في عالم الذكاء الاصطناعي، تواجه عمليات التعرف على المشاعر من إشارات الدماغ بتقنية EEG تحديات كبيرة، خصوصًا عندما يتعلق الأمر بالتنوع بين الأفراد. إذ تُظهر الدراسات أن إشارات EEG المرتبطة بالعواطف تتميز بالضعف والتداخل والضوضاء، مما يجعل مهمة التعرف على المشاعر أمرًا بالغ التعقيد.

تقوم معظم الأساليب الحالية بالاعتماد إما على نماذج EEG السابقة المدربة، والتي تتطلب كميات ضخمة من البيانات ولكنها لا تزال تتعثر في التعامل مع التباين بين الأفراد، أو على تشفيرات المجال الترددي التي تعكس الهيكل الطيفي بشكل أفضل لكنها تعاني من مشكلات التمثيل غير المتطابق.

واليوم، نقدم لكم ابتكارًا جديدًا مُسمى Morlet Spectral Transformer (MST)، والذي يتضمن ثلاثة مكونات رئيسية مدمجة مع هيكل Transformer الزمني المكاني. أولاً، تقوم تقنية Morlet-wavelet tokenization بتوفير تمثيل زمني ترددي يتناسب مع البنية متعددة المقاييس لإيقاعات الدماغ، مما يجعل البيانات أكثر توافقًا مع نموذج Transformer.

ثانيًا، يُستخدم إزالة قاعدة السياق الطويلة، كوسيلة بسيطة للتطبيع الزمني، للقضاء على الانحرافات والتكرار الخاص بالشخص من النوافذ القريبة. ثالثًا، التعزيز المكاني المحدد بالتردد يُمكن النموذج من تعلم مزيج قنوات منفصل لكل نطاق ترددي، مما يسمح بالتقاط أنماط مفسرة وتقليل الخلط بين القنوات.

أثبتت التجارب أن MST متفوق بشكل ثابت على النماذج السابقة الكبيرة المدربة وعلى الطرق المعتمدة على التردد عبر جميع مجموعات بيانات SEED. النتائج تشير إلى أن التصميم الدقيق للتمثيل يمكن أن يوفر بديلاً دقيقًا وفعالًا من حيث التكلفة وسهل التفسير مقارنة بالتدريب الكبير.