حالة نماذج الذكاء الاصطناعي في أبحاث EEG في علم الأعصاب
مهول ناياك
13/03/2023
شارك:
ما الذي تكسبه من تعلم الآلة (ML) والتعلم العميق (DL)
لقد دخلنا عصر "البيانات الضخمة"، حيث أصبحت التقدم العلمي وفرص الاكتشاف أقل تقيدًا بقدرات تخزين ومشاركة البيانات. بدلاً من ذلك، أصبح الابتكار التكنولوجي والعلمي أكثر تقيدًا بقدرتنا على استخدام هذه البيانات المتاحة بوفرة بشكل سريع وفعال. بهذا المعنى، يظهر أنظمة النمذجة الذكية (AI) القوية والمتطورة أن حتى المجموعات البيانية الأكثر تعقيدًا يمكن تدقيقها إلى خوارزميات متطورة باستخدام قدرات معالجة البيانات في الوقت الفعلي.
علم الأعصاب والذكاء الاصطناعي
تُثبت هذه الخوارزميات والنماذج أنها مفيدة بشكل خاص للعلماء العصبيين والباحثين الذين يأملون في فهم واستجابة عمليات العقل البشري بشكل أفضل.
التطبيقات لا حصر لها. تمتد الاستخدامات من تحسين التسويق وتجارب المستخدم عبر تكنولوجيا التعرف على الوجه إلى تحسين الكفاءة للأفراد في إدارة أعباء العمل الإدراكي لديهم.
على وجه الخصوص، أظهرت شركة أبحاث الدماغ EEG EMOTIV قوة ML وDL من خلال خفض التكاليف لإجراء هذا البحث عن الدماغ بينما زادت الكفاءة في جمع البيانات وتحليلها. وبالمقابل، عزز هذا التطور بشكل كبير فائدة EEG للأفراد والمجتمعات التعليمية والأكاديمية، والشركات التي تستكشف حالات استخدام الأبحاث الاستهلاكية، من بين غيرها.
الذكاء الاصطناعي، تعلم الآلة، والتعلم العميق
ببطء ولكن بثبات، يدخل الذكاء الاصطناعي تطبيقات لم يتخيلها الأجيال السابقة، مما يخفض حواجز التكلفة للبحث ويمهد الطريق أسرع إلى الابتكارات التكنولوجية في المستقبل.
لا يوجد مكان يظهر فيه هذا الأمر بشكل أوضح من في مجال تكنولوجيا EEG. من خلال دمج نماذج ML وDL المتقدمة، يفتح العلماء العصبيون إمكانات هائلة في عدة مجالات، خاصة نظم التفاعل بين الدماغ والكمبيوتر وأنظمة التعرف العاطفي.
لفهم الحالة الحالية لنماذج الذكاء الاصطناعي في تفسير بيانات EEG، يجب التمييز بين بعض العناصر عن بعضها البعض مفهومياً. بينما تُستخدم مصطلحات مثل "الذكاء الاصطناعي" و"تعلم الآلة" و"التعلم العميق" بشكل متكرر بالتبادل، هناك فروقات مهمة تميز بينها.
الذكاء الاصطناعي
عندما أدركت العقول الإبداعية لأول مرة أن الآلات يمكن أن تُعلم التفكير مثل البشر يوماً ما، وُلد مصطلح الذكاء الاصطناعي. الذكاء الاصطناعي يشمل عدة فروع فرعية، بما في ذلك تعلم الآلة والتعلم العميق.
تعلم الآلة
تعلم الآلة هو فرع فرعي، أو فرع، من الذكاء الاصطناعي، يتم تدريبه باستخدام بنوك البيانات لتطوير خوارزميات معقدة. يمكن بعد ذلك استخدام هذه الخوارزميات لتحقيق تنبؤات دقيقة حول بيانات جديدة أو عينات، وتطوير أنظمة تصنيف دقيقة للغاية للبيانات، وفي هذه العملية، المساعدة في الكشف عن الأنماط والـInsight التي لا تكون قابلة للتطبيق عمليًا للعلماء بدون استخدام هذه الآلات.
