نموذج شبكة انتباه متقاطع زمني-ترددي لاكتشاف نوبات الصرع

لماذا يهم اكتشاف النوبات بشكل أسرع

بالنسبة للأشخاص المصابين بالصرع، تظهر النوبات في كثير من الأحيان دون سابق إنذار، مما يعطل العمل والمدرسة والحياة اليومية، وفي الحالات الشديدة يعرض الحياة للخطر. يستخدم الأطباء تخطيط الدماغ الكهربائي (EEG) — أي آثار جهد صغيرة تُسجل من أقطاب على فروة الرأس — لرصد النشاط الدماغي الضار، لكن قراءة ساعات من الخطوط المتموّجة بالعين بطيئة مرهقة وتعتمد بشكل كبير على خبرة القارئ. تقدم هذه الدراسة نهجًا جديدًا للذكاء الاصطناعي يقرأ إشارات EEG بطريقة أقرب إلى المتخصص المتمرس، إذ لا ينظر فقط إلى كيف يتغير الإشارة عبر الزمن بل أيضًا إلى إيقاعاتها الكامنة، ويجمع كلا المنظورين لاكتشاف النوبات وأنماط الخطورة الأخرى بدقة لافتة.

طريقتان للنظر إلى موجات الدماغ

يمكن عرض تسجيلات EEG بطريقتين تكميليتين. الأولى هي النظرة الزمنية المألوفة: كيف يرتفع الجهد وينخفض من لحظة إلى أخرى. والثانية هي النظرة الترددية: كم من طاقة الإشارة يقع في إيقاعات بطيئة أو متوسطة أو سريعة. ركزت العديد من النماذج الحاسوبية السابقة أساسًا على النظرة الزمنية، أو اعتبرت المعلومات الترددية مجرد إضافة بسيطة. ومع ذلك يعرف أخصائيو الأعصاب منذ زمن طويل أن أنماطًا إيقاعية محددة مرتبطة بقوة بأنواع معينة من النوبات. يجادل المؤلفون بأن نظامًا أكثر ذكاءً يجب أن يعامل الزمن والتردد على قدم المساواة، والأهم من ذلك أن يتعلم كيف يرتبطان ببعضهما البعض بدلاً من مجرد وضعهما جنبًا إلى جنب.

ذكاء اصطناعي ذو مسارين يستمع و"يشعر بالإيقاع"

يقترح الباحثون نموذجًا يسمونه شبكة الانتباه المتقاطع الزمني-الترددي (TFCANet). يبدأ من إشارات EEG الخام المسجلة من أقطاب متعددة. يركز أحد فروع الشبكة على السلاسل الزمنية: يستخدم وحدات متخصّصة تلتقط أولًا الأنماط المحلية ثم تطبق آلية انتباه تركّز على اللحظات المهمة في الإشارة مع تجاهل المقاطع الأقل معلوماتية. بالتزامن مع ذلك، يحول الفرع الثاني نفس الإشارات إلى محتواها الترددي باستخدام تحويل حسابي سريع، ثم يمرر هذه المعلومات عبر وحدات مصممة لتسليط الضوء على القنوات والأحزمة الإيقاعية الأكثر معلوماتية مع تقليل الضوضاء والتكرار.

تدريب النموذج على ربط الأنماط عبر المنظورين

اتضح أن مجرد لصق مخرجات فرعي الزمن والتردد معًا لا يكفي. بدلاً من ذلك، يستخدم TFCANet خطوة انتباه متقاطع مستوحاة من التقدّم الأخير في ذكاء لغوي وبصري. في هذه الخطوة، تعمل الميزات المستندة إلى الزمن كنوع من السياق، متسائلة: «بناءً على ما يحدث في هذه اللحظة من الإشارة، أي أنماط التردد هي الأكثر صلة؟» ثم يبرز النموذج انتقائيًا ميزات التردد المطابقة بينما يقلل من أهمية الميزات غير المرتبطة. تُمكن هذه التفاعلات الدينامية الشبكة من اكتشاف روابط دقيقة بين وقت حدوث حدث مريب والبصمات الإيقاعية التي تميّزه كنوبة أو نمط ضار آخر.

اختبار النظام

لتقييم أداء TFCANet، اختبره المؤلفون على مجموعتين من بيانات EEG شائعتين الاستخدام. الأولى مجموعة بيانات بحثية كلاسيكية من جامعة بون، تحتوي على أمثلة مقطّعة بعناية لنشاط طبيعي وفترات هدوء بين النوبات ونوبات كاملة. والثانية مجموعة إكلينيكية أكبر وأكثر واقعية من مسابقة كاغل الحديثة، حيث قامت فرق خبراء وسمت أشكالًا متنوعة من النشاط الدماغي الضار مثل النوبات وعدة أنواع من التفريغ الإيقاعي الشاذ. بعد موازنة بيانات التدريب وتطبيق خطوات تنظيف قياسية، قارن الفريق TFCANet بمجموعة من نماذج التعلم العميق الحديثة التي تعتمد على الالتفافات والطبقات المتكررة والمحولات أو توليفات زمن–تردد أبسط.

نتائج تقرّب التطبيق الواقعي

عبر المجموعتين، طابق TFCANet أو تفوّق باستمرار على النهج المنافسة. في مجموعة كاغل الكبيرة صنّف بشكل صحيح خمسة أنواع رئيسية من النشاط الدماغي الضار بأكثر من 96 في المئة من الأحيان، وفي مجموعة بون تجاوز دقة 93 في المئة في تمييز خمس حالات مختلفة. أظهرت تجارب "الإزالة" الدقيقة — التي تُزال فيها أو تُستبدل أجزاء من النموذج — أن كلًا من وحدات الانتباه على مستوى القنوات وخاصة خطوة الاندماج بالانتباه المتقاطع حاسمان لهذه المكاسب. حتى عند استخدام بيانات قناة واحدة، حيث تقل فاعلية بعض الوحدات، ظلّت آلية الانتباه المتقاطع تحسّن الأداء مقارنة بالدمج البسيط للميزات.

ماذا يعني هذا للمرضى والأطباء

بعبارات يومية، توضح هذه العمل أن الحواسيب يمكن تدريبها لقراءة آثار EEG بطريقة أغنى وأكثر دقة من خلال النظر معًا إلى متى تحدث الأحداث وما الإيقاعات المصاحبة لها، والتعلم كيف يدعم كل من المنظورين الآخر. بينما جُرب TFCANet حتى الآن على بيانات بحثية ومسابقات، فإن أداؤه القوي والمستقر يشير إلى أنه قد يصبح مساعدًا عمليًا في المستشفيات: مراقبة تسجيلات طويلة باستمرار، تمييز الحلقات المشبوهة للمراجعة، ومساعدة الأطباء على الاستجابة للنشاط الدماغي الخطير بسرعة وثبات أكبر. مع تكيف الدراسات المستقبلية لهذا النهج لتسجيلات أطول وإعدادات سريرية متنوّعة، قد تصبح أنظمة واعية بالزمن–التردد جزءًا أساسيًا من مراقبة النوبات الأكثر أمانًا وموثوقية.

الاستشهاد: Wang, R., Tian, L., Li, M. et al. A time-frequency cross-attention network model for epileptic seizure detection. Sci Rep 16, 13441 (2026). https://doi.org/10.1038/s41598-026-41636-7

الكلمات المفتاحية: اكتشاف نوبات الصرع, تعلم عميق لتخطيط الدماغ الكهربائي, تحليل الزمن-التردد, آليات الانتباه, معالجة إشارات الدماغ