شبكة عصبونية تعيد بناء الأفكار البشرية من موجات الدماغ في الزمن الحقيقي

أوجد باحثون من الشركة الروسية "Neurobotics" بالتعاون مع معهد موسكو للفيزياء والتكنولوجيا (MIPT- Moscow Institute of Physics and Technology) طريقةً جديدة لتصوير نشاط دماغ الإنسان على شكل صور فعلية تحاكي ما يلاحظه أو يفكر به في الزمن الحقيقي (2).

وتبعًا لتحليل موجات الدماغ؛ اتضح أنّ أنماط الموجات الصادرة عنه تتغير تبعًا لاختلاف الفئات التي يلاحظها الشخص أو يفكر بها، ومن ثم يمكن الاستفادة من هذا الاختلاف في تحليل استجابة الدماغ وتصويرها (2).

إنّ النظام الجديد (Brain- computer Interface (BCI اعتمد -على نحو رئيس- على الشبكات العصبونية الصنعية Artificial Neural Networks، والتخطيط الكهربائي لقشرة الدماغ EEG - Electroencephalography. (2)

يُعاد تشكيل الصورة التي يراقبها الأشخاص تحت التجربة subjects على واجهة BCI في الزمن الحقيقي باستخدام شبكتين عصبونيتين طوّرهما الباحثون؛ إذ تعمل الأولى على توليد صور تابعة لفئة معيّنة من الضجيج noise، في حين تُولّد الأخرى ضجيجًا مماثلًا من إشارة EEG.(2)

يقول غريغوري راشكوف Grigory Rashkov؛ الباحث المشارك في MIPT والمبرمج في Neurobotics: "اعتاد الباحثون على الاعتقاد بأنّ دراسة عمليات الدماغ عن طريق تخطيط كهربية القشرة الدماغية تشابه اكتشاف البنية الداخلية لمحرّك بخاري من خلال تحليل الدخان الذي خلفه قطار بخاري" (2).

يُتابع Rashkov: " لم نتوقع أن تحتوي الإشارات على معلومات كافية حتى لإعادة بناءٍ جزئي لصورة لاحظها شخص، وعلى الرغم من ذلك؛ تبيّن أن ذلك ممكن تمامًا" (2).

من المعروف أنّ تجارب الدماغ عادةً ما تتطلب حالة من التركيز والاسترخاء، أو تتطلب في بعض الحالات فرضَ ضغط عقلي على subjects، ومن ثم دقة في اختيار المدخلات المناسبة تبعًا للدراسة.

ولذلك؛ تنوّعت مدخلات BCI عن طريق استخدام محفزات مرئية مستمرة (مقاطع فيديو) من فئة الرياضات السريعة والمشاهد الطبيعية وتعابير الوجوه البشرية، إضافة إلى الأشكال الهندسية المتداخلة (1).

يمكن تصوير عمل النظام بحلقة مغلقة تعتمد على التغذية الراجعة feedback؛ إذ يبدأ تكوين النظام من مرحلة تخطيط كهربية الدماغ، لتُسجَّل الإشارة الناتجة وتُرشح، ثم تُقسم إلى شرائح زمنية تبعًا للفئات البصرية المعروضة على subjects .(1)

تُنزع الإشارات الناتجة عن حركة العين وغيرها من مشتتات النظام، لتُطبَّق مجموعة من المصنفات، وبذلك؛ تنتهي مرحلة "Feature extraction and classification" باستخراج شعاع السمات feature vectors تبعًا للفئات البصرية (1).

تُشكل هذه المرحلة أساس أنموذج التغذية الراجعة العصبية Native neurofeedback model، وهو أنموذج تصورٍ مبنيّ على التعلم العميق، يعمل على التنبّؤ من شعاع السمات المُستخرَج من EEG بما يلاحظه subject أو يفكر به على شكل صور حقيقة (1).

يُعاد بناء الصورة من خلال نظام (Image Decoder (ID المسبق التدريب، وهو أنموذج تشفير تلقائي Auto-Encoder تلافيفي للتحويل من صورة إلى صورة.

ينتج عن جزء التشفير التلقائي Encoding part لمجموعة من الصور التي تنتمي إلى فئة معينة latent space vector أو ما يمكن تصوّره بـ "ضجيج" noise، ثم يعيد جزءُ فك التشفير Decoding part بناءَه على شكل صور حقيقية مرة أخرى.

يمكن عدّ الجزئين شبكتين عصبيتين فرعيتين متطابقتين مع أوزان مشتركة، وتعالج كل شبكة مدخلاتها الخاصة مع تحديث الأوزان بحيث يتعلم الأنموذج فيما إذا كانت الصورة المدخلة تنتمي إلى فئة معينة أم لا (1).

يُترجم شعاع السمات الناتج عن EEG إلى مجال latent space عن طريق شبكة ربط السمات EEG feature mapper network المسبقة التدريب،  ليُعاد بناء الصورة باستخدام جزء فك التشفير من ID system.(1)

الشكل (1) - خوارزمية تشغيل نظام BCI (2)

لاختبار قدرة النظام على تصوير نشاط الدماغ؛ عُرِض على المشاركين مقاطعُ فيديو من الفئات المستخدمة في التجربة، علمًا أنهم لم يروها مسبقًا.

سُجلت إشارات EEG وأُدخلت إلى الشبكات العصبية في النظام، وكانت النتائج مذهلة؛ إذ استطاع النظام اجتياز الاختبار وإعادة توليد صور مقنعة يمكن تصنيفها بسهولة.

الشكل (2) - يمثّل كل زوج إطارًا من فيديو شاهده subjects، والصورة المقابلة التي وُلِّدت من BCI(2)

أثبت النظام فاعليته بعد التدريب والاختبار بنسبة 90% لتعرف الصور التي أُعيد بناؤها من حيث الانتماء إلى الفئة (1).

يأمل الباحثون باستكشاف المزيد من المحفزات البصرية وتحسين جودة الصور التي أُعيد بناؤها، وذلك لتطوير النظام وتوسيع نطاق استخدامه (1).

الهامش:

Electroencephalography: هي تقنية لتسجيل النشاط الكهربائي للخلايا العصبية في الدماغ عبر الأقطاب الكهربائية الموضوعة -على نحو غير جراحي- على فروة الرأس (2).

Auto-Encoder: هو أحد طرائق التعلم غير الخاضعة للرقابة unsupervised learning في مجال التعلم العميق، يمكنه التعرف تلقائيًّا إلى السمات الفعالة والمهمة من كميات كبيرة من البيانات غير المصنّفة.

عادةً ما تحتوي تطبيقات التشفير التلقائي على بنية تشفير وبنية فك تشفير، وغالبًا ما تكون بنية التشفير عبارة عن مسار تجميعي يقدّم معلومات وفيرة لكل بكسل، في حين أنّ بنية فك التشفير مجرد مسار موسّع للمعلومات المحلية (3).

المصادر: