في عالم الذكاء الاصطناعي، يعد تصنيف إشارات EEG (Electroencephalogram) باستخدام الشبكات العصبية التلافيفية (Convolutional Neural Networks) نهجًا شائعًا وناجحًا في العديد من المجالات. التاريخ يشهد أننا غالبًا ما نستخدم تلافيف أحادية الأبعاد (1D) عبر الأبعاد الزمنية والمكانية. ولكن، ماذا لو كانت هناك طريقة أفضل؟

في دراستنا الأخيرة، قمنا بالتحقيق في طريقة جديدة تعتمد على التلافيف الزمنية والمكانية ثنائية الأبعاد (2D) كبديل. بينما تكون التلافيف ثنائية الأبعاد مكافئة رياضيًا لتطبيق تلافيف أحادية البعد مجمعة، فإن تأثيرها على التعلم لا يزال موضوعًا للنقاش.

قمنا بإجراء تجارب مقارنة بين النماذج المختلفة: التلافيف الأحادية البعد، وثنائية الأبعاد، ونموذج هجين يجمع بين CNN وTransformer. وتمت التجارب على مهام تصنيف تخيل الحركة (motor imagery) في بيئات ذات أبعاد مختلفة.

أظهرت النتائج أن التلافيف ثنائية الأبعاد تقلل بشكل ملحوظ من وقت التدريب في المهام العالية الأبعاد، مع الحفاظ على مستوى الأداء. ورغم عدم وجود فرق واضح في أهمية الميزات الطيفية، كشفت الدراسة عن أنماط واضحة في التشابه التمثيلي بين النماذج، مما يعني أن النماذج الأحادية والثنائية الأبعاد تؤدي إلى هندسات تمثيلية مختلفة تمامًا.

بناءً على هذه النتائج، نقترح نموذجًا محسّنًا يعتمد على طبقة تلافيف ثنائية الأبعاد لتحقيق تدريب واستدلال أسرع. وتقع أهمية هذا البحث على الطريقة الهيكلية في معالجة إشارات متعددة المتغيرات المعقدة، حيث تعكس هذه المعالجة في التمثيلات الداخلية بدلاً من الاعتماد فقط على مقاييس الأداء.

في ختام هذه الدراسة، نؤكد على دور الابتكار في التفكير التصميمي للنماذج، ونحث الباحثين والممارسين على استكشاف المزيد من التقنيات في هذا المجال. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.