A Hybrid Deep-Quantum Framework for Robust Stress Classification from EEG Signals

يعتبر الدماغ البشري شبكة واسعة ونابضة من الإشارات الكهربائية، التي تتغير باستمرار بينما نفكر ونشعر ونتفاعل مع العالم. لعقود من الزمن، حاول العلماء قراءة هذه الإشارات لفهم حالتنا الذهنية، لا سيما للكشف عن التوتر قبل أن يؤدي إلى مشكلات صحية خطيرة. ومن أكثر الطرق المباشرة للاستماع إلى هذا الثرثرة الداخلية هو تخطيط كهربية الدماغ، أو ما يعرف بـ EEG، وهي طريقة تضع مستشعرات على فروة الرأس لتسجيل النشاط الكهربائي للدماغ في الوقت الفعلي. ومع ذلك، فإن هذه الإشارات فوضوية للغاية؛ فهي عابرة، وعرضة للتداخل الناتج عن رمش العين أو حركات العضلات، وتتغير بسرعة كبيرة لدرجة أن البرامج الحاسوبية التقليدية غالباً ما تجد صعوبة في إيجاد أنماط واضحة وسط الضجيج. وبينما تحسنت النماذج الحاسوبية القياسية في فرز هذه البيانات، إلا أنها تصطدم أحياناً بحائط مسدود عندما تكون الأنماط شديدة التعقيد أو عندما تكون مجموعات البيانات صغيرة جداً لتدريبها بفعالية.

هنا يبرز نهج جديد، يحاول سد الفجوة بين التعقيد البيولوجي للدماغ والقدرات الفريدة للحوسبة الكمومية. تعمل الحواسيب الكمومية، التي لا تزال في مراحل تطويرها الأولى، وفق مبادئ تسمح لها بمعالجة المعلومات بطرق لا تستطيع الحواسيب الكلاسيكية القيام بها، مثل استكشاف احتمالات عديدة في آن واحد. ويتساءل الباحثون الآن عما إذا كان يمكن تعليم هذه الآلات التعرف على البصمات الدقيقة للتوتر في موجات الدماغ بشكل أفضل من البرمجيات الحالية الأفضل. وقد اتخذ فريق من العلماء في مركز تطوير الحوسبة المتقدمة في الهند خطوة مهمة في الإجابة على هذا السؤال؛ إذ لم يقوموا ببساطة بتوصيل بيانات الدماغ الخام بآلة كمومية، بل بنوا نظاماً هجيناً يستخدم شبكة تعلم عميق قياسية لتنظيف وتنظيم البيانات قبل تسليمها إلى مصنف كمومي. ويشير عملهم إلى أن هذا الجمع يمكن أن يتفوق بالفعل على الأساليب التقليدية، ولكن فقط إذا تم إعداد البيانات بعناية فائقة وضبط النظام الكمومي وفق ظروف محددة للغاية.

بدأ الباحثون بجمع بيانات حديثة من مشاركين بشريين خضعوا لسلسلة من المهام المحفزة للتوتر تحت ظروف مضبوطة. فقد تعرض المشاركون لتحديات الحساب الذهني، واختبارات الكلمات والألوان الصعبة، وحتى مقاطع فيديو مخيفة لإثارة استجابات توتر حقيقية، بالتناوب مع فترات من الاسترخاء الهادئ. وخلال هذه الجلسات، سجل الفريق نشاط الدماغ المستمر من ثماني مناطق محددة في فروة الرأس معروفة بدورها في العمليات العاطفية والإدراكية. ولأن إشارات الدماغ الخام مليئة بالتشويش والشوائب، استخدم الفريق أولاً نموذج تعلم عميق متخصص، وهو نوع من الذكاء الاصطناعي المصمم للتعرف على الأنماط في المتواليات، ليعمل كمرشح. لم يكتفِ هذا النموذج بتنظيف البيانات فحسب، بل قام أيضاً بضغط موجات الدماغ المعقدة وعالية الأبعاد إلى مجموعة أصغر وأكثر قابلية للإدارة من الأرقام التي تلتقط الاختلافات الجوهرية بين الدماغ المجهد والدماغ الهادئ.

بمجرد تقطير البيانات إلى هذه الميزات الموجزة، مرر الفريق هذه البيانات إلى مصنف متجه دعم كمومي (Quantum Support Vector Classifier). وهذا هو النسخة الكمومية من أداة تعلم آلي كلاسيكية تُستخدم لرسم خطوط فاصلة بين مجموعات مختلفة من البيانات. في هذه التجربة، قام المصنف الكمومي برسم ميزات الدماغ المضغوطة في فضاء رياضي عالي الأبعاد حيث يمكنه البحث عن صلات دقيقة قد تفوتها الحواسيب القياسية. واختبر الفريق هذا النظام الهجين مقابل نهجين آخرين: نموذج تعلم عميق قياسي يحاول القيام بالمهمة بأكمله بمفرده، وخوارزمية حاسوبية تقليدية. وقد أجروا التجارب باستخدام كميات مختلفة من البيانات وطرق مختلفة لتوسيع نطاق الأرقام لمعرفة كيفية سلوك النظام تحت ظروف متنوعة.

