EEG-Conformer for EEG Decoding: A Participant-Wise Evaluation and Ablation Study Across Three Datasets

يعتبر الدماغ البشري محركاً مستمراً من النشاط الكهربائي، حيث تطلق فيه إشارات صغيرة عبر شبكة واسعة من الخلايا العصبية. وللاستماع إلى هذا الحوار دون فتح الجمجمة، يستخدم العلماء طريقة تسمى تخطيط كهربائية الدماغ، أو EEG. حيث يضعون غطاءً من المستشعرات على فروة الرأس لالتقاط هذه التموجات الكهربائية الخافتة. والهدف هو فك تشفير ما يفكر فيه الدماغ أو ما يفعله بمجرد قراءة هذه الأنماط، وهو مجال يُعرف باسم واجهة الدماغ والحاسوب. لسنوات، اعتمد الباحثون على برامج حاسوبية قياسية، تعتمد غالباً على الشبكات العصبية الالتفافية، لترجمة هذه الإشارات الفوضوية إلى أوامر. وهذه البرامج جيدة في رصد الأنماط المحلية، مثل إيقاع معين يظهر في بقعة واحدة من الرأس. ومع ذلك، فإن الدماغ هو أيضاً مكان للاتصالات بعيدة المدى، حيث يمكن للنشاط في منطقة ما أن يؤثر على منطقة أخرى بعيدة. ولتجسيد ذلك، تم تقديم نوع أحدث من النماذج الحاسوبية يسمى "المحول" (Transformer). وهو مصمم للنظر إلى الصورة الكاملة دفعة واحدة، وربط الإشارات البعيدة لفهم السياق الأكبر. والسؤال الكبير الذي يشغل العلماء هو ما إذا كان إضافة هذا التفكير المعقد بعيد المدى إلى مطابقة الأنماط المحلية الأبسط يساعد حقاً، أم أنه يضيف فقط وزناً غير ضروري للنظام.

لقد شرع فريق من الباحثين في جامعة كونيانغ في الإجابة على هذا السؤال من خلال تحقيق دقيق على أرض الواقع. لم يخترعوا آلة جديدة؛ بل أخذوا نموذجاً موجوداً بالفعل يسمى EEG-Conformer، والذي يجمع بين مطابقة الأنماط المحلية والتفكير بعيد المدى، وأخضعوه لاختبار جهد صارم. أرادوا معرفوا ما إذا كانت التعقيدات الإضافية تحسن حقاً القدرة على قراءة الدماغ، أم أن الطرق الأقدم والأبسط كانت جيدة بنفس القدر. كما اختبروا ما إذا كان إضافة بيانات من مستشعر حركة صغير، وهو مقياس التسارع، سيساعد الحاسوب على فهم الدماغ بشكل أفضل، أم أن هذه المعلومات الإضافية كانت مجرد ضجيج. وللقيام بذلك، جمعوا مجموعة جديدة من التسجيلات من 48 متطوعاً سليماً. ارتدى كل شخص سماعة رأس بها تسعة عشر مستشعراً على فروة رأسه وثلاثة مستشعرات حركة على جسده. قام المتطوعون بثلاث مهام بسيطة: الجلوس مع فتح العينين، والجلوس مع إغلاق العينين، ورفع أذرعهم في الهواء لفترة مستمرة. سجل الباحثون موجات الدماغ هذه بسرعة عالية جداً، حيث التقطوا 500 لقطة للنشاط الكهربائي في كل ثانية.

بعد ذلك، قام الباحثون بتغذية هذه البيانات في النماذج الحاسوبية لمعرفة مدى جودة تخمينهم للمهمة التي يقوم بها الشخص. في اختبار واحد لمرة واحدة، تفوق النموذج المعقد ذو التفكير بعيد المدى قليلاً على النماذج الأقدم والأبسط، حيث وصل إلى دقة تقارب 67 بالمئة. بدا الأمر وكأنه انتصار صغير للتكنولوجيا الجديدة. ومع ذلك، أدرك الباحثون أن اختباراً واحداً يمكن أن يكون مضللاً، تماماً مثل الحكم على مهارة لاعب بناءً على مباراة واحدة فقط. وللحصول على القصة الحقيقية، كرروا التجربة مرات عديدة، مع توزيع المشاركين في مجموعات مختلفة وبدء عملية التعلم للحاسوب بإعدادات عشوائية مختلفة. وعندما فعلوا ذلك، تغيرت الصورة. فقد تضاءل التفوق الصغير الذي أظهره النموذج المعقد في الاختبار الأول أو أصبح ضئيلاً جداً. في الواقع، عندما نظروا إلى البيانات عبر العديد من التوزيعات المختلفة، كان النموذج المعقد أكثر دقة بنسبة 0.7 بالمئة فقط من النموذج الأبسط، وهو فرق ضئيل جداً يكاد لا يُلاحظ في مواجهة التباين الطبيعي بين أدمغة البشر المختلفين.

