Table of Contents
مقدمة
وتعطي إشارات الدماغ المتناقصة من التسجيلات غير المفرغة أو المغطسة، أحد أكثر الحدود طموحا في علم الأعصاب المحوسبة الحديثة، وتعالج البيانات غير التشخيصية المتطورة في مجال الأشعة العصبية، وتحديات الأشعة المغنطسية المتينة في المواصفات، والتصوير المغنطيسي المغناطيسي، والتصوير الإلكتروكيميائي
وتميز إشارات الدماغ بانخفاض معدلات الإشارة إلى النواحي، وارتفاع التباين بين المواد، وديناميات التوابل المعقدة، وقد تطلبت خطوط الأنابيب التقليدية للتعلم الآلي استخلاصا واسعا من السمات المصممة يدويا، مثل الكثافة الفطرية للكهرباء أو الأنماط المكانية المشتركة، ويمكن أن تتعلم نماذج التسلسل الهرمي للملامح ذات الصلة مباشرة من التسجيلات الأولية أو التي تم تحويلها إلى حد أدنى.
النهج التقليدية للشبكة العصبية
وقد تُعتمد في المحاولات المبكرة لتطبيق شبكات الجير على إشارات المخ على مُستشف من مُسعف مُحلية ] (الشركات المتعددة الألياف المُتصلة ارتباطاً كاملاً) حيث تُستخدم هذه الشبكات كمقياس للمواضيع - مصممة عادة من الإشارة الخام - وتُتعلم رسم خرائط غير خطية إلى ناتج مرغوب فيه.
أولا، تعامل شركات النقل المتعدد الوسائط مع سمات المدخلات باعتبارها مستقلة، متجاهلة الطبقات المكانية للكهرباء، والطلب الزمني للعينات، وثانيا، فإن عدد البارامترات التي تنمو بسرعة مع بُعد المدخلات، مما يؤدي إلى احتمال كبير في التسجيل الديناميكي الصغير نسبيا لمجموعات البيانات التي تُعد نموذجا لأفضلياتها (ويمثل أقل من ألف تجربة لكل موضوع).
حدود الشبكات المرابطة بالكامل
فبعد المسائل المذكورة أعلاه، تتجاهل الطبقات المرتبطة ارتباطاً كاملاً موقع المعلومات، وفي أحد نُظم التعليم البيئي، كثيراً ما تسجل الكهروديس المتاخمة نشاطاً مرتبطاً بالمصادر المرجوة، ويمكن أن تستغل طبقة التصالح التي تحترم هذه القدرة المحلية هذا الهيكل المكاني بمزيد من الكفاءة، كما أن التعاقب الزمني للعينات يتضمن معلومات حاسمة عن الإمكانيات المرتبطة بالأحداث ودينامية المرحلة التلقائية التي لا يمكن أن تكون لها دوافع.
Convolutional Neural Networks (CNNs) for Spatial Feature Extraction
وقد أصبحت الشبكات العصبية الثورية المكونة من ثورة في الدماغ حجر الزاوية، لا سيما بالنسبة لبيانات EEG وECoG. CNNs تطبق مرشحات قابلة للتعلم عبر الأبعاد المكانية أو المؤقتة للمدخلات، وتحافظ على العلاقات المحلية مع الحد بدرجة كبيرة من عدد البارامترات مقارنة بشبكة مترابطة تماما.
EEGNet and show/Deep ConvNets
(أ) أحد أكثر البنايات تأثيراً هو EEGNet، وهو عبارة عن اتفاق مصمم خصيصاً لتصنيف التصنيف البيئي المتوسط الأجل، ويستخدم نظام EEGNet نماذج قياسية قابلة للفصل لتعلم مرشحات مكانية محددة، مع الحفاظ على الضوء النموذجي بما يكفي لتدريب البيانات الصغيرة.
ومن بين المتغيرات الأخرى التي تستخدم على نطاق واسع في شبكة CNN Shallow ConvNet] و]Deep ConvNet]، التي يقترحها فريق التدريب على أساس نوعي، و/أو أكثر تعقيداً (2017)، وتُجرى في إطارات بديلة خام مع تطور زمني واحد، وتجميع مكاني عبر القنوات
CNNs for Seizure Detection and Beyond
وفي التطبيقات السريرية، أظهرت شبكة CNN أداء ملحوظا في الكشف الآلي عن الضبطيات من التسجيلات المستمرة للشركة EEG، وبمعاملة الإشارة المتعددة القنوات على أنها صورة من طراز 2D (الساعة ×)، يمكن للشبكة أن تتعلم الاعتراف بالعلامات الدقيقة للتنبؤات المتعلقة بالمرض في الهواء وفي النشاط بين الزمان، كما أن الدراسات الكبيرة التي تعمل على استخدام جهاز البيانات الخاص بالأشعة السينية في مستشفى تيمبل (EEG) قد تجاوزت نسبة الاضطرابات في العينية 90%.
