في عالم الذكاء الاصطناعي (AI)، تُعتبر إشارات مخطط كهربائية الدماغ (EEG) في حالة الراحة نافذة غير متطفلة لاستكشاف النشاط الدماغي التلقائي. رغم ذلك، غالباً ما يواجه الباحثون تحديات عديدة تتمثل في قلة البيانات عالية الجودة واحتياجهم إلى ميزات تم هندستها يدوياً. هنا تدخل تقنية مبتكرة تُعرف بالشبكات التوليدية المتعارضة (GANs)، التي تستطيع توليد إشارات عصبية والتعلم من البيانات الخام بشكل مباشر.

نقدم لكم REST-GAN، إطار عمل يعتمد على GAN لتحليل إشارات EEG في حالة الراحة. هذا الإطار يجمع بين التدريب المتعارض مع هدف إعادة بناء ذاتية مساعدة، ما يعزز من عملية توليد الإشارات واستخراج الميزات بدون إشراف. على الرغم من التدريب فقط على الإشارات الزمنية الخام، استطاعت العينات المولدة أن تُظهر تقارباً كبيراً مع الخصائص الزمنية والطيفية والترابطية للإشارات الحقيقية.

في مجال ميزات القوة الترددية، برهنت العينات المُولدة على دقة واستدعاء مرتفعين في ظروف فتح العينين وإغلاقهما (EO: 0.91/0.67; EC: 0.87/0.65)، بينما أظهرت المصفوفات التوافقية الطيفية منخفضة الاختلافات المطلقة عن البيانات الحقيقية عبر نطاقات التردد (~0.01-0.03). بالإضافة إلى ذلك، تمكنت التمثيلات التي تعلمها ناقد النموذج من الانتقال إلى مهام تصنيف ديموغرافي في حالة الراحة، متجاوزة النماذج المدربة مباشرة على EEG الخام.

إن هذه النتائج تسلط الضوء على استراتيجية مدفونة تركز على الكفاءة الحاسوبية حيث تعمل النماذج التوليدية كمولدات إشارات EEG وأيضاً كمستخرجات ميزات غير مشروطة. قد تعزز هذه الطريقة من تحليل EEG الأقل اعتماداً على الهندسة اليدوية، مما يجعل العمليات أكثر فعالية وبساطة.

هل تعتقد أن هذه التكنولوجيا ستغير من طريقة فهمنا للنشاط الدماغي؟ شاركونا آرائكم في التعليقات!