كما فحصت الدراسة دور مستشعرات الحركة. في الاختبار الواحد والوحيد، أدى إزالة مستشعرات الحركة بشكل مفاجئ إلى جعل الحاسوب يعمل بشكل أفضل، مما يشير إلى أن بيانات الحركة كانت تربك النظام. ولكن عندما كرر الباحثون الاختبارات المتكررة، انقلت النتيجة. إذ أدى إزالة مستشعرات الحركة في الواقع إلى جعل الحاسوب أسوأ قليلاً، حيث انخفضت الدقة بنسبة 1.2 بالمئة تقريباً. أظهر هذا الانقلاب أن النتيجة الأولى كانت ضربة حظ ناتجة عن كيفية تقسيم البيانات في تلك المرة تحديداً. كانت مستشعرات الحركة تحتوي بالفعل على معلومات مفيدة عن الحركة، لكن الفائدة كانت صغيرة ولم تظهر إلا عند تشغيل الاختبار عدة مرات لمتوسط الحظ. كما اختبر الباحثون ما إذا كانت السرعة العالية لتسجيلهم، أي 500 لقطة في الثانية، ضرورية. فقد قاموا بإبطاء البيانات إلى 125 لقطة في الثانية ووجدوا أن قدرة الحاسوب على قراءة الدماغ لم تنخفض بشكل كبير. وهذا يشير إلى أن الإشارات الكهربائية للدماغ لهذه المهام لا تحتاج إلى التقاطها بهذه السرعة العالية ليتم فهمها، وأن التفاصيل الدقيقة للتسجيل السريع لم تكن هي مفتاح النجاح.

ولعل الجزء الأكثر كشفاً في الدراسة كان كيفية تعامل الحاسوب مع المهام المختلفة. كان النموذج ممتازاً في التمييز بين حالة فتح العينين وإغلاق العينين، حيث حدد الحالة بشكل صحيح بنسبة 91 بالمئة تقريباً. وذلك لأن إغلاق العينين يخلق إيقاعاً قوياً ومعروفاً في الجزء الخلفي من الدماغ يسهل رصده. ومع ذلك، واجه النموذج صعوبة في التمييز بين حالة فتح العينين ومهمة رفع الذراعين. فقد خلط بين هاتين الحالتين بنسبة 40 بالمئة تقريباً. أدرك الباحثون أن رفع الذراعين يتضمن حركة عضلية، مما يخلق ضجيجاً كهربائياً يشبه إلى حد كبير نشاط الدماغ أثناء الجلوس مع فتح العينين. ولأن الدراسة لم تسجل إشارات العضلات بشكل منفصل أو تستخدم طرقاً خاصة لإزالة ضجيج العضلات، فمن المرجح أن الحاسوب كان يلتقط حركة عضلات الذراع والكتف بدلاً من إشارات الدماغ المحددة للمهمة. وهذا يعني أن الحاسوب لم يكن حقاً "يقرأ عقل" حركة الذراع، بل كان يتفاعل مع الحركة الجسدية.

خلصت الدراسة إلى أن الحماس المحيط بإضافة التفكير المعقد بعيد المدى إلى حواسيب قراءة الدماغ قد يكون مبالغاً فيه لهذه المهام المحددة. فالنماذج الأبسط والأقدم أدت بشكل جيد تقريباً مثل النماذج المعقدة، ولم تقدم المكونات الإضافية سوى دفعة صغيرة وغير متسقة تعتمد بشدة على كيفية اختبار البيانات. وأكد الباحثون أن الطريقة التي تقسم بها البيانات مهمة للغاية. فإذا كنت تختبر الحاسوب من خلال إعطائه بعض المحاولات ليتعلم منها، ومحاولات أخرى لنفس الشخص ليخمنها، سيبدو الحاسوب أكثر ذكاءً لأنه قد رأى بالفعل أنماط دماغ ذلك الشخص. ولكن عندما تختبره على أشخاص جدد تماماً لم يسبق له رؤيتهم، ينخفض الأداء وتتقلص الفروق بين النماذج. وتعد هذه الدراسة بمثابة تذكير بأنه في السعي لفك تشفير الدماغ البشري، ليست الأدوات الأكثر تقدماً هي الأفضل دائماً، وأن الاختبار الدقيق والمتكرر هو السبيل الوحيد لمعرفة ما إذا كانت الفكرة الجديدة هي اختراق حقيقي أم مجرد تخمين محظوظ.