הנדסת תכונות בהשראה קוונטית לזיהוי אותות EEG עם יכולת הסבר

להאזין למוח בעיניים חדשות

רופאים וחוקרים מסתמכים יותר ויותר על אלקטרואנצפלוגרפיה (EEG) לניטור מצב המוח — מהתקפים ולחץ ועד להפרעות חמורות כמו טרשת לידתית (ALS) או פסיכוזה. אולם הקלטות EEG רועשות, מורכבות וקשות לפרש, מה שמגביל עד כמה במהירות ובאופן מהימן הן יכולות להנחות החלטות במציאות. מאמר זה מציג גישה חדשה וקלת משקל לקריאת דפוסי EEG שלוקחת רעיונות מתוך פיזיקה קוונטית ועדיין מסבירה מה קורה במוח, ומציעה דרך פוטנציאלית לאבחון מוחי מהיר ושקוף יותר.

מדוע גלי מוח קשים לקריאה

EEG מודד אותות חשמליים זעירים ממספר נקודות בקרקפת. אותות אלה משתנים מרגע לרגע, מזוהמים בקלות מהצמחת עיניים ותנועות שרירים, ומשתנים במידה רבה בין אנשים. מערכות למידה עמוקה מודרניות יכולות לסווג נתונים כאלה בדיוק גבוה, אך לעתים קרובות דורשות מערכי נתונים גדולים, מחשבים חזקים ומתוצאות שמתקבלות בתור קופסה שחורה — בלי תובנה מדוע הושגה ההחלטה. לשימוש רפואי, עם זאת, קלינאים זקוקים הן לביצועים חזקים והן להסברים ברורים ובעלי משמעות ביולוגית — במיוחד באבחון מצבים חמורים כגון אפילפסיה, ALS, בעיות הקשורות ללחץ או הפרעות פסיכוטיות.

מבט בהשראה קוונטית על פעילות המוח

המחברים מציעים דרך חדשה לחילוץ מידע מתוך אותות EEG הנקראת דפוס חלקיקים מסובכים קוונטית (Quantum Entangled Particle Pattern, QEPP). במקום להתייחס לכל ערוץ EEG בנפרד, QEPP לוקחת זוגות ערוצים ובוחנת גם את ההפרש ביניהם, בדומה לאופן שבו חלקיקים "מסובכים" בקוונטים מוגדרים על ידי מצבם המשותף ולא על כל אחד בנפרד. שלושה האותות הללו — שני המקוריים וההפרש ביניהם — ממוינים לאחר מכן על ידי סידור מחדש של הערכים, מה שמדגיש את היחסים ביניהם יותר מאשר המזרחים המדויקים שלהם. שלב שני, הנקרא טבלת העברות סדרתית ומשלבת, סופר כיצד מצבים ממוינים אלה משתנים לאורך זמן ובין זוגות, ובונה תכונות דחוסות שמסכמות שיתוף פעולה ותחרות בין אזורים מוחיים. עיצוב זה נועד ללכוד התנהגות מורכבת בסגנון רשתי במוח בלי הצורך בדגמי למידה עמוקה כבדים.

מתכונות להחלטות והסברים

כדי להפוך את התכונות בהשראה קוונטית להחלטות מעשיות, המחברים עוטפים את QEPP במסגרת הנדסת תכונות מוסברת. ראשית, בורר אוטומטי בשם CWINCA מחפש את התכונות המידעיות ביותר על ידי בדיקה איטרטיבית של תתי-קבוצות ושמירת אלו שמפרידות בצורה הטובה ביותר בין הקבוצות הקליניות. לאחר מכן, ממיינת k-הקרובים המכווננת (tkNN) בוחנת מדידות מרחק והגדרות שונות ובוחרת את התצורה שמניבה את התחזיות המדויקות ביותר. קריטי לכך, השיטה גם עוקבת אילו ערוצי EEG תורמים לתכונות שנבחרו וממפה אותם לאזורים סימבוליים במוח, כגון קשקפי, רבדתי או עתי. באמצעות סכימה סימבולית הנקראת Directed Lobish, המערכת בונה "משפטים" פשוטים ותרשימי קונקטום שמראים אילו אונות משתתפות ביתר חוזקה בכל משימה, יחד עם מדדים של כמה הדפוסים המתקבלים מורכבים או צפויים.

