How does downsampling affect needle electromyography signals? A generalisable workflow for understanding downsampling effects on high-frequency time series

تخيل أنك محقق يحاول حل لغز من خلال الاستماع إلى إرسال إذاعي سريع للغاية وعالي النبرة. الإشارة سريعة ومفصلة للغاية لدرجة أن جهاز التسجيل الخاص بك ينهار تحت وطأتها، وعقلك لا يستطيع مواكبة هذا الحجم الهائل من البيانات. هذا هو الواقع اليومي للأطباء الذين يستخدمون تخطيط عضلات الإبرة (nEMG)، وهي تقنية تستخدم إبرة دقيقة للاستماع إلى الدردشة الكهربائية لعضلاتك لتشخيص أمراض مثل التصلب الجانبي الضموري (ALS) أو اعتلال العضلات. الإشارات غنية للغاية، لكنها أيضاً ضخمة، مما يجعل من الصعب على الحواسيب تحليلها بسرعة كافية لمساعدة الطبيب في الوقت الفعلي. ولإصلاح ذلك، يحاول العلماء غالباً استخدام "تقليل معدل العينات" (downsampling)، وهو أمر يشبه تحويل فيديو عالي الدقة إلى دقة أقل لجعل بثه أسهل. ولكن هنا تكمن المشكلة: إذا قمت بتقليص الفيديو كثيراً، فقد تفقد الأدلة الحاسمة اللازمة لحل اللغز. السؤال الكبير هو: إلى أي مدى يمكنك تقليص الإشارة قبل أن تفقد التشخيص؟

لقد وضع فريق من الباحثين حداً لهذا السؤال عبر بناء سير عمل خاص بـ "ضبط الجودة" لاختبار طرق مختلفة لتقليص إشارات العضلات هذه. لقد عاملوا الإشارات كأنها أغنية معقدة وحاولوا تجربة طرق متنوعة لحذف بعض النوتات دون إفساد اللحن. ووجدوا أن الطريقة الأكثر شيوعاً لتقليص البيانات — وهي ببساطة تخطي كل بضع نوتات مع تصفية الضوضاء عالية النبرة — كانت في الواقع الأفضل في الحفاظ على الأدلة الطبية سليمة. ومن المثير للدهشة، اكتشفوا أنه يمكنهم تقليص البيانات بمقدار 30 ضعفاً (أي جعلها أصغر بـ 30 مرة) دون التأثير على قدرة الكمبيوتر على تشخيص المرض، مما سرّع عملية التحليل بنحو 60 ضعفاً. ومع ذلك، وجدوا أيضاً أن بعض الطرق المتطورة المصممة للحفاظ على "شكل" الإشارة بشكل مثالي قد أدت في الواقع إلى تشويه تفاصيل التردد المهمة، مما جعل التشخيص أقل دقة. تشير الدراسة إلى أنه بالنسبة لهذا النوع المحدد من إشارات العضلات، فنحن لسنا بحاجة إلى النسخة فائقة الدقة للقيام بالمهمة، مما يفتح الباب أمام أدوات طبية أسرع تعمل في الوقت الفعلي.

معضلة المحقق: الاستماع إلى موسيقى العضلات

لفهم ما قام به هؤلاء الباحثون، نحتاج أولاً إلى فهم "الموسيقى" التي يستمعون إليها. عندما تحرك عضلة، ترسل أعصابك شرارات كهربائية لإخبارها بالانقباض. اختبار تخطيط عضلات الإبرة (nEMG) يستمع إلى هذه الشرارات. الأمر يشبه وضع ميكروفون داخل عضلة لسماع "الفرقعة" الكهربائية الصغيرة لوحدة حركية واحدة (عصب وألياف عضلية يتحكم بها). هذه الأصوات سريعة ومفصلة للغاية، حيث تُسجل بمعدل حوالي 23,437.5 قياساً في الثانية.

المشكلة هي أن هذا القدر من البيانات يشكل عبئاً ثقيلاً على الحواسيب. إذا أراد طبيب استخدام برنامج كمبيوتر للمساعدة في تشخيص مرض ما في الوقت الفعلي، فيتعين على الكمبيوتر معالجة ملايين من نقاط البيانات هذه. إنه يشبه محاولة قراءة مكتبة من الكتب في ثانية واحدة. ولجعل هذا ممكناً، يستخدم العلماء تقليل معدل العينات (downsampling). فكر في تقليل معدل العينات كعملية أخذ صورة عالية الدقة وتغيير حجمها لتناسب شاشة هاتف صغيرة؛ أنت تتخلص من بعض البكسلات لجعل الملف أصغر وأسهل في التحميل. وفي عالم الإشارات، يعني هذا الاحتفاظ بكل قياس رقم (k) ورمي البقية.

