Classification of Healthy People and Schizophrenics Using Time- Frequency Domain Features Extracted from Electroencephalogram Signals
تقترح هذه الدراسة مخططاً مبتكراً للتشخيص الآلي لمرض الفصام يحقق دقة بنسبة 100% في التمييز بين المرضى والأفراد الأصحاء من خلال استخراج واختيار سمات النطاق الزمني والترددي من إشارات تخطيط كهربائية الدماغ وتصنيفها باستخدام خوارزميات تعلم آلي متنوعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 يشبه مدينة صاخبة بها ملايين السيارات (الخلايا العصبية) التي تتجول في الأرجاء، مما يخلق تدفقاً مستمراً من حركة المرور. عندما تكون المدينة سليمة، تتدفق حركة المرور بإيقاع منظم ومتوقع. ولكن لدى الأشخاص المصابين بـ الفصام (Schizophrenia)، تصبح أنماط حركة المرور فوضوية، وغير متوقعة، وتصاب أحياناً بالجمود التام.
حالياً، يحاول الأطباء تشخيص هذا "الاضطراب المروري" من خلال مقابلة السائق (المريض) وسؤاله: "كيف تشعر بحركة المرور؟". هذه الطريقة ذاتية، بطيئة، وأحياناً قد لا يدرك السائق نفسه أن حركة المرور مضطربة، أو قد يخلط بينها وبين أنواع أخرى من الازدحام المروري (مثل الاضطراب ثنائي القطب).
تقترح هذه الورقة البحثية نظام "كاميرا مراقبة ذكية لحركة المرور" (برنامج حاسوبي آلي) ينظر مباشرة إلى تدفق حركة المرور (موجات الدماغ) لرصد الفوضى فوراً وبدقة.
إليك كيف بنوا هذا النظام، مشروحاً ببساطة:
1. المادة الخام: الاستماع إلى راديو الدماغ
استخدم الباحثون تقنية EEG (تخطيط كهربية الدماغ)، وهي تشبه وضع مجموعة من الميكروفونات على فروة الرأس لتسجيل "الموجات الإذاعية" الكهربائية للدماغ.
- العينات: سجلوا بيانات لـ 14 شخصاً سليماً و14 شخصاً مصاباً بالفصام.
- الإعداد: جلس الجميع بهدوء وأعينهم مغلقة لمدة 5 دقائق. الأمر يشبه طلب الجلوس في غرفة هادئة والترتيل بصوت خافت حتى تتمكن الميكروفونات من سماع الإيقاع الطبيعي لدماغهم.
2. تنقية الإشارة: ضبط الراديو
قبل التحليل، كان عليهم تنظيف التسجيل.
- المرشح (Filter): تماماً مثل ضبط الراديو لإزالة التشويش، قاموا بتصفية "الضجيج" مثل ضربات القلب، رمش العين، والطنين الكهربائي الناتج عن شبكة الكهرباء.
- النتيجة: تسجيل نظيف ونقي لنشاط الدماغ فقط.
3. العمل الاستقصائي: البحث عن الأدلة (استخراج الميزات)
هذا هو الجزء الأكثر إبداعاً. لم يكتفِ الباحثون بالنظر إلى الصوت الخام؛ بل فككوه إلى ثلاث "لغات" مختلفة للعثور على أدلة مخفية لا تستطيع العين البشرية رؤيتها.
اللغة الأولى: النطاق الزمني (الإيقاع)
- التشبيه: تخيل الاستماع إلى دقات الطبل. هل هي ثابتة؟ أم مضطربة؟
- قاموا بقياس أشياء مثل عدد مرات عبور الإشارة للصفر (مدى التذبذب) ومدى تعقيد النمط. الأمر يشبه التحقق مما إذا كان عازف الطبل يحافظ على إيقاع بسيط أم يعزف "سولو" معقداً ومجنوناً.
اللغة الثانية: نطاق التردد (طبقة الصوت)
- التشبيه: تخيل بيانو. بعض النغمات منخفضة (باس/Bass)، وبعضها عالٍ (تريبل/Treble).
- تحققوا من مقدار "الطاقة" في النغمات المنخفضة (دلتا/ثيتا) مقابل النغمات العالية (ألفا/بيتا). في حالات الفصام، قد يكون صوت "الباس" مرتفعاً جداً، وصوت "التريبل" منخفضاً جداً. قاموا بحساب النسبة بين هذه النغمات لإيجاد الخلل.
