إطار متعدد الكتل تكراري لاكتشاف الاضطرابات العصبية باستخدام EEG عالي التردد

لماذا تهم موجات الدماغ للتشخيص المبكر

غالبًا ما يتسبب مرضا الزهايمر وباركنسون في تلف الدماغ قبل سنوات من ظهور الأعراض بوضوح، لكن الأطباء لا يزالون يفتقرون إلى أدوات سريعة وموثوقة للقبض عليهما مبكرًا. تعرض هذه الدراسة طريقة جديدة لقراءة موجات الدماغ المسجلة بتخطيط كهربائية الدماغ (EEG) تركز على أسرع إيقاعات الدماغ. من خلال تنقية هذه الإشارات الصاخبة بعناية وإدخالها في نظام ذكاء اصطناعي قابل للتفسير، يبيّن المؤلفون أن من الممكن اكتشاف المشكلات العصبية بدقة تضاهي، وأحيانًا تتجاوز، العديد من النهج الحالية.

الاستماع إلى أسرع إيقاعات الدماغ

يسجل EEG تغيرات صغيرة في الجهد من فروة الرأس مع نشاط شبكات الخلايا العصبية. تقليديًا، ركز الأطباء والباحثون في الغالب على الإيقاعات الأبطأ، مثل موجات ألفا وثيتا. لكن الأدلة المتزايدة تشير إلى أن النشاط عالي التردد «غامّا»، فوق حوالي 30 هرتز، يمكن أن يكشف عن علامات مبكرة للأمراض، بدءًا من مشاكل الذاكرة الطفيفة إلى اضطرابات الحركة. للأسف، تُدفَن هذه الإشارات السريعة بسهولة تحت تقلصات العضلات وغمزات العين والضوضاء الكهربائية. تعمل الأدوات القياسية، مثل تحويلات فورييه والمويجات المألوفة، بشكل أفضل عندما تكون الإشارات مستقرة مع مرور الوقت، وهو ما لا ينطبق على EEG الحقيقي. ونتيجة لذلك، كان من الصعب استخراج الكثير من التفاصيل السريرية المفيدة في النشاط العالي التردد وسهلاً تفسيرها خطأً.

تنقية إشارات الدماغ الصاخبة

لمعالجة ذلك، يصمم المؤلفون «سلسلة معالجة» متعددة المراحل تعامل تحليل EEG أشبه بخط إنتاج مُصمم بعناية بدل الاعتماد على خوارزمية سحرية واحدة. أولاً، يستخدمون نهجًا يسمى تحويل هيلبرت–هوانغ مدموجًا مع تحليل تعديلي لتفكيك الوضع التجريبي (EMD). ببساطة، تقوم هذه الطريقة بتقسيم الإشارة المعقدة تلقائيًا إلى مكونات أبسط تتبع تقلبات الدماغ الفعلية بصورة أفضل. ثم تلغي المكونات التي تتصرف كضوضاء—بناءً على انخفاض طاقتها وتعقيدها—مع الحفاظ على التذبذبات السريعة في نطاق غامّا. يحسّن هذا الترشيح ذو المرحلتين نسبة الإشارة إلى الضوضاء بشكل كبير، محولًا أثرًا خامًا مزدحمًا إلى تمثيل أنظف للنشاط الدماغي عالي التردد يكون أكثر احتمالًا أن يعكس أحداثًا عصبية حقيقية بدل الآثار الشاردة.

العثور على الأنماط الأكثر دلالة

بعد تنظيف الإشارات، يركز الإطار على الميزات الأكثر معلوماتية. يقسم تحويل حزمة المويج كل مكوّن EEG إلى نطاقات ترددية متعددة، ويقيّم مقياس يسمى إنتروبيا شانون مدى تعقيد كل نطاق وأثره المعلوماتي. تُستبعد النطاقات ذات الدرجات المنخفضة—التي تضيف تكرارًا أكثر من البصيرة—مما يقلّص مجموعة الميزات بنحو 60٪ مع الاحتفاظ بحوالي 95٪ من المعلومات السريرية ذات الصلة. والأهم أن النظام لا يعتمد على EEG وحده. تُحاذى التفاصيل السريرية مثل العمر والجنس والتاريخ المرضي حسابيًا مع ميزات EEG باستخدام تقنية تسمى تحليل الارتباط القانوني (CCA). تنتج هذه الدمج مساحة مشتركة حيث تصبح الروابط الدقيقة بين نشاط الدماغ والسياق السريري أكثر قابلية للاكتشاف بواسطة الحاسوب.

كيف يتعلم الذكاء الاصطناعي من موجات الدماغ

ثم تُحلل البيانات المندمجة بواسطة نموذج تعلم عميق مُصمم خصيصًا للإشارات الدماغية المتغيرة زمنياً. تجمع البنية بين طبقات التفافية، التي تفحص الأنماط المحلية عبر القنوات والنطاقات الترددية، وطبقات تكرارية تتتبع كيف تتطور هذه الأنماط ثانيةً بعد ثانية. تُعطي آلية «الانتباه» وزنًا أعلى لشرائح زمنية تبدو أكثر تشخيصًا—تمامًا كما يركز الطبيب على اندفاع نشاط مريب في تسجيل. ولتجنب أن يكون النظام صندوقًا أسود، يتضمن أدوات قابلة للتفسير مثل Grad-CAM والتدرجات المتكاملة. تنتج هذه خرائط مرئية ودرجات تبرز أي الترددات والنوافذ الزمنية والمتغيرات السريرية أثرت أكثر في كل تنبؤ. في اختبارات على قاعدتين بيانات EEG عامتين كبيرتين، وصل الإطار إلى نحو 94٪ دقة، مع حساسية وخصوصية تفوقان 92٪، متفوقًا على عدة طرق مقارنة قوية.

ما الذي قد يعنيه هذا للمرضى

للشخص العادي، الخلاصة أن هذا العمل يوضح كيف يمكن لنظام ذكاء اصطناعي قابل للتفسير ومُدرج على مراحل أن يحول تسجيلات EEG المعقدة والمليئة بالضوضاء إلى رؤى واضحة وذات مغزى سريري. من خلال الاستفادة الأفضل من الإيقاعات الدماغية السريعة ودمجها مع معلومات المريض الروتينية، يكتشف الإطار علامات مبكرة لاضطرابات مثل الزهايمر وباركنسون بينما يوضح للأطباء سبب توصياته. رغم الحاجة إلى مزيد من الاختبار على بيانات EEG السريرية واليومية ومن أجهزة قابلة للارتداء، يشير هذا النهج إلى أدوات مستقبلية على مستوى السرير أو حتى للاستخدام المنزلي قد ترصد المشكلات العصبية مبكرًا، وتوجه قرارات العلاج، وتحسن في النهاية جودة الحياة لملايين المعرضين للأمراض التنكسية العصبية.

الاستشهاد: Agrawal, R., Dhule, C., Shukla, G. et al. Iterative multiblock framework for high frequency EEG based neurological disorder detection. Sci Rep 16, 5995 (2026). https://doi.org/10.1038/s41598-026-37126-5

الكلمات المفتاحية: EEG, الاضطرابات العصبية, مرض الزهايمر, مرض باركنسون, موجات الدماغ