التعلم المعزز يحسن فك تشفير واجهة الدماغ الحاسوبية بنسبة 41%

لطالما كان فك تشفير حركات الأطراف المتخيلة من إشارات تخطيط كهربية الدماغ غير الغازية محدودًا بالضوضاء والأخطاء المنهجية المتبقية. أظهر فريق من جامعة باث وجامعة أولستر الآن أن وكيل التعلم المعزز غير المتصل، المدرب فقط على مخرجات جهاز فك التشفير نفسه، يمكنه تحسين هذه المسارات بشكل كبير، دون أي تسجيلات عصبية إضافية.

في دراسة نُشرت على arXiv، يقترح الباحثون بنية ذات مرحلتين يسمونها CNN-LSTM-RL. في المرحلة الأولى، يتم معايرة نموذج شبكة عصبية التفافية وذاكرة طويلة المدى (CNN-LSTM) على جلسة واحدة من بيانات تخطيط كهربية الدماغ ثم تجميده. في المرحلة الثانية، يتم تدريب وكيل التعلم المعزز Soft Actor-Critic دون اتصال، باستخدام فقط المخرجات الحركية المتوقعة من جهاز فك التشفير والسياق الزمني، لإنتاج تصحيحات متبقية تضاف إلى تقديرات السرعة من جهاز فك التشفير.

كيف يعمل الإطار

لا يصل وكيل التعلم المعزز إلى إشارات تخطيط كهربية الدماغ أو المسارات المستهدفة في وقت الاستدلال. يتلقى مخرجات جهاز فك التشفير، والسرعة المصححة سابقًا، وخطوة زمنية طبيعية. فعله هو متجه سرعة متبقي مستمر، مُقاس بشكل مستقل لكل بُعد مكاني (x, y, z)، والذي يتم جمعه مع توقع جهاز فك التشفير لإعطاء المسار النهائي المصحح.

تقوم دالة المكافأة بتقليل المسافة الإقليدية بين السرعات المصححة والمسارات المستهدفة الحقيقية. يتم تحسين المعلمات الفائقة عبر Optuna على 200 تجربة لتعظيم معامل ارتباط بيرسون. يعني هذا الإعداد المزدوج أن المسارات المصححة تتطابق مع شكل الهدف وتقلل الخطأ المطلق.

مكاسب الأداء في ثنائي الأبعاد والواقع الافتراضي

قام الفريق بتقييم النهج على بيانات من عشرة مشاركين عبر عشر جلسات، في بيئات ردود فعل ثنائية الأبعاد على الشاشة والواقع الافتراضي الغامر (VR). تم تدريب جهاز فك التشفير الأساسي على الجلسة الأولى وإبقاؤه ثابتًا عبر أربع جلسات اختبار لاحقة، وهو بروتوكول يسميه المؤلفون تعميم جهاز فك التشفير الثابت (FDG).

حقق CNN-LSTM-RL متوسط ارتباط بيرسون قدره 0.7181 في ثنائي الأبعاد و 0.7780 في الواقع الافتراضي، مقارنة بـ 0.5076 و 0.6420 لجهاز فك التشفير الأساسي وحده. هذا تحسن نسبي بنسبة 41.5% و 21.2%. كان كلاهما ذا دلالة إحصائية (p = 0.0005 و p = 0.0059). انخفض جذر متوسط مربع الخطأ (RMSE) من 0.0890 إلى 0.0532 في ثنائي الأبعاد (انخفاض بنسبة 40.2%) ومن 0.0714 إلى 0.0441 في الواقع الافتراضي (انخفاض بنسبة 38.2%)، مع p < 0.0001 في كلتا الحالتين.

في بيئة الواقع الافتراضي، تجاوز جهاز فك التشفير المصحح بالتعلم المعزز حتى الحد الأعلى داخل الجلسة (WSR)، وهو نموذج مدرب ومختبر على نفس الجلسة، في RMSE. يشير هذا إلى أن وكيل التعلم المعزز يدفع إلى أبعد مما يمكن أن تحققه بنية CNN-LSTM وحدها.

مكاسب خاصة بالمحور والاستقرار

أظهر التحليل محورًا بمحور أكبر المكاسب على المحورين Y و Z، حيث تجاوزت الارتباطات المصححة 0.97 وانخفض RMSE إلى 0.0182. كان للإطار أيضًا تباين أقل بكثير في الأداء عبر الجلسات مقارنة بأي خط أساس، مما يشير إلى المرونة تجاه عدم الثبات الشائع في بيانات تخطيط كهربية الدماغ الطولية.

كانت أحجام التأثير كبيرة عبر المجال. تراوحت قيم Cohen's d من 1.85 إلى 3.45 لمقارنات الارتباط، ومن 2.47 إلى 4.52 لتخفيضات RMSE. أكد كل من التحليلات البارامترية (ANOVA للقياسات المتكررة) وغير البارامترية (اختبار فريدمان، اختبار ويلكوكسون) النتائج.

القيود والعمل المستقبلي

التصحيح المتبقي حساس للمعامل الفائق لتوسيع نطاق الفعل: مقياس صغير جدًا يحد من التحسن، ومقياس كبير جدًا يزعزع التصحيحات. يعتمد الإطار أيضًا على المعلومات الزمنية الصريحة؛ بدون إدخال الخطوة الزمنية، ينخفض الأداء بشكل كبير، وهو مشكلة لتطبيقات واجهة الدماغ الحاسوبية غير المتزامنة في الوقت الفعلي.

الدراسة الحالية محدودة لمهمة الوصول إلى أربعة أهداف منفصلة. يخطط المؤلفون لتوسيع جمع البيانات إلى نطاق أوسع من مسارات الحركة واتجاهات أهداف أكثر كثافة، وتطوير استراتيجيات فك تشفير مستقلة عن الزمن. كما أن التنفيذ في الوقت الفعلي مع ردود فعل المستخدم المباشرة موجود على خريطة الطريق.

يبني العمل على أجهزة فك التشفير السابقة CNN-LSTM من المجموعة ويضع معيارًا جديدًا لفك تشفير تخيل الحركة ثلاثي الأبعاد غير الغازي، مع تطبيقات محتملة في التأهيل العصبي، والأطراف الاصطناعية، والتفاعل الافتراضي.