Subject-Calibrated Attention-State Classification during Digital Cognitive Tasks via MTFF: Band-Token Cross-Band Fusion on Single-Channel EEG
تقترح هذه الورقة إطار عمل MTFF، وهو إطار عمل خفيف الوزن يعتمد على تقنية "ترانسفورمر" (Transformer)، يقوم بدمج الأنماط الإيقاعية داخل النطاق من خمسة نطاقات ترددية نموذجية لتخطيط كهربية الدماغ (EEG) في رموز قابلة للتعلم، وذلك لتحقيق تصنيف قوي لحالة الانتباه من إشارات تخطيط كهربية الدماغ أحادية القناة والمشوبة بالضجيج في المهام المعرفية الرقمية.
تخيل أن دماغك عبارة عن مدينة صاخبة، تضج بالنشاط باستمرار. في بعض الأحيان تكون شوارعها هادئة وبطيئة، مثل النوم العميق؛ وفي أحيان أخرى، تكون مثل ساعة الذروة الفوضوية من التفكير المكثف. لطالما أراد العلماء بناء "كاميرا مرور" للعقل — وسيلة لرؤية متى يكون الشخص مركزاً ومتى يتشتت انتباهه بالضبط. لعقود من الزمن، تطلب هذا الأمر معدات ضخمة مخصصة للمستشفيات مع عشرات الأسلاك، مما جعل من المستح المستحيل استخدامه بينما تجلس ببساطة أمام حاسوبك أو تؤدي واجباتك المدرسية. ولكن مؤخراً، بدأنا في الحصول على مستشعرات صغيرة محمولة يمكنها الالتصاق بجبهتك مثل الملصق. المشكلة؟ هذه المستشعرات الصغيرة تشبه الاستماع إلى حركة مرور المدينة من زاوية شارع واحدة صاخبة. فهي تلتقط كل شيء: رمش عينيك، وتشنجات عضلات وجهك، وطنين الغرفة، وهو ما يغرق في كثير من الأحيان إشارات الدماغ الفعلية. السؤال الكبير هو: هل يمكننا بناء نظام ذكي يتجاهل الضجيج ويكتشف ما إذا كنت منتبهاً حقاً، باستخدام هذه الإشارة الواحدة الصغيرة والفوضوية فقط؟
هذا هو بالضبط ما سعى الباحثون في هذه الورقة البحثية لحله. فقد طوروا برنامجاً حاسوبياً جديداً يسمى MTFF (دمج الميزات الزمنية متعدد النطاقات) المصمم خصيصاً لهذه المستشعرات الدماغية المحمولة أحادية القناة. فكر في الإشارة الكهربائية للدماغ كأغنية معقدة تتكون من خمس آلات موسيقية مختلفة تعزف في وقت واحد: طبول عميقة وبطيئة (دلتا)، وخط باص ثابت (ثيتا)، وجيتار لحني (ألفا)، وكمان سريع الإيقاع (بيتا)، وفلوت عالي النبرة ومليء بالطاقة (جاما). حاولت الطرق القديمة الاستماع إلى الأغنية الفوضوية بأكملها دفعة واحدة أو مجرد تخمين مستوى صوت كل آلة. نظام MTFF الجديد مختلف؛ فهو يعمل مثل قائد أوركسترا فائق الذكاء يقوم أولاً بفصل الأغنية إلى تلك الآلات الخمس المتميزة. ثم ينشئ "بطاقة ملخص" صغيرة (تسمى رمزاً أو token) لكل إيقاع من إيقاعات الآلات. وأخيراً، يستخدم عقلاً اصطناعياً خفيف الوزن (محول - Transformer) للنظر في هذه البطاقات الست فقط — الآلات الخمس بالإضافة إلى "ملاحظة المايسترو" — ليقرر ما إذا كانت الموسيقى تبدو مثل "عمل مركز" أو "أحلام يقظة".
اختبر الفريق هذا النظام على 50 طالباً جامعياً أثناء مهمة بحث رقمي رقمي. لم يحاولوا خداع النظام باختباره على أشخاص لم يسبق لهم رؤيتهم من قبل؛ بل بدلاً من ذلك، أعطوا النظام الكثير من البيانات من كل طالب ليتعلم أنماط الدماغ الخاصة بكل منهم، ثم اختبروه في لحظات جديدة من نفس الطلاب. كانت النتائج واعدة: حدد نظام MTFF حالات انتباه الطلاب بدقة تبلغ حوالي 86.40% من الوقت، مع درجة أداء قوية (AUC) بلغت 0.9214. كان هذا أفضل بكثير من النماذج الحاسوبية القياسية القديمة، والتي إما كانت ترتبك بسبب الضجيج أو تحفظ بيانات التدريب بدقة شديدة، مما يؤدي إلى الفشل عند مواجهة تجارب جديدة.
