משדר Cerebro Wave Bee לניצול סיווג תנועת יד מבוסס EEG באמצעות קצבי למידה ביוהשריים מותאמים

לקרוא גלי מוח כדי להזיז יד

דמיינו שתוכלו להזיז יד תותבת, לשלוט בכיסא גלגלים או לשחק במשחק מחשב רק על‑ידי חשיבה על הזזת היד שלכם. המחקר הזה בוחן כיצד לקרוא במדויק יותר אותות חשמליים זעירים מהמוח ולתרגם אותם לפעולות יד מובחנות. המחברים מציגים מודל מחשב חדש שמשלב מערכת זיהוי דפוסים עוצמתית עם אסטרטגיה בהשראת דבורים, וכל זאת כדי להפוך מכשירים הנשלטים במוח ליותר מדויקים, אמינים ומוכנים לשימוש בעולם האמיתי.

מדוע קשה לפרש אותות מוח

המוח שלנו מייצר באופן רציף אותות חשמליים חלשים שניתן לקלוט על הקרקפת בעזרת טכניקת EEG, שבה חיישנים קטנים רושמים גלי מוח בזמן אמת. אותות אלה משתנים כשאנו מדמיינים או מבצעים תנועות, כמו הרמת יד או סיבוב של כף היד. עם זאת, נתוני EEG רועשים מאוד ומשתנים במידה רבה מאדם לאדם, מה שהופך קשה להבדיל, למשל, בין תנועת יד שמאל לתנועת יד ימין או למצב מנוחה. שיטות מחשב מסורתיות מסתמכות או על מאפיינים שעוצבו ידנית או על רשתות נוירונים פשוטות, שלעתים מתקשות ללכוד את המורכבות המלאה של דפוסי המוח האלה, במיוחד בין אנשים שונים ותצורות הקליטה השונות.

מודל חדש שלומד כמו קורא זהיר

המחברים מציגים מודל שהם קוראים לו Cerebro‑Wave Bee Transformer. בלבו נמצא "טרנספורמר", סוג של ארכיטקטורת למידת עמוקה שפותחה במקור לתרגום שפות ומצטיינת בזיהוי יחסים בין כניסות רבות בו‑זמנית. במקרה זה, כל ערוץ EEG מטופל כ"טוקן", בדומה למילה במשפט, והמודל לומד כיצד אזורים שונים במוח משתפים פעולה כאשר אדם מזיז או מדמיין להזיז יד. במקום לעבד את האותות הגולמיים בזמן, המערכת ממירה כל ניסוי לטבלה דחוסה של עוצמות גלי מוח בארבעה בתחומי תדר מרכזיים וב‑14 מקומות אלקטרודה, מה שמעניק למודל תצוגה סטנדרטית ויעילה של הנתונים.

לתת לחיפוש בסגנון דבורים למצוא את הנקודה המתוקה

למודלים של למידת עמוקה יש רגישות להגדרה חשובה באימון שנקראת קצב הלמידה, שקובע את גודל הצעד שהמודל עושה בכל עדכון. אם הצעד גדול מדי — הלמידה נהיית בלתי יציבה; אם הצעד קטן מדי — האימון איטי ועלול לעולם לא להגיע לפתרון טוב. במקום לנחש ערך זה או לבצע חיפוש נרחב של אפשרויות, החוקרים שאבו אסטרטגיה מתכונת האיסוף של דבורים. הם מדמים ריחוף של דבורים וירטואליות, כל אחת בודקת קצב למידה שונה במשך ריצה קצרה של אימון. הקצבים המבטיחים נחקרים לעומק רב יותר, בעוד פרמטר "הטמפרטורה" מצניח בהדרגה, ומעביר את החיפוש מהיקף רחב לכיונונים עדינים. בסופו של דבר, המערכת מתמקדת בקצב למידה שנותן את הביצועים האמינים ביותר לפני תחילת האימון המלא.

בדיקת המערכת בפרקטיקה

כדי להעריך עד כמה הגישה עובדת, הקבוצה אימנה והעריכה את ה‑Cerebro‑Wave Bee Transformer על שני מאגרי EEG בלתי תלויים. האחד הגיע מרצועת ראש מסחרית שתפסה שלוש קטגוריות: תנועת יד שמאל, תנועת יד ימין ומנוחה. השני היה מאגר מחקר נפוץ עם חומרה שונה, קצבי דגימה ופריסות אלקטרודות שונות. בשני המקרים אותות ה‑EEG הומרו לאותו פורמט של 14 על 4 כך שניתן יהיה להחיל את אותה ארכיטקטורת מודל באופן הוגן. בעזרת אימות צולב בעשר חלקים להגנה מפני תוצאות אקראיות, השיטה החדשה הגיעה לדיוק של כ‑95.6% במאגר הראשי ורק במעט נמוך יותר במאגר השני, תוך שהיא מתעלה על מודלים מסורתיים של למידת מכונה, רשתות פשוטות וגרסאות טרנספורמר שהשתמשו בלוחות זמנים סטנדרטיים לקצב הלמידה במקום בחיפוש בהשראת הדבורים.

מה זה אומר לכלי מוח‑מחשב עתידיים

המחקר מראה שכיוונון מדוקדק של אופן הלמידה של מודל עוצמתי יכול לשאת תוצאות הדומות לשינוי המודל עצמו. בשילוב טרנספורمر עם תהליך אופטימיזציה בסגנון דבורי, החוקרים יצרו מערכת שמסווגת פעילות מוחית הקשורה ליד בדיוק גבוה ועם חוזק טוב על פני מאגרי נתונים שונים, וכל זאת ללא האטה בזמן אמת לאחר סיום האימון. בעוד שהעבודה הנוכחית מסתמכת על תמונות מוקטנות של עוצמת גלי מוח במקום אותות רציפים גולמיים, היא מספקת הוכחת מושג חזקה: אסטרטגיות חיפוש בהשראת הטבע יכולות לסייע לשחרר את הפוטנציאל המלא של רשתות נוירוניות מתקדמות בממשקי מוח‑מחשב, ולהקרב פרוטזות הנשלטות במחשבה וטכנולוגיות סיוע לשימוש יומיומי מעשי.

ציטוט: Jayadurga, N.P., Chandralekha, M. & Subramaniam, H. Cerebro Wave Bee transformer to leverage EEG based hand movement classification using optimized bio-inspired learning rates. Sci Rep 16, 14640 (2026). https://doi.org/10.1038/s41598-026-40739-5

מילות מפתח: ממשק מוח‑מחשב, תנועת יד ב‑EEG, רשת נוירונים טרנספורמר, אופטימיזציה בהשראת ביולוגיה, אלגוריתם דבורים