إطار تعلم عميق ذو فرعين للتعرّف على العواطف من إشارات EEG

لماذا قد يساعد قراءة موجات الدماغ على تحسين مزاجك

تتسلّل مشاكل الصحة العقلية مثل التوتر والقلق والاكتئاب في كثير من الأحيان قبل أن يلاحظها نحن أو من حولنا تمامًا. ماذا لو أمكن للأجهزة اليومية أن تتتبّع حالتنا العاطفية بهدوء وتنبّه عندما نحتاج إلى استراحة أو دعم؟ تستكشف هذه الورقة طريقة جديدة لقراءة أنماط النشاط الدماغي باستخدام سماعة تسجّل الإشارات الكهربائية من فروة الرأس، وتدمج ذلك مع الذكاء الاصطناعي الحديث للتعرّف على العواطف بسرعة ودقة وبقليل من الضبط اليدوي.

تحويل إشارات الدماغ إلى دلائل عاطفية

ينتج دماغنا باستمرار نبضات كهربائية صغيرة يمكن قياسها بتقنية تُدعى تخطيط الدماغ الكهربائي (EEG). تتغير هذه الإشارات طفيفًا عندما نشعر بالهدوء أو التوتر أو التسليّة. تعتمد الأساليب التقليدية في تفسير بيانات EEG إلى حد كبير على خبراء يقومون باستخراج ميزات رياضية يدويًا من الإشارات الخام؛ وهي عملية بطيئة وغالبًا ما تكون هشة ولا تنتقل جيدًا من دراسة لأخرى. يهدف المؤلفون إلى استبدال هذا العمل اليدوي بنظام شامل يتعلم مباشرة من البيانات، بحيث يصبح التعرّف على العواطف أكثر موثوقية وأسهل في التطبيق في مراقبة الصحة العقلية على أرض الواقع.

مساران لفهم الإشارة نفسها

يكمن جوهر الدراسة في نموذج تعلم عميق ذو فرعين ينظر إلى نفس إشارة EEG بطريقتين مكملتين. يركّز أحد الفرعين على كيفية تطور الإشارة عبر الزمن، حيث يُدخل تسلسلات موجات الدماغ الخام إلى نوع من الشبكات العصبية يُدعى LSTM، والذي يتفوّق في تتبّع الأنماط والإيقاعات. أما الفرع الآخر فيحوّل نفس الإشارة إلى خريطة ترددية، على غرار الطريقة التي يصوّر بها مهندسو الصوت الصوت، ويمرّر هذه الخريطة عبر شبكة التلافيف (CNN) الجيدة في التقاط الأنماط المحلية. بترك الفرع الأول يتخصّص في التوقيت والآخر في التردد، يلتقط النظام معلومات أغنى حول كيفية بروز العواطف في الدماغ.

السماح للرؤيتين بتعليم بعضهما البعض

بدلًا من التعامل مع هذين الفرعين كخبراء منفصلين يلتقيان فقط في النهاية، صمّم المؤلفون تفاعلًا بينهما ذهابًا وإيابًا. تُحوّل الميزات المعتمدة على الطيف مرة أخرى إلى شكل شبيه بالإشارة وتُرسل عبر شبكة زمنية إضافية، مما يشجع النموذج على التحقق مما إذا كانت الأنماط الطيفية منطقية أيضًا عبر الزمن. وبالمثل، يُحوّل الملخّص الناتج عن الفرع الزمني إلى إشارة تركيبية، وتُحوّل إلى خريطة ترددية وتُراجع مرة أخرى بواسطة الفرع الطيفي. تساعد هذه التبادلات المتكررة النموذج على الاتفاق حول أي جوانب الإشارة مهمة حقًا للتمييز بين الحالات العاطفية. أخيرًا، يدمج النموذج هذه المناظير باستخدام عمليات حسابية بسيطة تبرز الأماكن التي يتفق فيها الفرعان بقوة قبل تسليم النتيجة إلى مُصنِّف مُدمج يصدر فئة العاطفة.

الاختبار عبر بيئات واقعية مختلفة

لمعرفة ما إذا كانت منهجيتهم صامدة خارج تجربة محكمة واحدة، اختبر المؤلفون النموذج على ثلاث مجموعات بيانات عامة تلتقط العواطف والتوتر في مواقف مختلفة تمامًا. تستخدم إحداها عصابة رأس استهلاكية لتسجيل مشاعر إيجابية ومحايدة وسلبية أثناء مشاهدة المشارك لمقاطع فيلم. تتتبع الثانية متطوعين يرتدون أجهزة استشعار على الصدر والمعصم خلال مقابلات متوترة، وفترات هدوء، ومقاطع مضحكة. تراقب الثالثة موظفي مكاتب يتعاملون مع ضغط الوقت والمقاطعات على مدى جلسات طويلة. عبر هذه السيناريوهات المتباينة والأجهزة والمشاركين، يحقّق النموذج ثنائي الفرع دقة عالية لافتة — تزيد عن 96 بالمئة على مجموعة بيانات موجات الدماغ وبدرجات تكاد تكون مثالية على المجموعتين الأخريين — بينما يحافظ على تصميم فعّال يكفي للاستخدام شبه في الوقت الحقيقي.

ماذا يعني هذا للحياة اليومية

بعبارة بسيطة، تُظهر الدراسة أن الجمع بين نظرتين بسيطتين لكن مكملتين لنشاط الدماغ، وتركهما يصقلان بعضهما البعض باستمرار، يمكن أن يُنتج نظامًا للتعرّف على العواطف قويًا وعمليًا في آن واحد. بدلًا من الاعتماد على ميزات هشة مُنشأة يدويًا، يتعلم الإطار مباشرة من البيانات ويظلّ قويًا عند مواجهة أشخاص وظروف تسجيل جديدة. بينما هناك حاجة إلى مزيد من العمل لتكييفه عبر مجموعات بيانات مختلفة، وتقليصه للأجهزة القابلة للارتداء، ودمج إشارات جسدية إضافية، يشير هذا النهج ثنائي الفرع إلى أدوات مستقبلية قد تتتبّع رفاهيتنا العاطفية بهدوء، وتقدّم تحذيرات مبكرة ودعمًا شخصيًا قبل حدوث الأزمة بفترة طويلة.

الاستشهاد: Saha, D., Ali, A., Gulvanskii, V. et al. A dual-branch deep learning framework for emotion recognition from EEG signals. Sci Rep 16, 13076 (2026). https://doi.org/10.1038/s41598-026-42998-8

الكلمات المفتاحية: التعرّف على العاطفة من EEG, التعلم العميق, مراقبة الصحة العقلية, واجهات الدماغ والحاسوب, كشف التوتر