التعلم العميق
التعلم العميق يأخذ تعلم الآلة خطوة أبعد من خلال أتمتة المزيد من الجوانب لعملية التعلم والتدريب. يمكن لخوارزميات التعلم العميق فك تشفير مجموعات البيانات غير المنظمة، مثل النصوص أو الصور، مما يتطلب تدخلًا بشريًا أقل بكثير. لهذا السبب، وُصف التعلم العميق بأنه "تعلم الآلة القابل للتوسيع".
القيود والتحديات التاريخية لـEEG: الحاجة إلى الذكاء الاصطناعي
يحتوي الدماغ البشري على حوالي 100 مليار خلية عصبية. الفهم الكامل للعلاقات المعقدة بين هذه الخلايا العصبية والاتصالات التشابكية الخاصة بها يتطلب القدرة على النظر إلى كميات هائلة من بيانات الدماغ بشكل شامل. لعقود من الزمن، كانت القدرة على عزل الأنماط الميتاوية لمسببات الدوائر العصبية من بيانات EEG تمثل الخطوة المحددة الرئيسية في فائدة قراءات EEG.
تكنولوجيا EEG نفسها غير مكلفة. تم توليد أول تسجيلات لموجات الدماغ EEG في أواخر القرن 1800، وعملية جمع قراءات EEG غير جراحية وغير معقدة نسبيًا.
ومع ذلك، فإن التكاليف الكامنة في جمع وتحليل بيانات EEG قد نُسبت في المقام الأول إلى العمل اليدوي لاقتطاع العلامات الغريبة الملتقطة بواسطة EEG، الذي يحتوي على نسبة منخفضة من الإشارة إلى الضوضاء. بيانات EEG معقدة وتحمل جوانب غير خطية وغير ثابتة بمرور الوقت. كما أن لها عوامل تتغير بشكل فريد من شخص لآخر.
كان على الباحثين معالجة كميات هائلة من البيانات يدويًا لإزالة الضوضاء غير الضرورية ومراعاة جميع المتغيرات المختلفة. لذلك، كان من غير العملي وغير الممكن لفترة طويلة استخدام EEG في مهام أكثر تعقيدًا مثل التعرف العاطفي. ومع ذلك، استمر الباحثون.
لتبسيط جمع وتحليل بيانات الدماغ EEG وتقليل حاجز التكلفة والعائد للباحثين، قام العلماء العصبيون بتطوير عملية تصنيف EEG لتقسيم مراحلهم وتحديد استراتيجياتهم وتقنياتهم الخاصة وتعزيز تطبيقات EEG.
عملية تصنيف EEG العامة بـ5 خطوات
المعالجة المسبقة للبيانات.
بدء إجراء التصنيف.
تقسيم مجموعة البيانات للمصنف.
توقع فئة البيانات الجديدة.
تقييم نموذج التصنيف لمجموعة بيانات الاختبار.
بينما لا يزال EEG حاليًا واحدة من أكثر الطرق فعالية من حيث التكلفة والتوعية لالتقاط نشاط الدماغ، إلا أن فائدة بيانات EEG لا تزال مقيدة بمدى موثوقية تسجيل العلماء للبيانات الدماغية وكفاءة معالجة تلك التسجيلات EEG.
مستقبل EEG: نهضة الذكاء الاصطناعي وقدرات البيانات الضخمة
مصطلح "البيانات الضخمة" يشير إلى الكميات والسرعات والتنوعات المتزايدة التي يمكننا بها جمع ومعالجة البيانات من خلال التكنولوجيا الحديثة. تغيّر البيانات الضخمة بشكل جذري المشهد العصبوني العلمي. ببساطة، نحن الآن، أكثر من أي وقت مضى، مجهزون بشكل أفضل للاستفادة من الكميات الهائلة من البيانات التي نجمعها.
