ZIPBrain: Can EEG Foundation Models Be Faster, Locally Deployable, but Accurate?

تخيل أن دماغك عبارة عن مدينة صاخبة، ترسل باستمرار ملايين الرسائل الصغيرة عبر أسلاك كهربائية. لقد بنى العلماء حواسيب فائقة الذكاء، تُسمى "النماذج التأسيسية" (foundation models)، يمكنها قراءة هذه الإشارات الكهربائية (المعروفة باسم EEG) لفهم ما يحدث داخل تلك المدينة. هذه النماذج تشبه المحققين البارعين، لكنها ثقيلة وبطيئة للغاية؛ فهي تحاول قراءة كل رسالة من الرسائل، واحدة تلو الأخرى، حتى عندما تكون العديد من تلك الرسائل مجرد ضجيج ساكن أو همسات مكررة. ولأنها تحاول معالجة الكثير من البيانات في وقت واحد، فهي تحتاج إلى حواسيب ضخمة ومكلفة لتشغيلها، مما يجعل من الصائع استخدامها على أجهزة صغيرة مثل سماعة رأس قابلة للارتداء أو في غرفة مستشفى حيث السرعة هي كل شيء.

السؤال الكبير الذي يسأله الباحثون هو: هل يمكننا جعل هؤلاء المحققين الأذكياء في الدماغ أسرع وأخف وزناً دون جعلهم أقل ذكاءً؟ تكمن الإجابة في إدراك أن ليست كل رسائل الدماغ متساوية في القيمة. تماماً مثل حفلة صاخبة حيث يتحدث معظم الناس عن حالة الطقس بينما يصرخ القليل منهم بأخبار مهمة، فإن جزءاً كبيراً من البيانات التي تقرأها هذه النماذج هو في الواقع بيانات مكررة. تقدم الورقة البحثية أداة جديدة ذكية تسمى ZIPBrain تعمل كمحرر فائق الكفاءة لإشارات الدماغ هذه. فبدلاً من قراءة كل كلمة، يقوم ZIPBrain بسرعة برصد "الأخبار" المهمة و"الدردشة" المملة، ويدمج الأجزاء المملة معاً، ويسمح للحاسوب بالتركيز فقط على ما يهم حقاً. وهذا يسمح للنماذج الذكية بالعمل بشكل أسرع بكثير على الأجهزة الصغيرة، مما قد ينقل مراقبة الدماغ المتقدمة إلى راحة يدك.

المشكلة: الكثير من الضجيج، وقليل من الوقت

اعتبر نموذج EEG التأسيسي كطالب يؤدي اختباراً. الاختبار عبارة عن تدفق مستمر وطويل من إشارات الدماغ. لفهم هذه الإشارات، يقوم النموذج بتفكيكها إلى قطع صغيرة تسمى "الرموز" (tokens). المشكلة هي أنه بالنسبة للتسجيلات الطويلة، يتعين على الطالب قراءة آلاف الرموز هذه. وفي عالم علوم الحاسوب، تعد قراءة كل رمز ومقارنته بكل رمز آخر مهمة ثقيلة رياضياً. الأمر يشبه محاولة مقارنة كل شخص في ملعب رياضي بكل شخص آخر لمعرفة من يشبه الآخر؛ حيث ينمو حجم العمل بسرعة كبيرة لدرجة تجعل من المستحيل القيام به بسرعة على جهاز صغير.

علاوة على ذلك، فإن إشارات الدماغ معروفة بأنها "صاخبة". فالنشاط الفعلي للدماغ غالباً ما يكون مدفوناً تحت الضجيج الخلفي وحركات الجسم. وهذا يعني أن جزءاً كبيراً من الرموز التي يقرأها النموذج هي في الواقع نسخ مكررة مملة من نفس المعلومات. تشير الورقة البحثية إلى أنه نظراً لانخفاض نسبة الإشارة إلى الضجيج، فإن العديد من هذه الرموز هي في الأساس جهد ضائع. التحدي يكمن في معرفة أي الرموز هي "الضجيج" وأيها هي "الإشارة" دون الحاجة إلى تدخل بشري أولاً.

الحل: ZIPBrain، المحرر الذكي

يقترح المؤلفون ZIPBrain، وهو طريقة جديدة تعمل كوحدة "قابلة للتوصيل والتشغيل" (plug-and-play). تخيل أن لديك مسودة قصة طويلة وفوضوية؛ أنت لا تريد إعادة كتابتها من الصفر، بل تريد فقط قص الحشو الزائد. يقوم ZIPBrain بالضبط بذلك لإشارات الدماغ، ولكنه يفعل ذلك تلقائياً ودون الحاجة إلى إعادة تدريب النموذج (والذي يشبه تعليم الطالب طريقة جديدة للقراءة).

