تعتبر تقنية تخطيط الدماغ الكهربائي (EEG) واحدة من أهم الوسائل لمراقبة النشاط الدماغي بشكل غير تدخلي، إلا أن تحديات بناء نماذج قوية لها ظلت قائمة بسبب التباين في توصيلات الأقطاب الكهربائية وصعوبات القدرة الحاسوبية. في هذا السياق، تم تقديم LuMamba (Latent Unified Mamba) كإطار عمل مبتكر يجمع بين ترميزات مستقلة عن التوصيلات ونمذجة حالة ذات تعقيد خطي.

يستخدم LuMamba آلية الانتباه المتقاطع المستندة إلى الاستفسارات من LUNA، بالإضافة إلى كتل Mamba ثنائية الاتجاه من FEMBA لتقديم نمذجة زمنية فعالة. تشكل هذه البنية أساسًا لبحث منهجي حول عمارة التضمين المشترك اللاتيني-الإقليدي (LeJEPA) في التعلم من الإشارات الحيوية.

تم تدريب النموذج مسبقًا على أكثر من 21,000 ساعة من EEG غير المصنفة من مجموعة بيانات TUEG، وجرى تقييم LuMamba على خمسة مهام تتضمن اكتشاف الشذوذ والتعرف على الحرف الفنية وتصنيف الحالات العقلية عبر تكوينات الأقطاب الكهربائية التي تضم من 16 إلى 26 قناة.

بين الأهداف المسبقة التدريب، كان الترميم المقنع وحده يحقق تمثيلات مُهيكلة ولكن غير قابلة للتعميم. بالمقابل، أنتج LeJEPA تجسيدًا منتشرًا؛ ومع الجمع بين كلا الهدفين، تم الوصول لأداء قوي جداً.

مع عددٍ قليل من المعلمات يصل إلى 4.6 مليون، يحقق LuMamba دقة متوازنة تبلغ 80.99% على TUAB، ويتفوق في أداء الكشف عن مرض الزهايمر (0.97 AUPR)، بينما يحتاج إلى 377 مرة أقل من عمليات النقطة العائمة مقارنة بالنماذج الرائدة عند أطوال تسلسل مكافئة. كما يتناسب LuMamba مع تسلسلات أطول بـ 12 مرة قبل بلوغ حدود الذاكرة الشائعة لوحدات معالجة الرسوميات.

كود المصدر متاح على رابط GitHub.

ما رأيكم في هذه الابتكارات الرائدة في مجال الذكاء الاصطناعي وعلم الأعصاب؟ شاركونا آرائكم في التعليقات!