ومع ذلك، فإن المؤلفين حذرون من الادعاء بأن هذا حل سحري للجميع. فقد ذكروا صراحة أن نظامهم يعمل بشكل أفضل عندما يتم "معايرته" لشخص محدد. إنه ليس بعد أداة يمكنها النظر في دماغ غريب ومعرفة ما إذا كان مركزاً بشكل فوري. كما اعترفوا بأنه نظراً لأن المستشعر موجود على الجبهة، فإنه لا يزال يعاني من أمور مثل الرمش الكثيف أو حركات الرأس، وأن "التسميات" لما يعتبر "تركيزاً" استندت إلى المهمة التي كان الطلاب يؤدونها، وليس قراءة مباشرة لأفكارهم. وبينما تشير الدراسة إلى أن نهج "النطاق والرمز" (band-token) هو طريقة قوية لتنقية بيانات الدماغ الصاخبة، يحذر الباحثون من أن هناك حاجة لمزيد من الاختبارات قبل أن نتمكن من الوثوق بقدرته على العمل عبر أشخاص مختلفين أو في بيئات واقعية غير منضبطة. في الوقت الحالي، تعد هذه خطوة قوية جداً نحو جعل مراقبة الدماغ المحمولة مفيدة حقاً للمهام اليومية.
ملخص تقني: تصنيف حالة الانتباه المعايرة للموضوع عبر نموذج MTFF
بيان المشكلة في سياق التعلم الرقمي والعمل عن بُعد، يعد الرصد الموضوعي لحالات الانتباه أثناء المهام المعرفية القائمة على الشاشة أمراً بالغ الأهمية للتفاعل بين الإنسان والحاسوب ولتكنولوجيا التعليم. وبينما توفر تخطيطات كهربية الدماغ (EEG) ديناميكيات عصبية بدقة الميلي ثانية، فإن الحلول الحالية غالباً ما تعتمد على نماذج مختبرية محكومة أو أنظمة متعددة القنوات. هناك فجوة كبيرة في تطبيق هذه الأساليب على أجهزة EEG أحادية القناة من فئة المستهلك المحمولة. هذه الأجهزة منخفضة العبء ولكنها شديدة الحساسية للتشوهات (العينية، والجهد العضلي الوجهي، والحركة) وتفتقر إلى التكرار المكاني لأنظمة تعدد القنوات. علاوة على ذلك، غالباً ما تعاني نماذج التعلم العميق القياسية من الإفراط في التخصيص (overfitting) عند تطبيقها على البيانات المحدودة والمشوبة بالضجيج النموذجية لتسجيلات القناة الواحدة. كما قد تفشل مسارات الميزات المصممة يدوياً في التقاط التفاعلات العابرة عبر النطاقات الضرورية لتمييز حالات الانتباه.
المنهجية: إطار عمل MTFF يقترح المؤلفون MTFF (دمج الميزات الزمنية متعددة النطاقات)، وهو إطار تصنيف مصمم خصيصاً لتخطيط كهربية الدماغ (EEG) أحادي القناة المحمول. تعالج البنية قيود البيانات المشوبة بالضوضاء والصغيرة العينات من خلال ثلاث آليات أساسية:
استخراج الميزات الزمنية متعددة النطاقات:
يتم أولاً تنقية الإشارة الخام (0.5–40 هرتز) باستخدام تفكيك النمط التجريبي المتكيف مع الضوضاء (CEEMDAN) لإزالة الأنماط الشبيهة بالتشوهات بناءً على عتبات الطاقة والتفرطح (kurtosis).
يتم تفكيك الإشارة المنقاة إلى خمسة نطاقات ترددية معيارية: دلتا (δ)، ثيتا (θ)، ألفا (α)، بيتا (β)، وغاما (γ).
بدلاً من حساب ميزات قوة النطاق الساكنة، يستخدم MTFF فروع تلافيف زمنية متوازية لكل نطاق. تستخدم هذه الفروع نوى تلافيف طويلة (مجالات استقبال تغطي 2-3 دورات من أدنى تردد في كل نطاق) لتعلم الأنماط الإيقاعية المحلية.
يتم ضغط مخرجات كل فرع إلى رمز نطاق قابل للتعلم (بُعد التضمين C=64)، مما ينتج خمسة رموز متميزة تمثل النطاقات الخمسة.
دمج الرموز عبر النطاقات عبر محول (Transformer) خفيف الوزن:
لنمذجة التفاعلات بين نطاقات التردد دون التكلفة الحسابية ومخاطر الإفراط في التخصيص المرتبطة بالانتباه الذاتي للتسلسلات الطويلة، يبني MTFF تسلسلاً من ستة رموز: رموز النطاقات الخمسة بالإضافة إلى رمز فئة قابل للتعلم (zcls).
يعمل مشفر المحول (Transformer encoder) خفيف الوزن على هذا التسلسل القصير المكون من 6 رموز. ويستخدم آلية الانتباه الذاتي متعدد الرؤوس لنمذجة التكامل والاعتماد المتبادل بين النطاقات بشكل صريح.
