تحسين الإشارات الطبية الحيوية عبر تقنيات إزالة الضوضاء بتوزيع ويبول المحوَّل الأسّي المحسّن بواسطة الخوارزمية الجينية

لماذا يهم تنظيف الإشارات الطبية

كل نبضة على مخطط كهربية القلب وكل موجة في أثر تخطيط الدماغ قد تحمل دلائل على أمراض خطيرة. لكن في المستشفيات والعيادات الواقعية، تُغطَّى هذه الإشارات غالباً بطبقات من الضوضاء غير المرغوب فيها الناجمة عن تقلصات العضلات، والغطس بالعين، والتداخلات الكهربائية، وأجهزة الاستشعار غير المثالية. تقدم هذه الورقة طريقة جديدة لتنقية تلك الإشارات الفوضوية حتى يتمكن الأطباء والخوارزميات من رؤية الأنماط المهمة بوضوح أكبر—دون الحاجة إلى مجموعات تدريب ضخمة أو حواسب خارقة.

مشكلة نبضات القلب وموجات الدماغ المشوشة

تعدّ تخطيطات الدماغ (EEG)، وتخطيطات القلب (ECG)، والصور الطبية مثل التصوير بالرنين المغناطيسي والأشعة السينية أدوات أساسية لتشخيص الصرع ومشكلات نظم القلب والعيوب البنيوية. لكن هذه التسجيلات تتشوه بسهولة. يمكن لحركات العين أن تُخفي القمم الصرعية، وقد تُخفي حركات الجسم ميزاتٍ مهمة في تخطيط القلب، ويمكن أن تُطمس الضوضاء الحبيبية تفاصيل صغيرة في الصور. تميل أساليب التنقية التقليدية—كالمرشحات البسيطة، والتحويل بالموجات، أو تقنيات فصل المصدر العمياء الشائعة—إلى افتراض أن الضوضاء تتصرف بطريقة مرتبة ومتناظرة. في الواقع، الضوضاء السريرية غير منتظمة، ومنحازة أحياناً، وغالباً ما تهيمن عليها اندفاعات نادرة وشديدة. عندما تعتمد الطرق على نماذج ضوضاء مبسطة للغاية، فإنها إما تفشل في إزالة ما يكفي من التداخل أو تُعَمِّم عن طريق الخطأ التفاصيل التي يهتم بها الأطباء.

طريقة مرنة لوصف الضوضاء الصعبة

يتعامل المؤلفون مع هذا بإدخال نموذج ضوضاء قابل للتكيّف بدرجة عالية يُسمى توزيع ويبول المحوَّل الأسّي (Exponentiated Transmuted Weibull Distribution) أو ETWD. بدلاً من افتراض شكل ثابت واحد للضوضاء، يستخدم ETWD ثلاث معايير أساسية لإعادة تشكيل منحناه، مما يتيح له محاكاة مجموعة واسعة من التوزيعات المعروفة ومطابقة الأنماط ذات ذيول ثقيلة واللامركزية. عملياً، يعني هذا أن الإطار الرياضي نفسه يمكنه وصف آثار غمز العين في EEG، واندفاعات الحركة في ECG، والبقع الحبيبية في الصور الطبية. ويذهب الفريق أبعد من ذلك باستخلاص «دالة درجة» خاصة من ETWD ودمجها داخل خوارزمية فصل إشارات سريعة (FastICA). تقود هذه الدالة الخوارزمية نحو المصادر الخفية الأكثر احتمالاً، مفككةً الإشارة عن الضوضاء بطريقة تتكيف مع الإحصائيات الحقيقية للبيانات.

السماح للتطور بضبط المُنقِّي

لأن ETWD مرن للغاية، فإن اختيار معاييره يدوياً يشبه محاولة ضبط آلة موسيقية معقدة بالأذن في غرفة مزدحمة. لأتمتة ذلك، يستخدم الباحثون خوارزمية جينية—إجراء بحث مستوحى من الانتقاء الطبيعي. تُعامل مجموعات المعلمات المرشحة كأفراد في تجمع؛ تُكرر الأجيال تحسين الأفضل أداءً، الذي يُقيَّم بحسب مدى ملاءمته للبيانات. تتجنب هذه الخطوة التطورية الوقوع في حلول فرعية ولا تتطلب حساب مشتقات معقدة. كما تعدّل نفس عملية التحسين قواعد الندرة في مجال الموجات، التي تقلّص بشكل انتقائي المعاملات الصغيرة المسيطرة عليها الضوضاء بينما تحافظ على الكبيرة الغنية بالبنية. معاً، يشكل ETWD وFastICA والبحث الجيني والندرة أنبوب معالجة وحيد لإزالة الضوضاء خالٍ من التدريب ومتحكّم بالبيانات بقوة.

