اختيار الميزات المثلى المشترك المستند إلى MVMD وFW-LS-TWSVM للتعرّف على تخيّل الحركية

تعليم الحواسيب قراءة الحركة المتخيلة

تخيّل أن توجه كرسيًا متحركًا أو ذراعًا روبوتية بمجرد التفكير في تحريك يدك. تستعرض هذه الدراسة كيف نجعل تكنولوجيا التحكم بالعقل أكثر دقة وسرعة، حتى تتمكن من مساعدة الأشخاص ذوي مشاكل الحركة ودعم تعاون سلس بين الإنسان والآلة.

لماذا التحكم عبر إشارات الدماغ صعب

تحول واجهات الدماغ-الكمبيوتر الإشارات الكهربائية الدقيقة من فروة الرأس إلى أوامر للأجهزة الخارجية. في أنظمة تخيّل الحركة، يتخيل الأشخاص فقط تحريك يد أو قدم، وتسجل المجسات النشاط الدماغي الناتج. هذه الإشارات ضعيفة جدًا وتتأثر بسهولة بالاختلافات بين الأفراد، وتغيرات المزاج أو التعب، والضوضاء الخلفية. ونتيجة لذلك، فإن العديد من الأنظمة الحالية ليست دقيقة أو موثوقة بما يكفي للاستخدام اليومي، لا سيما عندما تكون بيانات التدريب محدودة.

العثور على أجزاء إشارة الدماغ المناسبة

يركز المؤلفون على تصميم واختيار الميزات من إشارات الدماغ بعناية بدلًا من الاعتماد الكامل على التعلم العميق. أولًا ينقون الإشارات ويقطعونها إلى نوافذ زمنية قصيرة لمعرفة الفترة التي تعكس أفضل تخيّل للحركة. ثم يقسمون كل إشارة إلى عدة مكونات تتوافق مع نطاقات ترددية مختلفة، باستخدام طريقة تحلل جميع القنوات معًا. تساعد هذه الخطوة في فصل الأنماط المعنوية المرتبطة بالحركة عن النشاط والضوضاء الأخرى. من كل مكوّن يستخلصون أنماطًا مكانية تؤكد كيف تتغير مجموعات الأقطاب الكهربائية معًا أثناء حركات متخيلة مختلفة.

اختيار ما يفيد فقط

ليس كل نطاق ترددي أو نمط مكاني مفيدًا. باستخدام نهج إحصائي، تختبر الطريقة مدى تحسّن كل ميزة في القدرة على التمييز بين تخيّل اليد اليسرى واليمنى. تُزال الميزات التي لا تسهم كثيرًا، لتبقى مجموعة مدمجة من أكثر أجزاء الإشارة معلوماتية. يمكن أن يختلف هذا الاختيار التكيفي من شخص لآخر وحتى من جلسة إلى أخرى، مما يعكس أن كل دماغ وكل يوم تسجيل لهما خصائصه الخاصة. من خلال تقليم الميزات المكررة وغير المستقرة، يصبح النظام أكثر دقة وكفاءة.

طريقة أذكى لرسم خط القرار

بعد اختيار أفضل الميزات، لا يزال النظام بحاجة إلى مصنف قادر على التعامل مع القيم الشاذة، مثل المحاولات الصاخبة أو غير المألوفة. تقدّم الدراسة نسخة وزنية ضبابية من آلة ناقل الدعم السريعة تتعلم مستويين قراريين بدلًا من واحد. يُعطى كل مثال تدريبي وزنًا بناءً على مدى تمثيله لفئته، فالعينات المشكوك فيها أو الصاخبة لها تأثير أقل. يقلل هذا التصميم من تأثير البيانات السيئة مع الحفاظ على سرعة التدريب بما يكفي للاستخدام شبه الفوري.

مدى فعالية الطريقة

اختبر الباحثون خط المعالجة الكامل على مجموعتي بيانات عامتين وكبيرتين لحركات اليد المتخيلة، سُجلت بواسطة آلاف من أقطاب فروة الرأس. وصلت مقاربة الفريق إلى دقة متوسطة تقارب 87 إلى 88 بالمئة، أفضل بوضوح من عدة أنظمة تعلم عميق حديثة ومصنّفين متقدّمين آخرين استخدموا نفس البيانات. كما أظهروا أن استخدام التحليل الترددي التكيفي واختيار الميزات معًا منح تحسينًا ملحوظًا مقارنة بمرشحات ثابتة النطاق الأبسط أو طرق التحلل الأقدم.

ما يعنيه هذا لمستقبل التحكم بالعقل

بالنسبة للقارئ العام، الخلاصة أن هذه الدراسة تظهر كيف أن اختيار أجزاء إشارة الدماغ الموثوقة بعناية وتقليل تأثير العينات الصاخبة يمكن أن يجعل الأجهزة التي يتحكم بها التفكير أكثر اعتمادية واستجابة. ومع حاجة المزيد من العمل قبل أن تصبح مثل هذه الأنظمة شائعة في الحياة اليومية، تقربنا هذه المقاربة خطوة نحو أدوات عملية تساهم في إعادة التأهيل، واستعادة الحركة المفقودة، وتوسيع طرق تفاعل الناس مع الآلات باستخدام عقولهم وحدها.

الاستشهاد: Zhi, J., Zhang, Q., Li, Y. et al. Joint MVMD-based optimal feature selection and FW-LS-TWSVM for motor imagery recognition. Sci Rep 16, 15648 (2026). https://doi.org/10.1038/s41598-026-46642-3

الكلمات المفتاحية: تخيّل الحركة, واجهة دماغ-حاسوب, فك تشفير EEG, اختيار الميزات, آلة ناقل الدعم