آشنایی با پارامترهای QEEG یا نقشه مغز

نقشه‌برداری کمی مغز یا QEEG (Quantitative EEG) ابزاری دقیق برای تحلیل فعالیت الکتریکی مغز است که به کمک آن می‌توان الگوهای خاص مرتبط با عملکردهای شناختی، هیجانی و بالینی را بررسی کرد. برای تفسیر صحیح QEEG، شناخت پارامترهای اصلی آن اهمیت زیادی دارد، چرا که هرکدام بازتابی از ویژگی خاصی در عملکرد عصبی هستند.

1. توان مطلق (Absolute Power)
توان مطلق، میزان انرژی تولیدشده در هر باند فرکانسی مغز را در یک نقطه مشخص از سطح جمجمه نشان می‌دهد. این شاخص به صورت میکروولت مربع (µV²) اندازه‌گیری می‌شود و بیانگر قدرت فعالیت نورونی در آن ناحیه است.
به عنوان مثال، افزایش توان مطلق در باند دلتا (0.5–4 Hz) ممکن است نشانه‌ای از کندی فعالیت قشری و کاهش هوشیاری باشد، در حالی که افزایش بتا (13–30 Hz) می‌تواند به برانگیختگی بیش از حد یا اضطراب اشاره کند.
2. توان نسبی (Relative Power)
این پارامتر درصد سهم هر باند فرکانسی از کل انرژی مغز را مشخص می‌کند. توان نسبی نسبت به توان مطلق، دقیق‌تر برای تحلیل تعادل بین امواج مختلف است. مثلاً افزایش توان نسبی تتا در نواحی فرونتال معمولاً در ADHD دیده می‌شود و بیانگر کاهش تمرکز و مهار شناختی است.
3. عدم تقارن دامنه (Amplitude Asymmetry)
این شاخص تفاوت میزان فعالیت الکتریکی بین نیمکره‌های چپ و راست مغز را بررسی می‌کند. تقارن در فعالیت دو نیمکره برای عملکرد طبیعی مغز ضروری است؛ اما اگر مثلاً در ناحیه فرونتال راست توان آلفا بیشتر باشد، ممکن است با افسردگی یا کناره‌گیری هیجانی مرتبط باشد، در حالی که افزایش توان فرونتال چپ با برانگیختگی مثبت و انگیزه در ارتباط است.
4. انسجام (Coherence)
انسجام به معنای هم‌زمانی و هماهنگی عملکرد بین دو ناحیه از مغز است. انسجام بالا نشان‌دهنده ارتباط قوی بین نواحی است و انسجام پایین می‌تواند نشانه اختلال در ارتباطات نورونی باشد. به عنوان مثال، کاهش انسجام در باند بتا بین لوب فرونتال و پاریتال در ADHD دیده می‌شود و حاکی از دشواری در یکپارچه‌سازی پردازش‌های شناختی است.
5. تأخیر فاز (Phase Delay)
این شاخص بیان می‌کند که سیگنال‌های الکتریکی بین دو ناحیه مغزی با چه اختلاف زمانی به هم می‌رسند. افزایش تأخیر فاز ممکن است نشانه کندی انتقال اطلاعات بین شبکه‌های مغزی باشد. در بسیاری از اختلالات مانند اضطراب، ADHD و اختلالات یادگیری، تأخیر فاز بالا نشانه ضعف در کارایی شبکه‌های ارتباطی مغز است.

به‌طور کلی، تحلیل این پارامترها در کنار هم تصویر دقیقی از عملکرد مغز ارائه می‌دهد. QEEG به متخصص اجازه می‌دهد تا نه‌تنها محل دقیق اختلال، بلکه نوع و شدت آن را نیز به‌صورت داده‌محور شناسایی کند.

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شاخه گسترده ای از علوم رایانه و مربوط به ساخت ماشین های هوشمندی است که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند. هوش مصنوعی یک علم میان رشته ای با چندین رویکرد است ، اما پیشرفت در یادگیری ماشین و یادگیری عمیق باعث ایجاد تغییر الگو، تقریباً در هر بخش از صنعت فناوری می شود.

