ملخص تقني: التلافيف الزمكانية على إشارات EEG

بيان المشكلة

يعد تصنيف إشارات تخطيط كهربائية الدماغ (EEG) باستخدام الشبكات العصبية التلافيفية (CNN) الضحلة نهجاً شائع الاستخدام في مجالات تتراوح من التشخيص الطبي إلى واجهات الدماغ والحاسوب (BCI). تعتمد البنية القياسية لهذه النماذج عادةً على طبقات تلافيفية أحادية الأبعاد (1D) مستقلة لمعالجة الأبعاد الزمنية والمكانية بشكل منفصل، وغالباً ما يتم دمجها دون وجود طبقة تنشيط غير خطية بينهما. وبينما يعد هذا مكافئاً عددياً لعملية واحدة تحت شروط محددة (أوزان متطابقة، وعدم وجود لا-خطية وسيطة)، إلا أن تأثير استبدال هذه الطبقات أحادية الأبعاد المتسلسلة بطبقة تلافيفية ثنائية الأبعاد (2D) زمكانية واحدة على ديناميكيات التعلم، والهندسة التمثيلية، والكفاءة، لا يزال غير مؤكد. يبحث هذا البحث فيما إذا كان هذا التحول المعماري يقدم فوائد ملموسة في كفاءة التدريب وكيف يغير التمثيلات الداخلية لنماذج فك تشفير EEG.

المنهجية

أجرى المؤلفون اختبارات تجريبية تقارن بين البنى التلافيفية أحادية الأبعاد وثنائية الأبعاد عبر عائلتين من النماذج الحديثة: نموذج ShallowFBCSPNet القائم على CNN الضحلة، ونموذج EEG Conformer الهجين القائم على CNN وTransformer.

البنى المعمارية

• نماذج الخط الأساسي أحادية الأبعاد (1D Baseline): تستخدم هذه النماذج طبقات تلافيفية زمنية ومكانية أحادية الأبعاد منفصلة. تقوم الطبقة الزمنية بالتلافف عبر النقاط الزمنية، بينما تعمل الطبقة المكانية عبر القنوات.
• النماذج المتغيرة ثنائية الأبعاد (2D Variants): هي المتغير المستقل في هذه الدراسة. تستبدل هذه النماذج الطبقات أحادية الأبعاد المتسلسلة بطبقة تلافيفية زمكانية ثنائية الأبعاد واحدة ($k_{st} \in \mathbb{R}^{C \times m}$)، والتي تلتقط المعلومات الزمنية والمكانية في آن واحد. ومن الأهمية بمكان عدم تطبيق أي تنشيط غير خطي بين الأبعاد الزمنية والمكانية في كلا البنيتين، مما يضمن أن العملية ثنائية الأبعاد مكافئة نظرياً في القدرة التمثيلية للعمليات أحادية الأبعاد الثنائية.

مجموعات البيانات والمهام

أجريت التجارب على مجموعتي بيانات للتخيل الحركي (MI) من مسابقة BNCI IV، تمت معالجتها عبر إطار عمل MOABB:

1. BNCI2014-001 (مجموعة البيانات 1): مهمة عالية الأبعاد بـ 22 قناة، و4 فئات، و62,208 محاولة.
2. BNCI2014-004 (مجموعة البيانات 2): مهمة منخفضة الأبعاد بـ 3 قنوات، وتصنيف ثنائي، و32,400 محاولة.
   استخدمت كلتا المهمتين إعداد تعميم متعدد للمشاركين. شملت المعالجة المسبقة تصفية تمرير النطاق (8–32 هرتز) والتحجيم القياسي.

مقاييس التقييم

• الأداء: دقة التصنيف ووقت التدريب (عدد الدورات والمدة الإجمالية).
• تحليل الميزات: تم استخدام الانحدار الخطي لإعادة بناء ميزات طاقة النطاق (5 نطاقات ضمن 8–32 هرتز) من تنشيطات النموذج لتقييم تعلم الميزات الطيفية.
• تحليل تشابه التمثيل (RSA): تم إنشاء مصفوفات عدم التشابه التمثيلية (RDMs) باستخدام التنشيطات بعد طبقة التجميع لمقارنة البنية الهندسية للتمثيلات عبر أنواع النماذج المختلفة والطيّات (folds) المختلفة.

النتائج الرئيسية

1. كفاءة التدريب

كانت النتيجة الأكثر أهمية هي الانخفاض الكبير في وقت التدريب للنماذج ثنائية الأبعاد، لا سيما في الإعدادات عالية الأبعاد.

