في السنوات الأخيرة، برزت نماذج الأعصاب المستندة لإعادة البناء كأداة واعدة لتعلم تمثيلات كهربائية عصبية (EEG) قابلة للتعميم. تم تدريب هذه النماذج على بيانات غير موسومة على نطاق واسع، مما يمنحها القدرة على تحليل البيانات بدقة. ومع ذلك، على الرغم من النتائج الإيجابية التي تظهرها في البيئات الغنية بالبيانات، إلا أنها غالبًا ما تفشل في التفوق على النماذج الأصغر المدربة بإشراف في حالات الموارد المحدودة.

تعود هذه الفجوة إلى عدم التوافق الأساسي بين المهام المستندة إلى إعادة البناء والبنية الطيفية الفريدة لإشارات EEG. حيث تتفكك هذه الإشارات إلى مكونات غير دورية عالية الطاقة ومكونات تذبذبية منخفضة الطاقة. من خلال استخدام مدخلات EEG مصنعة بشكل تحكمي، أظهرنا أن الانغماسات في نماذج الأعصاب تميل إلى التقاط العناصر غير الدورية بشكل أكبر في حين تتجاهل العناصر التذبذبية، خصوصًا عند الترددات العالية.

علاوة على ذلك، تظهر التقييمات على مجموعات بيانات واجهة الدماغ-الكمبيوتر (BCI) الحقيقية أن الانغماسات تسجل هوية الموضوع بشكل أقوى من المعلومات المتعلقة بالمهمة. هذا يعزز من انحياز المكونات ذات التردد المنخفض وغير الدوري في نماذج الأعصاب المستندة إلى إعادة البناء. إن هذه النتائج توضح خللًا في نماذج EEG المستندة على إعادة البناء وتدفع إلى ضرورة استكشاف استراتيجيات جديدة تتضمن خسائر مساعدة تستهدف البنية التذبذبية عالية التردد، كسبيل نحو تمثيلات EEG أكثر دقة وقابلية للتعميم.

يظهر هذا البحث أهمية التكيف مع الخصائص الفريدة لإشارات EEG لتحقيق تقدم أكبر في هذا المجال. كيف تعتقد أن هذا البحث سيساهم في تحسين تقنيات تحليل بيانات EEG؟ شاركونا آرائكم في التعليقات!