تعتبر تقنية التعرف على المشاعر باستخدام إشارات الدماغ (EEG) واحدة من التطورات الواعدة في مجال التشخيص الموضوعي للاضطرابات النفسية. وقد برزت الشبكات العصبية البيانية (Graph Neural Networks - GNNs) كأداة فعالة لنمذجة التفاعلات بين قنوات EEG. لكن معظم الطرق الحالية تعتمد على مصفوفات التماس المتناظرة التي تلتقط الارتباطات الوظيفية، مما يجعلها تعاني من قيود تتعلق بفهم العلاقات السببية.

لذا، تم تقديم شبكة GL-LFGNN، وهي شبكة بيانية عصبية ذات فرعين تستند إلى نظرية تدفق المعلومات ليانغ-كليمان. بينما تكتفي نظرية سببية جرينجر بتقييم الأسبقية الزمنية، تقوم هذه الشبكة بقياس القوة السببية بشكل rigorously من منظور أنظمة ديناميكية، مما ينتج عنه كجرافات موجهة ذات دلالات عصبية.

تتميز هذه الشبكة بتصميم يدمج بين معالجة بيانات الدماغ بالكامل وتركيز مناطق محددة وفقًا للتشريح العصبي الوظيفي المعتمد. في اختبارها على مجموعة بيانات MEEG، تمكنت GL-LFGNN من تحقيق دقة تصل إلى 86.17% في قياس النشاط العاطفي (Arousal) و86.71% في قياس القيم العاطفية (Valence) مع استخدام 37,000 معلمة، وهو ما يمثل حوالي 10% من عدد المعلمات المستخدمة في النماذج المتقدمة الحالية.

بفضل النمذجة السببية المدروسة، يمكن لهذه الشبكة تعزيز التفسير، والعمومية، والكفاءة الحاسوبية في آن واحد. ومن المثير للاهتمام أن الكود الخاص بهذه التقنية سيُطلق قريبًا، مما يساعد في دفع الحدود الحالية للبحث في هذا المجال.

ما رأيكم في هذه الثورة التقنية الجديدة؟! شاركونا آراءكم وتجاربكم في التعليقات.