إطار هجين كمومي‑تقليدي لمعالجة إشارات تخطيط الدماغ الكهربائي في تصنيف النوبات الصرعية

لماذا تهمك موجات الدماغ وتقنية الكم

يمكن أن تأتي النوبات الصرعية دون سابق إنذار، مما يعطل الحياة اليومية والعمل والاستقلالية. يعتمد الأطباء على تسجيلات تخطيط الدماغ الكهربائي (EEG) — إشارات كهربائية دقيقة من فروة الرأس — لرصد علامات الخطر المبكرة. لكن هذه الإشارات مليئة بالضوضاء ومعقدة، وحتى البرامج الحاسوبية المتقدمة قد تفوِّت أنماطاً مهمة. تقدّم هذه الدراسة طريقة جديدة لقراءة موجات الدماغ تمزج أفضل أدوات التعلم العميق الحالية مع أفكار مستعارة من الحوسبة الكمومية، بهدف تحقيق اكتشاف للنوبات أسرع وأكثر موثوقية قد يدعم يوماً المراقبة في الوقت الحقيقي على رأس السرير أو في المنزل.

تحويل موجات الدماغ إلى صور

الخطوة الأولى في نهج الباحثين هي تغيير طريقة النظر إلى EEG. بدلاً من إدخال الخطوط المتعرجة الخام مباشرة إلى نموذج حاسوبي، يحولون كل مقطع من EEG إلى "سكالوغرام" ملون يبيّن الترددات زمنياً. تُظهر هذه العملية، المسماة تحويل الموجة المستمر (Continuous Wavelet Transform)، أي الإيقاعات تظهر في أي لحظات، كاشفةً عن اندفاعات قصيرة وتموُّجات سريعة غالباً ما تشير إلى نشاط نوبَي. من خلال تحويل البيانات إلى صور، يستفيد الأسلوب من أدوات قوية صُمّمت أصلاً للرؤية الحاسوبية، مما يسمح بالتقاط الأنماط المكانية والزمانية بوضوح أكبر ويجعل نشاط الدماغ أسهل في التفسير.

دمج ثلاث محركات ذكية في نموذج واحد

اعتماداً على صور EEG هذه، يبني الفريق شبكة هجينة يسمونها "محول الرؤية الكمومي" (QViT). تجمع بين ثلاث محركات مختلفة لاكتشاف الأنماط. تبحث شبكة عصبية التفافية (CNN) عن الأشكال والملمس المحلي في الصور، مثل النتوءات الحادة أو تغيُّرات الطاقة. يفحص محول الرؤية (vision transformer) الصورة بأكملها دفعة واحدة، متعلمًا العلاقات بعيدة المدى والسياق الذي يتكشف عبر الزمن. المحرك الثالث هو طبقة صغيرة مستوحاة من الكم، تعتمد على دوائر كمومية محاكاة، ومصممة لالتقاط علاقات دقيقة وعالية الرتبة قد يصعب على الشبكات التقليدية نمذجتها. معاً تُنتج هذه الفروع تمثيلاً مشتركاً غنياً يزود مُصنِّفاً نهائياً مهمته تقرير ما إذا كان مقطع EEG معينا يعكس نوبة أم لا.

كيف تدخل أفكار الكم في الصورة

يأخذ الجزء المستوحى من الكم في النموذج مجموعة مدمجة من الأعداد من الطبقات السابقة ويشفرها في بتات كمومية مُحاكية، أو كيوبتات. ضمن هذا الفضاء، تُحوّل البيانات بتسلسل من عمليات الدوران والتشابك، ثم تُقاس لإنتاج ميزات جديدة. على الرغم من أن الدراسة تعمل كلياً على محاكي كمومي بدلاً من عتاد كمومي حقيقي، فإنها تستخدم نفس المبادئ: إمكانية استكشاف حالات متعددة في آن واحد، وتمثيل الترابطات عبر البيانات بطرق يصعب محاكاتها بطبقات تقليدية. تُدمج هذه الميزات المستمدة من الكم بعد ذلك مع مخرجات الـCNN والمحولة، مما يساعد النظام المدمج على رسم حدود أوضح بين نشاط النوبة ونشاط ما دون نوبة.

الاختبار على بيانات نوبات حقيقية

للتأكد مما إذا كان هذا التصميم الهجين يُحدث فرقاً عملياً، قيّم الباحثون QViT على مجموعتين مستخدمتين على نطاق واسع في أبحاث الصرع: مجموعتا CHB‑MIT وBonn. قسّموا البيانات إلى مجموعات تدريب واختبار، ووازنوا بعناية أمثلة النوبات وغير النوبات، وطبقوا زيادة بيانات مكثفة لكن مُتحكم بها لمحاكاة التباين في العالم الحقيقي دون تشويه نشاط الدماغ الأساسي. أثناء التدريب استخدموا حيل تحسين حديثة — مثل معدلات تعلم تكيفية، وتنعيم الوسوم، وإيقاف مبكّر — لمنع الإفراط في التكيّف. حقق النظام النهائي نحو دقة 99% ودرجات F1 مرتفعة مماثلة على بيانات الاختبار، مع عدد قليل جداً من الإنذارات الكاذبة أو النوبات الفائتة. أشارت فحوص إضافية، بما في ذلك منحنيات الموثوقية وخرائط بصرية لمجال الميزات المتعلم، إلى أن درجات ثقة النموذج مضبوطة جيداً وأن إشارات النوبة وغير النوبة تشكل عناقيد منفصلة بوضوح في تمثيله الداخلي.

ما الذي قد يعنيه هذا للرعاية المستقبلية

بالنسبة للمرضى والأطباء، تشير هذه النتائج إلى جيل محتمل من أدوات اكتشاف النوبات أكثر دقة وأكثر موثوقية. من خلال دمج صور زمن‑تردد مفصّلة لنشاط الدماغ مع وحدات تعلم عميق تكميلية وطبقة مستوحاة من الكم، يقدم الإطار أداءً قوياً دون التضحية بقابلية التفسير: لا يزال بإمكان الأطباء ربط القرارات بأنماط EEG المألوفة. بينما يعمل العمل الحالي على محاكٍ كمومي ويركز على قرار بسيط بنعم أم لا حول وجود نوبة، يمكن توسيع نفس الأفكار لتمييز بين أنواع نوبات مختلفة أو لتشغيلها بشكل مستمر على أجهزة قابلة للارتداء. على المدى الطويل، قد تساعد النهج الهجينة الكمومية‑التقليدية مثل هذا في تحويل موجات الدماغ الخام إلى تنبيهات قابلة للتنفيذ وفي الوقت المناسب تُحسّن السلامة وجودة الحياة للأشخاص الذين يعيشون مع الصرع.

الاستشهاد: Padmaja, B., Maram, B., Raheem, A.K.A. et al. Hybrid quantum classical framework for electroencephalogram driven neurological processing in epileptic seizure taxonomy. Sci Rep 16, 5305 (2026). https://doi.org/10.1038/s41598-026-36121-0

الكلمات المفتاحية: النوبات الصرعية, تحليل تخطيط الدماغ الكهربائي, تعلم مستوحى من الكم, الشبكات العصبية العميقة, اكتشاف النوبات