EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

يعتبر الدماغ البشري تدفقاً مستمراً من النشاط الكهربائي، وهو عبارة عن سيمفونية معقدة من الإشارات التي تتغير وتتحول في أجزاء من الثانية. لعقود من الزمن، واجه العلماء الذين يحاولون بناء آلات يمكنها قراءة هذه الإشارات مشكلة صعبة: فالبيانات الخام هائلة ومربكة. إنها فيض فوضوي من المعلومات القادمة من آلاف المستشعرات الموضوعة على فروة الرأس، مما يجعل من الصعب العثور على الأنماط المحددة التي تتوافق مع أفكار الشخص أو نواياه. ولحل هذه المشكلة، بدأ الباحثون ينظرون إلى نشاط الدماغ ليس كتدفق مستمر وفوضوي، بل كسلسلة من اللقطات المتميزة والمستقرة. هذه اللقطات، المعروفة باسم "الحالات الدقيقة" (microstates)، تمثل لحظات وجيزة يستقر فيها الدماغ على ترتيب مكاني محدد من النشاط قبل أن ينتقل بسرعة إلى الحالة التالية. فكر في هذه الحالات الدقيقة كأنها لبنات البناء الأساسية للفكر، والوحدات الأساسية التي تتحد لتشكل عملياتنا الذهنية الداخلية. وإذا استطاع العلماء تعلم كيفية التعرف على تسلسل لبنات البناء هذه وتتبعها، فقد يتمكنون من ابتكار طريقة أبسط وأكثر موثوقية لتمكين الناس من التواصل مع الحواسيب باستخدام عقولهم فقط.

لقد وضعت دراسة حديثة هدفاً لاختبار ما إذا كان يمكن لهذه التسلسلات من لقطات الدماغ أن تعمل كمحفز لواجهة الدماغ والحاسوب (BCI)، وهي جهاز يترجم النشاط العصبي إلى أوامر. ركز الباحثون على مهمة ذهنية محددة: تخيل حركة اليد اليسرى أو اليمنى. وهذا تمرين شائع في أبحاث واجهة الدماغ والحاسوب لأن الدماغ يضيء في مناطق مختلفة اعتماداً على اليد التي يفكر الشخص في تحريكها. وبدلاً من تحليل الإشارات الكهربائية الخام مباشرة، قام الفريق أولاً بتحويل البيانات إلى تسلسلات هذه الحالات الدقيقة. ثم قاموا بتغذية هذه المعلومات المبسطة في نموذج حاسوبي متطور مصمم لتعلم الأنماط. بُني هذا النموذج من جزأين: قسم يتعلم إعادة بناء أنماط الدماغ من البيانات، وقسم آخر يتعلم تصنيفها إلى فئات. واختبر الباحثون طريقتين لتعليم هذا النموذج؛ في الطريقة الأولى، قاموا بتدريب القسمين بشكل منفصل، تماماً مثل تعليم الطالب القراءة قبل تعليمه الكتابة. وفي الطريقة الثانية، قاموا بتدريب النظام بأكمله دفعة واحدة، مما سمح للأجزاء بالتعلم من بعضها البعض في وقت واحد.

أظهرت النتائج أن هذا النهج نجح بشكل ملحوظ. فقد تعلم النموذج الحاسوبي بنجاح التمييز بين أنماط الدماغ المرتبطة بتخيل اليد اليسرى وتلك المرتبطة بتخيل اليد اليمنى. وعند اختباره على نفس الشخص خلال نفس الجلسة، استطاع النظام تحديد الحركة المقصودة بدقة عالية. والأهم من ذلك، وجد الباحثون أن النظام يمكنه التكيف مع المواقف الجديدة دون البدء من الصفر. فمن خلال استخدام تقنية تسمى "تعلم النقل" (transfer learning)، والتي تسمح للنموذج بتطبيق ما تعلمه في سياق معين على سياق جديد، حقق النظام أعلى دقة تصنيف بلغت حوالي 89 في المائة عند الانتقال بين جلسات مختلفة أو حتى بين أشخاص مختلفين. وهذا يشير إلى أن التسلسل المحدد لحالات الدماغ هو إشارة قوية لا تتلاشى عندما تتغير ظروف الاختبار.

ولعل النتيجة الأكثر عملية تتعلق بالوقت المطلوب لإعداد مثل هذا النظام. لقد كانت إحدى العقبات الرئيسية أمام واجهات الدماغ والحاسوب هي عملية المعايرة الطويلة، حيث يتعين على المستخدم الجلوس وتدريب الآلة لفهم إشارات دماغه الخاصة لساعات. بحثت الدراسة في مقدار بيانات التدريب الضرورية للوصول إلى مستوى مفيد من الأداء، ووجدت أن النظام يحتاج في المتوسط إلى حوالي 400 ثانية فقط من البيانات للمعايرة بدقة تصل إلى 80 في المائة. ويمثل هذا انخفاضاً كبيراً في الوقت الذي يجب أن يقضيه المستخدم في تجهيز الجهاز. وتخلص الدراسة إلى أنه من خلال اختزال الإشارات الكهربائية المعقدة ومتعددة القنوات للدماغ إلى عدد محدد من الحالات عبر الزمن، ومن ثم تطبيق طرق تعلم متقدمة على تلك الحالات، فمن الممكن إنشاء واجهة أكثر سهولة في الاستخدام. ورغم أن هذا العمل لا يزال في مرحلة البحث، إلا أن النتائج تشير إلى أن تتبع مسارات الدماغ هذه يوفر مساراً واعداً نحو واجهات الدماغ والحاسوب التي تتطلب إعداداً أقل وتعمل بشكل أكثر موثوقية في التطبيقات الواقعية.