• مجموعة البيانات 1 (22 قناة): تدربت النماذج ثنائية الأبعاد بشكل أسرع بكثير من نظيراتها أحادية الأبعاد. وبينما تطلبت النماذج ثنائية الأبعاد دورات أكثر للوصول إلى التقارب، إلا أن الوقت لكل دورة كان أقل بشكل كبير، مما أدى إلى انخفاض صافٍ في إجمالي وقت التدريب.
• مجموعة البيانات 2 (3 قنوات): كانت النماذج ثنائية الأبعاد أسرع بشكل مماثل أو طفيف، وإن كان التأثير أقل وضوحاً من المهمة عالية الأبعاد.
• الاستدلال: يشير المؤلفون أيضاً إلى أن التلافيف ثنائية الأبعاد توفر أوقات استدلال أسرع، وهو عامل حاسم لتطبيقات واجهة الدماغ والحاسوب (BCI) عبر الإنترنت.

2. أداء التصنيف

ظلت الدقة غير متغيرة إحصائياً بين المتغيرات أحادية الأبعاد وثنائية الأبعاد لكلا عائلتي النماذج (Shallow CNN وConformer) عبر مجموعتي البيانات. أظهرت النماذج موثوقية وتباينًا متماثلين عبر طيّات التحقق المتقاطع.

3. تعلم الميزات وإعادة البناء

كشف تحليل إعادة بناء طاقة النطاق أن كلا النموذجين (أحادي البعد وثنائي البعد) قد تعلما ميزات طيفية متطابقة جوهرياً.

• لم تكن هناك فروق منهجية في القدرة على إعادة بناء طاقة نطاق ألفا وبيتا من تنشيطات النواة (kernel activations) بين البنيتين.
• نجحت كلتا البنيتين في تحديد الأهمية الطيفية الخاصة بالقناة (مثل الاختلافات بين C3 وCz في نطاقات ترددية محددة)، مما يشير إلى أن التحول إلى 2D لم يغير "ما هي" الميزات الطيفية التي يتم تعلمها.

4. الهندسة التمثيلية

على الرغم من تماثل الأداء وإعادة بناء الميزات، كشف تحليل RSA عن اختلاف جوهري في البنية الداخلية للنماذج:

• التباعد عالي الأبعاد: في مجموعة البيانات 1 (22 قناة)، كان عدم التشابه التمثيلي بين النماذج أحادية الأبعاد وثنائية الأبعاد كبيراً. فقد شكلت النماذج ثنائية الأبعاد هندسة تمثيلية مختلفة تماماً عن النماذج أحادية الأبعاد.
• التقارب منخفض الأبعاد: في مجموعة البيانات 2 (3 قنوات)، كان عدم التشابه بين النماذج أحادية الأبعاد وثنائية الأبعاد أقل، ويرجع ذلك على الأرجح إلى توزيع معلومات القنوات المحدودة عبر عدد أكبر من النوى، مما أدى إلى تخفيف الآثار الملحوظة للتحيز المعماري.
• الاستقرار: كانت النماذج عموماً أكثر تشابهاً مع طيّات بنيتها الخاصة من تشابهها مع البنى الأخرى، مما يؤكد أن التحيز الاستقرائي المعماري (1D مقابل 2D) يحدد بقوة الفضاء التمثيلي.

الأهمية والادعاءات

يدعي البحث أنه بينما تعد التلافيف الزمكانية ثنائية الأبعاد مكافئة عددياً للتلافيف أحادية الأبعاد المتسلسلة من حيث القدرة الخام على استخراج الميزات، إلا أنها ليست مكافئة من حيث ديناميكيات التعلم والهندسة التمثيلية.

• الكفاءة: المساهمة العملية الرئيسية هي إثبات أن التلافيف ثنائية الأبعاد توفر بديلاً فعالاً حوسبياً لفك تشفير EEG، مما يقلل بشكل كبير من أوقات التدريب والاستدلال، خاصة في مجموعات البيانات ذات عدد القنوات المرتفع. تسمح هذه الكفاءة بإجراء ضبط أكثر توسعاً للمعلمات الفائقة (hyperparameters) واستكشاف النماذج دون تكلفة حوسبية إضافية.
• التحيز الاستقرائي المعماري: تسلط الدراسة الضوء على أن اختيار طبقة الترميز (1D مقابل 2D) يفرض تحيزاً استقرائياً معيناً يعيد تشكيل الفضاء التمثيلي الداخلي. يشير هذا إلى أن الباحثين الذين يستخدمون تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) يجب أن يأخذوا في الاعتبار الاختلافات المعمارية، حيث أن "كيفية" التمثيل تختلف حتى عندما تظل "ماهية" التمثيل (الأداء والميزات الطيفية) كما هي.
• التوصية: يقترح المؤلفون اعتماد الطبقات التلافيفية الزمكانية ثنائية الأبعاد كمعيار لنماذج فك تشفير EEG لتحقيق تدريب واستدلال أسرعين مع الحفاظ على الأداء المتقدم، لا سيما في مهام معالجة الإشارات متعددة المتغيرات والمعقدة.