مهام التصنيف، وخاصة تلك المعنية بالكشف عن الحالات العاطفية، يتم التعامل معها بشكل متزايد من خلال عمليات التصنيف الثنائي والتصنيف المتعدد. تتعلم خوارزميات ML الخاضعة للإشراف بيانات التدريبات، وتطور النماذج والمعلمات المكتسبة، وبعد ذلك تطبيقها على البيانات الجديدة لتخصيص كل مجموعة بيانات إلى فئاتها المناسبة. يلغي هذا الإجراءات الحاجة للبشر لقضاء الوقت في اتخاذ قرارات مكررة ومرهقة.
من السهل سماع مصطلحات مثل "الذكاء الاصطناعي" أو "تعلم الآلة" والتفكير في عوالم مستقبلية تم تصوّرها في الآثار الثقافية الشعبية مثل فيلم The Terminator في عام 1984. قد تفترض أن هذه التقنيات معقدة للغاية لفهمها أو قيِّمة في المهام التي تعزز حياتك اليومية.
لا تقع في هذا الفخ
الذكاء الاصطناعي أقل تعقيدًا بشكل كبير مما تم توضيح في الضربات الكبيرة مثل الروائع الكلاسيكية للخيال العلمي مثل رواية I, Robot لإسحاق أسيموف عام 1950. حتى الأفراد الذين هم خارج الدراسة في AI يمكنهم فهم النماذج الحالية واستخدامها المتاحة في أبحاثهم الخاصة.
تطبيقات ML وDL في الوقت الفعلي في أبحاث EEG
زاد استخدام خوارزميات ML وDL لفهم بيانات الدماغ بشكل كبير على مدى السنوات الأخيرة، كما هو مشهود له بمراجعة منهجية نُشرت في عام 2021 والتي حددت الأبحاث المراجعة من الزملاء والتي تهدف إلى تطوير وتنقيح خوارزميات معالجة EEG. حوالي 63٪ من المقالات التي غطاها هذا الاستعراض نُشرت في السنوات الثلاث الماضية، مما يشير إلى أن استخدام هذه النماذج في أنظمة BCI المستقبلية وأبحاث ER يمكن توقع زيادته.
في مقال نُشره لوكاس جايمن تحت عنوان "تشخيصات EEG القائمة على تعلم الآلة"، قام هو وفريقه بالتحقيق في طرق ML وقدرتها على أتمتة تحليل EEG السريري. من خلال تصنيف النماذج التلقائية لـEEG إلى نهج قائم على الميزات أو نهج من البداية إلى النهاية، "طبقوا الإطار المقترح القائم على الميزات والشبكات العصبية العميقة شبكة التلافيف الزمنية المحسنة لEEG (TCN)." وجدوا أن الدقة عبر كلتا النهجين كانت ضيقة بشكل مفاجئ، تتراوح بين 81٪ إلى 86٪. تُظهر النتائج أن الإطار المقترح لفك الشفرة القائم على الميزات يتمتع بدقّة مماثلة للشبكات العصبية العميقة.
أشار مقال يانيك روي وآخرون في مجلة
ما الذي تكسبه من تعلم الآلة (ML) والتعلم العميق (DL)
لقد دخلنا عصر "البيانات الضخمة"، حيث أصبحت التقدم العلمي وفرص الاكتشاف أقل تقيدًا بقدرات تخزين ومشاركة البيانات. بدلاً من ذلك، أصبح الابتكار التكنولوجي والعلمي أكثر تقيدًا بقدرتنا على استخدام هذه البيانات المتاحة بوفرة بشكل سريع وفعال. بهذا المعنى، يظهر أنظمة النمذجة الذكية (AI) القوية والمتطورة أن حتى المجموعات البيانية الأكثر تعقيدًا يمكن تدقيقها إلى خوارزميات متطورة باستخدام قدرات معالجة البيانات في الوقت الفعلي.
علم الأعصاب والذكاء الاصطناعي
تُثبت هذه الخوارزميات والنماذج أنها مفيدة بشكل خاص للعلماء العصبيين والباحثين الذين يأملون في فهم واستجابة عمليات العقل البشري بشكل أفضل.
التطبيقات لا حصر لها. تمتد الاستخدامات من تحسين التسويق وتجارب المستخدم عبر تكنولوجيا التعرف على الوجه إلى تحسين الكفاءة للأفراد في إدارة أعباء العمل الإدراكي لديهم.
