Early Detection of Schizophrenia Using EEG Signals Based on CNN and CNN–LSTM Deep Learning Models
تُظهر هذه الدراسة أن نموذج التعلم العميق الهجين (CNN–LSTM) يتفوق بشكل كبير على نموذج (CNN) المنفرد في اكتشاف الفصام من إشارات تخطيط كهربائية الدماغ في حالة الراحة، محققاً دقة بنسبة 92.03% ومسلطاً الضوء على قيمة دمج تعلم التسلسل الزمني للتشخيص الموضوعي.
المؤلفون الأصليون:Hussein Aly Elsayed, Arief Ruhullah Harris, Tian Swee Tan
إن الدماغ البشري عبارة عن شبكة شاسعة ونابضة بالنشاط الكهربائي، تتغير باستمرار بينما نفكر ونشعر وندرك العالم من حولنا. لعقود من الزمن، حاول العلماء الاستماع إلى هذا الهمهمة لفهم ما يحدث عندما تضرب اضطرابات الصحة العقلية. أحد هذه الاضطرابات هو الفصام، وهو حالة شديدة تغير كيفية رؤية الشخص للواقع، مما يؤدي غالباً إلى الهلوسة أو التفكير المشوش. حالياً، يشخص الأطباء هذا المرض إلى حد كبير من خلال الاستماع إلى المرضى وهم يصفون تجاربهم ومراقبة سلوكهم، وهي عملية تعتمد بشكل كبير على التقدير البشري ويمكن أن تغفل أحياناً عن العلامات المبكرة للمشكلة. ولإيجاد طريقة أكثر موضوعية لرصد المرض مبكراً، توجه الباحثون إلى تخطيط كهربائية الدماغ، أو ما يعرف بـ EEG. تتضمن هذه التقنية وضع مستشعرات صغيرة على فروة الرأس لتسجيل الإشارات الكهربائية للدماغ. وبخلاف الفحوصات باهظة الثمن التي تلتقط صوراً لبنية الدماغ، يلتقط تخطيط كهربائية الدماغ إيقاعات الدماغ السريعة والديناميكية في الوقت الفعلي، مما يوفر نافذة على العواصف الكهربائية التي قد تميز مرض الفصام.
في دراسة حديثة، وضع باحثون في جامعة تكنولوجي ماليزيا (Universiti Teknologi Malaysia) هدفاً متمثلاً في معرفة ما إذا كان بإمكانهم تعليم الكمبيوتر التعرف على هذه الأنماط الكهربائية تلقائياً. لقد عملوا مع مجموعة من تسجيلات موجات الدماغ لـ 81 شخصاً: 49 ممن تم تشخيص إصابتهم بالفصام و32 شخصاً أصحاء. أراد الفريق اختبار نوعين مختلفين من برامج الكمبيوتر، المعروفة بنماذج التعلم العميق، لمعرفة أيهما يمكنه التمييز بشكل أفضل بين المجموعتين. صُمم النموذج الأول ليبحث عن أشكال وأنماط محددة في موجات الدماغ، تماماً مثل كاميرا تحدد الحواف في صورة فوتوغرافية. أما النموذج الثاني، فكان نموذجاً هجيناً أكثر تعقيداً، لا يكتفي بالبحث عن هذه الأشكال فحسب، بل ينتبه أيضاً إلى الترتيب الذي وصلت به الإشارات، متفهماً كيف يتغير نشاط الدماغ بمرور الوقت.
بدأ الباحثون بتنقية البيانات الخام. كانت التسجيلات الأصلية مليئة بالضجيج الناتج عن حركات العضلات والتداخلات البيئية، لذا قاموا بتصفية السكون غير المرغوب فيه وضبط قوة الإشارة لجعل البيانات موحدة. ثم قاموا بتغذية هذه المعلومات المنقحة في برنامجي الكمبيوتر. البرنامج الأول، الذي ركز فقط على الأنماط المكانية للإشارات، تمكن من تحديد المجموعة الصحيحة بمعامل مساحة تحت المنحنى (AUC) قدره 0.73. لقد كان جيداً بشكل معقول في رصد الأدمغة السليمة، لكنه واجه صعوبة في تحديد المصابين بالفصام بشكل صحيح؛ حيث حدد النموذج 46.78% فقط من مرضى الفصام بشكل صحيح، بينما تم تصنيف 53.22% منهم خطأً على أنهم أصحاء. وقد أشار ذلك إلى أنه بينما استطاع البرنامج رؤية "شكل" موجات الدماغ، إلا أنه كان يفتقد شيئاً جوهرياً يتعلق بكيفية تحرك تلك الموجات وتطورها.
