نموذج جديد للكشف عن الاكتئاب الشديد باستخدام تحويلات ترددية-زمانية-مكانية

تخيل أنك تجلس أمام طبيب نفسي، يطلب منك إجراء فحص بسيط – ليس اختبارًا نفسيًا تقليديًا، بل قياسًا لنشاط دماغك. هذا ليس سيناريو خيال علمي، بل هو اتجاه متزايد في تشخيص اضطراب الاكتئاب الشديد (MDD)، وهو مرض عقلي شائع يؤثر على ملايين الأشخاص حول العالم. الدقة في الكشف عن هذا الاضطراب أمر بالغ الأهمية لبدء العلاج المناسب وتحسين نوعية حياة المرضى.

منهجية البحث

الباحثون في هذا المجال يواجهون تحديًا كبيرًا: الاختلافات الكبيرة في إشارات الدماغ (تخطيط كهربية الدماغ أو EEG) بين المرضى المختلفين. هذا يجعل من الصعب تطوير نموذج واحد يمكنه تشخيص الاكتئاب بدقة عبر مجموعة واسعة من الأفراد. تقليديًا، تعتمد طرق الكشف عن الاكتئاب باستخدام EEG على تحليل الإشارات في المجال الزمني والمكاني، ولكنها غالبًا ما تهمل المعلومات الهامة الموجودة في المجال الترددي (frequency domain) – أي تحليل التغيرات في سرعة الموجات الدماغية.

للتغلب على هذه العقبات، قام الباحث تشو سي-واي (Xu, C.-Y.) بتطوير نموذج جديد يسمى TFST-SDKA. هذا النموذج يجمع بين تقنية “المحول” (Transformer) – وهي تقنية قوية تستخدم في معالجة اللغة الطبيعية وأصبحت شائعة في تحليل البيانات الطبية – مع طريقة جديدة لمحاذاة المعرفة الفرعية (sub-domain knowledge alignment). المحول هنا يعمل على تحليل البيانات الزمنية والمكانية لإشارات الدماغ، بينما تركز طريقة محاذاة المعرفة الفرعية على تصنيف المرضى إلى مجموعات فرعية بناءً على خصائصهم الفردية، مما يساعد على تقليل الاختلافات بين المرضى وتحسين دقة التشخيص.

بالإضافة إلى ذلك، قدم الباحثون آلية “الانتباه الترددي” (Frequency Attention – FA). هذه الآلية تستخدم تحويل جيب التمام المتقطع (Discrete Cosine Transform – DCT) لتحويل بيانات ميزات EEG إلى المجال الترددي. بمعنى آخر، بدلاً من النظر فقط إلى قوة الإشارة في نقاط زمنية معينة، فإنها تحلل الترددات المختلفة الموجودة في الإشارة، والتي قد تكون مرتبطة بشكل خاص بالاكتئاب. هذا يسمح للنموذج بالتقاط معلومات أكثر دقة حول حالة الدماغ.

نتائج البحث

تم اختبار نموذج TFST-SDKA على مجموعتي بيانات كبيرتين: MODMA و PRED+CT. هاتان المجموعتان تحتويان على بيانات EEG من مرضى يعانون من الاكتئاب وأفراد أصحاء. أظهرت النتائج أن نموذج TFST-SDKA يتفوق بشكل كبير على النماذج الحالية (state-of-the-art) في مهمة الكشف عن الاكتئاب.

على وجه التحديد، حقق النموذج دقة أعلى بنسبة 1.42٪ على مجموعة بيانات MODMA وبنسبة 1.16٪ على مجموعة بيانات PRED+CT مقارنة بأفضل النماذج الأخرى. هذه الزيادة في الدقة، على الرغم من أنها قد تبدو صغيرة، يمكن أن يكون لها تأثير كبير على حياة المرضى، حيث يمكن أن تؤدي إلى تشخيص أسرع وأكثر دقة، وبالتالي علاج أكثر فعالية.

آثار البحث

هذا البحث يفتح آفاقًا جديدة في مجال تشخيص الاكتئاب باستخدام EEG. من خلال دمج تحليل المجال الترددي وتقنية محاذاة المعرفة الفرعية، تمكن الباحثون من تطوير نموذج أكثر دقة وقدرة على التعامل مع الاختلافات الفردية بين المرضى.

هذا التقدم لا يقتصر على الجانب الطبي فحسب، بل يمتد أيضًا إلى فهمنا للدماغ وكيف يتأثر بالاكتئاب. من خلال تحليل الترددات الدماغية المرتبطة بالاكتئاب، يمكن للباحثين الحصول على رؤى جديدة حول الآليات العصبية الكامنة وراء هذا الاضطراب.

في المستقبل، يمكن تطوير هذه التقنية لتكون أداة تشخيصية عملية يمكن استخدامها في العيادات والمستشفيات. كما يمكن استخدامها لمراقبة فعالية العلاج وتعديلها حسب الحاجة. على الرغم من أن هناك حاجة إلى مزيد من البحث والتحقق، إلا أن هذا العمل يمثل خطوة مهمة نحو تحسين رعاية المرضى الذين يعانون من الاكتئاب.

Reference

Xu, C.-Y. (2026). Major depressive disorder detection via temporal-frequency-spatial transformer with sub-domain knowledge alignment using EEG. Neural Networks.

DOI: 10.1016/j.neunet.2025.107965