BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications
تقدم هذه الورقة البحثية BCI-sift، وهي مجموعة أدوات قائمة على لغة بايثون ومتوافقة مع مكتبة scikit-learn تعمل على أتمتة اختيار الميزات لتطبيقات واجهة الدماغ والحاسوب، حيث تُثبت من خلال بيانات تخطيط قشرة الدماغ ذي الكثافة العالية (HD ECoG) أن نهجها القائم على التحسين يحسن دقة فك التشفير وقابلية التفسير عبر تحديد ميزات عصبية متسقة وذات صلة بيولوجياً عبر الأبعاد القطبية والزمنية والترددية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أن دماغك مدينة ضخمة وصاخبة، مليئة بملايين الأضواء (الأقطاب الكهربائية) التي تومض وتتوقف، وملايين المحطات الإذاعية (الترددات) التي تبث في وقت واحد. عندما تحاول نطق كلمة ما، فإن حفنة صغيرة فقط من تلك الأضوال والمحطات هي التي تقوم بالعمل المهم بالفعل؛ أما البقية فهي مجرد ضوضاء خلفية، أو ازدحام مروري، أو تشويش.
لكي تعمل واجهة الدماغ والحاسوب (BCI)، يجب عليها الاستماع إلى الأضواء والمحطات الصحيحة لفهم ما تريد قوله. لكن العثور على تلك الإشارات المحددة وسط هذه المدينة الضخمة والصاخبة أمر صعب للغاية. وهنا يأتي دور BCI-sift.
ما هو BCI-sift؟
فكر في BCI-sift كأداة آلية ذكية للغاية لـ "غربلة الذهب" من بيانات الدماغ. تماماً كما يستخدم المنقب الغربال لتصفية نهر من التراب والماء للعثين على ذرات الذهب الصغيرة، يقوم BCI-sift بغربلة جبال من بيانات الدماغ للعثور على الإشارات الصغيرة والقيمة التي تهم فعلياً لإنجاز مهمة ما (مثل نطق كلمة).
إنه أداة مجانية مفتوحة المصدر (صندوق أدوات) مكتوبة بلغة بايثون (Python)، يمكن للباحثين استخدامها لتحديد ما يلي تلقائياً:
- أي الأقطاب الكهربائية (الأضواء) هي المهمة.
- أي اللحظات الزمنية (متى تومض الأضواء) هي المهمة.
- أي الترددات (المحطات الإذاعية) هي المهمة.
كيف يعمل؟
تستخدم هذه الأداة استراتيجيات مختلفة للعثور على أفضل الإشارات، تماماً مثل طرق مختلفة لتنظيف غرفة فوضوية:
- نهج "الغرفة المرتبة" (إزالة الميزات المتكررة - Recursive Feature Elimination): تخيل أن لديك غرفة مليئة بالأثاث، لكنك تحتاج فقط إلى قطع قليلة لجعلها وظيفية. تحاول هذه الطريقة إزالة قطعة أثاث واحدة في كل مرة؛ إذا ظلت الغرفة تعمل بشكل رائع بدونها، فإنك تتخلص منها. تستمر في القيام بذلك حتى يتبقى لديك أصغر وأكثر مجموعة أثاث كفاءة. في الدماغ، يعني هذا إزالة الأقطاب أو الترددات غير المهمة حتى يتبقى "الذهب" فقط.
- نهج "الجوار" (البحث المتصل - Contiguous Search): في بعض الأحيان، لا تكون الإشارات المهمة مبعثرة عشوائياً، بل تكون جيراناً لبعضها البعض. إذا كان أحد الأضواء مهماً، فمن المحتمل أن تكون الأضواء المجاورة له مهمة أيضاً. تبحث هذه الطريقة عن كتل صلبة أو "أحياء" من الأقطب الكهربائية التي تعمل معاً، بدلاً من اختيار أقطاب عشوائية ومبعثرة.