على وجه الخصوص، أظهرت شركة أبحاث الدماغ EEG EMOTIV قوة ML وDL من خلال خفض التكاليف لإجراء هذا البحث عن الدماغ بينما زادت الكفاءة في جمع البيانات وتحليلها. وبالمقابل، عزز هذا التطور بشكل كبير فائدة EEG للأفراد والمجتمعات التعليمية والأكاديمية، والشركات التي تستكشف حالات استخدام الأبحاث الاستهلاكية، من بين غيرها.
الذكاء الاصطناعي، تعلم الآلة، والتعلم العميق
ببطء ولكن بثبات، يدخل الذكاء الاصطناعي تطبيقات لم يتخيلها الأجيال السابقة، مما يخفض حواجز التكلفة للبحث ويمهد الطريق أسرع إلى الابتكارات التكنولوجية في المستقبل.
لا يوجد مكان يظهر فيه هذا الأمر بشكل أوضح من في مجال تكنولوجيا EEG. من خلال دمج نماذج ML وDL المتقدمة، يفتح العلماء العصبيون إمكانات هائلة في عدة مجالات، خاصة نظم التفاعل بين الدماغ والكمبيوتر وأنظمة التعرف العاطفي.
لفهم الحالة الحالية لنماذج الذكاء الاصطناعي في تفسير بيانات EEG، يجب التمييز بين بعض العناصر عن بعضها البعض مفهومياً. بينما تُستخدم مصطلحات مثل "الذكاء الاصطناعي" و"تعلم الآلة" و"التعلم العميق" بشكل متكرر بالتبادل، هناك فروقات مهمة تميز بينها.
الذكاء الاصطناعي
عندما أدركت العقول الإبداعية لأول مرة أن الآلات يمكن أن تُعلم التفكير مثل البشر يوماً ما، وُلد مصطلح الذكاء الاصطناعي. الذكاء الاصطناعي يشمل عدة فروع فرعية، بما في ذلك تعلم الآلة والتعلم العميق.
تعلم الآلة
تعلم الآلة هو فرع فرعي، أو فرع، من الذكاء الاصطناعي، يتم تدريبه باستخدام بنوك البيانات لتطوير خوارزميات معقدة. يمكن بعد ذلك استخدام هذه الخوارزميات لتحقيق تنبؤات دقيقة حول بيانات جديدة أو عينات، وتطوير أنظمة تصنيف دقيقة للغاية للبيانات، وفي هذه العملية، المساعدة في الكشف عن الأنماط والـInsight التي لا تكون قابلة للتطبيق عمليًا للعلماء بدون استخدام هذه الآلات.
التعلم العميق
التعلم العميق يأخذ تعلم الآلة خطوة أبعد من خلال أتمتة المزيد من الجوانب لعملية التعلم والتدريب. يمكن لخوارزميات التعلم العميق فك تشفير مجموعات البيانات غير المنظمة، مثل النصوص أو الصور، مما يتطلب تدخلًا بشريًا أقل بكثير. لهذا السبب، وُصف التعلم العميق بأنه "تعلم الآلة القابل للتوسيع".
القيود والتحديات التاريخية لـEEG: الحاجة إلى الذكاء الاصطناعي
يحتوي الدماغ البشري على حوالي 100 مليار خلية عصبية. الفهم الكامل للعلاقات المعقدة بين هذه الخلايا العصبية والاتصالات التشابكية الخاصة بها يتطلب القدرة على النظر إلى كميات هائلة من بيانات الدماغ بشكل شامل. لعقود من الزمن، كانت القدرة على عزل الأنماط الميتاوية لمسببات الدوائر العصبية من بيانات EEG تمثل الخطوة المحددة الرئيسية في فائدة قراءات EEG.
تكنولوجيا EEG نفسها غير مكلفة. تم توليد أول تسجيلات لموجات الدماغ EEG في أواخر القرن 1800، وعملية جمع قراءات EEG غير جراحية وغير معقدة نسبيًا.
