياضية للدماغ"

لاختبار هذين المترجمين، استخدم الباحثون مجموعة بيانات عامة تسمى PhysioNet. تخيل هذه المجموعة كصالة ألعاب رياضية ضخمة ذهب إليها 10 أشخاص مختلفون (مشاركين) للقيام بروتين رياضي.

الروتين: جلس كل شخص على كرسي وتخيل أربعة أشياء مختلفة:
1. تحريك قبضة اليد اليسرى.
2. تحريك قبضة اليد اليمنى.
3. تحريك كلتا القبضتين.
4. تحريك كلتا القدمين.
التحدي: كان على الكمبيوتر الاستماع إلى الموجات الدماغية وتخمين أي من التمارين الأربعة يتخيلها الشخص.

الخلاصة الكبرى

وجدت الدراسة أنك لا تحتاج دائماً إلى آلات معقدة وثقيلة للحصول على أفضل النتائج.

"الطالب المتعمق" (CNN-LSTM) قوي ومثير للإعجاب، لكنه يشبه قيادة سيارة فيراري للذهاب إلى متجر البقالة. إنه يعمل، لكنه مكلف وبطيء.
"المحقق فائق السرعة" (MiniRocket) يشبه سكوتر كهربائي رشيق. يوصلك إلى وجهتك بشكل أسرع، ويستهلك طاقة أقل، وحصل في الواقع على درجة أفضل قليلاً (98.63% مقابل 98.06%).

لماذا يهم هذا؟

يعد هذا البحث خطوة كبيرة للأمام بالنسبة لواجهات الدماغ والحاسوب لأن:

السرعة: إنه يثبت أنه يمكننا فك تشفير الإشارات الدماغية بسرعة كبيرة، وهو أمر بالغ الأهمية للتحكم في الوقت الفعلي (مثل تحريك ذراع روبوتية الآن).
الكفاءة: يوضح أننا لا نحتاج إلى حواسيب خارقة لجعل هذه الأنظمة تعمل، مما يجعل التكنولوجيا أرخص وأكثر سهولة في الوصول إليها للمستشفيات والمنازل.
الدقة: الوصول إلى دقة تقارب 99% يعني أن هذه الأنظمة أصبحت موثوقة بما يكفي للاستخدام الطبي في العالم الحقيقي.

باختاً، وجد المؤلفون طريقة للاستماع إلى "محطة الراديو" الخاصة بالدماغ بوضوح وسرعة، مما يثبت أنه في بعض الأحيان تكون الأداة الأبسط والأذكى أفضل من الأداة الأكثر تعقيداً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "تصنيف إشارات تخطيط كهربائية الدماغ للتخيل الحركي باستخدام تحويل النواة التلافيفية العشوائية الدنيا والتعلم العميق الهجين."

1. بيان المشكلة

تتناول الورقة البحثية تحدي تصنيف إشارات تخطيط كهربائية الدماغ (EEG) الخاصة بالتخيل الحركي (MI) لتطبيقات واجهة الدماغ والحاسوب (BCI). وتشمل التحديات الرئيسية ما يلي:

خصائص الإشارة: إشارات تخطيط كهربائية الدماغ غير مستقرة، ومتغيرة زمنياً، وتظهر تبايناً عالياً بين الأفراد.
نسبة الإشارة إلى الضوضاء المنخفضة (SNR): الإشارات بمستوى الميكروفولت وهي عرضة للتشوهات (Artifacts).
ندرة البيانات: غالباً ما تتطلب نماذج التعلم العميق مجموعات بيانات ضخمة، والتي يصعب الحصول عليها لمهام محددة في تخطيط كهربائية الدماغ.
التكلفة الحسابية: تعاني طرق تصنيف السلاسل الزمنية الحديثة (SOTA) غالباً من تعقيد حسابي عالٍ، مما يجعل من الصعب تدريبها على مجموعات البيانات الصغيرة أو يجعلها غير عملية للتطبيقات في الوقت الفعلي.
استخراج الميزات: تعتمد الطرق التقليدية غالباً على هندسة الميزات اليدوية (مثل CSP وPSD)، والتي قد تفتقر إلى الأنماط الزمنية الديناميكية أو تفشل في التعميم عبر مختلف الأشخاص.

