في مجال واجهات الدماغ والحاسوب (Brain-Computer Interfaces) والم neurociences السريرية، يعتبر تخطيط كهربائية الدماغ (Electroencephalography - EEG) ركيزة أساسية. ومع ذلك، غالبًا ما يتم تدريب وتقييم نماذج التعلم العميق (Deep Learning Models) تحت نظام معالجة بيانات محدد وغير موثق. توضح دراسة جديدة كيف أن قرارات المعالجة هذه يمكن أن تُعتبر بمثابة مساحة تدخل مضادة، حيث تظهر النتائج أن توقعات EEG غير مستقرة بشكل ملحوظ ضمن هذه الفضاء.

تُظهر النتائج عبر ستة مجموعات بيانات موزعة على أربع برامج أن ما يصل إلى 42% من التوقعات على مستوى التجربة قد تتغير فقط بسبب تغييرات بسيطة في المعالجة. وهذا التقلب لا يُستقرئ باستخدام الطرق القياسية لتحديد عدم اليقين، لأنها تعتمد على استخدام نظام معالجة بيانات ثابت.

لتحقيق فهم أعمق لهذه المشكلة، نقدم ثلاث أدوات تجعل هذه عدم الاستقرار قابلاً للقياس، والتفكيك، والتقليل. أولاً، كشفت تحليل تفكيك والد-هادامارد (Walsh-Hadamard Decomposition) لنظام المعالجة عن أن الحساسية تقترب من الإضافة تحت التصميم الثنائي للتدخل، مما يمكّن من تحسين فعّال خطوة بخطوة. ثانيًا، نقدم مفهوم عدم اليقين في المعالجة (Preprocessing Uncertainty - PU)، وهو أداة تشخيصية لكل تجربة تلتقط بُعدًا من عدم الاستقرار يكمل الثقة المعتمدة على النموذج. وأخيرًا، ندرس تقنية PGI العادية والمتكيّفة (Normalized Adaptive PGI - NA-PGI)، وهو مُنظِّم ذو هيكل بياني يستفيد من التركيب التكويني للتدخلات في المعالجة كاستراتيجية لتخفيف هذا النوع من عدم الاستقرار.

إن هذه الأدوات تفتح الآفاق لفهمٍ أفضل لتقلبات EEG وكيفية تحسين موثوقية النماذج المستخدمة في البحث.