هندسة ميزات مستوحاة من الكم لتصنيف إشارات تخطيط الدماغ القابلة للتفسير

الاستماع إلى الدماغ بعينين جديدتين

يعتمد الأطباء والباحثون بشكل متزايد على تخطيط كهربية الدماغ (EEG) لمراقبة صحة الدماغ، من الصرع والضغط النفسي إلى اضطرابات خطيرة مثل التصلب الجانبي الضموري (ALS) والذهان. لكن تسجيلات EEG فوضوية ومعقدة وصعبة التفسير، مما يحد من سرعة وموثوقية استخدامها في القرارات العملية. تقدم هذه الورقة طريقة جديدة وخفيفة لقراءة أنماط EEG تستعير أفكاراً من فيزياء الكم وتبقى قادرة على تفسير ما يحدث في الدماغ، مما يفتح مساراً محتملاً لتشخيصات دماغية أسرع وأكثر شفافية.

لماذا من الصعب قراءة موجات الدماغ

يقيس EEG إشارات كهربائية ضعيفة من نقاط عديدة على فروة الرأس. تتغير هذه الإشارات لحظة بلحظة، وتتلوث بسهولة بوميض العيون وحركات العضلات، وتختلف بشكل كبير بين الأفراد. يمكن للأنظمة الحديثة للتعلم العميق تصنيف مثل هذه البيانات بدقة عالية، لكنها غالباً ما تتطلب مجموعات بيانات كبيرة وأجهزة حاسوب قوية وتتصرّف كصناديق سوداء، مما يمنح القليل من المعلومات عن سبب اتخاذها القرار. إلا أن الاستخدام الطبي يتطلب أداءً قوياً وتفسيرات واضحة وذات معنى بيولوجي—خاصة عند تشخيص حالات خطيرة مثل الصرع أو ALS أو اضطرابات متعلقة بالتوتر أو الذهان.

نظرة مستوحاة من الكم على نشاط الدماغ

يقترح المؤلفون طريقة جديدة لاستخراج المعلومات من إشارات EEG تُدعى نمط الجسيمات المتشابكة الكمومية (QEPP). بدلاً من معالجة كل قناة EEG بشكل منفرد، يأخذ QEPP أزواج القنوات وينظر أيضاً إلى الفرق بينهما، مستوحياً ذلك من تعريف الجسيمات «المتشابكة» في ميكانيكا الكم على أساس حالتها المشتركة وليس كل جزيء بمفرده. تُحوَّل هذه الإشارات الثلاثة—القناتان الأصليتان والفرق بينهما—بإعادة ترتيب قيمها، مع التأكيد على كيفية ارتباطها ببعضها بدلاً من سعاتها الدقيقة. ثم يعدّب خطوة ثانية تُسمى جدول الانتقالات التسلسلية والتركيبية والتي تحصي كيف تتغير هذه الحالات المعاد ترتيبها عبر الزمن وبين الأزواج، مما يبني ميزات مدمجة تلخص التعاون والتنافس بين مناطق الدماغ. صُمِّمت هذه البنية لالتقاط سلوك معقد شُبكي في الدماغ دون الحاجة إلى نماذج تعلم عميق ثقيلة.

من الميزات إلى القرارات والتفسيرات

لتحويل هذه الميزات المستوحاة من الكم إلى قرارات عملية، يدمج المؤلفون QEPP داخل إطار هندسة ميزات قابل للتفسير. أولاً، يبحث محدد تلقائي يُدعى CWINCA عن أكثر الميزات إفادة عبر اختبار مجموعات فرعية تكرارياً والاحتفاظ بتلك التي تفصل أفضل بين المجموعات السريرية. بعد ذلك، يجري مصنف k-الجيران المضبوط (tkNN) تجارب مع مقاييس ومسافات وإعدادات مختلفة ثم يختار التكوين الذي يمنح أكثر التنبؤات دقة. والأهم أن الطريقة تتتبع أي قنوات EEG تسهم في الميزات المختارة وتُطابقها على مناطق رمزية في الدماغ، مثل الفص الجبهي أو الصدغي أو القذالي. باستخدام مخطط رمزي يُدعى Directed Lobish، يبني النظام «جمل» بسيطة ومخططات الاتصال التي توضح أي فصوص تشارك بقوة في كل مهمة، جنباً إلى جنب مع مقاييس تعكس مدى تعقيد أو قابلية التنبؤ بالأنماط الناتجة.

