← أحدث الأبحاث
🧬 biology

Subject Identity Is a Major Source of Variance in EEG Spectral Features and Can Inflate Machine Learning Evaluation

تُظهر هذه الدراسة أن هوية الخاضع للتجربة هي مصدر مهيمن للتباين في سمات الطيف الكهربائي لـ EEG، مما قد يؤدي إلى تضخيم أداء تعلم الآلة بشكل مصطنع عندما تستخدم التقييمات تقسيمات البيانات القياسية، وهو ما يستلزم ضرورة استخدام بروتوكولات تقييم قائمة على الخاضعين للتجربة لضمان صحة اكتشاف المؤشرات الحيوية.

المؤلفون الأصليون: Hassan Ugail, Newton Howard

نُشر 2026-09-15
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Hassan Ugail, Newton Howard

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

يُعد الدماغ البشري محركاً معقداً من النشاط الكهربائي، وقد استخدم العلماء منذ زمن طويل تقنية تُسمى تخطيط كهربائية الدماغ، أو (EEG)، للاستماع إلى همهمته. ومن خلال وضع مستشعرات على فروة الرأس، يمكن للباحثين التقاط إشارات الدماغ الإيقاعية أثناء التفكير، أو الراحة، أو الحركة. وفي السنوات الأخيرة، انضم التعلم الآلي إلى هذا الجهد، موفراً أدوات قوية لإيجاد أنماط في هذه الإشارات قد تكشف عن الحالة الذهنية للشخص، أو تكتشف مرضاً مثل الاكتئاض، أو تتنبأ بكيفية سلوكه. والأمل يكمن في أن تتمكن هذه النماذج الحاسوبية من تعلم البصمات البيولوجية المحددة لحالة ما، وفصل إشارة المرض عن ضجيج الدماغ السليم. ومع ذلك، لكي تكون هذه النماذج موثوقة، يجب اختبارها بنزاهة؛ فإذا تعلم برنامج حاسوبي التعرف على شخص بعينه بدلاً من المرض الذي يعاني منه، فسيظهر وكأنه يعمل بشكل مثالي في الاختبار ولكنه سيفشل تماماً في العالم الحقيقي. وهذا الخطر المتمثل في الخلط بين هوية الشخص وحالته الطبية هو اللغز المركزي الذي يعالجه هذا البحث الجديد.

لقد شرع فريق من الباحثين في قياس مقدار المعلومات التي تنتمي إلى الشخص نفسه في تسجيلات موجات الدماغ القياسية، بدلاً من الانتماء للمهمة التي يؤديها أو الوقت الذي سُجلت فيه. قاموا بتحليل بيانات من أربع مجموعات مختلفة من الناس، تتراوح من المرضى الذين يعانون من اضطراب الاكتئاب الجسيم إلى متطوعين يؤدون مهام حركية بسيطة. جاءت البيانات من مصادر متنوعة، بما في ذلك معدات بحثية عالية الجودة تحتوي على عشرات المستشعرات، وسماعات أبسط من الفئة الاستهلاكية تحتوي على عدد قليل فقط من المستشعرات. قام العلماء بتفكيك بيانات موجات الدماغ إلى نطاقات ترددية محددة، باحثين عن قوة الإيقاعات المختلفة، ثم طرحوا سؤالاً جوهرياً: إذا نظرت إلى هذه الأنماط، فما مقدار ما تراه فريداً لهذا الشخص تحديداً، وما مقدار ما هو مجرد تغيير في جلسة التسجيل أو في المهمة؟

كانت الإجابة التي وجدوها مذهلة. ففي الطريقة القياسية التي تُحلل بها إشارات الدماغ هذه عادةً، كانت هوية الشخص الذي يسجل البيانات هي المصدر الأكبر للتباين. وعبر الدراسات المختلفة، حسب الباحثون أن "بصمة" الشخص الفريدة في نشاط دماغه شكلت نحو سبعين إلى ثمانين بالمائة من إجمالي الاختلافات الملحوظة في البيانات. وفي المقابل، فإن التغييرات التي حدثت لمجرد أن التسجيل تم في يوم مختلف، أو لأن الشخص كان يقوم بمهمة مختلفة قليلاً، لم تشكل سوى جزء ضئيل من التباين. ولتوضيح ذلك، كان الفرق بين شخصين مختلفين يجلسان في نفس الغرفة أكبر بنحو ثلاثين ضعفاً من الفرق بين نفس الشخص وهو يجلس في الغرفة في يومين مختلفين. وهذا يعني أن موجات الدماغ لأي فرد بمفرده متميزة للغاية لدرجة أنها تشكل توقيعاً مستقراً وقابلاً للقياس يستمر بمرونة عبر الزمن، ويستمر لأشهر حتى مع تغير حياة الشخص اليومية.

ولأن هذا التوقيع الشخصي قوي جداً، اختبر الباحثون ما إذا كان بإمكان الحاسوب استخدام هذه الميزة للتعرف على الأشخاص، تماماً مثل ماسح بصمات الأصابع. قاموا بتدريب نماذج للتعرف على الأفراد باستخدام بيانات من مجموعة واحدة من تسجيلات الدماغ، ثم اختبروها على تسجيلات جديدة لنفس الأشخاص أُخذت في وقت لاحق. كانت النتائج شبه مثالية؛ حيث استطاعت النماذج التمييز بين شخص وآخر بدقة متناهية، حتى عندما أُخذت التسجيلات بفارق أشهر. وفي بعض الاختبارات، حدد الحاسوب الشخص الصحيح بدقة في كل مرة تقريباً، مما أثبت أن أنماط موجات الدماغ تحتوي على كود قوي وطويل الأمد للهوية الفردية. ولم تقتكن القدرة على التعرف على الشخص هذه إلى المعدات البحثية عالية الجودة فحسب، بل كانت موجودة أيضاً في البيانات المستمدة من السماعات البسيطة من الفئة الاستهلاكية، وإن كان التأثير أضعف عندما تتغير المهمة بشكل جذري.

ومع ذلك، كان الجزء الأكثر أهمية في الدراسة هو معرفة ما يحدث عندما تتدخل هذه القدرة القوية على التعرف على الأشخاص في التشخيص الطبي. فقد قام الباحثون بمحاكاة خطأ شائع في كيفية إجراء هذه الدراسات غالباً: وهو تقسيم البيانات حسب مقاطع موجات الدماغ بدلاً من تقسيمها حسب الشخص. في هذا الإعداد المعيب، قد ينتهي الأمر ببعض مقاطع الموجات الدماغية لمريض ما في مجموعة التدريب، بينما تنتهي مقاطع أخرى من نفس المريض في مجموعة الاختبار. وعندما قاموا بتشغيل نموذج تعلم آلي للكشف عن اضطراب الاكتئاب الجسيم باستخدام هذه الطريقة، حقق الحاسوب درجات شبه مثالية. بدا وكأنه تعلم المرض بشكل مثالي. ولكن عندما أجبر الباحثون النموذج على أن يُختبر بشكل صحيح —أي من خلال إبقاء جميع البيانات الخاصة بشخص واحد منفصلة تماماً عن بيانات التدريب— انخفض الأداء بشكل كبير.

لقد كشف التحقيق عن سبب كون الاختبار الأول مضللاً للغاية. لم يكن الحاسوب قد تعلم في الواقع التعرف على علامات الاكتئاب، بل تعلم التعرف على المرضى أنفسهم. ولأن التشخيص كان ثابتاً لكل شخص في الدراسة، فقد قام النموذج ببساطة بحفظ من هو مريض ومن هو سليم من خلال تحديد بصمة موجات الدماغ الفريدة الخاصة بهم. وعندما درب الباحثون نموذجاً للتعرف على الأشخاص فقط، دون إظهار الملصقات الطبية له أبداً، كان لا يزال بإمكانه التنبؤ بالتشخيص بدقة مثالية. وهذا أثبت أن الدرجات العالية من الاختبار المعيب كانت وهماً خلقه النموذج باستخدام الهوية كطريق مختصر. وتخلص الدراسة إلى أنه لكي يكون التعلم الآلي في علوم الدماغ جديراً بالثقة، يجب على الباحثين معاملة هوية الشخص كعامل رئيسي يجب التحكم فيه. يجب عليهم ضمان عدم رؤية الحاسوب لنفس الشخص في كل من مرحلتي التدريب والاختبار، وإلا فقد يبدو وكأنه اكتشف طفرة طبية بينما هو في الحقيقة لم يفعل شيئاً سوى تعلم اسم الشخص.

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 →