ومع ذلك، فإن التكاليف الكامنة في جمع وتحليل بيانات EEG قد نُسبت في المقام الأول إلى العمل اليدوي لاقتطاع العلامات الغريبة الملتقطة بواسطة EEG، الذي يحتوي على نسبة منخفضة من الإشارة إلى الضوضاء. بيانات EEG معقدة وتحمل جوانب غير خطية وغير ثابتة بمرور الوقت. كما أن لها عوامل تتغير بشكل فريد من شخص لآخر.
كان على الباحثين معالجة كميات هائلة من البيانات يدويًا لإزالة الضوضاء غير الضرورية ومراعاة جميع المتغيرات المختلفة. لذلك، كان من غير العملي وغير الممكن لفترة طويلة استخدام EEG في مهام أكثر تعقيدًا مثل التعرف العاطفي. ومع ذلك، استمر الباحثون.
لتبسيط جمع وتحليل بيانات الدماغ EEG وتقليل حاجز التكلفة والعائد للباحثين، قام العلماء العصبيون بتطوير عملية تصنيف EEG لتقسيم مراحلهم وتحديد استراتيجياتهم وتقنياتهم الخاصة وتعزيز تطبيقات EEG.
عملية تصنيف EEG العامة بـ5 خطوات
المعالجة المسبقة للبيانات.
بدء إجراء التصنيف.
تقسيم مجموعة البيانات للمصنف.
توقع فئة البيانات الجديدة.
تقييم نموذج التصنيف لمجموعة بيانات الاختبار.
بينما لا يزال EEG حاليًا واحدة من أكثر الطرق فعالية من حيث التكلفة والتوعية لالتقاط نشاط الدماغ، إلا أن فائدة بيانات EEG لا تزال مقيدة بمدى موثوقية تسجيل العلماء للبيانات الدماغية وكفاءة معالجة تلك التسجيلات EEG.
مستقبل EEG: نهضة الذكاء الاصطناعي وقدرات البيانات الضخمة
مصطلح "البيانات الضخمة" يشير إلى الكميات والسرعات والتنوعات المتزايدة التي يمكننا بها جمع ومعالجة البيانات من خلال التكنولوجيا الحديثة. تغيّر البيانات الضخمة بشكل جذري المشهد العصبوني العلمي. ببساطة، نحن الآن، أكثر من أي وقت مضى، مجهزون بشكل أفضل للاستفادة من الكميات الهائلة من البيانات التي نجمعها.
مهام التصنيف، وخاصة تلك المعنية بالكشف عن الحالات العاطفية، يتم التعامل معها بشكل متزايد من خلال عمليات التصنيف الثنائي والتصنيف المتعدد. تتعلم خوارزميات ML الخاضعة للإشراف بيانات التدريبات، وتطور النماذج والمعلمات المكتسبة، وبعد ذلك تطبيقها على البيانات الجديدة لتخصيص كل مجموعة بيانات إلى فئاتها المناسبة. يلغي هذا الإجراءات الحاجة للبشر لقضاء الوقت في اتخاذ قرارات مكررة ومرهقة.
من السهل سماع مصطلحات مثل "الذكاء الاصطناعي" أو "تعلم الآلة" والتفكير في عوالم مستقبلية تم تصوّرها في الآثار الثقافية الشعبية مثل فيلم The Terminator في عام 1984. قد تفترض أن هذه التقنيات معقدة للغاية لفهمها أو قيِّمة في المهام التي تعزز حياتك اليومية.
لا تقع في هذا الفخ
الذكاء الاصطناعي أقل تعقيدًا بشكل كبير مما تم توضيح في الضربات الكبيرة مثل الروائع الكلاسيكية للخيال العلمي مثل رواية I, Robot لإسحاق أسيموف عام 1950. حتى الأفراد الذين هم خارج الدراسة في AI يمكنهم فهم النماذج الحالية واستخدامها المتاحة في أبحاثهم الخاصة.