- نهج "التطور" (Evolution): يشبه هذا لعبة "البقاء للأقوى". يقوم بإنشاء مجموعات عشوائية كثيرة من الإشارات، ويختبر أفضلها، ثم يخلطها معاً، ويحاول مجدداً، ليتطور ببطء نحو التركيبة المثالية.
ماذا اكتشفوا؟
اختبر الباحثون هذه الأداة على ثمانية أشخاص لديهم شبكات خاصة من الأقطاب الكهربائية موضوعة مباشرة على أدمغتهم (وهو إجراء يُستخدم عادةً لعلاج الصرع). طُلب من هؤلاء الأشخاص قراءة 12 كلمة هولندية مختلفة بصوت عالٍ.
إليك ما وجده "منقب الذهب":
- "الذهب" يكمن في الترددات العالية: عندما نظرت الأداة إلى جميع المحطات الإذاعية، وجدت باستمرار أن النطاق عالي التردد (إشارة سريعة جداً وذات حدة عالية) كان الأكثر أهمية لفهم الكلام. أما الإشارات الأبطأ والأقل حدة فكانت في معظمها مجرد ضوضاء.
- "الذهب" يقع بالقرب من الثلم المركزي (Central Sulcus): عند النظر إلى خريطة الدماغ، اختارت الأداة باستمرار الأقطاب الكهربائية الواقعة بجوار الثلم المركزي مباشرة (وهو أخدود عميق في الدماغ يفصل بين المنطقة الحركية والمنطقة الحسية). وهذا منطقي تماماً لأن هذا هو المكان الذي يتحكم فيه الدماغ في الحركة والكلام.
- التوقيت مهم: اكتشفت الأداة أن الإشارات الأكثر أهمية تحدث في الوقت المحيط بلحظة بدء الشخص في الكلام مباشرة. فقد وجدت أن الإشارات التي تحدث قبل الكلام بفترة طويلة أو بعده بفترة طويلة كانت في الغالب ضوضاء عديمة الفائدة.
- يمكنه تنظيف البيانات الفوضوية: في إحدى التجارب، أضاف الباحثون عمداً أقطاباً "صاخبة" (أقطاب معطلة أو مليئة بالتشويش) إلى المزيج. تجاهلت الأداة هذه الأقطب تلقائياً، مما أدى فعلياً إلى "إزالة الضجيج" من البيانات، وأدت أداءً يضاهي أداء البشر الذين قاموا يدوياً بإزالة الأقطب السيئة أولاً.
لماذا يعد هذا أمراً هاماً؟
قبل ظهور هذه الأداة، كان على الباحثين غالباً التخمين يدوياً بشأن إشارات الدماغ التي يجب استخدامها، أو كان عليهم كتابة كود برمجي مخصص لكل تجربة جديدة. كان الأمر يشبه محاولة العثور على إبرة في كومة قش يدوياً، واحدة تلو الأخرى.
BCI-sift يغير قواعد اللعبة من خلال:
- جعله آلياً: يقوم بالعمل الشاق للعثور على أفضل الإشارات دون الحاجة إلى تدخل بشري للتخمين.
- جعله واضحاً: لا يكتفي فقط بإعطاء نتيجة أفضل، بل يوضح لماذا النتيجة أفضل عبر الإشارة بدقة إلى مناطق الدماغ والأوقات التي تقوم بالعمل.
- كونه مرناً: نظرًا لأنه مصمم للعمل مع أدوات قياسية (تسمى scikit-learn)، يمكن استخدامه مع أنواع مختلفة من بيانات الدماغ، وليس فقط النوع المحدد الذي تم اختباره في هذه الدراسة.
باختصار، BCI-sift هو مساعد متعدد الاستخدامات وآلي يساعد الباحثين على اختراق ضجيج بيانات الدماغ للعثور على الإشارات الواضحة وذات المعنى اللازمة لبناء واجهات دماغ-حاسوب أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.