تخطيط كهربية الدماغ كإشارة رخيصة ولكنها معقدة
للتشخيص المبكر لمرض الزهايمر، هناك حاجة إلى طرق ميسورة التكلفة. يبدو تخطيط كهربية الدماغ (EEG) مثالياً: المعدات محمولة وغير مكلفة. لكن للتسجيلات خصائصها: فهي مشوشة، وتختلف اختلافاً كبيراً بين الأشخاص، والبيانات السريرية المصنفة قليلة. ولهذا السبب، غالباً ما تعاني الشبكات العصبية التقليدية المدربة "بشكل مباشر" من الإفراط في التكيف وتعمل بشكل سيئ على المرضى الجدد.
في مثل هذه الظروف، يعد التحليل ذاتي التعلم واعداً، مثل Delta2Gamma.
التعلم الذاتي بدلاً من التصنيف اليدوي
اقترح الباحثان تشانغو بارك وتشانغو كيم إطار عمل Delta2Gamma، الذي لا يتطلب مجموعات بيانات مصنفة كبيرة. الفكرة هي التعلم من الإشارات نفسها، من خلال إنشاء نسخ معززة منها ومطابقتها مع بعضها البعض — يُعرف هذا النهج بالتعلم التبايني.
أولاً، يتم تحليل كل تسجيل إلى خمسة إيقاعات عصبية كلاسيكية: دلتا، ثيتا، ألفا، بيتا، وغاما. لكل إيقاع، يتم استخدام مُرمّز منفصل ورأس إسقاط خاص به، لأن الإحصائيات تختلف بين النطاقات. لضمان مساهمة متوازنة في التعلم، يتم ضبط درجة الحرارة بشكل تكيفي لكل نطاق — وهي معلمة تتحكم في حساسية دالة الخسارة التباينية.
النتائج
تم قبول العمل في مؤتمر IEEE 2026 للدوائر والأنظمة الطبية الحيوية (BioCAS). على مجموعة ADFTD، تم اختبار فعالية Delta2Gamma ببروتوكول صارم لترك موضوع واحد خارجاً (leave-one-subject-out): يتم تدريب النموذج على جميع المشاركين باستثناء واحد، ثم يتم اختباره على الموضوع المستبعد. هذا أقرب ما يكون إلى الاستخدام الفعلي. في هذا الاختبار، تمكن النموذج من التمييز بين مرضى الزهايمر والأشخاص الأصحاء معرفياً بدقة بلغت 92.4%.
هذه النتيجة تتفوق على كل من الشبكات العصبية الخاضعة للإشراف التقليدية والطرق المتخصصة الحديثة لتحليل تخطيط كهربية الدماغ التي طُوّرت خصيصاً لهذه المهمة.
الاستنتاجات
يُظهر Delta2Gamma أن التحليل الذاتي التعلم لتخطيط كهربية الدماغ قادر على تحقيق دقة عالية دون قواعد بيانات مصنفة ضخمة. القدرة على العمل مع البيانات الخام غير المصنفة تجعل النهج قابلاً للتوسع — حيث يمكن تطبيقه للفحص الجماعي للخرف، حيث يكون العامل الرئيسي هو التكلفة المنخفضة والبساطة. هذا ليس بديلاً عن التشخيص الكامل، ولكنه أداة واعدة للفرز الأولي.
