تعد حالات الإدارك والاستراحة جزءًا أساسيًا لفهم تفاعلات الدماغ المختلفة، ولعل الطريقة الأكثر ابتكارًا لدراستها هي من خلال استخدام إشارات تخطيط الدماغ (EEG). ومن هنا، جاءت أهمية هذه الدراسة التي تستعرض كيفية استخدام تقنيات التعلم العميق (Deep Learning) لتمييز بين هذه الحالات بدقة.

لقد تم تطوير إطار عمل يستخدم الشبكات العصبية التلافيفية (Convolutional Neural Networks - CNN) جنبًا إلى جنب مع وحدة تكرارية مغلقة (Gated Recurrent Unit - GRU) لاستخراج الميزات من إشارات تخطيط الدماغ. هذا الجمع المتناغم بين طرق استخراج الميزات وتقنيات التعلم العميق يُبرز القدرة على تحليل البيانات المعقدة بفعالية.

تضمن الدراسة إجراء تحليل زمني – ترددي لاستكشاف الجوانب البارزة للإشارات المُستخلصة. وقد أظهرت النتائج أن الإطار المقترح يتفوق على طرق المقارنة التقليدية، حيث تم تحقيق دقة تصل إلى 83.177% عند التمييز بين الحالة الاسترخائية ومهمة رياضية، و76.107% بين الحالة الاسترخائية ومهمة تذكر، و83.432% عند التمييز بين الحالة الاسترخائية والموسيقى.

تؤكد هذه النتائج على فعالية دمج معالجة الإشارات مع منهجيات التعلم العميق في التمييز بين حالات الإدراك والاستراحة باستخدام إشارات EEG، مما يمهد الطريق لفهم أعمق لطبيعة الفروق في النشاط الذهني.

ما رأيكم في هذه التقنيات الحديثة؟ هل تعد خطوة نحو تحسين فهمنا للأداء العقلي؟ شاركونا أفكاركم في التعليقات!