← أحدث الأبحاث
🧬 biology

Brain-inspired Spiking Neural Network Frameworks for Multimodal Spatiotemporal Brain Data Integration: A Case Study on EEG-fMRI Data

تقترح هذه الدراسة إطار عمل للشبكات العصبية النبضية مستوحى بيولوجياً، يستخدم استراتيجية دمج متعددة المستويات (مبكرة، ومتوسطة، واستراتيجية X-Meta المتأخرة الجديدة القابلة للتفسير) لدمج بيانات تخطيط كهربية الدماغ (EEG) والتصوير بالرنين المغناطيسي الوظيفي (fMRI) غير المتجانسة بفعالية، مما يظهر دقة فائقة وقدرة على التفسير البيولوجي في فك تشفير حالات الدماغ في وضع العين المفتوحة مقابل وضع العين المغلقة مقارنة بنهج التعلم الآلي التقليدية.

المؤلفون الأصليون: Nida Shahab, Maryam Doborjeh, Nikola Kasabov, Iqra Shahab, Zohreh Doborjeh

نُشر 2026-08-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Nida Shahab, Maryam Doborjeh, Nikola Kasabov, Iqra Shahab, Zohreh Doborjeh

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

يعتبر الدماغ البشري شبكة واسعة ومعقدة تعالج المعلومات بطريقتين متميزتين في آن واحد: فهو يتتبع النبضات الكهربائية السريعة التي تحدث في أجزاء من الألف من الثانية، ويرسم خرائط للتغيرات الأبطأ والأوسع نطاقاً في تدفق الدم التي تشير إلى المناطق النشطة. لطالما سعى العلماء لدمج هذين المنظورين للحصول على صورة كاملة لكيفية عمل العقل. إحدى الأدوات، وهي تخطيط كهربائية الدماغ (EEG)، تلتقط النبضات الكهربائية السريعة من فروة الرأس، مما يوفر جدولاً زمنياً مفصلاً للنشاط الدماغي ولكن مع رؤية ضبابية لمكان نشأة تلك الإشارات بدقة. أما الأداة الأخرى، وهي التصوير بالرنين المغناطيسي الوظيفي (fMRI)، فتوفر خريطة عالية الدقة لمناطق الدماغ النشطة، لكنها تتحرك ببطء شديد، حيث تلتقط تغيرات تستغرق ثوانٍ بدلاً من أجزاء من الثانية. إن دمج هذين النوعين المختلفين تماماً من البيانات أمر صعب للغاية لأن لغاتهما تختلف من حيث الزمان والمكان، ومع ذلك فإن القيام بذلك يمكن أن يكشف عن كيفية تنسيق الدماغ للوظائف المعقدة بوضوح غير مسبوق.

قام فريق من الباحثين في جامعة أوكلاند للتكنولوجيا بتطوير طريقة جديدة لسد هذه الفجوة باستخدام نموذج حاسوبي مستوحى من البنية البيولوجية للدماغ نفسه. فبدلاً من إجبار هذين التدفقين من البيانات على اتخاذ تنسيق واحد جامد، بنوا نظاماً يحاكي كيفية تواصل الخلايا العصبية من خلال نبضات كهربائية قصيرة. هذا النهج، المعروف باسم الشبكة العصبية النبضية (spiking neural network)، يسمح للحاسوب بالتعلم من توقيت الأحداث تماماً كما يفعل الدماغ الحقيقي. اختبر الباحثون هذا النظام على مجموعة بيانات من متطوعين أصحاء كانوا يتناوبون بين إبقاء أعينهم مفتوحة أو مغلقة، وهي مهمة بسيطة تحفز تغيرات معروفة في نشاط الدماغ. قاموا بتغذية الحاسوب بكل من التسجيلات الكهربائية السريعة من (EEG) وخرائط تدفق الدم البطيئة من (fMRI)، لكنهم جربوا ثلاث استراتيجيات مختلفة لكيفية دمجها. في إحدى الاستراتيجيات، قاموا بخلط البيانات الخام معاً في البداية. وفي استراتيجية أخرى، تركوا كل نوع من البيانات يطور فهمه الخاص قبل دمج النتائج. وفي الاستراتيجية الثالثة، جعلوا كل نوع من البيانات يتخذ قراره الخاص أولاً، ثم استخدموا نظام تصويت ذكياً لوزن تلك القرارات بناءً على مدى موثوقية كل مصدر.

