تُعتبر تخطيط الدماغ الكهربائي (EEG) واحدة من أبرز التقنيات غير الغازية المستخدمة لقياس نشاط الدماغ في تطبيقات واجهة الدماغ-الكمبيوتر (BCI). ومع ذلك، تقاتل نماذج فك تشفير EEG تحت إشراف تقليدي لتحقيق فعالية عامة عبر المهام، الموضوعات، ومجموعات البيانات، مما دفع الباحثين إلى تطوير نماذج EEG مستندة إلى المحولات (Transformers) تعتمد على التعلم الذاتي.

تتوافر المحولات على مقاومة للتبديل، مما يجعلها بحاجة إلى معلومات موضعية واضحة. ومختلف عن الرموز النصية، تُوزع أقطاب EEG عبر فروة الرأس، مما يطرح سؤالاً مهماً: كيف ينبغي تشفير موضعي الأقطاب في نماذج EEG المستندة إلى المحولات؟

في هذه الدراسة، تم تقييم خمس استراتيجيات لتشفير الموضع ضمن نموذج CBraMod، وتقييم أدائها تحت بروتوكولات الاختبار الخطي والتعديل في تصنيف الصور الحركية والتعرف على المشاعر.

تشير النتائج إلى أنه لا توجد استراتيجية واحدة تفوقت بانتظام عبر المهام. فقد أظهرت استراتيجية التشفير الكروي (Spherical Positional Encoding - SPE) تمثيلات قوية لتصورات الحركات، لكنها كانت ضعيفة في التعرف على المشاعر. بينما أثبتت استراتيجية التشفير الشرطي غير المتناظر (Asymmetric Conditional Positional Encoding - ACPE) أداءً أكثر اتساقًا عبر المهام.

تحتاج هذه النتائج إلى التفكير في أن الاستراتيجية المثلى لتشفير الموضع تعتمد على المهمة المعنية، مما يعني أنه لا يوجد حل عالمي في سيناريوهات فك تشفير EEG.

هذه النتائج تفتح آفاق جديدة لفهم تأثير تصميم نماذج الذكاء الاصطناعي على التطبيقات العصبية، فكيف ترى أهمية هذا البحث على تقدم نماذج EEG؟ شاركونا آرائكم في التعليقات.