Recurrent Neural Networks (RNNs) and LSTM for Temporal Dynamics
The Brain signals are intrinsically sequential: the state of the brain at time t) is heavily influenced by its recent history. Recurrent neural networks (RNNs) are designed to process sequences by maintaining a hidden state that is updated at each time step. Early RNNs struggled with
LSTMs for Continuous EEG Classification
وقد استخدمت تدابير الحد الأدنى من الانبعاثات في مهام تتسم فيها الظروف الزمنية بأهمية قصوى، مثل تصنيف الحمولة المعرفية، أو مراحل النوم، أو الخطاب المتصور من الدول الصغرى للمجموعة الأوروبية، فعلى سبيل المثال، يمكن أن يتضمن الجزء الثاني من البيانات المتعلقة بتعددية البيانات أنماطاً مميزة تتطور على مدى دقائق؛ ويمكن أن يُدرج نظام الرصد التقني المتوسط هذه السمات الأطول أجلاً.
One of[s challenges of using LSTMs for brain signals is the high sampling rate (often 250 Hz or higher), which results in very long input sequences. To mitigate this, many structures first downsample the raw signal or apply a convolutional frontend to reduce the temporal resolution before feeding the features to the recurrent layers. The combination of CNN and LSTM — a [FSTVT:]
GRU and attention-Augmented RNNs
وتتيح وحدات خفض الانبعاثات آلية بسيطة للتمجيد أكثر من الآليات المذكورة، مع وجود معايير أقل، وقد أظهرت أداء مماثلاً للعديد من مجموعات بيانات التقييم البيئي، كما زاد الباحثون من هذه الشبكات الاهتمام، مما أتاح للشبكة التركيز على أدق الخطوات الزمنية، فعلى سبيل المثال، يمكن للنموذج أن يتعلم، في مهمة " الانطلاق/الانطلاق " ، الحضور إلى لحظة تقديم العرض التدريجي بدلاً من خط الأساس الذي سبقه.
أجهزة التحويل وآليات الاهتمام
وقد تم تكييف هيكل المحولات، الذي وضع أصلاً لتجهيز اللغات الطبيعية، لتزييف إشارات الدماغ بنتائج مثيرة للإعجاب، وفي جوهره، يحل المحوّل محل تكرار آلية ذاتية الإصدار () التي تقارن مبالغ مرجحة من جميع مواقع المدخلات، مما يتيح للنموذج أن يلتقط مباشرة معالين بعيدة المدى دون وجود قنوات إلكترونية مائلة " Equential " .
EEG —Transformer and Variants
One of the earliest adaptations is the EEG‐Transformer, which tokenises the multichannel time series into patches (e.g., 1second windows) and then applies a standard necoderonly transformer with positional embeddings. This structure achieved state-oftheart results on motortion imagery and emo
Another notable variant is the Vision Transformer (ViT) adapted for EEG by treating the 2D EEG image (channels × time) as a patch grid. The ViT approach has been used for crosssubject seizure detection and sleep stage classification. More recent models, such as
Multi —Modal Transformers and Cross —Attention
وكثيرا ما يستفيد زينة الإشارة الدماغية من ضخ طرائق متعددة مثل EEG و FMRI أو EEG وتتبع العينين، حيث تدعم التحولات بطبيعة الحال مدخلات متعددة الوسائط باستخدام متجانسات منفصلة لكل طريقة ثم تتداخل فيما بينها، فعلى سبيل المثال، استخدمت دراسة حديثة عن الاعتراف بالعاطفة متحولا لتوليد إشارات إلى EEG ولفت الانتباه الافتراضي العالي إلى حد كبير.
الهندسة المختلطـة، والشبكة الوطنية للأخشاب المدارية، والمترجمون الشفويون
ولا يهيمن أي هيكل واحد على جميع مهام إزالة إشارات الدماغ، وكثيرا ما تكون النماذج المعاصرة الأكثر فعالية هيجينات تستغل مواطن القوة في كل مبنى، ويطبق خط الأنابيب الهجينة النموذجي أولا مجموعة من طبقات التصنيفات الخلقية لاستخراج السمات المكانية المحلية (مثلا من الرواسب الكهروائية) والأنماط الزمنية القصيرة الأجل (مثلا، النطاقات الترددية).
