Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models

العنوان: ما وراء الدقة: المتانة، القابلية للتفسير، والقدرة التعبيرية لنماذج تأسيسية لتخطيط كهربية الدماغ (EEG)

بيان المشكلة
برزت النماذج التأسيسية لتخطيط كهربية الدماغ (EEG-FMs) كنهج واعد لواجهات الدماغ والحاسوب (BCIs)، تهدف إلى تعلم تمثيلات عامة من مجموعات بيانات ضخمة غير مصنفة عبر التعلم الخاضع للإشراف الذاتي. ومع ذلك، فإن تقييمات هذه النماذج الحالية تقتصر بشكل أساسي على مقاييس الدقة "النظيفة" والمتوافقة مع التوزيع الأصلي للبيانات. هذا التركيز يغفل عوامل حاسمة للنشر في العالم الحقيقي: الضجيج المتأصل في إشارات EEG (الناتج عن مقاومة الأقطاب الكهربائية، الحركة، والتدخلات البيئية)، الحاجة إلى القابلية للتفسير في المجالات السريرية عالية المخاطر، والجودة الفعلية للتمثيلات المتعلمة. أظهرت الاختبارات المرجعية السابقة أن نماذج EEG-FMs غالبًا ما تقدم مكاسب طفيفة فقط مقارنة بالنماذج المرجعية الخاضعة للإشراف مثل EEGNet، ومع ذلك، فإن الأسباب الجذرية — سواء كانت ضعف المتانة، أو عدم توافق تعلم الميزات، أو انخفاض جودة التمثيلات المدربة مسبقًا — لا تزال غير مفحوصة.

المنهجية
أجرى المؤلفون دراسة مرجعية منهجية شملت ستة من أحدث النماذج التأسيسية لـ EEG (وهي: BIOT، CBraMod، LaBraM، NeuroRVQ، BrainOmni، وREVE) ونموذجًا مرجعيًا خاضعًا للإشراف (EEGNet) عبر ثمانية مجموعات بيانات متنوعة تغطي تخيل الحركة، تنفيذ الحركة، الإمكانات المرتبطة بالحدث (ERP)، الذاكرة العاملة، مراحل النوم، وتصنيف حالة العين. استخدمت الدراسة ثلاث طبقات متميزة من التحليل:

1. تحليل المتانة: تم تقييم النماذج المدربة على بيانات نظيفة عند وقت الاختبار تحت خمس حالات من الاضطراب: الضجيج الأبيض والوردي المضاف (عند مستويات مختلفة من نسبة الإشارة إلى الضجيج)، إسقاط القنوات العشوائي (باستخدام الحشو الصفري)، إسقاط القنوات القائم على المناطق (الحشو الصفري والإزالة الحقيقية)، وحقن الضجيج الخاص بمنطقة معينة.
2. تحليل القابلية للتفسير: طبقت الدراسة تقنية "انتشار الصلة الواعي بالانتباه" (AttnLRP) لنسب تنبؤات النموذج إلى مناطق دماغية محددة. بالنسبة للنماذج التي كانت فيها تقنية AttnLRP غير مستقرة عددياً (NeuroRVQ وBrainOmni)، استُخدمت طريقة "التدرج × المدخلات" (G×I). فحص التحليل ما إذا كانت النماذج تركز على مناطق منطقية عصبياً وفسيولوجياً، وكيف تغيرت خرائط الانتباه هذه تحت تأثير الاضطراب.
3. تحليل القدرة التعبيرية: باستخدام "الاستقصاء الخطي القائم على الكتل" (block-wise linear probing)، بحث المؤلفون في مكان ظهور المعلومات ذات الصلة بالمهمة داخل بنية المحول (transformer)، وما إذا كانت التمثيلات المدربة مسبقًا كافية للمهام اللاحقة. تم وضع تركيز خاص على تأثير استراتيجيات التجميع (متوسط التجميع مقابل تسطيح الرموز/token flattening) على أداء مرحلة "الرأس فقط" (الجذع المجمد) من التكيف.

النتائج الرئيسية

• المتانة: لا يوجد نموذج واحد يهيمن على جميع أنماط الفشل.

