التعرّف على العواطف المعتمد على الفيديو للأجهزة المحمولة المعتمدة على تخطيط الدماغ الكهربائي

لماذا قد تعرف مقاطع الفيديو كيف تشعر

تخيل مشاهدة إعلان فيلم بينما يستمع شريط خفيف على رأسك بهدوء إلى نشاط دماغك ويحزر ما إذا كنت تشعر بالسعادة أو الاسترخاء أو الحزن أو الخوف. تبحث هذه الدراسة في كيفية جعل هذا السيناريو واقعياً باستخدام جهاز موجات دماغية صغير ومحمول بدلاً من معدات مختبرية ضخمة. يهم هذا العمل أي شخص مهتم بوسائط أكثر ذكاءً: من المعلنين الذين يرغبون في فهم ردود فعل الجمهور، إلى منصات البث التي قد توصي بعروض بناءً على ما يشعر به المشاهدون فعلياً، لا فقط على ما ينقرون عليه.

قراءة المشاعر من موجات الدماغ

ينتج دماغنا إشارات كهربائية ضعيفة يمكن التقاطها عند فروة الرأس باستخدام تخطيط الدماغ الكهربائي (EEG). تتغير هذه الإشارات بشكل طفيف عندما نختبر مشاعر مختلفة. سجَّل مجموعة بيانات بحثية شهيرة، تُدعى DEAP، إشارات EEG للأشخاص أثناء مشاهدة مقاطع موسيقية ثم طُلِب منهم تقييم مدى المتعة، والشدة، والتحكم، ومدى الإعجاب بكل مقطع. حاولت معظم الدراسات السابقة استخراج أعلى دقة ممكنة باستخدام العديد من الأقطاب والحواسيب القوية، لكن تحت ظروف مختبرية مثالية لا تتطابق مع الواقع. تطرح هذه الورقة بدلاً من ذلك سؤالاً عملياً أكثر: هل يمكننا، باستخدام جهاز محمول منخفض التكلفة وأقطاب أقل، أن نستخلص ما يثيره الفيديو من عاطفة سائدة عبر عدد كبير من الناس؟

إيجاد قصة عاطفية مشتركة

أحد العقبات هو أن الناس لا يصفون مشاعرهم بنفس الطريقة. قد يصف مشاهدان مقطعاً واحداً، أحدهما بأنه "مثير" والآخر بأنه "مقبول فقط". يتعامل الباحثون مع هذا عبر بناء نظام معايرة للتسميات خطوة بخطوة يبحث عن أنماط عبر المشاهدين بدلاً من الاعتماد على تقييم شخص واحد. أولاً، تُوضع جميع التقييمات على مقياس مشترك وتُضغط إلى بعض الأبعاد الرئيسية. ثم تقوم خوارزميات التجميع غير الخاضعة للإشراف بتجميع الاستجابات العاطفية المتشابهة معاً، بهدف تقسيم المقاطع إلى أربع زوايا عاطفية واسعة: سعيد (ممتع وشديد)، مسترخٍ (ممتع وهادئ)، خائف (غير ممتع وشديد)، وحزين (غير ممتع وهادئ). مرحلة تنقيح أخيرة تُجري تعديلاً على الحالات غير المؤكدة بناءً على معلومات تقييم إضافية، ما يؤدي إلى تسمية بالعاطفة السائدة لكل فيديو تعكس انطباع المجموعة بشكل أفضل.

استخلاص المزيد من أجهزة أقل

تحدٍ آخر هو الأجهزة: قبعات EEG الكاملة التي تحتوي على 32 قطباً أو أكثر مرهقة ومكلفة. يصمم الفريق طريقة لتقليص ذلك إلى 11 موضعاً مختاراً بعناية فوق الجبهة، والوسط، والجوانب، وخلف الرأس — مناطق مرتبطة بالتحكم العاطفي، والتنبيه، والسمع، والبصر، والانتباه. ثم يُجرون تحليلاً مفصلاً لكيفية انتشار طاقة الإشارة عبر نطاقات موجات الدماغ الكلاسيكية (من الإيقاعات البطيئة إلى السريعة) في حالات عاطفية مختلفة. من خلال مقارنة هذه الأنماط، يظهرون أن مجموعات معينة من الترددات ومواقع الفروة تحمل دلائل قوية عما إذا كان المشاهد، على سبيل المثال، في حالة تنبيه عالي أو استرخاء عميق. تتيح لهم مقاربة نسبة طاقة متعددة النطاقات الاحتفاظ بالإشارات الأكثر إفادة مع التخلص من كثير من التكرار.

ترك البيانات لتبرز ما يهم

حتى مع عدد أقل من الأقطاب، يحتوي كل ثانية من التسجيل على فيضان من الأرقام. لتجنب إرباك النماذج، يجمع المؤلفون عدة أنواع من الميزات — مثل مقاييس الطاقة المبنية على الموجات الميّلة، ومدى تذبذب مناطق دماغية مختلفة معاً، وكيف تتغير الطاقة في ترددات متنوعة مع الزمن — في وصف غني ومنظم لكل مشاهدة. ثم تُصنف خطوة اختيار محكومة بالأهمية هذه الميزات حسب مدى فائدتها في تمييز المشاعر، محتفظين بمجموعة مدمجة فقط. باستخدام هذا التمثيل المختزل، تُدرَّب ثلاثة نماذج تعلم آلي قياسية للتعرف على أي من العواطف الأربع السائدة تناسب الفيديو المعطى. في اختبارات صارمة حيث يجب على النظام التعميم لأشخاص جدد تماماً، يصل أفضل نموذج إلى حوالي 45% دقة، وهي نتيجة قوية للاختيار من أربع فئات مع بيانات دماغية ضوضائية و11 قناة فقط.

ما يعنيه هذا للتكنولوجيا اليومية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أننا يمكن أن نبدأ بتقدير شعور مجموعات من الناس تجاه مقاطع الفيديو باستخدام أجهزة موجات دماغية صغيرة ومحمولة بدلاً من تجهيزات مختبرية كاملة. من خلال تنظيف التسميات العاطفية، والتركيز على أكثر أجزاء إشارة EEG إفادة، واختيار عدد قليل من الحساسات الموضوعة بعناية، يظهر المؤلفون أنه من الممكن اكتشاف النبرة العاطفية السائدة للفيديو — سعيد، مسترخٍ، خائف، أو حزين — عبر المشاهدين. النظام ليس مثالياً، لكنه يشير إلى أدوات عملية لتتبع شعور الجمهور، واختبار المحتوى، وتوصيات مدركة للعاطفة تعتمد على استجابات دماغية موضوعية بدلاً من الاستطلاعات أو النقرات وحدها.

الاستشهاد: Wen, X., Xu, W., Tian, L. et al. Video-dominant emotion recognition for portable EEG-based devices. Sci Rep 16, 7899 (2026). https://doi.org/10.1038/s41598-026-39315-8

الكلمات المفتاحية: التعرّف على العواطف من تخطيط الدماغ الكهربائي, واجهة دماغ-حاسوب, تحليل التأثيرات في الفيديو, علم الأعصاب القابل للارتداء, الحوسبة التأثيرية