تتصدر دراسة جديدة الإثارة في عالم الذكاء الاصطناعي من خلال تسليط الضوء على التحديات المتعلقة بتصنيف الحمل المعرفي باستخدام بيانات الفحص بالأشعة تحت الحمراء القريبة (fNIRS). يعد تصنيف الحمل المعرفي بدقة من خلال إشارات (fNIRS) معقداً بسبب التغيرات الزمنية والفروق بين الأفراد، بالإضافة إلى حساسية النموذج لخيارات المعالجة المسبقة.

تقدم هذه الدراسة تقييمًا شاملًا لنموذج EEGNet، حيث تم تحليل استراتيجيات تقسيم الوقت (التداخل مقابل عدم التداخل) وأطوال النوافذ (10 ثوانٍ، 20 ثانية، 30 ثانية) وطرق استخراج الميزات ومنها تحليل التباين (ANOVA)، وتحليل المكونات الرئيسية (PCA)، وتحليل المكونات المستقلة السريعة (FastICA).

تظهر نتائج التجارب التي اعتمدت على التقسيم العشوائي أن تقسيم الوقت المتداخل، عندما يقترن بمعدلات تعلم ثابتة صغيرة (0.01-0.001)، يحقق أعلى الدقة. ويرجع ذلك إلى الازدحام الزمني والكثافة في أخذ عينات الانتقالات الهيموديناميكية. ومع ذلك، كشفت التقييمات المستندة إلى عدم الاعتماد على الأفراد (SI) عن انخفاض كبير في الدقة، مما يدل على أن النموذج يعاني من ضعف التعميم على المشاركين الجدد.

في إطار تقييم SI، تفوق تقسيم الوقت غير المتداخل على النوافذ المتداخلة، حيث أحرزت أفضل دقة تبلغ 56.11% باستخدام ميزات PCA مع نافذة زمنية مدتها 20 ثانية ومعدل تعلم قدره 0.1. تشير هذه النتائج إلى أن التخلص من الازدحام الزمني يساعد النموذج في تعلم تمثيلات أقوى وأكثر عمومية للحمل المعرفي بين الأفراد.

على الرغم من أن استراتيجية معدل التعلم المتكيف حسنت من استقرار التدريب، إلا أنها لم تتجاوز أداء معدلات التعلم الثابتة المثلى. تسلط الدراسة الضوء على الدور الحاسم لاستراتيجيات التقسيم واختيار معدل التعلم في تحسين تعميم النموذج، وتحدد الاعتبارات المنهجية اللازمة لتطوير أنظمة موثوقة لتصنيف الحمل المعرفي في الوقت الفعلي باستخدام fNIRS.