  • الضجيج: أظهر BrainOmni أعلى مستويات المتانة تجاه الضجيج المضاف، حيث فقد 5.4% فقط من الدقة عند -5 ديسيبل مقارنة بـ 14-21% للنماذج الأخرى.
  • الإسقاط (Dropout): من المفارقات أن BrainOmni كان من بين الأكثر هشاشة تحت تأثير إسقاط القنوات العشوائي عندما يتم استخدام الحشو الصفري (-13.3% تدهور). ومع ذلك، عندما تم حذف القنوات المسقطة تماماً (الإسقاط الحقيقي) بدلاً من الحشو الصفري، استعادت النماذج ذات المتغيرات المتعددة (بما في ذلك BrainOmni) مستواها بشكل ملحوظ، مما يشير إلى أن هشاشتها تنبع من التعامل مع المدخلات ذات القيم الصفرية وليس من نقص المعلومات المتعلقة بالمهمة.
  • الأنظمة: عند مستويات الضجيج القصوى، تقاربت جميع النماذج نحو حد أدنى لأداء المهمة، مما يشير إلى نظام محدود بالإشارة حيث تصبح البنية المعمارية أقل أهمية. أما عند مستويات الضجيج المتوسطة، ظلت الاختلافات الهيكلية حاسمة.

• القابلية للتفسير:

  • المحاذاة المكانية: ركزت جميع النماذج بشكل عام على المناطق الدماغية المناسبة للمهمة (مثل الأقطاب المركزية لمهام الحركة، والمواقع القذالية لـ ERP)، وهو ما يتوافق مع الفسيولوجيا العصبية المعروفة.
  • استقرار الاضطراب: تحت تأثير الاضطراب، ظلت خرائط الإسناد مستقرة مكانياً حتى مع تدهور دقة التنبؤ. هذا يشير إلى أن النماذج تستمر في الانتباه إلى المناطق الدماغية الصحيحة ولكنها تفشل في فك تشفير محتوى الإشارة الفاسد.
  • الاستثناءات: أنتج BrainOmni خرائط انتباه مشتتة، ويرجع ذلك على الأرجوات إلى عمله على رموز كامنة مجردة بدلاً من الأقطب الكهربائية الفيزيائية.

• القدرة التعبيرية:

  • الاستقصاء القائم على الكتل: كانت الإشارات القابلة للفك الخطي ذات الصلة بالمهمة موجودة في الكتل المبكرة للنماذج المدربة مسبقاً. قامت عملية الضبط الدقيق (fine-tuning) في المقام الأول بإعادة توظيف الكتل المتأخرة للتخصص في المهمة اللاحقة، وهو نمط يتوافق مع النتائج في نماذج NLP.
  • عيوب التجميع: عُزي الأداء الضعيف الملاحظ سابقاً في التكيف "الرأسي فقط" لنماذج مثل LaBraM وNeuroRVQ إلى استخدامها لمتوسط التجميع (mean pooling)، الذي يؤدي إلى انهيار المعلومات على مستوى الرمز (token-level). أدى استبدال متوسط التجميع بتسطيح الرموز (token flattening) إلى تحسين أداء التكيف "الرأسي فقط" بشكل كبير (مكاسب بنسبة 14-21%)، مما جعل هذه النماذج تقترب من نموذج EEGNet الأساسي. يشير هذا إلى أن نماذج EEG-FMs تمتلك قدرة تمثيلية كافية عندما يتم الحفاظ على تضمينات مستوى الرمز.

الأهمية والادعاءات
يدعي البحث أنه يقدم أول تقييم منهجي للمتانة، والقابلية للتفسير، والقدرة التعبيرية للنماذج التأسيسية لـ EEG. يرى المؤلفون أن:

1. المتانة تعتمد على المهمة ونوع الاضطراب: تتغير ترتيبات أداء النماذج بناءً على نوع الفساد (الضجيج مقابل الإسقاط) وإشارة المهمة المحددة.
2. التأسيس المكاني موجود ولكنه غير كافٍ: بينما تتعلم النماذج تمثيلات ذات أسس مكانية متوافقة مع الفسيولوجيا العصبية، فإن هذا لا يضمن التنبؤ الأمين تحت ظروف الفساد.
3. استراتيجيات التجميع تضلل التقييم: إن الأداء الضعيف الملحوظ في إعدادات "الرأس فقط" للنماذج المدربة مسبقاً هو غالباً نتاج لتصميم التجميع (متوسط التجميع مقابل التسطيح) وليس بسبب جودة التمثيلات نفسها.
4. التوجهات المستقبلية: تسلط الدراسة الضوء على ضرية استخدام التقييمات المستقبلية للتجميع القائم على الربط (concatenation-based pooling) لتجنب الخلط بين تصميم التجميع وجودة التمثيل، ولأخذ الإزالة الحقيقية للقنوات في الاعتبار بدلاً من الحشو الصفري عند اختبار النماذج ذات القنوات المتغيرة.

يخلص المؤلفون إلى أنه بينما تبدو نماذج EEG-FMs واعدة، فإن تطويرها يتطلب تقييماً صارماً يتجاوز الدقة في الظروف المثالية لضمان الموثوقية في التطبيقات السريرية وفي بيئات واجهات الدماغ والحاسوب في العالم الحقيقي.