Spike-Based Adaptation of EEG Foundation Models for Calibration Efficient Cross-Subject Brain-Computer Interfaces
تقترح هذه الورقة إطار عمل للتكيف القائم على النبضات يدمج نموذجاً تأسيسياً مسبق التدريب لتخطيط كهربية الدماغ (EEG) مع وحدة عصبية خفيفة الوزن لتحقيق واجهات دماغ-حاسوب عابرة للمستخدمين، تتسم بكفاءة المعايرة والوعي بالموارد، مما يقلل بشكل كبير من وقت التكيف وعدد المعلمات مع الحفاظ على دقة عالية عبر مختلف مهام ومجموعات بيانات تخطيط كهربية الدماغ.
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 آلة يمكنها قراءة عقلك، وترجمة أفكارك إلى أوامر للكمبيوتر، أو لكرسي متحرك، أو لذراع روبوتية. هذا هو الوعد الذي تقدمه واجهة الدماغ والحاسوب، وهي تقنية انتقلت من الخيال العلمي إلى المختبرات الواقعية. لسنوات، استخدم العلماء الأقطاب الكهربائية الموضوعة على فروة الرأس للاستماع إلى همسات الدماغ الكهربائية، المعروفة باسم تخطيط كهربائية الدماغ، أو EEG. كان التحدي دائمًا هو أن كل دماغ مختلف عن الآخر؛ فتمامًا كما لا يتحدث شخصان بنفس اللكنة تمامًا، لا ينتج دوران دماغين نمطين كهربائيين متطابقين. والنظام الذي يتم تدريبه لفهم أفكار شخص ما غالبًا ما يفشل تمامًا عند مطالبته بالاستماع إلى شخص آخر. ولجعل هذه الأجهزة تعمل، يتعين على المستخدمين عادةً الجلوس في جلسات معايرة طويلة ومملة، لتعليم الآلة لغتهم العصبية الخاصة من الصفر. هذه العملية بطيئة، ومحبطة، وغير عملية للاستخدام اليومي.
لقد قدمت الاختراقات الأخيرة "نماذج تأسيسية"، وهي أنظمة ذكاء اصطناعي ضخمة تم تدريبها على آلاف الساعات من بيانات الدماغ من العديد من الأشخاص المختلفين. لقد تعلمت هذه النماذج لغة عامة لنشاط الدماغ تعمل مع معظم المستخدمين. ومع ذلك، لا تزال هذه النماذج تواجه صعوبة في الخطوة النهائية: التكيف بسرعة مع شخص جديد دون الحاجة إلى إعادة التدريب بالكامل. إنها تشبه شخصًا متعدد اللغات يعرف لغات عديدة، لكنه لا يزال بحاجة إلى قاموس لفهم لهجة معينة. يقترح بحث جديد أجراه محمد عالم في جامعة توركو حلاً يسد هذه الفجوة، حيث يجمع بين المعرفة الواسعة لهذه النماذج الكبيرة وطريقة متخصصة وموفرة للطاقة لتعلم الأسلوب الخاص للمستخدم الجديد في دقائق بدلاً من ساعات.
لقد عالج الباحثون المشكلة من خلال إنشاء نظام يفصل بين ما هو عالمي وما هو فريد. بدأوا بنموذج تأسيسي مدرب مسبقًا، وهو شبكة عصبية ضخمة تعلمت بالفعل القواعد العامة لنشاط الدماغ من مجموعة بيانات واسعة. ظل هذا الجزء من النظام "مجمدًا"، مما يعني أن إعداداته الداخلية كانت مغلقة ولا يمكن تغييرها، وهذا حافظ على المعرفة العامة القيمة التي اكتسبها بالفعل. وبدلاً من محاولة إعادة تدريب النظام الضخم بأكرا لـ كل مستخدم جديد، أضاف الفريق ملحقًا صغيرًا وخفيف الوزن مصممًا للتعامل فقط مع الاختلافات المحددة للفرد. يعمل هذا الملحق بناءً على مبدأ مستوحى من الدماغ نفسه، باستخدام منطق "النبضات" (spiking). فبدلاً من معالجة المعلومات باستمرار مثل الكمبيوتر القياسي، ينتظر هذا النموذج حدوث تغييرات جوهرية في إشارة الدماغ. وعندما يحدث تحول ذي معنى، فإنه يطلق نبضة كهربائية واحدة متفرقة، أو "نبضة"، للإشارة إلى أن شيئًا مهمًا قد حدث. يحاكي هذا النهج كيفية تواصل الخلايا العصبية البيولوجية، مما يوفر كميات هائلة من الطاقة وقدرة المعالجة.
لاختبار هذه الفكرة، وضع الفريق نظامهم في سلسلة صارمة من التجارب شملت 175 مشاركًا مختلفًا. وقد استخدموا بيانات من أربعة أنواع متميزة من تجارب واجهة الدماغ والحاسوب، تتراوح من تخيل حركة اليد إلى الاستجابة للأضواء الوامضة. وفي بروتوكول اختبار صارم، تم تدريب النظام على بيانات من مجموعة من الأشخاص ثم طُلب منه التكيف مع شخص جديد تمامًا لم يره من قبل. أعطى الباحثون النظام كمية ضئيلة جدًا من البيانات من هذا الشخص الجديد — أحيانًا ما يصل إلى عشر (10%) فقط مما هو مطلوب عادةً — ليتعلم أنماطه الخاصة. كانت النتائج مذهلة؛ فقد حقق النظام متوسط دقة بلغ 86.7 بالمائة عبر جميع هذه المهام والأشخاص المختلفة، متفوقًا على الطرق التقليدية التي حاولت إما إعادة تدريب النموذج بأكره أو استخدمت تقنيات تكيف أبسط وأقل فعالية.
وربما الأهم من ذلك، أثبت النظام أنه فعال للغاية. فبينما تطلبت الأساليب الأخرى تحديث ملايين المعلمات واستغرقت عدة دقائق للتكيف مع مستخدم جديد، احتاج هذا النهج الجديد إلى ضبط حوالي مليون معلمة فقط وأنهى عملية التكيف في أقل من 40 ثانية. كما استهلك طاقة أقل بكثير، حيث استخدم 0.42 مللي جول فقط لكل تجربة لعملية التكيف. وأظهر النظام أيضًا استقرارًا ملحوظًا بمرور الوقت؛ فعند اختباره على بيانات مسجلة من نفس الشخص في يوم مختلف، انخفض الأداء بمقدار 4.3 نقطة مئوية فقط، وهو انخفاض أصغر بكثير مما لوحظ في الأساليب الأخرى. يشير هذا إلى أن النظام تعلم الجوانب الأساسية والمستقرة لنشاط دماغ المستخدم بدلاً من حفظ الضوضاء المؤقتة أو الخصائص المرتبطة بجلسة معينة.
وقد استبعدت الدراسة صراحةً فكرة أن الحل الأمثل هو مجرد إعادة تدريب النموذج الضخم بالكامل من الصفر، وهي عملية مكلفة حاسوبيًا وعرضة لـ "الفرط في التخصيص" (overfitting) عندما تكون البيانات شحيحة. كما أثبتت أن استخدام تعديل خطي بسيط للنموذج لم يكن كافيًا لالتقاط الاختلافات المعقدة والزمنية في إشارات الدماغ. اعتمد نجاح هذا النهج على الجمع المحدد بين نموذج تأسيسي مجمد ومحول ديناميكي يعتمد على النبضات يمكنه استشعار وتصحيح الاختلافات الفردية في الوقت الفعلي. وأشار الباحثون إلى أنه على الرغم من أن هذه النتائج واعدة، إلا أنها تم الحصول عليها في بيئة مضبوطة وغير متصلة (offline) باستخدام مجموعات بيانات موجودة. لم يتم اختبار النظام بعد في سيناريوهات تفاعل مباشر وحلقي (closed-loop) حيث يتفاعل المستخدم مع جهاز بشكل مستمر، كما لم يتم نشره على أجهزة عصبية متخصصة (neuromorphic hardware) من شأنها أن تقلل استهلاك الطاقة بشكل أكبر.
يمثل هذا العمل خطوة مهمة نحو جعل واجهات الدماغ والحاسوب عملية للحياة اليومية. ومن خلال إظهار أن نموذج ذكاء اصطناعي عام وضخم يمكن تخصيصه بسرعة وكفاءة لمستخدم جديد دون فقدان معرفته العامة، يوفر هذا البحث مسارًا للمستقبل نحو أجهزة تكون قوية وسهلة الاستخدام في آن واحد. إن القدرة على التكيف مع شخص جديد بأقل قدر من البيانات والطاقة تشير إلى مستقبل يمكن فيه استخدام هذه التقنيات للتواصل المساعد أو إعادة التأهيل دون عبء أوقات الإعداد الطويلة. وتؤكد النتائج أن المفتاح لإطلاق إمكانات واجهات الدماغ والحاسوب لا يكمن فقط في بناء نماذج أكبر، بل في تصميم طرق أكثر ذكاءً وكفاءة لربط تلك النماذج بالواقع الفريد للدماغ البشري.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.