هوش مصنوعی چگونه کار میکند؟

آیا ماشین میتواند فکر کند؟ (آلن تورینگ 1950)

کمتر از یک دهه پس از شکستن ماشین رمزگذاری نازی Enigma و کمک به نیروهای متفقین در پیروزی در جنگ جهانی دوم ، ریاضیدان آلن تورینگ برای بار دوم با یک سوال ساده تاریخ را تغییر داد: “آیا ماشین ها می توانند فکر کنند؟”

مقاله تورینگ “رایانه و ماشین آلات و هوش” (1950) ، و سپس آزمایش تورینگ ، هدف اساسی و چشم انداز هوش مصنوعی را تعیین کرد

هسته اصلی آن ، AI شاخه ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال تورینگ است. این تلاش برای تکرار یا شبیه سازی هوش انسان در ماشین است.

هدف گسترده هوش مصنوعی سوالات و بحث های زیادی را به وجود آورده است. تا آنجا که هیچ تعریف واحدی از این رشته در سطح جهانی پذیرفته نشده است.

عمده ترین محدودیت در تعریف هوش مصنوعی یا به عبارت ساده ” ماشین هایی که هوشمند هستند” این است که در واقع توضیح نمی دهد که هوش مصنوعی چیست؟ چه چیزی یک ماشین را هوشمند می کند؟

نویسندگان استوارت راسل و پیتر نورویگ در کتاب درسی پیشگامانه خود “هوش مصنوعی: رویکردی مدرن” با یکسان سازی کار خود پیرامون موضوع عوامل هوشمند در ماشین ها ، به این سوال می پردازند. با توجه به این نکته ، هوش مصنوعی “مطالعه عواملی است که از محیط دریافت می کنند و اعمال را انجام می دهند”. (Russel and Norvig 4)

Norvig و Russell در ادامه به بررسی چهار رویکرد مختلف می پردازند که به طور تاریخی زمینه AI را تعریف کرده اند

1. انسانی فکر می کند
2. منطقی فکر می کند
3. انسانی عمل می کند
4. منطقی عمل می کند

دو ایده اول مربوط به فرایندهای تفکر و استدلال است، در حالی که بقیه با رفتار سرو کار دارند. نورویگ و راسل به طور ویژه بر عوامل منطقی که برای رسیدن به بهترین نتیجه عمل می کنند تمرکز می کنند و خاطرنشان می کنند: “تمام مهارت های مورد نیاز برای آزمون تورینگ به یک عامل امکان می دهد منطقی عمل کند.” (راسل و نورویگ 4).

اگرچه این تعاریف ممکن است برای یک فرد عادی انتزاعی به نظر برسد، اما به تمرکز این حوزه به عنوان حوزه ای از علوم رایانه کمک می کند و طرحی برای یادگیری ماشین و سایر زیر مجموعه های هوش مصنوعی فراهم می کند.

مدیرعامل DataRobot ، جرمی آچین ، هنگام سخنرانی در جمع افراد در Japan AI Experience در سال 2017 ، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروز آغاز کرد:

“هوش مصنوعی یک سیستم رایانه ای است که قادر به انجام وظایفی است که معمولاً به هوش انسان نیاز دارد … بسیاری از این سیستم های هوش مصنوعی با یادگیری ماشینی کار می کنند ، برخی از آنها با یادگیری عمیق و برخی دیگر با چیزهای بسیار کسل کننده مانند قوانین کار می کنند. “

هوش مصنوعی چه استفاده ای دارد؟

هوش مصنوعی به طور کلی تحت دو دسته گسترده قرار دارد:

هوش مصنوعی محدود:

این نوع هوش مصنوعی که گاهی اوقات با عنوان “AI ضعیف” نیز شناخته می شود ، در یک زمینه محدود عمل می کند و شبیه سازی هوش انسانی است. هوش مصنوعی محدود اغلب بر انجام یک کار واحد بسیار خوب متمرکز است و گرچه به نظر می رسد این ماشین ها هوشمند هستند ، اما آنها با محدودیت های بسیار بیشتری حتی از ابتدایی ترین هوش انسانی کار می کنند.