ولكن هناك مخاطرة. إذا تخلصت من الكثير، فقد تفقد "النوتات" المحددة التي تخبر الطبيب ما إذا كانت العضلة سليمة أم مريضة. بعض الأمراض تجعل الإشارات الكهربائية تبدو قصيرة ومدببة، بينما تجعلها أمراض أخرى طويلة ومتموجة. إذا قامت طريقة تقليل العينات الخاصة بك بتنعيم تلك النتوءات أو تمديد الموجات، فقد يرتبك الكمبيوتر ويعطي تشخيصاً خاطئاً. أراد الباحثون إيجاد "النقطة المثالية": النقطة التي يكون عندها الملف صغيراً بما يكفي ليكون سريعاً، ولكنه لا يزال كبيراً بما يكفي ليكون دقيقاً.

التجربة: اختبار أشعة التقلص

لم يكتفِ الباحثون بالتخمين؛ بل بنوا سير عمل منهجياً لاختبار خمسة "أشعة تقلص" مختلفة (خوارزميات تقليل معدل العينات) على مجموعة بيانات من تسجيلات عضلية حقيقية لـ 22 مريضاً. انقسم هؤلاء المرضى إلى ثلاث مجموعات: ضوابط أصحاء، وأشخاص يعانون من اعتلال العضلات (مرض عضلي)، وأشخاص يعانون من التصلب الجانبي الضموري (مرض عصبي).

لقد اختبروا خمس طرق مختلفة لتقليص البيانات:

1. Decimate (التقطيع): الطريقة القياسية. وهي تختار كل نقطة رقم (k) ولكنها تستخدم مرشحاً (فلتر) أولاً لمنع الضوضاء عالية التردد من التحول إلى ضوضاء منخفضة التردد مزيفة (يشبه استخدام المنخل لالتقاط الصخور الكبيرة قبل سكب الرمل).
2. MinMax: هذه الطريقة تنظر إلى قطع من البيانات وتحتفظ فقط بأعلى وأدنى النقاط، محاولةً الحفاظ على "ارتفاع" الموجات.
3. M4: نسخة أذكى من MinMax تحاول ربط النقاط بشكل أفضل حتى لا يبدو الشكل متعرجاً.
4. LTTB (أكبر ثلاثة دلاء مثلثية): طريقة تحاول الحفاظ على "المساحة" أو شكل الإشارة الإجمالي عن طريق اختيار النقاط التي تشكل أكبر مثلثات.
5. MinMaxLTTB: هجين يختار أعلى وأدنى النقاط أولاً، ثم يستخدم طريقة LTTB على بقية النقاط.

لكل طريقة، جربوا تقليص البيانات بمقادير مختلفة (عوامل 2، 5، 10، وصولاً إلى 1000). بعد ذلك، قاموا بتشغيل برنامج كمبيوتر (مصنف الغابة العشوائية - Random Forest classifier) لمعرفة ما إذا كان لا يزال بإمكانه التمييز بين إشارات الأصحاء، ومرضى اعتلال العضلات، ومرضى التصلب الجانبي الضموري بعد تقليص البيانات.

النتائج: السرعة مقابل الشكل

كانت النتائج مفاجئة وعملية للغاية. وجد الباحثون أن طريقة Decimate هي الفائزة بوضوح. فقد استطاعت تقليص البيانات بمقدار 30 ضعفاً (الاحتفاظ بواحدة من كل 30 قياساً) ومع ذلك حافظت على نفس مستوى الدقة التشخيصية للبيانات الأصلية كاملة الحجم. أدى هذا إلى تسريع وقت استخراج الميزات بمق factor قدره 60 ضعفاً. وباللغة البسيطة، استطاع الكمبيوتر تحليل إشارات العضلات أسرع بـ 60 مرة دون فقدان أي قدرة على رصد المرض.

