Explainability of Recurrent Neural Networks for Enhancing P300-based Brain-Computer Interfaces

ملخص تقني: قابلية التفسير للشبكات العصبية المتكررة لتعزيز واجهات الدماغ والحاسوب القائمة على موجة P300

بيان المشكلة
تقدم واجهات الدماغ والحاسوب (BCIs) التي تستخدم الجهود المرتبطة بالحدث P300 (ERPs) إمكانات كبيرة للتقنيات المساعدة، لكنها تواجه تحديات في النشر العملي. تشمل هذه التحديات انخفاض نسبة الإشارة إلى الضجيج المتأصل في تسجيلات تخطيط كهربائية الدماغ (EEG)، والتباين الكبير بين الأشخاص وداخل الشخص الواحد، وطبيعة "الصندوق الأسود" لنماذج التعلم العميق (DL). وبينما نجحت نماذج التعلم العميق، ولا سيما الشبكات العصبية المتكررة (RNNs)، في تحسين دقة التصنيف، فإن افتقارها للشفافية يعيق الثقة والقدرة على التكيف مع الاختلافات الفردية للمستخدمين. علاوة على ذلك، تعتمد الشبكات العصبية المتكررة القياسية غالبًا على الحالة المخفية النهائية فقط للتنبؤ، مما قد يؤدي إلى فقدان المعلومات الزمنية الوسيطة القيمة الموجودة ضمن بيانات EEG المتسلسلة.

المنهجية
يقترح المؤلفون بنية شبكة عصبية متكررة محسنة تتضمن وحدة ما بعد التكرار (PRM) لتحسين كل من الأداء وقابلية التفسير لتصنيف P300.

• البيانات والمعالجة المسبقة: تستخدم الدراسة مجموعة بيانات Hoffmann et al.، والتي تحتوي على إشارات EEG لثمانية أشخاص تم تسجيلها عبر 32 قطبًا كهربائيًا (نظام 10-20) بتردد 2048 هرتز. يتم ترشيح الإشارات باستخدام مرشح تمرير نطاق (1–12 هرتز) وإعادة أخذ عينات لخفض التردد إلى 32 هرتز. تُقسم البيانات إلى نوافذ زمنية مدتها 1000 مللي ثانية (32 خطوة زمنية) تبدأ من لحظة ظهور المحفز، مما يلتقط نافذة استجابة P300 (عادةً 250-600 مللي ثانية).
• البنية الأساسية: النموذج الجوهري هو شبكة Elman RNN. في كل خطوة زمنية $t$، تعالج الشبكة متجه مدخلات مكونًا من 32 بُعدًا (واحد لكل قطب كهربائي) مدمجًا مع الحالة المخفية السابقة ($h_{t-1}$) لتوليد الحالة الحالية ($h_t$).
• وحدة ما after التكرار (PRM): على عكس الشبكات العصبية المتكررة القياسية التي تخرج تنبؤًا بناءً على الخطوة الزمنية النهائية ($t=32$) فقط، تقوم وحدة PRM بمعالجة دمج المخرجات من جميع الخطوات الزمنية الـ 32 ($y_{[1:32]}$). تتعلم طبقة الانحدار اللوجستي كيفية وزن ودمج هذه المساهمات الزمنية لإنتاج احتمالية التصنيف النهائية.
• تقنيات قابلية التفسير:
  • التحليل المكاني: يتم حساب الأهمية العالمية ($R_i$) لكل قطب كهربائي عن طريق جمع القيم المطلقة لأوزان المدخلات إلى الحالة المخفية ($W_{xh}$). يتم تطبيق تنظيم $L_1$ لتشجيع الندرة، مما يسلط الضوء على الأقطاب الكهربائية الأكثر أهمية.
  • التحليل الزمني: يتم تحليل أوزان PRM ($w_p$) لتحديد الخطوات الزمنية التي تساهم بشكل أكبر في القرار.
  • التحليل المكاني-الزمني: تُستخدم طريقة إسناد محلية قائمة على التدرج لحساب أهمية أقطاب كهربائية محددة في خطوات زمنية محددة ($R_{it}^{(k)} = x_{it}^{(k)} \frac{\partial p^{(k)}}{\partial x_{it}^{(k)}}$). يقوم هذا بتصور تدفق المعلومات عبر الشبكة.
• استراتيجية التدريب: يتم إجراء تحقق تبادلي رباعي الطيات (4-fold cross-validation) (3 جلسات للتدريب و1 للاختبار). يستخدم النموذج مُحسّن Nadam بمعدل تعلم قدره 0.0003 وحجم دفعة قدره 16. لمعالجة عدم توازن الفئات (هدف واحد مقابل 5 غير أهداف)، يتم تطبيق أوزان الفئات، ويُستخدم تنظيم $L_1$ ($\lambda=0.1$ لأوزان المدخلات، و$\lambda=0.01$ لأوزان PRM) لتعزيز قابلية التفسير.