CHANLSTM and CNN —Transformer
ومن بين أكثر الأطر الهجينة نجاحاً CNNLSTM]، مثلاً، في مجموعة بيانات المنافسة الرابعة العامة (أ)()، وهي مجموعة من البرمجيات التي تُستخدم في إطارها (CNN) مع وجود حلول قابلة للفصل بين عمق وتبعها أسلوب ثنائي متعدد الأطراف لتحقيق قيمة كمية تفوق 0.70، مما يتجاوز بكثير أداء خط الأساس للشبكة الوطنية للإثراء().
النهج المجمّعة والمتعددة الجوانب
ويمكن أن تتضمن النماذج الهجينة أيضاً عمليات متعددة النطاق، فعلى سبيل المثال، قد يجهز نموذج الإشارة في ثلاثة قرارات مؤقتة (مثلاً، استخدام أخذ العينات من عوامل 2 و4) ودمج الملامح عن طريق الاهتمام، وهذا يجسد الطريقة التي يقوم بها العقل نفسه في عمليات المعلومات على نطاق زمني متعدد، من الاختناق السريع إلى التباطؤ في الإيقاعات الملاحية، كما أن مجموعات البنى المختلفة قد استخدمت في المنافسة في BCI.
الاتجاهات المستقبلية والتحديات المفتوحة
ورغم التقدم المثير للإعجاب، لا تزال هناك تحديات عديدة قبل أن يصبح تفكيك الشبكة العصبية لإشارات الدماغ أمراً مجدياً من الناحيتين السريرية والتجارية.
التعلم والتعميم
(ب) الاختناقات الرئيسية هي سوء تعميم المواد والدورات والأجهزة: فمعظم نماذج التعلم العميقة تُدرَّب وتقيَّم على البيانات من موضوع واحد (أو مجموعة صغيرة) وتفشل عند تطبيقها على مستخدم جديد. ] يقصد من أساليب التعلم [متعددة الأطراف:] [معنى التركيز والتقدير] تكييف النموذج المسبق للموضوع الجديد مع الحد الأدنى من التوزيع.
التعلم غير المشرف والمشرف على الذات
وتتعلم الأساليب غير المشرفة والمزودة بمراجع ذاتية التمثيل المجدي من الإشارات غير الملصقة التي يمكن نقلها بعد ذلك إلى مهام في المجرى المائي بأقل من العلامات، كما أن التعلم المختلط والترميزات المتوقعة والتصنيف الآلي المقنع قد طُبقت كلها على نظام EEG و MEG. For example the
التوقيت الحقيقي والتناقص في معدلات الطوارئ
Induding for many BCI applications, such as cursor control or neuroprosthetic limbs, the deco must happen in real time with minimal latency. Large transformer models can be computationally demanding. Researchers are exploring efficient structures, including spiking neural networks) that mimic biological neuro and operate on event-Fressation data, and
التفسير والثقة
ويحتاج العيادات والمستعملون النهائيون إلى الثقة بنظام التزيين، لا سيما عندما يؤثر على القرارات الطبية، وكثيرا ما تسمى نماذج التعلم العميق صناديق سوداء، ولكن العمل الأخير في مجال معلومات مفسرة عن مؤشرات الدماغ قد أدى إلى وضع خرائط للخصوبة، وتكاثر طبقة العينات، وإيلاء الاهتمام الذي يبرز النقاط الزمنية أو الترددات الكهربائية التي يركز عليها النموذج.
النماذج المتعددة الأطياف والمتعددة
وعادة ما يتم تدريب النماذج الحالية على مهمة واحدة (مثلاً، الكشف عن الصور المتحركة أو ضبط المضبوطات) وقد أظهر التعلُّم المتعدد الأطقم، الذي يتم فيه تدريب التمثيل المشترك على عدة مهام ذات صلة في وقت واحد، وعدا بتحسين أداء فرادى المهام، وبالمثل، فإن النماذج المتعددة المواضيع التي تتعلم التمثيل الطبقي والوظيفي المشترك بين المواضيع يمكن أن تتيح النقل الصفري: فك رموز موضوع جديد دون أي بيانات معايرة.
خاتمة
وتتحول هياكل الشبكة العصبية لفك رموز إشارات الدماغ من شبكات بسيطة ومرتبطة ارتباطا كاملا إلى مجموعات متطورة من التصميمات القائمة على الثوران والتكرار والاهتمام، وتصبح هذه البيانات ذات الصلة بالطبيعة في نهاية المطاف، وهي تمثل نسقاً قياسياً للأداء، وتظل ملامحاً مع نماذج متسارعة للأداء، وتزيد من سرعة استخدام البيانات في الأغراض العملية.