ومع ذلك، فإن الطرق الأخرى، المصممة لتبدو "أجمل" أو للحفاظ على الشكل البصري للإشارة، لم تكن جيدة بنفس القدر.

• طريقة LTTB وطريقة MinMaxLTTB لم تستطيعا تقليص البيانات إلا بمقدار 25 ضعفاً قبل أن تبدأ الدقة في الانخفاض.
• طريقة M4 فشلت في وقت أبكر، عند عامل 20.
• طريقة MinMax واجهت أيضاً طريقاً مسدوداً عند 25.

لماذا فازت الطريقة "القبيحة" القياسية (Decimate)؟ استخدم الباحثون أداة خاصة تسمى تحليل SHAP لإلقاء نظرة داخل "عقل" الكمبيوتر. واكتشفوا أن الكمبيوتر لم يهتم كثيراً بـ "الارتفاع" الدقيق أو "شكل" النتوءات (الذي حاولت الطرق المتطورة الحفاظ عليه). بدلاً من ذلك، اعتمد الكمبيوتر بشكل كبير على تردد الإشارة — أي مدى سرعة اهتزاز الموجات — ومدى تكرار عبور الإشارة لخط الصفر. طريقة Decimate القياسية، مع مرشح منع التداخل (anti-aliasing filter)، حافظت على تفاصيل التردد هذه بشكل مثالي. أما طرق الحفاظ على الشكل المتطورة، فقد أدت بالخطأ إلى تشويه هذه الترددات، مما أربك الكمبيوتر.

"عنق الزجاجة" في اعتلال العضلات

من التفاصيل المثيرة للاهتمام التي وجدتها الدراسة هي أن مجموعة "اعتلال العضلات" (Myopathic) كانت الأكثر حساسية للتقليص. استطاع الكمبيوتر التعامل مع تقليص إشارات الأصحاء والتصلب الجانبي الضموري بشكل أكبر بكثير، لكن إشارات اعتلال العضلات بدأت تصبح مربكة عند عامل 30. وهذا منطقي لأن إشارات اعتلال العضلات غالباً ما تكون قصيرة ومدببة جداً. إذا قلصت البيانات كثيراً، فستضيع تلك النتوءات الصغيرة أو تندمج مع بعضها البعض. وهذا يشير إلى أنه بالنسبة للمرضى الذين يعانون من أمراض عضلية، يحتاج الأطباء إلى توخي الحذر الشديد وعدم تقليص البيانات بشكل مفرط.

ماذا يعني هذا للمستقبل؟

تخلص الدراسة إلى أننا لسنا بحاجة للاحتفاظ بكل نقطة بيانات منفردة لتشخيص هذه الأمراض. من خلال استخدام طريقة Decimate القياسية وتقليص البيانات بمقدار 30 ضعفاً، يمكننا جعل التحليل الآلي أسرع بـ 60 مرة. هذه خطوة كبيرة نحو التحليل "الوشيك في الوقت الفعلي"، حيث يمكن للكمبيوتر مساعدة الطبيب فوراً بينما لا يزال يمسك بالإبرة.

ومع ذلك، فإن المؤلفين يشيرون بحذر إلى أن هذا يعتمد على مجموعة بيانات واحدة محددة (EMGLAB) ونوع واحد من انقباض العضلات (الحركة الإرادية منخفضة المستوى). ويقترحون أنه بينما يعد سير العمل الخاص بهم أداة رائعة لاختبار إشارات أخرى، فإن قاعدة الـ "30 ضعفاً" قد تتغير إذا تم اختبار أنواع مختلفة من النشاط العضلي، مثل العضلات في حالة الراحة أو بذل أقصى جهد، والتي قد تمتلك مؤشرات ترددية عالية مختلفة. كما يؤكدون أنه بينما يصبح الكمبيوتر أسرع، فإن القرار النهائي يجب أن يتضمن طبيباً بشرياً يمكنه النظر إلى الإشارة والقول: "نعم، لا يزال هذا يبدو لي كمرض عضلي".

باخت-صار، تظهر الورقة البحثية أنه في بعض الأحيان، القليل هو الكثير. فمن خلال التخلص من 97% من نقاط البيانات بطريقة ذكية، يمكننا جعل الذكاء الاصطناعي الطبي أسرع وأكثر دقة، مما يقربنا خطوة أخرى من التشخيص الآلي الفوري للعضلات.