يتم اشتقاق المخرج النهائي من رمز الفئة المحدث، والذي يجمع السياق العالمي لنطاقات التردد.
رأس قرار محكوم السعة:
لمنع الإفراط في التخصيص على مجموعات البيانات الصغيرة المعايرة للموضوع، يتم تمرير مخرجات المحول عبر رأس قرار خطي مع تنظيم تباعد (regularization) بنمط L1-norm. هذا يقيد تعقيد النموذج ويشجع الحلول المتفرقة (sparse solutions)، مما يقلل الاعتماد على الإشارات المرتبطة بالضجيج.
التصميم التجريبي
البيانات: تم جمع بيانات EEG من 50 مشاركاً جامعياً سليماً قاموا بمهمة معرفية رقمية تتضمن مراحل الانتباه المركز (مهمة البحث عن الأرقام) وخط الأساس منخفض الانتباه (الاسترخاء) بالتناوب.
البروتوكول: استخدمت الدراسة تقسيماً طبقياً على مستوى المحاولة بنسبة 60/40 لكل موضوع. تم تقسيم المحاولات داخل كل مشارك بدلاً من استخدام بروتوكول "ترك موضوع واحد خارج الحلقة" (LOSO)، مما يقيم التعميم المعتمد على الموضوع (المعاير للمستخدم) بدلاً من الأداء العابر للموضوعات الخالي من المعايرة.
النماذج المرجعية: تمت مقارنة نموذج MTFF بنماذج تعلم آلي كلاسيكية: شجرة القرار (DT)، والبيرسيبترون متعدد الطبقات (MLP)، والغابة العشوائية (RF)، وآلة ناقلات الدعم (SVM).
النتائج الرئيسية تحت تقسيم 60/40 المعتمد على الموضوع، أظهر MTFF أداءً فائقاً مقارنة بجميع النماذج المرجعية:
الدقة: حقق MTFF متوسط دقة موضوعي قدره 0.8640 في محاولات الاختبار المحجوزة، متفوقاً على النماذج المرجعية (على سبيل المثال، MLP: 0.7375، RF: 0.6825).
المساحة تحت المنحنى (AUC): حقق MTFF متوسط AUC موضوعي قدره 0.9214، وبلغ متوسط AUC المجمع على مستوى المحاولة عبر جميع محاولات الاختبار 0.8928.
مقاومة الإفراط في التخصيص: بينما حققت النماذج المرجعية مثل DT وMLP وRF قيم AUC قريبة من المثالية (تقترب من 1.0) في التدريب ولكنها عانت من انخفاض كبير في أداء الاختبار (مما يشير إلى الإفراط في التخصيص)، حافظ MTFF على فجوة أصغر بين التدريب والاختبار (تدريب AUC: 0.9478 مقابل اختبار AUC: 0.8928).
المقاييس المتوازنة: على عكس MLP وRF اللذين أظهرا حساسية عالية ولكن خصوصية منخفضة للغاية (تصنيف خطأ للحالة المرجعية كحالة تركيز)، حقق MTFF توازناً متزناً مع حساسية عالية (0.8966) وخصوصية عالية (0.7961).
الأهمية والادعاءات يدعي البحث أن MTFF ينجح في سد الفجوة بين الميزات الطيفية المصممة يدوياً والبنى العميقة الثقيلة لتخطيط كهربية الدماغ (EEG) أحادي القناة المحمول. تكمن أهميته في:
النمذجة الصريحة عبر النطاقات: من خلال ترميز نطاقات التردد، يتعلم MTFF صراحةً التفاعلات بين δ,θ,α,β,γ بدلاً من خلطها ضمنياً عبر الدمج.
الكفاءة والمتانة: يقلل التصميم من آلية الانتباه إلى مجموعة رموز ثابتة وصغيرة (6 رموز)، مما يجعلها خفيفة حسابياً وأقل عرضة للإفراط في التخصيص مقارنة بمحولات النقاط الزمنية.
الفائدة المعايرة للموضوع: تدعم النتలు جدوى استخدام EEG أحادي القناة المحمول لـ مراقبة الانتباه المعايرة للموضوع، حيث يتم تدريب النظام على بيانات مستخدم محدد لتمييز حالات التركيز مقابل الاسترخاء.
القيود والنطاق يصرح المؤلفون صراحةً أن الدراسة لا تدعي التعميم العابر للموضوعات الخالي من المعايرة (لأنها لم تستخدم بروتوكول LOSO). التقييم يقتصر حصرياً على تقسيمات المستوى التجريبي المعتمدة على الموضوع. كما أن الملصقات (labels) هي وسائط شرطية للمهام وليست مقاييس سلوكية مباشرة، وتظل إشارة القناة الأمامية الواحدة عرضة للتشوهات العينية والحركية رغم المعالجة المسبقة. وقد تم تحديد العمل المستقبلي كضرورة للتحقق الحقيقي المستقل عن الموضوع، ودراسات الاستئصال (ablation studies) للمكونات، وتحليل القابلية للتفسير.