2. المنهجية

يقترح المؤلفون إطار عمل مقارن يستخدم نهجين متميزين على مجموعة بيانات PhysioNet لتخطيط كهربائية الدماغ للتخيل الحركي (109 شخصاً، 4 مهام تخيل حركي: القبضة اليسرى، القبضة اليمنى، كلتا القبضتين، كلتا القدمين).

أ. المعالجة المسبقة للبيانات

المصدر: مجموعة بيانات PhysioNet (معدل أخذ عينات 160 هرتز).
التقسيم: تم تقسيم التجارب إلى نوافذ مدتها 4 ثوانٍ (640 عينة لكل قطب كهربائي).
ترشيح التردد: استُخدم تحليل المكونات المستقلة (ICA) لعزل نطاقات $\mu$ (8–14 هرتز) و $\beta$ (14–30 هرتز)، وهي الأكثر تمييزاً للتخيل الحركي.
التطبيع (Normalization): تم حساب متوسط البيانات باستخدام مرجع مشترك، وتمت إزالة فترات 3 ثوانٍ ما قبل التجربة.

ب. النهج 1: MiniRocket مع مصنف خطي

المفهوم الجوهري: يستخدم تحويل النواة التلافيفية العشوائية الدنيا (MiniRocket)، وهو مصنف سلاسل زمنية عالي الكفاءة.
الآلية:
- تطبيق 10,000 نواة تلافيفية عشوائية (بأوزان، وانحيازات، وتوسعات ثابتة) على الإشارة المدخلة.
- استخراج الميزات باستخدام نسبة القيم الموجبة (PPV) والتجميع الأقصى (Max Pooling).
- على عكس الشبكات العصبية التلافيفية (CNN) القياسية، فإن أوزان النواة ليست متعلمة؛ بل هي ثابتة وعشوائية، مما يقلل وقت التدريب بشكل كبير.
- يتم تغذية الميزات المحولة إلى مصنف خطي من نوع Ridge.
الميزة: انخفاض كبير في التعقيد الحسابي ( $O(I \cdot K \cdot S)$ ) مقارنة بالتعلم العميق، مع الاحتفاظ بدقة عالية.

ج. النهج 2: نموذج التعلم العميق الهجين (CNN-LSTM)

البنية: شبكة هجينة مكونة من 13 طبقة مصممة لالتقاط التبعيات المكانية والزمنية.
- استخراج الميزات المكانية: طبقتان تلافيفتان أحاديتتا الأبعاد (1D Convolutional layers) (16 و32 مرشحاً) مع تنشيط ReLU لتعلم الأنماط المحلية.
- التنظيم (Regularization): طبقات إسقاط (Dropout) (0.5 بعد الطبقة التلافيفية، و0.25 بعد الطبقة الكثيفة) وتنظيم L2 لمنع الإفراط في التخصيص (Overfitting).
- استخراج الميزات الزمنية: طبقة ذاكرة طويلة قصيرة المدى (LSTM) مع 100 وحدة لنمذجة التبعيات التسلسلية والذاكرة طويلة المدى.
- التصنيف: طبقات متصلة بالكامل (Dense) مع تنشيط ReLU وتنشيط Sigmoid نهائي لمخرجات مكونة من 4 فئات.
التدريب: تم تحسين النموذج باستخدام خوارزمية Adam مع معدل تعلم قدره $1 \times 10^{-5}$ وحجم دفعة (Batch size) قدره 64 (للتدريب) / 400 (لمخططات التحقق).