מבחן השיטה

החוקרים העריכו את המסגרת שלהם על שישה בעיות EEG שונות מאוד: גילוי ALS, סינון ארטיפקטים, זיהוי סטרס, הבחנה בין מצבי מוח הקשורים לאלימות, זיהוי פסיכוזה וסיווג אפילפסיה. מערכי הנתונים הללו נבדלים בגודל, במספר הערוצים ובאיזון המחלקות, מה שמספק מבחן קשה לכלליות השיטה. באמצעות תיקוף צולב בעשר חלקים, המודל עבר את רף הדיוק של 90% בכל שש המשימות והגיע ל-100% בארבע מהן (סטרס, אלימות, פסיכוזה ואפילפסיה), תוך שמירה על ביצועים חזקים גם כאשר נבחן בסכמות מחמירות יותר המבוססות על נבדקים שונים. השוואות לתכונות מסורתיות של גלי-מתמר (wavelet), קישוריות וזמן-תדר הראו שתכונות QEPP היו באופן עקבי יותר אינפורמטיביות. לעומת בסיסי למידה עמוקה, השיטה החדשה השיגה דיוק דומה או טוב יותר עם זמן חישוב וזיכרון נמוכים בהרבה, והיא ניתנת להרצה בנוחות על מחשב שולחני רגיל.

מה חושפות מפות המוח

שכבת הפרשנות חושפת דפוסים המתיישבים עם הידע העדכני במדעי המוח. בזיהוי ALS, אזורים מרכזיים וקדמיים הקשורים בתנועה ותכנון מעורבים בעוצמה, מה שמרמז על דגנרציה מוטורית ובמקביל על שליטה פיצוית. בזיהוי סטרס, אזורי חזית ימין דומיננטיים, התואמים ויסות רגשי ושליטה ביצועית. אותות הקשורים לאלימות מעוררים יחד אזורים חזיתיים, פריאטליים ועייתיים, המשקפים קבלת החלטות משולבת, עיבוד חושי ותשומת לב ויזואלית. פסיכוזה מציגה את הקישוריות המורכבת והמפוזרת ביותר, מה שמדגיש רעיונות שהיא נובעת מהפרעה בתקשורת בין רשתות מוחיות יותר מאשר מאזור פגום יחיד. לעומת זאת אפילפסיה מציגה דפוסים צפויים מאוד המרוכזים באונה הטמפורלית, בהתאם למקור האופייני של התקפים רבים. תוצאות אלה מציעות שהמודל אינו רק שומר תוויות בזיכרון, אלא לוכד סימני רשת משמעותיים הקשורים למצבים שונים.

מדוע זה חשוב לכלי בריאות מוח עתידיים

לקורא שאינו מומחה, המסר המרכזי הוא שאולי ניתן לבנות כלים פשוטים, מהירים ושקופים שקוראים גלי מוח כמעט באותה מידה טובים — או טובים יותר — ממערכות למידה עמוקה כבדות. על ידי התבוננות בערוצי EEG בזוגות והתמקדות ביחסיהם, השיטה בהשראה קוונטית זו מוצאת דפוסים שמסתגלים למצבים שונים ועדיין מצביעים על אזורים ורשתות מוח ספציפיות. אם יאומתו נוספים, גישות כאלה יכולות לתמוך בניטור בזמן אמיתי במרפאות או אפילו בבית, לסייע בזיהוי התקפים, במעקב אחר סטרס או במעקב אחר התפתחות מחלות נוירולוגיות — וכל זאת תוך מתן מפות אינטואיטיביות לקלינאים של מה שמתרחש בתוך המוח.

ציטוט: Alotaibi, F.A., Yagmahan, M.S.N., Alobaid, K.A. et al. Quantum inspired feature engineering for explainable EEG signal classification. Sci Rep 16, 12424 (2026). https://doi.org/10.1038/s41598-026-41821-8

מילות מפתח: סיווג אותות EEG, תכונות בהשראה קוונטית, בינה מוסברת, קישוריות המוח, זיהוי הפרעות נוירולוגיות