هوش مصنوعی عمومی: AGI

 که گاهی اوقات به عنوان “هوش مصنوعی قوی” نیز شناخته می شود ، نوعی هوش مصنوعی است که در فیلم ها می بینیم ، مانند ربات های Westworld

AGI ماشینی با هوش عمومی است و دقیقاً مانند یک انسان می تواند از این هوش برای حل هر مشکلی استفاده کند.

هوش مصنوعی محدود:

هوش مصنوعی محدود در اطراف ماست و به راحتی موفق ترین تحقق هوش مصنوعی تاکنون است. با تمرکز بر انجام وظایف خاص ، هوش مصنوعی محدود در دهه گذشته موفقیت های زیادی را تجربه کرده است که “دارای مزایای قابل توجهی در جامعه بوده و به نشاط اقتصادی ملت کمک کرده است” ، طبق “آماده سازی برای آینده هوش مصنوعی” ، گزارش سال 2016 منتشر شده توسط دولت اوباما.

یادگیری ماشین و یادگیری عمیق

بیشتر هوش مصنوعی محدود با پیشرفت هایی در یادگیری ماشین و یادگیری عمیق ایجاد می شود. درک تفاوت بین هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق می تواند گیج کننده باشد. سرمایه گذار خطرپذیر ، فرانک چن ، نمای خوبی از چگونگی تمایز بین آنها ارائه می دهد ، و خاطرنشان می کند:

“هوش مصنوعی مجموعه ای از الگوریتم ها و هوش برای تقلید از هوش انسان است. یادگیری ماشین یکی از آنهاست و یادگیری عمیق یکی از آن تکنیک های یادگیری ماشین است”

به زبان ساده ، یادگیری ماشینی داده های رایانه را تغذیه می کند و از تکنیک های آماری برای کمک به “یادگیری” نحوه پیشرفت بهتر در یک کار ، بدون اینکه برای آن کار به طور خاص برنامه ریزی شده باشد ، استفاده می کند و میلیون ها خط کد نوشته شده را از بین می برد. یادگیری ماشین شامل یادگیری تحت نظارت (با استفاده از مجموعه داده های دارای برچسب) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است.

یادگیری عمیق نوعی یادگیری ماشینی است که ورودی ها را از طریق ساختار شبکه عصبی الهام گرفته از زیست شناسی اجرا می کند. شبکه های عصبی حاوی تعدادی لایه پنهان است که داده ها از طریق آنها پردازش می شوند و به ماشین اجازه می دهند تا در یادگیری خود “عمیق” پیش رود ، برای ایجاد بهترین نتیجه ، اتصالات و ورودی وزنی ایجاد کند.

هوش مصنوعی عمومی

ایجاد ماشینی با هوش در سطح انسانی که برای هر کاری قابل استفاده باشد ، برای بسیاری از محققان هوش مصنوعی جام مقدس است ، اما تلاش برای AGI با دشواری همراه بوده است.

جستجوی “الگوریتم جهانی برای یادگیری و عملکرد در هر محیط” (راسل و نورویگ 27) چیز جدیدی نیست ، اما زمان دشواری اساسی در ایجاد یک ماشین با مجموعه کامل توانایی های شناختی را کاهش نداده است.

مدت هاست AGI موزه داستان علمی تخیلی است ، که در آن ربات های بسیار هوشمند بیش از حد بشریت غلبه می کنند ، اما کارشناسان معتقدند این چیزی نیست که به زودی نگران آن باشیم.

جهت استفاده از هوش مصنوعی EEGLOG برای تحلیل گزارش نقشه مغزی و ایجاد پروتکل درمانی نوروفیدبک و TDCS به لینک زیر مراجعه کنید: