في عالم الطب العصبي، تعد التشنجات الصرعية من الاضطرابات المعقدة التي تتسبب في زيادة النشاط الكهربائي غير الطبيعي في الدماغ، مما يؤدي إلى نوبات متكررة. تُستخدم إشارات تخطيط الدماغ الكهربائي (EEG) بشكل واسع في تشخيص هذه التشنجات بفضل قدرتها على التقاط الديناميات العصبية الزمنية والمكانية.

تُظهر الأساليب الحديثة المعتمدة على التعلم العميق تطوراً ملحوظاً في دقة الكشف، ولكنها غالباً ما تفتقر إلى الشفافية والصلابة العصبية. هنا، نقدم إطاراً مبتكراً يعتمد على تحليل مرحلتي النوبات للتعرف على التشنجات الصرعية، حيث تم تقسيم إشارات EEG الخام إلى خمسة نطاقات ترددية:

1. دلتا (Delta)
2. ثيتا (Theta)
3. ألفا (Alpha)
4. بيتا السفلى (Lower Beta)
5. بيتا العليا (Higher Beta)

ومن كل نطاق، تم استخراج 11 ميزة تمييزية. بعد ذلك، تم توظيف شبكة عصبية ملتفة (Graph Convolutional Neural Network) لنمذجة الاعتمادات المكانية بين أقطاب EEG، الممثلة كنقاط في رسم بياني.

أثبتت التجارب التي أجريت على مجموعة بيانات CHB-MIT لتخطيط الدماغ الكهربائي (EEG) نجاحاً كبيراً في الأداء، حيث تم تحقيق دقة بلغت 97.1%، 97.13%، 99.5%، 99.7%، و51.4% عبر النطاقات الترددية المختلفة، مع تحقيق دقة إجمالية للعرض الترددي تصل إلى 99.01%.

تظهر النتائج قدرة تمييز قوية للنطاقات الترددية المتوسطة، وتكشف عن أنماط نوبات محددة وفقًا للترددات. هذه المقاربة تعزز من الشفافية والدقة التشخيصية مقارنة بالطرق التقليدية المعتمدة على EEG العريض.

استعد لتعزيز فهمك للتشنجات الصرعية، فالتكنولوجيا الحديثة تعدك بأدوات جديدة لرصد وتحليل هذه الحالة المعقدة.