تطبيقات ML وDL في الوقت الفعلي في أبحاث EEG
زاد استخدام خوارزميات ML وDL لفهم بيانات الدماغ بشكل كبير على مدى السنوات الأخيرة، كما هو مشهود له بمراجعة منهجية نُشرت في عام 2021 والتي حددت الأبحاث المراجعة من الزملاء والتي تهدف إلى تطوير وتنقيح خوارزميات معالجة EEG. حوالي 63٪ من المقالات التي غطاها هذا الاستعراض نُشرت في السنوات الثلاث الماضية، مما يشير إلى أن استخدام هذه النماذج في أنظمة BCI المستقبلية وأبحاث ER يمكن توقع زيادته.
في مقال نُشره لوكاس جايمن تحت عنوان "تشخيصات EEG القائمة على تعلم الآلة"، قام هو وفريقه بالتحقيق في طرق ML وقدرتها على أتمتة تحليل EEG السريري. من خلال تصنيف النماذج التلقائية لـEEG إلى نهج قائم على الميزات أو نهج من البداية إلى النهاية، "طبقوا الإطار المقترح القائم على الميزات والشبكات العصبية العميقة شبكة التلافيف الزمنية المحسنة لEEG (TCN)." وجدوا أن الدقة عبر كلتا النهجين كانت ضيقة بشكل مفاجئ، تتراوح بين 81٪ إلى 86٪. تُظهر النتائج أن الإطار المقترح لفك الشفرة القائم على الميزات يتمتع بدقّة مماثلة للشبكات العصبية العميقة.
أشار مقال يانيك روي وآخرون في مجلة
ما الذي تكسبه من تعلم الآلة (ML) والتعلم العميق (DL)
لقد دخلنا عصر "البيانات الضخمة"، حيث أصبحت التقدم العلمي وفرص الاكتشاف أقل تقيدًا بقدرات تخزين ومشاركة البيانات. بدلاً من ذلك، أصبح الابتكار التكنولوجي والعلمي أكثر تقيدًا بقدرتنا على استخدام هذه البيانات المتاحة بوفرة بشكل سريع وفعال. بهذا المعنى، يظهر أنظمة النمذجة الذكية (AI) القوية والمتطورة أن حتى المجموعات البيانية الأكثر تعقيدًا يمكن تدقيقها إلى خوارزميات متطورة باستخدام قدرات معالجة البيانات في الوقت الفعلي.
علم الأعصاب والذكاء الاصطناعي
تُثبت هذه الخوارزميات والنماذج أنها مفيدة بشكل خاص للعلماء العصبيين والباحثين الذين يأملون في فهم واستجابة عمليات العقل البشري بشكل أفضل.
التطبيقات لا حصر لها. تمتد الاستخدامات من تحسين التسويق وتجارب المستخدم عبر تكنولوجيا التعرف على الوجه إلى تحسين الكفاءة للأفراد في إدارة أعباء العمل الإدراكي لديهم.
على وجه الخصوص، أظهرت شركة أبحاث الدماغ EEG EMOTIV قوة ML وDL من خلال خفض التكاليف لإجراء هذا البحث عن الدماغ بينما زادت الكفاءة في جمع البيانات وتحليلها. وبالمقابل، عزز هذا التطور بشكل كبير فائدة EEG للأفراد والمجتمعات التعليمية والأكاديمية، والشركات التي تستكشف حالات استخدام الأبحاث الاستهلاكية، من بين غيرها.
الذكاء الاصطناعي، تعلم الآلة، والتعلم العميق
ببطء ولكن بثبات، يدخل الذكاء الاصطناعي تطبيقات لم يتخيلها الأجيال السابقة، مما يخفض حواجز التكلفة للبحث ويمهد الطريق أسرع إلى الابتكارات التكنولوجية في المستقبل.
لا يوجد مكان يظهر فيه هذا الأمر بشكل أوضح من في مجال تكنولوجيا EEG. من خلال دمج نماذج ML وDL المتقدمة، يفتح العلماء العصبيون إمكانات هائلة في عدة مجالات، خاصة نظم التفاعل بين الدماغ والكمبيوتر وأنظمة التعرف العاطفي.