يعمل ZIPBrain عبر أربع خطوات بسيطة، باستخدام استراتيجية تحترم الطبيعة الفريدة لبيانات الدماغ:

1. إيجاد "المحاور" (الركائز): أولاً، يبحث النظام في جميع الرموز ويستخرج تلك التي تمتلك أقوى "طاقة" (من الناحية الرياضية، الحجم أو المعيار الأكبر). تُسمى هذه الرموز المحاور (pivots). فكر فيها كأكثر الأصوات ثقة وعلوّاً في الغرفة. يقرر النظام الحفاظ عليها سليمة دون مساس لأنها غالباً ما تحمل أهم المعلومات الهيكلية.
2. رصد التكرار: بعد ذلك، يقارن كل رمز آخر بهذه المحاور القوية. إذا بدا الرمز مشابهاً جداً لمحور ما، فإنه يُصنف على أنه "مكرر". الأمر يشبه إدراك أن خمسة أشخاص في الغرفة يقولون الشيء نفسه تماماً؛ فأنت تحتاج فقط للاستماع إلى واحد منهم.
3. المطابقة والدمج: يقوم النظام بعد ذلك بربط الرموز المكررة مع أقرب تطابق لها من المجموعة "الفريدة". ولكن هنا يكمن الجزء الصعب: إذا قمت بمتوسط رقمين معاً، فإن النتيجة تصبح أصغر وأضعف. لإصلاح ذلك، يستخدم ZIPBrain عملية دمج حافظة للمعايير (norm-preserving merge). فهو يقوم بمتوسط الرموز ثم يمد النتيجة مرة أخرى لتكون بقوة أقوى رمز أصلي. هذا يضمن عدم فقدان أي "طاقة" أو قوة إشارة مهمة أثناء عملية الضغط.
4. النتيجة: المخرج النهائي هو قائمة أقصر وأنظف من الرموز تحتوي على جميع المعلومات المهمة ولكنها تتخطى الضجيج المتكرر.

ماذا وجدوا: أسرع، أخف، وأحياناً أذكى

اختبر الباحثون ZIPBrain على أربعة نماذج EEG متطورة عبر خمس مجموعات بيانات مختلفة، تتراوح من اكتشاف النوبات إلى تصنيف مراحل النوم. كانت النتائج مثيرة للإعجاب حقاً.

• السرعة: من خلال ضغط الرموز، نجح ZIPBrain في تقليل الوقت الذي يستغرقه تشغيل النموذج (وقت الاستدلال الفعلي) بنسبة 32.7% في الإعدادات القياسية. وعندما استخدموا تحسيناً خاصاً يسمى CUDA Graph (الذي ينظم عمل الحاسوب بكفاءة أكبر)، قفزت سرعة التحسن إلى 41.8%.
• الدقة: ومن المثير للدهشة أن جعل النموذج أسرع لم يجعله أقل دقة. في الواقع، حسن ZIPBrain متوسط الدقة بنسبة تتراوح بين 1.3% إلى 10.5% مقارنة بطرق ضغط الرموز الأخرى (مثل ToMe و EViT وغيرها). وبينما طابقت دقة النموذج الأصدي غير المضغوط في كثير من الأحيان، إلا أنه في حالات محددة، مثل مجموعة بيانات TUAB مع نموذج BIOT، كان النموذج المضغوط يعمل بشكل أفضل من النموذج غير المضغوط، مما يشير إلى أن إزالة الضجيج المكرر ساعد النموذج على التركيز على الإشارة الحقيقية.
• الضغط: حتى عندما قاموا بضغط البيانات بكثافة (إزالة ما يصل إلى 80% من الرموز)، ظل أداء النموذج مستقراً. على سبيل المثال، في مجموعة بيانات TUEV، حافظ النموذج على دقة عالية حتى مع تقليل الرموز بنسبة 80%، بينما فشلت الطرق الأخرى بشكل كبير.

ما تم استبعاده

اختبرت الورقة أيضاً بعض الأفكار الأخرى لمعرفة مدى فعاليتها، ووجدت أن بعض الأساليب الشائعة لم تكن الأنسب لإشارات الدماغ:

• التقليم فقط (الحذف): جربوا ببساً حذف الرموز المكررة دون دمجها. ورغم أن هذا نجح بشكل جيد في المهام البسيطة، إلا أنه أعطى أداءً أسوأ من ZIPBrain في مجموعات البيانات الأكثر تعقيداً. وهذا يشير إلى أن مجرد التخلص من البيانات ليس بجودة دمجها بعناية للحفاظ على قوة الإشارة.
• التجميع العشوائي: جربوا تجميع الرموز عشوائياً بدلاً من استخدام نظام "المحاور" الذكي. تسبب ذلك في انخفاض كبير في الأداء، مما يثبت أن الطريقة المحددة التي يختار بها ZIPBrain الرموز التي يحتفظ بها ويدمجها هي أمر بالغ الأهمية.
• المتوسط البسيط: جربوا دمج الرموز باستخدام متوسط قياسي دون خطوة "المد" (stretching). أدى هذا أيضاً إلى تضرر الأداء، مما يؤكد أن الحفاظ على طاقة الإشارة (المعيار/norm) أمر ضروري لبيانات الدماغ.

لماذا يهم هذا الأمر

يشير المؤلفون إلى أن ZIPBrain هو حل عملي لإخراج هذه النماذج الدماغية القوية من المختبرات إلى الأجهزة الحقيقية. ولأنه "لا يتطلب إعادة تدريب" (لا يحتاج لتعليم النموذج طريقة جديدة) وهو "قابل للتوصيل والتشغيل" (يتناسب بسهولة مع الأنظمة الموجودة)، فإنه يمكن أن يساعد الأطباء في استخدام مراقبة الدماغ المتقدمة في الوقت الفعلي، حتى على الأجهزة ذات الموارد المحدودة مثل سماعات الرأس المحمولة أو أجهزة الحواف (edge computers) في المستشفيات. توضح الدراسة أنه من خلال كوننا أذكياء فيما نتجاهله، يمكننا جعل تقنياتنا أسرع وأكثر دقة في آن واحد.