محول Cerebro Wave Bee للاستفادة من تصنيف حركات اليد بناءً على تخطيط الدماغ الكهربائي باستخدام معدلات تعلم محسّنة مستوحاة من الطبيعة

قراءة موجات الدماغ لتحريك اليد

تخيل أن بإمكانك تحريك يد صناعية أو التحكم في كرسي متحرك أو تشغيل لعبة حاسوب بمجرد التفكير في تحريك يدك. تستكشف هذه الدراسة طرقًا أكثر دقة لقراءة الإشارات الكهربائية الدقيقة من الدماغ وترجمتها إلى حركات يد مميّزة. يعرض الباحثون نموذجًا حاسوبيًا جديدًا يجمع بين نظام قوي للتعرّف على الأنماط واستراتيجية مستوحاة من سلوك نحلات العسل، بهدف جعل الأجهزة المسيطر عليها عبر الدماغ أكثر دقة وموثوقية وجاهزية للاستخدام العملي.

لماذا يصعب تفسير إشارات الدماغ

يولد دماغنا باستمرار إشارات كهربائية خافتة يمكن التقاطها على فروة الرأس باستخدام تقنية تُدعى EEG، حيث تسجّل مجسات صغيرة موجات الدماغ في الزمن الحقيقي. تتغير هذه الإشارات عندما نتخيل أو نؤدّي حركات، مثل رفع اليد أو تدويرها. ومع ذلك، فإن بيانات EEG صاخبة للغاية وتختلف كثيرًا من شخص لآخر، مما يجعل من الصعب التمييز بين، على سبيل المثال، حركة اليد اليسرى والحركة اليمنى أو حالة الراحة. تعتمد الطرق الحاسوبية التقليدية إما على ميزات مصمّمة يدويًا أو شبكات عصبية أبسط، التي غالبًا ما تكافح لالتقاط التعقيد الكامل لأنماط الدماغ هذه، خاصة عبر أشخاص وأنظمة تسجيل مختلفة.

نموذج جديد يتعلّم مثل القارئ اليقظ

يقدّم المؤلفون نموذجًا يسمونه Cerebro‑Wave Bee Transformer. في جوهره يوجد "محول" (transformer)، وهو نوع من بنى التعلم العميق طوّر أصلاً لترجمة اللغة ويبرع في رصد العلاقات عبر العديد من المداخل في آن واحد. في هذه الحالة، يُعامل كل قناة EEG كـ "رمز" (token)، مشابهًا لكلمة في جملة، ويتعلّم النموذج كيف تتعاون مناطق مختلفة من الدماغ عندما يتحرّك الشخص أو يتخيل تحريك يده. بدلًا من معالجة الإشارات الزمنية الخام، يحوّل النظام أولًا كل تجربة إلى جدول مضغوط لطاقة موجات الدماغ عبر أربع نطاقات ترددية رئيسية و14 موضعًا للإلكترود، ما يمنح النموذج عرضًا موحَّدًا وفعّالًا للبيانات.

دع البحث الشبيه بالنحل يجد النقطة المثلى

نماذج التعلم العميق حساسة لإعداد تدريب رئيسي يُدعى معدل التعلم، الذي يتحكّم في حجم الخطوة التي يتخذها النموذج في كل مرة يحدث فيها نفسه. إذا كانت هذه الخطوة كبيرة جدًا يصبح التعلم غير مستقر؛ وإذا كانت صغيرة جدًا يصبح التدريب بطيئًا وقد لا يصل أبدًا إلى حل جيد. بدلًا من التخمين بهذا المتغير أو تجربة العديد من القيم العشوائية، استعار الباحثون استراتيجية من تغذية نحلات العسل. يتخيلون سربًا من النحل الافتراضي، كل نحلة تختبر معدل تعلم مختلف في جولة تدريب قصيرة. تُستكشف المعدلات الواعدة بشكل أعمق، بينما يتراجع متغير "الحرارة" تدريجيًا، ناقلًا البحث من استكشاف واسع إلى تعديلات دقيقة المدى. في النهاية، يركز النظام على معدل تعلم يمنح الأداء الأكثر موثوقية قبل بدء التدريب الكامل.

اختبار النظام

للاطّلاع على مدى فعالية نهجهم، درّب الفريق وقيّم Cerebro‑Wave Bee Transformer على مجموعتي بيانات EEG مستقلتين. جاءت إحدى المجموعات من سماعة رأس استهلاكية تلتقط ثلاث فئات: حركة اليد اليسرى، حركة اليد اليمنى، والحالة الراحة. وكانت الأخرى مجموعة بيانات بحثية مستخدمة على نطاق واسع بأجهزة مختلفة ومعدلات عيّنة وتوزيعات إلكترود مختلفة. في كلتا الحالتين، حوِلت إشارات EEG إلى نفس صيغة 14×4 بحيث يمكن تطبيق نفس بنية النموذج بعدالة. باستخدام التحقق المتقاطع بعشرة أقسام للحماية من النتائج العشوائية، حقق الأسلوب الجديد دقّة تقارب 95.6% على مجموعة البيانات الرئيسية وانخفضت قليلاً على الثانية، متفوقًا على نماذج التعلم الآلي التقليدية والشبكات العصبية الأبسط وإصدارات المحول التي استخدمت جداول معدلات تعلم قياسية بدل البحث المستوحى من النحل.

ما الذي يعنيه هذا لأدوات واجهة الدماغ-الحاسوب في المستقبل

تُظهر الدراسة أن الضبط الدقيق لكيفية تعلم نموذج قوي يمكن أن يجني فوائد تعادل تغيير النموذج نفسه. بدمج محول مع عملية تحسين على غرار نحلة العسل، أنشأ الباحثون نظامًا يصنّف نشاط الدماغ المرتبط باليد بدقة عالية ومرونة جيدة عبر مجموعات بيانات مختلفة، وكل ذلك دون إبطاء الاستخدام في الزمن الحقيقي بعد اكتمال التدريب. وعلى الرغم من أن العمل الحالي يعتمد على لقطات معالجة مسبقًا لطاقة موجات الدماغ بدل الإشارات المستمرة الخام، فإنه يوفر دليلًا قويًا على المفهوم: يمكن لاستراتيجيات البحث المستوحاة من الطبيعة أن تساعد في إطلاق الإمكانات الكاملة للشبكات العصبية المتقدمة في واجهات الدماغ-الحاسوب، مما يقرب الأطراف الاصطناعية والمساعدات المسيطر عليها بالتفكير من إمكانية الاستخدام اليومي.

الاستشهاد: Jayadurga, N.P., Chandralekha, M. & Subramaniam, H. Cerebro Wave Bee transformer to leverage EEG based hand movement classification using optimized bio-inspired learning rates. Sci Rep 16, 14640 (2026). https://doi.org/10.1038/s41598-026-40739-5

الكلمات المفتاحية: واجهة دماغ-حاسوب, حركة اليد بواسطة EEG, شبكة عصبية محول (Transformer), تحسين مستوحى من البيولوجيا, خوارزمية نحلة العسل