لفهم الحالة الحالية لنماذج الذكاء الاصطناعي في تفسير بيانات EEG، يجب التمييز بين بعض العناصر عن بعضها البعض مفهومياً. بينما تُستخدم مصطلحات مثل "الذكاء الاصطناعي" و"تعلم الآلة" و"التعلم العميق" بشكل متكرر بالتبادل، هناك فروقات مهمة تميز بينها.
الذكاء الاصطناعي
عندما أدركت العقول الإبداعية لأول مرة أن الآلات يمكن أن تُعلم التفكير مثل البشر يوماً ما، وُلد مصطلح الذكاء الاصطناعي. الذكاء الاصطناعي يشمل عدة فروع فرعية، بما في ذلك تعلم الآلة والتعلم العميق.
تعلم الآلة
تعلم الآلة هو فرع فرعي، أو فرع، من الذكاء الاصطناعي، يتم تدريبه باستخدام بنوك البيانات لتطوير خوارزميات معقدة. يمكن بعد ذلك استخدام هذه الخوارزميات لتحقيق تنبؤات دقيقة حول بيانات جديدة أو عينات، وتطوير أنظمة تصنيف دقيقة للغاية للبيانات، وفي هذه العملية، المساعدة في الكشف عن الأنماط والـInsight التي لا تكون قابلة للتطبيق عمليًا للعلماء بدون استخدام هذه الآلات.
التعلم العميق
التعلم العميق يأخذ تعلم الآلة خطوة أبعد من خلال أتمتة المزيد من الجوانب لعملية التعلم والتدريب. يمكن لخوارزميات التعلم العميق فك تشفير مجموعات البيانات غير المنظمة، مثل النصوص أو الصور، مما يتطلب تدخلًا بشريًا أقل بكثير. لهذا السبب، وُصف التعلم العميق بأنه "تعلم الآلة القابل للتوسيع".
القيود والتحديات التاريخية لـEEG: الحاجة إلى الذكاء الاصطناعي
يحتوي الدماغ البشري على حوالي 100 مليار خلية عصبية. الفهم الكامل للعلاقات المعقدة بين هذه الخلايا العصبية والاتصالات التشابكية الخاصة بها يتطلب القدرة على النظر إلى كميات هائلة من بيانات الدماغ بشكل شامل. لعقود من الزمن، كانت القدرة على عزل الأنماط الميتاوية لمسببات الدوائر العصبية من بيانات EEG تمثل الخطوة المحددة الرئيسية في فائدة قراءات EEG.
تكنولوجيا EEG نفسها غير مكلفة. تم توليد أول تسجيلات لموجات الدماغ EEG في أواخر القرن 1800، وعملية جمع قراءات EEG غير جراحية وغير معقدة نسبيًا.
ومع ذلك، فإن التكاليف الكامنة في جمع وتحليل بيانات EEG قد نُسبت في المقام الأول إلى العمل اليدوي لاقتطاع العلامات الغريبة الملتقطة بواسطة EEG، الذي يحتوي على نسبة منخفضة من الإشارة إلى الضوضاء. بيانات EEG معقدة وتحمل جوانب غير خطية وغير ثابتة بمرور الوقت. كما أن لها عوامل تتغير بشكل فريد من شخص لآخر.
كان على الباحثين معالجة كميات هائلة من البيانات يدويًا لإزالة الضوضاء غير الضرورية ومراعاة جميع المتغيرات المختلفة. لذلك، كان من غير العملي وغير الممكن لفترة طويلة استخدام EEG في مهام أكثر تعقيدًا مثل التعرف العاطفي. ومع ذلك، استمر الباحثون.
لتبسيط جمع وتحليل بيانات الدماغ EEG وتقليل حاجز التكلفة والعائد للباحثين، قام العلماء العصبيون بتطوير عملية تصنيف EEG لتقسيم مراحلهم وتحديد استراتيجياتهم وتقنياتهم الخاصة وتعزيز تطبيقات EEG.
عملية تصنيف EEG العامة بـ5 خطوات
المعالجة المسبقة للبيانات.
بدء إجراء التصنيف.
تقسيم مجموعة البيانات للمصنف.
توقع فئة البيانات الجديدة.
