Decoding Error-Related Potentials under Multisensory Feedback with Varying Congruency
تقترح هذه الورقة بنية EEGNet متعددة الفروع مع إشراف مساعد لتعزيز متانة ودقة فك تشفير جهود الخطأ المرتبطة (ErrPs) في ظل ظروف التغذية الراجعة متعددة الحواس غير المتجانسة، لا سيما معالجة التحديات التي تفرضها المدخلات الحسية غير المتوافقة.
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 هو محطة إذاعية متطورة للغاية، تبث باستمرار إشارات تخبرنا بما تفكر فيه وما تشعر به. لقد قام العلماء بضبط أجهزة الاستقبال على تردد محدد للغاية يسمى "الجهود المرتبطة بالخطأ" (أو ErrPs اختصاراً). فكر في هذه الإشارات كزر "أوبس!" (أو "عذراً!") الداخلي في الدماغ. فكلما أدركت أنك ارتكبت خطأً ما — مثل الضغط على المفتاح الخطأ أو اتخاذ منعطف خاطئ — يطلق دماغك شرارة كهربائية فريدة يمكن للباحثين اكتشافها. وهذا هو "الكأس المقدسة" لبناء واجهات الدماغ والحاسوب (BCIs)، وهي التكنولوجيا التي تسمح للحواسيب بقراءة عقلك للتحكم في الروبوتات، أو صياغة الكلمات، أو لعب الألعاب دون أن تلمس أي شيء.
ومع ذلك، هناك عقبة؛ فمعظم إشارات "أوبس!" هذه تمت دراستها في مختبرات هادئة ومعقمة حيث الشيء الوحيد الذي تراه هو شاشة كمبيوتر. لكن الحياة الواقعية فوضوية! في العالم الحقيقي، أنت لا ترى الخطأ فحسب، بل قد تسمع صوتاً (طنين)، أو تشعر باهتزاز، أو تحصل على مزيج من الثلاثة معاً. وأحياناً تتفق هذه الإشارات (متوافقة)، وأحياناً أخرى تتضارب (غير متوافقة)، مثل نظام تحديد المواقع (GPS) الذي يخبرك بالانعطاف يساراً بينما يصرخ أحد الركاب "انعطف يميناً!". يتعين على الدماغ حينها الموازنة بين كل هذه المعلومات المتضاربة، مما يجعل التقاط إشارة "أوبس!" أصعب بكثير. وإذا أردنا لواجهات الدماغ والحاسوب الخاصة بنا أن تعمل في العالم الحقيقي، فنحن بحاجة إلى معرفة كيفية فك تشفير هذه الإشارات حتى عندما يكون العالم الحسي فوضوياً ومربكاً.
هذا هو اللغز الذي سعى فريق من الباحثين لحله بالضبط. أرادوا معرفة: هل يمكننا بناء نموذج حاسوبي يظل هادئاً ودقيقاً عند فك تشفير أخطاء الدماغ، حتى عندما يتعرض المستخدم لوابل من التغذية الراجعة البصرية والسمعية واللمسية المختلطة؟
ولمعرفة ذلك، صمموا لعبة حيث يراقب المشاركون روبوتاً يتنقل في متاهة. كان من المفترض أن يتبع الروبوت سهماً مرئياً، لكنه أحياناً يسلك الطريق الخاطئ. كان على المشاركين الضغط على زر في اللحظة التي يدركون فيها أن الروبوت ارتكب خطأً. ولجعل الأمر صعباً، أضاف الباحثون طبقات إضافية من التغذية الراجعة: أحياناً يصدر الروبوت صوتاً "جيداً" أو اهتزازاً لطيفاً عندما يفعل الشيء الصحيح، وصوتاً "سيئاً" أو طنيناً قوياً عندما يرتكب خطأً. وفي بعض التجارب، كانت هذه الإشارات الإضافية تتطابق تماماً مع السهم المرئي (متوافقة). وفي حالات أخرى، كانت تكذب! فقد يذهب الروبوت يساراً بينما يقول الصوت "جيد" والاهتزاز يقول "سيء" (غير متوافقة).
ثم حاول الباحثون تدريب "دماغ حاسوبي" لرصد إشارة "أوبس!" الخاصة بالإنسان من بيانات تخطيط كهربية الدماغ (EEG) الخاصة به. واختبروا عدة استراتيجيات مختلفة. أولاً، جربوا نموذجاً قياسياً، والذي عانى قليلاً عندما كانت الإشارات مختلطة. ثم جربوا نهجاً جديداً ذكياً: نموذج "متعدد الفروع" (Multi-Branch). تخيل هذا النموذج كفريق من ثلاثة محققين يعملون على نفس القضية. بدلاً من أن يحاول محقق واحد حل كل شيء في وقت واحد، ينقسم الفريق؛ محقق ينظر إلى توقيت موجات الدماغ، وآخر ينظر إلى الأنماط، والثالث ينظر إلى الصورة الكبيرة. إنهم جميعاً يتشاركون ملاحظاتهم لتكوين صورة كاملة. ولمساعدة النموذج على التعلم بشكل أفضل، أعطى الباحثون النموذج "واجبًا منزلياً" أثناء التدريب: فبالإضافة إلى تخمين ما إذا كان الخطأ قد حدث، كان على النموذج أيضاً تخمين نوع التغذية الراجعة (صوت أم لمس) الموجودة. وقد أجبر هذا النموذج على فهم البيئات الحسية المختلفة دون أن يرتبك بها.
كانت النتائج واعدة. كان فريق المحققين الجديد "متعدد الفروع" أفضل بكثير في رصد إشارات "أوبس!" مقارنة بالنموذج القديم ذي المحقق الواحد، خاصة عندما كانت التغذية الراجعة مختلطة ومتضاربة. في الواقع، عندما كانت الإشارات كلها متفقة (متوافقة)، كان النموذج دقيقاً للغاية. لكن الفوز الحقيقي كان في السيناريوهات الفوضوية والمتضاربة. فبينما تعثرت النماذج الأخرى عندما كذبَت الإشارات الصوتية واللمسية، حافظ النهج الجديد على ثباته، مما أظهر قدرته على تجاهل الضجيج والتركيز على إشارة الخطأ الحقيقية في الدماغ.
تشير الدراسة إلى أنه من خلال منح "الدماغ الحاسوبي" بنية أكثر مرونة وتدريبه على فهم سياق العالم الحسي، يمكننا جعل اكتشاف الأخطاء أكثر استقراراً. لم يحل هذا كل المشكلات — فلا يزال النموذج يجد صعوبة طفيفة في فك تشفير الأخطاء عندما تكون الإشارات الحسية متناقضة تماماً مقارنة بما كانت عليه عندما كانت متفقة — لكنه أثبت أننا لسنا بحاجة لبناء قارئ دماغ منفصل لكل نوع من أنواع التغذية الراجعة. بدلاً من ذلك، يمكن لنظام واحد ذكي وقابل للتكيف أن يتعامل مع فوضى الحياة الواقعية، مما يمهد الطريق لروبوتات وحواسيب يمكنها حقاً فهم أخطائنا، بغض النظر عن مدى ضجيج العالم من حولنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.