Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging
تقترح هذه الورقة البحثية وتقيم ثلاثة نماذج انحدار لفك تشفير معلمات حركية وكينماتيكية متعددة من إشارات تخطيط كهربائية الدماغ (EEG)، مبرهنةً على أن نموذج الانحدار القائم على آلية الانتباه يحقق أداءً فائقاً في فك تشفير المعلمات المتعددة المتزامنة (=0.8) مقارنة بنماذج المربعات الصغرى الجزئية والبيرسيبترون متعدد الطبقات، مما يساهم في تطوير واجهات الدماغ والحاسوب الحدسية والآنية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً يمكن فيه لأفكارك أن تتحكم مباشرة في ذراع آلي، أو كرسي متحرك، أو مؤشر كمبيوتر، دون أن تحتاج أبداً إلى تحريك عضلة واحدة. هذا ليس خيالاً علمياً؛ بل هو هدف واجهات الدماغ والحاسوب (BMIs). فكر في واجهة الدماغ والحاسوب كأنها مترجم يستمع إلى الهمسات الكهربائية للدماغ ويحولها إلى أوامر للآلات. بالنسبة للأشخاص الذين فقدوا القدرة على الحركة بسبب السكتات الدماغية أو حالات البتر، يمكن أن تكون هذه التكنولوجيا هي المفتاح لاستعادة استقلاليتهم. ومع ذلك، هناك عقبة: معظم المترجمين الحاليين يشبهون أجهزة التحكم عن بعد القديمة التي تحتوي على عدد قليل من الأزرار فقط. يمكنهم إخبار الآلة بـ "التحرك يساراً" أو "التحرك يميناً"، لكنهم يجدون صعوبة في التعامل مع تفاصيل الحياة الواقعية، مثل مدى قوة عصر حبة عنب أو سرعة رفع كوب. ولجعل هذه الأجهزة مفيدة حقاً، يحتاج العلماء إلى فك تشفير ليس فقط أين يتحرك طرف ما، بل أيضاً بأي سرعة يتحرك ومقدار القوة التي يتم تطبيقها، وكل ذلك في وقت واحد.
هذا هو بالضبط التحدي الذي واجهه بارث جي. دانجي ويوجيش كومار مينا في دراستهما الأخيرة. لقد طرحا سؤالاً كبياً: هل يمكننا بناء نظام لقراءة الدماغ يفهم سيمفونية معقدة من إشارات الحركة دفعة واحدة، بدلاً من الاستماع إلى آلة موسيقية واحدة في كل مرة؟ ولمعرفة ذلك، أعدوا تجربة رقمية باستخدام بيانات موجات الدماغ لأشخاص يقومون بمهمة بسيطة وهي "الإمساك والرفع" — أي التقاط جسم وتحريكه. وقد اختبروا ثلاثة "مفككات تشفير" مختلفة (نماذج رياضية) لمعرفة أي منها يمكنه ترجمة تلك الموجات الدماغية بشكل أفضل إلى صورة كاملة للحركة، بما في ذلك قوة القبضة وموضع الأصابع والمعصم في الفضاء ثلاثي الأبعاد.
قارن الباحثون بين ثلاثة مناهج متميزة. أولاً، جربوا نموذج انحدار "المربعات الصغرى الجزئية" (PLS)، وهو نموذج رياضي تقليدي قديم الطراز. بعد ذلك، استخدموا "المدرك متعدد الطبقات" (MLP)، وهو نوع من نماذج التعلم العميق الذي يعمل مثل شبكة عصبية بسيطة، محاولاً إيجال أنماط في البيانات. وأخيراً، قدموا منافساً جديداً: "المُحلل القائم على الانتباه" (وتحديداً نموذج يعتمد على المحولات - Transformer)، وهو بنية ذكاء اصطناعي متطورة معروفة بقدرتها على الانتباه للعلاقات بين قطع مختلفة من المعلومات بمرور الوقت، تماماً كما يركز المستمع البشري على كيفية اتصال جملة تلو الأخرى في قصة ما.
كانت النتائج عبارة عن حكاية ذات قوتين مختلفتين تماماً. عانى نموذج (PLS) التقليدي بشكل كبير، حيث كان يتصرف كمترجم يضيع عندما يتحدث الكثير من الناس في وقت واحد؛ فقد فشل في فك تشفير عدة معايير في آن واحد بأي دقة تذكر. أما نموذج (MLP) فكان أكثر اتساقاً، مثل طالب موثوق به ولكنه متوسط المستوى، ينجز المهمة لكنه لا يتفوق في الأجزاء المعقدة. ومع ذلك، كان "المُحلل القائم على الانتباه" (TBR) هو النجم الحقيقي في العرض عندما يتعلق الأمر بفك التشفير المتزامن.
عندما كُلف نموذج (TBR) بفك تشفير جميع معايير الحركة الـ 24 في وقت واحد (مثل القوة، والموضع، والدوران للأصابع والإبهام والمعصم)، حقق درجة دقة مذهلة (قيمة R² بلغت 0.8) وفعل ذلك بسرعة فائض، حيث بلغ زمن التأخير 29.2 مللي ثانية فقط. يشير هذا إلى أن هذا النموذج قادر للغاية على التعامل مع "الأوركسترا" من إشارات الدماغ، وفهم كيفية ارتباط الأجزاء المختلفة من الحركة ببعضها البعض. في الواقع، وجدت الدراسة أن معايير الحركة مرتبطة طبيعياً في الدماغ؛ فإشارة "مدى قوة ضغطي" مرتبطة ارتباطاً وثيقاً بـ "أين تتحرك يدي". وقد تفوق نموذج (TBR) لأنه استطاع رصد هذه الروابط الخفية.
ومع ذلك، كانت هناك مفاجأة. فعندما طلب الباحثون من نموذج (TBR) فك تشفير معلم واحد فقط بمعزل عن غيره (بتجاهل المعايير الأخرى)، انخفض أداؤه بشكل كبير. فقد تبين أن النموذج كان بارعاً جداً في استخدام العلاقات بين المعايير لدرجة أنه تعثر عندما تمت إزالة تلك العلاقات. في المقابل، كان نموذج (MLP) أكثر استقراراً عبر كلا السيناريوهين، رغم أنه لم يصل أبداً إلى الدقة العالية التي حققها (TBR) عند فك التشفير معاً.
تخلص الدراسة إلى أنه بينما يوفر نموذج (MLP) خياراً ثابتاً، وإن كان أقل دقة، فإن النموذج القائم على الانتباه يحمل أكبر قدر من الوعود لبناء أجهزة يمكن التحكم فيها عبر الدماغ وتكون بديهية، ويمكنها التعامل مع مهام معقدة متعددة الأوامر. ويشير المؤلفون إلى أن هذا النهج يمكن أن يؤدي إلى أطراف صناعية أو أدوات إعادة تأهيل تشعر بأنها أكثر طبيعية في الاستخدام. ومع ذلك، فهم يشيرون أيضاً إلى أن هذه النتائج تستند إلى مجموعات بيانات ومحاكاة محددة، وأن الاختبار في العالم الحقيقي مع بيانات أكثر تنوعاً مطلوب قبل نشر هذه الأنظمة في المستشفيات أو المنازل. في الوقت الحالي، تشير الأبحاث إلى أنه إذا أردنا لواجهات الدماغ والحاسوب أن تكون سلسة ومعبرة مثل الحركة البشرية، فنحن بحاجة إلى نماذج يمكنها الاستماع إلى المحادثة بأكملها، وليس فقط إلى الكلمات الفردية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.