مقاييس التشابه الزمني القائمة على المسافة لاختيار القنوات التكيفية في أطر واجهة دماغ-حاسوب متعددة النمط EEG-fNIRS

مساعدة العقول على التحدث إلى الآلات

بالنسبة للأشخاص الذين لا يستطيعون الحركة أو الكلام، تعد واجهات الدماغ–الحاسوب طريقًا للتواصل باستخدام أفكارهم فقط. لكن تحويل إشارات الدماغ الخام إلى أوامر تحكم موثوقة يشبه محاولة إجراء محادثة في مدرج مزدحم: توجد بيانات كثيرة وضجيج أكثر. تقدم هذه الدراسة طريقة بسيطة لكنها فعالة لتقليص تلك تيارات البيانات حتى تتمكن الحواسيب من الاستجابة بسرعة أكبر، دون فقدان ما تحاول الدماغ قوله.

لماذا تُبطئ الأسلاك الكثير من الأمور

غالبًا ما تستخدم أنظمة واجهة الدماغ–الحاسوب الحديثة نوعين من المستشعرات غير الاجتياحية على فروة الرأس. يقيس تخطيط الدماغ الكهربائي (EEG) نبضات كهربائية دقيقة من الخلايا العصبية، بينما يتتبع التصوير الطيفي القريب من الأشعة تحت الحمراء الوظيفي (fNIRS) تغيُّرات الدم والأكسجين المرتبطة بنشاط الدماغ. يعملان معًا كنظام «مختلط» أكثر دقة من كل واحد منهما بمفرده، لكن ذلك يأتي بتكلفة: عشرات المستشعرات وتسجيلات طويلة الزمن تنتج مجموعات بيانات ضخمة وغير عملية. البحث عن أفضل مجموعة فرعية من المستشعرات بالتجربة والخطأ سيتطلب اختبار أعداد هائلة من التركيبات، تفوق ما يمكن لأجهزة الحاسوب الحالية معالجته في الوقت الحقيقي.

رؤية متى تقول الإشارات المجاورة الشيء نفسه

يعالج المؤلفون هذه المشكلة بفكرة بديهية: إذا كان مستشعران متجاوران على الرأس يقدمان تقريبًا نفس السرد عبر الزمن، فلست بحاجة إلى كلاهما. يزاوجون الأقطاب القريبة ويقيسون رياضيًا مدى اختلاف إشاراتهما المتغيرة مع الزمن. إذا تباعدت قناتان بشدة، فتبقيان لأنهما على الأرجح تحملان معلومات مميزة. وإذا كانتا متشابهتين جدًا، يُستبعد أحدهما لكونه زائدًا عن الحاجة. لتقرير أين تُرسم هذه الحدود، يقارن الفريق مسافة كل زوج مع عتبة عامة تُحسب إما من القيمة المتوسِّطة (Mean) أو من القيمة المتوسطة (Median) لكل المسافات.

اختبار الاختصار على مهام ذهنية مختلفة

للتحقق مما إذا كان هذا الاختصار يعمل فعلاً، طبّقه الباحثون على مجموعتي بيانات مفتوحتين. احتوت إحداهما على تسجيلات EEG وfNIRS بينما تخيل المتطوعون تحريك أيديهم أو حلوا مسائل حسابية ذهنية. وكانت الأخرى مهمة «تهجئة» كلاسيكية، حيث يركّز المستخدمون على أحرف وامضة فتظهر موجة دماغية مميزة، استجابة P300، لتكشف عن اختيارهم. بعد تنظيف الإشارات، استخرج الفريق ميزات إحصائية بسيطة من كل قناة، أو استخدم نوافذ زمنية قصيرة مباشرة، ثم درّب ثلاث أدوات تعلم آلي معروفة لتصنيف المهام. قارنوا الأداء مع وجود طريقة تقليل القنوات وبلاها.

الحفاظ على مناطق الدماغ المهمة

قلّصت الطريقة عدد القنوات بأكثر من النصف عبر جميع المهام: نحو 15–17 من أصل 30 قناة EEG وحوالي 18–24 من أصل 36 قناة fNIRS في مجموعة البيانات الأولى، وحوالي 31–40 من أصل 64 قناة EEG فقط في مهمة التهجئة. والأهم أن الدقة بقيت كما هي أو تحسنت حتى. بالنسبة لمهمة التهجئة، وصلت الدقة إلى نحو 94% باستخدام مصنف خفيف الوزن؛ وبالنسبة للمهام الحسابية المختلطة، ارتفعت إلى نحو 73%. عندما رسم الفريق مدى تكرار بقاء كل مستشعر، توافقت القنوات المتبقية مع ما تتوقعه علوم الدماغ: مناطق الحركة للتخيل الحركي، والمناطق الجبهية الأمامية للحسابات، ومناطق قِذالية-جداريّة لاستجابة P300. بعبارة أخرى، كان الخوارزم يبحث تلقائيًا عن مناطق وظيفية مهمة دون أن يُخبر أين هي.

اختيار الأسلوب المناسب للتعامل مع الضجيج

التواء مهم في الدراسة هو كيفية تحديد العتبة. غالبًا ما أعطت استخدام المسافة الوسيطية (Median)، الأقل تأثرًا بالقيم المتطرفة، نتائج أكثر استقرارًا وأحيانًا دقة أعلى من استخدام المتوسط (Mean)، خصوصًا في المهام الصاخبة أو ذات المتطلبات العالية مثل الحساب الذهني ومهمة التهجئة P300. أظهرت الاختبارات الإحصائية أن هذا الاختيار ليس شكليًا: في تلك المهام تفوّقت العتبات القائمة على الوسيط بوضوح على العتبات القائمة على المتوسط، بينما كانت الفروق طفيفة لمهمة التخيل الحركي الأبسط. في الوقت نفسه، تمكنت النماذج التي استخدمت مجموعات القنوات المخفَّضة من اتخاذ قرارات خلال نحو عُشر إلى خُمس الثانية، تسريع درامي مقارنة بعدة ثوانٍ عند تضمين كل القنوات.

ماذا يعني هذا لمستقبل واجهات الدماغ

بعبارات بسيطة، تُظهر هذه العمل أنه يمكنك استبعاد أكثر من نصف المستشعرات في نظام هجين EEG–fNIRS، والاحتفاظ بالأكثر معلوماتية، ولا تزال تحقق نفس الدقة أو تتفوق عليها—كل ذلك مع تقليص زمن الاستجابة إلى نطاق حقيقي الزمني حقًا. وبالاعتماد على حسابات مسافة مباشرة بدلًا من مخططات تحسين ثقيلة أو التعلم العميق، يكون الإطار المقترح أسهل في التنفيذ على أجهزة محمولة ذات قدرة حوسبية محدودة. بالنسبة لواجهات الدماغ–الحاسوب المستقبلية المصممة للخروج من المختبر والدخول إلى المنازل أو العيادات أو حتى رقع قابلة للارتداء، قد يكون مثل هذا التقليل الذكي للقنوات خطوة أساسية نحو جعل التكنولوجيا المسيطر عليها بالفكر عملية ومتاحة على نطاق واسع.

الاستشهاد: Alhudhaif, A. Distance-based temporal similarity metrics for adaptive channel selection in multi-modal EEG-fNIRS BCI frameworks. Sci Rep 16, 13702 (2026). https://doi.org/10.1038/s41598-026-44052-z

الكلمات المفتاحية: واجهة دماغ-حاسوب, EEG, fNIRS, اختيار القنوات, مُهجئ P300