تجريب الطريقة

قيّم الباحثون إطارهم على ستة مشكلات EEG مختلفة جداً: كشف ALS، إزالة الآثار الشاردّة، التعرف على التوتر، تمييز حالات مرتبطة بالعنف، تحديد الذهان، وتصنيف الصرع. تختلف مجموعات البيانات هذه في الحجم وعدد القنوات وتوازن الفئات، مما وفر اختباراً صارماً للتعميم. باستخدام التحقق المتقاطع بعشر طيات، تجاوز النموذج دقة 90% في جميع المهام الست وبلغ 100% في أربع منها (التوتر، العنف، الذهان، والصرع)، مع الحفاظ على أداء قوي حتى عند الاختبار في مخططات تعتمد على الأشخاص. أظهرت المقارنات مع ميزات الموجة التقليدية والاتصالية والزمنية-الترددية أن ميزات QEPP كانت أكثر إفادة باستمرار. وبالمقارنة مع قواعد أساسية للتعلّم العميق، حققت الطريقة الجديدة دقة مماثلة أو أفضل بوقت حسابي وذاكرة أقل بكثير، ويمكن تشغيلها بسهولة على حاسوب مكتبي عادي.

ما تكشفه خرائط الدماغ

تكشف طبقة القابلية للتفسير أنماطاً تتوافق مع المعرفة العصبية الحالية. في كشف ALS، تشارك المناطق المركزية والجبهوية المرتبطة بالحركة والتخطيط بشكل كبير، مما يوحي بتدهور حركي وتعويض تحكمي. في كشف التوتر، تهيمن المناطق الجبهية اليمنى، بما يتوافق مع تنظيم المشاعر والضبط التنفيذي. إشارات مرتبطة بالعنف تُشرك المناطق الجبهية والجداريّة والقذالية معاً، مما يعكس مزيجاً من اتخاذ القرار ومعالجة الحواس والانتباه البصري. يظهر الذهان أكثر اتصالاً معقداً ومنتشرًا، مما يدعم الفكرة أنه ينبع من اضطراب الاتصال بين الشبكات الدماغية بدلاً من موضع خاطئ واحد. أما الصرع فيُظهر أنماطاً شديدة القابلية للتنبؤ مركزة في الفص الصدغي، متماشية مع منشأ الكثير من النوبات. تشير هذه النتائج إلى أن النموذج لا يقتصر على حفظ التسميات فحسب، بل يلتقط توقيعات شبكية ذات معنى لحالات مختلفة.

لماذا يهم هذا لأدوات صحة الدماغ المستقبلية

للقارئ العام، الرسالة الأساسية أن من الممكن بناء أدوات بسيطة وسريعة وشفافة تقرأ موجات الدماغ بمستوى أداء يقارب أو يتفوق على أنظمة التعلم العميق الثقيلة. عبر النظر إلى قنوات EEG في أزواج والتركيز على علاقاتها، تجد هذه الطريقة المستوحاة من الكم أنماطاً تتعمم عبر اضطرابات متعددة بينما لا تزال تشير إلى مناطق وشبكات دماغية محددة. إذا تأكدت صلاحيتها أكثر، يمكن لمثل هذه الأساليب دعم المراقبة في الوقت الحقيقي في العيادات أو حتى في المنزل، للمساعدة في كشف النوبات، تتبع التوتر، أو متابعة تقدم الأمراض العصبية، مع تزويد الأطباء بخريطة بديهية لما يحدث داخل الدماغ.

الاستشهاد: Alotaibi, F.A., Yagmahan, M.S.N., Alobaid, K.A. et al. Quantum inspired feature engineering for explainable EEG signal classification. Sci Rep 16, 12424 (2026). https://doi.org/10.1038/s41598-026-41821-8

الكلمات المفتاحية: تصنيف إشارات EEG, ميزات مستوحاة من الكم, الذكاء الاصطناعي القابل للتفسير, الاتصال الدماغي, كشف الاضطرابات العصبية