المساهمات الرئيسية

1. الابتكار الهيكلي: يسمح دمج طبقة PRM للنموذج باستخدام المعلومات الزمنية صراحةً من التسلسل بأكمله بدلاً من الاعتماد حصريًا على الحالة المخفية النهائية المضغوطة.
2. إطار عمل مزدوج لقابلية التفسير: تقدم الورقة منهجية تحدد في آن واحد المناطق الدماغية الحرجة (مكانياً) والفترات الزمنية الحرجة (زمانياً) باستخدام تحليل الأوزان والإسناد القائم على التدرج.
3. المواءمة الفسيولوجية العصبية: يتحقق تحليل قابلية التفسير من أن عملية اتخاذ القرار في النموذج تتوافق مع العلوم العصبية الراسخة، وتحديدًا تحديد مكون P300 والمناطق القشرية ذات الصلة.

النتائج

• الأداء: حققت شبكة Elman RNN مع طبقة PRM دقة متوازنة (BAC) بلغت 0.80 ± 0.05. ويمثل هذا تحسنًا بنسبة 9% مقارنة بشبكة Elman RNN القياسية (0.71 ± 0.06) ونموذج BLDA المرجعي (0.71 ± 0.05).
• النتائج الزمنية: كشف تحليل أوزان PRM أن النموذج يحدد منطقتين نشطتين رئيسيتين:
  • 375–500 مللي ثانية (12–16 خطوة زمنية): يتوافق مع مكون P300/P3b الكلاسيكي.
  • 750–900 مللي ثانية (24–29 خطوة زمنية): منطقة ثانوية قد ترتبط بمعالجة بصرية متأخرة المرحلة (N750/N900) أو ناتجة عن تداخل النوافذ، مما يشير إلى أن النموذج يلتقط ديناميكيات معرفية أوسع من الكواشف القياسية.
• النتائج المكانية: حدد النموذج أقطابًا كهربائية حرجة متفاوتة عبر الأشخاص، مما أظهر تباينًا كبيرًا بين الأفراد. بالنسبة لبعض المستخدمين، كانت الأقطب الأمامية ($Fp1, Fp2$) هي الأكثر أهمية؛ ولآخرين، كانت المناطق القذالية ($O1, O2$) والجدارية ($Pz$) هي المهيمنة. وهذا يؤكد أن تضاريس P300 ليست موحدة عبر الأفراد.
• التحقق المكاني-الزمني: أكد التحليل القائم على التدرج أن النموذج يعتمد على أقطب كهربائية محددة (مثل $Fp1, Fp2$) خلال أول 20 خطوة زمنية (~625 مللي ثانية) لتصنيف الهدف، مع وجود أهمية إيجابية (باللون الأحمر) تشير إلى أنماط داعمة وسلبية (باللون الأزرق) تشير إلى أنماط تؤدي إلى خطأ في التصنيف.

الأهمية والادعاءات
تزعم الورقة أن قابلية التفسير ليست مجرد إضافة، بل هي مكون أساسي لفهم اتخاذ القرار في الشبكات العصبية المتكررة في واجهات الدماغ والحاسوب. ومن خلال جعل النموذج شفافًا، يوضح المؤلفون أن:

1. الموثوقية: قرارات النموذج مبنية على أنماط فسيولوجية عصبية معقولة تتوافق مع الأدبيات الراسخة، وليس على عشوائيات.
2. الكفاءة: يتيح تحديد الأقطب الكهربائية والنوافذ الزمنية الرئيسية إمكانية تقليل التكاليف الحسابية وتطوير أنظمة واجهة دماغ وحاسوب مدمجة وفعالة ومنخفضة التكلفة.
3. القدرة على التكيف: يسلط إطار العمل الضوء على ضرورة مراعاة التباين بين الأشخاص وداخل الشخص الواحد، مما يمهد الطريق لأنظمة أكثر تكيفًا يمكنها الحفاظ على القوة في الظروف الديناميكية.
4. القدرة على التعميم: بينما ركزت الدراسة على P300، يقترح المؤلفون إمكانية تعميم إطار العمل القابل للتفسير هذا على مهام أخرى تعتمد على EEG مثل التصور الحركي، وSSVEPs، وتقييم العبء المعرفي.

تخلص الدراسة إلى أن النهج المقترح يقدم طريقة بسيطة ومؤثرة للغاية لتعزيز اكتشاف P300، مما يسد الفجوة بين التعلم العميق عالي الأداء والتفسير المطلوب للتطبيقات الصحية والمساندة في العالم الحقيقي.