تحلیل سیگنال‌های الکتروانسفالوگرام (EEG) یا نوار مغزی، یکی از مهم‌ترین ابزارها در علوم اعصاب، پزشکی و توسعه رابط‌های مغز و کامپیوتر (BCI) است. با این حال، داده‌های EEG به طور ذاتی پیچیده، پر از نویز و غیرخطی هستند. به طور سنتی، استفاده مؤثر از این داده‌ها نیازمند فرآیندهای پیچیده‌ی پیش‌پردازش و استخراج ویژگی‌های دست‌ساز (Hand-crafted Feature Extraction) بوده است. این فرآیندها نه تنها زمان‌بر و پرهزینه هستند، بلکه به دانش تخصصی عمیقی در زمینه پردازش سیگنال و علوم اعصاب نیاز دارند و اغلب به عنوان گلوگاه اصلی در توسعه سیستم‌های هوشمند مبتنی بر EEG شناخته می‌شوند.

مقاله «اثربخشی شبکه‌های ترانسفورمر در طبقه‌بندی داده‌های خام EEG» که توسط تیمی از محققان برجسته ارائه شده است، یک راه‌حل نوآورانه برای این چالش دیرینه پیشنهاد می‌کند. این پژوهش، با الهام از موفقیت‌های چشمگیر معماری ترانسفورمر در حوزه پردازش زبان طبیعی (NLP)، به بررسی این موضوع می‌پردازد که آیا می‌توان از این مدل قدرتمند برای تحلیل مستقیم داده‌های خام EEG استفاده کرد و نیاز به استخراج ویژگی دستی را از بین برد. اهمیت این پژوهش در پتانسیل آن برای ایجاد یک پارادایم جدید در تحلیل سیگنال‌های مغزی نهفته است؛ پارادایمی که در آن، مدل‌های یادگیری عمیق به صورت سرتاسری (End-to-End) قادر به یادگیری الگوهای معنادار مستقیماً از داده‌های خام هستند و در نتیجه، فرآیند تحلیل را سریع‌تر، دقیق‌تر و در دسترس‌تر می‌سازند.

این مقاله حاصل همکاری چهار پژوهشگر به نام‌های گوراو سیدهاد (Gourav Siddhad)، آنمول گوپتا (Anmol Gupta)، دبی پراساد دوگرا (Debi Prosad Dogra) و پارتا پراتیم روی (Partha Pratim Roy) است. این پژوهش در تقاطع سه حوزه کلیدی علمی قرار دارد:

• پردازش سیگنال (Signal Processing): تمرکز بر تکنیک‌های تحلیل و تفسیر سیگنال‌های بیولوژیکی مانند EEG.
• هوش مصنوعی (Artificial Intelligence): طراحی سیستم‌هایی که قادر به انجام وظایف هوشمندانه، مانند طبقه‌بندی و تصمیم‌گیری هستند.
• یادگیری ماشین (Machine Learning): به ویژه یادگیری عمیق (Deep Learning) که بر ساخت مدل‌هایی با قابلیت یادگیری خودکار ویژگی‌ها از داده‌های پیچیده تمرکز دارد.

این پژوهش در بستر یک روند بزرگ‌تر در دنیای علم کامپیوتر شکل گرفته است. پس از آنکه معماری ترانسفورمر انقلابی در درک و تولید زبان انسانی ایجاد کرد، محققان به سرعت پتانسیل آن را برای حل مسائل در حوزه‌های دیگر مانند بینایی کامپیوتر، یادگیری تقویتی و اکنون، تحلیل سیگنال‌های بیومتریک دریافتند. این مقاله نمونه‌ای برجسته از این انتقال فناوری و انطباق یک مدل موفق از یک حوزه به حوزه‌ای کاملاً متفاوت است.

هدف اصلی این مقاله، ارزیابی کارایی شبکه‌های ترانسفورمر برای طبقه‌بندی مستقیم داده‌های خام EEG (پس از پاک‌سازی اولیه) است. محققان این فرضیه را مطرح می‌کنند که معماری ترانسفورمر، به لطف مکانیزم توجه (Attention Mechanism) خود، می‌تواند الگوهای زمانی و فضایی پیچیده در سیگنال‌های EEG را بدون نیاز به استخراج ویژگی‌های از پیش تعریف‌شده، شناسایی کند.