تقييم نموذج التصنيف لمجموعة بيانات الاختبار.
بينما لا يزال EEG حاليًا واحدة من أكثر الطرق فعالية من حيث التكلفة والتوعية لالتقاط نشاط الدماغ، إلا أن فائدة بيانات EEG لا تزال مقيدة بمدى موثوقية تسجيل العلماء للبيانات الدماغية وكفاءة معالجة تلك التسجيلات EEG.
مستقبل EEG: نهضة الذكاء الاصطناعي وقدرات البيانات الضخمة
مصطلح "البيانات الضخمة" يشير إلى الكميات والسرعات والتنوعات المتزايدة التي يمكننا بها جمع ومعالجة البيانات من خلال التكنولوجيا الحديثة. تغيّر البيانات الضخمة بشكل جذري المشهد العصبوني العلمي. ببساطة، نحن الآن، أكثر من أي وقت مضى، مجهزون بشكل أفضل للاستفادة من الكميات الهائلة من البيانات التي نجمعها.
مهام التصنيف، وخاصة تلك المعنية بالكشف عن الحالات العاطفية، يتم التعامل معها بشكل متزايد من خلال عمليات التصنيف الثنائي والتصنيف المتعدد. تتعلم خوارزميات ML الخاضعة للإشراف بيانات التدريبات، وتطور النماذج والمعلمات المكتسبة، وبعد ذلك تطبيقها على البيانات الجديدة لتخصيص كل مجموعة بيانات إلى فئاتها المناسبة. يلغي هذا الإجراءات الحاجة للبشر لقضاء الوقت في اتخاذ قرارات مكررة ومرهقة.
من السهل سماع مصطلحات مثل "الذكاء الاصطناعي" أو "تعلم الآلة" والتفكير في عوالم مستقبلية تم تصوّرها في الآثار الثقافية الشعبية مثل فيلم The Terminator في عام 1984. قد تفترض أن هذه التقنيات معقدة للغاية لفهمها أو قيِّمة في المهام التي تعزز حياتك اليومية.
لا تقع في هذا الفخ
الذكاء الاصطناعي أقل تعقيدًا بشكل كبير مما تم توضيح في الضربات الكبيرة مثل الروائع الكلاسيكية للخيال العلمي مثل رواية I, Robot لإسحاق أسيموف عام 1950. حتى الأفراد الذين هم خارج الدراسة في AI يمكنهم فهم النماذج الحالية واستخدامها المتاحة في أبحاثهم الخاصة.
تطبيقات ML وDL في الوقت الفعلي في أبحاث EEG
زاد استخدام خوارزميات ML وDL لفهم بيانات الدماغ بشكل كبير على مدى السنوات الأخيرة، كما هو مشهود له بمراجعة منهجية نُشرت في عام 2021 والتي حددت الأبحاث المراجعة من الزملاء والتي تهدف إلى تطوير وتنقيح خوارزميات معالجة EEG. حوالي 63٪ من المقالات التي غطاها هذا الاستعراض نُشرت في السنوات الثلاث الماضية، مما يشير إلى أن استخدام هذه النماذج في أنظمة BCI المستقبلية وأبحاث ER يمكن توقع زيادته.
في مقال نُشره لوكاس جايمن تحت عنوان "تشخيصات EEG القائمة على تعلم الآلة"، قام هو وفريقه بالتحقيق في طرق ML وقدرتها على أتمتة تحليل EEG السريري. من خلال تصنيف النماذج التلقائية لـEEG إلى نهج قائم على الميزات أو نهج من البداية إلى النهاية، "طبقوا الإطار المقترح القائم على الميزات والشبكات العصبية العميقة شبكة التلافيف الزمنية المحسنة لEEG (TCN)." وجدوا أن الدقة عبر كلتا النهجين كانت ضيقة بشكل مفاجئ، تتراوح بين 81٪ إلى 86٪. تُظهر النتائج أن الإطار المقترح لفك الشفرة القائم على الميزات يتمتع بدقّة مماثلة للشبكات العصبية العميقة.
أشار مقال يانيك روي وآخرون في مجلة
