تعتبر إشارات تخطيط الدماغ (EEG) من الأدوات الحيوية في قياس النشاط الكهربائي للدماغ، لكن تحليلها في مهام متعددة كان دائماً تحدياً. في الآونة الأخيرة، ظهرت طرق جديدة للتعلم الذاتي (Self-supervised learning) لتمهيد العمل، مما سمح بالحصول على نتائج واعدة. على الرغم من ذلك، تظل عملية تعديل النماذج المدربة مسبقاً على كل مهمة بشكل منفصل مكلفة من حيث الوقت والموارد.

في دراسة جديدة، تم تقديم إطار عمل يسمى MTEEG، والذي يهدف إلى تسهيل التحليل المتزامن لإشارات EEG لمهام متعددة. يعتمد هذا النموذج على وحدات تكيف تعتمد على الرتبة المنخفضة (Low-Rank Adaptation - LoRA) للفصل بين المساحة المعلماتية، مما يساعد على تقليل التضارب بين المهام المختلفة. يوضح هذا البحث كيف يمكن لهذا النموذج التغلب على التحديات الناتجة عن تنوع إشارات EEG الناتج عن جمعها من مواضيع مختلفة وأجهزة متنوعة.

اعتمدت الدراسة على ثلاثة متغيرات مختلفة لموديل MTEEG، مما سمح بتقييم الأداء على ست مهام فرعية، وأظهرت النتائج أن MTEEG يتفوق على العديد من أساليب التحليل الأحادي المهمة في معظم المقاييس.

هذا الإنجاز لا يمثل تحولاً في كيفية تعامل الباحثين مع إشارات EEG فحسب، بل يفتح أيضاً آفاقاً جديدة لتطوير واجهات دماغية حاسوبية تستطيع التعامل مع سلسلة من المهام بشكل أكثر كفاءة وفعالية. مع تزايد الحاجة إلى استخدام تقنيات متقدمة في مجالات متعددة، يظهر نموذج MTEEG كخطوة مهمة نحو دمج الذكاء الاصطناعي في فهم الدماغ البشري.