برای آزمودن این فرضیه، آن‌ها یک مدل طبقه‌بندی مبتنی بر ترانسفورمر طراحی کرده و عملکرد آن را بر روی دو مجموعه داده مجزا با وظایف متفاوت ارزیابی کردند:

• مجموعه داده محلی (سن و جنسیت): در این بخش، مدل برای تشخیص سن و جنسیت افراد بر اساس داده‌های EEG حالت استراحت (Resting-state) آن‌ها آموزش داده شد. این یک وظیفه طبقه‌بندی بیومتریک کلاسیک است.
• مجموعه داده عمومی STEW (بار کاری ذهنی): در بخش دوم، مدل برای یک وظیفه شناختی پیچیده‌تر، یعنی طبقه‌بندی سطح بار کاری ذهنی (Mental Workload) در حین انجام چند وظیفه، مورد استفاده قرار گرفت. این ارزیابی روی یک مجموعه داده معتبر و در دسترس عموم انجام شد تا قابلیت تعمیم‌پذیری مدل سنجیده شود.

نتایج نشان داد که مدل ترانسفورمر به دقت‌هایی دست یافت که با بهترین روش‌های روز (State-of-the-Art) که اغلب بر استخراج ویژگی‌های دستی تکیه دارند، کاملاً قابل رقابت است. این موفقیت، تأییدی قوی بر این ایده است که مدل‌های یادگیری عمیق مبتنی بر ترانسفورمر می‌توانند به طور مؤثری نیاز به فرآیندهای مهندسی ویژگی سنگین در تحلیل EEG را کاهش داده یا حتی از بین ببرند.

برای درک نوآوری این مقاله، ابتدا باید رویکرد سنتی تحلیل EEG را مرور کنیم. در این رویکرد، پس از ثبت سیگنال خام، متخصصان ویژگی‌هایی مانند توان باندهای فرکانسی (آلفا، بتا، تتا، گاما)، آنتروپی، یا معیارهای اتصال‌پذیری مغز را محاسبه می‌کردند. سپس این ویژگی‌ها به عنوان ورودی به یک طبقه‌بند کلاسیک (مانند SVM یا Random Forest) داده می‌شد. مشکل این روش، وابستگی شدید به تخصص و احتمال از دست رفتن اطلاعات مهم در فرآیند خلاصه‌سازی سیگنال به چند ویژگی محدود است.

در مقابل، این مقاله یک رویکرد یادگیری سرتاسری (End-to-End) را پیشنهاد می‌کند. معماری ترانسفورمر که در قلب این روش قرار دارد، از مفهومی به نام «مکانیزم توجه» بهره می‌برد. در زمینه EEG، این مکانیزم به مدل اجازه می‌دهد تا به صورت پویا تصمیم بگیرد که کدام بخش از سیگنال زمانی (کدام لحظات) و کدام کانال‌های EEG (کدام نواحی مغز) برای انجام یک وظیفه خاص (مثلاً تشخیص بار کاری ذهنی) اطلاعات مهم‌تری در خود دارند. به عبارت دیگر، مدل به طور خودکار یاد می‌گیرد که «به کجا نگاه کند».

در این تحقیق، داده‌های خام EEG (پس از حذف نویزهای اولیه) به عنوان یک دنباله از بردارها به ورودی مدل ترانسفورمر داده می‌شوند. هر بردار نشان‌دهنده ولتاژ ثبت‌شده توسط تمام الکترودها در یک نقطه زمانی است. سپس، لایه‌های رمزگذار (Encoder) ترانسفورمر این دنباله را پردازش کرده و یک بازنمایی غنی و زمینه‌مند از فعالیت مغزی ایجاد می‌کنند. در نهایت، یک لایه طبقه‌بندی ساده بر روی این بازنمایی قرار می‌گیرد تا خروجی نهایی (مثلاً برچسب «بار کاری کم» یا «بار کاری زیاد») را تولید کند. کل این فرآیند، از ورودی خام تا خروجی نهایی، به صورت یکپارچه و با استفاده از روش پس‌انتشار خطا (Backpropagation) آموزش داده می‌شود. این یعنی مدل خودش ویژگی‌های بهینه را کشف می‌کند.

نتایج عددی به‌دست‌آمده در این پژوهش، مؤید قدرت و کارایی رویکرد پیشنهادی است. عملکرد مدل بر روی دو مجموعه داده به شرح زیر بود:

• مجموعه داده محلی (سن و جنسیت):
  • دقت طبقه‌بندی جنسیت: ۹۴.۵۳٪
  • دقت طبقه‌بندی سن: ۸۷.۷۹٪

  این نتایج نشان می‌دهد که مدل قادر است الگوهای بیومتریک پایدار و فردی را مستقیماً از سیگنال خام مغزی با دقت بسیار بالایی استخراج کند.

