Hybrid Optuna and Q Learning for Adaptive Hyperparameter Optimization in EEG Seizure Classification
تقترح هذه الورقة إطار عمل هجينًا يجمع بين Optuna وQ-learning لتحسين المعلمات الفائقة بشكل تكيفي في نموذج GRU–HiBERT–MLP لتصنيف نوبات الصرع في تخطيط كهربائية الدماغ (EEG)، محققةً دقة بنسبة 93.10% واستقرارًا معززًا في التقارب، مع دمج SHAP وLIME لدعم اتخاذ القرار السريري القابل للتفسير.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إن الدماغ البشري عبارة عن شبكة هائلة من الإشارات الكهربائية، التي تطلق أنماطاً باستمرار تملي كل شيء، بدءاً من الفكرة وصولاً إلى الحركة. وعندما يصبح هذا النشاط الكهربائي فوضوياً وغير منضبط، يمكن أن يؤدي ذلك إلى الصرع، وهو حالة تسبب فيها النوبات المفاجئة اضطراباً في حياة الشخص. ولفهم هذه الأحداث وإدارتها، يعتمد الأطباء على تخطيط كهربائية الدماغ، أو ما يعرف بـ EEG، وهي طريقة غير جراحية تضع مستشعرات على فروة الرأس لتسجيل الإيقاع الكهربائي للدماغ. ويكمن التحدي في التعقيد الشديد لهذه الإشارات؛ فهي مليئة بالضجيج، وتتغير بسرعة، وتتفاوت بشكل هائل من شخص لآخر. وعلى مدى عقود، حاول الباحثون استخدام برامج حاسوبية لتحديد الفرق تلقائياً بين دماغ على وشك التعرض لنوبة ونخر في حالة نوبة بالفعل. وبينما حقق الذكاء الاصطناعي الحديث خطوات كبيرة في قراءة هذه الإشارات، إلا أن الحواسيب نفسها غالباً ما تكون متقلبة؛ إذ تعتمد قدرتها على التعلم بشكل كبير على مجموعة من الإعدادات الداخلية، تماماً مثل الأقراص الموجودة في راديو معقد. فإذا لم يتم ضبط هذه الأقراص في الوضع الصحيح تماماً، فقد يغفل الحاسوب عن نوبة أو يطلق إنذاراً كاذباً. ويعد العثور على المزيج المثالي من هذه الإعدادات أمراً صعباً لأنها كثيرة جداً، واختبار كل الاحتمالات يستغرق وقتاً هائلاً وقدرة حوسبية ضخمة.
في دراسة جديدة، طور باحثون من جامعة سيلكون (Silicon University) وجامعة SRM طريقة أكثر ذكاءً لضبط هذه الإعدادات، بهدف جعل اكتشاف النوبات أكثر موثوقية. وقد ركزوا على نوع محدد من بنيات الذكاء الاصطناعي التي تجمع بين تقنيات تعلم مختلفة لتحليل بيانات تخطيط كهربائية الدماغ (EEG). وبدلاً من ترك الحاسوب يخمن الإعدادات الأفضل عشوائياً أو الاعتماد على طريقة واحدة لإيجادها، ابتكر الفريق نظاماً هجيناً يمزج بين نهجين متميزين. يتمثل أحد النهجين في طريقة إحصائية تحدد نطاق البحث عن الإعدادات الجيدة بكفاءة، بينما يتمثل الآخر في تقنية تعلم تكيف استراتيجيتها بناءً على النجاحات والإخفاقات السابقة. ومن خلال تعليم هذين الأسلوبين العمل معاً، أنشأ الباحثون نظاماً يمكنه التنقل في المشهد المعقد للإعدادات بفعالية أكبر مما يمكن لأي منهما فعله بمفرده.