أظهرت النتائج أن النهج الهجين كان الأكثر فعالية، ولكنه تطلب إعداداً دقيقاً ليعمل. فعندما استخدم الباحثون عدداً محدداً من الميزات المضغوطة وقاموا بتوسيع نطاق البيانات ليكون بين الصفر والواحد، حقق النموذج الهجين دقة بلغت 81.00 بالمائة في التمييز بين حالات التوتر والهدوء. وكان هذا تحسناً واضحاً عن نموذج التعلم العميق القياسي، الذي وصل إلى حوالي 78.85 بالمائة، والخوارزمية التقليدية، التي حققت حوالي 76.80 بالمائة. وأثبت النظام الهجين كفاءة خاصة في التعلم من البيانات؛ فمع زيادة عدد الأمثلة التدريبية من 500 إلى 1,000، قفز أداء المصنف الكمومي بشكل كبير، في حين لم تظهر النماذج التقليدية سوى مكاسب طفيفة. وهذا يشير إلى أن النظام الكمومي أكثر كفاءة في استخراج القيمة من نقاط البيانات الإضافية.

ومع ذلك، كشفت الدراسة أيضاً أن هذه الميزة الكمومية هشة وتعتمد بشدة على كيفية إعداد البيانات. فقد وجد الباحثون أن طريقة توسيع النطاق المستخدمة لإعداد الأرقام كانت حاسمة. فعندما قاموا بتوسيع نطاق البيانات ليكون بين سالب واحد وواحد، انخفضت دقة النموذج الكمومي بمقدار 16 نقطة مئوية، لتصل إلى مستوى أداء أسوأ من الطرق التقليدية. وفي المقابل، لم تتأثر النماذج الحاسوبية القياسية بهذا التغيير في توسيع النطاق. وهذا يشير إلى أن المصنف الكمومي ليس مجرد أداة عامة، بل هو نظام فيزيائي يتطلب أن يتطابق مدخله تماماً مع بنيته الرياضية الداخلية. فإذا لم تكن البيانات متوافقة مع الطريقة التي تعالج بها الآلة الكمومية المعلومات، فإن النظام يفشل في إيجاد الأنماط المصمم لرؤيتها.

كما استكشف الفريق كيف يؤثر حجم مجموعة الميزات المضغوطة على النتيجة. فقد اختبروا أنظمة تحتوي على أربع، وثماني، واثنتي عشرة ميزة. وكان النظام المكون من ثماني ميزات هو الأفضل أداءً، حيث حقق توازناً جعل النظام معقداً بما يكفي لالتقاط التفاصيل الضرورية وبسيطاً بما يكفي لتدريبه بفعالية. وعندما زادوا الميزات إلى اثنتي عشرة، لم يتحسن الأداء أكثر من ذلك؛ بل في الواقع، مع استخدام توسيع النطاق الخاطئ، كان النظام الأكبر يؤدي بشكل سيء. وهذا يشير إلى أن مجرد إضافة المزيد من التعقيد أو المزيد من "الكيوبتات" (Qubits) إلى النظام الكمومي لا يؤدي تلقائياً إلى نتائج أفضل. بدلاً من ذلك، هناك منطقة وسطى مثالية يكون فيها النظام تعبيرياً بما يكفي لإيجاد الإجابة، وبسيطاً بما يكفي للتعلم من البيانات المتاحة دون ارتباك.

أجريت الدراسة باستخدام محاكيات كمومية، وهي حواسيب كلاسيكية مبرمجة لمحاكاة سلوك الآلات الكمومية، بدلاً من الأجهزة الكمومية الفعلية. وهذا يعني أن النتائج تعكس الإمكانات النظرية لهذه التكنولوجيا في بيئة خالية من الضجيج، بدلاً من التحديات التي تواجهها الأجهزة الكمومية في العالم الحقيقي والتي قد تتأثر بالتداخل والأخطاء. وبالرغم من هذا القصور، فإن النتائج تقدم خارطة طريق واضحة لكيفية بناء هذه الأنظمة. لقد أثبت الباحثون أن البنية الهجينة، حيث يعمل نموذج التعلم العميق كمرشح متطور لمصنف كمومي، يمكن أن تخلق معيار أداء لتحليل الإشارات الفسيولوجية.

في نهاية المطاف، يوضح هذا العمل أن الطريق نحو استخدام الحوسبة الكمومية في التطبيقات الطبية لا يكمن في استبدال الأدوات الموجودة، بل في دمجها بطريقة تحترم نقاط قوة كل منها. فمكون التعلم العميق يتعامل مع البيانات الفوضوية من العالم الحقيقي، بينما يوفر المكون الكمومي طريقة جديدة قوية لتصنيف المعلومات المنقحة. وقد اعتمد نجاح النظام كلياً على المواءمة الدقيقة للبيانات مع متطلبات الآلة الكمومية، مما يثبت أنه في العصر الحالي من التكنولوجيا المتطورة، فإن جودة الإعداد لا تقل أهمية عن قوة المعالج. وتخلص الدراسة إلى أنه مع التكوين الصحيح، وتحديداً باستخدام عدد متوسط من الميزات وتوسيع نطاق دقيق، يمكن للأطر الهجينة (العميقة-الكمومية) أن توفر ميزة ملموسة في اكتشاف التوتر، مما يمهد الطريق لأدوات أكثر موثوقية وحساسية لمراقبة الصحة العقلية.