الدماغ يطبع بنفسه: كيف تسرّع أزواج الأقطاب قراءة الأفكار سريع
ينظر الشخص إلى شاشة تظهر عليها حروف تومض. لا يحرك يده ولا عينه — فقط يحدد ذهنيًا الرمز المطلوب. تلتقط أجهزة الاستشعار على الرأس موجات كهربائية ضعيفة من الدماغ، ويفهم الحاسوب أي حرف اختاره الشخص. هكذا تعمل واجهة «الدماغ — الحاسوب»: إنها تعطي صوتًا لمن لا يستطيعون الكلام أو الحركة.
في السابق، كانت الآلة تنظر إلى كل مستشعر على حدة، كما لو كانت تستمع إلى أوركسترا وتسجل كمانًا واحدًا فقط دون أن تلاحظ أن هناك تشيلو يعزف بجانبه. النموذج الجديد يربط المستشعرات في أزواج — مثل قائد الأوركسترا الذي يسمع كيف تتردد الآلات فيما بينها. هو يقرر بنفسه أي أزواج الإشارات مهمة في كل جزء من الثانية، ويتجاهل الضوضاء الزائدة.
التحسن ملحوظ بشكل خاص لدى الأشخاص الذين لا يشربون الكحول: زادت الدقة لديهم بنسبة 18 بالمئة. لماذا هذا — لا يزال لغزًا، لكن النموذج يتكيف مع كل شخص مثل بدلة مصممة حسب القياس. هذه خطوة نحو جعل الكتابة الذهنية سريعة وموثوقة للجميع.
الملخص الأصلي
كما كتبه المؤلفون، بالإنجليزية arXiv:2602.17772
Electroencephalography (EEG)-based P300 brain-computer interfaces (BCIs) enable communication without physical movement by detecting stimulus-evoked neural responses. Accurate and efficient decoding remains challenging due to high dimensionality, temporal dependence, and complex interactions across EEG channels. Most existing approaches treat channels independently or rely on black-box machine learning models, limiting interpretability and personalization. We propose a sparse Bayesian time-varying regression framework that explicitly models pairwise EEG channel interactions while performing automatic temporal feature selection. The model employs a relaxed-thresholded Gaussian process prior to induce structured sparsity in both channel-specific and interaction effects, enabling interpretable identification of task-relevant channels and channel pairs. Applied to a publicly available P300 speller dataset of 55 participants, the proposed method achieves a median character-level accuracy of 100\% using all stimulus sequences and attains the highest overall decoding performance among competing statistical and deep learning approaches. Incorporating channel interactions yields subgroup-specific gains of up to 7\% in character-level accuracy, particularly among participants who abstained from alcohol (up to 18\% improvement). Importantly, the proposed method improves median BCI-Utility by approximately 10\% at its optimal operating point, achieving peak throughput after only seven stimulus sequences. These results demonstrate that explicitly modeling structured EEG channel interactions within a principled Bayesian framework enhances predictive accuracy, improves user-centric throughput, and supports personalization in P300 BCI systems.
كلمة «كحول» في الدراسة لا ترتبط بالمشروب نفسه، بل بحقيقة أن الأنماط الكهربائية في الدماغ تتغير لدى بعض الأشخاص بعد تناوله، مما يجعل الخوارزميات القياسية أقل قدرة على التعرف عليها. النموذج الجديد الذي يراعي الارتباطات الزوجية كان أكثر مقاومة لهذه التغييرات.
في مسلسل «المرآة السوداء»، يتحكم الناس في التكنولوجيا بقوة الفكر؛ هذا العمل يقرّب مثل هذا السيناريو، لكن لأغراض طبية وليس للترفيه.