3. المساهمات الرئيسية

استخراج ميزات مبتكر: تطبيق MiniRocket على تصنيف تخطيط كهربائية الدماغ للتخيل الحركي، مما يثبت أن النوى التلافيفية العشوائية يمكن أن تتفوق على نماذج التعلم العميق المعقدة من حيث الكفاءة والدقة.
خط الأساس الهجين: تطوير بنية هجينة CNN-LSTM قوية ومخصصة لتخطيط كهربائية الدماغ للتخيل الحركي، تعمل كخط أساس عالي الأداء للمقارنة.
المعالجة المسبقة المحددة للتردد: الاستخدام الاستراتيجي لـ ICA لعزل نطاقات $\mu$ و $\beta$ قبل تغذية البيانات في المصنفات، مما يعزز صلة الإشارة.
تقييم شامل: إجراء مقارنة صارمة على مجموعة بيانات PhysioNet تشمل 10 أشخاص، وتحقق تبادلي مكون من 10 طيات (10-fold cross-validation)، وتحليل مصفوفات الارتباك، ومنحنيات ROC، وديناميكيات التدريب.

4. النتائج التجريبية

تم تقييم النماذج على مجموعة بيانات PhysioNet (10 أشخاص، 4 فئات).

أداء الدقة:
- MiniRocket: حقق متوسط دقة قدره 98.63%.
- CNN-LSTM: حقق متوسط دقة قدره 98.06%.
- ملاحظة: تفوق MiniRocket قليلاً على نموذج التعلم العميق مع تطلبه موارد حسابية أقل بكثير.
أداء الأشخاص:
- أفضل شخص (S8) حقق 99.44% (MiniRocket) و98.56% (CNN-LSTM) لمهمة القبضة اليسرى.
- الشخص الأقل أداءً (S3 لـ MiniRocket، وS10 لـ CNN-LSTM) حافظ أيضاً على دقة عالية (أكثر من 90% عبر معظم المهام).
المقارنة مع أحدث التقنيات (SOTA):
- تفوق نهج Mini-Rocket المقترح (98.63%) بشكل كبير على الدراسات السابقة التي استخدمت نفس مجموعة البيانات، والتي تراوحت بين 74.90% (SVM) و 97.71% (DSCNN+ELM).
المتانة: أظهر كلا النموذجين تقارباً مستقراً مع فقدان (Loss) منخفض ودقة واستدعاء (Precision/Recall) مرتفعين عبر جميع مهام التخيل الحركي الأربعة (القبضة اليسرى، القبضة اليمنى، كلتا القبضتين، كلتا القدمين).

5. الأهمية والخاتمة

الكفاءة مقابل الدقة: تثبت الدراسة أن MiniRocket يقدم مقايضة متفوقة لأنظمة BCI الخاصة بالتخيل الحركي. فهو يحقق دقة SOTA بجزء بسيط من التكلفة الحسابية ووقت التدريب المطلوب لنماذج التعلم العميق.
التطبيق العملي: إن الدقة العالية وزمن الاستجابة المنخفض لنهج MiniRocket يجعله مناسباً جداً لتطبيقات BCI في الوقت الفعلي حيث تكون القدرة الحسابية محدودة (مثل الأجهزة المحمولة).
الاتجاهات المستقبلية: يشير المؤلفون إلى أنه بينما النتائج "أوفلاين" (Offline) واعدة، فإن العمل المستقبلي سيركز على التجارب "أونلاين" (Online)، وتكييف النهج مع النماذج التجريبية المختلفة، وتصميم بروتوكولات جمع بيانات محددة لزيادة التحقق من قدرة النموذج على التعميم.

باختصار، تؤسس هذه الورقة البحثية أن تحويلات النواة العشوائية (MiniRocket) هي بديل فعال للغاية ومنخفض التكلفة الحسابية لنماذج التعلم العميق المعقدة لتصنيف إشارات تخطيط كهربائية الدماغ للتخيل الحركي، محققة دقة قياسية على المعايير المرجعية.