اللغة الثالثة: النطاق الزمني-الترددي (الفيلم)
- التشبيه: اللغتان الأوليان تشبهان النظر إلى صورة ثابتة أو الاستماع إلى نغمة واحدة. أما هذه اللغة فهي تشبه مشاهدة فيلم للإشارة.
- استخدموا أداة رياضية تسمى تحويل المويجات (Wavelet Transform) (فكر فيها كعدسة زووم سحرية) لرؤية كيف يتغير الإيقاع وطبقة الصوت عبر الزمن. كشف هذا عن أنماط مخفية كانت غير مرئية في العرضين الآخرين.
4. المرشح: اختيار أفضل الأدلة (اختيار الميزات)
وجدوا 18 نوعاً مختلفاً من الأدلة (مثل "التذبذب"، "حجم الباس"، "التعقيد"). لكن وجود أدلة كثيرة جداً يربك الحاسوب.
- الاستراتيجية: استخدموا مرشحاً ذكياً (مزيج من "المعلومات المتبادلة" و"الاختيار الأمامي") ليسأل: "ما هي الـ 10 أدلة الأفضل على الإطلاق للتمييز بين الدماغ السليم والدماغ المريض؟"
- النتيجة: حصروا الأمر في أفضل 10 "أدلة خارقة" لكل برنامج حاسوبي اختبروه.
5. الحكام: المصنفات (Classifiers)
قاموا بتغذية هذه الأدلة العليا في سبعة "حكام" مختلفين (خوارزميات تعلم الآلة) لمعرفة من يمكنه تقديم أفضل تشخيص:
- KNN: ينظر إلى الجيران. "إذا كانت موجات دماغك تشبه الأشخاص الأصحاء بجانبك، فأنت سليم".
- SVM: يرسم خطاً. "إذا كنت في هذا الجانب من الخط، فأنت سليم؛ وفي الجانب الآخر، فأنت مريض".
- Decision Tree (شجرة القرار): يطرح سلسلة من أسئلة (نعم/لا). "هل الباس مرتفع جداً؟ نعم. هل الإيقاع سريع جداً؟ نعم. -> التشخيص: فصام".
- Naive Bayes: يستخدم الاحتمالات. "بناءً على البيانات السابقة، هناك احتمال 99% أن هذا النمط ينتمي لشخص مريض".
الختام الكبير: لوحة النتائج
كانت النتائج مذهلة.
- قبل اختيار أفضل الأدلة، كانت أداء الحواسيب جيداً (حوالي 90-95% دقة).
- بعد استخدام مرشحهم الذكي لاختيار الـ 10 أدلة المثالية، حققت ثلاثة من الحكام (Linear SVM، وNonlinear SVM، وDecision Tree) درجة مثالية بلغت 100%.
لم يكونوا مجرد يخمنون؛ بل حددوا كل شخص في الدراسة بدقة، سواء كان سليماً أو مصاباً بالفصام.
لماذا يهم هذا؟
فكر في هذا الأمر كأنه سماعة طبيب فائقة القدرة.
- التشخيص الحالي: طبيب يستمع لقصة المريض (والتي قد تكون غامضة أو قابلة للتفسير الخاطئ).
- هذه الأداة الجديدة: حاسوب ينظر إلى "حركة المرور" الكهربائية للدماغ ويقول: "أنا أرى النمط. هذا هو الفصام"، بكل يقين بناءً على هذه المجموعة من البيانات.
الخلاصة:
المؤلفون لا يقولون إن هذا سيحل محل الطبيب بعد، بل هم يقدمون رأياً ثانياً سريعاً، موضوعياً، ودقيقاً للغاية. إنه يشبه امتلاك مساعد طيار لا يتعب أبداً ولا يفوت أي تفصيل، مما يساعد الطبيب على اتخاذ القرار الصحيح بشكل أسرع وأقل تكلفة.
في المستقبل، يمكن استخدام "كاميرا المرور" هذه لاكتشاف المرض مبكراً، أو اختبار أنواع مختلفة من الفصام، أو حتى المساعدة في تشخيصه لدى المراهقين، مما قد ينقذ الأرواح عبر رصد الفوضى قبل أن تسيطر على المدينة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.