إطار عمل GRU ثنائي الاتجاه متعدد الانتباه يقوده المنطق والمعرفة لتصنيف مستويات الخوف لدى البشر

لماذا يهم قراءة الخوف في الجسد

الخوف ليس مجرد شعور في أسفل المعدة — إنه يعيد تشكيل دقات قلبك، وتعرّقك، وحتى موجات دماغك. إذا أمكن لأجهزة الحاسوب قراءة تلك التغيرات الدقيقة بشكل موثوق، فقد يتمكن المعالجون من متابعة القلق في الوقت الحقيقي، وتستجيب السيارات والروبوتات عند ذعر الناس، ويمكن للواقع الافتراضي التكيّف لحماية المستخدمين. تستكشف هذه الدراسة كيفية تعليم الآلات التعرف على مستويات مختلفة من الخوف لدى الأشخاص من خلال دمج إشارات من الدماغ والجسم مع نوع من الاستدلال المنظَّم والقائم على القواعد، بهدف بناء أنظمة دقيقة وقابلة للفهم للبشر.

الاستماع إلى الدماغ والجسم

ينطلق الباحثون من فكرة أن أي قياس منفرد لا يستطيع التقاط الخوف بالكامل. لذلك يجمعون عدة أنواع من الإشارات الفسيولوجية: النشاط الكهربائي للدماغ، موصلية الجلد التي ترتفع عند التعرّق، تغيرات في نظم القلب، أنماط التنفس، والحركات الوجهية. تُستخدم مجموعتا بيانات تجريبيتان موجودتان. الأولى، المسماة DEAP، تسجل إشارات الدماغ والجسم أثناء مشاهدة الأشخاص لمقاطع موسيقية مصوّرة ويقيّمون مدى اللذة والشدة التي يشعرون بها. والثانية، DECAF، تستخدم مسوحات دماغية وأجهزة استشعار جسدية أثناء مشاهدة مشاهد سينمائية مثيرة للخوف أو الاستماع إلى موسيقى. تزود هذه المجموعات متعددة الوسائط صورة غنية عن كيفية ظهور الخوف عبر الجهاز العصبي.

تحويل الإشارات الخام إلى قواعد بسيطة

الإشارات الخام وحدها صاخبة ويصعب تفسيرها، لذلك يستخلص الفريق منها ميزات ذات صلات معروفة بالعاطفة. على سبيل المثال، يحسبون «عدم التناسق في موجات ألفا أماميًّا»، نمط في موجات الدماغ فوق الجبهة اليسرى واليمنى غالبًا ما يرتبط بالمزاج السلبي، ويعدّون قمم الاستجابة الكهربائية للجلد التي تميل للارتفاع مع التوتر. كما يقسمون إشارات الدماغ إلى نطاقات ترددية كلاسيكية — دلتا، ثيتا، ألفا، بيتا، وجاما — ويلخّصون تقلب نظم القلب. بدلاً من تغذية هذه الأرقام المستمرة مباشرة إلى نموذج غامض، يقدمون تعلّمًا قائمًا على المنطق: تُحكم كل ميزة على أنها «مرتفعة» أو «منخفضة» باستخدام حدود إحصائية مختارة. من هذه اللبنات الثنائية، يكتشف خوارزم يُعرف ببرمجة منطق الاستقراء قواعد قابلة للقراءة من البشر مثل تراكيب الاستجابة الجلدية المرتفعة وتقلب نظم قلب منخفض التي تشير بثبات إلى الخوف.

دمج القواعد مع التعلّم العميق

بينما تجعل القواعد المنطقية القرارات أسهل للفهم، تبرع نماذج التعلّم العميق الحديثة في استخراج أقصى طاقة تنبؤية من البيانات المعقدة. لذلك يعامل المؤلفون مخرجات المنطق كمدخلات وحيدة لعدة معماريات شبكات عصبية مصممة للإشارات المتغيرة زمنياً. تشمل هذه الشبكات الشبكات العودية القياسية، وشبكات الذاكرة طويلة القصيرة الأمد (LSTM)، ووحدات البوابة العودية الأبسط (GRU)، وتصميماً متقدماً يُسمى GRU ثنائي الاتجاه متعدد الانتباه. هذا النموذج الأخير لا ينظر فقط للخلف وللأمام عبر كل تسلسل من الميزات، بل يستخدم أيضًا آليات انتباه للتركيز على اللحظات الأكثر معلوماتية، مثل القفزات الحادة في موصلية الجلد أو التحولات المفاجئة في إيقاعات الدماغ، مع تجاهل التقلبات الطفيفة.

مدى دقة النظام في قراءة الخوف

لاختبار منهجهم، يقارن الفريق النماذج المدربة على نفس المدخلات مع وجود طبقة منطقية ودونها. يقيمونها بناءً على مدى دقتها في الفصل بين عدم وجود خوف والخوف، وفي بيانات DEAP، مدى تمييزها لأربع مستويات تتدرج من عدم وجود خوف إلى خوف عالٍ. عبر تحقق متقاطع واسع النطاق واختبارات إحصائية، يعزز إضافة القواعد المنطقية الأداء باستمرار ويجعل النتائج أكثر استقرارًا من تقسيمة اختبار إلى أخرى. الوصول المعماري البارز، وهو GRU ثنائي الاتجاه متعدد الانتباه المدفوع بالمعرفة، يحقق دقة تقارب 96.7٪ على مجموعة بيانات DEAP وأداءً مرتفعًا بالمثل على مقاطع موسيقية في DECAF، متفوّقًا على عدة طرق منشورة سابقًا وتقنيات تعلم آلي تقليدية.

ماذا يعني هذا لأدوات مستقبلية واعية بالعاطفة

بعبارة بسيطة، تُظهر الدراسة أن الحواسيب قادرة على قياس مستويات خوف البشر بدقة ملحوظة عندما تقرأ إشارات متعددة من الجسم والدماغ وتفسّرها عبر معرفة واضحة تشبه القواعد قبل تطبيق التعلّم العميق. يقدم هذا التصميم الهجين أفضل ما في العالمين: قوة الشبكات العصبية الحديثة وشفافية القواعد المنطقية التي يمكن للخبراء تفحصها وتحسينها. قد يؤسّس مثل هذا النهج لمراقبة الصحة العقلية المستقبلية، والترفيه التكيفي، وأنظمة السلامة التي لا تكتفي بتخمين مشاعرنا فحسب — بل تشرح لماذا تعتقد أننا خائفون، ما يفتح الباب لتقنيات أكثر موثوقية وتخصيصًا.

الاستشهاد: Joshva, A.A., Balasubramanian, V.K. & Murugappan, M. A logic-based knowledge-driven bidirectional multi-attention GRU framework for fear level classification in humans. Sci Rep 16, 13722 (2026). https://doi.org/10.1038/s41598-026-44151-x

الكلمات المفتاحية: التعرف على المشاعر, كشف الخوف, الإشارات الفسيولوجية, التعلّم العميق, الذكاء الاصطناعي القابل للتفسير