MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
تقدم الورقة البحثية نموذج MtReNIRS، وهو نموذج تأسيسي يعتمد على التعلم الخاضع للإشراف الذاتي تم تدريبه مسبقاً على 12 مجموعة بيانات متنوعة لتقنية fNIRS، حيث يتعلم تمثيلات وعائية عصبية قابلة للتعميم من خلال رسم خرائط التجميعات غير المتجانسة إلى مرجع تشريحي مشترك، محققاً بذلك أداءً فائقاً عبر الموضوعات ومعايرة قليلة العينات مقارنة بالطرق الحالية.
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. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يُعد الدماغ البشري محركاً معقداً، وقد سعى العلماء طويلاً لإيجاد طرق للاستماع إلى أفكاره دون الحاجة لفتح الجمجمة. ومن الأدوات الواعدة في هذا الصدد هو مطياف الأشعة تحت الحمراء القريبة الوظيفي، أو ما يُعرف بـ fNIRS. وبخلاف الأجهزة الضخمة والثابتة المستخدمة في المستشفيات، يستخدم fNIRS قبعة قابلة للارتداء مجهزة بمستشعرات ضوئية. تقوم هذه المستشعرات بتسليط ضوء قريب من الأشعة تحت الحمراء عبر فروة الرأس وقياس مقدار ما يمتصه الدم المتدفق بالأسفل. ولأن خلايا الدماغ النشطة تتطلب المزيد من الأكسجين، فإن تدفق الدم يتغير في أنماط محددة عندما يفكر الشخص، أو يتحرك، أو يشعر بشيء ما. ومن خلال تتبع هذه التغييرات، يمكن للباحثين رؤية أي أجزاء من الدماغ تعمل. ومع ذلك، كان تحويل قراءات الضوء هذه إلى صورة واضحة لنشاط الدماغ أمراً صعباً؛ فكل مختبر بحثي يستخدم قبعات مختلفة، مع وضع المستشعرات في أماكن مختلفة، كما أن الإشارات التي تلتقطها غالباً ما تكون مشوشة وفريدة لكل شخص يرتديها. وقد جعل هذا من الصعب بناء برنامج حاسوبي واحد يمكنه فهم إشارات الدماغ من أي شخص، وفي أي مكان، وباستخدام أي جهاز.
لقد اتخذ فريق من الباحثين الآن خطوة كبيرة نحو حل هذه المشكلة من خلال إنشاء نوع جديد من نماذج الذكاء الاصطناłي يسمى MtReNIRS. فبدلاً من تعليم الكمبيوتر التعرف على نشاط الدماغ من شخص واحد فقط أو تجربة محددة، قاموا بتدريبه على مجموعة هائلة من البيانات التي جُمعت من اثني عشر دراسة مختلفة. تضمنت مجموعة البيانات هذه تسجيلات من 268 شخصاً مختلفاً، بإجمالي أكثر من 567 ساعة من نشاط الدماغ. وغطت البيانات مجموعة متنوعة من المهام، من حل المسائل الرياضية إلى الاستماع إلى الكلام وتحريك اليدين. وكان التحدي يكمكم في أن هذه التسجيلات لم تكن موحدة؛ فبعضها استخدم قبعات ذات مستشعات كثيرة، وأخرى قليلة، وكانت المستشعرات مرتبة في أنماط مختلفة على الرأس. ولإدراك معنى هذا الفوضى، طور الباحثون طريقة لترجمة كل ترتيب فريد للمستشعرات إلى خريطة مشتركة للدماغ. لقد عاملوا الدماغ كشبكة قياسية، حيث طابقوا المستشعرات من كل قبعة مختلفة مع المواقع المقابلة لها على هذه الخريطة المشتركة. وقد سمح هذا للكمبيوتر بأن يتعلم أن الإشارة القادمة من "مقدمة" الدماغ تعني الشيء نفسه، بغض النظر عن القبعة أو الجهاز المحدد الذي التقطها.
يعمل النموذج نفسه من خلال تعلم كيفية ملء الفراغات. فقد عرض الباحثون على الكمبيوتر آلاف المقاطع القصيرة من نشاط الدماغ ولكنهم أخفوا منها عمداً أجزاء صغيرة من البيانات، وطلبوا من النموذج تخمين ما هو مفقود بناءً على المعلومات المحيطة. هذه العملية، المعروفة باسم التعلم الخاضع للإشراف الذاتي، أجبرت الكمبيوتر على فهم القواعد الأساسية لكيفية تدفق الدم في الدماغ، بدلاً من مجرد حفظ إجابات محددة. ولأن النموذج تم تدريبه على مجموعة متنوعة من الأشخاص والمهام، فقد اكتسب فهماً عاماً لكيفية عمل الدماغ. وعندما اختبر الباحثون هذا النموذج على أشخاص جدد لم يسبق له رؤيتهم، كان أداؤه يضاهي أو يتفوق على الطرق التقليدية التي تتطلب تدريباً مكثفاً لكل فرد. وقد أثبت النموذج أنه قوي بشكل خاص عندما توفرت كمية ضئيلة جداً من البيانات الجديدة؛ ففي الحالات التي لا يستطيع فيها المستخدم تقديم سوى أمثلة قليلة من نشاط دماغه الخاص، يتكيف النموذج بسرعة ودقة، متفوقاً على الأنظمة الرائدة السابقة.
كما كشفت الدراسة أن الطريقة التي يتم بها رسم خرائط المستشعرات إلى الدماغ كانت أمراً حاسماً. فعندما اختبر الباحثون نسخة من النموذج حيث تم خلط مواقع المستشعرات، انخفضت قدرته على فهم الأشخاص الجدد بشكل كبير. وقد أكد هذا أن النموذج لم يكن يتعلم فقط شكل الموجات، بل كان يتعلم بالفعل العلاقة بين الموقع الفيزيائي للمستشعرات ومناطق الدماغ التي تراقبها. علاوة على ذلك، ظل النموذج فعالاً حتى عند تقليل عدد المستشعسات، مما يشير إلى إمكانية عمله مع أجهزة قابلة للارتداء أبسط وأكثر راحة في المستقبل. وبينما أشار الباحثون إلى أن النموذج لا يزال يواجه تحديات مع الاختلافات الطبيعية بين الأفراد، مثل التباينات في سمك الجمجمة أو أنماط الأوعية الدموية، إلا أن عملهم يثبت أن نظاماً واحداً مرناً يمكنه تعلم قراءة لغة الدماغ عبر مختلف الأشخاص والأجهزة. ويقدم هذا النهج مساراً قابلاً للتوسع نحو واجهات أكثر سهولة بين الدماغ والحاسوب، حيث يمكن للتكنولوجيا أن تتكيف مع المستخدم بدلاً من إجبار المستخدم على التكيف مع التكنولوجيا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.