إثبات الطريقة على الدماغ والقلب والصور

لاختبار النهج، يطبقه المؤلفون على ثلاثة أنواع مختلفة من البيانات الطبية الحيوية. في EEG، ينقون تسجيلات ملوَّثة بآثار العضلات والعين ثم يشغّلون روتين كشف النبضات على النتائج. ترتفع دقة الكشف من 71% في البيانات الصاخبة إلى 94% بعد التنقية بواسطة طريقة ETWD المحسَّنة بالندرة، بينما تنخفض الإنذارات الكاذبة بشكل حاد. بالنسبة لـ ECG، يقيّمون مدى قدرة كاشفات النبض القياسية على إيجاد قمم R المميزة. بعد التنقية، يرتفع معامل F1 للكاشف—الذي يوازن الضربات مع الفقد—من 0.89 إلى 0.97، ما يشير إلى أن نبضات القلب الحيوية أصبحت محفوظة بشكل أفضل وأسهل في الكشف. في الصور الطبية الملوَّثة بضوضاء غاوسية أو بقعية أو ريسّيان، تحسّن الطريقة نسبة الإشارة إلى الضوضاء ذروياً مقارنة بعدة مرشحات قياسية، مسترجعةً تفاصيل تشريحية دقيقة بشكل أكثر أمناً وفي وقت أقل.

الصمود أمام التعلم العميق الحديث

أصبحت الشبكات العصبية العميقة شائعة لإزالة الضوضاء، لكنها تتطلب مجموعات بيانات معنونة كبيرة ووقت تدريب كبير، وأحياناً تمحو البنية الدقيقة. يقارن المؤلفون إطارهم مع مشفّرات ذاتية التلافيف مدرّبة على نفس بيانات EEG وECG والصور. عبر المهام، يضاهي أنبوب ETWD أو يتفوّق على هذه النماذج العميقة في مقاييس الجودة الرئيسية، بينما يتجنّب أي مرحلة تدريب منفصلة. كما يظهر تحمّلاً جيداً عند التطبيق، دون إعادة ضبط، على مجموعات بيانات جديدة تماماً تم الحصول عليها ببروتوكولات مختلفة—فانخفاض الأداء طفيف ولا يزال متفوقاً على الخطوط الأساسية المعتمدة على الغاوس، ما يشير إلى أن الطريقة قابلة للنقل بشكل معقول عبر المواقع.

ماذا يعني هذا للمرضى والأطباء

بعبارات بسيطة، تقدم هذه الدراسة ممحاة ضوضاء أذكى للإشارات الطبية. باستخدام وصف مرن للغاية للضوضاء والسماح لخوارزمية تطورية بضبطه تلقائياً، يتمكن الإطار من نزع الفوضى مع الحفاظ على النبضات الصغيرة، وذبذبات القلب الحادة، وحواف الصور الباهتة التي غالباً ما تحمل قيمة تشخيصية. النتيجة هي آثار EEG أوضح، وإيقاعات ECG أنظف، وصور طبية أكثر حدة، تتحقق دون مجموعات تدريب ضخمة أو نماذج صندوق أسود. إذا ثبتت فعاليتها على نطاق واسع في الإعدادات السريرية، فقد تجعل هذه الفئة من الطرق القابلة للتكيف والخالية من التدريب أجهزة المراقبة اليومية وأنظمة المستشفيات أكثر موثوقية، مساعدًة البشر والخوارزميات على اتخاذ تشخيصات أكثر أماناً وثقة.

الاستشهاد: Sayedelahl, M.A., Farouk, R.M. & Adam, A.M. Enhancing biomedical signals through genetic algorithm optimized Exponentiated transmuted weibull denoising techniques. Sci Rep 16, 13409 (2026). https://doi.org/10.1038/s41598-026-46088-7

الكلمات المفتاحية: إزالة ضوضاء الإشارات الطبية الحيوية, إزالة ضوضاء تخطيط الدماغ وتخطيط القلب, تحسين الصور الطبية, تحليل المكونات المستقلة, تحسين بالخوارزمية الجينية