تدريب SPERA على 80 000 ساعة من EEG لـ 29 048 شخصًا واختباره على 9 مهام

قدّم فريق مؤلفي الورقة البحثية arXiv:2610.10571 النموذج SPERA (Spherical Prior EEG Representation Architecture)، وهو نموذج أساسي لتخطيط كهربية الدماغ. جرى التدريب المسبق على نحو 80 000 ساعة من التسجيلات لـ 29 048 مشاركًا من 106 مجموعات بيانات. وعلى تسع مهام تطبيقية، سريرية ومعرفية ومتعلقة بواجهات الدماغ والحاسوب، حقق النموذج أعلى متوسط للدقة المتوازنة بين الحلول المقارَنة. أما القرار المعماري الرئيسي فهو أن SPERA يتنبأ بالتمثيلات الكامنة للإشارة، لا بالإشارة نفسها.

أين تفشل نماذج EEG الحالية

يسجّل EEG النشاط الكهربائي للدماغ بتكلفة منخفضة ودون تدخل جراحي، لكن بناء نماذج شاملة عليه أمر صعب. فالتسجيلات تختلف باختلاف المشاركين والأجهزة وتخطيط الأقطاب: بعض الأجهزة فيها 19 قطبًا، وبعضها أكثر من مئة، وتتوزع الأقطاب بطرق مختلفة. والنموذج الذي اعتاد مخططًا واحدًا يعمل بأداء أضعف على مخطط آخر.

أما المشكلة الثانية فتكمن في دالة الهدف. فمعظم النماذج الأساسية الحالية لـ EEG تتعلم عبر إعادة البناء: يُخفى جزء من الإشارة ويُطلب من النموذج استعادته. لكن التسجيل المرصود لا يحتوي على النشاط العصبي وحده، بل على مكونات غير عصبية أيضًا، أي الضوضاء والمعلومات المشوِّشة (artifacts). والنموذج الذي يحاول إعادة إنتاج الإشارة بدقة يضطر إلى إنفاق جزء من سعته عليها أيضًا.

كيف يعمل SPERA

يعتمد المؤلفون على JEPA (joint-embedding predictive architecture): يجري التنبؤ في الفضاء الكامن، حيث يمكن عدم أخذ جزء من الضوضاء في الحسبان. وأضاف المؤلفون إلى هذا المخطط ثلاثة تعديلات خاصة بـ EEG.

• prior مكاني قائم على متعددات حدود ليجندر. هو مدمج في attention ويرمّز هندسة توزيع الأقطاب على فروة الرأس. وهذا يتيح التعامل مع تخطيطات أقطاب مختلفة داخل نموذج واحد.
• الانتباه المُجزَّأ إلى عوامل. يتناوب attention الزمني وattention المكاني، وتتخلل ذلك على فترات متساوية كتل ذات انتباه كامل.
• منظِّم طيفي علائقي. يوفّق بين بنية التشابه في الفضاء الكامن والتمثيلات الطيفية للإشارة، أي الإيقاعات الترددية التي يقوم عليها جزء كبير من تحليل EEG.

المعطيات الرئيسية الواردة في الملخص:

• حجم التدريب المسبق: نحو 80 000 ساعة من EEG؛
• المشاركون: 29 048؛
• مصادر البيانات: 106 مجموعات بيانات؛
• التقييم: تسع مهام downstream، بمقياس balanced accuracy؛
• كما أعلن المؤلفون كفاءة في عدد المعاملات عند linear probing، ومتانة أمام اختلاف ظروف التسجيل.

والنقطة الأخيرة مهمة عمليًا. فـ linear probing يجمّد الـ backbone ويدرّب فقط رأسًا خطيًا فوق التمثيلات. فإذا ظل مستوى الجودة ثابتًا، فهذا يعني أن التضمينات نفسها ذات مضمون غني، ولا تتطلب إعادة تدريب ثقيلة لكل مهمة.

أين يفيد ذلك وما الذي ينبغي تتبّعه

ما زال هذا العمل ورقة بحثية أولية (preprint)، ولا يتضمن الملخص قيمًا محددة للمقاييس ولا أسماء النماذج التي قورن بها SPERA. أما الادعاء بالتفوق في متوسط الدقة فينبغي التحقق منه عبر الجداول الكاملة، إذ قد يُخفي المتوسط على المهام التسع إخفاقات في مهام بعينها. ومن المفيد النظر في مجموعات البيانات التي دخلت في التدريب المسبق وهل تتداخل مع مجموعات الاختبار، فهذه نقطة ضعف متكررة في اختبارات EEG المعيارية.

إذا تأكدت هذه الادعاءات، فستستفيد ثلاث فئات. تستطيع الفرق السريرية بناء أجهزة كشف على عينات صغيرة موسومة، عبر رأس خطي فوق backbone جاهز. وسيقل اعتماد مطوري BCI على خوذة معينة أو مخطط أقطاب محدد. أما باحثو المهام المعرفية فسيحصلون على نموذج أساسي موحّد بدلًا من مجموعة معماريات ضيقة.

والاختبار العملي لأي فريق هو التالي: خذ بياناتك ذات تخطيط الأقطاب غير القياسي، وجمّد SPERA، ودرّب مصنِّفًا خطيًا، ثم قارنه بخط المعالجة (pipeline) الحالي لديك. فإذا بقي التفوق قائمًا، فسيترسخ نهج التنبؤ الكامن مع الـ prior الهندسي بوصفه المسار المعياري في EEG.