أما البرنامج الثاني، الذي جمع بين التعرف على الأنماط وفهم عامل الزمن، فقد قدم أداءً أفضل بشكل ملحوظ. فمن خلال تعلم ليس فقط شكل الإشارات ولكن أيضاً كيفية تكشفها ثانية بثانية، حقق هذا النموذج معامل مساحة تحت المنحنى (AUC) يزيد عن 0.92. لقد حدد بدقة حوالي 91 بالمئة من المصابين بالفصام وما يقرب من 90 بالمئة من الأصحاء. وأظهرت النتائج أن توقيت النشاط الكهربائي للدماغ يحمل أدلة حيوية تغفل عنها اللقطات الثابتة. ووجدت الدراسة أن النموذج الهجين كان أكثر موثوقية، بنسبة نجاح تزيد بنحو 20 نقطة مئوية عن النموذج الأبسط.
تشير هذه النتائج إلى أن مفتاح اكتشاف الفصام من خلال موجات الدماغ يكمن في فهم القصة التي ترويها الإشارات بمرور الوقت، وليس فقط الصورة التي ترسمها في لحظة واحدة. وبينما أشار الباحثون إلى أن مجموعة البيانات الخاصة بهم كانت صغيرة نسبياً وأن هناك حاجة لمزيد من الاختبارات مع مجموعات أكبر قبل إمكانية استخدام هذه الطريقة في المستشفيات، فإن النتائج تقدم مساراً واعداً للأمام. فهي تشير إلى أنه من خلال تعليم الحواسيب الاستماع إلى إيقاع الدماغ، قد نمتلك قريباً أداة موضوعية قوية لمساعدة الأطباء على رصد هذا الاضطراب الصعب في وقت مبكر وبدقة أكبر من أي وقت مضى.
ملخص تقني: الكشف المبكر عن الفصام باستخدام إشارات تخطيط كهربائية الدماغ (EEG) بناءً على نماذج التعلم العميق CNN و CNN–LSTM
بيان المشكلة يُعد الفصام اضطراباً نفسياً حاداً ومزمناً يؤثر على حوالي 24 مليون شخص عالمياً، ويتميز باختلالات معرفية وسلوكية وإدراكية. تعتمد معايير التشخيص الحالية بشكل كبير على المقابلات السريرية الذاتية والتقييمات السلوكية (مثل DSM-5 وPANSS)، مما قد يؤدي إلى تباين في التشخيص، لا سيما في المراحل المبكرة. وبينما توفر تقنيات التصوير العصبي مثل الرنين المغناطيسي (MRI) والتصوير المقطعي بالإصدار البوزيتروني (PET) رؤى تكميلية، إلا أن تكلفتها العالية ومحدودية الوصول إليها يعيقان عمليات الفحص الروتيني. ويمثل تخطيط كهربائية الدماغ (EEG) بديلاً غير جراحي ومنخفض التكلفة يتميز بدقة زمنية عالية. ومع ذلك، لا يزال الكشف التلقائي عن الفصام باستخدام تخطيط كهربائية الدماغ يمثل تحدياً نظراً لطبيعة الإشارات غير المستقرة وغير الخطية، وحساسيتها للتشوهات (artifacts)، والتباين الكبير بين الأفراد. وغالباً ما تعتمد مناهج التعلم الآلي التقليدية على استخراج الميزات يدوياً، والتي قد تفشل في التقاط الديناميكيات المكانية والزمانية المعقدة المتأصلة في بيانات تخطيط كهربائية الدماغ.
المنهجية تقترح الدراسة وتقارن بين بنيتين من بنى التعلم العميق للكشف التلقائي عن الفصام باستخدام إشارات تخطيط كهربائية الدماغ في حالة الراحة من مجموعة بيانات متاحة علناً (81 مشاركاً: 49 مريضاً بالفصام و32 من الأصحاء). يتكون الإطار من خمس مراحل متسلسلة:
المعالجة المسبقة للبيانات: خضعت تسجيلات تخطيط كهربائية الدماغ الخام (64 قناة، معدل أخذ عينات 1024 هرتز) لترشيح تمرير النطاق (0.5–40 هرتز) لإزالة انزياح خط الأساس والضوضاء عالية التردد. كما تمت إزالة التشوهات الفسيولوجية (مثل رمش العين أو نشاط العضلات) باستخدام تحليل المكونات المستقلة (ICA). وتم تقليل معدل أخذ العينات عن طريق متوسط كل ثماني عينات متتالية (تقليل طول التجربة من 9216 إلى 1152 عينة) وتوحيد الإشارات باستخدام معيار Z-score.
تطوير النماذج:
نموذج CNN: صُمم لاستخراج الميزات المكانية. ويتكون من طبقتين تلافيفيتين (64 مرشحاً، حجم النواة 3)، وتنشيط ReLU، وعملية إسقاط (dropout) بنسبة 0.25، وطبقة تجميع قصوى (max-pooling)، وطبقتين متصلتين بالكامل (100 و50 عصبون) تنتهيان بمخرج sigmoid للتصنيف الثنائي.
نموذج CNN–LSTM: بنية هجينة مصممة لالتقاط الاعتمادات المكانية والزمانية معاً. وهي تستخدم نفس طبقات CNN لاستخراج الميزات المكانية، تليها طبقة LSTM (100 وحدة مخفية) لنمذجة العلاقات الزمنية طويلة المدى في البيانات المتسلسلة. يتبع ذلك طبقتان متصلتان بالكامل ومخرج sigmoid.
التدريب والتقييم: تم تنفيذ النماذج باستخدام TensorFlow/Keras. تم تقسيم مجموعة البيانات إلى مجموعات فرعية للتدريب والتحقق والاختبار. استُخدم مُحسن Adam ودالة خسارة التقاطع الثنائي (binary cross-entropy) مع حجم دفعة قدره 32 على مدار 20 حقبة (epoch). كما تم استخدام التوقف المبكر (early stopping) لمنع الإفراط في التخصيص (overfitting). تم تقييم الأداء باستخدام الدقة (Accuracy)، والحساسية (Sensitivity)، والنوعية (Specificity)، والدقة (Precision)، والمساحة تحت منحنى خصائص تشغيل المستقبِل (AUC).
النتائج الرئيسية تُظهر الدراسة أن دمج تعلم التسلسل الزمني يعزز أداء التصنيف بشكل كبير:
أداء نموذج CNN: حقق نموذج CNN المستقل أقصى دقة تحقق في مرحلة التحقق بلغت 73.52%، مع حساسية 74.41%، ونوعية 70.77%، ودقة بلغت 88.91%، ومساحة تحت المنحنى (AUC) بلغت 72.59%. أظهر النموذج علامات إفراط في التخصيص، حيث بلغت دقة التحقق ذروتها عند الحقبة 17 ثم انخفضت بينما استمرت دقة التدريب في الارتفاع لتصل إلى 95.43%.
أداء نموذج CNN–LSTM: أظهر النموذج الهجين CNN–LSTM قدرة فائقة على التعميم، حيث حقق دقة تحقق بلغت 92.03%. كما حقق حساسية بنسبة 92.49%، ونوعية بنسبة 91.62%، ودقة بنسبة 90.37%، ومساحة تحت المنحنى (AUC) بنسبة 92.06%. وأظهر النموذج تحسناً مستمراً في كل من مقاييس التدريب والتحقق دون التباعد الذي لوحظ في نموذج CNN.
تحليل مصفوفة الارتباك (Confusion Matrix): واجه نموذج CNN صعوبة في تحديد حالات الفصام، حيث صنف 46.78% فقط من المرضى بشكل صحيح، بينما صنف 88.89% من الأصحاء بشكل صحيح. في المقابل، نجح نموذج CNN–LSTM في تحديد 91.32% من مرضى الفصام و89.47% من الأصحاء، مما يشير إلى انخفاض جوهري في النتائج السلبية الكاذبة والإيجابية الكاذبة.
الأهمية والادعاءات يزعم المؤلفون أن إطار عمل CNN–LSTM المقترح يوفر نهجاً قوياً للمساعدة الحاسوبية في تشخيص الفحص المبكر للفصام. وتخلص الدراسة إلى أنه بينما تعد نماذج CNN فعالة في استخراج الميزات المكانية لتخطيط كهربائية الدماغ، إلا أنها غير كافية بمفردها لالتقاط التغيرات الزمنية الديناميكية والمعقدة المرتبطة بالفصام. ومن خلال دمج طبقات LSTM، نجح النموذج الهجين في تعلم الاعتمادات الزمنية طويلة المدى، مما أدى إلى دقة تشخيصية أعلى بكثير وتعميم أفضل.
تضع الورقة هذا العمل كخطوة نحو أنظمة تشخيص موضوعية وفعالة وقابلة للتطبيق سريرياً. ومع ذلك، يحافظ المؤلفون على موقف متواضع فيما يتعلق بالنشر السريري، معترفين بالقيود مثل حجم مجموعة البيانات الصغير نسبياً (81 مشاركاً) والحاجة إلى التحقق من خلال مجموعات بيانات سريرية مستقلة ومتعددة المراكز قبل التنفيذ العملي. ويؤكدون أن النتائج الحالية تدعم إمكانات التعلم العميق كأداة داعمة للتشخيص النفسي، لكنهم لا يدعون إلى جاهزية النموذج للاستخدام السريري المستقل دون مزيد من الاختبارات الصارمة.