وجدت الدراسة أن استراتيجية ترك البيانات تعبر عن نفسها قبل دمج استنتاجاتها كانت هي الأفضل. فعندما استخدم الباحثون هذا النهج النهائي القائم على مستوى القرار، حدد النموذج الحاسوبي بشكل صحيح ما إذا كانت أعين الشخص مفتوحة أو مغلقة بنسبة تقارب 80 بالمائة عند استخدام الميزات القائمة على التردد من (EEG)، وحوالي 77 بالمائة عند استخدام الإشارات الكهربائية الخام. وكان هذا تحسناً كبيراً مقارنة بمحاولة دمج البيانات في وقت مبكر جداً، مما أدى غالباً إلى إرباك النموذج، كما تفوق هذا النهج على طرق التعلم الآلي القياسية التي لا تحاكي بنية الدماغ. والأهم من ذلك، أن النظام لم يكتفِ بإنتاج إجابة صحيحة فحسب، بل شرح السبب أيضاً. فمن خلال تتبع القرار عبر النموذج، استطاع الباحثون رؤية الأجزاء الأكثر تأثيراً في الدماغ. ووجدوا أن النموذج اعتمد بشكل كبير على الجزء الخلفي من الدماغ، أي المنطقة القذالية، المعروفة بمعالجة المعلومات البصرية وتغيير إيقاعها الكهربائي عند فتح العينين أو إغلاقهما. كما استمد معلومات من شبكات الدماغ العميقة المرتبطة بحالات الراحة والمناطق المشاركة في الحركة والمزاج، مما يشير إلى أن مهمة بسيطة مثل رمش العين تتضمن شبكة واسعة ومنسقة من وظائف الدماغ.

اكتشف الباحثون أيضاً أن طريقة تمثيل الإشارات الكهربائية كانت مهمة اعتماداً على كيفية دمجها. فعندما تم دمج البيانات مبكراً، كانت الإشارات الكهربائية الخام تعمل بشكل أفضل، ولكن عندما تم دمج البيانات في النهاية، حققت التمثيل القائم على التردد للإشارات دقة أعلى. وهذا يشير إلى أنه لا توجد طريقة مثالية واحدة لمعالجة بيانات الدماغ؛ إذ تعتمد الطريقة الأفضل على الأدوات المستخدمة تحديداً. النموذج الأكثر نجاحاً، والذي أطلق عليه المؤلفون اسم "المصنف X-Meta"، عمل مثل لجنة حيث يقوم كل خبير — يمثل إما الإشارات الكهربائية السنية أو تدفق الدم البطيء — بالإدلاء بصوته، ثم يتعلم صانع قرار نهائي مدى الثقة في كل خبير. لم تؤدِ هذه العملية إلى تحسين الدقة فحسب، بل ضمنت أيضاً أن يكون القرار النهائي مستنداً إلى الواقع البيولوجي، مشيرة إلى مناطق دماغية محددة يعرفها العلماء بأهميتها للرؤية والانتباه.

يظهر هذا العمل أنه من خلال احترام التوقيت الفريد والبنية المختلفة لقياسات الدماغ، يمكن بناء نماذج حاسوبية تفهم الدماغ بشكل أعمق من أي وقت مضى. وتشير النتائج إلى أن نشاط الدماغ أثناء مهمة بسيطة ليس مجرد ومضة ضوء في القشرة البصرية، بل هو تفاعل معقد بين الإيقاعات الكهربائية وتغيرات تدفق الدم عبر مناطق متعددة. وبينما أجريت الدراسة على متطوعين أصحاء يؤدون مهمة أساسية، فإن هذا الإطار يقدم طريقة جديدة قوية لدمج أنواع مختلفة من البيانات الطبية. ويشير الباحثون إلى أن هذا النهج يمكن أن يساعد الأطباء في نهاية المطاف على فهم حالات أكثر تعقيداً حيث قد تروي الإشارات الكهربائية وإشارات تدفق الدم قصصاً مختلفة، مثل حالات الصرع أو الاضطرابات النفسية. وفي الوقت الحالي، تعد هذه الدراسة دليلاً على أن الحوسبة المستوحاة من الدماغ يمكن أن تنجح في دمج الرؤى السريعة والبطيئة للعقل، محولةً مزيجاً فوضوياً من الإشارات إلى صورة واضحة وقابلة للتفسير لوظائف الدماغ البشري.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🧬 q-bio →