فك تشفير مسار الإصبع من خلال ECoG باستخدام التعلم العميق

الهدف. يتكون النموذج التقليدي لمعالجة إشارات الدماغ-الآلة (BMIs) من سلسلة من المراحل المتتالية لاستخراج الميزات، وتحليل الزمن-التردد، والنمذجة الإحصائية. تعتمد كل مرحلة على خوارزمية مختلفة تم تدريبها بشكل متسلسل، مما يجعل من الصعب جعل النظام ككل قابلاً للتكيف. وكان الهدف هو إنشاء نظام آلي قابل للتكيف في الوقت الفعلي، باستخدام دالة هدف واحدة وخوارزمية تعلم واحدة، بحيث يمكن تدريب النظام بأكمله بالتوازي لتعزيز أداء التشفير. في هذه الدراسة، استخدمنا شبكات عصبية عميقة مكونة من شبكات عصبية تلافيفية (CNN) ونوع خاص من الشبكات العصبية التكرارية (RNN) يُعرف باسم الذاكرة القصيرة والطويلة (LSTM) لتلبية هذه الاحتياجات.النهج. استخدمنا بيانات كهربية القشرة الدماغية (ECoG) التي جمعها كوبانيك وآخرون. تضمن المهمة انقباضات الأصابع الفردية استجابةً لإشارة بصرية. وقد وُظّف نموذجنا مزيجًا من مُستخرج الميزات الهرمي (CNN) وشبكة عصبية تكرارية قادرة على معالجة البيانات التسلسلية وتحديد الديناميات الزمنية في الإشارات العصبية. استُخدمت شبكة CNN كمُستخرج للميزات، بينما استُخدمت LSTM كخوارزمية انحدار لالتقاط الديناميات الزمنية للإشارة.النتائج الرئيسية. تم التنبؤ بمسار الأصبع باستخدام إشارات ECoG، وتم مقارنة النتائج بين نموذج الانحدار بالزاوية الدنيا (LARS)، ونموذج CNN-LSTM، والغابة العشوائية (Random Forest)، ونموذج LSTM (LSTM_HC) الذي يستخدم ميزات مُبرمجة مسبقًا، بالإضافة إلى نموذج معالجة تقليدي يتضمن تصفية مرشحات مرتبطة (band-pass filtering)، واستخراج الطاقة، واختيار الميزات، والانحدار الخطي. أظهرت النتائج أن نماذج التعلم العميق تفوقت على النماذج الخطية الشائعة الاستخدام. فلم تُقدِّم النماذج العميقة فقط مسارات أملس وأكثر واقعية، بل تعلمت أيضًا الانتقال بين حالة الحركة وحالة السكون.الأهمية. أظهرت هذه الدراسة شبكة تشفير لـ BMI تدمج نموذجًا يعتمد على الشبكة العصبية التلافيفية والشبكة العصبية التكرارية. وقد تم دمج عملية استخراج الميزات داخل طبقات التلافيف والتجميع (pooling)، واستُخدمت طبقة LSTM لالتقاط الانتقالات بين الحالات. وقد أزالت الشبكة المطروحة الحاجة إلى تدريب النموذج بشكل منفصل في كل خطوة ضمن عملية التشفير. ويمكن تحسين النظام بأكمله بشكل مشترك باستخدام الانحدار التدرجي العشوائي (stochastic gradient descent)، ويتمتع القدرة على التعلم في الزمن الفعلي.