• مجموعه داده عمومی STEW (بار کاری ذهنی):
  • دقت طبقه‌بندی دو سطح بار کاری: ۹۵.۲۸٪
  • دقت طبقه‌بندی سه سطح بار کاری: ۸۸.۷۲٪

  دستیابی به چنین دقت بالایی در یک وظیفه شناختی پیچیده و روی یک مجموعه داده استاندارد، قابلیت اطمینان و تعمیم‌پذیری مدل را به اثبات می‌رساند. همانطور که انتظار می‌رفت، دقت در طبقه‌بندی سه سطحی (که وظیفه دشوارتری است) کمی پایین‌تر است، اما همچنان در سطح بهترین روش‌های موجود قرار دارد.

مهم‌ترین یافته این مقاله این نیست که صرفاً به دقت‌های بالا دست یافته است، بلکه این است که این نتایج درخشان بدون هیچ‌گونه استخراج ویژگی دست‌ساز و با استفاده مستقیم از داده‌های خام EEG به دست آمده‌اند. این امر به طور قطعی نشان می‌دهد که مدل‌های مبتنی بر ترانسفورمر می‌توانند با موفقیت جایگزین خطوط لوله پردازشی سنتی و پیچیده شوند.

دستاورد این مقاله فراتر از یک پیشرفت آکادمیک است و می‌تواند تأثیرات عملی گسترده‌ای در حوزه‌های مختلف داشته باشد:

• رابط‌های مغز و کامپیوتر (BCI): با خودکارسازی و افزایش سرعت تحلیل EEG، می‌توان BCIهای پاسخ‌گوتر و دقیق‌تری برای کنترل اندام‌های مصنوعی، سیستم‌های ارتباطی برای بیماران فلج، یا حتی کنترل بازی‌های ویدیویی ساخت.
• تشخیص پزشکی: این رویکرد می‌تواند به توسعه ابزارهای هوشمند برای تشخیص زودهنگام بیماری‌های عصبی مانند صرع، اختلالات خواب، و ارزیابی زوال شناختی در بیماری آلزایمر کمک کند. یک مدل آموزش‌دیده می‌تواند به سرعت الگوهای غیرعادی را در نوار مغزی بیمار تشخیص دهد.
• علوم اعصاب شناختی: محققان می‌توانند از این مدل‌ها به عنوان ابزاری قدرتمند برای مطالعه حالات ذهنی مختلف مانند توجه، حافظه، و احساسات استفاده کنند، بدون آنکه نگران سوگیری‌های ناشی از انتخاب ویژگی‌های دستی باشند.
• سیستم‌های تطبیقی: می‌توان سیستم‌هایی طراحی کرد که به صورت پویا خود را با حالت ذهنی کاربر تطبیق می‌دهند. برای مثال، یک سیستم آموزش آنلاین می‌تواند سطح دشواری محتوا را بر اساس بار کاری ذهنی دانش‌آموز تنظیم کند، یا یک خودروی هوشمند می‌تواند در صورت تشخیص خستگی یا حواس‌پرتی راننده، هشدارهای لازم را فعال کند.

بزرگ‌ترین دستاورد این پژوهش، دموکراتیزه کردن تحلیل EEG است. با حذف نیاز به تخصص عمیق در پردازش سیگنال، این مقاله راه را برای توسعه‌دهندگان و محققان بیشتری باز می‌کند تا بتوانند از داده‌های مغزی در برنامه‌های کاربردی نوآورانه استفاده کنند.

مقاله «اثربخشی شبکه‌های ترانسفورمر در طبقه‌بندی داده‌های خام EEG» یک گام مهم و رو به جلو در زمینه تحلیل سیگنال‌های مغزی به شمار می‌رود. این پژوهش با موفقیت نشان داد که معماری قدرتمند ترانسفورمر، که پیش از این در حوزه زبان طبیعی به موفقیت رسیده بود، می‌تواند برای تفسیر مستقیم و دقیق داده‌های پیچیده EEG نیز به کار گرفته شود.

این رویکرد با دستیابی به دقت‌های قابل رقابت با بهترین روش‌های روز، بدون نیاز به فرآیند زمان‌بر و تخصصی استخراج ویژگی، یک راه‌حل کارآمد، مقیاس‌پذیر و قدرتمند ارائه می‌دهد. نتایج این تحقیق نه تنها مسیر را برای توسعه سیستم‌های هوشمندتر و دقیق‌تر در حوزه‌های پزشکی و فناوری هموار می‌کند، بلکه الهام‌بخش پژوهش‌های آینده برای استفاده از معماری‌های یادگیری عمیق پیشرفته‌تر در تحلیل انواع دیگر سیگنال‌های بیولوژیکی خواهد بود. این کار نشان‌دهنده آینده‌ای است که در آن هوش مصنوعی می‌تواند به طور مستقیم به زبان مغز گوش فرا دهد و آن را درک کند.