اختبر الفريق نظامه الجديد باستخدام مجموعة كبيرة من موجات الدماغ المسجلة للأطفال المصابين بالصرع، وهي مجموعة بيانات تعد مورداً قياسياً لهذا النوع من الأبحاث. قاموا أولاً بتنقية الإشارات الخام وتفكيكها إلى مكونات زمنية-ترددية محددة، وهو ما يعني أساساً ترجمة الضجيج الكهربائي الفوضوي إلى تنسيق يمكن للحاسوب فهمه بوضوح. ثم قاموا بتغذية هذه البيانات في نموذج الدماغ الذي بنوه خصيصاً، والذي يستخدم طبقات من المعالجة لتحديد الأنماط المرتبطة باللحظات التي تسبق النوبة واللحظات التي تقع خلالها. وكان جوهر ابتكارهم هو "المُحسِّن الهجين" (hybrid optimizer)، الذي عمل كدليل للنموذج؛ فبينما كان النموذج يتدرب، كان هذا الدليل يضبط الأقراص الداخلية باستمرار، ويتعلم أي التعديلات تؤدي إلى نتائج أفضل وأيها يؤدي إلى طرق مسدودة.
أظهرت النتائج أن هذا النهج المدمج كان أكثر فعالية بشكل ملحوته من استخدام أي من الطريقتين بشكل منفرد. فقد حقق النظام الهجين دقة تصنيف بلغت 93.10%، مما يعني أنه حدد حالة الدماغ بشكل صحيح في أكثر من تسع حالات من أصل عشر. كما سجل درجة قدرها 0.9774 على مقياس يقيس مدى قدرة النظام على التمييز بين الحالتين، وهو رقم تجاوز أداء الطرق المستقلة. وعلاوة على مجرد الأرقام النهائية، لاحظت الدراسة أن النظام الهجين تعلم بشكل أسرع واستقر على أفضل الإعدادات بشكل أكثر ثباتاً؛ حيث كانت الطرق المستقلة غالباً ما تتذبذب، وتستغرق وقتاً أطول لإيجاد حل مستقر أو تقع في تكوينات أقل مثالية، بينما تحرك النظام الجديد نحو الحل الأفضل بسرعة واتساق أكبر.
ولضمان أن الحاسوب لا يخمن بشكل صحيح عن طريق الصدفة، نظر الباحثون أيضاً داخل النموذج لمعرفة ما الذي يولي له اهتماماً. وباستخدام أدوات مصممة لجعل الذكاء الاصطناعي شفافاً، حددوا أي أجزاء من إشارات الدماغ كانت الأكثر تأثيراً في القرار النهائي. وأكدت هذه الأدوات أن النموذج كان يركز على أنماط ذات معنى في البيانات بدلاً من الضجيج العشوائي. وهذه الخطوة حاسمة للتطبيقات الطبية، حيث يحتاج الأطباء إلى الثقة في أن تشخيص الحاسوب مبني على أدلة فسيولوجية حقيقية. وقد وجدت الدراسة أن قرارات النموذج كانت مدفوعة بالفعل بخصائص الإشارة الهامة، مما يضفي مصداقية على تنبؤاته.
ويقر الباحثون بأنه على الرغم من أداء نظامهم بشكل جيد على مجموعة البيانات المحددة التي استخدموها، إلا أنه لم يتم اختباره بعد على مجموعة متنوعة أوسع من المرضى أو في بيئة سريرية في الوقت الفعلي. إن العمل الحالي هو بمثابة "إثبات مفهوم" يوضح إمكانية دمج استراتيجيات تحسين مختلفة لتحسين كيفية تعلم الآلات من إشارات الدماغ. ويقترحون أن العمل المستقبلي قد يتضمن اختبار النظام على مجموعات أكبر وأكثر تنوعاً من الناس، وتحسين العملية لتعمل بسرعة كافية للمراقبة في الوقت الفعلي. وفي الوقت الحالي، تقدم الدراسة مساراً واعداً، مظهرةً أنه من خلال تعليم الذكاء الاصطناعي أن يكون أكثر قدرة على التكيف في كيفية تعلمه، يمكننا بناء أدوات تكون مجهزة بشكل أفضل للمساعدة في إدارة تعقيدات الصرع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.